CN112233789A - 一种区域特征融合的高血压视网膜病变分类方法 - Google Patents
一种区域特征融合的高血压视网膜病变分类方法 Download PDFInfo
- Publication number
- CN112233789A CN112233789A CN202011083295.5A CN202011083295A CN112233789A CN 112233789 A CN112233789 A CN 112233789A CN 202011083295 A CN202011083295 A CN 202011083295A CN 112233789 A CN112233789 A CN 112233789A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- hypertensive retinopathy
- arteriovenous
- classification model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010038926 Retinopathy hypertensive Diseases 0.000 title claims abstract description 54
- 201000001948 hypertensive retinopathy Diseases 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims description 12
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 21
- 238000007906 compression Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 206010020772 Hypertension Diseases 0.000 claims abstract description 15
- 230000006835 compression Effects 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001631 hypertensive effect Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000011410 subtraction method Methods 0.000 claims 1
- 208000017442 Retinal disease Diseases 0.000 abstract description 2
- 206010038923 Retinopathy Diseases 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 210000003462 vein Anatomy 0.000 description 7
- 210000001367 artery Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 206010038830 Retinal artery stenosis Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000006496 vascular abnormality Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种区域特征融合的高血压视网膜病变分类方法,该算法提出两个阶段模型,分别为局部动静脉交叉压迫分类模型和整体高血压视网膜病变分类模型,目的将局部特征动静脉交叉压迫分类模型与整体高血压视网膜病变分类模型融合来增强高血压视网膜病变分类效果,其中动静脉交叉压迫图像块是经过血管分割、动静脉分类、交叉点检测等方法从高血压视网膜病变眼底图像中提取得到。该方法可以帮助医生尽早识别高血压视网膜病变,对高血压患者进行尽早诊断与治疗,采用神经网络可以适应海量数据,克服患者数量增多所引起的误诊、漏诊和医学水平不均衡的弊端,减轻医生负担,节省医生的宝贵时间,大大提高医生的工作效率。
Description
技术领域
本发明涉及眼底图像分类领域,特别是涉及一种区域特征融合的高血压视网膜病变分类方法。
背景技术
高血压是一种长期医学疾病,是其他重大疾病(例如脑卒中、冠心病、肾衰竭等)的主要危险因素,因此对高血压的预防和治疗尤其重要,医学研究认为使用眼科镜对高血压性视网膜病变进行检测是高血压患者评估标准的一部分,通过眼底检测能够及早发现高血压疾病,达到对高血压防治的目的;然而,对高血压视网膜病变的检测耗时耗力,因此在早期筛查中开发出一种高血压视网膜病变检测***来改善医疗效果是非常必要的。
目前关于高血压视网膜病变识别分类的问题已经有了一系列研究,高血压视网膜病变的识别与分类的研究大多是基于图像形态学的机器学习算法,还有一小部分基于深度学习算法;其中,基于图像形态学的机器学习算法属于传统分类算法针对数据量小的情况;少量的数据时,利用传统情感分类方法能够取得良好的分类效果;基于深度学习的方法是在海量数据、电脑硬件如GPU、CPU快速发展、深度学习模型已经在医疗影像领域取得了良好效果。
由于高血压视网膜病变的病灶特征不明显并且集中在血管方面,正常眼底图像动静脉比率为2:3,当动静脉比率值低于2:3就表明视网膜动脉狭窄,而动脉狭窄是判定存在高血压视网膜病变的重要依据之一,许多研究者通过测量动静脉比率来检测是否存在高血压视网膜病变;动静脉比率计算方法是基于圆的光强分布提出的,该方法首先使用RGB图像中的红色通道进行视盘检测,然后以视盘中心为圆心,以视盘直径为半径作一个圆,沿着该圆可以得到绿色通道的强度分布,该分布的凹陷部分可视为血管,并根据形状对其进行动静脉的分类,血管宽度大于7个像素的用于计算动静脉比率。
继机器学习后提出了全自动动静脉比率计算方法,该方法依次进行视盘的定位、感兴趣区域的确定、动静脉血管的分类、动静脉比率的计算;以往的研究多是通过计算动静脉比率对高血压视网膜病变进行识别与检测,没有依照其他病灶特征,识别依据单一,且传统形态学机器学习算法的缺点在于能够处理的数据量小,缺乏普遍性且识别精度不够高,在面对海量眼底图像时,传统机器学习算法就显得苍白无力,因此基于深度学习的医疗图像领域的算法应运而生。
发明内容
本文针对上述现有状况,提出了一种区域特征融合的高血压视网膜病变分类方法,该算法提出两个阶段模型,分别为高血压视网膜病变分类模型和动静脉交叉压迫分类模型,目的将局部特征动静脉交叉压迫分类模型与高血压视网膜病变分类模型相融合来增强高血压视网膜病变识别和分类效果,可缓解由于患者量增多出现的误诊、漏诊和医学水平不均衡的问题,减轻医生负担,并能尽早识别高血压视网膜病变,从而对高血压患者进行诊断与治疗。
为实现上述目的,本文提出的方案是:一种区域特征融合的高血压视网膜病变分类方法,具体步骤如下:
S1:获取拍摄的眼底图像;
S2:将眼底图像进行图像预处理,包括去除黑色背景、调整图像分辨率、图像归一化和数据扩增四个步骤;
S3:将预处理好的图像分别送入动静脉交叉压迫分类模型和高血压视网膜病变分类模型;
S4:在动静脉交叉压迫分类模型中,首先利用SeqNet对预处理的图像进行血管分割与动静脉分类;
S5:根据血管分割和动静脉分类后的结果,对结果眼底图像进行骨骼化,并利用角点检测检测出所有动静脉交叉点;
S6:将检测出的交叉点映射回原图,利用滑窗法对原图进行分割,提取感兴趣区域;
S7:将提取出的感兴趣区域图像块送入改进的ResNet50神经网络进行分类;
S8:在高血压视网膜病变分类模型中,将S2的结果直接送入VGG19神经网络进行分类;
S9:将S7和S8进行模型融合,并利用神经网络进行最终分类。
进一步的,上述方法,还包括:S10:基于训练的模型,传入眼底图像,对眼底图像进行自动识别与分类。
进一步的,步骤S2中图像归一化采用减去局部均值的方法,公式为:
Iout=α×Iin+β×IGaussian+γ
其中Iout为输出图像,α、β和γ为系数,值分别为4,-4和128,Iin为输入图像,IGaussian为输入图像经过高斯滤波处理后得到的图像。
进一步的,所述SeqNet主要由由两个部分组成,第一部分采用IterNet完成血管分割,IterNet由小型U-net多次迭代组成,第二部分采用另一个尺寸的U-net完成动静脉分类,并将输入图像中的背景像素进行遮罩,公式为:
xout=xin·v
其中xout为遮罩后的图像,xin为输入图像,v为细化后的图像。
进一步的,步骤S5中角点检测公式为:R=det(M)-k(traceM)2,其中R为角点响应强度,M为协方差矩阵,具体计算公式如公式所示,det(M)为矩阵M行列式,traceM为矩阵M的迹,k是系数,取0.04-0.06之间。
本发明由于采用上述技术方法,能够取得如下技术效果:通过减去局部均值和数据扩增对眼底图像进行预处理,能够增强血管特征和克服样本数量少且不均衡的问题;将高血压眼底区域特征动静脉交叉压迫分类模型与高血压眼底分类模型进行模型融合,能够达到提高高血压视网膜病变的识别与分类精度,采用深度学习的方法可以帮助医生在面对海量数据所面临的困难,从而节省医生的时间,大幅度提高工作效率。
附图说明
图1高血压视网膜病变模型分类结构图。
图2眼底图像预处理图。
图3SeqNet模型结构图。
图4血管分割效果图。
图5动静脉分类效果图。
图6图像骨骼化图。
图7动静脉交叉点检测图。
图8感兴趣区域提取图。
图9改进ResNet神经网络结构图。
具体实施方式
为了使本发明的实施例的目的、技术方案和优点更加清楚,下面结合附图对本发明实施例中的技术方案进行清楚完整的描述。
实施例1:如图1所示为本发明一个实施例的高血压视网膜病变分类方法模型结构图,本实施例提供一种区域特征融合的高血压视网膜病变分类方法,具体步骤如下:
1)接收拍摄的眼底图像;
2)对眼底图像进行去除黑色背景、调整图像分辨率、图像归一化和数据扩增的图像预处理算法;如图2所示为眼底图像预处理的效果图,通过效果图可以看出血管特征得到了增强,为了后续的操作,选择将图像分辨率调整为576*576;
3)将预处理好的图像送入动静脉交叉压迫模型;
4)采用SeqNet对图像进行血管分割和动静脉分类;如图3所示为SeqNet模型结构图,由结构图可以看出SeqNet主要由由两个部分组成,第一部分采用IterNet完成血管分割,IterNet由小型U-net多次迭代组成,第二部分采用另一个尺寸的U-net完成动静脉分类,并将输入图像中的背景像素进行遮罩;如图4、图5所示分别为血管分割图和动静脉分类图,通过这两个图可以看出SeqNet可同时进行血管分割和动静脉分类,为后续操作做了准备;
5)采用图像骨骼化算法对上一步骤得到的图像进行图像细化;采用角点检测算法对细化后的图像进行动静脉交叉点检测;如图6和图7所示分别为图像骨骼化效果图和动静脉交叉点检测图,可以看出所用算法的有效性,为后续操作做了准备;
6)将检测到的交叉点映射到原图;
7)采用滑窗法对具有交叉点的图像进行图像分割;
8)筛选图像块,保证每个图像块都有交叉点;如图8所示为感兴趣区域提取图,由图中可见,每个区域图像块都有交叉点,并将图中的动静脉交叉压迫进行了专业分级;如图9所示为改进ResNet网络结构图,将筛选好的图像块送入改进的ResNet神经网络模型进行分类;
9)将预处理好的图像送入高血压视网膜病变分类VGG19神经网络模型;
10)将动静脉交叉压迫分类模型与高血压视网膜分类模型进行模型融合;
11)采用神经网络对融合后的模型进行分类;
12)基于训练的模型,传入眼底图像,按已经训练好的特征,对高血压视网膜病变眼底图像进行识别与分类,根据高血压视网膜病变病灶特征主要集中在血管异常方面的先验知识,采用减去局部均值的方法对图像进行归一化;为了克服数据量少且样本不均衡的问题,采用镜像、旋转、缩放等方法对图像进行数据扩增。
本发明提出的区域特征融合的高血压视网膜病变分类方法,采用局部特征动静脉分类模型和整体高血压视网膜病变分类模型进行融合,达到加强整体高血压视网膜病变分类的效果。
可帮助医生尽早识别高血压视网膜病变,对高血压患者的诊断和治疗具有重大研究意义,同时深度学习的方法能够应对海量数据,可以减轻医生的负担,节省医生的时间,从而大大的提高了医生工作效率。
实施例2:本实施例对实施例1中出现的减去局部均值、SeqNet网络、角点检测和对图像特征进行深度学习的神经网络技术进行具体的解释说明。
(1)减去局部均值,公式为:Iout=α×Iin+β×IGaussian+γ
其中Iout为输出图像,α、β和γ为系数,值分别为4,-4和128,Iin为输入图像,IGaussian为输入图像经过高斯滤波处理后得到的图像。
(2)SeqNet主要由由两个部分组成,第一部分采用IterNet完成血管分割,IterNet由小型U-net多次迭代组成,第二部分采用另一个尺寸的U-net完成动静脉分类,并将输入图像中的背景像素进行遮罩,公式为:xout=xin·v,其中xout为遮罩后的图像,xin为输入图像,v为细化后的图像。
(3)角点检测,公式为:R=det(M)-k(traceM)2,其中R为角点响应强度,M为协方差矩阵,具体计算公式如公式所示,det(M)为矩阵M行列式,traceM为矩阵M的迹,k是系数,取0.04-0.06之间。
减去局部均值可增强眼底图像血管特征,数据扩增方法可克服高血压视网膜病变分类数据量少和不均衡的问题,为后续的血管分割、动静脉分类、交叉点检测和感兴趣区域提取做了充足的准备工作。
SeqNet第一部分采用IterNet完成血管分割。IterNet由小型U-net多次迭代组成,其深度比普通U-net大4倍,可仅从少量的标签进行学习且无需预训练和任何先验知识;第二部分采用另一个尺寸的U-net完成动静脉分类,并将输入图像中的背景像素进行遮罩,将视网膜原图与细化后的血管图像进行逐元素相乘,这样能够降低输入图像的复杂性,从而可使分类网络完全集中于发现血管的颜色、形状、厚度等方面的差异。该网络的优点是在保证血管分割和动静脉分类的性能的基础上可以同时完成两个任务。
神经网络算法是分类效果最好的一类模式匹配算法,但是单一的神经网络算法对高血压视网膜病变分类效果并不是很好,所以本发明采用区域特征融合的方法,将局部特征动静脉交叉压迫分类模型与整体高血压视网膜病变分类模型进行模型融合,以增强高血压视网膜病变分类模型的精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,在任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种区域特征融合的高血压视网膜病变分类方法,其特征在于提出两个阶段模型,其包括如下:高血压视网膜病变分类模型和动静脉交叉压迫分类模型,目的将局部特征动静脉交叉压迫分类模型与高血压视网膜病变分类模型相融合来增强高血压视网膜病变识别和分类效果,可缓解由于患者量增多出现的误诊、漏诊和医学水平不均衡的问题,减轻医生负担,并能尽早识别高血压视网膜病变,从而对高血压患者进行诊断与治疗。
2.根据权利要求1所述一种区域特征融合的高血压视网膜病变分类方法,将眼底图像进行图像预处理,包括去除黑色背景、调整图像分辨率、图像归一化和数据扩增四个步骤,图像归一化采用减去局部均值方法,公式如下所示:
Iout=α×Iin+β×IGaussian+γ
其中Iout为输出图像,α、β和γ为系数,值分别为4,-4和128,Iin为输入图像,IGaussian为输入图像经过高斯滤波处理后得到的图像。
3.根据权利要求1所述一种区域特征融合的高血压视网膜病变分类方法,将预处理好的图像分别送入动静脉交叉压迫分类模型和高血压视网膜病变分类模型。
4.根据权利要求1所述一种区域特征融合的高血压视网膜病变分类方法,在动静脉交叉压迫分类模型中,首先利用SeqNet对预处理的图像进行血管分割与动静脉分类,其中所述SeqNet主要由由两个部分组成,第一部分采用IterNet完成血管分割,IterNet由小型U-net多次迭代组成,第二部分采用另一个尺寸的U-net完成动静脉分类,并将输入图像中的背景像素进行遮罩,公式为:
xout=xin·v
其中xout为遮罩后的图像,xin为输入图像,v为细化后的图像。
6.根据权利要求1所述一种区域特征融合的高血压视网膜病变分类方法,将检测出的交叉点映射回原图,利用滑窗法对原图进行分割,提取感兴趣区域。
7.根据权利要求1所述一种区域特征融合的高血压视网膜病变分类方法,将提取出的感兴趣区域图像块送入改进的ResNet50神经网络进行分类,所述一种区域特征融合的高血压视网膜病变分类方法,在高血压视网膜病变分类模型中,将预处理后的眼底图像送入VGG19神经网络进行分类,所述一种区域特征融合的高血压视网膜病变分类方法,将动静脉交叉压迫分类模型与高血压视网膜病变分类模型进行模型融合,利用神经网络进行最终分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011083295.5A CN112233789A (zh) | 2020-10-12 | 2020-10-12 | 一种区域特征融合的高血压视网膜病变分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011083295.5A CN112233789A (zh) | 2020-10-12 | 2020-10-12 | 一种区域特征融合的高血压视网膜病变分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112233789A true CN112233789A (zh) | 2021-01-15 |
Family
ID=74112117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011083295.5A Pending CN112233789A (zh) | 2020-10-12 | 2020-10-12 | 一种区域特征融合的高血压视网膜病变分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233789A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927242A (zh) * | 2021-03-24 | 2021-06-08 | 上海大学 | 基于区域定位与群体智能搜索算法的快速视盘定位方法 |
CN113158863A (zh) * | 2021-04-13 | 2021-07-23 | 同济大学 | 一种异常眼底照片识别方法 |
CN115457038A (zh) * | 2022-11-11 | 2022-12-09 | 北京鹰瞳科技发展股份有限公司 | 分级预测模型的训练方法、分级预测的方法及相关产品 |
CN117788473A (zh) * | 2024-02-27 | 2024-03-29 | 北京大学第一医院(北京大学第一临床医学院) | 一种基于双眼融合网络预测高血压的方法、***和设备 |
CN117809839A (zh) * | 2024-01-02 | 2024-04-02 | 珠海全一科技有限公司 | 一种预测高血压视网膜病变与相关因素关联分析方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
CN104537669A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 眼底图像的动静脉视网膜血管分割方法 |
CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
CN107657612A (zh) * | 2017-10-16 | 2018-02-02 | 西安交通大学 | 适用于智能便携设备的全自动视网膜血管分析方法及*** |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN108960257A (zh) * | 2018-07-06 | 2018-12-07 | 东北大学 | 一种基于深度学习的糖尿病视网膜病变等级分级方法 |
CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测***及检测方法 |
CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
CN110490860A (zh) * | 2019-08-21 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 糖尿病视网膜病变识别方法、装置及电子设备 |
CN110648344A (zh) * | 2019-09-12 | 2020-01-03 | 电子科技大学 | 一种基于局部病灶特征的糖尿病视网膜病变分类装置 |
CN111242933A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 视网膜图像动静脉的分类装置、设备及存储介质 |
CN111696089A (zh) * | 2020-06-05 | 2020-09-22 | 上海联影医疗科技有限公司 | 一种动静脉确定方法、装置、设备和存储介质 |
CN111755118A (zh) * | 2020-03-16 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-10-12 CN CN202011083295.5A patent/CN112233789A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
CN104537669A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 眼底图像的动静脉视网膜血管分割方法 |
CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
CN107657612A (zh) * | 2017-10-16 | 2018-02-02 | 西安交通大学 | 适用于智能便携设备的全自动视网膜血管分析方法及*** |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN108960257A (zh) * | 2018-07-06 | 2018-12-07 | 东北大学 | 一种基于深度学习的糖尿病视网膜病变等级分级方法 |
CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测***及检测方法 |
CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
CN110490860A (zh) * | 2019-08-21 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 糖尿病视网膜病变识别方法、装置及电子设备 |
CN110648344A (zh) * | 2019-09-12 | 2020-01-03 | 电子科技大学 | 一种基于局部病灶特征的糖尿病视网膜病变分类装置 |
CN111242933A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 视网膜图像动静脉的分类装置、设备及存储介质 |
CN111755118A (zh) * | 2020-03-16 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
CN111696089A (zh) * | 2020-06-05 | 2020-09-22 | 上海联影医疗科技有限公司 | 一种动静脉确定方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
徐宏: "基于眼底图像的糖尿病视网膜病变智能诊断", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 1, pages 13 - 70 * |
杨毅: "视网膜血管分割与动静脉分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, pages 8 - 45 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927242A (zh) * | 2021-03-24 | 2021-06-08 | 上海大学 | 基于区域定位与群体智能搜索算法的快速视盘定位方法 |
CN112927242B (zh) * | 2021-03-24 | 2022-11-22 | 上海大学 | 基于区域定位与群体智能搜索算法的快速视盘定位方法 |
CN113158863A (zh) * | 2021-04-13 | 2021-07-23 | 同济大学 | 一种异常眼底照片识别方法 |
CN115457038A (zh) * | 2022-11-11 | 2022-12-09 | 北京鹰瞳科技发展股份有限公司 | 分级预测模型的训练方法、分级预测的方法及相关产品 |
CN115457038B (zh) * | 2022-11-11 | 2023-08-22 | 北京鹰瞳科技发展股份有限公司 | 分级预测模型的训练方法、分级预测的方法及相关产品 |
CN117809839A (zh) * | 2024-01-02 | 2024-04-02 | 珠海全一科技有限公司 | 一种预测高血压视网膜病变与相关因素关联分析方法 |
CN117809839B (zh) * | 2024-01-02 | 2024-05-14 | 珠海全一科技有限公司 | 一种预测高血压视网膜病变与相关因素关联分析方法 |
CN117788473A (zh) * | 2024-02-27 | 2024-03-29 | 北京大学第一医院(北京大学第一临床医学院) | 一种基于双眼融合网络预测高血压的方法、***和设备 |
CN117788473B (zh) * | 2024-02-27 | 2024-05-14 | 北京大学第一医院(北京大学第一临床医学院) | 一种基于双眼融合网络预测高血压的方法、***和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233789A (zh) | 一种区域特征融合的高血压视网膜病变分类方法 | |
Seoud et al. | Red lesion detection using dynamic shape features for diabetic retinopathy screening | |
Haleem et al. | Automatic extraction of retinal features from colour retinal images for glaucoma diagnosis: a review | |
Dey et al. | FCM based blood vessel segmentation method for retinal images | |
Kande et al. | Segmentation of exudates and optic disk in retinal images | |
Hassan et al. | Joint segmentation and quantification of chorioretinal biomarkers in optical coherence tomography scans: A deep learning approach | |
CN108986106A (zh) | 面向青光眼临床诊断的视网膜血管自动分割方法 | |
WO2010071597A1 (en) | A method and system for determining the position of an optic cup boundary | |
Elbalaoui et al. | Automatic detection of blood vessel in retinal images | |
Hatanaka et al. | Improvement of automatic hemorrhage detection methods using brightness correction on fundus images | |
Maaliw et al. | An enhanced segmentation and deep learning architecture for early diabetic retinopathy detection | |
Herrera-Pereda et al. | A review on digital image processing techniques for in-vivo confocal images of the cornea | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
Aruchamy et al. | Automated glaucoma screening in retinal fundus images | |
Reddy et al. | Diabetic retinopathy through retinal image analysis: A review | |
Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
Mehta et al. | An enhanced segmentation technique for blood vessel in retinal images | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
KG et al. | An approach to the detection of retinoblastoma based on apriori algorithm | |
Akbar et al. | A Novel Filtered Segmentation-Based Bayesian Deep Neural Network Framework on Large Diabetic Retinopathy Databases. | |
Mirsharif et al. | Developing an automatic method for separation of arteries from veins in retinal images | |
Sindhusaranya et al. | Hybrid algorithm for retinal blood vessel segmentation using different pattern recognition techniques | |
Maheswari et al. | Exploration of image processing techniques and datasets for retina image analysis | |
Farokhian et al. | Fast detection and segmentation in retinal blood vessels using Gabor filters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |