CN112529879A - 基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法 - Google Patents
基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法 Download PDFInfo
- Publication number
- CN112529879A CN112529879A CN202011483383.4A CN202011483383A CN112529879A CN 112529879 A CN112529879 A CN 112529879A CN 202011483383 A CN202011483383 A CN 202011483383A CN 112529879 A CN112529879 A CN 112529879A
- Authority
- CN
- China
- Prior art keywords
- image
- cosfire
- filtering
- vector machine
- support vector
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 29
- 210000001210 retinal vessel Anatomy 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 title claims abstract description 11
- 238000003709 image segmentation Methods 0.000 title claims abstract description 9
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 210000001525 retina Anatomy 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 230000004044 response Effects 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 4
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 3
- 239000000460 chlorine Substances 0.000 claims description 3
- 239000006227 byproduct Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 229910052801 chlorine Inorganic materials 0.000 claims 1
- 230000004256 retinal image Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于支持向量机的B‑COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，包括以下步骤：步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；步骤S2：通过B‑COSFIRE滤波对翻转后的图像进行滤波增强处理；步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。
Description
技术领域
本发明涉及医学图像处理领域，尤其涉及一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法。
背景技术
视网膜血管(图像)分割在很多疾病的早期诊断中有着重要的作用，如糖尿病、青光眼和高血压等，在这些疾病的早期阶段，视网膜会发生相应的病变，尤其是血管形态和结构会发生变化。因此，实现视网膜血管的精确分割一直是医学影像处理领域中的研究热门方向和重要课题。
视网膜血管的精确分割可以为医生对疾病的后续跟踪和治疗提供量化信息，起到辅助诊断和治疗的作业。目前，视网膜血管分割方法大体上可分为两类：(1)基于有监督学习的视网膜图像分割方法；(2)基于无监督学习的视网膜图像分割方法。在有监督学习方法中，需要一组人工标记的原始视网膜图像作为训练样本，通过对数据进行学习并对测试数据进行分割。而无监督学习方法，不依赖训练样本，需要根据血管形态或结构等特性进行血管分割，优点在于处理迅速，不需要大量的训练数据就能完成图像的分割。虽然有监督学习方法需要花费更多的时间和人力，但对比无监督学习方法，通过大量数据训练得到的分割模型，有监督学习方法最终的分割结果通常更加精确。
发明内容
针对现有技术的空白，本发明提供一种新型的基于B-COSFIRE滤波的多尺度支持向量机视网膜血管分割方法，本发明方法采用B-COSFIRE滤波方法明显提升了眼底图像中血管与背景的对比度，增强了血管的结构特征，并且本发明结合多尺度的特征提取策略，构建包含局部和全局信息的特征向量进行分类器的训练学习，对比单尺度的特征提取方法，有效提升了视网膜图像血管分割的准确性。
本发明具体采用以下技术方案：
一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于，包括以下步骤：
步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；
步骤S2：通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；
步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；
步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；
步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。
优选地，步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：
步骤S21：计算一组高斯差分滤波响应；
步骤S22：添加模糊高斯差分滤波响应和移位操作；
步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应。
优选地，步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：
步骤S21：对经采用提取绿色通道并翻转处理后的视网膜图像I，计算高斯差分滤波响应，即：
其中，σ为高斯函数的标准差，Cσ(x,y)是通过将翻转的绿色通道图像和滤波器DoGσ(x,y)进行卷积获得的，*表示卷积运算，x、y代表图像的横、纵坐标值；
步骤S22：添加模糊高斯差分滤波响应和移位操作，以提升B-COSFIRE的容错性：
其中，σi表示最强DoG响应的标准偏差，
表示相对于B-COSFIRE滤波器支撑中心的极坐标。并且标准偏差σi是到滤波器支撑中心的线性函数，表示为：σ'＝σ0'+αρi。其中σ0'和α是常量。而移位操作则是将每个模糊高斯差分滤波响应在与
相反方向偏移ρi距离，其中，偏移向量为(Δxi,Δyi)，Δxi＝-ρi cosφi,Δyi＝-ρi sinφi；步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应：
其中，|·|t表示在最大响应的分数t(0≤t≤1)处对响应进行阈值化处理。B-COSFIRE滤波响应γs(x,y)由一组集合S的模糊移位高斯差分滤波响应的乘积加权几何平均计算得到，从而得到经过B-COSFIRE滤波处理后的视网膜血管滤波图像。
优选地，步骤S4的构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入的具体过程为：
步骤S41：定义三个不同大小的检测窗口，分别为：7*7、15*15和23*23；
步骤S42：对于每个像素进行12个方向的检测，进而计算12个方向的像素平均值；
步骤S43：分别对每个检测窗口中的像素平均灰度值进行计算，分别求出三个检测窗口12个方向上的最大平均灰度值；
步骤S44：对三个窗口计算目标像素的线强度：当所求方向与血管方向平行时，线强度达到最大，当所求方向与血管方向垂直时，线强度最小；并在选取线的中心添加正交线，计算正交方向的线强度；
步骤S45：结合不同尺度求出的像素线强度、正交线强度和滤波后图像的像素值，构造特征向量用于后续的支持向量机的模型训练。
相较于现有技术，本发明及其优选方案具有以下有益效果：
1.本发明提出了一种先进的B-COSFIRE滤波预处理方法对视网膜图像进行血管增强处理，该滤波器对血管状线型结构具有特征选择性，增强血管与背景的对比度信息，增强血管的结构特征，为后续的血管精确提取奠定了基础；
2.本发明采用的多尺度特征提取策略简单高效，构建包含局部和全局信息的特征向量，对比单尺度的特征提取，采样更加的完整，提升视网膜图像血管分割的准确性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例整体流程示意图；
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：
如图1所示，本实施例提供的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，首先，提取视网膜图像的绿色通道部分并对图像进行翻转处理；而后，通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；接着，对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取，然后，构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入，最后利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。
其中，提取视网膜图像的绿色通道部分并对图像进行翻转处理的方法的具体实现方式为：根据图像三通道的特性，考虑到红色通道和蓝色通道的噪声影响和血管背景的对比度较弱，只提取彩色视网膜图像的绿色通道部分并进行图像翻转处理，进一步增强血管与背景的对比度。
通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的实现方式为：首先，计算一组高斯差分滤波响应，然后，添加模糊高斯差分滤波响应和移位操作，最后，计算加权几何平均作为最后的B-COSFIRE滤波响应。
具体地：对经采用提取绿色通道并翻转处理后的视网膜图像，计算高斯差分滤波响应，即：
其中，σ为高斯函数的标准差，Cσ(x,y)是通过将翻转的绿色通道图像和滤波器DoGσ(x,y)进行卷积获得的，*表示卷积运算。
同时添加模糊高斯差分滤波响应和移位操作，来提升B-COSFIRE的容错性。其中，模糊运算主要是为了计算高斯差分滤波器的加权阈值响应的最大值。其中，σi表示最强DoG响应的标准偏差，
表示相对于B-COSFIRE滤波器支撑中心的极坐标。并且标准偏差σi是到滤波器支撑中心的线性函数，表示为：σ'＝σ0'+αρi。其中σ0'和α是常量。而移位操作则是将每个模糊高斯差分滤波响应在与
相反方向偏移ρi距离，其中，偏移向量为(Δxi,Δyi)，Δxi＝-ρi cosφi,Δyi＝-ρi sinφi。
B-COSFIRE滤波响应γs(x,y)由一组集合S的模糊移位高斯差分滤波响应的乘积加权几何平均计算得到，|·|t表示在最大响应的分数t(0≤t≤1)处对响应进行阈值化处理，最后得到经过B-COSFIRE滤波处理后的视网膜血管滤波图像。
对经过B-COSFIRE滤波处理后的视网膜血管图像，构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入，具体实现过程为：为了更加精确的提取血管的特征，定义三个不同大小的检测窗口(分别为：7*7、15*15和23*23)，对于每个像素进行12个方向的检测，进而计算12个方向的像素平均值，分别对每个检测窗口中的像素平均灰度值进行计算，分别求出三个检测窗口12个方向上的最大平均灰度值，最后再对三个窗口计算目标像素的线强度。当所求方向与血管方向平行时，线强度达到最大，当所求方向与血管方向垂直时，线强度最小。同时，在选取线的中心添加正交线，计算正交方向的线强度。最后，结合不同尺度求出的像素线强度、正交线强度和滤波后图像的像素值，构造特征向量用于后续的支持向量机的模型训练。
以下为本发明的具体实现过程。
图1是本发明基于B-COSFIRE滤波的多尺度支持向量机视网膜血管分割技术的执行流程图，具体步骤如下：
视网膜图像预处理：根据图像三通道的特性，考虑到红色通道和蓝色通道的噪声影响和血管背景的对比度较弱，只提取彩色视网膜图像的绿色通道部分并进行图像翻转处理，进一步增强血管与背景的对比度。
B-COSFIRE滤波：为了有效地增强血管结构，本实施例采用B-COSFIRE滤波器对绿色通道翻转后的视网膜图像进行进一步的增强处理。对翻转处理后的视网膜图像计算高斯差分滤波响应，即：
其中，σ为高斯函数的标准差，Cσ(x,y)是通过将翻转的绿色通道图像和滤波器DoGσ(x,y)进行卷积获得的，*表示卷积运算。
同时添加模糊高斯差分滤波响应和移位操作，来提升B-COSFIRE的容错性。其中，模糊运算主要是为了计算高斯差分滤波器加权阈值响应的最大值。其中，σi表示最强DoG响应的标准偏差，
表示相对于B-COSFIRE滤波器支撑中心的极坐标。并且标准偏差σi是到滤波器支撑中心的线性函数，表示为：σ'＝σ0'+αρi。其中σ0'和α是常量。而移位操作则是将每个模糊高斯差分滤波响应在与
相反方向偏移ρi距离，其中，偏移向量为(Δxi,Δyi)，Δxi＝-ρi cosφi,Δyi＝-ρi sinφi。
B-COSFIRE滤波响应γs(x,y)由一组集合S的模糊移位高斯差分滤波响应的乘积加权几何平均计算得到，|·|t表示在最大响应的分数t(0≤t≤1)处对响应进行阈值化处理，最后得到经过B-COSFIRE滤波处理后的视网膜血管滤波图像。
线算子提取多尺度血管特征：为了更加精确的提取血管特征，定义三个不同大小的检测窗口(分别为：7*7、15*15和23*23)，对于每个像素进行12个方向的检测，进而计算12个方向的像素平均值，分别对每个检测窗口中的像素平均灰度值进行计算，分别求出三个检测窗口12个方向上最大平均灰度值，最后再对三个窗口计算目标像素的线强度。当所求方向与血管方向平行时，线强度达到最大，当所求方向与血管方向垂直时，线强度最小。同时，在选取线的中心添加正交线，计算正交方向的线强度。最后，结合不同尺度求出的像素线强度、正交线强度和滤波后图像的像素值，构造特征向量用于后续的支持向量机的模型训练。
SVM实现血管分割：在模型的训练阶段，将构造的特征向量，采用支持向量机的方法进行模型的训练，在模型的测试阶段，将构造的特征向量用于训练好的SVM模型，对视网膜血管进行预测和分割。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (4)
1.一种基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于，包括以下步骤：
步骤S1：提取视网膜图像的绿色通道部分并对图像进行翻转处理；
步骤S2：通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理；
步骤S3：对滤波处理后的图像采用不同尺度的线检测算子进行血管特征的提取；
步骤S4：构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入；
步骤S5：利用支持向量机模型训练获得的分类器实现视网膜血管预测与分割。
2.根据权利要求1所述的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于：步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：
步骤S21：计算一组高斯差分滤波响应；
步骤S22：添加模糊高斯差分滤波响应和移位操作；
步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应。
3.根据权利要求1所述的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于：步骤S2中通过B-COSFIRE滤波对翻转后的图像进行滤波增强处理的具体过程为：
步骤S21：对经采用提取绿色通道并翻转处理后的视网膜图像I，计算高斯差分滤波响应，即：
其中，|·|+表示半波整流，通过设置为0来抑制负值,σ为高斯函数的标准差，Cσ(x,y)是通过将翻转的绿色通道图像和滤波器DoGσ(x,y)进行卷积获得的，*表示卷积运算，x、y代表图像的横、纵坐标值；
步骤S22：添加模糊高斯差分滤波响应和移位操作，以提升B-COSFIRE的容错性：
其中，σi表示最强DoG响应的标准偏差，
表示相对于B-COSFIRE滤波器支撑中心的极坐标，并且标准偏差σi是到滤波器支撑中心的线性函数，表示为：σ'＝σ0'+αρi，其中σ0'和α是常量，而移位操作则是将每个模糊高斯差分滤波响应在与
相反方向偏移ρi距离，其中偏移向量为(Δxi,Δyi)，Δxi＝-ρicosφi,Δyi＝-ρisinφi；
步骤S23：计算加权几何平均作为最后的B-COSFIRE滤波响应：
其中，|·|t表示在最大响应的分数t(0≤t≤1)处对响应进行阈值化处理，B-COSFIRE滤波响应γs(x,y)由一组集合S的模糊移位高斯差分滤波响应的乘积加权几何平均计算得到，从而得到经过B-COSFIRE滤波处理后的视网膜血管滤波图像。
4.根据权利要求1所述的基于支持向量机的B-COSFIRE滤波处理的多尺度采样视网膜血管图像分割方法，其特征在于：步骤S4的构建基于提取多尺度的血管特征与滤波图像块的特征向量作为支持向量机模型训练的输入的具体过程为：
步骤S41：定义三个不同大小的检测窗口，分别为：7*7、15*15和23*23；
步骤S42：对于每个像素进行12个方向的检测，进而计算12个方向的像素平均值；
步骤S43：分别对每个检测窗口中的像素平均灰度值进行计算，分别求出三个检测窗口12个方向上的最大平均灰度值；
步骤S44：对三个窗口计算目标像素的线强度：当所求方向与血管方向平行时，线强度达到最大，当所求方向与血管方向垂直时，线强度最小；并在选取线的中心添加正交线，计算正交方向的线强度；
步骤S45：结合不同尺度求出的像素线强度、正交线强度和滤波后图像的像素值，构造特征向量用于后续的支持向量机的模型训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483383.4A CN112529879A (zh) | 2020-12-16 | 2020-12-16 | 基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483383.4A CN112529879A (zh) | 2020-12-16 | 2020-12-16 | 基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529879A true CN112529879A (zh) | 2021-03-19 |
Family
ID=75000531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011483383.4A Pending CN112529879A (zh) | 2020-12-16 | 2020-12-16 | 基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529879A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170109880A1 (en) * | 2015-10-16 | 2017-04-20 | General Electric Company | System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging |
| CN108665474A (zh) * | 2017-03-31 | 2018-10-16 | 中南大学 | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
| CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
| US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
| CN109325944A (zh) * | 2018-09-13 | 2019-02-12 | 福建农林大学 | 一种基于支持度变换和线检测算子的视网膜血管分割方法 |
| CN109978819A (zh) * | 2019-01-22 | 2019-07-05 | 安徽海浪智能技术有限公司 | 一种基于低尺度血管检测分割视网膜血管的方法 |
-
2020
- 2020-12-16 CN CN202011483383.4A patent/CN112529879A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170109880A1 (en) * | 2015-10-16 | 2017-04-20 | General Electric Company | System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging |
| CN108665474A (zh) * | 2017-03-31 | 2018-10-16 | 中南大学 | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
| US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
| CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
| CN109325944A (zh) * | 2018-09-13 | 2019-02-12 | 福建农林大学 | 一种基于支持度变换和线检测算子的视网膜血管分割方法 |
| CN109978819A (zh) * | 2019-01-22 | 2019-07-05 | 安徽海浪智能技术有限公司 | 一种基于低尺度血管检测分割视网膜血管的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨卫华: "《智能眼科概论》", 30 September 2019, 湖北科学技术出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A coarse-to-fine deep learning framework for optic disc segmentation in fundus images | |
| CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
| CN109003279B (zh) | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** | |
| Bharkad | Automatic segmentation of optic disk in retinal images | |
| CN105046664B (zh) | 一种基于自适应epll算法的图像去噪方法 | |
| CN110930416A (zh) | 一种基于u型网络的mri图像***分割方法 | |
| CN112001928B (zh) | 一种视网膜血管分割方法及*** | |
| Xia et al. | A multi-scale segmentation-to-classification network for tiny microaneurysm detection in fundus images | |
| CN114820635A (zh) | 联合注意力u形网络和多尺度特征融合的息肉分割方法 | |
| CN111882566B (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| CN109919938B (zh) | 青光眼的视盘分割图谱获取方法 | |
| CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
| CN109087310B (zh) | 睑板腺纹理区域的分割方法、***、存储介质及智能终端 | |
| CN106845551A (zh) | 一种组织病理图像识别方法 | |
| CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
| CN112465842A (zh) | 基于U-net网络的多通道视网膜血管图像分割方法 | |
| Du et al. | Retinal microaneurysm detection based on transformation splicing and multi-context ensemble learning | |
| Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
| Ma et al. | An improved supervised and attention mechanism-based U-Net algorithm for retinal vessel segmentation | |
| CN113298763B (zh) | 一种基于显著性窗口策略的图像质量评估方法 | |
| Kuri et al. | Automated segmentation of retinal blood vessels using optimized gabor filter with local entropy thresholding | |
| CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及*** | |
| CN113658207A (zh) | 一种基于引导滤波的视网膜血管分割方法及装置 | |
| CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |