CN114998353A - 一种自动检测玻璃体混浊斑飘动范围的*** - Google Patents

一种自动检测玻璃体混浊斑飘动范围的*** Download PDF

Info

Publication number
CN114998353A
CN114998353A CN202210936730.7A CN202210936730A CN114998353A CN 114998353 A CN114998353 A CN 114998353A CN 202210936730 A CN202210936730 A CN 202210936730A CN 114998353 A CN114998353 A CN 114998353A
Authority
CN
China
Prior art keywords
frame
image
registration
fovea
spot
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.)
Granted
Application number
CN202210936730.7A
Other languages
English (en)
Other versions
CN114998353B (zh
Inventor
邱坤良
张铭志
林建伟
观志强
吉杰
涂升锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University Chinese University Of Hong Kong And Shantou International Ophthalmology Center
Original Assignee
Shantou University Chinese University Of Hong Kong And Shantou International Ophthalmology Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University Chinese University Of Hong Kong And Shantou International Ophthalmology Center filed Critical Shantou University Chinese University Of Hong Kong And Shantou International Ophthalmology Center
Priority to CN202210936730.7A priority Critical patent/CN114998353B/zh
Publication of CN114998353A publication Critical patent/CN114998353A/zh
Application granted granted Critical
Publication of CN114998353B publication Critical patent/CN114998353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Image Processing (AREA)

Abstract

一种自动检测玻璃体混浊斑飘动范围的***，包括图像获取模块、混浊斑和黄斑中心凹检测模块、图像配准模块以及飘动范围计算模块，其中：图像配准模块根据黄斑中心凹的位置选择二维图像序列中的一帧图像作为参考帧，然后将二维图像序列中的其它帧图像配准到参考帧；飘动范围计算模块计算配准后各帧图像的混浊斑质心与参考帧黄斑中心凹质心之间的欧氏距离和水平夹角，从而获得混浊斑相对黄斑中心凹的飘动范围的定量数据。本发明基于SLO成像技术的动态视频及深度学习算法，可以快速准确获得玻璃体混浊斑相对眼底黄斑中心凹的飘动范围的定量数据，对于帮助医生评价混浊斑对视觉的影响，具有重要的参考价值。

Description

一种自动检测玻璃体混浊斑飘动范围的***
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种自动检测玻璃体混浊斑飘动范围的***。
背景技术
玻璃体混浊为眼科常见病，症状主要为眼前黑影飘动、不同程度的视觉障碍，眼底镜下可见玻璃体内有混浊斑块飘动，斑块可随眼球转动而飘动。玻璃体混浊斑块飘动过程中，在不同位置对视觉的影响程度不同，玻璃体混浊斑块离黄斑中心凹越近则对视觉的影响越大。
目前，玻璃体混浊的检查主要是通过裂隙灯下玻璃体检查和B超检查，这些检查方法均无法自动定量检测出玻璃体混浊斑的飘动范围。而准确获得黄斑中心凹周围混浊斑的飘动范围，对于帮助医生评价混浊斑对视觉的影响，具有重要的参考价值。
发明内容
本发明所要解决的技术问题是提供一种自动检测玻璃体混浊斑飘动范围的***，这种***能够自动定量检测出玻璃体混浊斑相对黄斑中心凹的飘动范围。采用的技术方案如下：
一种自动检测玻璃体混浊斑飘动范围的***，其特征在于包括图像获取模块、混浊斑和黄斑中心凹检测模块、图像配准模块以及飘动范围计算模块，其中：
图像获取模块：通过SLO眼底成像***获取眼球的动态视频，再将动态视频按照时间轴转换为二维图像序列，并提取二维图像序列中的各帧图像；
混浊斑和黄斑中心凹检测模块：构建基于深度学习算法的单帧图像混浊斑自动检测模型和黄斑中心凹自动检测模型，并检测出二维图像序列中各帧图像的混浊斑和黄斑中心凹；
图像配准模块：根据黄斑中心凹的位置选择二维图像序列中的一帧图像作为参考帧，然后将二维图像序列中的其它帧图像配准到参考帧；
飘动范围计算模块：计算配准后各帧图像的混浊斑质心与参考帧黄斑中心凹质心之间的欧氏距离和水平夹角，从而获得混浊斑相对黄斑中心凹的飘动范围的定量数据。
激光扫描眼底相机(SCANNING LASER OPHTHALMOSCOPE，简称SLO)，采用激光波长光束通过瞳孔瞬间射进眼底而反射成像的原理，实现眼底成像的高清照相。上述图像获取模块基于SLO眼底成像***，嘱受检者眼球分别向上方、下方、鼻侧、颞侧转动，获取眼球的动态视频。再将动态视频按照时间轴转换为二维图像序列，提取二维图像序列中的各帧图像。
对于二维眼底图像上的病灶或特定区域的分割已经有大量的研究和算法，例如视盘视杯分割，糖网出血，硬渗，棉绒斑分割等。上述混浊斑和黄斑中心凹检测模块，构建基于深度学习算法的单帧图像混浊斑自动检测模型和黄斑中心凹自动检测模型，其实现包括数据标注子模块、图像预处理子模块、混浊斑和黄斑中心凹分割算法设计子模块、训练过程子模块、预测过程子模块；
数据标注子模块：采集200个视频，每个视频等间距选择10帧，对每帧图像使用labelme软件标注混浊斑和黄斑中心凹区域；
图像预处理子模块：为了适配模型输入，将图像的分辨率由原始的600*600调整为512*512；
混浊斑和黄斑中心凹分割算法设计子模块：基于Pytorch Detection2框架，采用Mask-RCNN实例分割模型，采用金字塔特征提取网络FPN作为骨干架构，残差网络Resnet作为卷积结构；
训练过程子模块：首先加载COCO预训练模型，然后在已标注的数据集上微调，对全部层进行训练（训练过程采用图像增强策略；需要训练混浊斑和黄斑中心凹两个模型）；
预测过程子模块：在预测阶段，如果Mask R-CNN模型输出的置信度大于某个阈值（例如阈值可设置为0.75），就表示检测到了图像上的混浊斑或黄斑中心凹（混浊斑自动检测模型用于检测混浊斑，黄斑中心凹自动检测模型用于检测黄斑中心凹）。
优选混浊斑和黄斑中心凹检测模块中，模型分割出混浊斑和黄斑中心凹区域之后，利用opencv2的moments函数获得各混浊斑和黄斑中心凹区域的质心坐标。
为了将混浊斑的飘动范围统一到同一个眼底背景下，必须选取视频中的某一帧作为参考背景，称为参考帧。优选方案中，上述图像配准模块利用混浊斑和黄斑中心凹检测模块获得的各帧图像的黄斑中心凹质心坐标，计算各帧图像的黄斑中心凹质心坐标与图像中心坐标（width/2, height/2）的欧氏距离，选取欧氏距离最小的那一帧图像作为参考帧。选取这一帧作为参考帧是基于如下考虑：黄斑中心凹越靠近图像中心，它四周可能丢失的混浊斑越少。比如黄斑中心凹如果靠近图像右测，则眼球右侧的混浊斑由于在图像之外未被检测到，如果选择它作为参考帧，则会丢失黄斑中心凹右侧的混浊斑，影响了***的可用性。
根据视频的特点，相邻两帧图像的差异很小，LK（Lucas–Kanade）光流算法关注的是每个像素的位移变化，非常适合相邻两帧之间的图像配准。参考帧与其它帧基本都不是相邻帧，非相邻帧之间的配准需要采用逐帧递升（或递降）的方法，即先跟相邻帧配准，再将配准后的图像跟下一个相邻帧配准，以此类推，直到获得目标配准图为止。
优选上述图像配准模块中，基于LK（Lucas–Kanade）光流算法，依次将参考帧以外的其它帧图像作为浮动图像，向参考帧图像配准，配准算法如下：
（1）相邻帧之间的配准：
以第i帧为浮动图像，第i+1帧为参考图像，对第i帧进行配准的具体操作如下：基于opencv2库函数，首先调用goodFeaturesToTrack函数获得第i+1帧100个特征点（如果特征点落在混浊斑区域内，要予以排除），接着利用LK光流函数calcOpticalFlowPyrLK获得第i+1帧各特征点在第i帧的光流匹配点，同时调用findFundamentalMat函数以随机抽样一致算法（RANSAC算法）剔除异常匹配点；基于剔除异常匹配点后剩下的有效光流匹配点，利用findHomography函数获得透视变换矩阵H，然后将透视变换矩阵H输入warpPerspective函数实现对第i帧的透视变换，最终生成第i帧向第i+1帧的配准图，并利用透视变换矩阵H，计算浮动图像的混浊斑和黄斑中心凹变换到配准图后的区域和质心坐标；
同理，可以将第i+1帧作为浮动图像，第i帧作为参考图像，生成第i+1帧向第i帧的配准图，并计算浮动图像的混浊斑和黄斑中心凹变换到配准图后的区域和质心坐标；
（2）非相邻帧之间的配准：
以第i帧为浮动图像，向序列号较大的非相邻第k(i+1<k)帧图像配准时，需要采用逐帧递升的方法，配准后生成的配准图记为P(i,k)，具体的操作如下：根据（1）相邻帧之间的配准的方法，首先以第i帧为浮动图像，第i+1帧为参考图像，生成第i帧向第i+1帧的配准图，即P(i,i+1)；接着以P(i,i+1)为浮动图像，第i+2帧为参考图像，生成P(i,i+1)向第i+2帧配准图，即P(i,i+2)；以此方法逐帧递升，直到获得P(i,k-1)向第k帧的配准图，即P(i,k)；
同理，以第i帧为浮动图像，向序列号较小的非相邻第k(i-1>k)帧图像配准时，需要采用逐帧递降的方法，配准后生成的配准图记为P(i,k)，具体的操作如下：根据（1）相邻帧之间的配准的方法，首先以第i帧为浮动图像，第i-1帧为参考图像，生成第i帧向第i-1帧的配准图，即P(i,i-1)；接着以P(i,i-1)为浮动图像，第i-2帧为参考图像，生成P(i,i-1)向第i-2帧配准图，即P(i,i-2)；以此方法逐帧递降，直到获得P(i,k+1)向第k帧的配准图，即P(i,k)。
采用图像配准模块进行图像配准，是考虑到眼底可能会因为眼球转动、皱眉、肌肉收缩等运动而产生形变，要准确获得图上的混浊斑在帧间的位移，必须先进行图像配准。
优选上述飘动范围计算模块中，以参考帧的黄斑中心凹质心坐标为起点，分别与参考帧本身的全部混浊斑质心坐标以及所有其它帧图像配准图上的全部混浊斑质心坐标，进行一一配对，再计算配对后各混浊斑质心坐标与参考帧的黄斑中心凹质心坐标之间的欧氏距离和水平夹角。
本发明基于SLO成像技术的动态视频及深度学习算法，可以快速准确获得玻璃体混浊斑相对眼底黄斑中心凹的飘动范围的定量数据，对于帮助医生评价混浊斑对视觉的影响，具有重要的参考价值。本发明还具有非接触性，无损伤的优点。
附图说明
图1是本发明优选实施例中的第i帧图像；
图2是本发明优选实施例中的第i+1帧图像；
图3是本发明优选实施例中第i帧向第i+1帧的配准图。
具体实施方式
本实施例的自动检测玻璃体混浊斑飘动范围的***包括图像获取模块、混浊斑和黄斑中心凹检测模块、图像配准模块以及飘动范围计算模块，其中：
图像获取模块：通过SLO眼底成像***获取眼球的动态视频，再将动态视频按照时间轴转换为二维图像序列，并提取二维图像序列中的各帧图像；
混浊斑和黄斑中心凹检测模块：构建基于深度学习算法的单帧图像混浊斑自动检测模型和黄斑中心凹自动检测模型，并检测出二维图像序列中各帧图像的混浊斑和黄斑中心凹；
图像配准模块：根据黄斑中心凹的位置选择二维图像序列中的一帧图像作为参考帧，然后将二维图像序列中的其它帧图像配准到参考帧；
飘动范围计算模块：计算配准后各帧图像的混浊斑质心与参考帧黄斑中心凹质心之间的欧氏距离和水平夹角，从而获得混浊斑相对黄斑中心凹的飘动范围的定量数据。
本实施例中，上述图像获取模块基于SLO眼底成像***，嘱受检者眼球分别向上方、下方、鼻侧、颞侧转动，获取眼球的动态视频；再将动态视频按照时间轴转换为二维图像序列，提取二维图像序列中的各帧图像。
本实施例中，上述混浊斑和黄斑中心凹检测模块，构建基于深度学习算法的单帧图像混浊斑自动检测模型和黄斑中心凹自动检测模型，其实现包括数据标注子模块、图像预处理子模块、混浊斑和黄斑中心凹分割算法设计子模块、训练过程子模块、预测过程子模块；
数据标注子模块：采集200个视频，每个视频等间距选择10帧，对每帧图像使用labelme软件标注混浊斑和黄斑中心凹区域；
图像预处理子模块：为了适配模型输入，将图像的分辨率由原始的600*600调整为512*512；
混浊斑和黄斑中心凹分割算法设计子模块：基于Pytorch Detection2框架，采用Mask-RCNN实例分割模型，采用金字塔特征提取网络FPN作为骨干架构，残差网络Resnet作为卷积结构；
训练过程子模块：首先加载COCO预训练模型，然后在已标注的数据集上微调，对全部层进行训练（训练过程采用图像增强策略；需要训练混浊斑和黄斑中心凹两个模型）；
预测过程子模块：在预测阶段，如果Mask R-CNN模型输出的置信度大于某个阈值（例如阈值可设置为0.75），就表示检测到了图像上的混浊斑或黄斑中心凹（混浊斑自动检测模型用于检测混浊斑，黄斑中心凹自动检测模型用于检测黄斑中心凹）。
本实施例中，上述混浊斑和黄斑中心凹检测模块中，模型分割出混浊斑和黄斑中心凹区域之后，利用opencv2的moments函数获得各混浊斑和黄斑中心凹区域的质心坐标。
本实施例中，上述图像配准模块利用混浊斑和黄斑中心凹检测模块获得的各帧图像的黄斑中心凹质心坐标，计算各帧图像的黄斑中心凹质心坐标与图像中心坐标（width/2, height/2）的欧氏距离，选取欧氏距离最小的那一帧图像作为参考帧。图像配准模块中，基于LK（Lucas–Kanade）光流算法，依次将参考帧以外的其它帧图像作为浮动图像，向参考帧图像配准，配准算法如下：
（1）相邻帧之间的配准：
以第i帧为浮动图像，第i+1帧为参考图像，对第i帧进行配准的具体操作如下：基于opencv2库函数，首先调用goodFeaturesToTrack函数获得第i+1帧100个特征点（如果特征点落在混浊斑区域内，要予以排除），接着利用LK光流函数calcOpticalFlowPyrLK获得第i+1帧各特征点在第i帧的光流匹配点，同时调用findFundamentalMat函数以随机抽样一致算法（RANSAC算法）剔除异常匹配点；基于剔除异常匹配点后剩下的有效光流匹配点，利用findHomography函数获得透视变换矩阵H，然后将透视变换矩阵H输入warpPerspective函数实现对第i帧的透视变换，最终生成第i帧向第i+1帧的配准图，并利用透视变换矩阵H，计算浮动图像的混浊斑和黄斑中心凹变换到配准图后的区域和质心坐标；
同理，可以将第i+1帧作为浮动图像，第i帧作为参考图像，生成第i+1帧向第i帧的配准图，并计算浮动图像的混浊斑和黄斑中心凹变换到配准图后的区域和质心坐标；
例如：如图1、2、3所示，图中白色箭头所指的黑斑是检测到的混浊斑，该混浊斑事实上并没有发生移动。如果未进行配准，测得第i帧图像（图1）的混浊斑质心坐标为（75，386），第i+1帧图像（图2）的混浊斑质心坐标为（68，402），两者的欧氏距离为17.46个像素，位移较大，不符合事实。第i帧向第i+1帧配准后（图3），配准图混浊斑的质心坐标为（67，403），欧氏距离降低为1.41个像素，位移很小，基本符合事实；
（2）非相邻帧之间的配准：
以第i帧为浮动图像，向序列号较大的非相邻第k(i+1<k)帧图像配准时，需要采用逐帧递升的方法，配准后生成的配准图记为P(i,k)，具体的操作如下：根据（1）相邻帧之间的配准的方法，首先以第i帧为浮动图像，第i+1帧为参考图像，生成第i帧向第i+1帧的配准图，即P(i,i+1)；接着以P(i,i+1)为浮动图像，第i+2帧为参考图像，生成P(i,i+1)向第i+2帧配准图，即P(i,i+2)；以此方法逐帧递升，直到获得P(i,k-1)向第k帧的配准图，即P(i,k)；
同理，以第i帧为浮动图像，向序列号较小的非相邻第k(i-1>k)帧图像配准时，需要采用逐帧递降的方法，配准后生成的配准图记为P(i,k)，具体的操作如下：根据（1）相邻帧之间的配准的方法，首先以第i帧为浮动图像，第i-1帧为参考图像，生成第i帧向第i-1帧的配准图，即P(i,i-1)；接着以P(i,i-1)为浮动图像，第i-2帧为参考图像，生成P(i,i-1)向第i-2帧配准图，即P(i,i-2)；以此方法逐帧递降，直到获得P(i,k+1)向第k帧的配准图，即P(i,k)。
本实施例中，上述飘动范围计算模块中，以参考帧的黄斑中心凹质心坐标为起点，分别与参考帧本身的全部混浊斑质心坐标以及所有其它帧图像配准图上的全部混浊斑质心坐标，进行一一配对，再计算配对后各混浊斑质心坐标与参考帧的黄斑中心凹质心坐标之间的欧氏距离和水平夹角。

Claims (7)

1.一种自动检测玻璃体混浊斑飘动范围的***，其特征在于包括图像获取模块、混浊斑和黄斑中心凹检测模块、图像配准模块以及飘动范围计算模块，其中：
图像获取模块：通过SLO眼底成像***获取眼球的动态视频，再将动态视频按照时间轴转换为二维图像序列，并提取二维图像序列中的各帧图像；
混浊斑和黄斑中心凹检测模块：构建基于深度学习算法的单帧图像混浊斑自动检测模型和黄斑中心凹自动检测模型，并检测出二维图像序列中各帧图像的混浊斑和黄斑中心凹；
图像配准模块：根据黄斑中心凹的位置选择二维图像序列中的一帧图像作为参考帧，然后将二维图像序列中的其它帧图像配准到参考帧；
飘动范围计算模块：计算配准后各帧图像的混浊斑质心与参考帧黄斑中心凹质心之间的欧氏距离和水平夹角，从而获得混浊斑相对黄斑中心凹的飘动范围的定量数据。
2.根据权利要求1所述的自动检测玻璃体混浊斑飘动范围的***，其特征是：所述图像获取模块基于SLO眼底成像***，嘱受检者眼球分别向上方、下方、鼻侧、颞侧转动，获取眼球的动态视频。
3.根据权利要求1所述的自动检测玻璃体混浊斑飘动范围的***，其特征是：所述混浊斑和黄斑中心凹检测模块中，模型分割出混浊斑和黄斑中心凹区域之后，利用opencv2的moments函数获得各混浊斑和黄斑中心凹区域的质心坐标。
4.根据权利要求1所述的自动检测玻璃体混浊斑飘动范围的***，其特征是：所述图像配准模块利用混浊斑和黄斑中心凹检测模块获得的各帧图像的黄斑中心凹质心坐标，计算各帧图像的黄斑中心凹质心坐标与图像中心坐标的欧氏距离，选取欧氏距离最小的那一帧图像作为参考帧。
5.根据权利要求1或4所述的自动检测玻璃体混浊斑飘动范围的***，其特征是：所述图像配准模块中，基于LK光流算法，依次将参考帧以外的其它帧图像作为浮动图像，向参考帧图像配准，配准算法如下：
（1）相邻帧之间的配准：
以第i帧为浮动图像，第i+1帧为参考图像，对第i帧进行配准的具体操作如下：基于opencv2库函数，首先调用goodFeaturesToTrack函数获得第i+1帧100个特征点，接着利用LK光流函数calcOpticalFlowPyrLK获得第i+1帧各特征点在第i帧的光流匹配点，同时调用findFundamentalMat函数以随机抽样一致算法（RANSAC算法）剔除异常匹配点；基于剔除异常匹配点后剩下的有效光流匹配点，利用findHomography函数获得透视变换矩阵H，然后将透视变换矩阵H输入warpPerspective函数实现对第i帧的透视变换，最终生成第i帧向第i+1帧的配准图，并利用透视变换矩阵H，计算浮动图像的混浊斑和黄斑中心凹变换到配准图后的区域和质心坐标；
同理，可以将第i+1帧作为浮动图像，第i帧作为参考图像，生成第i+1帧向第i帧的配准图，并计算浮动图像的混浊斑和黄斑中心凹变换到配准图后的区域和质心坐标；
（2）非相邻帧之间的配准：
以第i帧为浮动图像，向序列号较大的非相邻第k(i+1<k)帧图像配准时，需要采用逐帧递升的方法，配准后生成的配准图记为P(i,k)，具体的操作如下：根据（1）相邻帧之间的配准的方法，首先以第i帧为浮动图像，第i+1帧为参考图像，生成第i帧向第i+1帧的配准图，即P(i,i+1)；接着以P(i,i+1)为浮动图像，第i+2帧为参考图像，生成P(i,i+1)向第i+2帧配准图，即P(i,i+2)；以此方法逐帧递升，直到获得P(i,k-1)向第k帧的配准图，即P(i,k)；
同理，以第i帧为浮动图像，向序列号较小的非相邻第k(i-1>k)帧图像配准时，需要采用逐帧递降的方法，配准后生成的配准图记为P(i,k)，具体的操作如下：根据（1）相邻帧之间的配准的方法，首先以第i帧为浮动图像，第i-1帧为参考图像，生成第i帧向第i-1帧的配准图，即P(i,i-1)；接着以P(i,i-1)为浮动图像，第i-2帧为参考图像，生成P(i,i-1)向第i-2帧配准图，即P(i,i-2)；以此方法逐帧递降，直到获得P(i,k+1)向第k帧的配准图，即P(i,k)。
6.根据权利要求1或4所述的自动检测玻璃体混浊斑飘动范围的***，其特征是：所述飘动范围计算模块中，以参考帧的黄斑中心凹质心坐标为起点，分别与参考帧本身的全部混浊斑质心坐标以及所有其它帧图像配准图上的全部混浊斑质心坐标，进行一一配对，再计算配对后各混浊斑质心坐标与参考帧的黄斑中心凹质心坐标之间的欧氏距离和水平夹角。
7.根据权利要求5所述的自动检测玻璃体混浊斑飘动范围的***，其特征是：所述飘动范围计算模块中，以参考帧的黄斑中心凹质心坐标为起点，分别与参考帧本身的全部混浊斑质心坐标以及所有其它帧图像配准图上的全部混浊斑质心坐标，进行一一配对，再计算配对后各混浊斑质心坐标与参考帧的黄斑中心凹质心坐标之间的欧氏距离和水平夹角。
CN202210936730.7A 2022-08-05 2022-08-05 一种自动检测玻璃体混浊斑飘动范围的*** Active CN114998353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210936730.7A CN114998353B (zh) 2022-08-05 2022-08-05 一种自动检测玻璃体混浊斑飘动范围的***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210936730.7A CN114998353B (zh) 2022-08-05 2022-08-05 一种自动检测玻璃体混浊斑飘动范围的***

Publications (2)

Publication Number Publication Date
CN114998353A true CN114998353A (zh) 2022-09-02
CN114998353B CN114998353B (zh) 2022-10-25

Family

ID=83023049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210936730.7A Active CN114998353B (zh) 2022-08-05 2022-08-05 一种自动检测玻璃体混浊斑飘动范围的***

Country Status (1)

Country Link
CN (1) CN114998353B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115670370A (zh) * 2022-12-29 2023-02-03 汕头大学·香港中文大学联合汕头国际眼科中心 一种去除眼底图像玻璃体混浊斑的视网膜成像方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018201632A1 (zh) * 2017-05-04 2018-11-08 深圳硅基仿生科技有限公司 用于识别眼底图像病变的人工神经网络及***
WO2019206208A1 (zh) * 2018-04-26 2019-10-31 上海鹰瞳医疗科技有限公司 基于机器学习的眼底图像检测方法、装置及***
CN111353980A (zh) * 2020-02-27 2020-06-30 浙江大学 基于深度学习的眼底荧光造影图像渗漏点检测方法
CN111402243A (zh) * 2020-03-20 2020-07-10 林晨 黄斑中心凹识别方法及终端
CN112150463A (zh) * 2020-10-23 2020-12-29 北京百度网讯科技有限公司 用于确定黄斑中心凹位置的方法及装置
CN112164043A (zh) * 2020-09-23 2021-01-01 苏州大学 一种用于多眼底图像拼接的方法及***
WO2021068523A1 (zh) * 2019-10-11 2021-04-15 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
CN113643333A (zh) * 2021-08-25 2021-11-12 Oppo广东移动通信有限公司 图像配准方法、装置、电子设备和计算机可读存储介质
CN114140381A (zh) * 2021-10-22 2022-03-04 佛山科学技术学院 一种基于MDP-net的玻璃体混浊分级筛查方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018201632A1 (zh) * 2017-05-04 2018-11-08 深圳硅基仿生科技有限公司 用于识别眼底图像病变的人工神经网络及***
WO2019206208A1 (zh) * 2018-04-26 2019-10-31 上海鹰瞳医疗科技有限公司 基于机器学习的眼底图像检测方法、装置及***
WO2021068523A1 (zh) * 2019-10-11 2021-04-15 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
CN111353980A (zh) * 2020-02-27 2020-06-30 浙江大学 基于深度学习的眼底荧光造影图像渗漏点检测方法
CN111402243A (zh) * 2020-03-20 2020-07-10 林晨 黄斑中心凹识别方法及终端
CN112164043A (zh) * 2020-09-23 2021-01-01 苏州大学 一种用于多眼底图像拼接的方法及***
CN112150463A (zh) * 2020-10-23 2020-12-29 北京百度网讯科技有限公司 用于确定黄斑中心凹位置的方法及装置
CN113643333A (zh) * 2021-08-25 2021-11-12 Oppo广东移动通信有限公司 图像配准方法、装置、电子设备和计算机可读存储介质
CN114140381A (zh) * 2021-10-22 2022-03-04 佛山科学技术学院 一种基于MDP-net的玻璃体混浊分级筛查方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MINGZHI ZHANG ET AL: "Automated Explainable Multidimensional Deep Learning Platform", 《JAMA NETWORK OPEN》 *
李丹桐: "基于深度学习的糖尿病视网膜病变辅助诊断方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115670370A (zh) * 2022-12-29 2023-02-03 汕头大学·香港中文大学联合汕头国际眼科中心 一种去除眼底图像玻璃体混浊斑的视网膜成像方法和装置

Also Published As

Publication number Publication date
CN114998353B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN109684915B (zh) 瞳孔跟踪图像处理方法
CN105094300B (zh) 一种基于标准化眼睛图像的视线追踪***及方法
US9320424B2 (en) Image display apparatus, image display method and imaging system
Ricco et al. Correcting motion artifacts in retinal spectral domain optical coherence tomography via image registration
JP5158842B2 (ja) 眼球運動計測方法および眼球運動計測装置
US8837862B2 (en) Image stitching method and camera system
AU2016204944A1 (en) Photorefraction ocular screening device and methods
US20220100268A1 (en) Eye tracking device and a method thereof
AU2021202217B2 (en) Methods and systems for ocular imaging, diagnosis and prognosis
CN114998353B (zh) 一种自动检测玻璃体混浊斑飘动范围的***
CN112164043A (zh) 一种用于多眼底图像拼接的方法及***
WO2019183092A1 (en) Pupil edge detection in digital imaging
WO2021117013A1 (en) Determination of medical condition risk using thermographic images
JP5429885B2 (ja) 特徴点追跡方法及び特徴点追跡装置
Zhao et al. ECLNet: Center localization of eye structures based on Adaptive Gaussian Ellipse Heatmap
JP3726122B2 (ja) 視線検出システム
Köhler et al. Super-resolved retinal image mosaicing
Hu et al. Multi-image stitching for smartphone-based retinal fundus stitching
Perez-Rovira et al. Robust optic disc location via combination of weak detectors
CN113164041A (zh) 用于远程眼科中的视网膜模板匹配的***和方法
Kumar et al. Improved Blood Vessels Segmentation of Retinal Image of Infants.
Li et al. Using structured illumination to enhance video-based eye tracking
CN113384236A (zh) 一种眼部光学相干断层扫描的方法及其装置
Kolar et al. Registration of image sequences from experimental low-cost fundus camera
Baptista et al. Multimodal macula mapping by deformable image registration

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
GR01 Patent grant
GR01 Patent grant