CN115035057B - 眼前房的房水细胞浓度获取方法、装置、存储介质和设备 - Google Patents

眼前房的房水细胞浓度获取方法、装置、存储介质和设备 Download PDF

Info

Publication number
CN115035057B
CN115035057B CN202210606965.XA CN202210606965A CN115035057B CN 115035057 B CN115035057 B CN 115035057B CN 202210606965 A CN202210606965 A CN 202210606965A CN 115035057 B CN115035057 B CN 115035057B
Authority
CN
China
Prior art keywords
gray
anterior chamber
pixel points
pixel point
anterior
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.)
Active
Application number
CN202210606965.XA
Other languages
English (en)
Other versions
CN115035057A (zh
Inventor
王晓春
惠博阳
周盛
王效宁
李泽萌
计建军
巩丽文
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.)
TIANJIN EYE HOSPITAL
Institute of Biomedical Engineering of CAMS and PUMC
Original Assignee
TIANJIN EYE HOSPITAL
Institute of Biomedical Engineering of CAMS and PUMC
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 TIANJIN EYE HOSPITAL, Institute of Biomedical Engineering of CAMS and PUMC filed Critical TIANJIN EYE HOSPITAL
Priority to CN202210606965.XA priority Critical patent/CN115035057B/zh
Publication of CN115035057A publication Critical patent/CN115035057A/zh
Application granted granted Critical
Publication of CN115035057B publication Critical patent/CN115035057B/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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10132—Ultrasound image
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提供一种眼前房的房水细胞浓度获取方法、装置、存储介质和设备。所述方法包括：从目标眼前节的超声波图像中获取眼前房区域以及对应的区域范围值；对眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将灰度像素点区域确定为眼前房区域的高亮度灰阶斑点；对于各个高亮度灰阶斑点，将各个高亮度灰阶斑点范围内的像素点作为目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值；根据各个目标像素点对应的所有灰度差值以及预设的灰度差阈值，获得细胞像素点；将细胞像素点的数量确定为细胞数量；从而根据细胞数量和区域范围值的比值，获得眼前房的房水细胞浓度，可以提高房水细胞浓度的测量精度。

Description

眼前房的房水细胞浓度获取方法、装置、存储介质和设备
技术领域
本发明涉及房水细胞浓度检测的技术领域，具体涉及一种眼前房的房水细胞浓度获取方法、装置、存储介质和设备。
背景技术
房水细胞浓度是人体眼部的一种生理参数。正常情况下，由于血-房水屏障的作用，房水呈现为透明清澈状液体，蛋白质含量极少，且几乎没有细胞存在。当血管通透性增加时，大量血细胞、蛋白质或者纤维素性渗出物等细胞物质会渗入至房水中。而获取房水细胞浓度这一生理参数信息，有助于了解人体眼部是否渗入了细胞物质及其渗入情况。然而，现有技术中，对于房水细胞浓度的测量精度存在检测准确性低的技术问题。
发明内容
本发明的目的在于克服现有技术中的缺点与不足，提供一种眼前房的房水细胞浓度获取方法、装置、存储介质和设备，可以提高眼前房的房水细胞浓度的测量精度。
本发明的一个实施例提供一种眼前房的房水细胞浓度获取方法，包括：
获取目标眼前节的超声波图像；
从所述超声波图像中获取眼前房区域以及对应的区域范围值；
对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点；其中，所述灰度像素点区域是指多个降噪后灰度值仍大于0的像素点的聚集区域；所述高亮度灰阶斑点是由超声波对所述眼前房区域内的细胞的散射作用形成；
对于各个所述高亮度灰阶斑点，将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，遍历所述目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值；
根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点；
将所述细胞像素点的数量确定为细胞数量；
根据所述细胞数量和所述区域范围值的比值，得到所述眼前房的房水细胞浓度。
本发明的一个实施例还提供一种房水细胞浓度获取装置，包括：
图像获取模块，用于获取目标眼前节的超声波图像；
区域范围获取模块，用于从所述超声波图像中获取眼前房区域以及对应的区域范围值；
高亮度灰阶斑点获取模块，用于对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点；其中，所述灰度像素点区域是指多个降噪后灰度值仍大于0的像素点的聚集区域；所述高亮度灰阶斑点是由超声波对所述眼前房区域内的细胞的散射作用形成；
灰度差值获取模块，用于对于各个所述高亮度灰阶斑点，将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，遍历所述目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值；
细胞像素获取模块，用于根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点；
细胞数量获取模块，将所述细胞像素点的数量确定为细胞数量；
房水细胞浓度计算模块，用于根据所述细胞数量和所述区域范围值的比值，得到所述眼前房的房水细胞浓度。
本发明的一个实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的眼前房的房水细胞浓度获取方法的步骤。
本发明的一个实施例还提供一种电子设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的眼前房的房水细胞浓度获取方法的步骤。
相对于现有技术，本发明的眼前房的房水细胞浓度获取方法，通过对所述超声波图像中的眼前房区域进行降噪，得到由降噪后的像素点划分出的高亮度灰阶斑点，然后将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值，再根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值得到细胞像素点，从而根据所述细胞像素点的数量确定细胞数量，然后根据所述细胞数量和所述超声波图像中的眼前房区域的区域范围值，计算出所述眼前房的房水细胞浓度，从而实现提高眼前房的房水细胞浓度的测量精度的技术效果。
为了能更清晰的理解本发明，以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明一个实施例的眼前房的房水细胞浓度获取方法的流程图。
图2为本发明一个实施例的眼前房的房水细胞浓度获取方法的房水浑浊患者眼前节的示意图。
图3为本发明一个实施例的眼前房的房水细胞浓度获取方法的房水浑浊患者眼前节的超声成像图。
图4为本发明一个实施例的眼前房的房水细胞浓度获取装置的模块示意图。
100、角膜；300、虹膜、500、晶状体；1、图像获取模块；2、区域范围获取模块；3、高亮度灰阶斑点获取模块；4、灰度差值获取模块；5、细胞像素获取模块；6、细胞数量获取模块；7、房水细胞浓度计算模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其是本发明一个实施例的眼前房的房水细胞浓度获取方法的流程图，方法包括：
S1：获取目标眼前节的超声波图像。
所述目标眼前节包括眼睛的眼前房、眼后房、晶状体悬韧带、房角、部分晶状体、周边玻璃体、视网膜及眼外肌附着点部和结膜等组织结构。
所述超声波图像可以是二维图像，也可以是三维图像。其中，所述超声波图像可以通过阵列换能器对所述目标眼前节进行超声波扫描得到。
所述二维图像可以通过所述阵列换能器对所述目标眼前节进行超声波扫描得到，也可以从所述三维图像中截图获取。
其中，当需要获取的超声波图像为三维图像时，包括以下步骤：
S11：通过阵列换能器对所述目标眼前节进行扫描，获得目标眼前节的预扫描图像。
其中，所述步骤S11是通过在预设移动轨迹上移动并对所述目标眼前节进行扫描，所述移动轨迹垂直于所述目标眼前节的正前方视线。
S12：根据阵列换能器的中点，以及所述预扫描图像中眼前节组织的中点确定旋转中线。
具体地，获取阵列换能器扫描所述目标眼前节时，所述阵列换能器的中点的移动路线，经过所述预扫描图像中眼前节组织的中点建立垂直相交于所述移动路线的虚拟线段，所述虚拟线段就是所述旋转中线。
S13：将所述阵列换能器移动到所述旋转中线的一侧，驱动所述阵列换能器围绕所述旋转中线转动，获取所述目标眼前节的全景信息，根据所述全景信息构建所述目标眼前节的三维图像。优选地，所述阵列换能器围绕所述旋转中线转动，以对所述目标眼前节进行扫描时，所述阵列换能器至少转动了一个完整的周期。所述阵列换能器从起始位置围绕所述旋转中线，沿单一的时针转动方向转动直至再次到达所述起始位置，就表示所述阵列换能器转动了一个完整的周期。可选地，所述步骤S13可以采用2个或以上的相同参数的阵列换能器进行扫描。
通过旋转扫描获取所述目标眼前节的全景信息，并配合通过配准、插值和分割的重构方式，构建出所述目标眼前节在三维空间的上的三维图像。
S2：从所述超声波图像中获取眼前房区域以及对应的区域范围值。
请参阅图2-3，所述眼前房区域以及对应的区域范围值，可以根据所述超声波图像中，围绕所述眼前房区域的组织结构获取，例如可以是角膜100、虹膜200和晶状体500等。
所述目标眼前节的超声波图像中，如果眼前房区域内的房水是清澈均匀，无回声信息的，该眼前房区域内的图像会显示为一片没有高亮度灰阶斑点的黑色图像，表示没有细胞物质渗入到眼前房区域内的房水中。而如果眼前房区域内的房水渗入有细胞物质，该眼前房区域的图像会因为声波接触到细胞后的散射作用而出现高亮度灰阶斑点。所述细胞物质不一定仅限于具有细胞结构的对象，例如包括但不限于细胞、蛋白颗粒、纤维素性渗出物等。
S3：对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点；其中，所述灰度像素点区域是指多个降噪后灰度值仍大于0的像素点的聚集区域。
其中，降噪操作是指将噪音像素点的灰度值降至为0。所述噪音像素点可以是灰度值低于预设灰度阈值的像素点。
通过降噪操作，可以将噪音像素点的灰度值降维0，其结果是使所述眼前房区域内的像素点分成两种，一种是灰度值经过降噪操作而变为0的噪音像素点，另一种是仍具有原来灰度值的灰度像素点，其中，噪音像素点分离会隔离所述灰度像素点，从而显示出多个由所述灰度像素点聚集形成的灰度像素点区域，而这些灰度像素点区域就是所述高亮度灰阶斑点。其中，所述高亮度灰阶斑点是由超声波对所述眼前房区域内的细胞的散射作用形成，因此所述高亮度灰阶斑点对应的像素点的灰度值会大于所述预设灰度阈值，因此不会受到降噪操作的影响，即由不受降噪操作影响的灰度像素点聚集形成的灰度像素点区域就是所述高亮度灰阶斑点。
S4：对于各个所述高亮度灰阶斑点，将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，遍历所述目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值。
其中，所述相邻像素点是一个相对概念，是指邻近于当前目标像素点(或当前像素点)的其他像素点，且所述相邻像素点可以包围对应的当前目标像素点(或当前像素点)。并且所述相邻像素点可以不位于所述高亮度灰阶斑点内，也就是所述相邻像素点可以是进行降噪处理后的像素点。
所述灰度差值具有正负数值，例如：当所述目标像素点的灰度值小于一个相邻像素点的灰度值时，所述目标像素点与该相邻像素点的灰度差值为小于0的负数，当所述目标像素点的灰度值大于一个相邻像素点的灰度值时，所述目标像素点与该相邻像素点的灰度差值为大于0的正数；当所述目标像素点的灰度值等于一个相邻像素点的灰度值时，所述目标像素点与该相邻像素点的灰度差值为0。
其中，当所述超声波图像为二维图像时，单个所述目标像素点对应的相邻像素点的总数为8个，当所述超声波图像为三维图像时，单个所述目标像素点对应的相邻像素点的总数为26个。
S5：根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点。
具体地，所述步骤S5可以根据预设的判断规则对各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值进行判断，从而在各个所述高亮度灰阶斑点的各个像素点中确定出细胞像素点。其中，所述细胞像素点用于表示一个细胞物质或一个细胞物质的中心。
S6：将所述细胞像素点的数量确定为细胞数量。
由于所述细胞像素点用于表示一个细胞物质或一个细胞物质的中心，因此所述细胞数量等同于所述细胞像素点。其中，细胞数量指的是细胞物质的数量，且所述细胞物质不一定仅限于具有细胞结构的对象。
S7：根据所述细胞数量和所述区域范围值的比值，得到所述眼前房的房水细胞浓度。
相对于现有技术，本发明的眼前房的房水细胞浓度获取方法，通过对所述超声波图像中的眼前房区域进行降噪，得到由降噪后的像素点划分出的高亮度灰阶斑点，然后将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值，再根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值得到细胞像素点，从而根据所述细胞像素点的数量确定细胞数量，然后根据所述细胞数量和所述超声波图像中的眼前房区域的区域范围值，计算出所述眼前房的房水细胞浓度，从而实现提高眼前房的房水细胞浓度的测量精度的技术效果。
在一个可行的实施例中，所述超声波图像为二维图像；所述二维图像为通过所述眼前节的瞳孔中心的截面图像；步骤S2中，所述从所述超声波图像中获取眼前房区域以及对应的区域范围值的步骤，包括：
S201：从所述二维图像中，识别出角膜内皮层界面、虹膜前界面和晶状体前囊界面。
其中，所述步骤S201可以通过预训练的神经网络界面识别模型实现，也可以是将用户在所述二维图像中选择的区域范围确定为所述角膜内皮层界面、所述虹膜前界面或所述晶状体前囊界面，以实现识别所述角膜内皮层界面、所述虹膜前界面或所述晶状体前囊界面的效果。
S202：将所述角膜内皮层界面、所述虹膜前界面和所述晶状体前囊界面包围的二维闭合区域确定为所述眼前房区域。
当识别出所述角膜内皮层界面、所述虹膜前界面或所述晶状体前囊界面之后，可以进一步通过预训练的神经网络眼前房区域识别模型，识别出所述角膜内皮层界面、所述虹膜前界面和所述晶状体前囊界面包围的二维闭合区域，从而得到所述眼前房区域。
S203：将所述眼前房区域的面积确定为所述区域范围值。
其中，所述眼前房区域的面积可以通过像素点的数量，以及所述二维图像与实际的所述眼前节的瞳孔中心的截面的尺寸比例计算得到。
在二维图像中，可以通过所述角膜内皮层界面、所述虹膜前界面和所述晶状体前囊界面确认所述眼前房区域，以便于得到所述眼前房区域在所述二维图像中的面积参数。
在一个可行的实施例中，所述超声波图像为三维图像；步骤S2中，所述从所述超声波图像中获取眼前房区域以及对应的区域范围值的步骤，包括：
S211：从所述三维图像中，识别出角膜内皮层、虹膜前界面和晶状体前囊。
其中，所述步骤S211可以通过预训练的神经网络识别模型实现，也可以是将用户在所述二维图像中选择的区域范围确定为所述角膜内皮层、所述虹膜前界面或所述晶状体前囊，以实现识别所述角膜内皮层、所述虹膜前界面或所述晶状体前囊的效果。
S212：将所述角膜内皮层、所述虹膜前界面和所述晶状体前囊包围的三维闭合区域确定为所述眼前房区域。
当识别出所述角膜内皮层、所述虹膜前界面或所述晶状体前囊之后，可以进一步通过预训练的神经网络眼前房区域识别模型，识别出所述角膜内皮层、所述虹膜前界面和所述晶状体前囊包围的三维闭合区域，从而得到所述眼前房区域。
S213：将所述眼前房区域的容积确定为所述区域范围值。
其中，所述眼前房区域的容积可以通过像素点的数量，以及所述三维图像与实际的所述眼前节的尺寸比例计算得到。
在三维图像中，可以通过所述角膜内皮层、所述虹膜前界面和所述晶状体前囊确认所述眼前房区域，以便于得到所述眼前房区域在所述三维图像中的容积参数。
在一个可行的实施例中，所述对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点的步骤，包括：
S301：获取所述超声波图像中，所述眼前房区域的平均灰度值。
所述眼前房区域的平均灰度值是指所述眼前房区域的范围内的所有像素点的平均灰度值。
S302：将所述眼前房区域中，低于所述平均灰度值的像素点确定为噪声像素点，对所述噪声像素点进行灰度值降值处理，使所述噪声像素点的灰度值降至预设的0。
由于在超声波图像中，噪声像素点的灰度值一般比较低，会小于所述平均灰度值，因此将低于所述平均灰度值的像素点确定为噪声像素点，并进行灰度值降值处理，从而实现降噪处理的效果。
S303：将所述眼前房区域中，将高于或等于所述平均灰度值的像素点确定为灰度像素点；将被降噪后的所述噪声像素点隔离的灰度像素点的聚集区域，确定为所述眼前房区域的高亮度灰阶斑点。
其中，一个由连续的灰度像素点组成的聚集区域，表示一个高亮度灰阶斑点。
在本实施例中，通过降噪将所述噪声像素点的灰度值降至预设的0，可以去除噪声像素点对高亮度灰阶斑点的干扰，从而得到高亮度灰阶斑点。
在一个可行的实施例中，所述根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点的步骤，包括：
S501：将各个所述目标像素点对应的所有所述灰度差值与预设的灰度差阈值进行比对，若所有所述灰度差值都大于所述灰度差阈值，将对应的所述目标像素点确定为细胞像素点。
在本实施例中，因为细胞像素点附近的像素点的灰度值是由声波接触细胞物质后散射形成的，因此细胞像素点附近的像素点的灰度差值较大，此时通过设置一个核实的灰度差阈值即可确认出细胞像素点。具体地，所述灰度差阈值由用户决定。本实施例通过将所述目标像素点对应的所有所述灰度差值和灰度差阈值进行比较，可以从所述目标像素点中确定出表示细胞或细胞中心的细胞像素点。
为了防止细胞物质刚好位于两个像素点之间，导致误判细胞物质数量的情况，在一个可行的实施例中，所述根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点的步骤，包括：
S511：将各个所述目标像素点对应的所有所述灰度差值与预设的灰度差阈值进行比对。
其中，所述灰度差阈值由用户设置。进行对比是指，将各个所述目标像素点对应的所有所述灰度差值与所述灰度差阈值进行大小比较。
S512：若同一个所述目标像素点的所有所述灰度差值中，只有一个所述灰度差值小于或等于所述灰度差阈值，将对应的所述目标像素点确定为待定像素点。
例如，以二维图像为例，若一个所述目标像素点对应的8个所述灰度差值中，有7个所述灰度差值大于所述灰度差阈值，有1个所述灰度差值小于或等于所述灰度差阈值，该目标像素点就是所述待定像素点。
S513：获取所有所述待定像素点的位置关系，将相邻的所述待定像素点中的一个像素点确定为细胞像素点。
优选地，所述步骤S513中，可以将相邻的所述待定像素点中，灰度值较高的一个像素点确定为细胞像素点，这是因为灰度值较高的待定像素点相对于相邻的另一个待定像素点，占有了所述细胞物质更多的面积或体积。
在本实施例中，通过步骤S511-S513，可以提高细胞像素点统计的准确性，防止细胞或细胞中心刚好位于两个像素点之间而导致影响细胞数量的统计的情况。
请参阅图4，本发明的一个实施例还提供一种房水细胞浓度获取装置，包括：
图像获取模块1，用于获取目标眼前节的超声波图像；
区域范围获取模块2，用于从所述超声波图像中获取眼前房区域以及对应的区域范围值；
高亮度灰阶斑点获取模块3，用于对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点；其中，所述灰度像素点区域是指多个降噪后灰度值仍大于0的像素点的聚集区域；所述高亮度灰阶斑点是由超声波对所述眼前房区域内的细胞的散射作用形成；
灰度差值获取模块4，用于对于各个所述高亮度灰阶斑点，将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，遍历所述目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值；
细胞像素获取模块5，用于根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点；
细胞数量获取模块6，将所述细胞像素点的数量确定为细胞数量；
房水细胞浓度计算模块7，用于根据所述细胞数量和所述区域范围值的比值，得到所述眼前房的房水细胞浓度。
所述目标眼前节包括眼睛的眼前房、眼后房、晶状体悬韧带、房角、部分晶状体、周边玻璃体、视网膜及眼外肌附着点部和结膜等组织结构。
所述超声波图像可以是二维图像，也可以是三维图像。
所述目标眼前节的超声波图像中，如果眼前房区域内的房水是清澈均匀，无回声信息的，该眼前房区域的图像会出想明显的暗区，表示没有细胞物质渗入到眼前房区域内的房水中。而如果眼前房区域内的房水渗入有细胞物质，该眼前房区域的图像会因为声波接触到细胞后的散射作用而出现高亮度灰阶斑点。所述细胞物质不一定仅限于具有细胞结构的对象，例如包括但不限于细胞、蛋白颗粒、纤维素性渗出物等。
所述眼前房区域以及对应的区域范围值，可以根据所述超声波图像中，围绕所述眼前房区域的组织结构获取，例如可以是角膜内、虹膜和晶状体等。
降噪操作是指将噪音像素点的灰度值降至为0。所述噪音像素点可以是灰度值低于预设灰度阈值的像素点。
所述相邻像素点是一个相对概念，是指邻近于当前目标像素点(或当前像素点)的其他像素点，且所述相邻像素点可以包围对应的当前目标像素点(或当前像素点)。并且所述相邻像素点可以不位于所述高亮度灰阶斑点内，也就是所述相邻像素点可以是进行降噪处理后的像素点。
所述灰度差值具有正负数值，例如：当所述目标像素点的灰度值小于一个相邻像素点的灰度值时，所述目标像素点与该相邻像素点的灰度差值为小于0的负数，当所述目标像素点的灰度值大于一个相邻像素点的灰度值时，所述目标像素点与该相邻像素点的灰度差值为大于0的正数；当所述目标像素点的灰度值等于一个相邻像素点的灰度值时，所述目标像素点与该相邻像素点的灰度差值为0。
当所述超声波图像为二维图像时，单个所述目标像素点对应的相邻像素点的总数为8个，当所述超声波图像为三维图像时，单个所述目标像素点对应的相邻像素点的总数为26个。
由于所述细胞像素点用于表示一个细胞物质或一个细胞物质的中心，因此所述细胞数量等同于所述细胞像素点。其中，细胞数量指的是细胞物质的数量，且所述细胞物质不一定仅限于具有细胞结构的对象。
相对于现有技术，本发明的眼前房的房水细胞浓度获取装置，通过对所述超声波图像中的眼前房区域进行降噪，得到由降噪后的像素点划分出的高亮度灰阶斑点，然后将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值，再根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值得到细胞像素点，从而根据所述细胞像素点的数量确定细胞数量，然后根据所述细胞数量和所述超声波图像中的眼前房区域的区域范围值，计算出所述眼前房的房水细胞浓度，从而实现提高眼前房的房水细胞浓度的测量精度的技术效果。
在一个可行的实施例中，所述超声波图像为二维图像；所述二维图像为通过所述眼前节的瞳孔中心的截面图像；所述区域范围获取模块2包括：
第一识别模块，用于从所述二维图像中，识别出角膜内皮层界面、虹膜前界面和晶状体前囊界面。
第一眼前房区域获取模块，用于将所述角膜内皮层界面、所述虹膜前界面和所述晶状体前囊界面包围的二维闭合区域确定为所述眼前房区域。
第一区域范围值获取模块，用于将所述眼前房区域的面积确定为所述区域范围值。
当识别出所述角膜内皮层界面、所述虹膜前界面或所述晶状体前囊界面之后，可以进一步通过预训练的神经网络眼前房区域识别模型，识别出所述角膜内皮层界面、所述虹膜前界面和所述晶状体前囊界面包围的二维闭合区域，从而得到所述眼前房区域。
其中，所述眼前房区域的面积可以通过像素点的数量，以及所述二维图像与实际的所述眼前节的瞳孔中心的截面的尺寸比例计算得到。
在二维图像中，可以通过所述角膜内皮层界面、所述虹膜前界面和所述晶状体前囊界面确认所述眼前房区域，以便于得到所述眼前房区域在所述二维图像中的面积参数。
在一个可行的实施例中，所述超声波图像为三维图像；所述区域范围获取模块2包括：
第二识别模块，用于从所述三维图像中，识别出角膜内皮层、虹膜前界面和晶状体前囊。
第二眼前房区域获取模块，用于将所述角膜内皮层、所述虹膜前界面和所述晶状体前囊包围的三维闭合区域确定为所述眼前房区域。
第二区域范围值获取模块，用于将所述眼前房区域的容积确定为所述区域范围值。
其中，所述第二识别模块可以通过预训练的神经网络识别模型实现，也可以是将用户在所述二维图像中选择的区域范围确定为所述角膜内皮层、所述虹膜前界面或所述晶状体前囊，以实现识别所述角膜内皮层、所述虹膜前界面或所述晶状体前囊的效果。
其中，所述眼前房区域的容积可以通过像素点的数量，以及所述三维图像与实际的所述眼前节的尺寸比例计算得到。
在三维图像中，可以通过所述角膜内皮层、所述虹膜前界面和所述晶状体前囊确认所述眼前房区域，以便于得到所述眼前房区域在所述三维图像中的容积参数。
在一个可行的实施例中，所述高亮度灰阶斑点获取模块3包括：
平均灰度值获取模块，用于获取所述超声波图像中，所述眼前房区域的平均灰度值；
降噪模块，用于将所述眼前房区域中，低于所述平均灰度值的像素点确定为噪声像素点，对所述噪声像素点进行灰度值降值处理，使所述噪声像素点的灰度值降至预设的0；
高亮度灰阶斑点确定模块，用于将所述眼前房区域中，将高于或等于所述平均灰度值的像素点确定为灰度像素点；将被降噪后的所述噪声像素点隔离的灰度像素点的聚集区域，确定为所述眼前房区域的高亮度灰阶斑点。
所述眼前房区域的平均灰度值是指所述眼前房区域的范围内的所有像素点的平均灰度值。
由于在超声波图像中，噪声像素点的灰度值一般比较低，会小于所述平均灰度值，因此将低于所述平均灰度值的像素点确定为噪声像素点，并进行灰度值降值处理，从而实现降噪处理的效果。
其中，一个由连续的灰度像素点组成的聚集区域，表示一个高亮度灰阶斑点。
在本实施例中，通过降噪将所述噪声像素点的灰度值降至预设的0，可以去除噪声像素点对高亮度灰阶斑点的干扰，从而得到高亮度灰阶斑点。
在一个可行的实施例中，所述细胞像素获取模块5包括：
第一细胞像素点获取模块，将各个所述目标像素点对应的所有所述灰度差值与预设的灰度差阈值进行比对，若所有所述灰度差值都大于所述灰度差阈值，将对应的所述目标像素点确定为细胞像素点。
在本实施例中，因为细胞像素点附近的像素点的灰度值是由声波接触细胞物质后散射形成的，因此细胞像素点附近的像素点的灰度差值较大，此时通过设置一个核实的灰度差阈值即可确认出细胞像素点。具体地，所述灰度差阈值由用户决定。本实施例通过将所述目标像素点对应的所有所述灰度差值和灰度差阈值进行比较，可以从所述目标像素点中确定出表示细胞或细胞中心的细胞像素点。
为了防止细胞物质刚好位于两个像素点之间，导致误判细胞物质数量的情况，在一个可行的实施例中，所述细胞像素获取模块5包括：
灰度差值对比模块，用于将各个所述目标像素点对应的所有所述灰度差值与预设的灰度差阈值进行比对。
待定像素点获取模块，若同一个所述目标像素点的所有所述灰度差值中，只有一个所述灰度差值小于或等于所述灰度差阈值，将对应的所述目标像素点确定为待定像素点。
第二细胞像素点获取模块，获取所有所述待定像素点的位置关系，将相邻的所述待定像素点中的一个像素点确定为细胞像素点。
本发明的一个实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的眼前房的房水细胞浓度获取方法的步骤。
本发明的一个实施例还提供一种电子设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的眼前房的房水细胞浓度获取方法的步骤。
以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (8)

1.一种眼前房的房水细胞浓度获取方法，其特征在于，包括：
获取目标眼前节的超声波图像；
从所述超声波图像中获取眼前房区域以及对应的区域范围值；
对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点；其中，所述灰度像素点区域是指多个降噪后灰度值仍大于0的像素点的聚集区域；
对于各个所述高亮度灰阶斑点，将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，遍历所述目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值；
根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点；
将所述细胞像素点的数量确定为细胞数量；
根据所述细胞数量和所述区域范围值的比值，得到所述眼前房的房水细胞浓度；
其中，所述根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点的步骤，包括：
将各个所述目标像素点对应的所有所述灰度差值与预设的灰度差阈值进行比对，若所有所述灰度差值都大于所述灰度差阈值，将对应的所述目标像素点确定为细胞像素点；
若同一个所述目标像素点的所有所述灰度差值中，只有一个所述灰度差值小于或等于所述灰度差阈值，将对应的所述目标像素点确定为待定像素点；
获取所有所述待定像素点的位置关系，将相邻的所述待定像素点中的一个像素点确定为细胞像素点。
2.根据权利要求1所述的眼前房的房水细胞浓度获取方法，其特征在于：所述对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点的步骤，包括：
获取所述超声波图像中，所述眼前房区域的平均灰度值；
将所述眼前房区域中，低于所述平均灰度值的像素点确定为噪声像素点，对所述噪声像素点进行灰度值降值处理，使所述噪声像素点的灰度值降至预设的0；
将所述眼前房区域中，将高于或等于所述平均灰度值的像素点确定为灰度像素点；将被降噪后的所述噪声像素点隔离的灰度像素点的聚集区域，确定为所述眼前房区域的高亮度灰阶斑点。
3.根据权利要求1至2中任一项权利要求所述的眼前房的房水细胞浓度获取方法，其特征在于，所述超声波图像为二维图像；所述二维图像为通过所述眼前节的瞳孔中心的截面图像；
所述从所述超声波图像中获取眼前房区域以及对应的区域范围值的步骤，包括：
从所述二维图像中，识别出角膜内皮层界面、虹膜前界面和晶状体前囊界面；
将所述角膜内皮层界面、所述虹膜前界面和所述晶状体前囊界面包围的二维闭合区域确定为所述眼前房区域；
将所述眼前房区域的面积确定为所述区域范围值。
4.根据权利要求1至2中任一项权利要求所述的眼前房的房水细胞浓度获取方法，其特征在于，所述超声波图像为三维图像；
所述从所述超声波图像中获取眼前房区域以及对应的区域范围值的步骤，包括：
从所述三维图像中，识别出角膜内皮层、虹膜前界面和晶状体前囊；
将所述角膜内皮层、所述虹膜前界面和所述晶状体前囊包围的三维闭合区域确定为所述眼前房区域；
将所述眼前房区域的容积确定为所述区域范围值。
5.一种房水细胞浓度获取装置，其特征在于，包括：
图像获取模块，用于获取目标眼前节的超声波图像；
区域范围获取模块，用于从所述超声波图像中获取眼前房区域以及对应的区域范围值；
高亮度灰阶斑点获取模块，用于对所述眼前房区域进行降噪，得到由降噪后的像素点划分出的若干个灰度像素点区域，将所述灰度像素点区域确定为所述眼前房区域的高亮度灰阶斑点；其中，所述灰度像素点区域是指多个降噪后灰度值仍大于0的像素点的聚集区域；
灰度差值获取模块，用于对于各个所述高亮度灰阶斑点，将各个所述高亮度灰阶斑点范围内的像素点作为目标像素点，遍历所述目标像素点，获取各个目标像素点与所有相邻像素点的灰度差值；
细胞像素获取模块，用于根据各个所述目标像素点对应的所有所述灰度差值以及预设的灰度差阈值，获得细胞像素点；
细胞数量获取模块，将所述细胞像素点的数量确定为细胞数量；
房水细胞浓度计算模块，用于根据所述细胞数量和所述区域范围值的比值，得到所述眼前房的房水细胞浓度；
其中，所述细胞像素获取模块用于：
将各个所述目标像素点对应的所有所述灰度差值与预设的灰度差阈值进行比对，若所有所述灰度差值都大于所述灰度差阈值，将对应的所述目标像素点确定为细胞像素点；
若同一个所述目标像素点的所有所述灰度差值中，只有一个所述灰度差值小于或等于所述灰度差阈值，将对应的所述目标像素点确定为待定像素点；
获取所有所述待定像素点的位置关系，将相邻的所述待定像素点中的一个像素点确定为细胞像素点。
6.根据权利要求5所述的房水细胞浓度获取装置，其特征在于，所述高亮度灰阶斑点获取模块包括：
平均灰度值获取模块，用于获取所述超声波图像中，所述眼前房区域的平均灰度值；
降噪模块，用于将所述眼前房区域中，低于所述平均灰度值的像素点确定为噪声像素点，对所述噪声像素点进行灰度值降值处理，使所述噪声像素点的灰度值降至预设的0；
高亮度灰阶斑点确定模块，用于将所述眼前房区域中，将高于或等于所述平均灰度值的像素点确定为灰度像素点；将被降噪后的所述噪声像素点隔离的灰度像素点的聚集区域，确定为所述眼前房区域的高亮度灰阶斑点。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的眼前房的房水细胞浓度获取方法的步骤。
8.一种电子设备，其特征在于：包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的眼前房的房水细胞浓度获取方法的步骤。
CN202210606965.XA 2022-05-31 2022-05-31 眼前房的房水细胞浓度获取方法、装置、存储介质和设备 Active CN115035057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210606965.XA CN115035057B (zh) 2022-05-31 2022-05-31 眼前房的房水细胞浓度获取方法、装置、存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210606965.XA CN115035057B (zh) 2022-05-31 2022-05-31 眼前房的房水细胞浓度获取方法、装置、存储介质和设备

Publications (2)

Publication Number Publication Date
CN115035057A CN115035057A (zh) 2022-09-09
CN115035057B true CN115035057B (zh) 2023-07-11

Family

ID=83122255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210606965.XA Active CN115035057B (zh) 2022-05-31 2022-05-31 眼前房的房水细胞浓度获取方法、装置、存储介质和设备

Country Status (1)

Country Link
CN (1) CN115035057B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794710A (zh) * 2015-04-13 2015-07-22 上海泽煜实验设备有限公司 一种图像处理方法及装置
CN104794711B (zh) * 2015-04-13 2018-06-05 上海泽煜实验设备有限公司 一种图像处理方法及装置
CN107527028B (zh) * 2017-08-18 2020-03-24 深圳乐普智能医疗器械有限公司 目标细胞识别方法、装置及终端
CN109461165A (zh) * 2018-09-29 2019-03-12 佛山市云米电器科技有限公司 基于图像三色分割的厨房油烟浓度划分标识方法
CN111340752A (zh) * 2019-12-04 2020-06-26 京东方科技集团股份有限公司 屏幕的检测方法、装置、电子设备及计算机可读存储介质
CN111798467B (zh) * 2020-06-30 2024-05-03 中国第一汽车股份有限公司 一种图像分割方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115035057A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN110021009B (zh) 一种评估眼底图像质量的方法、装置及存储介质
US11989877B2 (en) Method and system for analysing images of a retina
US11284792B2 (en) Methods and systems for enhancing microangiography image quality
CN109785399B (zh) 合成病变图像的生成方法、装置、设备及可读存储介质
AU2021202217A1 (en) Methods and systems for ocular imaging, diagnosis and prognosis
CN113870270A (zh) 一种统一框架下的眼底影像视杯、视盘分割方法
CN115035057B (zh) 眼前房的房水细胞浓度获取方法、装置、存储介质和设备
CN110490857B (zh) 图像处理方法、装置、电子设备和存储介质
CN115330663A (zh) 眼前节oct图像中巩膜镜和泪液镜边界分割方法
WO2019171986A1 (ja) 画像処理装置、画像処理方法及びプログラム
CN114170378A (zh) 医疗设备、血管及内部斑块三维重建方法和装置
CN117455847A (zh) 一种疾病评估方法、装置、存储介质及电子设备
CN109363722B (zh) 彩色血流成像中运动伪像的抑制方法及设备
Samagaio et al. Optical coherence tomography denoising by means of a fourier butterworth Filter-Based approach
CN115908274A (zh) 一种病灶检测的装置、设备及介质
JP2004267584A (ja) 超音波診断装置
WO2021193008A1 (ja) プログラム、情報処理方法、情報処理装置及びモデル生成方法
CN115641286A (zh) 糖尿病视网膜病变的特征分类方法、***、设备及介质
Janpongsri et al. Pseudo‐real‐time retinal layer segmentation for high‐resolution adaptive optics optical coherence tomography
CN112120666A (zh) 晶状体屈光力测算方法、装置、设备及存储介质
CN108269258B (zh) 从oct角膜图像分割角膜结构的方法和***
CN110610147A (zh) 血管图像提取方法、相关装置及存储设备
CN117503043B (zh) 一种基于oct的离焦量智能识别的方法及装置
US20220342060A1 (en) System and method for ultrasound imaging
WO2021210295A1 (ja) 画像処理方法、画像処理装置、及びプログラム

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