CN115100178A - 一种眼底血管形态特征评估的方法、装置、介质和设备 - Google Patents
一种眼底血管形态特征评估的方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN115100178A CN115100178A CN202210835829.8A CN202210835829A CN115100178A CN 115100178 A CN115100178 A CN 115100178A CN 202210835829 A CN202210835829 A CN 202210835829A CN 115100178 A CN115100178 A CN 115100178A
- Authority
- CN
- China
- Prior art keywords
- fundus
- blood vessel
- image
- determining
- vein
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 420
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 167
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 210000003462 vein Anatomy 0.000 claims description 143
- 210000001367 artery Anatomy 0.000 claims description 140
- 210000002189 macula lutea Anatomy 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 10
- 230000002792 vascular Effects 0.000 claims description 10
- 206010025421 Macule Diseases 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 abstract description 9
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000010606 normalization Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004232 retinal microvasculature Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明实施例提供一种眼底血管形态特征评估的方法、装置、介质和设备,该方法包括:S1:对眼底图像进行预处理;S2:对所述预处理的眼底图像进行血管分割处理,得到眼底血管分割图像;S3:根据所述分割获得的眼底血管分割图像,确定描述眼底血管形态特征的多个参数。本发明实施例的优点在于:用数字化的语言从各个角度综合描述血管的形态特征,从而精细掌握眼底血管形态情况,有利于眼底血管结构的异常评估和变化进展的精细评估。
Description
技术领域
本发明涉及眼底图像处理技术领域,尤其涉及一种眼底血管形态特征评估的方法、装置、介质和设备。
背景技术
视网膜微血管作为人体唯一可以非创伤直接观察且较深层的微血管,其状态或结构的变化可以表征多种疾病的发生,例如:高血压、糖尿病等。因此对眼底视网膜血管结构进行精确分割,可以作为临床医师对疾病进行诊断和治疗的辅助手段,进而通过视网膜血管分析结果,实现一些疾病的早期诊断和预防,无论在理论研究还是临床实践中,均有及其重要意义。但是当前缺少一种合适技术手段,实现对眼底血管形态特征的全面精细评估。
发明内容
有鉴于此,本发明实施例的目的在于提供一种眼底血管形态特征评估的方法、装置、介质和设备,以综合反映血管形态特征。
为达到上述目的,第一方面,本发明提供一种眼底血管形态特征评估方法,所述方法包括:
S1:对眼底图像进行预处理,获得预处理后的眼底图像;
S2:对预处理后的眼底图像进行血管分割处理,得到眼底血管分割图像;
S3:根据分割处理获得的所述眼底血管分割图像,确定描述眼底血管形态特征的多个参数。
在一些可能的实施方式中,根据所述眼底图像确定感兴趣区域ROI,步骤S3包括:
S31:根据分割处理获得的所述眼底血管分割图像,确定眼底血管第一组形态参数或者ROI内部任意目标子区域对应的第一组形态参数;
其中,所述第一组形态参数包括:眼底血管分形维数、眼底血管面积、眼底血管密度、眼底血管面积占比和眼底血管间隙度中的任意多个。
在一些可能的实施方式中,步骤S31具体包括:
根据分割处理获得的所述眼底血管分割图像,从所述眼底血管分割图像中确定眼底动脉图像和眼底静脉图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据所述眼底动脉血管图像确定与眼底动脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据所述眼底静脉血管图像确定与眼底静脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第一组形态参数。
在一些可能的实施方式中,步骤S31中根据分割处理获得的所述眼底血管分割图像,确定ROI内部任意目标子区域对应的第一组形态参数,具体包括:
S311:以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底血管分割图像,根据预设区域内的眼底血管分割图像确定预设区域对应的第一组形态参数;或者,
S312:根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域对应的第一组形态参数。
在一些可能的实施方式中,步骤S311具体包括:
以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据所述视盘或黄斑周围预设区域内的眼底动脉血管图像,确定预设区域对应的与眼底动脉血管相关联的第一组形态参数;
根据所述视盘或黄斑周围预设区域内的眼底静脉血管图像,确定预设区域对应的与眼底静脉血管相关联的第一组形态参数;
步骤S312具体包括:
根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;
从所述选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从所述选定子区域中提取的眼底动脉血管图像,确定所述选定子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据从所述选定子区域中提取的眼底静脉血管图像,确定所述选定子区域对应的与眼底静脉血管相关联的第一组形态参数。
其中,眼底血管面积占比的确定方法如下:
获得所述眼底血管分割图像中所有眼底血管的面积之和,作为第一眼底血管总面积;
获得所述视盘或黄斑周围预设区域内的眼底血管分割图像中的眼底血管的面积之和,作为第二眼底血管总面积;
以所述第二眼底血管总面积与所述第一眼底血管总面积的比值,确定为所述视盘或黄斑周围预设区域内的眼底血管面积占比。其中,眼底动脉血管面积占比的确定方法如下:
获得所述眼底血管分割图像中所有眼底动脉血管的面积之和,作为第一眼底动脉血管总面积;
获得所述视盘或黄斑周围预设区域内的眼底动脉血管图像中的眼底动脉血管的面积之和,作为第二眼底动脉血管总面积;
以所述第二眼底动脉血管总面积与所述第一眼底动脉血管总面积的比值,确定为所述视盘或黄斑周围预设区域内的眼底动脉血管面积占比。
其中,眼底静脉血管面积占比的确定方法如下:
获得所述眼底血管分割图像中所有眼底静脉血管的面积之和,作为第一眼底静脉血管总面积;
获得所述视盘或黄斑周围预设区域内的眼底静脉血管图像中的眼底静脉血管的面积之和,作为第二眼底静脉血管总面积;
以所述第二眼底静脉血管总面积与所述第一眼底静脉血管总面积的比值,确定为所述视盘或黄斑周围预设区域内的眼底静脉血管面积占比。
在一些可能的实施方式中,步骤S3还包括:
S32:根据分割处理获得的所述眼底血管分割图像,确定眼底血管中心线,或者基于预处理后的眼底图像,获取眼底血管中心线;根据所述眼底血管中心线确定第二组形态参数或者ROI内部任意目标子区域对应的第二组形态参数;
其中,所述第二组形态参数包括眼底血管分形维数、眼底血管长度、眼底血管密度和眼底血管间隙度中的任意多个。
在一些可能的实施方式中,步骤S32具体包括:
根据分割处理获得的所述眼底血管分割图像,从所述眼底血管分割图像中确定眼底动脉血管图像和眼底静脉血管图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据眼底动脉血管图像确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取眼底动脉血管中心线,根据眼底动脉血管中心线确定与眼底动脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据眼底静脉血管图像确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取眼底静脉血管中心线,根据眼底静脉血管中心线确定与眼底静脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第二组形态参数。
在一些可能的实施方式中,步骤S32中根据所述眼底血管中心线确定的第二组形态参数或者ROI内部任意目标子区域对应的第二组形态参数,具体包括:
S321:以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底血管分割图像;根据所述视盘或黄斑周围预设区域内的眼底血管分割图像,确定预设区域内的眼底血管中心线,或者基于预处理后的预设区域内的眼底图像,获取预设区域内的眼底血管中心线;根据预设区域内的眼底血管中心线,确定预设区域对应的第二组形态参数;或者,
S322:根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;根据所述选定子区域内的眼底血管分割图像,确定选定子区域内的眼底血管中心线,根据选定子区域内的眼底血管中心线,确定选定子区域对应的第二组形态参数。
在一些可能的实施方式中,步骤S321具体包括:
以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据所述视盘或黄斑周围预设区域内的眼底动脉血管图像,确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底动脉血管中心线;根据预设区域内的眼底动脉血管中心线,确定预设区域对应的与眼底动脉血管相关联的第二组参数;
根据所述视盘或黄斑周围预设区域内的眼底静脉血管图像,确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底静脉血管中心线;根据预设区域内的眼底静脉血管中心线,确定预设区域对应的与眼底静脉血管相关联的第二组参数;
步骤S322具体包括:
根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;
从所述选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从所述选定子区域中提取的眼底动脉血管图像,确定选定子区域内的眼底动脉血管中心线,根据选定子区域内的眼底动脉血管中心线,确定所述选定子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据从所述选定子区域中提取的眼底静脉血管图像,确定选定子区域内的眼底静脉血管中心线,根据选定子区域内的眼底静脉血管中心线,确定所述选定子区域对应的与眼底静脉血管相关联的第二组形态参数。
在一些可能的实施方式中,眼底血管密度包括眼底血管线密度和眼底血管面密度,可基于如下方式确定眼底血管面密度:
提取眼底图像的感兴趣区域ROI;
对得到的预处理后的眼底图像进行阈值分割,得到眼底血管区域;
计算眼底血管区域的面积;
计算感兴趣区域ROI的面积;
根据如下公式得到血管面密度:
血管面密度=眼底血管区域的面积/感兴趣区域ROI的面积。
预设区域血管面密度=预设区域眼底血管面积/预设区域的眼底面积;
预设区域动脉血管面密度=预设区域眼底动脉血管面积/预设区域的眼底面积;
预设区域静脉血管面密度=预设区域眼底静脉血管面积/预设区域的眼底面积。
在一些可能的实施方式中,可基于如下方式确定眼底血管线密度:
提取眼底图像的感兴趣区域ROI;
对得到的预处理后的眼底图像进行阈值分割,得到眼底血管区域;
将眼底血管区域分离得到每条独立的血管;
对每条血管进行形态学操作获取血管骨架线或者血管中心线,记为血管线;
计算每条血管线的长度,进而得到感兴趣区域ROI内所有血管线总长度;
计算感兴趣区域ROI的面积;
根据如下公式得到血管线密度:血管线密度=感兴趣区域ROI内所有血管线总长度/感兴趣区域ROI的面积。
预设区域血管线密度=预设区域眼底血管总长度/预设区域的眼底面积;
预设区域动脉血管线密度=预设区域眼底动脉血管总长度/预设区域的眼底面积;
预设区域静脉血管线密度=预设区域眼底静脉血管总长度/预设区域的眼底面积。
在一些可能的实施方式中,步骤S1具体包括:
S11:提取眼底图像的感兴趣区域ROI;
S12:对所述ROI执行去噪处理;
S13:对去噪处理后的图像执行归一化处理;
S14:对归一化处理后的图像执行增强处理,得到预处理后的眼底图像。
在一些可能的实施方式中,步骤S2具体包括:
S21:利用眼底血管的颜色和形态学特征对预处理后的眼底图像进行阈值分割,获得初始眼底血管分割图像,对所述初始眼底血管分割图像进行校正,获得最终样本图像;
S22:基于所述最终样本图像,采用语义分割网络进行模型训练,通过训练好的模型进行前向处理,输出与训练的最终样本图像同样大小的置信概率图;
S23:根据设定的阈值,将所述置信概率图转换成二值图像。
S24:根据所述二值图像,得到包含眼底血管区域的眼底血管分割图像。
第二方面,提供一种眼底血管形态特征评估装置,所述装置包括:
眼底图像预处理模块,用于对眼底图像进行预处理,获得预处理后的眼底图像;
眼底血管分割处理模块,用于对所述眼底图像进行血管分割处理,得到眼底血管分割图像;
眼底血管形态特征指标确定模块,用于根据所述眼底血管分割图像,确定描述眼底血管形态特征的多个参数。
可选地,所述多个参数包括:眼底血管分形维数、眼底血管长度和眼底血管密度。
在一些可能的实施方式中,所述眼底图像预处理模块,具体用于:
提取眼底图像的感兴趣区域ROI;
对所述ROI执行去噪处理;
对去噪处理后的图像执行归一化处理;
对归一化处理后的图像执行增强处理,得到预处理后的眼底图像。
在一些可能的实施方式中,所述眼底血管分割处理模块,具体用于:
利用眼底血管的颜色和形态学特征对所述预处理后的眼底图像进行阈值分割,获得初始眼底血管分割图像,对所述初始眼底血管分割图像进行校正,获得最终样本图像;
基于所述最终样本图像,采用语义分割网络进行模型训练,通过训练好的模型进行前向处理,输出与训练的最终样本图像同样大小的置信概率图;
根据设定的阈值,将所述置信概率图转换成二值图像;
根据所述二值图像,得到眼底血管区域和眼底血管分割图像。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的任意一种眼底血管形态特征评估的方法。
第四方面,提供一种计算机设备,其包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上所述的任意一种眼底血管形态特征评估的方法。
上述技术方案具有如下有益效果:
本发明实施例的优点在于:用数字化的语言从各个角度综合描述血管的形态特征,从而精细掌握眼底血管形态情况,有利于眼底血管结构的异常评估和变化进展的精细评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是本发明实施例的一种眼底血管形态特征评估的方法的流程图;
图1B是本发明实施例的多个参数的分类逻辑结构示意图;
图2是本发明实施例的预处理的流程图;
图3是本发明实施例的预处理的作为一个举例的处理过程图像;
图4是本发明实施例的眼底血管分割处理的流程图;
图5是本发明实施例的眼底血管分割处理作为一个举例的处理过程图像;
图6是本发明实施例的确定指示眼底血管形态特征的多个指标的流程图;
图7是本发明实施例作为一个举例的计盒维数的计算过程图;
图8是本发明实施例的一种眼底血管形态特征评估的装置的功能框图;
图9是本发明实施例的一种计算机可读存储介质的功能框图;
图10是本发明实施例的一种计算机设备的功能框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例的目的在于,基于人类视觉仿生机理,通过对人体眼底血管进行自动识别和分割,并区分动静脉,之后计算分形维数、血管密度、血管长度等指标,用以综合反映血管形态特征。
本发明实施例的优点在于:用数字化的语言从各个角度综合描述血管的形态特征,从而精细掌握眼底血管形态情况,有利于眼底血管结构的异常评估和变化进展的精细评估。
实施例一
本发明实施例通过人工智能图像处理技术提眼底血管,并计算眼底血管分形维数、眼底血管密度、眼底血管中心线长度等指标,用以表示眼底血管的形态特征,具体包括图像预处理,眼底血管分割和形态特征指标计算三个过程。
图1A是本发明实施例提供一种眼底血管形态特征评估的方法的流程图。如图1A所示,所述方法包括如下步骤:
S1:对眼底图像进行预处理,获得预处理后的眼底图像;
S2:对预处理后的眼底图像进行血管分割处理,得到眼底血管分割图像;
S3:根据眼底血管分割图像,确定描述眼底血管形态特征的多个参数。
在一些实施例中,可以省略S1中的预处理的步骤。
图1B是本发明实施例的多个参数的分类逻辑结构示意图。如图1B所示,多个参数可以包括第一组形态参数和第二组形态参数,第一组形态参数和第二组形态参数均分别包括与ROI对应的形态参数和与目标子区域对应的形态参数,ROI对应的形态参数和与目标子区域对应的形态参数均分别包括与眼底动脉血管相关联的形态参数,以及与眼底静脉血管相关联的形态参数;目标子区域包括两种情况,一种是视盘或黄斑周围预设区域,一种是由用户选定的包括多个血管分支点的选定子区域。本实施例可以以视盘或黄斑为中心参考计算视盘或黄斑周期任意目标区域或选定区域的血管形态参数。
在一些实施例中,在步骤S1中还根据眼底图像确定感兴趣区域ROI,步骤S3具体包括:
S31:根据分割处理获得的眼底血管分割图像,确定ROI对应的第一组形态参数或者ROI内部任意目标子区域对应的第一组形态参数;
其中,第一组形态参数包括:眼底血管分形维数、眼底血管面积、眼底血管密度、眼底血管面积占比或眼底血管间隙度中的任意多个。
图2是本发明实施例的预处理的流程图。图3是本发明实施例的预处理的作为一个举例的处理过程图像。图3(a)是原图,图3(b)是ROI图像,图3(c)是归一化处理前的图像,图3(d)是归一化处理后的图像,图3(e)是增强处理前的图像,图3(f)是增强处理后的图像。如图2和图3所示,步骤S1具体可以包括:
S11:提取眼底图像的感兴趣区域ROI(Region Of Interest);
具体地,ROI提取是指提取眼底图像的有效区域,去除背景等无效区域,减少非眼底内容对后续血管分割的干扰。首先,对图像进行通道分离,利用阈值分割方法对红色通道图像进行分割,从而获得ROI候选区域,之后利用候选区域的位置、面积、圆度等至少一个或多个特征进行筛选,并利用形态学的腐蚀及开运算(开运算为图像形态学基础算法)确定边界,从而确定最终的ROI区域。
S12:对ROI执行去噪处理;去噪处理的主要目的是减少拍摄和相机成像过程中在图像上形成的噪声,通过低通滤波法实现。
S13:对去噪处理后的图像执行归一化处理;
具体地,归一化处理主要是用于降低图像间的差异性,包括亮度归一化、颜色归一化和尺寸归一化。其中,颜色归一化是指:将眼底影像由RGB颜色空间转换至LAB颜色空间,然后在LAB颜色空间进行均值校准,之后转回RGB(Red Green Blue,红绿蓝)颜色空间而获取得到的。亮度归一化是指:通过将图像由RGB颜色空间转换到HSI(Hue SaturationIntensity,色调、色饱和度、亮度)颜色空间,然后对其每个通道进行均值校准,并且在校准后转回至RGB颜色空间而得。尺寸归一化是指将眼底影像通过重采样,使得图像的尺寸都在一个统一的范围内。
S14:对归一化处理后的图像执行增强处理,得到预处理后的眼底图像。
图像增强处理是指在ROI区域内,使用限制对比度的自适应直方图均衡(ContrastLimited Adaptive Histgram Equalization,CLAHE)算法对图像进行增强处理。
在血管分割前,首先眼底图像进行ROI(Region Of Interest,感兴趣区域)提取、去噪、归一化以及增强等一系列眼底图像预处理,从而提高后续血管提取的稳定性。
以上仅是作为举例的一种预处理方法,但不以此为限,其他预处理方法也能应用于本实施例中。
图4是本发明实施例的眼底血管分割处理的流程图;图5是本发明实施例的眼底血管分割处理作为一个举例的处理过程图像。图5(a)是原图,图5(b)是眼底血管分割图。基于眼底影像预处理获得的图像进行血管分割,主要包括样本标注、模型训练以及血管特征分割三个步骤。如图4和图5所示,步骤S2具体包括:
S21:利用眼底血管的颜色和形态学特征对预处理后的眼底图像进行阈值分割,获得初始眼底血管分割图像,对初始眼底血管分割图像进行校正,获得最终样本图像;
具体地,本步骤首先利用血管的颜色和形态学特征进行阈值分割,从而获得初始眼底血管分割图像,之后对该初始眼底血管分割图像进行校正,从而获得最终样本图像。
S22:基于最终样本图像,采用语义分割网络进行模型训练,输出与训练的最终样本图像同样大小的置信概率图;
模型训练:基于标注的样本图像,采用例如resnet101-unet语义分割网络进行模型训练,最终输出与训练图像同样大小的置信概率图,之后获得血管分割图像。
S23:根据设定的阈值,将置信概率图转换成二值图像。
S24:根据二值图像,得到包含眼底血管区域的眼底血管分割图像。
具体地,该血管分割步骤中利用训练好的模型进行血管的分割提取。
以上仅是血管分割方法的一个举例,本发明对于血管分割以及血管中心线的确定方法均不作具体限定。
图6是本发明实施例的确定描述眼底血管形态特征的多个参数的流程图。如图6所示,步骤S31具体包括:
根据分割处理获得的眼底血管分割图像,从眼底血管分割图像中确定眼底动脉图像和眼底静脉图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据眼底动脉血管图像确定与眼底动脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据眼底静脉血管图像确定与眼底静脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第一组形态参数。
其中,眼底血管分形维数包括如下中的任意一个或多个:Hausdorff维数、相似维数、计盒维数、容量维数、关联维数和信息维数。所有形态参数都可以区分动脉形态参数和静脉形态参数。
具体地,分形维数计算可包括:总体分形维数、动脉分形维数和静脉分形维数。分形维数是描述分形最主要的参量,其反映了复杂形体占有空间的有效性,是复杂形体不规则形的量度。分形维数反映了图形的形态学特征,本发明实施例中通过计算眼底血管的计盒维数来表示血管分形特征,其能够一定程度上反映血管的延展程度和覆盖范围,从整体上客观的反映了血管的复杂和丰富程度。
图7是本发明实施例作为一个举例的计盒维数的计算过程图。如图7所示,首先将眼底图像进行网格化,每次在眼底图像上形成具有相同边长(εi)的多个网格,其中i是正整数,其取值范围是1到n;检测在具有相同边长(εi)的多个网格中,与眼底血管存在交集的网格数量(Ni);重复执行上述处理,直到获得边长(εn)的网格对应的网格数量(Nn);然后将每次操作处理获得的与眼底血管存在交集的网格数量(Ni)与本次操作对应的网格的边长的倒数(εi)在对数下拟合直线,所得的直线斜率即为计盒维数。
例如在图7中示例性绘出了边长值依次增加的五个网格,分别是边长值为ε1、ε2、ε3、ε4、ε5对应的网格,每次在眼底图像上形成具有相同边长(εi)的多个网格,计算在每一相应边长(ε1、ε2、ε3、ε4、ε5)的多个网格中,与眼底血管存在交集的网格数量(N),即分别对应为N1,N2,N3,N4,N5。其中,每改变网格的边长(ε),并取得与眼底血管存在交集的网格数量(N)记为一次操作。
如图7所示,不同颜色或边长值的矩形框代表不同边长的网格,可以看出,随着网格边长的改变,网格与眼底血管交集情况也随之改变。将每次操作处理获得的与眼底血管存在交集的网格数量(N)与本次操作对应的网格的边长的倒数(ε)在对数下拟合直线,所得的直线斜率即为计盒维数,用公式则表示为:
血管间隙度:
Λ表示平均血管间隙度,其中σ为给定大小ε下每个网格像素的像素值的标准差,μ为给定大小ε下每个网格所有像素的像素值的平均值,n为网格大小(网格边长)的数量。
分形维数:被誉为大自然的几何学的分形(Fractal)理论,反映了复杂形体占有空间的有效性,它是复杂形体不规则性的量度,也叫做分维,直线的分形维数为1,矩形平面的分形维数是2,三维图形的分形维数是3。对此,本发明实施例将分形维数的概念引入眼底血管,用以表示眼底血管的一个特征。在本发明实施例中可采用的分形维数有以下几种计算方式:Hausdorff维数、相似维数、计盒维数、容量维数、关联维数和信息维数。
在进一步的实施例中,步骤S31中根据分割处理获得的眼底血管分割图像,确定ROI内部任意目标子区域对应的第一组形态参数,具体包括:
S311:以视盘或黄斑为参考,从眼底血管分割图像中提取视盘或黄斑周围预设区域内的眼底血管分割图像,根据预设区域内的眼底血管分割图像确定预设区域对应的第一组形态参数;或者,
S312:根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域对应的第一组形态参数。
在进一步的实施例中,步骤S311具体包括:
以视盘或黄斑为参考,从眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据所述视盘或黄斑周围预设区域内的眼底动脉血管图像,确定预设区域对应的与眼底动脉血管相关联的第一组形态参数;
根据所述视盘或黄斑周围预设区域内的眼底静脉血管图像,确定预设区域对应的与眼底静脉血管相关联的第一组形态参数;
在进一步的实施例中,步骤S312具体包括:
根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;
从所述选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从所述选定子区域中提取的眼底动脉血管图像,确定所述选定子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据从所述选定子区域中提取的眼底静脉血管图像,确定所述选定子区域对应的与眼底静脉血管相关联的第一组形态参数。
在一些实施例中,步骤S3还可以包括:
S32:根据分割处理获得的眼底血管分割图像,确定眼底血管中心线,或者基于预处理后的眼底图像,获取眼底血管中心线;根据眼底血管中心线确定眼底血管第二组形态参数或者ROI内部任意目标子区域对应的第二组形态参数;
其中,所述第二组形态参数包括眼底血管分形维数、眼底血管长度、眼底血管密度、眼底血管间隙度中的任意多个。
在一些实施例中,步骤S32具体包括:
根据分割处理获得的眼底血管分割图像,从眼底血管分割图像中确定眼底动脉血管图像和眼底静脉血管图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据眼底动脉血管图像确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取眼底动脉血管中心线,根据眼底动脉血管中心线确定与眼底动脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据眼底静脉血管图像确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取眼底静脉血管中心线,根据眼底静脉血管中心线确定与眼底静脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第二组形态参数。
在一些实施例中,步骤S32中根据所述眼底血管中心线确定的眼底血管第二组形态参数或者ROI内部任意目标子区域对应的第二组形态参数,具体包括:
S321:以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底血管分割图像;根据所述视盘或黄斑周围预设区域内的眼底血管分割图像,确定预设区域内的眼底血管中心线,或者基于预处理后的预设区域内的眼底图像,获取预设区域内的眼底血管中心线;根据预设区域内的眼底血管中心线,确定预设区域对应的第二组形态参数;或者,
S322:根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;根据所述选定子区域内的眼底血管分割图像,确定选定子区域内的眼底血管中心线,根据选定子区域内的眼底血管中心线,确定选定子区域对应的第二组形态参数。
在一些实施例中,步骤S321具体可以包括:
以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据所述视盘或黄斑周围预设区域内的眼底动脉血管图像,确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底动脉血管中心线;根据预设区域内的眼底动脉血管中心线,确定预设区域对应的与眼底动脉血管相关联的第二组参数;
根据所述视盘或黄斑周围预设区域内的眼底静脉血管图像,确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底静脉血管中心线;根据预设区域内的眼底静脉血管中心线,确定预设区域对应的与眼底静脉血管相关联的第二组参数;
在一些实施例中,步骤S322具体可以包括:
根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;
从所述选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从所述选定子区域中提取的眼底动脉血管图像,确定选定子区域内的眼底动脉血管中心线,根据选定子区域内的眼底动脉血管中心线,确定所述选定子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据从所述选定子区域中提取的眼底静脉血管图像,确定选定子区域内的眼底静脉血管中心线,根据选定子区域内的眼底静脉血管中心线,确定所述选定子区域对应的与眼底静脉血管相关联的第二组形态参数。
具体地,关于眼底血管长度占比的确定方法如下:
获得眼底血管分割图像中所有眼底血管的长度之和,作为第一眼底血管总长度;
获得预设区域内的所有眼底血管的长度之和,作为第二眼底血管总长度;
根据第二眼底血管总长度与第一眼底血管总长度的比值,确定预设区域内的眼底血管对应的眼底血管长度占比。
具体地,关于动脉血管对应的眼底血管长度占比的确定方法如下:
获得眼底血管分割图像中所有眼底动脉血管的长度之和,作为第一动脉血管总长度;
获得预设区域内的所有眼底动脉血管的长度之和,作为第二动脉血管总长度;
根据第二动脉血管总长度与第一动脉血管总长度的比值,确定预设区域内的动脉血管对应的眼底血管长度占比。
具体地,关于静脉血管对应的眼底血管长度占比的确定方法如下:
获得眼底血管分割图像中所有眼底静脉血管的长度之和,作为第一静脉血管总长度;
获得预设区域内的所有眼底静脉血管的长度之和,作为第二静脉血管总长度;
根据第二静脉血管总长度与第一静脉血管总长度的比值,确定预设区域内的静脉血管对应的眼底血管长度占比。
在进一步的实施例中,根据分割处理获得的眼底血管分割图像,确定眼底血管分形维数,具体包括:
(1)首先将眼底图像进行网格化,每次在眼底图像上形成具有相同边长(εi)的多个网格,其中i是正整数,其取值范围是1到n;
(2)检测在具有相同边长(εi)的多个网格中,与眼底血管存在交集的网格数量(Ni);
(3)重复执行步骤(2)的处理,直到获得边长(εn)的网格对应的网格数量(Nn);
(4)然后将每次操作处理获得的与眼底血管存在交集的网格数量(Ni)与本次操作对应的网格的边长的倒数(εi)在对数下拟合直线,所得的直线斜率即为计盒维数。
具体地,本步骤计算眼底血管的面积与眼底面积的比值,从而得血管密度。本发明实施例可计算任意区域的面积,以及在该任意区域内的血管密度。血管密度的获得依赖于区域面积,区域面积的计算可以由现成的算子得到的。
在一些实施例中,眼底血管面密度的计算方式如下:
(1)提取眼底图像的感兴趣区域ROI;
(2)对得到的预处理后的眼底图像进行阈值分割,得到眼底血管区域;
(3)计算眼底血管区域的面积;
(4)计算感兴趣区域ROI的面积;
(5)根据如下公式得到血管面密度:
血管面密度=眼底血管区域的面积/感兴趣区域ROI的面积。
预设区域血管面密度=预设区域眼底血管面积/预设区域的眼底面积;
预设区域动脉血管面密度=预设区域眼底动脉血管面积/预设区域的眼底面积;
预设区域静脉血管面密度=预设区域眼底静脉血管面积/预设区域的眼底面积。
在一些实施例中,眼底血管线密度计算方式如下:
(1)提取眼底图像的感兴趣区域ROI;
(2)对得到的预处理后的眼底图像进行阈值分割,得到眼底血管区域;
(3)将眼底血管区域分离得到每条独立的血管;
(4)对每条血管进行形态学操作获取血管骨架线,记为血管线;
(5)计算每条血管线的长度,进而得到ROI区域内所有血管线总长度;
(6)计算感兴趣区域ROI的面积;
(7)根据如下公式得到血管线密度:
血管线密度=ROI区域内所有血管线总长度/感兴趣区域ROI的面积。
预设区域血管线密度=预设区域眼底血管总长度/预设区域的眼底面积;
预设区域动脉血管线密度=预设区域眼底动脉血管总长度/预设区域的眼底面积;
预设区域静脉血管线密度=预设区域眼底静脉血管总长度/预设区域的眼底面积。
在一些实施例中,某条眼底血管长度的计算方式如下:
(1)提取本条眼底血管的中心线;
(2)对得到的眼底血管中心线进行平滑处理;
(3)计算平滑处理后的中心线的长度,即为当前眼底血管的长度。
本发明实施例通过对人体眼底血管进行自动识别和分割,并区分动静脉,之后计算分形维数、血管密度、血管长度等指标,用以综合反映血管形态特征。本发明实施例用数字化的语言从各个角度综合描述血管的形态特征,从而精细掌握眼底血管形态情况,有利于眼底血管结构的异常评估和变化进展的精细评估。
实施例二
图8是本发明实施例的一种眼底血管形态特征评估的装置的框图。如图8所示,该装置400包括:
眼底图像预处理模块410,用于对眼底图像进行预处理,获得预处理后的眼底图像;
眼底血管分割处理模块420,用于对预处理后的眼底图像进行血管分割处理,得到眼底血管分割图像;
眼底血管形态特征参数确定模块430,用于根据分割处理获得的眼底血管分割图像,确定描述眼底血管形态特征的多个参数。
在一些实施例中,眼底图像预处理模块410,具体用于根据眼底图像确定感兴趣区域ROI;
眼底血管形态特征参数确定模块430具体包括:
第一组形态参数确定子模块432,用于根据分割处理获得的眼底血管分割图像,确定眼底血管第一组形态参数或者ROI内部任意目标子区域对应的第一组形态参数;
其中,第一组形态参数包括:眼底血管分形维数、眼底血管面积、眼底血管密度、眼底血管面积占比和眼底血管间隙度中的任意多个。
在一些实施例中,第一组形态参数确定子模块432,具体用于:
根据分割处理获得的眼底血管分割图像,从眼底血管分割图像中确定眼底动脉图像和眼底静脉图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据眼底动脉血管图像确定与眼底动脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据眼底静脉血管图像确定与眼底静脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第一组形态参数。
在一些实施例中,第一组形态参数确定子模块432,具体包括:
第一预设区域形态参数确定单元,用于以视盘或黄斑为参考,从眼底血管分割图像中提取视盘或黄斑周围预设区域内的眼底血管分割图像,根据预设区域内的眼底血管分割图像确定预设区域对应的第一组形态参数;或者,
第一选定子区域形态参数确定单元,用于根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域对应的第一组形态参数。
在一些实施例中,第一预设区域形态参数确定单元,具体用于:
以视盘或黄斑为参考,从眼底血管分割图像中提取视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据视盘或黄斑周围预设区域内的眼底动脉血管图像,确定预设区域对应的与眼底动脉血管相关联的第一组形态参数;
根据视盘或黄斑周围预设区域内的眼底静脉血管图像,确定预设区域对应的与眼底静脉血管相关联的第一组形态参数;
在一些实施例中,第一选定子区域形态参数确定单元,具体用于:
根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;
从选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从选定子区域中提取的眼底动脉血管图像,确定选定子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据从选定子区域中提取的眼底静脉血管图像,确定选定子区域对应的与眼底静脉血管相关联的第一组形态参数。
其中,眼底血管面积占比的确定方法如下:
获得眼底血管分割图像中所有眼底血管的面积之和,作为第一眼底血管总面积;
获得视盘或黄斑周围预设区域内的眼底血管分割图像中的眼底血管的面积之和,作为第二眼底血管总面积;
以第二眼底血管总面积与第一眼底血管总面积的比值,确定为视盘或黄斑周围预设区域内的眼底血管面积占比。其中,眼底动脉血管面积占比的确定方法如下:
获得眼底血管分割图像中所有眼底动脉血管的面积之和,作为第一眼底动脉血管总面积;
获得视盘或黄斑周围预设区域内的眼底动脉血管图像中的眼底动脉血管的面积之和,作为第二眼底动脉血管总面积;
以第二眼底动脉血管总面积与第一眼底动脉血管总面积的比值,确定为视盘或黄斑周围预设区域内的眼底动脉血管面积占比。
其中,眼底静脉血管面积占比的确定方法如下:
获得眼底血管分割图像中所有眼底静脉血管的面积之和,作为第一眼底静脉血管总面积;
获得视盘或黄斑周围预设区域内的眼底静脉血管图像中的眼底静脉血管的面积之和,作为第二眼底静脉血管总面积;
以第二眼底静脉血管总面积与第一眼底静脉血管总面积的比值,确定为视盘或黄斑周围预设区域内的眼底静脉血管面积占比。
在一些实施例中,眼底血管形态特征参数确定模块430还包括第二组形态参数确定子模块434,具体用于:根据分割处理获得的眼底血管分割图像,确定眼底血管中心线,或者基于预处理后的眼底图像,获取眼底血管中心线;根据眼底血管中心线确定第二组形态参数或者ROI内部任意目标子区域对应的第二组形态参数;
其中,第二组形态参数包括眼底血管分形维数、眼底血管长度、眼底血管密度、眼底血管间隙度中的任意多个。
在一些实施例中,第二组形态参数确定子模块434具体用于:
根据分割处理获得的眼底血管分割图像,从眼底血管分割图像中确定眼底动脉血管图像和眼底静脉血管图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据眼底动脉血管图像确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取眼底动脉血管中心线,根据眼底动脉血管中心线确定与眼底动脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据眼底静脉血管图像确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取眼底静脉血管中心线,根据眼底静脉血管中心线确定与眼底静脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第二组形态参数。
在一些实施例中,第二组形态参数确定子模块434,具体包括:
第二预设区域形态参数确定单元,用于以视盘或黄斑为参考,从眼底血管分割图像中提取视盘或黄斑周围预设区域内的眼底血管分割图像;根据视盘或黄斑周围预设区域内的眼底血管分割图像,确定预设区域内的眼底血管中心线,或者基于预处理后的预设区域内的眼底图像,获取预设区域内的眼底血管中心线;根据预设区域内的眼底血管中心线,确定预设区域对应的第二组形态参数;或者,
第二选定子区域形态参数确定单元,用于根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;根据选定子区域内的眼底血管分割图像,确定选定子区域内的眼底血管中心线,根据选定子区域内的眼底血管中心线,确定选定子区域对应的第二组形态参数。
在一些实施例中,第二预设区域形态参数确定单元,具体用于:
以视盘或黄斑为参考,从眼底血管分割图像中提取视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据视盘或黄斑周围预设区域内的眼底动脉血管图像,确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底动脉血管中心线;根据预设区域内的眼底动脉血管中心线,确定预设区域对应的与眼底动脉血管相关联的第二组参数;
根据视盘或黄斑周围预设区域内的眼底静脉血管图像,确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底静脉血管中心线;根据预设区域内的眼底静脉血管中心线,确定预设区域对应的与眼底静脉血管相关联的第二组参数;
在一些实施例中,第二选定子区域形态参数确定单元,具体用于:
根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域;
从选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从选定子区域中提取的眼底动脉血管图像,确定选定子区域内的眼底动脉血管中心线,根据选定子区域内的眼底动脉血管中心线,确定选定子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据从选定子区域中提取的眼底静脉血管图像,确定选定子区域内的眼底静脉血管中心线,根据选定子区域内的眼底静脉血管中心线,确定选定子区域对应的与眼底静脉血管相关联的第二组形态参数。
在一些实施例中,眼底图像预处理模块410,具体可以用于:提取眼底图像的感兴趣区域ROI;对ROI执行去噪处理;对去噪处理后的图像执行归一化处理;对归一化处理后的图像执行增强处理,得到预处理后眼底图像。
在一些实施例中,眼底血管分割处理模块420,具体可以用于:
利用眼底血管的颜色和形态学特征对预处理后的眼底图像进行阈值分割,获得初始眼底血管分割图像,对初始眼底血管分割图像进行校正,获得最终样本图像;
基于最终样本图像,采用语义分割网络进行模型训练,通过训练好的模型进行前向处理,输出与训练的最终样本图像同样大小的置信概率图;
根据设定的阈值,将置信概率图转换成二值图像;
根据二值图像,得到眼底血管区域和眼底血管分割图像。
在一些实施例中,基于如下方式确定眼底血管面密度:
提取眼底图像的感兴趣区域ROI;
对得到的预处理后的眼底图像进行阈值分割,得到眼底血管区域;
计算眼底血管区域的面积;
计算感兴趣区域ROI的面积;
根据如下公式得到血管面密度:血管面密度=眼底血管区域的面积/感兴趣区域ROI的面积。
预设区域血管面密度=预设区域眼底血管面积/预设区域的眼底面积;
预设区域动脉血管面密度=预设区域眼底动脉血管面积/预设区域的眼底面积;
预设区域静脉血管面密度=预设区域眼底静脉血管面积/预设区域的眼底面积。
在一些实施例中,基于如下方式确定眼底血管线密度:
提取眼底图像的感兴趣区域ROI;
对得到的预处理后的眼底图像进行阈值分割,得到眼底血管区域;
将眼底血管区域分离得到每条独立的血管;
对每条血管进行形态学操作获取血管骨架线,记为血管线;
计算每条血管线的长度,进而得到感兴趣区域ROI内所有血管线总长度;
计算感兴趣区域ROI的面积;
根据如下公式得到血管线密度:血管线密度=感兴趣区域ROI内所有血管线总长度/感兴趣区域ROI的面积。
预设区域血管线密度=预设区域眼底血管总长度/预设区域的眼底面积;
预设区域动脉血管线密度=预设区域眼底动脉血管总长度/预设区域的眼底面积;
预设区域静脉血管线密度=预设区域眼底静脉血管总长度/预设区域的眼底面积。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例三
如图9所示,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,该计算机程序被处理器执行时,实现上述任意一种眼底血管形态特征评估的方法。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
实施例四
图10是本发明实施例的一种计算机设备的功能框图。本发明实施例还提供一种计算机设备,请参考图10,在硬件层面,该计算机设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-AccessMemory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该计算机设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是工业标准体系结构ISA总线、外设部件互连标准PCI总线或扩展工业标准结构EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行。处理器,执行存储器所存放的程序,并具体用于执行图1至图7所示实施例揭示的眼底血管形态特征评估的方法。
上述眼底血管形态特征指标测量方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
当然,除了软件实现方式之外,本发明的计算机设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本发明提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。
本发明是参照根据本发明实施例的方法、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指定的功能的装置。
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指定的功能。
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指定的功能的步骤。
需要说明的是,在本发明实施例中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、计算机设备及可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种眼底血管形态特征评估的方法,其特征在于,所述方法包括:
S1:对眼底图像进行预处理,获得预处理后的眼底图像;
S2:对预处理后的眼底图像进行血管分割处理,得到眼底血管分割图像;
S3:根据所述眼底血管分割图像,确定描述眼底血管形态特征的多个参数。
2.根据权利要求1所述的方法,其特征在于,在步骤S1中还根据所述眼底图像确定感兴趣区域ROI,步骤S3包括:
S31:根据分割处理获得的所述眼底血管分割图像,确定眼底血管第一组形态参数或者ROI内部任意目标子区域对应的第一组形态参数;
其中,所述第一组形态参数包括:眼底血管分形维数、眼底血管面积、眼底血管密度、眼底血管面积占比和眼底血管间隙度中的任意多个。
3.根据权利要求2所述的方法,其特征在于,步骤S31具体包括:
根据所述眼底血管分割图像,从所述眼底血管分割图像中确定眼底动脉图像和眼底静脉图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据所述眼底动脉血管图像确定与眼底动脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据所述眼底静脉血管图像确定与眼底静脉血管相关联的第一组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第一组形态参数。
4.根据权利要求2所述的方法,其特征在于,步骤S31中根据分割处理获得的所述眼底血管分割图像,确定ROI内部任意目标子区域对应的第一组形态参数,具体包括:
S311:以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底血管分割图像,根据预设区域内的眼底血管分割图像确定预设区域对应的第一组形态参数;或者,
S312:根据用户选定的多个血管分支点,确定包括多个血管分支点的选定子区域对应的第一组形态参数。
5.根据权利要求4所述的方法,其特征在于,
步骤S311具体包括:
以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据所述视盘或黄斑周围预设区域内的眼底动脉血管图像,确定预设区域对应的与眼底动脉血管相关联的第一组形态参数;
根据所述视盘或黄斑周围预设区域内的眼底静脉血管图像,确定预设区域对应的与眼底静脉血管相关联的第一组形态参数;
步骤S312具体包括:
根据用户选定的多个血管分支点,确定包括所述多个血管分支点的选定子区域;
从所述选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从所述选定子区域中提取的眼底动脉血管图像,确定所述选定子区域对应的与眼底动脉血管相关联的第一组形态参数;
根据从所述选定子区域中提取的眼底静脉血管图像,确定所述选定子区域对应的与眼底静脉血管相关联的第一组形态参数。
6.根据权利要求1所述的方法,其特征在于,步骤S3还包括:
S32:根据分割处理获得的所述眼底血管分割图像,确定眼底血管中心线,或者基于预处理后的眼底图像,获取眼底血管中心线;根据所述眼底血管中心线确定第二组形态参数或者ROI内部任意目标子区域对应的第二组形态参数;
其中,所述第二组形态参数包括眼底血管分形维数、眼底血管长度、眼底血管密度和眼底血管间隙度中的任意多个。
7.根据权利要求6所述的方法,其特征在于,步骤S32具体包括:
根据分割处理获得的所述眼底血管分割图像,从所述眼底血管分割图像中确定眼底动脉血管图像和眼底静脉血管图像;或者,基于预处理后的眼底图像直接识别确定眼底动脉图像和眼底静脉图像;
根据眼底动脉血管图像确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取眼底动脉血管中心线,根据眼底动脉血管中心线确定与眼底动脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据眼底静脉血管图像确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取眼底静脉血管中心线,根据眼底静脉血管中心线确定与眼底静脉血管相关联的第二组形态参数,或者ROI内部任意目标子区域对应的与眼底静脉血管相关联的第二组形态参数。
8.根据权利要求6所述的方法,其特征在于,步骤S32中根据所述眼底血管中心线确定第二组形态参数或者ROI内部任意目标子区域对应的第二组形态参数,具体包括:
S321:以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底血管分割图像;根据所述视盘或黄斑周围预设区域内的眼底血管分割图像,确定预设区域内的眼底血管中心线,或者基于预处理后的预设区域内的眼底图像,获取预设区域内的眼底血管中心线;根据预设区域内的眼底血管中心线,确定预设区域对应的第二组形态参数;或者,
S322:根据用户选定的多个血管分支点,确定包括所述多个血管分支点的选定子区域;根据所述选定子区域内的眼底血管分割图像,确定所述选定子区域内的眼底血管中心线,根据所述选定子区域内的眼底血管中心线,确定所述选定子区域对应的第二组形态参数。
9.根据权利要求8所述的方法,其特征在于,
步骤S321具体包括:
以视盘或黄斑为参考,从所述眼底血管分割图像中提取所述视盘或黄斑周围预设区域内的眼底动脉血管图像和眼底静脉血管图像;
根据所述视盘或黄斑周围预设区域内的眼底动脉血管图像,确定眼底动脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底动脉血管中心线;根据预设区域内的眼底动脉血管中心线,确定预设区域对应的与眼底动脉血管相关联的第二组参数;
根据所述视盘或黄斑周围预设区域内的眼底静脉血管图像,确定眼底静脉血管中心线,或者基于预处理后的眼底图像,获取预设区域内的眼底静脉血管中心线;根据预设区域内的眼底静脉血管中心线,确定预设区域对应的与眼底静脉血管相关联的第二组参数;
步骤S322具体包括:
根据用户选定的多个血管分支点,确定包括所述多个血管分支点的选定子区域;
从所述选定子区域中提取眼底动脉血管图像和眼底静脉血管图像;
根据从所述选定子区域中提取的眼底动脉血管图像,确定所述选定子区域内的眼底动脉血管中心线,根据所述选定子区域内的眼底动脉血管中心线,确定所述选定子区域对应的与眼底动脉血管相关联的第二组形态参数;
根据从所述选定子区域中提取的眼底静脉血管图像,确定所述选定子区域内的眼底静脉血管中心线,根据所述选定子区域内的眼底静脉血管中心线,确定所述选定子区域对应的与眼底静脉血管相关联的第二组形态参数。
10.一种眼底血管形态特征评估的装置,其特征在于,所述装置包括:
眼底图像预处理模块,用于对眼底图像进行预处理,获得预处理后的眼底图像;
眼底血管分割处理模块,用于对所述眼底图像进行血管分割处理,得到眼底血管分割图像;
眼底血管形态特征指标确定模块,用于根据所述眼底血管分割图像,确定描述眼底血管形态特征的多个参数。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任意一项所述的一种眼底血管形态特征评估的方法。
12.一种计算机设备,其特征在于,其包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-9中任意一项所述的一种眼底血管形态特征评估的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835829.8A CN115100178A (zh) | 2022-07-15 | 2022-07-15 | 一种眼底血管形态特征评估的方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835829.8A CN115100178A (zh) | 2022-07-15 | 2022-07-15 | 一种眼底血管形态特征评估的方法、装置、介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100178A true CN115100178A (zh) | 2022-09-23 |
Family
ID=83298689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210835829.8A Pending CN115100178A (zh) | 2022-07-15 | 2022-07-15 | 一种眼底血管形态特征评估的方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100178A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和*** |
-
2022
- 2022-07-15 CN CN202210835829.8A patent/CN115100178A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和*** |
CN117197096B (zh) * | 2023-09-13 | 2024-02-20 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416344B (zh) | 眼底彩照视盘与黄斑定位识别方法 | |
CN111340789A (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
Yang-Mao et al. | Edge enhancement nucleus and cytoplast contour detector of cervical smear images | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
Hsu et al. | Chronic wound assessment and infection detection method | |
Nguyen et al. | An automated method for retinal arteriovenous nicking quantification from color fundus images | |
Abdullah et al. | A new and effective method for human retina optic disc segmentation with fuzzy clustering method based on active contour model | |
CN113344894B (zh) | 眼底豹纹斑特征提取及特征指数确定的方法和装置 | |
JP7305046B2 (ja) | 画像分類方法及び装置並びに機器 | |
Cavalcanti et al. | Macroscopic pigmented skin lesion segmentation and its influence on lesion classification and diagnosis | |
Koprowski et al. | Fully automatic algorithm for the analysis of vessels in the angiographic image of the eye fundus | |
Su et al. | Detection of tubule boundaries based on circular shortest path and polar‐transformation of arbitrary shapes | |
CN113470102A (zh) | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 | |
CN108804549B (zh) | 基于医学图像特征权重调整的眼底造影图像检索方法 | |
Martinez-Perez et al. | Automatic optic disc detection in colour fundus images by means of multispectral analysis and information content | |
CN112734828A (zh) | 一种眼底血管中心线确定的方法、装置、介质和设备 | |
Mustafa et al. | Segmentation based on morphological approach for enhanced malaria parasites detection | |
e Silva et al. | Automatic measurement of pressure ulcers using support vector machines and grabcut | |
CN115100178A (zh) | 一种眼底血管形态特征评估的方法、装置、介质和设备 | |
KR101590483B1 (ko) | 형태학적 연산을 이용한 이미지 분할 처리방법 | |
Welikala et al. | The automated detection of proliferative diabetic retinopathy using dual ensemble classification | |
Shih | A precise automatic system for the hair assessment in hair‐care diagnosis applications | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
Badeka et al. | Evaluation of LBP variants in retinal blood vessels segmentation using machine learning | |
Oprisescu et al. | Automatic pap smear nuclei detection using mean-shift and region growing |
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 |