[go: up one dir, main page]

CN111340789A - 眼底视网膜血管识别及量化方法、装置、设备及存储介质 - Google Patents

眼底视网膜血管识别及量化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111340789A
CN111340789A CN202010134390.7A CN202010134390A CN111340789A CN 111340789 A CN111340789 A CN 111340789A CN 202010134390 A CN202010134390 A CN 202010134390A CN 111340789 A CN111340789 A CN 111340789A
Authority
CN
China
Prior art keywords
blood vessel
arteriovenous
feature map
fundus image
segmentation
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
CN202010134390.7A
Other languages
English (en)
Other versions
CN111340789B (zh
Inventor
柳杨
王瑞
王立龙
吕彬
吕传峰
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010134390.7A priority Critical patent/CN111340789B/zh
Publication of CN111340789A publication Critical patent/CN111340789A/zh
Priority to PCT/CN2020/099538 priority patent/WO2021169128A1/zh
Application granted granted Critical
Publication of CN111340789B publication Critical patent/CN111340789B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种眼底视网膜血管识别及量化方法、装置、设备及存储介质，其中方法包括：将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到目标特征图；基于目标特征图进行视盘分割；对原始眼底图像进行分割，获取动静脉血管识别结果；基于视盘分割结果进行感兴趣区域定位；根据动静脉血管识别结果提取血管中心线，检测血管中心线中的关键点，去除关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正；基于提取出的血管中心线，获取类别信息修正后的各血管段的血管直径，然后对感兴趣区域内的动静脉血管进行量化。本申请实施例有利于提高眼底视网膜动静脉血管识别精度，进而提高量化精度。

Description

眼底视网膜血管识别及量化方法、装置、设备及存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种眼底视网膜血管识别及量化方法、装置、设备及存储介质。
背景技术
眼底视网膜动静脉血管一直是医学研究的重点领域，尤其是距离视盘中心1pd-1.5pd(Papillary Diameter，视盘直径)范围内的眼底视网膜动静脉血管，二者的管径比或形态的变化是许多系统性和血液性疾病早期诊断的依据，例如心血管疾病、糖尿病、高血压等。计算眼底视网膜动静脉血管的管径比需要对动静脉血管进行精确分类，传统的眼底视网膜诊断，是凭借医生观察眼底图像，通过自身医学经验得出诊断结果，这种方式耗时较长，且工作量大，动静脉血管的识别和分类受主观性影响较大。随着计算机图像处理技术的发展，目前利用眼底彩照进行眼底视网膜血管提取的较多，由于眼底彩照具有亮度不均匀、血管及背景色彩交错复杂、动静脉差别小等特点，给动静脉血管识别和分类造成一定困难，而现有动静脉血管自动识别的研究主要依据色彩或血管的部分结构实现了局部动静脉血管识别，但其识别精度仍然有限，进而导致量化精度较低。
发明内容
针对上述问题，本申请提供了一种眼底视网膜血管识别及量化方法、装置、设备及存储介质，有利于提高眼底视网膜动静脉血管识别精度，进而提高量化精度。
为实现上述目的，本申请实施例第一方面提供了一种眼底视网膜血管识别及量化方法，该方法包括：
将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；
基于所述目标特征图进行视盘分割，获得视盘分割结果；
采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；
基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；
根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；
基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。
结合第一方面，在一种可能的实施方式中，所述将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图，包括：
将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图；
将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图。
结合第一方面，在一种可能的实施方式中，所述将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图，包括：
对所述原始眼底图像进行卷积处理以提取关键特征，得到与所述原始眼底图像尺寸相同的特征图；
对经过卷积处理得到的特征图进行最大池化操作，逐层缩小特征图尺寸，经过若干卷积层和池化层的交替处理得到所述高维特征图；
所述将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图，包括：
对所述高维特征图进行上采样操作，逐层放大所述高维特征图尺寸；
通过跳跃连接层将编码阶段每个网络层提取的低维特征与解码阶段对称提取的高维特征进行合并，得到每个网络层的初始特征图，所述每个网络层的初始特征图尺度不同；
通过每个网络层的输出分支对所述每个网络层的初始特征图进行输出得到多个尺度的目标特征图，所述每个网络层的输出分支中加入有注意力机制。
结合第一方面，在一种可能的实施方式中，所述基于所述目标特征图进行视盘分割，获得视盘分割结果，包括：
将所述目标特征图进行融合以得到待分割图像；
对所述待分割图像进行候选框回归处理，以从所述待分割图像中定位视盘位置，并输出视盘的边界框信息；
根据视盘的边界框信息裁剪出标定的视盘区域图像块输入预训练的U型分割网络中，经过特征提取和上采样操作输出视盘分割结果。
结合第一方面，在一种可能的实施方式中，
所述采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果，包括：
提取所述原始眼底图像的绿色通道图像，对所述绿色通道图像做直方图均衡化处理，得到对比度增强的绿色通道图像；
将所述对比度增强的绿色通道图像切成多个眼底图像块；
将所述多个眼底图像块输入预设级联分割网络模型进行分割，获取动静脉血管识别结果。
结合第一方面，在一种可能的实施方式中，
所述采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，包括：
以血管中心点为圆心，在像素范围40*40大小的矩形区域内进行遍历，寻找距离动静脉类别信息修正后的各血管段中心线距离最近的边界点，以所述距离最近的边界点与血管中心点的距离为半径r，得到动静脉类别信息修正后的各血管段的血管直径2r。
结合第一方面，在一种可能的实施方式中，采用以下公式计算感兴趣区域内动脉血管和静脉血管的直径比值：
Figure BDA0002396000640000031
其中，AVR表示感兴趣区域内动脉血管和静脉血管的直径比值，CRAE表示视网膜中央动脉血管直径等效值，
Figure BDA0002396000640000032
Ai和Aj分别表示获取到的感兴趣区域最大动脉血管直径和最小动脉血管直径，0.88为固定系数；CRVE表示视网膜中央静脉血管直径等效值，
Figure BDA0002396000640000041
Vi和Vj分别表示获取到的感兴趣区域最大静脉血管直径和最小静脉血管直径，0.95为固定系数。
本申请实施例第二方面提供了一种眼底视网膜血管识别及量化装置，该装置包括：
特征提取模块，用于将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；
视盘分割模块，用于基于所述目标特征图进行视盘分割，获得视盘分割结果；
血管识别模块，用于采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；
区域定位模块，用于基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；
中心线提取模块，用于根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；
直径比计算模块，用于基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。
本申请实施例第三方面提供了一种电子设备，所述电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的眼底视网膜血管识别及量化方法中的步骤。
本申请实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的眼底视网膜血管识别及量化方法中的步骤。
本申请的上述方案至少包括以下有益效果：通过对原始眼底图像进行特征提取，得到多个尺度的目标特征图，基于得到的目标特征图进行视盘分割，获得视盘分割结果，采用预训练的级联分割网络模型对原始眼底图像进行分割，获得动静脉血管识别结果，基于视盘分割结果进行感兴趣区域定位，根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除该关键点得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，基于提取出的血管中心线，采用边界探测的方法获取类别信息修正后的各血管段的血管直径，根据获取的血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值，从而提高了眼底视网膜动静脉血管识别精度，进而提高量化精度。
附图说明
为了更清楚地说明本申请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，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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1为本申请实施例提供的一种应用架构图；
图2本申请实施例提供的一种眼底视网膜血管识别及量化方法的流程示意图；
图3为本申请实施例提供的一种视盘分割网络的结构示意图；
图4-a为本申请实施例提供的一种下采样的流程示意图；
图4-b为本申请实施例提供的一种U型卷积神经网络模型编码器部分的示例图；
图5-a为本申请实施例提供的一种上采样的流程示意图；
图5-b为本申请实施例提供的一种U型卷积神经网络模型解码器部分的示例图；
图6为本申请实施例提供的一种视盘分割的示例图；
图7为本申请实施例提供的一种级联分割网络模型的示例图；
图8为本申请实施例提供的一种U型分割网络期望输出区域A与实际输出区域B的示例图；
图9为本申请实施例提供的一种基于原始眼底图像进行动静脉血管识别的流程示意图；
图10为本申请实施例提供的一种切分眼底图像块的示例图；
图11-a为本申请实施例提供的一种感兴趣区域定位结果的示例图；
图11-b为本申请实施例提供的一种血管中心线的示例图；
图11-c为本申请实施例提供的一种血管中心线关键点检测的示例图；
图12为本申请实施例提供的一种眼底视网膜血管识别及量化装置的结构示意图；
图13为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同的对象，而并非用于描述特定的顺序。
首先结合相关附图来举例介绍下本申请实施例的方案可能应用到的网络系统架构。请参见图1，图1为本申请实施例提供的一种应用架构图，如图1所示，包括电子设备、图像采集设备和数据库，图像采集设备和数据库分别通过网络与电子设备连接通信，电子设备中包括处理器，该电子设备可以是任何能够实现本申请实施例提供的眼底视网膜血管识别及量化方法的设备，例如：医学研究室的超级计算机、医院检查室的电脑、服务器等。图像采集设备可以是任何能够采集眼底图像的设备，例如：彩色眼底相机等，一种应用场景中，在医院眼科检查室，当图像采集设备拍摄到被检查者的眼底图像后，通过网络向电子设备传输该眼底图像，电子设备执行本申请提供的眼底视网膜血管识别及量化方法对该眼底图像进行识别和量化，输出量化结果。数据库可以是本地数据库，也可以是外界数据库，所谓本地数据库即企业、医院、研究室等自己的数据库，所谓外界数据库即国内外公开常用的眼底图像数据库，例如：STARE(structured analysis of the retinal)数据库、DRIVE(digital retinal images for vessel extraction)数据库等等，另一种应用场景中，当研究室的工作人员需要对本申请提供的眼底视网膜血管识别及量化方法进行测试时，便可通过网络从数据库中获取用于测试的眼底图像，由电子设备执行测试操作。当然，在上述数据库是本地数据库时，图像采集设备可与数据库建立连接，将拍摄的眼底图像存储在数据库中。
请参见图2，图2为本申请实施例提供的一种眼底视网膜血管识别及量化方法的流程示意图，如图2所示，包括步骤S21-S27：
S21，获取原始眼底图像。
本申请具体实施例中，原始眼底图像可以是任何地方的图像采集设备实时采集的眼底图像，例如：医学实验室采集的实验对象的眼底图像、医院检查室采集的病人的眼底图像等等，当然，原始眼底图像还可以是DRIVE等开源数据库中的眼底图像，具体不作限定。
S22，将所述原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图。
本申请具体实施例中，图3为一种视盘分割网络的结构示意图，其中，该视盘分割网络的主体部分为左侧(从原始眼底图像的输入到目标特征图的输出)的U型卷积神经网络模型，除了最基本的输入层和输出层，该U型卷积神经网络模型包括多个隐藏层，多个隐藏层呈对称结构，构成U型卷积神经网络模型的编码器部分(下采样部分)和解码器部分(上采样部分)。
在一实施例中，所述将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图，包括：
A：将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图；
其中，如图4-a所示，步骤A包括：
S41，对所述原始眼底图像进行卷积处理以提取关键特征，得到与所述原始眼底图像尺寸相同的特征图；
S42，对经过卷积处理得到的特征图进行最大池化操作，逐层缩小特征图尺寸，经过若干卷积层和池化层的交替处理得到所述高维特征图。
本申请具体实施例中，关键特征即为表征能力较强的特征，例如：像素值较大的特征。如图4-b所示，原始眼底图像输入U型卷积神经网络模型的编码器部分，首先经过卷积层conv进行卷积处理，得到原始眼底图像初次卷积操作后与原始眼底图像尺寸相同的特征图，如图3中的C1，然后特征图C1经过最大池化层Max-pooling进行下采样最大池化操作，缩小特征图C1的尺寸得到特征图C2，特征图C2再经过卷积层conv和最大池化层Max-pooling的处理，得到特征图C3，如此经过卷积层conv和最大池化层Max-pooling的交替处理得到分辨率较低的高维特征图，形成一个从低维到高维的特征金字塔。其中，编码器部分的卷积处理可以采用3*3的卷积核，步长可以取2，最大池化操作时，特征图以预设倍数缩小尺寸，举例说明，若以2倍进行下采样，特征图C1的尺寸为48*48，经过一次最大池化操作后得到特征图C2，那么特征图C2的尺寸为24*24，同理特征图C3的尺寸为12*12。
B：将该高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图。
其中，如图5-a所示，步骤B包括：
S51，对该高维特征图进行上采样操作，逐层放大该高维特征图尺寸；
S52，通过跳跃连接层将编码阶段每个网络层提取的低维特征与解码阶段对称提取的高维特征进行合并，得到每个网络层的初始特征图，所述每个网络层的初始特征图尺度不同；
S53，通过每个网络层的输出分支对所述每个网络层的初始特征图进行输出得到多个尺度的目标特征图，所述每个网络层的输出分支中加入有注意力机制。
本申请具体实施例中，如图5-b所示，U型卷积神经网络模型的解码器部分对编码器部分下采样得到的高维特征图进行上采样操作，同样以预设倍数放大高维特征图的尺寸，如图3中的特征图P5经过一次上采样操作其被放大为特征图P4的尺寸，若特征图P5的原有尺寸为12*12，则特征图P4的尺寸为24*24，具体可通过常用的插值方法进行上采样，例如：最近邻插值、双线性插值、均值插值等，具体不作限定。在每次得到尺寸放大的高维特征图后，将同一网络层在编码阶段提取的低维特征图与对应高维特征图进行合并，例如图3中的特征图C2与特征图P2属于同一网络层在编码阶段和解码阶段对称提取的特征图，通过跳跃连接层(skip-connection)将C2与P2进行合并便得到该网络层的初始特征图，由于会有多个网络层的合并操作，因此，将得到多个尺度的初始特征图。此时，我们通过添加有注意力机制的输出分支对每个网络层的初始特征图进行输出，便得到多个尺度的目标特征图，其中，该注意力机制为SE模块，SE模块通过Squeeze操作、Excitation操作、Reweight操作完成在通道维度上对多个尺度的初始特征图的重标定，使输出的目标特征图的效果更好，可以很好地解决视盘边界不明确、视盘区域大小不一的问题。
S23，基于所述目标特征图进行视盘分割，获得视盘分割结果。
本申请具体实施例中，采用两阶段的视盘分割网络进行视盘分割，第一阶段采用U型卷积神经网络模型进行特征提取，第二阶段在第一阶段提取出的特征的基础上进行视盘分割。具体的，所述基于输出的所述目标特征图进行视盘分割，获得视盘分割结果，包括：将输出的所述目标特征图进行融合以得到待分割图像，对所述待分割图像进行候选框回归处理，以从所述待分割图像中定位视盘位置，并输出视盘的边界框信息，根据视盘的边界框信息裁剪出标定的视盘区域图像块输入预训练的U型分割网络中，经过特征提取和上采样操作输出视盘分割结果。
如图3所示，在U型卷积神经网络模型输出多个尺度的目标特征图后，对其进行融合得到分辨率较佳的待分割图像，待分割图像经过候选框回归模块ROI Align进行特征提取，根据提取出的特征图遍历每一个候选区域，且不对浮点数边界做量化，再如图6所示，将候选区域分割成n*n个矩形单元，且不对每个单元边界做量化，按照固定规则在每个矩形单元中确定四个坐标位置，采用双线性内插的方法计算出这四个位置的值，进行最大池化操作，得到图6右侧的特征图，然后经过Flatten模块进行压平处理，输出视盘的边界框box，根据视盘边界框box裁剪出视盘区域图像块，将裁剪出的视盘区域图像块输入U型分割网络中进行视盘分割，得到最终的视盘分割图像。两阶段的视盘分割模型设计有助于排除拍摄环境或拍摄技术不佳造成的眼底高亮噪声对视盘分割产生的干扰，获取精度更高的视盘分割结果。
S24，采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果。
本申请具体实施例中，通过级联分割网络模型进行动静脉血管分割和识别，为了使动静脉血管识别精度更高，如图7所示，此处采用三次U型分割网络级联的方式，分别为第一U型分割网络、第二U型分割网络和第三U型分割网络，每一U型分割网络的结构如图7下侧的放大图所示，左侧为特征提取部分，右侧为上采样部分，左侧采用2*2的最大池化，右侧采用2*2的逆卷积，且两侧均采用了3*3的卷积核进行特征提取，整个U型分割网络没有全连接层，只对必要的卷积层进行了连接。在整个级联分割网络模型的训练过程中，需要考虑每一U型分割网络的损失函数Dice Loss，首先计算Dice值，采用如下公式：
Figure BDA0002396000640000101
其中，如图8所示，Dice表示每一U型分割网络期望输出区域A与实际输出区域B之间的重叠度，smooth为平滑系数，默认设为1；根据Dice值计算每一U型分割网络的损失函数，采用公式：Lk＝Dice Loss＝1-Dice，Lk表示每一U型分割网络的损失函数值，最后，计算每一U型分割网络的损失函数Lk的加权平均和，以得到整个预设级联分割网络模型的损失值，采用如下公式：
Figure BDA0002396000640000102
其中，Loss表示整个预设级联分割网络模型的损失值，Lk表示每一U型分割网络的损失函数，K表示预设级联分割网络模型中U型分割网络的数量，这里K为3个。这里计算整个预设级联分割网络模型的损失值是为了指导预设级联分割网络模型进行优化训练，获取更准确的动静脉血管识别结果，Loss值越小表示级联分割网络模型的动静脉血管识别结果更精确。
在一实施例中，如图9所示，所述采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果，包括步骤S91-S93：
S91，提取所述原始眼底图像的绿色通道图像，对该绿色通道图像做直方图均衡化处理，得到对比度增强的绿色通道图像；
S92，将该对比度增强的绿色通道图像切成多个眼底图像块；
S93，将该多个眼底图像块输入预设级联分割网络模型进行分割，获取动静脉血管识别结果。
针对获取到的RGB格式的原始眼底图像，首先选取血管结构明显的绿色通道图像做直方图均衡化处理，增强对比度，之后如图10所示，采用切patch操作将对比度增强的绿色通道图切成Patch1、Patch2两个眼底图像块，然后将Patch1、Patch2两个眼底图像块输入预设级联分割网络模型进行分割，当然，实际操作中切出的眼底图像块数量要大得多，例如还有Patch3、Patch4、Patch5等等，每个切出的眼底图像块可以有重叠的部分。将切好的眼底图像块输入第一U型分割网络进行特征提取和上采样得到第一输出结果，将第一输出结果作为第二U型分割网络的输入，进行特征提取和上采样得到第二输出结果，将第二输出结果作为第三U型分割网络的输入，进行特征提取和上采样得到动静脉血管识别结果，该动静脉血管识别结果包括有动静脉血管识别的类别信息，例如：动脉血管、静脉血管标签等。
S25，基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果。
本申请具体实施例中，感兴趣区域(region of interest，ROI)，即机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，此处特指距离视盘中心1pd-1.5pd(Papillary Diameter即视盘直径)范围内的眼底区域。在视盘分割结果的基础上，对视盘边界进行椭圆拟合，具体可采用最小二乘法进行椭圆拟合，然后确定视盘的中心，以视盘中心为圆心，将1pd-1.5pd范围内的眼底区域定位为感兴趣区域，得到感兴区域定位结果，作为后续管径测量的候选区域，如图11-a所示。
S26，根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段。
本申请具体实施例中，首先对动静脉血管识别结果进行二值化生成眼底血管二值化图，将该眼底血管二值化图输入U型分割网络中进行血管中心线提取，输出细化后的血管中心线图，如图11-b所示。然后采用邻域连通性判定方法检测血管中心线中的各关键点，例如：分支点和交叉点，邻域连通性判定方法可以是基于8邻域连通的判定方法，用N8(p)表示像素p的8邻域，对于具有像素值x的像素p和像素q，若q在N8(p)这个集合中，则判定像素p和像素q是8连通的，可判定出如图11-c所示的交叉点、分支点，在检测出交叉点和分支点后，将检测出的交叉点和分支点从血管中心线中去除，以根据血管中心线分离出各血管段，且各血管段相互独立。对各血管段进行连通性判定，在确定各血管段具有连通性后对各血管段上的动静脉类别信息进行统计，之后采用投票表决法对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段。例如，一血管段上标有动脉信息标签的像素占多数，则将其它标有静脉信息的像素同样标为动脉信息，以保证同一血管段上的像素点类别信息一致。基于深度学习的血管中心线提取方法相较于传统的形态学细化操作，避免了人工设计复杂的细化规则，同时减少了血管中心线中的假阳性分支，能够获得更精确的中心线提取结果。
S27，基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。
本申请具体实施例中，在步骤S26提取出血管中心线的基础上，采用边界探测的方法计算感兴趣区域内动静脉类别信息修正后的各血管段的血管直径，具体的，以血管中心点为圆心，在像素范围40*40大小的矩形区域内进行遍历，寻找距离动静脉类别信息修正后的各血管段中心线距离最近的边界点，以该边界点与血管中心点的距离为半径r，得到动静脉类别信息修正后的各血管段的血管直径2r。
根据感兴趣区域内各血管段的血管直径，采用医学上的Parr-Hubbard-knudtson公式分别计算CRAE(centralretinalarteryequivalent，视网膜中央动脉血管直径等效值)和CRVE(centralretinalveinequivalent，视网膜中央静脉血管直径等效值)，然后采用以下公式计算感兴趣区域内动脉血管和静脉血管的直径比值：
Figure BDA0002396000640000121
其中，AVR(ArterioletoVenule Ratio)表示感兴趣区域内动脉血管和静脉血管的直径比值，
Figure BDA0002396000640000122
Ai和Aj分别表示获取到的感兴趣区域最大动脉血管直径和最小动脉血管直径，0.88为固定系数，
Figure BDA0002396000640000123
Vi和Vj分别表示获取到的感兴趣区域最大静脉血管直径和最小静脉血管直径，0.95为固定系数，基于计算出的AVR值便可进行疾病预测和评估，具有一定的临床指导意义。
可以看出，本申请具体实施例通过对原始眼底图像进行特征提取，得到多个尺度的目标特征图，基于得到的目标特征图进行视盘分割，获得视盘分割结果，采用预训练的级联分割网络模型对原始眼底图像进行分割，获得动静脉血管识别结果，基于视盘分割结果进行感兴趣区域定位，根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除该关键点得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，基于提取出的血管中心线，采用边界探测的方法获取类别信息修正后的各血管段的血管直径，根据获取的血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值，从而提高了眼底视网膜动静脉血管识别精度，进而提高量化精度。
基于上述描述，请参见图12，图12为本申请实施例提供的一种眼底视网膜血管识别及量化装置的结构示意图，如图12所示，该装置包括：
特征提取模块1201，用于将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；
视盘分割模块1202，用于基于所述目标特征图进行视盘分割，获得视盘分割结果；
血管识别模块1203，用于采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；
区域定位模块1204，用于基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；
中心线提取模块1205，用于根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；
直径比计算模块1206，用于基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。
可选的，所述特征提取模块1201在所述将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图方面，具体用于：
将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图；
将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图。
可选的，所述特征提取模块1201在所述将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图方面，具体用于：
对所述原始眼底图像进行卷积处理以提取关键特征，得到与所述原始眼底图像尺寸相同的特征图；
对经过卷积处理得到的特征图进行最大池化操作，逐层缩小特征图尺寸，经过若干卷积层和池化层的交替处理得到所述高维特征图；
可选的，所述特征提取模块1201在所述将该高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图方面，具体用于：
对所述高维特征图进行上采样操作，逐层放大所述高维特征图尺寸；
通过跳跃连接层将编码阶段每个网络层提取的低维特征与解码阶段对称提取的高维特征进行合并，得到每个网络层的初始特征图，所述每个网络层的初始特征图尺度不同；
通过每个网络层的输出分支对所述每个网络层的初始特征图进行输出得到多个尺度的目标特征图，所述每个网络层的输出分支中加入有注意力机制。
可选的，所述视盘分割模块1202在所述基于所述目标特征图进行视盘分割，获得视盘分割结果方面，具体用于：
将所述目标特征图进行融合以得到待分割图像；
对所述待分割图像进行候选框回归处理，以从所述待分割图像中定位视盘位置，并输出视盘的边界框信息；
根据视盘的边界框信息裁剪出标定的视盘区域图像块输入预训练的U型分割网络中，经过特征提取和上采样操作输出视盘分割结果。
可选的，所述血管识别模块1203在所述采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果方面，具体用于：
提取所述原始眼底图像的绿色通道图像，对所述绿色通道图像做直方图均衡化处理，得到对比度增强的绿色通道图像；
将所述对比度增强的绿色通道图像切成多个眼底图像块；
将所述多个眼底图像块输入预设级联分割网络模型进行分割，获取动静脉血管识别结果。
可选的，所述直径比计算模块1206在所述采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径方面，具体用于：
以血管中心点为圆心，在像素范围40*40大小的矩形区域内进行遍历，寻找距离动静脉类别信息修正后的各血管段中心线距离最近的边界点，以所述距离最近的边界点与血管中心点的距离为半径r，得到动静脉类别信息修正后的各血管段的血管直径2r。
可选的，直径比计算模块1206采用以下公式计算感兴趣区域内动脉血管和静脉血管的直径比值：
Figure BDA0002396000640000151
其中，AVR表示感兴趣区域内动脉血管和静脉血管的直径比值，CRAE表示视网膜中央动脉血管直径等效值，
Figure BDA0002396000640000152
Ai和Aj分别表示获取到的感兴趣区域最大动脉血管直径和最小动脉血管直径，0.88为固定系数；CRVE表示视网膜中央静脉血管直径等效值，
Figure BDA0002396000640000153
Vi和Vj分别表示获取到的感兴趣区域最大静脉血管直径和最小静脉血管直径，0.95为固定系数。
需要说明的是，图2所示的眼底视网膜血管识别及量化方法中的各个步骤均可以是由本申请实施例提供的眼底视网膜血管识别及量化装置中的各个单元模块来执行，且能达到相同或相似的有益效果，本申请实施例提供的眼底视网膜血管识别及量化装置能够应用在眼底视网膜血管识别和量化的场景中，具体的，上述眼底视网膜血管识别及量化装置可应用于服务器、计算机或移动终端等设备中。
基于上述描述，请参见图13，图13为本申请实施例提供的一种电子设备的结构示意图，如图13所示，包括：存储器1301，用于存储一个或多个计算机程序；处理器1302，用于调用存储器1301存储的计算机程序执行上述眼底视网膜血管识别及量化方法实施例中的步骤；通信接口1303，用于进行输入输出，该通信接口1303可以为一个或多个；可以理解的，电子设备中各部分分别通过总线连接通信。其中，处理器1302具体用于调用计算机程序执行如下步骤：
将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；
基于所述目标特征图进行视盘分割，获得视盘分割结果；
采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；
基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；
根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；
基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。
可选的，处理器1302执行所述将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图，包括：
将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图；
将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图。
可选的，处理器1302执行所述将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图，包括：
对所述原始眼底图像进行卷积处理以提取关键特征，得到与所述原始眼底图像尺寸相同的特征图；
对经过卷积处理得到的特征图进行最大池化操作，逐层缩小特征图尺寸，经过若干卷积层和池化层的交替处理得到所述高维特征图；
可选的，处理器1302执行所述将该高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图，包括：
对所述高维特征图进行上采样操作，逐层放大该高维特征图尺寸；
通过跳跃连接层将编码阶段每个网络层提取的低维特征与解码阶段对称提取的高维特征进行合并，得到每个网络层的初始特征图，所述每个网络层的初始特征图尺度不同；
通过每个网络层的输出分支对所述每个网络层的初始特征图进行输出得到多个尺度的目标特征图，所述每个网络层的输出分支中加入有注意力机制。
可选的，处理器1302执行所述基于所述目标特征图进行视盘分割，获得视盘分割结果，包括：
将所述目标特征图进行融合以得到待分割图像；
对所述待分割图像进行候选框回归处理，以从所述待分割图像中定位视盘位置，并输出视盘的边界框信息；
根据视盘的边界框信息裁剪出标定的视盘区域图像块输入预训练的U型分割网络中，经过特征提取和上采样操作输出视盘分割结果。
可选的，处理器1302执行所述采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果，包括：
提取所述原始眼底图像的绿色通道图像，对所述绿色通道图像做直方图均衡化处理，得到对比度增强的绿色通道图像；
将所述对比度增强的绿色通道图像切成多个眼底图像块；
将所述多个眼底图像块输入预设级联分割网络模型进行分割，获取动静脉血管识别结果。
可选的，处理器1302执行所述采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，包括：
以血管中心点为圆心，在像素范围40*40大小的矩形区域内进行遍历，寻找距离动静脉类别信息修正后的各血管段中心线距离最近的边界点，以所述距离最近的边界点与血管中心点的距离为半径r，得到动静脉类别信息修正后的各血管段的血管直径2r。
可选的，处理器1302采用以下公式计算感兴趣区域内动脉血管和静脉血管的直径比值：
Figure BDA0002396000640000171
其中，AVR表示感兴趣区域内动脉血管和静脉血管的直径比值，CRAE表示视网膜中央动脉血管直径等效值，
Figure BDA0002396000640000181
Ai和Aj分别表示获取到的感兴趣区域最大动脉血管直径和最小动脉血管直径，0.88为固定系数；CRVE表示视网膜中央静脉血管直径等效值，
Figure BDA0002396000640000182
Vi和Vj分别表示获取到的感兴趣区域最大静脉血管直径和最小静脉血管直径，0.95为固定系数。
示例性的，上述电子设备可以是计算机、笔记本电脑、平板电脑、掌上电脑、服务器等设备。电子设备可包括但不仅限于存储器1301、处理器1302、通信接口1303。本领域技术人员可以理解，所述示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
需要说明的是，由于电子设备的处理器1302执行计算机程序时实现上述的眼底视网膜血管识别及量化方法中的步骤，因此上述眼底视网膜血管识别及量化方法的实施例均适用于该电子设备，且均能达到相同或相似的有益效果。
本申请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的眼底视网膜血管识别及量化方法中的步骤。
示例性的，计算机可读存储介质的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，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，由于计算机可读存储介质的计算机程序被处理器执行时实现上述的眼底视网膜血管识别及量化方法中的步骤，因此上述眼底视网膜血管识别及量化方法的所有例均适用于该计算机可读存储介质，且均能达到相同或相似的有益效果。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种眼底视网膜血管识别及量化方法，其特征在于，所述方法包括：
将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；
基于所述目标特征图进行视盘分割，获得视盘分割结果；
采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；
基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；
根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；
基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。
2.根据权利要求1所述的方法，其特征在于，所述将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图，包括：
将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图；
将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图。
3.根据权利要求2所述的方法，其特征在于，所述将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图，包括：
对所述原始眼底图像进行卷积处理以提取关键特征，得到与所述原始眼底图像尺寸相同的特征图；
对经过卷积处理得到的特征图进行最大池化操作，逐层缩小特征图尺寸，经过若干卷积层和池化层的交替处理得到所述高维特征图；
所述将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图，包括：
对所述高维特征图进行上采样操作，逐层放大所述高维特征图尺寸；
通过跳跃连接层将编码阶段每个网络层提取的低维特征与解码阶段对称提取的高维特征进行合并，得到每个网络层的初始特征图，所述每个网络层的初始特征图尺度不同；
通过每个网络层的输出分支对所述每个网络层的初始特征图进行输出得到多个尺度的目标特征图，所述每个网络层的输出分支中加入有注意力机制。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述基于所述目标特征图进行视盘分割，获得视盘分割结果，包括：
将所述目标特征图进行融合以得到待分割图像；
对所述待分割图像进行候选框回归处理，以从所述待分割图像中定位视盘位置，并输出视盘的边界框信息；
根据视盘的边界框信息裁剪出标定的视盘区域图像块输入预训练的U型分割网络中，经过特征提取和上采样操作输出视盘分割结果。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果，包括：
提取所述原始眼底图像的绿色通道图像，对所述绿色通道图像做直方图均衡化处理，得到对比度增强的绿色通道图像；
将所述对比度增强的绿色通道图像切成多个眼底图像块；
将所述多个眼底图像块输入预设级联分割网络模型进行分割，获取动静脉血管识别结果。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，包括：
以血管中心点为圆心，在像素范围40*40大小的矩形区域内进行遍历，寻找距离动静脉类别信息修正后的各血管段中心线距离最近的边界点，以所述距离最近的边界点与血管中心点的距离为半径r，得到动静脉类别信息修正后的各血管段的血管直径2r。
7.根据权利要求1所述的方法，其特征在于，采用以下公式计算感兴趣区域内动脉血管和静脉血管的直径比值：
Figure FDA0002396000630000031
其中，AVR表示感兴趣区域内动脉血管和静脉血管的直径比值，CRAE表示视网膜中央动脉血管直径等效值，
Figure FDA0002396000630000032
Ai和Aj分别表示获取到的感兴趣区域最大动脉血管直径和最小动脉血管直径，0.88为固定系数；CRVE表示视网膜中央静脉血管直径等效值，
Figure FDA0002396000630000033
Figure FDA0002396000630000034
Vi和Vj分别表示获取到的感兴趣区域最大静脉血管直径和最小静脉血管直径，0.95为固定系数。
8.一种眼底视网膜血管识别及量化装置，其特征在于，所述装置包括：
特征提取模块，用于将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；
视盘分割模块，用于基于所述目标特征图进行视盘分割，获得视盘分割结果；
血管识别模块，用于采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；
区域定位模块，用于基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；
中心线提取模块，用于根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；
直径比计算模块，用于基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的眼底视网膜血管识别及量化方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的眼底视网膜血管识别及量化方法中的步骤。
CN202010134390.7A 2020-02-29 2020-02-29 眼底视网膜血管识别及量化方法、装置、设备及存储介质 Active CN111340789B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010134390.7A CN111340789B (zh) 2020-02-29 2020-02-29 眼底视网膜血管识别及量化方法、装置、设备及存储介质
PCT/CN2020/099538 WO2021169128A1 (zh) 2020-02-29 2020-06-30 眼底视网膜血管识别及量化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010134390.7A CN111340789B (zh) 2020-02-29 2020-02-29 眼底视网膜血管识别及量化方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111340789A true CN111340789A (zh) 2020-06-26
CN111340789B CN111340789B (zh) 2024-10-18

Family

ID=71184092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010134390.7A Active CN111340789B (zh) 2020-02-29 2020-02-29 眼底视网膜血管识别及量化方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN111340789B (zh)
WO (1) WO2021169128A1 (zh)

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质
CN111932554A (zh) * 2020-07-31 2020-11-13 青岛海信医疗设备股份有限公司 一种肺部血管分割方法、设备及存储介质
CN111932535A (zh) * 2020-09-24 2020-11-13 北京百度网讯科技有限公司 用于处理图像的方法、装置、设备以及存储介质
CN112330684A (zh) * 2020-11-23 2021-02-05 腾讯科技（深圳）有限公司 对象分割方法、装置、计算机设备及存储介质
CN112419338A (zh) * 2020-12-08 2021-02-26 深圳大学 一种基于解剖先验知识的头颈部危及器官的分割方法
CN112446866A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的计算方法、装置、设备及存储介质
CN112465772A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质
CN112529839A (zh) * 2020-11-05 2021-03-19 西安交通大学 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN112734784A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 一种高精度眼底血管边界确定的方法、装置、介质和设备
CN112734828A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 一种眼底血管中心线确定的方法、装置、介质和设备
CN112826442A (zh) * 2020-12-31 2021-05-25 上海鹰瞳医疗科技有限公司 基于眼底图像的心理状态识别方法及设备
CN112862787A (zh) * 2021-02-10 2021-05-28 昆明同心医联科技有限公司 Cta影像数据处理方法、装置及存储介质
CN113012114A (zh) * 2021-03-02 2021-06-22 推想医疗科技股份有限公司 一种血管识别方法、装置、存储介质及电子设备
CN113192074A (zh) * 2021-04-07 2021-07-30 西安交通大学 一种适用于octa图像的动静脉自动化分割方法
CN113269737A (zh) * 2021-05-17 2021-08-17 西安交通大学 一种眼底视网膜动静脉血管直径计算方法及系统
WO2021169128A1 (zh) * 2020-02-29 2021-09-02 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN113344893A (zh) * 2021-06-23 2021-09-03 依未科技(北京)有限公司 一种高精度眼底动静脉识别的方法、装置、介质和设备
CN113425248A (zh) * 2021-06-24 2021-09-24 平安科技（深圳）有限公司 医疗影像评估方法、装置、设备及计算机存储介质
CN113538463A (zh) * 2021-07-22 2021-10-22 强联智创（北京）科技有限公司 一种动脉瘤分割方法、装置以及设备
CN113643354A (zh) * 2020-09-04 2021-11-12 深圳硅基智能科技有限公司 基于增强分辨率的眼底图像的血管管径的测量装置
CN113689954A (zh) * 2021-08-24 2021-11-23 平安科技（深圳）有限公司 高血压风险预测方法、装置、设备及介质
CN113724186A (zh) * 2021-03-10 2021-11-30 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及介质
CN113749690A (zh) * 2021-09-24 2021-12-07 无锡祥生医疗科技股份有限公司 血管的血流量测量方法、装置及存储介质
CN113792740A (zh) * 2021-09-16 2021-12-14 平安科技（深圳）有限公司 眼底彩照的动静脉分割方法、系统、设备及介质
CN113951813A (zh) * 2021-11-09 2022-01-21 北京工业大学 视网膜血管分支角度计算方法、装置及电子设备
CN114037663A (zh) * 2021-10-27 2022-02-11 北京医准智能科技有限公司 一种血管分割方法、装置及计算机可读介质
CN114359280A (zh) * 2022-03-18 2022-04-15 武汉楚精灵医疗科技有限公司 胃黏膜图像边界量化方法、装置、终端及存储介质
CN114359284A (zh) * 2022-03-18 2022-04-15 北京鹰瞳科技发展股份有限公司 用于对视网膜眼底图像进行分析的方法及其相关产品
CN114387219A (zh) * 2021-12-17 2022-04-22 依未科技(北京)有限公司 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备
CN114387210A (zh) * 2021-12-03 2022-04-22 依未科技(北京)有限公司 眼底特征获取的方法、装置、介质和设备
CN114627077A (zh) * 2022-03-15 2022-06-14 平安科技（深圳）有限公司 图像分割方法和装置、电子设备及存储介质
WO2022142030A1 (zh) * 2020-12-28 2022-07-07 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统
CN115294017A (zh) * 2022-06-30 2022-11-04 重庆医科大学附属第一医院 一种视网膜血管密度全自动分区测量方法
CN115760873A (zh) * 2022-11-08 2023-03-07 温州谱希医学检验实验室有限公司 基于区域分割的眼底照视网膜血管管径的计算方法
CN116843612A (zh) * 2023-04-20 2023-10-03 西南医科大学附属医院 一种用于糖尿病视网膜病变诊断的图像处理方法
CN116894826A (zh) * 2023-07-19 2023-10-17 零氪科技（北京）有限公司 一种血管图像识别方法、装置、电子设备及存储介质
US20230394658A1 (en) * 2020-12-04 2023-12-07 Genentech, Inc. Automated detection of choroidal neovascularization (cnv)
CN117197216A (zh) * 2022-11-08 2023-12-08 温州医科大学附属眼视光医院 一种眼底照视网膜血管管径的计算方法、系统和设备
CN117351009A (zh) * 2023-12-04 2024-01-05 江苏富翰医疗产业发展有限公司 基于多光谱眼底图像生成血氧饱和度数据的方法及系统
CN118429319A (zh) * 2024-05-20 2024-08-02 爱尔眼科医院集团股份有限公司长沙爱尔眼科医院 一种视网膜血管成像分割方法、装置、设备及介质
CN119863469A (zh) * 2025-03-25 2025-04-22 首都医科大学附属北京天坛医院 一种颈动脉几何形态的测量方法

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989643B (zh) * 2021-10-26 2023-09-01 萱闱(北京)生物科技有限公司 管道状态检测方法、装置、介质及计算设备
CN114418987B (zh) * 2022-01-17 2024-05-28 北京工业大学 一种多阶段特征融合的视网膜血管分割方法及系统
WO2023186133A1 (zh) * 2022-04-02 2023-10-05 武汉联影智融医疗科技有限公司 一种用于穿刺路径规划的系统及方法
CN114820473B (zh) * 2022-04-10 2024-10-22 复旦大学 基于损伤面积感知和不确定性引导的医疗图像分割方法
CN114820658B (zh) * 2022-04-26 2025-06-17 北京深睿博联科技有限责任公司 一种肝静脉和门静脉分割方法及装置
CN115205308B (zh) * 2022-05-18 2025-06-20 重庆邮电大学 一种基于线状滤波和深度学习的眼底图像血管分割方法
CN114972401B (zh) * 2022-06-08 2025-07-01 南京钺曦医疗科技有限公司 一种分离头颈部位的图像处理方法
CN114926892B (zh) * 2022-06-14 2025-05-16 中国人民大学 一种基于深度学习的眼底图像匹配方法、系统和可读介质
EP4533477A1 (en) * 2022-06-16 2025-04-09 Eyetelligence Pty Ltd Fundus image analysis system
CN115294126B (zh) * 2022-10-08 2022-12-16 南京诺源医疗器械有限公司 一种病理图像的癌细胞智能识别方法
CN115690124B (zh) * 2022-11-02 2023-05-12 中国科学院苏州生物医学工程技术研究所 高精度单帧眼底荧光造影图像渗漏区域分割方法及系统
CN116206114B (zh) * 2023-04-28 2023-08-01 成都云栈科技有限公司 一种复杂背景下人像提取方法及装置
CN116309585B (zh) * 2023-05-22 2023-08-22 山东大学 基于多任务学习的乳腺超声图像目标区域识别方法及系统
CN116473673B (zh) * 2023-06-20 2024-02-27 浙江华诺康科技有限公司 内窥镜的路径规划方法、装置、系统和存储介质
CN116824116B (zh) * 2023-06-26 2024-07-26 爱尔眼科医院集团股份有限公司 一种超广角眼底影像识别方法、装置、设备及存储介质
CN116524548B (zh) * 2023-07-03 2023-12-26 中国科学院自动化研究所 血管结构信息提取方法、装置及存储介质
CN117079340A (zh) * 2023-08-28 2023-11-17 辽宁中医药大学 一种眼脉络特征点信息处理方法、装置、计算机存储介质及电子设备
CN117038088B (zh) * 2023-10-09 2024-02-02 北京鹰瞳科技发展股份有限公司 糖尿病视网膜病变的发病确定方法、装置、设备及介质
CN117746146B (zh) * 2023-12-22 2024-06-14 博奥生物集团有限公司 确定白睛区域内血脉颜色的方法和装置
CN117934416B (zh) * 2024-01-23 2024-10-15 深圳市铱硙医疗科技有限公司 基于机器学习的cta颈内动脉分段方法及系统
CN118297974B (zh) * 2024-06-06 2024-08-13 柏意慧心(杭州)网络科技有限公司 一种血管夹层腔体分离方法及装置、存储介质、设备
CN119896573A (zh) * 2025-03-06 2025-04-29 中国人民解放军总医院第三医学中心 一种用于战场环境下眼外伤的急救系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150320313A1 (en) * 2014-05-08 2015-11-12 Universita Della Calabria Portable medical device and method for quantitative retinal image analysis through a smartphone
WO2019237148A1 (en) * 2018-06-13 2019-12-19 Commonwealth Scientific And Industrial Research Organisation Retinal image analysis

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657612A (zh) * 2017-10-16 2018-02-02 西安交通大学 适用于智能便携设备的全自动视网膜血管分析方法及系统
CN109166124B (zh) * 2018-11-20 2021-12-14 中南大学 一种基于连通区域的视网膜血管形态量化方法
CN111340789B (zh) * 2020-02-29 2024-10-18 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150320313A1 (en) * 2014-05-08 2015-11-12 Universita Della Calabria Portable medical device and method for quantitative retinal image analysis through a smartphone
WO2019237148A1 (en) * 2018-06-13 2019-12-19 Commonwealth Scientific And Industrial Research Organisation Retinal image analysis

Cited By (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169128A1 (zh) * 2020-02-29 2021-09-02 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质
CN111815599B (zh) * 2020-07-01 2023-12-15 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质
CN111932554A (zh) * 2020-07-31 2020-11-13 青岛海信医疗设备股份有限公司 一种肺部血管分割方法、设备及存储介质
CN111932554B (zh) * 2020-07-31 2024-03-22 青岛海信医疗设备股份有限公司 一种肺部血管分割方法、设备及存储介质
CN113643353A (zh) * 2020-09-04 2021-11-12 深圳硅基智能科技有限公司 眼底图像的血管管径的增强分辨率的测量方法
CN113643353B (zh) * 2020-09-04 2024-02-06 深圳硅基智能科技有限公司 眼底图像的血管管径的增强分辨率的测量方法
CN113643354A (zh) * 2020-09-04 2021-11-12 深圳硅基智能科技有限公司 基于增强分辨率的眼底图像的血管管径的测量装置
CN113643354B (zh) * 2020-09-04 2023-10-13 深圳硅基智能科技有限公司 基于增强分辨率的眼底图像的血管管径的测量装置
CN111932535A (zh) * 2020-09-24 2020-11-13 北京百度网讯科技有限公司 用于处理图像的方法、装置、设备以及存储介质
CN112529839A (zh) * 2020-11-05 2021-03-19 西安交通大学 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN112529839B (zh) * 2020-11-05 2023-05-02 西安交通大学 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN112330684A (zh) * 2020-11-23 2021-02-05 腾讯科技（深圳）有限公司 对象分割方法、装置、计算机设备及存储介质
CN112330684B (zh) * 2020-11-23 2022-09-13 腾讯科技（深圳）有限公司 对象分割方法、装置、计算机设备及存储介质
CN112446866A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的计算方法、装置、设备及存储介质
CN112465772B (zh) * 2020-11-25 2023-09-26 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质
CN112465772A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质
US20230394658A1 (en) * 2020-12-04 2023-12-07 Genentech, Inc. Automated detection of choroidal neovascularization (cnv)
CN112419338A (zh) * 2020-12-08 2021-02-26 深圳大学 一种基于解剖先验知识的头颈部危及器官的分割方法
WO2022142030A1 (zh) * 2020-12-28 2022-07-07 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统
CN112826442A (zh) * 2020-12-31 2021-05-25 上海鹰瞳医疗科技有限公司 基于眼底图像的心理状态识别方法及设备
CN112734784A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 一种高精度眼底血管边界确定的方法、装置、介质和设备
CN112734828B (zh) * 2021-01-28 2023-02-24 依未科技(北京)有限公司 一种眼底血管中心线确定的方法、装置、介质和设备
CN112734828A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 一种眼底血管中心线确定的方法、装置、介质和设备
CN112862787A (zh) * 2021-02-10 2021-05-28 昆明同心医联科技有限公司 Cta影像数据处理方法、装置及存储介质
CN112862787B (zh) * 2021-02-10 2022-11-15 昆明同心医联科技有限公司 Cta影像数据处理方法、装置及存储介质
CN113012114B (zh) * 2021-03-02 2021-12-03 推想医疗科技股份有限公司 一种血管识别方法、装置、存储介质及电子设备
CN113012114A (zh) * 2021-03-02 2021-06-22 推想医疗科技股份有限公司 一种血管识别方法、装置、存储介质及电子设备
CN113724186A (zh) * 2021-03-10 2021-11-30 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及介质
US12361547B2 (en) 2021-03-10 2025-07-15 Tencent Technology (Shenzhen) Company Limited Data processing method and apparatus, device and medium
CN113192074B (zh) * 2021-04-07 2024-04-05 西安交通大学 一种适用于octa图像的动静脉自动化分割方法
CN113192074A (zh) * 2021-04-07 2021-07-30 西安交通大学 一种适用于octa图像的动静脉自动化分割方法
CN113269737A (zh) * 2021-05-17 2021-08-17 西安交通大学 一种眼底视网膜动静脉血管直径计算方法及系统
CN113269737B (zh) * 2021-05-17 2024-03-19 北京鹰瞳科技发展股份有限公司 一种眼底视网膜动静脉血管直径计算方法及系统
CN113344893A (zh) * 2021-06-23 2021-09-03 依未科技(北京)有限公司 一种高精度眼底动静脉识别的方法、装置、介质和设备
CN113425248B (zh) * 2021-06-24 2024-03-08 平安科技（深圳）有限公司 医疗影像评估方法、装置、设备及计算机存储介质
CN113425248A (zh) * 2021-06-24 2021-09-24 平安科技（深圳）有限公司 医疗影像评估方法、装置、设备及计算机存储介质
CN113538463A (zh) * 2021-07-22 2021-10-22 强联智创（北京）科技有限公司 一种动脉瘤分割方法、装置以及设备
CN113689954A (zh) * 2021-08-24 2021-11-23 平安科技（深圳）有限公司 高血压风险预测方法、装置、设备及介质
CN113689954B (zh) * 2021-08-24 2024-10-18 平安科技（深圳）有限公司 高血压风险预测方法、装置、设备及介质
CN113792740B (zh) * 2021-09-16 2023-12-26 平安创科科技(北京)有限公司 眼底彩照的动静脉分割方法、系统、设备及介质
CN113792740A (zh) * 2021-09-16 2021-12-14 平安科技（深圳）有限公司 眼底彩照的动静脉分割方法、系统、设备及介质
CN113749690A (zh) * 2021-09-24 2021-12-07 无锡祥生医疗科技股份有限公司 血管的血流量测量方法、装置及存储介质
CN113749690B (zh) * 2021-09-24 2024-01-30 无锡祥生医疗科技股份有限公司 血管的血流量测量方法、装置及存储介质
CN114037663A (zh) * 2021-10-27 2022-02-11 北京医准智能科技有限公司 一种血管分割方法、装置及计算机可读介质
CN113951813A (zh) * 2021-11-09 2022-01-21 北京工业大学 视网膜血管分支角度计算方法、装置及电子设备
CN114387210A (zh) * 2021-12-03 2022-04-22 依未科技(北京)有限公司 眼底特征获取的方法、装置、介质和设备
CN114387219A (zh) * 2021-12-17 2022-04-22 依未科技(北京)有限公司 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备
CN114627077A (zh) * 2022-03-15 2022-06-14 平安科技（深圳）有限公司 图像分割方法和装置、电子设备及存储介质
CN114359280A (zh) * 2022-03-18 2022-04-15 武汉楚精灵医疗科技有限公司 胃黏膜图像边界量化方法、装置、终端及存储介质
CN114359284A (zh) * 2022-03-18 2022-04-15 北京鹰瞳科技发展股份有限公司 用于对视网膜眼底图像进行分析的方法及其相关产品
CN115294017A (zh) * 2022-06-30 2022-11-04 重庆医科大学附属第一医院 一种视网膜血管密度全自动分区测量方法
CN117197216A (zh) * 2022-11-08 2023-12-08 温州医科大学附属眼视光医院 一种眼底照视网膜血管管径的计算方法、系统和设备
CN115760873A (zh) * 2022-11-08 2023-03-07 温州谱希医学检验实验室有限公司 基于区域分割的眼底照视网膜血管管径的计算方法
CN116843612A (zh) * 2023-04-20 2023-10-03 西南医科大学附属医院 一种用于糖尿病视网膜病变诊断的图像处理方法
CN116894826A (zh) * 2023-07-19 2023-10-17 零氪科技（北京）有限公司 一种血管图像识别方法、装置、电子设备及存储介质
CN117351009B (zh) * 2023-12-04 2024-02-23 江苏富翰医疗产业发展有限公司 基于多光谱眼底图像生成血氧饱和度数据的方法及系统
CN117351009A (zh) * 2023-12-04 2024-01-05 江苏富翰医疗产业发展有限公司 基于多光谱眼底图像生成血氧饱和度数据的方法及系统
CN118429319A (zh) * 2024-05-20 2024-08-02 爱尔眼科医院集团股份有限公司长沙爱尔眼科医院 一种视网膜血管成像分割方法、装置、设备及介质
CN119863469A (zh) * 2025-03-25 2025-04-22 首都医科大学附属北京天坛医院 一种颈动脉几何形态的测量方法

Also Published As

Publication number Publication date
WO2021169128A1 (zh) 2021-09-02
CN111340789B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
CN111340789B (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
Hassan et al. Joint segmentation and quantification of chorioretinal biomarkers in optical coherence tomography scans: A deep learning approach
WO2021003821A1 (zh) 一种肾小球病理切片图像的细胞检测方法、装置及设备
CN112465772B (zh) 眼底彩照图像血管评估方法、装置、计算机设备和介质
Chetoui et al. Explainable end-to-end deep learning for diabetic retinopathy detection across multiple datasets
Liu et al. A framework of wound segmentation based on deep convolutional networks
Vij et al. A systematic review on diabetic retinopathy detection using deep learning techniques
Zhao et al. Saliency driven vasculature segmentation with infinite perimeter active contour model
CN111222361A (zh) 一种高血压视网膜血管改变特征数据分析的方法和系统
CN116236150A (zh) 基于眼底图像的动静脉血管图像分割方法
CN111882566B (zh) 视网膜图像的血管分割方法、装置、设备及存储介质
Cavalcanti et al. Macroscopic pigmented skin lesion segmentation and its influence on lesion classification and diagnosis
CN108961334B (zh) 一种基于图像配准的视网膜血管壁厚度测量方法
CN111789572A (zh) 从视网膜脉管系统图像中确定高血压水平
CN112102259A (zh) 一种基于边界引导深度学习的图像分割算法
Ding et al. Multi-scale morphological analysis for retinal vessel detection in wide-field fluorescein angiography
Morales et al. Segmentation and analysis of retinal vascular tree from fundus images processing
Pranav et al. Comparative study of skin lesion classification using dermoscopic images
Daanouni et al. Automated end-to-end Architecture for Retinal Layers and Fluids Segmentation on OCT B-scans
CN115100178A (zh) 一种眼底血管形态特征评估的方法、装置、介质和设备
HK40023085A (zh) 眼底視網膜血管識別及量化方法、裝置、設備及存儲介質
CN112949585B (zh) 一种眼底图像血管的识别方法、装置、电子设备及存储介质
Huang et al. Capillary detection for clinical images of basal cell carcinoma

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023085

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant