基于图像处理的青光眼分类研究

青光眼致盲率高,检测难度大,视盘及视杯检测对青光眼早期诊断至为关键,为提高检测效率,提出一种改进的青光眼分类方法。方法通过掩膜闭合操作分割视盘,再将超像素分割与阈值相结合分割视杯,从中提取杯盘比特征来.对青光眼进行分类。详细介绍视盘区域的确定过程,以及如何通过阈值和椭圆拟合得到的视杯候选区域。在实验中通过REFUGE数据库进行测试,获得最终分类结果,识别准确率可达83.64%。该分类方法具有较高精度,在同类研究当中具有一定的竞争优势。

基于深度卷积神经网络的青光眼诊断方法研究

单一特征无法准确描述青光眼图像改变,使得计算机辅助的青光眼检测技术具有较高的误诊率和漏诊率,针对这一问题,对视盘区域在深度卷积神经网络结构中的上下文信息进行研究,以辅助眼科医生对青光眼进行诊断。对原始眼底图像进行预处理操作,减少背景噪声和视网膜血管对视盘区域分割的影响;基于深度卷积神经网络模型使用k-means算法对视杯进行分割,并结合视杯呈圆形或椭圆形特性,利用基于最小二乘法椭圆拟合算法将不规则的曲线拟合成规则的椭圆形,以提高视盘视杯分割和青光眼检测的性能,最终在Drishti-GS1数据库图像中完成了测试。实验结果表明,该方法对青光眼进一步诊断有较好的鲁棒性和准确性。

可视化角膜生物力学分析仪在眼科临床中的应用

可视化角膜生物力学分析仪(Corneal Visualization Scheimpflug Technology,Corvis ST)是目前用来评估角膜在体生物力学特性的临床设备,具有实时记录角膜受压形变过程的优势。目前,Corvis ST受到越来越多研究者及眼科医生的青睐。本文在简要介绍Corvis ST测量原理的基础上,对其在圆锥角膜、近视、青光眼以及白内障等疾病和眼部相关手术前后的应用进行综述。通过本文,读者可对Corvis ST的原理及其在眼科临床中的应用有一个全面的了解。

一种基于改进Attention U-net的联合视杯视盘分割方法

青光眼是当前世界范围内致盲的主要病因之一,其发病过程没有明显的特征。视杯盘比是青光眼诊断中最主要的评估指标之一,这使得视杯视盘的分割成为了目前青光眼诊断的关键。已有的视杯视盘分割方法大多基于手工提取的特征,低效且精度不高。提出一种名为MAR2U-net的深度神经网络架构用于青光眼视杯视盘的联合分割。它是基于Attention U-net的一种改进架构,通过在Attention U-net的基础之上引入递归残差卷积模块来提取更加深层次的特征,并结合多尺度的输入和多标签的Focal Tversky损失函数来提升模型的联合分割性能。实验结果表明,该方法在REFUGE数据集上的分割效果较已有方法取得了显著提升,为实现大规模的青光眼诊断筛查提供了基础。

一种基于递归深度特征融合的视杯视盘联合分割方法

青光眼是常见的致盲眼科疾病之一,其对视力的损害是不可逆的,若患者不能及时诊断治疗就会有失明的风险。杯盘比是青光眼检测过程中的重要指标,临床上多是采用手工方法对视杯视盘进行分割来计算杯盘比,其精度与效率难以保证。因此开发一种高效、准确的自动化视杯视盘分割系统迫在眉睫。现有方法存在视杯分割效果不佳、泛化能力差的问题。为解决以上问题,提出了一种名为R2RADF-net的深度神经网络,通过充分挖掘编码在不同层级的互补信息,能够对眼底图片中的视杯视盘区域联合分割。此外引入多尺度输入的结构使网络能够获得不同大小的感受野,并结合递归残差卷积模块提升联合分割的性能。在公开的REFUGE数据集的大量实验结果表明,R2RADF-net较已有方法取得了明显的性能提升。