自动CDR估计青光眼早期诊断

文摘

青光眼是一种退行性疾病,是发达国家的失明的第二个原因。虽然它不能治愈,通过早期诊断进展是可以预防的。在本文中,我们提出一种新的算法自动青光眼诊断基于视网膜彩色图像。我们专注于捕捉视神经盘固有的颜色变化(OD)和杯边界通过计算几种在CIE颜色衍生品l^∗一个^∗b^∗颜色与CIE94颜色空间距离。此外,我们认为空间信息保留这些衍生品和原CIE颜色l^∗一个^∗b^∗的像素值和添加其他特征如OD中心的距离。提出的策略是健壮的由于结构简单,不需要初始分割和切除血管树或船舶检测弯曲。方法被广泛验证两个数据集(公共和私人),每一个由60图像的高可变性的表象。实现class-wise-averaged精度95.02%和81.19%表明这种自动化的方法可以支持医生在诊断青光眼的早期阶段,因此,它可以被视为一个机会为大规模筛查项目开发低成本的解决方案。

1。介绍

世界卫生组织(世卫组织)报告了一个数量的增加患有眼疾的病人由于世界人口的老化1]。在所有的青光眼是发达国家失明的第二大原因。这种疾病被认为是一个重大的公共健康问题,和它的患病率可能会继续增加寿命持续上升(2]。

青光眼描述一组眼部疾病的一个共同的特点:进步视网膜神经纤维的损失。虽然它不能治愈,其关联失明可以通过早期诊断是可以预防的。然而,青光眼是被称为“沉默的盗窃视线”,它呈现出任何症状之前版本已经丢失。青光眼应该在发病的早期诊断以确定患者需要治疗维持生活质量(2]。

光纤的损失由于青光眼进展是视神经盘与相应的变化有关(OD)。因此,空间内的OD和所谓的杯是随之增大。这就是为什么杯盘比(CDR),定义为OD和杯区域之间的关系,增加与疾病的进展。OD外形,因此,关键在青光眼诊断、视网膜和图片为正确的疾病评估是强制性的。

几眼成像技术已经发展在过去160年的时间里(3]。海德堡视网膜层析x射线摄影机(HRT)和光学相干断层扫描(OCT)和血管摄影广泛应用于诊断和随访的患者不同的眼部疾病,如糖尿病性视网膜病变或黄斑变性(3,4]。虽然10月提供了最好的视网膜表示,基于这种技术的设备非常昂贵,他们不能提供由当地医疗中心(5]。眼底成像是最建立视网膜成像方式在初级保健设置,自动青光眼诊断系统基于眼底图像可以部署在疾病早期诊断的潜力(6]。

然而,单独使用眼底成像技术可以为大规模筛查项目是不够的。专家在当地卫生中心的缺乏使每个病人的检查视网膜图像难以承受。此外,信息的数量将超过限制医生的能力充分利用它3]。在这种情况下,使用自动影像分类诊断测试可能被证明是成本效益(7]。

基于图像的青光眼诊断主要执行CDR测量,也就是说,OD的比率的计算和杯地区区域。目前,这微积分的基础上执行手动划定区域的视网膜眼底图像。熟练的人类年级必须仔细地画出地区一个图像编辑器软件,然后,计算区域的比例。该方法耗时又疲惫。节省一点时间是由一些收购的设备提供提取OD的可能性和杯地区通过调整椭圆4分,应该引入的专家。而不是仔细标记整个地区,医生应该只马克四个参考点。然而,假设该地区是椭圆和调整基于四分让系统更快一点,也就是说,大约八分钟眼睛克莱因协议(下8),但不准确。显然,医学界需要一个自动CDR计算的方法。计算机辅助诊断(CAD)工具整合这种算法可以避免不准确的结果的问题同时也节约了时间和成本。

自动CDR估计,OD和杯区域必须根据他们的特征分割外观(图1)。然而,必须注意到的形状,大小和颜色变化视网膜图像在人口预计将高(3),使得OD和杯(图分割一个具有挑战性的任务2)。一般来说,OD是一个极其强烈的区域内部的眼底图像,可以识别特性,比如以下(9]:(我)形状:OD大致是圆形的。(2)颜色:OD通常呈现色调从橙色,黄色。(3)亮度:OD礼物一个亮度值,通常是高于其余的视网膜图像。(iv)大小:OD区域通常是不到总数的1/7。

视杯浸在OD地区。通常提供了一个近乎圆形的形状和一个明亮的淡黄色的颜色,可以欣赏图1。然而,众所周知,从视网膜眼底图像分割是艰巨的,由于缺乏深度信息,不可用的2 d图像。此外,存在模糊和非齐次视杯边界(见图2)让问题更加困难10]。

从OD的上述特点和杯,颜色是最相关的,当试图隔离两个地区(4]。因此,适当的色彩空间的选择对算法的最终成功是至关重要的。相反,它是一个总趋势只考虑像素的光照信息(11- - - - - -21]。提出了两个事实,大多数的文件来支持他们的选择:(1)彩色图像的使用涉及到更高的复杂性由于其三维的特性。(2)灰度级图像允许使用著名的算法(22]。

的一些方法使用灰度图像只选择一种颜色平面的三个可用在任何颜色图像表示(RGB,等等)。这些文章声称OD可以很容易地歧视从G通道在分析图像的RGB分量(9,23- - - - - -33]。

频繁,血管之前需要填补,以防止干扰的OD分割算法(23,27,33]。同样,有一个共同的趋势单独使用基本的图像处理技术,如直方图阈值(30.)或结合其他方法(23- - - - - -25,31日- - - - - -34]。

同样重要的是,使用R色彩平面(35- - - - - -38从HSV), V频道,(5,39,40),或c my[的M颜色通道41]。只有少数的方法依赖于亮度坐标(l^∗CIE的)l^∗一个^∗b^∗颜色空间(42]。

几个作者更喜欢使用超过两个颜色飞机通常从RGB颜色空间。分别进行处理,如果有不同的灰度级图像8,10,43,44]。

上述技术是基于灰度级图像处理。从计算的角度,利用标量值可以减少处理时间。然而,不同颜色的飞机之间的相关性是忽略了这些方法,因此,可能会丢失一些有用的特性。只有在所有渠道信息的集成,可以有效地分割彩色图像。

使用全彩色表示自动诊断评估是很重要的。然而,同样重要的是色彩知觉的作用在物体识别和场景理解人类和智能视觉系统(45,46]。在所有可能的颜色图像表示,使用统一的颜色空间,也就是说,一个表示图像的颜色距离相关的感知差异可能受益的结果的质量。一些作者使用了CIEl^∗一个^∗b^∗颜色空间由于其均匀性和利用推进颜色指标的可能性47- - - - - -49]。作者在50)利用JCh色彩空间OD CIECAM02色外观模型的提取。虽然这些方法假装利用完整的颜色信息,尽可能接近人类感知,OD分割是一个有待解决的问题。例如,作者在50)过程只有灰度级飞机j .方法见(34]和[48不会工作在图像色彩OD和背景之间的差异并不显著。计算颜色衍生品,只有在某些像素位于集中在OD半径,提出了在47]。在这种方法中,最终获得边界依赖于辐射线的分离。

关于杯分割,同样的局限性对颜色空间和人类的感知可以应用。重要的是要注意,杯面积是更加困难比OD由于血管段,边界不对称,和颜色的变化。通常发生的图片现在没有明亮的黄色区域,但杯子依然存在。在这些情况下,杯子边缘是由弯曲。出于这个原因,大多数的方法提出了在过去可能不给准确的结果在处理复杂图像数据库(5,8,10,26- - - - - -28,30.- - - - - -34,40,41,44,49,51- - - - - -54]。

尽管上述技术相关的结果,仍存在一些弱点,应该解决:(1)使用颜色信息通常仅限于单独处理每个颜色平面。然而,视网膜眼底图像向量值色彩图像,因此,他们的分析标量的方式可以添加一些错误的过程。(2)医学图像感知大部分不是解决的方法。均匀颜色空间的使用或高级颜色距离是有限的。(3)提出技术的复杂性高无关的工具和方法不雅。(4)该方法依赖于容器经常检测和修复。在许多方法中,容器必须计算弯曲。的错误在这个初期将传播到其他算法。(5)设计和测试的方法在相同的图像数据库中,用有限数量的图像。在大多数情况下这些数据库是私有的。黄金标准通常是不可用的。因此,真正的质量工具无法访问。

为了解决这些问题,目前的技术有以下要点:(1)该方法很简单。它只有三个阶段。(2)它不依赖于分割、修补或血管弯曲或其他视网膜图像结构的检测。(3)方法利用统一的色彩模型以及色彩perception-adapted距离图像。(4)该技术已被广泛认可。它被设计在公共图像数据库。测试的结果在这些数据库。一旦工具被训练,第二个实验是使用一个完全不同的数据库来执行的。(5)在青光眼诊断视网膜眼底图像目前主要是通过手动执行检验,徒手画的,或椭圆拟合,我们不只有这些区域的分割,但还CDR测量,自动计算。我们比较的结果与提供的黄金标准专家技术与常用的近似方法。

2。材料和方法

2.1。图像数据库

我们构建了两个图像数据库,即Dataset1和Dataset2,每个都包含60视网膜眼底图像。这120跨越了多样性的视网膜图像的内容。选择图像的关键点是,他们需要代表的内容,算法会遇到它的实际应用。

因此,我们研究了七个公开数据库(55- - - - - -61年)来创建Dataset1。60的图像提供了一个广泛的表象,照明,和颜色选择,如图3(详细列表的图片可以访问在网上补充材料https://doi.org/10.1155/2017/5953621)。图像数据库由健康和不健康的图片的病人患有青光眼在某些情况下,糖尿病性视网膜病变。两位专家进行人工注释的所有retinographies以来公众没有黄金标准。

Dataset2包括60图像和青光眼手术部门单位的大学医院门德尔的加的斯(西班牙)。图像是由两位专家注释,被用来作为一个独立的测试集的图像的复杂性Dataset2高,可以欣赏图4,包括具有挑战性的情况下,根本看不出与杯存在异常,或扩散边界。在Dataset2使用两个黄金标准:(一)第一个黄金标准包括徒手画的视网膜图像。这是一个繁琐而耗时的任务的困难选择的精确边界区域OD和杯子。(b)10月第二个黄金标准,软件进行椭圆拟合。这两个地区的专家标记4分。它不能与提供基于图像处理椭圆拟合相混淆。10月软件只计算一个椭圆的方程基于四个手动标记点。不考虑图像信息。

数据库建立后,感兴趣的区域(ROI)是自动选择,以减少计算时间11,17,18,21,27]。ROI区域对应于一个地区具有以下特点:(我)广场的形状(2)集中在OD(3)视网膜面积等于1/7大小

它必须注意到的文献中提出的方法对OD位置可以用在这一步(9- - - - - -47]。然而,拟议的技术与OD的贡献和杯检测而不是OD本地化。为了有效评估技术不影响它的性能和可能的误差传播,我们有手动输入OD中心的所有图像。

2.2。基于矢量的颜色衍生品

图像使用衍生品来确定OD和杯边界,由于他们的捕获能力变化对某个像素附近。金融衍生品可以是计算在几个方向旋转内核在执行卷积之前。

Retinographies是彩色图像。因此,边缘应由寻找发现颜色变化。在彩色图像边缘检测通常是由应用导数内核独立的三个颜色通道,然后通过结合的结果。这些方法不考虑颜色通道之间的相关性,因此,他们往往错过边缘强度相同,但方向相反的两个颜色组件(62年]。为了避免这个问题,我们采用了这项技术提出了62年),被视为二维彩色图像像素位置,三通道彩色平面向量场。然后,他们可以通过一个离散的整数函数特征我(x, y),可以编写如下: 在哪里 , 对应颜色通道和 像素的位置。例如,在RGB颜色空间

最大的变化在像素的大小 0°的取向是定义如下62年]: 在哪里 如果欧几里得距离(ΔE),定义如下:

的数量 和是卷积核的输出向量对应于当地的平均颜色。让面具边缘(k) 和图像附近(W)

每一个 是一个向量,三个组件对应于每种颜色平面。然后,

提高适应人类感知的方法,而不是使用欧氏距离公式如(3),提出的技术(63年)之后。空间CIE颜色l^∗一个^∗b^∗选择由于其一致性。颜色距离公式,采用CIE94欧几里得,而是由于其最佳性能和较低的计算时间相比其他perception-adapted CIEDE2000等颜色差异。然后,

方程(9)可以写成 也就是说,每个地方平均颜色将有其三原色组件。

遵循同样的步骤,(10)可以改写如下: 随后, 在哪里CIE94颜色对应的向量之间的距离:

的情况下 ,

最大的大小变化可以计算使用(4)。如果我们想在其他方向计算颜色变化,而不是垂直(0°),我们只需要旋转着面具(7)所需的方向。

如上所介绍,OD和杯区域呈现表象特征直接相关的颜色。然而,一个像素的颜色绝对价值不应该被信任。数据2- - - - - -5展示色彩变化太高,确定一个特定的颜色范围为每个OD和杯。相反,每个OD和杯边境现在改变颜色相比,周围的像素。换句话说,绝对的颜色值不是歧视,而是他们的相对变化对视网膜可以(图6)。

在目前的方法中,我们利用这种相对变化的颜色检测属于OD和杯边缘像素。我们计算索贝尔基于矢量的颜色衍生品25方向(从0°- 360°的分离间隔15°)内每个像素图像。实现Sobel算子的面具(10)在0° 45°时,面具

方程(2)是评价测量每个像素的最大颜色变化和取向。图7显示了一些示例,其中每个像素对应于它的价值B价值在那个方向。

2.3。基于分类袋装树

OD检测和杯的检测是通过分类图像上每个像素对其衍生品和基于矢量的颜色距离OD中心。

几个分类器被使用。最佳的性能获得了袋装树分类器,因为它将被解释的结果。因此,袋装树分类器将在本节简要描述过。

装袋的想法是获取最好的模型通过结合多个弱分类器的结果到一个单独的和强大的一个64年]。袋装树,基本的决策树分类器。

数据分为T训练集的大小n,T决策树训练集,每一个试图适应模型。的T决定最终结合多数投票规则。装袋导致改善不稳定的程序(65年]。

3所示。结果与讨论

颜色衍生品的区别的力量当OD和杯检测测试。目的,每个像素的特征向量必须建立在每个ROI。这个特征向量是分类器的输入,将分配一个概率值,像素就属于OD的适用性,杯,或背景。特征向量包含了所有的颜色变化值25取向,原始CIEl^∗一个^∗b^∗值的像素,它的距离,角度对OD和它的中心位置。这些32特性结合先验的颜色和空间知识OD和杯子。

方法已经被广泛地与两个实验进行验证和测试的数据库详细节2。

3.1。图像数据库Dataset1

这个数据库是由60视网膜眼底图像从六个不同的公共数据库。Dataset1图像呈现出各种各样的表象,照明条件下,视网膜结构,等等。因此,预计一个算法使用这个数据库将开发高度健壮。总共有六个分类器训练和验证:(我)简单的树(圣)。(2)袋装的树(BT)。这个分类器中引入部分2。3。(3)复杂的树(CT)。这是一个决策树与叶子使许多细类之间的区别。(iv)线性判别(LD)。决策是由估计的概率和贝叶斯定理,一套新的样本属于每个类。(v)二次判别(QD)。这个分类器是一个扩展的LD异构variance-covariance矩阵。(vi)然而,欧几里得。资讯不使用一个模型来适应新样本的训练数据,随后进行分类(66年]。

模型选择了使用交叉验证。对于每一个分类器,最佳参数设置的准确性进行了比较。Dataset1作为一套折交叉验证,随后和反复分为训练和验证集。内部验证,10倍交叉验证。在每个十倍,分类器是从头开始重建。这整个过程重复10次。报告精度平均在每个折叠的精度。

算法的能力执行的准确分类OD,杯子,和背景像素测量的敏感性而其能力来确定像素不属于这三个类是由其特异性表达。阳性预测值(PPV)以及阴性预测值(NPV)也给一个想法的比例计算真正的优势和真正的不足。表1显示了在这项研究中使用的性能指标,来评估基于矢量的颜色的使用衍生品结合每个六个分类器。

分析表1显示,BT分类器,显示class-wise-averaged 95.02%的准确性,提供了最佳的组合分类器和基于矢量的颜色衍生品。这个分类器显示99.23%的特异性OD类和99.80%杯类,同时保留OD的敏感性为91.75%和90.63%的杯子。OD类PPV值分别为90.74%和94.83%杯类。NPV是OD和杯类的99.32%和99.62%,分别。

3.2。图像数据库Dataset2

这幅图像数据库由60图像提供的大学医院普埃尔塔德尔,西班牙加的斯。图像在相同的常规筛查过程采集设备。

外部验证建立模型的可移植性和普遍性67年]。在这项研究中,独立数据集2用于外部验证充分训练的分类器之前使用交叉验证来选择Dataset1。所有的样品Dataset1被用来训练BT模式。两位专家做了两个注释的图像数据库:(我)徒手画的:两个青光眼专家精心注释的确切边界OD和杯子。这个过程是费时虽然构成最准确的参考误差计算。这个注释被认为是黄金标准为我们的实验。(2)基于椭圆:OD和杯边缘是通过构建一个包含四个椭圆点手动的专家。这种策略显示较低的计算时间。然而,获得的边界是不准确的,在徒手画的方法。

3.2.1之上。分割的质量

第一个实验进行了有效地知道后处理步骤最终会提高结果的质量。为了这个目的,我们把属于每个类的每个像素的概率,从这个信息,我们建立了两个概率图像(见图8)最后后处理的基础。最后一步是表现在两个方面:(我)基于活动轮廓(AC):图像的概率与OD和杯子是阈值获得最初的面具。与大津阈值是自动获取的技术。最后的OD和杯这个二进制文件分段的基础上,发展相应的概率值。Chan-Vese模型(68年)与实验固定的迭代次数20用于交流。(2)AC和椭圆拟合:这后处理包括自动调整椭圆边界像素得到前面的后处理。

添加这两个后处理步骤模拟专家的分割,一般比我们的算法的结果(图平滑9(a))。交流提供了所需的柔软,同时保留形状(图9(b))。ellipse-fitted结果是为了更好的与手动标记数据库(图提供的椭圆9(c))。

如表所示2,添加后的后处理步骤分类器输出class-wise-averaged精度从79.66%提高到81.95%和81.19%使用AC和AC和椭圆拟合,分别。

视觉上,图10说明,以徒手注释为金标准,该方法能够检测OD和杯地区即使色彩差异细微,视神经盘旁萎缩血管是令人不安的边缘,或者是出现在视网膜图像。Ellipse-based人工注释不精确提取区域的形状,因此,结果是不准确的预期。

3.2.2。CDR质量测量

CDR是广泛采用的标准衡量青光眼检测。三种CDR的方法提出了计算(28]。前两种方法是基于杯和盘的直径垂直和水平地区,分别VCDR和HCDR。第三个策略是基于领域的杯子和阀瓣ACDR。后者被认为是最佳逼近,因为正如世界杯可能会从不同的角度,面向ACDR措施将不会与VCDR和HCDR倾斜。这些措施可能反映了方向的影响(28]。图11显示了大量参与VCDR, HCDR, ACDR。

这些参数的方程 在哪里是垂直OD直径,是水平OD直径,是垂直杯直径,是水平杯直径,OD的面积直径,的面积是杯子。

这些定义后,我们计算VCDR, HCDR, ACDR 60图像Dataset2和使用提出的三个方法:(1)没有后处理,与AC后处理(2),(3)交流和椭圆拟合。此外,我们计算这些措施在手动freehand-marked retinographies和手动ellipse-fitted图像。使用绝对垂直的结果进行比较(E_absv),绝对的水平(E_absh),绝对面积(E_absA)错误。

分项指数是指一个值计算与该算法与它的任何两个后处理版本或手动椭圆拟合技术。分项指数GT指的是计算出的值从地面真实图像,即徒手手动标注集。

额外的误差测量计算:相对垂直(E_relv),相对水平(E_relh)和相对面积(E_relA)错误。

平均值和标准偏差呈现在表的错误3。

结果表3表明,该自动与AC算法和椭圆拟合结果是最好的方法关于VCDR, ACDR, HCDR。

3.2.3。与最先进的技术

很难比较的性能提出策略其他先进的方法主要是因为每个方法使用不同的图像数据库在许多场合私人和不可用。然而,我们目前的平均绝对误差在表4报道的方法4为了获得一个整体质量比较35]。

表4表明该方法优于其他报道策略在一个数量级。

4所示。结论

青光眼是一种沉默的疾病,需要相关的早期诊断,防止失明。疾病的主要指标之一是CDR比率,计算区域OD的比例和杯子。这些地区必须从视网膜图像分割。大多数先进的技术用于OD的分割,因为杯是一个困难的区域从图像处理的角度来看:它的绝对颜色可能不同于一个病人到另一个和它的边界可以扩散,甚至听不清。大多数作者认为OD和杯是最亮的区域视网膜眼底图像和灰度级处理段的使用都是必要的。大多数的方法包括几个复杂的步骤,通常依赖于实验固定参数。此外,血管前必须检测和填补OD和杯检测。因此,添加复杂性和错误传播。此外,矢量不考虑颜色信息和人类感知通常是被遗忘的。在本文中,我们解决问题的CDR计算在视网膜眼底图像的角度科学色彩。 Characteristic colour changes of OD and cup edges were calculated in a uniform colour space with a perception-adapted distance metric allowing an additional level of correlation with a human visual system. We have tested six different classifiers with 60 images selected from seven different public databases to build a robust and precise model for CDR computing. As a result, bagged decision trees were found to produce accurate classification results (95.02%). Then, the model was validated on a completely different database that included 60 images of high complexity. Again, the method showed accurate results (81.19%), proving the fact that it generalizes well despite the used database. CDR measurements based on this automatic method are accurate at the light of the obtained mean absolute and relative errors. To sum up, we have presented an accurate, robust method, based on the kind of images available in primary healthcare settings, that calculates glaucoma indicators using colour information. Future work will address the use of this system in mobile applications.

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由政府支持的西班牙(批准号tec2014 - 53103 p)。

补充材料

引用

1. 谁,谁,82卷,没有。11日,页。811 - 890年、2011年、2004年11月。
2. m·法伦,o·瓦莱罗能源、m . Pazos和a .安东”在青光眼诊断成像设备的准确性:一个荟萃分析,“眼科学的调查,卷62,不。4、446 - 461年,2017页。视图:出版商的网站|谷歌学术搜索
3. m·d·艾布拉姆·m·k·加文,m . Sonka视网膜成像和图像分析,“在生物医学工程IEEE评论,3卷,第208 - 169页,2010年。视图:出版商的网站|谷歌学术搜索
4. 大肠Ng, Acharya, j .苏瑞,a . Campilho在眼科图像分析和建模,CRC出版社,2014年。视图:出版商的网站
5. m . Lotankar k .诺罗尼亚,j .科技”检测视神经盘和杯子的颜色青光眼的视网膜图像进行自动诊断,”2015年IEEE会议部分电子计算机和电子产品(UPCON),阿拉哈巴德,印度,2016。视图:出版商的网站|谷歌学术搜索
6. f·s . j . Liu, d . w . k . Wong et al .,“从眼底图像,自动青光眼诊断”2011年度国际会议的IEEE在医学和生物学社会工程,页3383 - 3386,波士顿,MA,美国,2011。视图:出版商的网站|谷歌学术搜索
7. k .栏杆,c . Boachie r·伯恩et al .,”可以为视神经盘自动成像援助青光眼和视网膜神经纤维层分析检测吗?”眼科学,卷123,不。5,930 - 938年,2016页。视图:出版商的网站|谷歌学术搜索
8. w·g . Lim y Cheng许,m·l·李”集成视神经盘和杯子分割与深度学习”2015年IEEE 27日国际会议与人工智能工具(ICTAI),页162 - 169,Vietri南母马,意大利,2016年。视图:出版商的网站|谷歌学术搜索
9. s . Bharkad“自动分割视网膜视神经乳头的图片,“生物医学信号处理和控制31卷,第498 - 483页,2017年。视图:出版商的网站|谷歌学术搜索
10. s . Sedai·k·罗伊·d·塔,和r . Garnavi”分割的视神经盘和视杯视网膜眼底图像,采用形状回归”IEEE 2016年第38届国际会议在医学和生物工程协会(EMBC)奥兰多,页3260 - 3264,美国2016年。视图:出版商的网站|谷歌学术搜索
11. d . Diaz-Pernil i Fondon、f . Pena-Cantillana和m . a . Gutierrez-Naranjo”完全自动化的视神经盘的平行分割视网膜眼底图像,”模式识别的字母卷,83年,第107 - 99页,2016年。视图:出版商的网站|谷歌学术搜索
12. m . nas Langroudi和h Sadjedi”,自动检测和视网膜病变的诊断疾病的新方法在彩色眼底图像基于形态学,”2010年国际会议上生物信息学和生物医学技术成都,页134 - 138年,中国,2010。视图:出版商的网站|谷歌学术搜索
13. x, m . Niemeijer问:歌et al .,“容器边界界定在眼底图像,采用图论的方法”IEEE医学成像,30卷,不。6,1184 - 1191年,2011页。视图:出版商的网站|谷歌学术搜索
14. m . Madhusudhan:马来语,s . r .吧和d . Samerendra“青光眼检测、图像处理技术”计算和通信技术的发展施普林格,页365 - 373年,柏林,海德堡,2011年。视图:出版商的网站|谷歌学术搜索
15. j·r·h·库马尔a . k . Pediredla和c . s . Seelamantula“积极的光盘自动视神经盘分割,”2015年IEEE全球信号与信息处理(GlobalSIP)会议奥兰多,页225 - 229,美国2015年。视图:出版商的网站|谷歌学术搜索
16. k . Akyol bŞen,Ş。Bayir”自动检测视网膜视神经盘的图像通过使用关键点检测、纹理分析、和视觉词典技术,”计算和数学方法在医学卷,2016篇文章ID 6814791, 10页,2016。视图:出版商的网站|谷歌学术搜索
17. j . a . de Sousa a . c . de Paiva j·d·苏萨de Almeida a·c·席尔瓦g . b .初级和m . Gattass”结构基于地质统计学从眼底眼青光眼诊断图像,”多媒体工具和应用程序,卷76,不。18日,第19190 - 19173页,2017年。视图:出版商的网站|谷歌学术搜索
18. b .戴,吴x和w·布鲁里溃疡,“视神经盘分割基于变分模型与多个能量,”模式识别卷,64年,第235 - 226页,2017年。视图:出版商的网站|谷歌学术搜索
19. m·p·Sarathi m·k·杜塔a·辛格和c m . Travieso“血管修复技术有效的定位和分割的视神经盘在数字眼底图像,”生物医学信号处理和控制25卷,第117 - 108页,2016年。视图:出版商的网站|谷歌学术搜索
20. n·p·辛格和r·斯利瓦斯塔瓦”视网膜血管分割利用耿贝尔基于概率分布函数的匹配滤波器,”计算机在生物医学方法和项目卷。129年,40 - 50,2016页。视图:出版商的网站|谷歌学术搜索
21. b . Dashtbozorg, a . m . Mendonca和a . Campilho”视神经盘分割使用滑动带通滤波器”,计算机在生物学和医学,卷。56岁的1 - 12,2015页。视图:出版商的网站|谷歌学术搜索
22. Fondon, j·f·瓦尔韦德,a . Sarmiento阿巴斯,吉梅内斯,和p . Alemany“视杯自动分割算法对视网膜眼底图像基于随机森林分类器”IEEE 2015 -国际会议EUROCON计算机作为一种工具(EUROCON)2015年,页1 - 6,萨拉曼卡,西班牙。视图:出版商的网站|谷歌学术搜索
23. a . Almazroa w .太阳,s . Alodhayb k . Raahemifar诉Lakshminarayanan,“视神经盘分割:水平集方法和血管修复,”为医疗、医学成像2017:影像信息学研究和应用。有医学影像,1013806条,页1013806 - 1013806,奥兰多,佛罗里达州,美国,2017年。视图:出版商的网站|谷歌学术搜索
24. n d·萨利赫·m·d·萨利赫c . Eswaran和j·阿卜杜拉,“快使用改进FFT-based视神经盘分割和区域增长技术,”计算机方法在生物力学和生物医学工程:成像和可视化,2017年,页1 - 12。视图:出版商的网站|谷歌学术搜索
25. f . Ortuno i Rojas,“与Kapur-ScPSO建立级联multithresholding视神经盘分割,”IWBBIO 2016:生物信息学和生物医学工程,第215 - 206页,2016年。视图:出版商的网站|谷歌学术搜索
26. a . Septiarini a . Harjoko r . Pulungan, r . Ekantini”视神经盘杯由自动阈值分割和形态学操作对青光眼的评价,“信号,图像和视频处理,11卷,不。5,945 - 952年,2016页。视图:出版商的网站|谷歌学术搜索
27. 答:a .萨拉姆,t·哈利勒m . Akram, a·贾米尔和巴西,“自动检测青光眼使用结构和非结构特点,“SpringerPlus,5卷,不。1,p。1519年,2016。视图:出版商的网站|谷歌学术搜索
28. p .美国昆虫学家米塔帕里和g·b·康帝”分割的视盘和视杯数码眼底图像的评价青光眼,”生物医学信号处理和控制,24卷,34-46,2016页。视图:出版商的网站|谷歌学术搜索
29. 美国r·阿·m·r·k·Mookiah j·e·w·Koh et al .,“自动筛选系统对视网膜的健康使用循环水经验模态分解和综合指数”计算机在生物学和医学卷。75年,54 - 62年,2016页。视图:出版商的网站|谷歌学术搜索
30. a . Agarwal s Gulia s Chaudhary m·k·杜塔r . Burget和k . Riha”自动青光眼检测眼底图像,使用基于自适应阈值技术”2015年第38电信国际会议和信号处理(TSP),页416 - 420,布拉格,捷克共和国,2015年。视图:出版商的网站|谷歌学术搜索
31. 美国默罕默德·d·t·莫里斯,“青光眼分类、纹理分析”2015年国际会议上BioSignal分析、处理和系统(ICBAPS),1卷,页98 - 103,吉隆坡,马来西亚,2015年。视图:出版商的网站|谷歌学术搜索
32. d·马林m . e . Gegundez-Arias a . Suero和j·m·布拉沃”获得视神经盘中心和像素区域形态眼底图像处理,自动阈值方法”计算机在生物医学方法和项目,卷118,不。2、173 - 185年,2015页。视图:出版商的网站|谷歌学术搜索
33. n e·a·哈立德n·m·努尔,n . m .公司“模糊c均值(FCM)视杯和盘分割形态操作,“Procedia计算机科学,42卷,不。C, 255 - 262年,2014页。视图:出版商的网站|谷歌学术搜索
34. Fondon, f . Nunez m . Tirado et al .,“自动cup-to-disc比率估计使用活跃的眼底图像的轮廓和颜色聚类青光眼诊断,”ICIAR 2012:图像分析和识别卷,7325课堂讲稿在计算机科学中,第2部分,第399 - 390页,2012年。视图:出版商的网站|谷歌学术搜索
35. a·辛格·m·k·杜塔m . ParthaSarathi诉呃,r . Burget,“基于图像处理的自动诊断青光眼使用小波变换特性的分段视神经盘眼底图像,”计算机在生物医学方法和项目卷,124年,第120 - 108页,2016年。视图:出版商的网站|谷歌学术搜索
36. C.-K。陆,t·b·唐以优异,b . Dhillon和a·f·穆雷”Parapapillary萎缩和视神经盘区域评估(PANDORA):视网膜成像工具的评估视神经盘和Parapapillary萎缩,”《生物医学光学,17卷,不。10,1060101条,2012年。视图:出版商的网站|谷歌学术搜索
37. a . Gopalakrishnan) a . Almazroa k . Raahemifar诉Lakshminarayanan和a .预处理”视神经盘分割使用圆形霍夫变换和曲线拟合,”2015年第二次国际会议上光电和应用光学(IEM OPTRONIX),1卷,2015年。视图:出版商的网站|谷歌学术搜索
38. m . c . v . s .玛丽·e·b·Rajsingh j·k·k·雅各布,d . Anandhi美国阿马托和美国大肠,赛尔凡来到“实证研究视神经盘分割使用活动轮廓模型,”生物医学信号处理和控制卷。18日,19-29,2015页。视图:出版商的网站|谷歌学术搜索
39. a .伊萨克·m·帕Sarathi, m·k·杜塔”基于自适应阈值的图像处理技术提高青光眼检测和分类,“计算机在生物医学方法和项目,卷122,不。2、229 - 244年,2015页。视图:出版商的网站|谷歌学术搜索
40. 答:欢笑,m . Parthasarthi m·k·杜塔,“一种基于自适应阈值算法对视神经盘和杯子在眼底图像分割,”2015年第二届国际会议在信号处理和集成网络(SPIN)诺伊达,页143 - 147年,印度,2015。视图:出版商的网站|谷歌学术搜索
41. a . a .萨拉姆·m·Akram, k .维齐尔s·m·瓦尔和m·马吉德“自治青光眼检测使用杯盘比从眼底图像和混合特性,”2015年IEEE信号处理和信息技术国际研讨会(ISSPIT),页370 - 374,阿布扎比,阿拉伯联合酋长国,2015年。视图:出版商的网站|谷歌学术搜索
42. 问:阿巴斯,即Fondon, s·吉梅内斯和p . Alemany自动检测视网膜眼底图像的视神经盘使用动态编程卷,7325课堂讲稿在计算机科学中,第2部分施普林格,柏林,海德堡,2012。视图:出版商的网站
43. 莫拉莱斯,诉Naranjo j . Angulo和m . Alcaniz”自动检测基于PCA和数学形态学的视神经盘”IEEE医学成像,32卷,不。4、786 - 796年,2013页。视图:出版商的网站|谷歌学术搜索
44. a的查克推瓦蒂和j . Sivaswamy青光眼分类与分割和基于图像特征的融合,”2016年IEEE 13生物医学成像(位ISBI)国际研讨会卷,2016年,页689 - 692,布拉格,捷克共和国,2016年。视图:出版商的网站|谷歌学术搜索
45. m .埃姆雷Celebi和s波格丹,低级的进步彩色图像处理11卷课堂讲稿在计算愿景和生物力学施普林格,多德雷赫特,[荷兰],2014。
46. e·a·Krupinski”目前在医学图像感知视角,”注意,感知和心理物理学,卷72,不。5,1205 - 1217年,2010页。视图:出版商的网站|谷歌学术搜索
47. Fondon, m·j·j·p·范·Grinsven c . i桑切斯和a . Saez这“感知改编方法视神经盘检测视网膜眼底图像,”学报》第26届IEEE国际研讨会以计算机为基础的医疗系统葡萄牙波尔图,页279 - 284,,2013。视图:出版商的网站|谷歌学术搜索
48. m·e·a·Bechar n . Settouti诉Barra和m . a . Chikh”Semi-supervised superpixel医学图像分割的分类:应用程序来检测青光眼疾病,”多维系统和信号处理,2017年,页1 - 20。视图:出版商的网站|谷歌学术搜索
49. j .施莉j . m . Buhmann和d·塔,“青光眼使用熵检测抽样和整体学习自动视杯和盘分割,“计算机医学影像和图形卷,55 28-41,2017页。视图:出版商的网站|谷歌学术搜索
50. Fondon, j·f·瓦尔韦德,a . Sarmiento阿巴斯,吉梅内斯,和p . Alemany“视杯自动分割算法对视网膜眼底图像基于随机森林分类器”IEEE 2015 -国际会议EUROCON计算机作为一种工具(EUROCON)2015年,萨拉曼卡,西班牙,没有。1。视图:出版商的网站|谷歌学术搜索
51. a·迪亚兹莫拉莱斯,诉Naranjo p . Alcocer和a . Lanzagorta“青光眼诊断通过彩色眼底图像的视杯特性分析”2016年24日欧洲信号处理会议(EUSIPCO),卷2,页2055 - 2059,布达佩斯,匈牙利。视图:出版商的网站|谷歌学术搜索
52. 诉Naranjo塞斯c . j .,莫拉莱斯,k . Engan g .孤独,“视杯表征通过稀疏表示字典学习,”2016年24日欧洲信号处理会议(EUSIPCO),页1688 - 1692,布达佩斯,匈牙利,2016。视图:出版商的网站|谷歌学术搜索
53. j .阿尤布j·艾哈迈德·j·穆罕默德et al .,“青光眼检测通过视神经盘和杯子使用K-mean聚类分割,”2016年国际会议上计算、电子和电气工程(冰块)巴基斯坦奎达,页143 - 147,,2016。视图:出版商的网站|谷歌学术搜索
54. n . m . Tan y, w . b .吴作栋和j·刘,“健壮的多尺度superpixel分类视杯定位。”计算机医学影像和图形40卷,第193 - 182页,2015年。视图:出版商的网站|谷歌学术搜索
55. e . Decenciere x张g . Cazuguel et al .,“公开反馈分布式图像数据库:Messidor数据库”图像分析与体视学,33卷,不。3,p。231年,2014年。视图:出版商的网站|谷歌学术搜索
56. j . Staal m·d·艾布拉姆m . Niemeijer m·a . Viergever和b . van Ginneken”Ridge-based视网膜血管分割彩色图像的,”IEEE医学成像,23卷,不。4、501 - 509年,2004页。视图:出版商的网站|谷歌学术搜索
57. j . Odstrčilik j . Jan j . Gazarek, r . Kolař”改进颜色匹配滤波的视网膜血管分割的图像,”世界医学物理与生物医学工程大会慕尼黑,德国,2009年。视图:出版商的网站|谷歌学术搜索
58. 答:胡佛和m . Goldbaum”定位视神经视网膜图像使用模糊融合的血管,”IEEE医学成像,22卷,不。8,951 - 958年,2003页。视图:出版商的网站|谷歌学术搜索
59. l . Giancardo f . Meriaudeau t . p . Karnowski et al .,“Exudate-based糖尿病黄斑水肿检测眼底图像中使用公开的数据集,”医学图像分析,16卷,不。1,第226 - 216页,2012。视图:出版商的网站|谷歌学术搜索
60. t .正处在诉Kalesnykiene, j。Kamarainen et al .,DIARETDB0:评价数据库和糖尿病性视网膜病变的方法,算法,2006年。
61. p .横堤,c . n . Scholfield j·g . McGeown和t·m·柯蒂斯”快速视网膜血管检测和测量使用小波和边缘位置优化,“《公共科学图书馆•综合》,7卷,不。第三条e32435, 2012年。视图:出版商的网站|谷歌学术搜索
62. S.-Y。朱,k . n . Plataniotis科学和a . n . Venetsanopoulos”综合分析的边缘检测在彩色图像处理中,“光学工程,38卷,第625 - 612页,1999年。视图:出版商的网站|谷歌学术搜索
63. 塞斯c Serrano a, b .据,c·s·门多萨”开发和评估感知调整色彩渐变,”专业图像处理,7卷,不。4、355 - 363年,2013页。视图:出版商的网站|谷歌学术搜索
64. d包,p . a . Tarazaga m卡萨达et al .,”步行者通过地板下加速度计测量,性别分类”IEEE物联网,3卷,不。6,1259 - 1266年,2016页。视图:出版商的网站|谷歌学术搜索
65. P.-N。施泰因巴赫,m .,诉Kumar,数据挖掘导论皮尔森,2005。视图:出版商的网站
66. y弗洛伊德和r·e·Schapire”决策理论泛化的在线学习和提高应用程序,”计算机与系统科学杂志》上,55卷,不。1,第139 - 119页,1997。视图:出版商的网站|谷歌学术搜索
67. 答:节俭、f·坎瓦尔和h . El-Serag“胃肠和肝脏疾病的预测模型:太多的开发,验证太少,“诊所在胃肠病学,14卷,不。12日,第1680 - 1678页,2016年。视图:出版商的网站|谷歌学术搜索
68. t·f·陈,洛杉矶Vese主动轮廓没有边缘,”IEEE图像处理,10卷,不。2、266 - 277年,2001页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017 m·a·Fernandez-Granero et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。