CN110246158A - 眼疾检测装置、方法、电子终端、及存储介质 - Google Patents

眼疾检测装置、方法、电子终端、及存储介质 Download PDF

Info

Publication number
CN110246158A
CN110246158A CN201910652423.4A CN201910652423A CN110246158A CN 110246158 A CN110246158 A CN 110246158A CN 201910652423 A CN201910652423 A CN 201910652423A CN 110246158 A CN110246158 A CN 110246158A
Authority
CN
China
Prior art keywords
patient
eye
eyeball
detection module
distance
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
CN201910652423.4A
Other languages
English (en)
Other versions
CN110246158B (zh
Inventor
范先群
周慧芳
崔昌
宋雪霏
孙静
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.)
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Original Assignee
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
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 Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine filed Critical Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority to CN201910652423.4A priority Critical patent/CN110246158B/zh
Publication of CN110246158A publication Critical patent/CN110246158A/zh
Application granted granted Critical
Publication of CN110246158B publication Critical patent/CN110246158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Eye Examination Apparatus (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请提供眼疾检测装置、方法、电子终端、及存储介质，其包括如下各模块中的任一种或多种的组合：眼部异常状态检测模块，用于对拍摄有测试者的正常眼部和异常眼部的多张图像进行多判定指标的标注，以建立用于检测患者的眼部异常状态的评分模；眼球运动检测模块，用于根据患者眼球的运动情况来检测患者眼球的运动受限程度；眼睑下垂检测模块，用于检测患者眼球的下垂程度；复视检测模块，用于检测患者的复视情况；吸烟指数计算模块，用于检测患者的吸烟习惯。本申请将主观指标客观化、客观测量指标精确化，通过机器学习及机器测量，将眼眶检查项目整合在一台眼眶检查测量分析装置中，提高眼眶检查的准确性和精确性。

Description

眼疾检测装置、方法、电子终端、及存储介质
技术领域
本申请涉及医学技术领域，特别是涉及眼疾检测装置、方法、电子终端、及存储介质。
背景技术
甲状腺相关眼病(Thyroid-associated ophthalmopathy，TAO)是累及眶内及眶周组织的自身免疫性疾病，其发病率女性约为16/100000,男性约为2.9/100000人，居眼眶疾病首位，且呈逐年上升趋势。该病主要表现为淋巴细胞过度浸润、脂肪异常增生和眼外肌纤维化变性，引起眼球突出、眼睑退缩、眼球运动障碍、斜视、复视等症状，3-5％患者可产生压迫性视神经病变、暴露性角膜炎，甚至失明严重损害患者的视功能和生活质量，给家庭和社会造成沉重的负担。
目前临床上主要通过影像学检查、甲功检测和眼眶检查进行甲状腺相关眼病的诊断，其中眼眶检查是临床诊断和治疗效果评价的重要依据。眼眶检查主要包括CAS评分、眼睑退缩检查和眼球运动检查等。
但是，目前临床上眼眶检查主要存在以下两个问题：1、主观定性指标如CAS评分虽然每项均有具体的评判标准，但不同检查者的评判尺度存在差异，导致患者经过不同检查者评估后的评分不完全相同；2、定量测量指标如眼睑退缩检查和眼球运动检查不易精确测量，导致不同检查者之间测量误差较大；以上不足导致现实中同一个病例经过不同的检查者检查后，存在结果不一致现象。
申请内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供眼疾检测装置、方法、电子终端、及存储介质，用于解决现有技术中的问题。
为实现上述目的及其他相关目的，本申请的第一方面提供一种眼疾检测装置，其包括如下各模块中的任一种或多种的组合：眼部异常状态检测模块，用于对拍摄有测试者的正常眼部和异常眼部的多张图像进行多判定指标的标注，以建立用于检测患者的眼部异常状态的评分模；眼球运动检测模块，用于根据患者眼球的运动情况来检测患者眼球的运动受限程度；眼睑下垂检测模块，用于检测患者眼球的下垂程度；复视检测模块，用于检测患者的复视情况；吸烟指数计算模块，用于检测患者的吸烟习惯。
于本申请的第一方面的一些实施例中，所述装置包括眼部异常状态检测模块；其中，所述多判定指标包括：眼睑充血判定、眼睑肿胀程度判定、结膜充血程度判定、结膜水肿判定、泪阜红肿判定、角膜损伤判定、自发性球后疼痛判定、以及眼球运动时疼痛判定中的任一种或多种指标的组合。
于本申请的第一方面的一些实施例中，所述装置包括眼球运动检测模块；其中，以患者眼部的内、外眦角之间的连接线作为内外眦连线，并以经过睑裂最高处的且与内外眦连线相垂直的直线作为睑裂垂直线；所述眼球运动检测模块用于：获取患者眼球朝多个方向运动至极限时的图像；根据所获取图像中患者眼球的边缘与内外眦连线之间的位置关系来确定患者眼球在上下方向的受限程度；以及/或者，根据所获取图像中患者眼球的边缘与睑裂垂直线之间的位置关系来确定患者眼球在左右方向的受限程度。
于本申请的第一方面的一些实施例中，所述眼球运动检测模块确定患者眼球在上下方向的受限程度所执行的步骤包括：判断图像中患者的眼球是否能够向上运动至越过所述内外眦连线；若是，则确定该名患者的眼球向上运动不受限；若否，则将未越过所述内外眦连线的眼球部分的最下缘与所述内外眦连线之间的距离作为该名患者的眼球向上运动时的受限距离。
于本申请的第一方面的一些实施例中，所述眼球运动检测模块确定患者眼球在上下方向的受限程度所执行的步骤包括：判断图像中患者的眼球是否能够向下运动至越过所述内外眦连线；若是，则确定该名患者的眼球向下运动不受限；若否，则将未越过所述内外眦连线的眼球部分的最上缘与所述内外眦连线之间的距离作为该名患者的眼球向下运动时的受限距离。
于本申请的第一方面的一些实施例中，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的左眼球是否能够向左运动至越过所述睑裂垂直线；若是，则确定该名患者的左眼球向左运动不受限；若否，则将未越过所述睑裂垂直线的眼球部分的最右缘与所述睑裂垂直线之间的距离作为该名患者的左眼球向左运动时的受限距离。
于本申请的第一方面的一些实施例中，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的左眼球是否能够向右运动至使未越过睑裂垂直线的眼球部分的最左缘与睑裂垂直线之间的距离在第一预设距离以下；若是，则确定该名患者的左眼球向右运动不受限；若否，则将超过所述第一预设距离的距离值作为该名患者的左眼球向右运动时的受限距离。
于本申请的第一方面的一些实施例中，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的右眼球是否能够向右运动至越过所述睑裂垂直线；若是，则确定该名患者的右眼球向右运动不受限；若否，则将未越过所述睑裂垂直线的眼球部分的最左缘与所述睑裂垂直线之间的距离作为该名患者的右眼球向右运动时的受限距离。
于本申请的第一方面的一些实施例中，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的右眼球是否能够向左运动至使未越过睑裂垂直线的眼球部分的最右缘与睑裂垂直线之间的距离在第二预设距离以下；若是，则确定该名患者的右眼球向左运动不受限；若否，则将超过所述第二预设距离的距离值作为该名患者的右眼球向左运动时的受限距离。
于本申请的第一方面的一些实施例中，所述装置包括眼睑下垂检测模块；所述眼睑下垂检测模块用于根据患者眼球的角膜映光点与眼睑上下缘之间的距离来确定患者眼球的下垂程度。
于本申请的第一方面的一些实施例中，所述眼睑下垂检测模块确定患者眼球的下垂程度所执行的步骤包括：获取患者的眼球处于正视状态时的图像；根据患者眼球的角膜映光点与眼睑上缘之间的距离是否小于第一预设眼睑下垂值，来判断该名患者的眼睑是否下垂；以及/或者，根据患者眼球的角膜映光点与眼睑下缘之间的距离是否大于第二预设眼睑下垂值，来判断该名患者的眼睑是否下垂。
于本申请的第一方面的一些实施例中，所述装置包括吸烟指数计算模块；所述吸烟指数计算模块的吸烟指数取决于平均每天吸烟数量和总吸烟年数的综合影响。
于本申请的第一方面的一些实施例中，所述装置还包括：综合评分模块，用于对眼部异常状态检测模块、眼球运动检测模块、眼睑下垂检测模块、复视检测模块、吸烟指数计算模块赋予相应的权重，并根据各模块的得分数据综合分析患者眼部的得疾情况。
为实现上述目的及其他相关目的，本申请的第二方面提供一种眼疾检测方法，应用于计算机设备；所述方法通过如下任一种或多种方式的组合进行眼疾检测：对拍摄有测试者的正常眼部和异常眼部的多张图像进行多判定指标的标注，以建立用于检测患者的眼部异常状态的评分模型；根据患者眼球的运动情况来检测患者眼球的运动受限程度；检测患者眼球的下垂程度；检测患者的复视情况；检测患者的吸烟习惯。
为实现上述目的及其他相关目的，本申请的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，所述计算机程序被处理器执行时实现所述眼疾检测方法。
为实现上述目的及其他相关目的，本申请的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述眼疾检测方法。
如上所述，本申请的眼疾检测装置、方法、电子终端、及存储介质，具有以下有益效果：本申请提供应用于甲状腺相关眼病的眼疾检测方案，将主观指标客观化、客观测量指标精确化，通过机器学习及机器测量，将眼眶检查项目整合在一台眼眶检查测量分析装置中，提高眼眶检查的准确性和精确性。
附图说明
图1显示为本申请一实施例中眼疾检测装置的结构示意图。
图2显示为本申请一实施例中患者眼部的示意图。
图3A显示为本申请一实施例中患者眼部的示意图。
图3B显示为本申请一实施例中患者眼部的示意图。
图4A显示为本申请一实施例中患者眼部向上转动不受限的示意图。
图4B显示为本申请一实施例中患者眼部向上转动受限的示意图。
图5A显示为本申请一实施例中患者左眼向左转动不受限的示意图。
图5B显示为本申请一实施例中患者左眼向左转动受限的示意图。
图6A显示为本申请一实施例中患者右眼向左转动不受限的示意图。
图6B显示为本申请一实施例中患者右眼向左转动受限的示意图。
图7A显示为本申请一实施例中患者左眼上眼睑下垂的示意图。
图7B显示为本申请一实施例中患者左眼下眼睑下垂的示意图。
图8显示为本申请一实施例中眼疾检测方法的流程示意图。
图9显示为本申请一实施例中电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
针对现有技术中眼眶检查技术不够客观和精确的问题，本申请提供应用于甲状腺相关眼病的眼疾检测方案，将主观指标客观化、客观测量指标精确化，通过机器学习及机器测量，将眼眶检查项目整合在一台眼眶检查测量分析装置中，提高眼眶检查的准确性和精确性。
如图1所示，展示本申请一实施例中眼疾检测装置的结构示意图。所述眼疾检测装置包括眼部异常状态检测模块11、眼球运动检测模块12、眼睑下垂检测模块13、复视检测模块14、吸烟指数计算模块15中的任一种或多种模块的组合。也即，本实施例的装置可采用单独一种模块来进行眼疾检测，或可采用两个或更多个模块相结合来进行综合的眼疾检测。
在一实施例中，所述眼部异常状态检测模块11用于对拍摄有测试者的正常眼部和异常眼部的多张图像进行多判定指标的标注，以建立用于检测患者的眼部异常状态的评分模型。其中，所述多判定指标包括：眼睑充血判定、眼睑肿胀程度判定、结膜充血程度判定、结膜水肿判定、泪阜红肿判定、角膜损伤判定、自发性球后疼痛判定、以及眼球运动时疼痛判定中的任一种或多种指标的组合。
在一实施例中，为获取清晰的眼部图像，如图2所示，以测试者的眉毛上沿为上边界、以鼻下沿为下边界、以脸部左侧边缘为左边界、以脸部右侧边缘为右边界精确识别照片中的眼及周围组织的位置。需说明的是，在本实施例及本申请下文中所涉及的实施例中，均以患者的方位描述左右，例如，位于图2左侧的眼睛实为患者的右眼，故标示为右眼，而位于图2右侧的眼睛实为患者的左眼，故标示为左眼。
在一实施例中，眼部异常状态检测模块11对多张(如数千张)正常眼部和异常眼部的照片进行标注，使用机器视觉、深度学习的方法，形成眼部照片判定的算法，然后根据眼部照片进行如下判定：眼睑充血判定(是否)，眼睑肿胀程度判定(重度、中度、轻度、否)，结膜充血程度判定(重度、中度、轻度、否)，结膜水肿判定(是否)，泪阜红肿判定(是否)，角膜损伤判定(是否)，以此来获得更加客观且更加精确的CAS评分系统。需要说明的是，CAS评分系统通常还包括自发性球后疼痛判定和眼球运动时疼痛判定，这两项判定指标可通过询问病人来获取或者通过调取病人的疾病历史数据来获取。
所述使用机器视觉、深度学习的方法，形成眼部照片判定的算法，具体而言是指，利用已有的神经网络模型，例如CNN卷积神经网络模型或者支持向量机模型(SVM：Supportvectormachines)等等，对患者眼部的图像进行特征感知、图像预处理、特征提取、特征筛选、及预测与识别等方面的处理，将多张(例如数千张)已有的患者眼部图像按照判定指标进行分类，例如标注为：眼睑无充血、眼睑有充血、眼睑无肿胀、眼睑肿胀严重、眼睑肿胀中度、眼睑肿胀轻度、结膜无充血、结膜充血严重、结膜充血中度、结膜充血轻度、结膜无水肿、结膜有水肿、泪阜无红肿、泪阜有红肿、角膜无损伤、或者角膜有损伤等等，从而利用已有的多张图像形成用于判断患者的眼部异常状态的智能模型。
举例来说，通过神经网络模型对当前患者的眼部图像进行图像分析处理，将当前患者的眼部图像进行归类，分析该图像与评分模型中的哪一类别图像的相似度最高，并将相似度最高的类别作为该名当前患者眼部的异常状态。例如：当前患者为眼睑充血患者，由于眼睑充血的眼部通常呈鲜红色或深紫色，故可根据眼睑充血眼部的图像的色素分布密度或者色素突变度从评分模型的多类别图像中找到与之最接近的“眼睑有充血”类别的图像，从而判断当前患者眼睑有充血。
值得注意的是，现有技术中通常通过CAS评分进行眼部异常状态的判断，但CAS评分过于主观，导致不同的评定者得出不同的结论。而本申请通过基于机器视觉和深度学习的判定方法，提供了更为客观且准确率更高的眼部异常状态的判定方法。
在一实施例中，眼球运动检测模块12用于根据患者眼球的运动情况来检测患者眼球的运动受限程度。具体如图3A和3B所示，可在眼睛上缘贴一个直径为1cm的圆形贴纸作为照片内测距标准，拍摄病例正视位照片(距离30cm左右)，放入坐标系中，自动识别左右眼的内眦角31和外眦角32并分别连线形成内外眦角连线33，并自动识别睑裂高度34的最大处并与内外眦角连线33做垂直线，以形成睑裂垂直线35。
在一实施例中，眼球运动检测模块12用于获取患者眼球朝多个方向运动至极限时的图像；根据所获取图像中患者眼球的边缘与内外眦连线之间的位置关系来确定患者眼球在上下方向的受限程度；以及/或者，根据所获取图像中患者眼球的边缘与睑裂垂直线之间的位置关系来确定患者眼球在左右方向的受限程度。
在一实施例中，所述眼球运动检测模块12确定患者眼球在上下方向的受限程度所执行的步骤包括：判断图像中患者的眼球是否能够向上运动至越过所述内外眦连线；若是，则确定该名患者的眼球向上运动不受限；若否，则将未越过所述内外眦连线的眼球部分的最下缘与所述内外眦连线之间的距离作为该名患者的眼球向上运动时的受限距离。
如图4A所示，在嘱病例头不动情况下眼睛尽力往上看的情况下，拍摄眼部照片，识别双眼角膜下侧边缘，双眼角膜(黑眼球)上转能够完全越过内外眦连线，则判定双眼上转运动正常，受限距离为0mm。
如图4B所示，在嘱病例头不动情况下眼睛尽力往上看的情况下，拍摄眼部照片，识别双眼角膜下侧边缘，双眼角膜(黑眼球)上转，右眼能够完全越过内外眦连线，故判定右眼上转运动正常，受限距离为0mm；左眼不能够完全越过内外眦连线，故判定左眼上转运受限，受限距离为内外眦连线41与角膜下缘所在水平直线42之间的最大距离(通常以mm表示)。
在一实施例中，所述眼球运动检测模块12确定患者眼球在上下方向的受限程度所执行的步骤包括：判断图像中患者的眼球是否能够向下运动至越过所述内外眦连线；若是，则确定该名患者的眼球向下运动不受限；若否，则将未越过所述内外眦连线的眼球部分的最上缘与所述内外眦连线之间的距离作为该名患者的眼球向下运动时的受限距离。其原理与上一实施例中通过判断患者眼部向上运动是否受限的原理类似，故不再赘述。
在一实施例中，所述眼球运动检测模块12确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的左眼球是否能够向左运动至越过所述睑裂垂直线；若是，则确定该名患者的左眼球向左运动不受限；若否，则将未越过所述睑裂垂直线的眼球部分的最右缘与所述睑裂垂直线之间的距离作为该名患者的左眼球向左运动时的受限距离。
如图5A所示，患者的左眼球能够完全越过睑裂垂直线，则判定左眼左转运动正常，受限距离为0mm，也即，左眼球向左运动不受限。
如图5B所示，患者的左眼球不能够完全过睑裂垂直线，则判定左眼球左向运动受限。受限的距离为睑裂垂直线51和左眼角膜右侧边缘所在垂直线52之间的最大距离(通常以mm表示)。
在一实施例中，所述眼球运动检测模块12确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的右眼球是否能够向右运动至越过所述睑裂垂直线；若是，则确定该名患者的右眼球向右运动不受限；若否，则将未越过所述睑裂垂直线的眼球部分的最左缘与所述睑裂垂直线之间的距离作为该名患者的右眼球向右运动时的受限距离。需说明的是，判断患者的右眼球向右运动是否受限，其原理与上一实施例中判断患者的左眼球向左运动是否受限的原理类似，故不再赘述。
在一实施例中，所述眼球运动检测模块12确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的右眼球是否能够向左运动至使未越过睑裂垂直线的眼球部分的最右缘与睑裂垂直线之间的距离在第二预设距离以下；若是，则确定该名患者的右眼球向左运动不受限；若否，则将超过所述第二预设距离的距离值作为该名患者的右眼球向左运动时的受限距离。
需说明的是，人的右眼左转时角膜右侧边缘往往无法越过睑裂垂直线，若未越过的距离在第二预设距离以下，则仍认为右眼左转运动正常。另外，本实施例所述的在所述第二预设距离以下既包括在第二预设距离以下的情况也包括等于第二预设距离的情况。
如图6A所示，设定所述第二预设距离为2mm，该名患者的右眼左转时，未越过睑裂垂直线的眼球部分的最左缘与睑裂垂直线之间的距离小于2mm，也即，未越过的距离在2mm以下，故右眼向左运动不受限。
如图6B所示，设定所述第二预设距离为2mm，该名患者的右眼左转时，未越过的距离超过2mm，则判定右眼向左运动受限。受限距离为睑裂垂直线61与未越过睑裂垂直线的眼球部分的最右缘所在垂直线62之间的最大距离减去2mm。
在一实施例中，所述眼球运动检测模块12确定患者眼球在左右方向的受限程度所执行的步骤包括：判断图像中患者的左眼球是否能够向右运动至使未越过睑裂垂直线的眼球部分的最左缘与睑裂垂直线之间的距离在第一预设距离以下；若是，则确定该名患者的左眼球向右运动不受限；若否，则将超过所述第一预设距离的距离值作为该名患者的左眼球向右运动时的受限距离。需说明的是，判断患者的左眼球向右运动是否受限，其原理与上一实施例中判断患者的右眼球向左运动是否受限的原理类似，故不再赘述。
在一实施例中，眼睑下垂检测模块13用于根据患者眼球的角膜映光点与眼睑上下缘之间的距离来确定患者眼球的下垂程度。具体而言，所述眼睑下垂检测模块确定患者眼球的下垂程度所执行的步骤包括：获取患者眼球处于正视状态时的图像；根据患者眼球的角膜映光点与眼睑上缘之间的距离是否小于第一预设眼睑下垂值，来判断该名患者的眼睑是否下垂；以及/或者，根据患者眼球的角膜映光点与眼睑下缘之间的距离是否大于第二预设眼睑下垂值，来判断该名患者的眼睑是否下垂。
具体的，可嘱患者向正前方看，在患者正前方发射一束亮度适中的黄色光，使患者眼部角膜部位出现映光点(即角膜映光点)，并拍摄眼部照片(距离30cm左右)。
如图7A所示，展示本申请一实施例中对患者双眼进行眼睑下垂检测的示意图。患者右角膜映光点与眼睑上缘的距离为4mm，为正常距离值；左角膜映光点与眼睑上缘的距离为2mm，明显小于正常的右角膜映光点与眼睑上缘的距离，故该名患者左眼的上眼睑出现下垂。
如图7B所示，展示本申请一实施例中对患者双眼进行眼睑下垂检测的示意图。患者右角膜映光点与眼睑上缘的距离为5mm，为正常距离值；左角膜映光点与眼睑上缘的距离为8mm，明显大于正常的右角膜映光点与眼睑上缘的距离，故该名患者左眼的下眼睑出现下垂。
在一实施例中，复视检测模块14用于检测患者眼部的复视情况。通常来说，可通过询问病人来获取或者通过调取病人的历史数据来获取患者眼部的复视情况，即存在复视或不存在复视觉。在存在复视的情况下，还可继续判断患者的复视类别为周围视野复视、正视位间歇性复视、或者正视位持续性复视等等。
在一实施例中，吸烟指数计算模块15用于检测患者的吸烟习惯。所述吸烟指数计算模块的吸烟指数取决于平均每天吸烟数量和总吸烟年数的综合影响。
举例来说，可通过询问病人来获取或者通过调取病人的历史数据来获取患者的平均每天吸烟数量，以及总吸烟年数，并通过下式1)计算吸烟指数：
吸烟指数＝平均每天吸烟数量*总吸烟年数；公式1)
在一实施例中，所述眼疾检测装置还包括基本信息输入模块，供输入患者的基本信息，例如：姓名、年龄、性别、过往患病记录、家族史等等。
在一实施例中，眼疾检测装置还包括综合评分模块，所是综合评分模块用于对眼部异常状态检测模块、眼球运动检测模块、眼睑下垂检测模块、复视检测模块、吸烟指数计算模块赋予相应的权重，并根据各模块的得分数据综合分析患者眼部的得疾情况。
具体的，利用眼部异常状态检测模块对患者的眼部进行CAS评分，评分标准如下：眼睑有充血(1分)，眼睑无充血(0分)，眼睑肿胀严重(1分)、眼睑肿胀中度(1分)、眼睑肿胀轻度(0分)、结膜无肿胀(0分)、结膜充血严重(1分)、结膜充血中度(1分)、结膜充血轻度(0分)、结膜无充血(0分)、结膜有水肿(1分)、结膜无水肿(0分)、泪阜有红肿(1分)、泪阜无红肿(0分)、角膜无损伤(0分)、或者角膜有损伤(1分)、自发性球后疼痛(1分)、无自发性球后疼痛(0分)、眼球运动时疼痛(1分)、无眼球运动时疼痛(0分)。
利用眼球运动检测模块对患者的眼部进行运动评分，以眼球转动四个方向中的最大受限距离进行评分，双眼分别进行评分，眼球运动无受限(0分)；转动至极限时眼球运动受限(转动欠4mm以下，不含4mm)(1分)；明显眼球运动受限(转动欠4mm以上，含4mm)(2分)；眼球固视(眼球四个方向转动距离均不超过1mm)(3分)。
利用复视检测模块对患者的眼部进行复视评分：患者无复视(0分)，患者存在周边注视时复视(1分)，患者正视位间歇性复视(2分)，正视位持续性复视评分(3分)。
利用吸烟指数计算模块对患者的眼部进行吸入量评分：吸烟指数超过30包年(1分)，吸烟指数小于30包年(0分)等等。
利用眼睑下垂检测模块对患者的眼部进行眼睑下垂评分：下垂距离超过2mm(1分)，未超过2mm(0分)等等。
所述综合评分模块根据各模块对甲状腺相关眼病的重要程度，赋予各模块不同的权重，并结合各模块不同的得分，来获得最终的患者眼部得分，根据得分的高低确定患者得甲状腺眼疾眼病的情况。
应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，眼部异常状态检测模块模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上眼部异常状态检测模块模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图8所示，展示本申请一实施例中眼疾检测方法的流程示意图。所述方法通过如下任一种或多个步骤的组合进行眼疾检测。
在步骤S81中，对拍摄有测试者的正常眼部和异常眼部的多张图像进行多判定指标的标注，以建立用于检测患者的眼部异常状态的评分模型。
在步骤S82中，根据患者眼球的运动情况来检测患者眼球的运动受限程度。
在步骤S83中，检测患者眼球的下垂程度。
在步骤S84中，检测患者的复视情况。
在步骤S85中，检测患者的吸烟习惯。
因本实施例的眼疾检测方法的实施方式与上文中眼疾检测装置的实施方式类似，故不再赘述。另需说明的是，眼疾检测方法可应用于控制器，例如：ARM(Advanced RISCMachines)控制器、FPGA(Field Programmable Gate Array)控制器、SoC(System on Chip)控制器、DSP(Digital Signal Processing)控制器、或者MCU(Micorcontroller Unit)控制器等等。所述方法也可应用于包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant，简称PDA)等个人电脑。在另一些实施方式中，所述方法还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。
在一实施例中，本申请还提供一种计算机可读存储介质，其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上眼疾检测方法的各个流程步骤。本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
如图9所示，展示本申请一实施例提供的再一种电子终端的结构示意图。本实例提供的电子终端，包括：处理器91和存储器92；存储器92通过系统总线与处理器91连接并完成相互间的通信，存储器92用于存储计算机程序，处理器91用于运行计算机程序，使电子终端执行如上眼疾检测方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
综上所述，本申请提供眼疾检测装置、方法、电子终端、及存储介质，本申请提供应用于甲状腺相关眼病的眼疾检测方案，将主观指标客观化、客观测量指标精确化，通过机器学习及机器测量，将眼眶检查项目整合在一台眼眶检查测量分析装置中，提高眼眶检查的准确性和精确性。所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (17)

1.一种眼疾检测装置，其特征在于，其包括如下各模块中的任一种或多种的组合：
眼部异常状态检测模块，用于对拍摄有测试者的正常眼部和异常眼部的多张图像进行多判定指标的标注，以建立用于检测患者的眼部异常状态的评分模型；
眼球运动检测模块，用于根据患者眼球的运动情况来检测患者眼球的运动受限程度；
眼睑下垂检测模块，用于检测患者眼球的下垂程度；
复视检测模块，用于检测患者的复视情况；
吸烟指数计算模块，用于检测患者的吸烟习惯。
2.根据权利要求1所述的装置，其特征在于，所述装置包括眼部异常状态检测模块；其中，所述多判定指标包括：眼睑充血判定、眼睑肿胀程度判定、结膜充血程度判定、结膜水肿判定、泪阜红肿判定、角膜损伤判定、自发性球后疼痛判定、以及眼球运动时疼痛判定中的任一种或多种指标的组合。
3.根据权利要求1所述的装置，其特征在于，所述装置包括眼球运动检测模块；其中，以患者眼部的内、外眦角之间的连接线作为内外眦连线，并以经过睑裂最高处的且与内外眦连线相垂直的直线作为睑裂垂直线；所述眼球运动检测模块用于：
获取患者眼球朝多个方向运动至极限时的图像；
根据所获取图像中患者眼球的边缘与内外眦连线之间的位置关系来确定患者眼球在上下方向的受限程度；以及/或者，根据所获取图像中患者眼球的边缘与睑裂垂直线之间的位置关系来确定患者眼球在左右方向的受限程度。
4.根据权利要求3所述的装置，其特征在于，所述眼球运动检测模块确定患者眼球在上下方向的受限程度所执行的步骤包括：
判断图像中患者的眼球是否能够向上运动至越过所述内外眦连线；
若是，则确定该名患者的眼球向上运动不受限；
若否，则将未越过所述内外眦连线的眼球部分的最下缘与所述内外眦连线之间的距离作为该名患者的眼球向上运动时的受限距离。
5.根据权利要求3所述的装置，其特征在于，所述眼球运动检测模块确定患者眼球在上下方向的受限程度所执行的步骤包括：
判断图像中患者的眼球是否能够向下运动至越过所述内外眦连线；
若是，则确定该名患者的眼球向下运动不受限；
若否，则将未越过所述内外眦连线的眼球部分的最上缘与所述内外眦连线之间的距离作为该名患者的眼球向下运动时的受限距离。
6.根据权利要求3所述的装置，其特征在于，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：
判断图像中患者的左眼球是否能够向左运动至越过所述睑裂垂直线；
若是，则确定该名患者的左眼球向左运动不受限；
若否，则将未越过所述睑裂垂直线的眼球部分的最右缘与所述睑裂垂直线之间的距离作为该名患者的左眼球向左运动时的受限距离。
7.根据权利要求3所述的装置，其特征在于，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：
判断图像中患者的左眼球是否能够向右运动至使未越过睑裂垂直线的眼球部分的最左缘与睑裂垂直线之间的距离在第一预设距离以下；
若是，则确定该名患者的左眼球向右运动不受限；
若否，则将超过所述第一预设距离的距离值作为该名患者的左眼球向右运动时的受限距离。
8.根据权利要求3所述的装置，其特征在于，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：
判断图像中患者的右眼球是否能够向右运动至越过所述睑裂垂直线；
若是，则确定该名患者的右眼球向右运动不受限；
若否，则将未越过所述睑裂垂直线的眼球部分的最左缘与所述睑裂垂直线之间的距离作为该名患者的右眼球向右运动时的受限距离。
9.根据权利要求3所述的装置，其特征在于，所述眼球运动检测模块确定患者眼球在左右方向的受限程度所执行的步骤包括：
判断图像中患者的右眼球是否能够向左运动至使未越过睑裂垂直线的眼球部分的最右缘与睑裂垂直线之间的距离在第二预设距离以下；
若是，则确定该名患者的右眼球向左运动不受限；
若否，则将超过所述第二预设距离的距离值作为该名患者的右眼球向左运动时的受限距离。
10.根据权利要求1所述的装置，其特征在于，所述装置包括眼睑下垂检测模块；所述眼睑下垂检测模块用于根据患者眼球的角膜映光点与眼睑上下缘之间的距离来确定患者眼球的下垂程度。
11.根据权利要求10所述的装置，其特征在于，所述眼睑下垂检测模块确定患者眼球的下垂程度所执行的步骤包括：
获取患者的眼球处于正视状态时的图像；
根据患者眼球的角膜映光点与眼睑上缘之间的距离是否小于第一预设眼睑下垂值，来判断该名患者的眼睑是否下垂；以及/或者，根据患者眼球的角膜映光点与眼睑下缘之间的距离是否大于第二预设眼睑下垂值，来判断该名患者的眼睑是否下垂。
12.根据权利要求1所述的装置，其特征在于，所述装置包括吸烟指数计算模块；所述吸烟指数计算模块的吸烟指数取决于平均每天吸烟数量和总吸烟年数的综合影响。
13.根据权利要求1所述的装置，其特征在于，所述装置还包括：
综合评分模块，用于对眼部异常状态检测模块、眼球运动检测模块、眼睑下垂检测模块、复视检测模块、吸烟指数计算模块赋予相应的权重，并根据各模块的得分数据综合分析患者眼部的得疾情况。
14.一种眼疾检测方法，其特征在于，应用于计算机设备；所述方法通过如下任一种或多种方式的组合进行眼疾检测：
对拍摄有测试者的正常眼部和异常眼部的多张图像进行多判定指标的标注，以建立用于检测患者的眼部异常状态的评分模型；
根据患者眼球的运动情况来检测患者眼球的运动受限程度；
检测患者眼球的下垂程度；
检测患者的复视情况；
检测患者的吸烟习惯。
15.根据权利要求14所述的方法，其特征在于，所述眼疾检测方法包括根据患者眼球的运动情况来检测患者眼球的运动受限程度，其包括：
以患者眼部的内、外眦角之间的连接线作为内外眦连线，并以经过睑裂最高处的且与内外眦连线相垂直的直线作为睑裂垂直线；其中，所述根据患者眼球的运动情况来检测患者眼球的运动受限程度的步骤包括：
获取患者眼球朝多个方向运动至极限时的图像；
根据所获取图像中患者眼球的边缘与内外眦连线之间的位置关系来确定患者眼球在上下方向的受限程度；以及/或者，根据所获取图像中患者眼球的边缘与睑裂垂直线之间的位置关系来确定患者眼球在左右方向的受限程度。
16.一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，所述计算机程序被处理器执行时实现权利要求14或15所述的眼疾检测方法。
17.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求14或15所述的眼疾检测方法。
CN201910652423.4A 2019-07-19 2019-07-19 眼疾检测装置、方法、电子终端、及存储介质 Active CN110246158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910652423.4A CN110246158B (zh) 2019-07-19 2019-07-19 眼疾检测装置、方法、电子终端、及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910652423.4A CN110246158B (zh) 2019-07-19 2019-07-19 眼疾检测装置、方法、电子终端、及存储介质

Publications (2)

Publication Number Publication Date
CN110246158A true CN110246158A (zh) 2019-09-17
CN110246158B CN110246158B (zh) 2021-10-22

Family

ID=67892848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910652423.4A Active CN110246158B (zh) 2019-07-19 2019-07-19 眼疾检测装置、方法、电子终端、及存储介质

Country Status (1)

Country Link
CN (1) CN110246158B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111568368A (zh) * 2020-05-25 2020-08-25 歌尔科技有限公司 一种眼球运动异常检测的方法、装置及设备
CN111839455A (zh) * 2020-08-11 2020-10-30 上海鹰瞳医疗科技有限公司 甲状腺相关眼病的眼部体征识别方法及设备
CN111938655A (zh) * 2020-07-09 2020-11-17 上海交通大学 基于关键点信息的眼眶软组织形态评价方法、系统及设备
CN112150618A (zh) * 2020-10-16 2020-12-29 四川大学 一种用于眼角虚拟整形的处理方法及装置
CN112220450A (zh) * 2020-08-21 2021-01-15 上海交通大学医学院附属第九人民医院 基于三维模型的眼眶病筛查方法、系统以及终端
CN113116292A (zh) * 2021-04-22 2021-07-16 上海交通大学医学院附属第九人民医院 基于眼部外观图像的眼位测量方法、装置、终端和设备
CN114099129A (zh) * 2021-11-23 2022-03-01 杭州叁伟医疗科技有限公司 一种用于高压氧眼部治疗仪的自动控制方法及设备
WO2023277622A1 (ko) * 2021-06-30 2023-01-05 주식회사 타이로스코프 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템
US11663719B2 (en) 2021-06-30 2023-05-30 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
US11717160B2 (en) 2021-06-30 2023-08-08 Thyroscope Inc. Method and photographing device for acquiring side image for ocular proptosis degree analysis, and recording medium therefor
CN117936101A (zh) * 2024-03-21 2024-04-26 深圳大学总医院 一种智能检测甲状腺相关眼病的方法及检测系统
CN117936101B (zh) * 2024-03-21 2024-05-24 深圳大学总医院 一种智能检测甲状腺相关眼病的方法及检测系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104398234A (zh) * 2014-12-19 2015-03-11 厦门大学 一种基于专家系统的眼表综合分析仪
CN105447874A (zh) * 2015-12-07 2016-03-30 温州医科大学眼视光器械有限公司 一种人眼出血图像检测装置
CN106821301A (zh) * 2017-01-24 2017-06-13 周凌云 一种基于计算机的眼球运动距离及双眼运动一致性偏差检测装置及方法
CN107122597A (zh) * 2017-04-12 2017-09-01 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种角膜受损智能诊断系统
CN107330449A (zh) * 2017-06-13 2017-11-07 瑞达昇科技(大连)有限公司 一种糖尿病性视网膜病变体征检测方法及装置
CN108520512A (zh) * 2018-03-26 2018-09-11 北京医拍智能科技有限公司 一种测量眼部参数的方法及装置
CN108985328A (zh) * 2018-06-08 2018-12-11 佛山市顺德区中山大学研究院 用于判别角膜溃烂的深度学习模型的构建方法及其系统
CN109543728A (zh) * 2018-11-07 2019-03-29 湖北工业大学 一种基于迁移学习的甲状腺相关性眼病检测方法
CN109602391A (zh) * 2019-01-04 2019-04-12 平安科技（深圳）有限公司 眼底出血点的自动检测方法、装置及计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104398234A (zh) * 2014-12-19 2015-03-11 厦门大学 一种基于专家系统的眼表综合分析仪
CN105447874A (zh) * 2015-12-07 2016-03-30 温州医科大学眼视光器械有限公司 一种人眼出血图像检测装置
CN106821301A (zh) * 2017-01-24 2017-06-13 周凌云 一种基于计算机的眼球运动距离及双眼运动一致性偏差检测装置及方法
CN107122597A (zh) * 2017-04-12 2017-09-01 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种角膜受损智能诊断系统
CN107330449A (zh) * 2017-06-13 2017-11-07 瑞达昇科技(大连)有限公司 一种糖尿病性视网膜病变体征检测方法及装置
CN108520512A (zh) * 2018-03-26 2018-09-11 北京医拍智能科技有限公司 一种测量眼部参数的方法及装置
CN108985328A (zh) * 2018-06-08 2018-12-11 佛山市顺德区中山大学研究院 用于判别角膜溃烂的深度学习模型的构建方法及其系统
CN109543728A (zh) * 2018-11-07 2019-03-29 湖北工业大学 一种基于迁移学习的甲状腺相关性眼病检测方法
CN109602391A (zh) * 2019-01-04 2019-04-12 平安科技（深圳）有限公司 眼底出血点的自动检测方法、装置及计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘星彤等: "甲状腺功能障碍性视神经病变的影像学研究进展", 《临床眼科杂志》 *
李晓明: "前循环动脉瘤和颅内静脉窦血栓形成眼部表现临床研究", 《中国博士学位论文全文数据库医药卫生科技辑》 *
麦光焕: "眼外肌功能亢进与不足程度的分级方法", 《中华眼科杂志》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111568368A (zh) * 2020-05-25 2020-08-25 歌尔科技有限公司 一种眼球运动异常检测的方法、装置及设备
CN111938655B (zh) * 2020-07-09 2021-09-03 上海交通大学 基于关键点信息的眼眶软组织形态评价方法、系统及设备
CN111938655A (zh) * 2020-07-09 2020-11-17 上海交通大学 基于关键点信息的眼眶软组织形态评价方法、系统及设备
CN111839455A (zh) * 2020-08-11 2020-10-30 上海鹰瞳医疗科技有限公司 甲状腺相关眼病的眼部体征识别方法及设备
CN112220450B (zh) * 2020-08-21 2023-08-15 上海交通大学医学院附属第九人民医院 基于三维模型的眼眶病筛查方法、系统以及终端
CN112220450A (zh) * 2020-08-21 2021-01-15 上海交通大学医学院附属第九人民医院 基于三维模型的眼眶病筛查方法、系统以及终端
CN112150618A (zh) * 2020-10-16 2020-12-29 四川大学 一种用于眼角虚拟整形的处理方法及装置
CN113116292B (zh) * 2021-04-22 2023-07-11 上海交通大学医学院附属第九人民医院 基于眼部外观图像的眼位测量方法、装置、终端和设备
CN113116292A (zh) * 2021-04-22 2021-07-16 上海交通大学医学院附属第九人民医院 基于眼部外观图像的眼位测量方法、装置、终端和设备
US11717160B2 (en) 2021-06-30 2023-08-08 Thyroscope Inc. Method and photographing device for acquiring side image for ocular proptosis degree analysis, and recording medium therefor
US11663719B2 (en) 2021-06-30 2023-05-30 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
WO2023277622A1 (ko) * 2021-06-30 2023-01-05 주식회사 타이로스코프 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템
US11741610B2 (en) 2021-06-30 2023-08-29 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
US11748884B2 (en) 2021-06-30 2023-09-05 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
CN114099129A (zh) * 2021-11-23 2022-03-01 杭州叁伟医疗科技有限公司 一种用于高压氧眼部治疗仪的自动控制方法及设备
CN114099129B (zh) * 2021-11-23 2024-03-19 杭州叁伟医疗科技有限公司 一种用于高压氧眼部治疗仪的自动控制方法及设备
CN117936101A (zh) * 2024-03-21 2024-04-26 深圳大学总医院 一种智能检测甲状腺相关眼病的方法及检测系统
CN117936101B (zh) * 2024-03-21 2024-05-24 深圳大学总医院 一种智能检测甲状腺相关眼病的方法及检测系统

Also Published As

Publication number Publication date
CN110246158B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN110246158A (zh) 眼疾检测装置、方法、电子终端、及存储介质
US20190271858A1 (en) Method, apparatus, and computer program for establishing a representation of a spectacle lens edge
CN109684915B (zh) 瞳孔跟踪图像处理方法
Chin et al. Automatic fovea location in retinal images using anatomical priors and vessel density
Sousa de Almeida et al. Computer-aided methodology for syndromic strabismus diagnosis
Khaing et al. ChoroidNET: a dense dilated U-Net model for choroid layer and vessel segmentation in optical coherence tomography images
CN106446805B (zh) 一种眼底照中视杯的分割方法及系统
Qu et al. Fully automated grading system for the evaluation of punctate epithelial erosions using deep neural networks
Ovreiu et al. An exploratory study for glaucoma detection using densely connected neural networks
Choudhary et al. ANN glaucoma detection using cup-to-disk ratio and neuroretinal rim
WO2024060418A1 (zh) 基于眼部异常姿态的异常屈光状态识别方法及装置
Thanh et al. A Real-Time Classification Of Glaucoma from Retinal Fundus Images Using AI Technology
Zheng et al. Evaluation of effectiveness of eye massage therapy via classification of periocular images
WO2011108995A1 (en) Automatic analysis of images of the anterior chamber of an eye
US10956735B1 (en) System and method for determining a refractive error from red reflex images of eyes
Morya et al. Everything real about unreal artificial intelligence in diabetic retinopathy and in ocular pathologies
Singh et al. Assessment of disc damage likelihood scale (DDLS) for automated glaucoma diagnosis
Guerre et al. Automatic analysis of digital retinal images for glaucoma detection
US10617294B1 (en) System and method for determining the spherical power of eyes based on measured refractive error
Panahi et al. Autonomous assessment of spontaneous retinal venous pulsations in fundus videos using a deep learning framework
Fang et al. Lens structure segmentation from AS-OCT images via shape-based learning
Ilham et al. Experimenting with the Hyperparameter of Six Models for Glaucoma Classification
Elseid et al. DEVELOPING A REAL TIME ALGORITHM FOR DIAGNOSING GLAUCOMA.
TWI821063B (zh) 視網膜自動分層模型之建立方法、視網膜分層量化系統、眼部照護裝置、視網膜分層厚度及視網膜分層面積的檢測方法及神經退化性疾病評估和預測方法
Sreemol et al. A Novel Method for Glaucoma Detection Using Computer Vision

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant