CN111839455A - 甲状腺相关眼病的眼部体征识别方法及设备 - Google Patents
甲状腺相关眼病的眼部体征识别方法及设备 Download PDFInfo
- Publication number
- CN111839455A CN111839455A CN202010803761.6A CN202010803761A CN111839455A CN 111839455 A CN111839455 A CN 111839455A CN 202010803761 A CN202010803761 A CN 202010803761A CN 111839455 A CN111839455 A CN 111839455A
- Authority
- CN
- China
- Prior art keywords
- eye
- image
- region
- thyroid
- position information
- 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
Images
Classifications
-
- 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
-
- 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
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06V40/197—Matching; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Ophthalmology & Optometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Computing Systems (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种甲状腺相关眼病的眼部体征识别方法及设备。所述方法包括:获取眼部区域图像和眼位信息;利用机器学习模型对所述眼部区域图像进行处理。所述机器学习模型包括分割模型和体征判别模型。所述分割模型用于从所述眼部区域图像中分割出角膜区域和/或巩膜区域。所述体征判别模型用于在所述眼部区域图像中提取特征数据,并根据所述特征数据判断是否存在甲状腺相关眼病的眼部体征;根据所述眼位信息和所述角膜区域和/或巩膜区域的形态确定是否为眼球运动障碍和/或眼睑退缩。
Description
技术领域
本发明涉及医学图像识别领域,具体涉及一种甲状腺相关眼病的眼部体征识别方法及设备。
背景技术
甲状腺相关眼病(thyriod-associatedophthamopathy,TAO)是成年人最常见的眼眶病之一,属于自身免疫性疾病。TAO患者中,有90%左右的存在甲状腺功能亢进,约5%的存在甲状腺功能减退,还有一部分,甲状腺功能正常。甲状腺相关眼病是引起单眼或双眼突出的常见原因。眼球突出一般呈双侧性,其特点为:眼睑退缩,睑裂明显增大;眼睑充血、肿胀肥厚,上睑翻转困难;上睑迟落,当病人向下视时,上睑不随眼球下垂,角膜上缘和上部巩膜暴露;眼球运动受限,眼球直向前看呈凝视状态,眼位偏斜;结膜充血、水肿,泪阜充血水肿。除此之外,由于眼球突出明显,可致眼睑闭合困难使角膜及结膜受刺激而发生暴露性角膜炎、角膜溃疡等,影响视力,严重时溃疡引起眼内炎以致失明。TAO患者增粗甚至纤维化的眼外肌压迫视神经也可以导致压迫性视神经病变引起失明。
虽然对于专业的眼眶病医师来说诊断TAO并非难事,但因为TAO临床表现复杂多变,早期症状不明显时,如果首诊于非眼眶专业的医师,很容易被漏诊或误诊、误治。关于TAO被误诊、误治的报道,多年以来在国内外屡见不鲜。一项英国的研究表明,58%的甲状腺相关眼病患者,医生对于其眼部症状的最初诊断是不恰当的;有26%的患者,从最初出现症状到最终确诊,花费的时间超过了12个月。即使在欧洲,许多TAO患者也从未得到专科中心的治疗,或由于治疗太晚而使病程的结局欠佳。我国眼眶病专业医师数量极少,远不能满足上百万TAO患者临床需求。而且TAO病情复杂,易被其他专业医师漏诊、误诊、误治;主要是难以早期诊断和准确分期、分度。
发明内容
有鉴于此,本发明提供一种甲状腺相关眼病的眼部体征识别方法,包括:
获取眼部区域图像和眼位信息;
利用机器学习模型对所述眼部区域图像进行处理,所述机器学习模型包括分割模型和体征判别模型,所述分割模型用于从所述眼部区域图像中分割出角膜区域和/或巩膜区域,所述体征判别模型用于在所述眼部区域图像中提取特征数据,并根据所述特征数据判断是否存在甲状腺相关眼病的眼部体征;
根据所述眼位信息和所述角膜区域和/或巩膜区域的形态确定是否为眼球运动障碍和/或眼睑退缩。
可选地,获取眼部区域图像包括:
利用眼部区域检测模型对人脸图像进行识别,输出眼部区域位置信息;
根据所述眼部区域位置信息在所述人脸图像中截取眼部区域图像。
可选地,所述角膜区域和/或巩膜区域的形态包括区域边缘位置、内眦角位置、外眦角位置。
可选地,所述眼部区域图像包括正位图像、左转图像、上转图像、下转图像、右转图像、左上转图像、右上转图像、左下转图像、右下转图像中的任一图像;所述眼位信息包括正位、左转、上转、下转、右转、左上转、右上转、左下转、右下转中的任一种。
可选地,对于除正位以外的所有不同的眼位信息,判断是否为眼球运动障碍的规则不相同。
可选地,对于正位的眼位信息,通过计算上睑缘与角膜区域上缘之间是否暴露巩膜区域来判断是否为眼睑退缩。
可选地,所述分割模型包括角膜分割模型和巩膜分割模型,所述角膜分割模型用于从所述眼部区域图像中分割出角膜区域、所述巩膜分割模型用于从所述眼部区域图像中分割出巩膜区域。
可选地,所述体征判别模型有多个,分别用于在所述眼部区域图像中提取不同的特征数据,并分别根据提取的特征数据判断是否存在相应的甲状腺相关眼病的眼部体征。
可选地,所述甲状腺相关眼病的眼部体征包括眼睑水肿、眼睑充血、结膜充血、结膜水肿、泪阜充血水肿和角膜溃疡。
相应地,本发明提供一种甲状腺相关眼病的眼部体征识别设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述甲状腺相关眼病的眼部体征识别方法。
根据本发明提供的甲状腺相关眼病的眼部体征识别方法及设备,用户可提供各种眼位的眼部区域图像及其相应的眼位信息,本方案通过机器学习模型对图像进行处理,分割出角膜、巩膜区域,根据眼位信息来确定所要应用的判定规则,通过判断角膜、巩膜区域的形态特征是否符合该规则来确定是否此用户是否为眼球运动障碍以及眼睑退缩。本方案利用机器学习模型对图像的处理手段辅助或替代人工的视觉判断,具有较强的客观性和准确性,并且识别速度较快,由此可以提高医生的工作效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例中的甲状腺相关眼病的眼部体征识别方法的流程图;
图2为本发明实施例中所处理的左转眼位的眼部区域图像;
图3为本发明方案所能处理的九种眼位的眼部区域图像;
图4为本发明实施例中的一种机器学习模型的结构示意图;
图5为本发明实施例中的分割模型对巩膜分割的示意图;
图6为本发明实施例中的一种优选的机器学习模型的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种甲状腺相关眼病的眼部体征识别方法,该方法由便携式终端、计算机或服务器等电子设备执行,通过人的照片识别与甲状腺疾病相关的眼部体征,如图1所示该方法包括如下步骤:
S1,获取眼部区域图像和眼位信息。本发明所述眼部区域图像是指人眼外观图像,比如图2所示的正面、双眼眼部区域图像,此图像可通过照相机或者智能手机等拍照设备采集。眼位信息是指与眼部区域图像所示眼位相符的描述信息,比如图2示出的是眼球向左转时的图像,相应的眼位信息即为“左转”。
本方案可以用于处理多种眼位的图像及相应的眼位信息,多种眼位包括正位、左转、上转、下转、右转、左上转、右上转、左下转、右下转,图3示出了与这九种眼位信息相应的眼部区域图像。步骤S1中可以获取这些图像中的任一个及其相应的眼位信息。
S2,利用机器学习模型对眼部区域图像进行处理得到角膜区域和/或巩膜区域,以及甲状腺相关眼病的眼部体征。如图4所示,机器学习模型包括分割模型41和体征判别模型42,分割模型41用于从眼部区域图像中分割出角膜区域和/或巩膜区域。体征判别模型42用于在眼部区域图像中提取特征数据,并根据特征数据判断是否存在甲状腺相关眼病的眼部体征。
本发明所述模型是指由训练数据优化后的具有神经网络结构的模型。对于分割模型41,可选的神经网络结构包括U-Net、Mask R-CNN、DeepLab,也可以采用自行构建网络结构。关于训练方案,需要使用标注工具(如LabelMe)手工精确地在样本眼部图像中标注出角膜和/或巩膜(包含内、外眦角)的边缘,基于标注内容可生成掩图。图5示出了根据对巩膜的标注结构生成的掩图,其中白色区域为巩膜区域,黑色为背景/其他区域。将截取的巩膜区域和对应的掩图一起输入神经网络进行训练,网络通过学习识别出巩膜区域,把它分割出来。角膜的标注、分割和训练过程与巩膜类似,此处不再赘述。
对于体征判别模型42,可选的神经网络结构包括ResNet、Inception、DenseNet,也可以采用自行构建网络结构。关于训练方案,利用样本眼部区域图像结合相应体征标签,例如有/无结膜充血,输入到网络中,计算相应交叉熵损失值,使用Adam优化器进行优化并进行梯度回传,当训练集上的损失值与验证集上的损失值降到相对较低的点时,便可认为模型收敛,并有较强的泛化能力,即可完成训练。体征判别模型42执行的是分类任务,训练后该模型可从眼部区域图像中提取多维特征向量,并对其进行分类,从而输出关于甲状腺相关眼病的眼部体征的分类结果,例如有/无结膜充血。
S3,根据眼位信息和角膜区域和/或巩膜区域的形态确定是否为眼球运动障碍和/或眼睑退缩。在本方案中,眼位信息的作用可以被理解为用于确定判断规则(或称为依据、条件等),因为对于不同眼位的眼部区域图像而言,判断是否为眼球运动障碍和/或眼睑退缩的方式是不同的。所以需要根据眼位信息确定条件或规则,通过判断角膜区域和/或巩膜区域的形态是否符合该规则来确定结果。这些区域的形态包括区域边缘位置、内眦角位置、外眦角位置,对于不同眼位的眼部区域图像而言,所要用到的形态信息可以是不同的。
以图2所示情况为例,其中同时涉及眼球内转(右眼)和外转(左眼)两种动作。根据眼位信息“左转”要确定与内转和外转相应的规则。具体的,外转相应的规则为:外侧不露白,即角膜区域外侧缘达到外眦角;内转相应的规则为:内转到内眼角不露白,即角膜区域内侧缘达到内眦角。其中,内眦角和外眦角的位置可通过识别巩膜区域的形态特征得到(需要在步骤S2中识别出巩膜区域),或者也可以设置感兴趣点识别模型直接从眼部区域图像中识别出内眦角和外眦角的位置(不需要识别巩膜区域)。
对于图2所示形态,首先区分图像中的左、右眼,然后分别判断双眼是否符合上述相应的规则,如果符合则判定眼部运动正常,如果不符合上述两个规则中的任意一个,则判定为眼球运动障碍。
再以图5所示情况为例,其中涉及上转这一种动作。根据与此图像相应的眼位信息“上转”确定的规则为:双眼对称,且内外眦角连线与角膜区域下缘相切。如果图5所示的形态符合上述规则,则判定眼部运动正常,如果不符合上述规则,则判定眼球运动障碍。眼球下转的情况与上转类似,规则为:双眼应称,且内外眦角连线和角膜区域上缘相切。
正位的眼部区域图像用于确定眼睑退缩。当提供的是正位眼部区域图像及相应的眼位信息时,所确定的规则为:上睑缘与角膜区域上缘之间是否暴露巩膜区域,也即角膜区域的上方是否暴露巩膜区域。如果正位眼部区域图像展示的形态符合上述规则(暴露巩膜区域)则判定眼睑退缩,否则为正常。
需要说明的是,上述规则是根据医学规律制定的可被计算机执行的规则,实际使用时可根据识别效果调整这些规则,或者设置更多的规则都是可行的。综上所述,眼球旋转情况下的图像主要用于判断眼部运动障碍,并且不同的旋转动作所对应的判断规则不相同;眼球正位的图像主要用于判断眼睑退缩。
根据本发明实施例提供的甲状腺相关眼病的眼部体征识别方法,用户可提供各种眼位的眼部区域图像及其相应的眼位信息,本方案通过机器学习模型对图像进行处理,分割出角膜、巩膜区域,根据眼位信息来确定所要应用的判定规则,通过判断角膜、巩膜区域的形态特征是否符合该规则来确定是否此用户是否为眼球运动障碍以及眼睑退缩。本方案利用机器学习模型对图像的处理手段辅助或替代人工的视觉判断,具有较强的客观性和准确性,并且识别速度较快,由此可以提高医生的工作效率。目前本方案已得到国家自然科学基金的支持(项目批准号:81800865)。
图6示出了一个优选的机器学习模型,该模型包括眼部区域检测模61、角膜分割模型62、巩膜分割模型63、多个体征判别模型64。在本实施例中,通过眼部区域检测模61执行步骤S1取眼部区域图像,此模型可选的结构包括YOLO、SSD或Faster-RCNN。关于训练方案,通过手工把眼部区域在人脸图像中标注出来得到训练数据,这个标注框进入网络的形式为(x,y,height,width),x、y为标注框左上角在图像中的坐标,height、width分别为标注框的高度和宽度。将人脸图像和标注框一起输入网络进行训练,网络通过学习可以预测出眼部的位置,以与标注框相同的形式输出预测值。
使用训练后的模型来获取眼部区域图像,用户可提供一张人脸图像,或者至少包含双眼区域的面部图像,将此图像作为输入,眼部区域检测模型61对人脸图像进行识别,输出眼部区域位置信息。然后可根据眼部区域位置信息在人脸图像中截取眼部区域图像,作为角膜分割模型62、巩膜分割模型63、多个体征判别模型64的输入数据。
本实施例中的角膜分割模型62和巩膜分割模型63,分别用于从眼部区域图像中分割出角膜区域、从眼部区域图像中分割出巩膜区域。同时得到这两种区域,满足各种判断规则的需要。
多个体征判别模型64分别用于在眼部区域图像中提取不同的特征数据,并分别根据提取的特征数据判断是否存在相应的甲状腺相关眼病的眼部体征。比如有五个体征判别模型64,分别用于判断眼睑水肿、眼睑充血、结膜充血、结膜水肿、泪阜充血水肿和角膜溃疡。在训练时,这些模型的训练数据中的体征不同、标签不同,经过训练后它们所提取的特征数据也不相同,它们分别执行不同的分类任务互不干扰,独立输出关于甲状腺相关眼病的眼部体征的分类结果。本实施例可同时检测多种甲状腺相关病变体征,实用性较强。
本发明还提供一种甲状腺相关眼病的眼部体征识别设备,包括至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行上述甲状腺相关眼病的眼部体征识别方法。执行该方法的设备具体可以是服务器,用户可以使用个人终端拍摄自己的脸部照片或者眼部外观照,然后将照片发送至服务器,由服务器处理和识别得到甲状腺相关眼病的眼部体征识别结果,并将结果发送至个人终端,由此实现甲状腺相关眼病及体征的远程自动筛查。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、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。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种甲状腺相关眼病的眼部体征识别方法,其特征在于,包括:
获取眼部区域图像和眼位信息;
利用机器学习模型对所述眼部区域图像进行处理,所述机器学习模型包括分割模型和体征判别模型,所述分割模型用于从所述眼部区域图像中分割出角膜区域和/或巩膜区域,所述体征判别模型用于在所述眼部区域图像中提取特征数据,并根据所述特征数据判断是否存在甲状腺相关眼病的眼部病变体征;
根据所述眼位信息和所述角膜区域和/或巩膜区域的形态确定是否为眼球运动障碍和/或眼睑退缩。
2.根据权利要求1所述的方法,其特征在于,获取眼部区域图像包括:
利用眼部区域检测模型对人脸图像进行识别,输出眼部区域位置信息;
根据所述眼部区域位置信息在所述人脸图像中截取眼部区域图像。
3.根据权利要求1所述的方法,其特征在于,所述角膜区域和/或巩膜区域的形态包括区域边缘位置、内眦角位置、外眦角位置。
4.根据权利要求1所述的方法,其特征在于,所述眼部区域图像包括正位图像、左转图像、上转图像、下转图像、右转图像、左上转图像、右上转图像、左下转图像、右下转图像中的任一图像;所述眼位信息包括正位、左转、上转、下转、右转、左上转、右上转、左下转、右下转中的任一种。
5.根据权利要求4所述的方法,其特征在于,对于除正位以外的所有不同的眼位信息,判断是否为眼球运动障碍的规则不相同。
6.根据权利要求4所述的方法,其特征在于,对于正位的眼位信息,通过计算上睑缘与角膜区域上缘之间是否暴露巩膜区域来判断是否为眼睑退缩。
7.根据权利要求1所述的方法,其特征在于,所述分割模型包括角膜分割模型和巩膜分割模型,所述角膜分割模型用于从所述眼部区域图像中分割出角膜区域、所述巩膜分割模型用于从所述眼部区域图像中分割出巩膜区域。
8.根据权利要求1所述的方法,其特征在于,所述体征判别模型有多个,分别用于在所述眼部区域图像中提取不同的特征数据,并分别根据提取的特征数据判断是否存在相应的甲状腺相关眼病的眼部体征。
9.根据权利要求1或8所述的方法,其特征在于,所述甲状腺相关眼病的眼部体征包括眼睑水肿、眼睑充血、结膜充血、结膜水肿、泪阜充血水肿和角膜溃疡。
10.一种甲状腺相关眼病的眼部体征识别设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-9中任意一项所述的甲状腺相关眼病的眼部体征识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803761.6A CN111839455A (zh) | 2020-08-11 | 2020-08-11 | 甲状腺相关眼病的眼部体征识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803761.6A CN111839455A (zh) | 2020-08-11 | 2020-08-11 | 甲状腺相关眼病的眼部体征识别方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111839455A true CN111839455A (zh) | 2020-10-30 |
Family
ID=72972000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803761.6A Pending CN111839455A (zh) | 2020-08-11 | 2020-08-11 | 甲状腺相关眼病的眼部体征识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111839455A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116725563A (zh) * | 2023-01-13 | 2023-09-12 | 深圳市眼科医院(深圳市眼病防治研究所) | 眼球突出度测量装置 |
EP4138094A4 (en) * | 2021-06-30 | 2023-10-25 | Thyroscope Inc. | METHOD FOR SUPPORTING CONSULTATION IN HOSPITAL FOR THE TREATMENT OF ACTIVE THYROID OPHTHALMOPATHY AND SYSTEM FOR ITS IMPLEMENTATION |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110246158A (zh) * | 2019-07-19 | 2019-09-17 | 上海交通大学医学院附属第九人民医院 | 眼疾检测装置、方法、电子终端、及存储介质 |
-
2020
- 2020-08-11 CN CN202010803761.6A patent/CN111839455A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110246158A (zh) * | 2019-07-19 | 2019-09-17 | 上海交通大学医学院附属第九人民医院 | 眼疾检测装置、方法、电子终端、及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
EP4138094A4 (en) * | 2021-06-30 | 2023-10-25 | Thyroscope Inc. | METHOD FOR SUPPORTING CONSULTATION IN HOSPITAL FOR THE TREATMENT OF ACTIVE THYROID OPHTHALMOPATHY AND SYSTEM FOR ITS IMPLEMENTATION |
CN116725563A (zh) * | 2023-01-13 | 2023-09-12 | 深圳市眼科医院(深圳市眼病防治研究所) | 眼球突出度测量装置 |
CN116725563B (zh) * | 2023-01-13 | 2024-02-09 | 深圳市眼科医院(深圳市眼病防治研究所) | 眼球突出度测量装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111839455A (zh) | 甲状腺相关眼病的眼部体征识别方法及设备 | |
EP3542211B1 (de) | Verfahren und vorrichtung sowie computerprogramm zum ermitteln einer repräsentation eines brillenglasrands | |
KR20210100602A (ko) | 안면 이미지 기반의 리스크 인식 방법, 장치, 컴퓨터 디바이스 및 저장 매체 | |
CN110246158B (zh) | 眼疾检测装置、方法、电子终端、及存储介质 | |
CN110555845A (zh) | 眼底oct图像识别方法及设备 | |
CN105046250A (zh) | 人脸识别的眼镜消除方法 | |
WO2021072673A1 (zh) | 一种用户身份识别方法、装置及电子设备 | |
CN109635669B (zh) | 图像分类方法、装置及分类模型的训练方法、装置 | |
JP6956986B1 (ja) | 判定方法、判定装置、及び判定プログラム | |
CN110619303A (zh) | 注视点追踪方法、装置、终端及计算机可读存储介质 | |
CN110705454A (zh) | 一种具有活体检测功能的人脸识别方法 | |
EP4264627A1 (en) | System for determining one or more characteristics of a user based on an image of their eye using an ar/vr headset | |
CN114187223A (zh) | 基于眼表特征的新冠肺炎疾病患者风险筛查深度学习系统 | |
Lyu et al. | Deep tessellated retinal image detection using Convolutional Neural Networks | |
CN105631285A (zh) | 一种生物特征身份识别方法及装置 | |
WO2024120179A1 (zh) | 眼镜度数识别方法、装置、电子设备及存储介质 | |
Singh et al. | Optimized convolutional neural network for glaucoma detection with improved optic-cup segmentation | |
US10956735B1 (en) | System and method for determining a refractive error from red reflex images of eyes | |
WO2024060418A1 (zh) | 基于眼部异常姿态的异常屈光状态识别方法及装置 | |
Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image | |
CN116452571A (zh) | 一种基于深度神经网络的图像识别方法 | |
CN206363347U (zh) | 基于角点检测与匹配的药品识别系统 | |
CN115457646A (zh) | 用于对眼底周边的病灶进行识别的装置、方法和相关产品 | |
CN114821756A (zh) | 一种基于深度学习的眨眼数据统计方法和装置 | |
CN114680822A (zh) | 一种基于眼部图像的快速筛查系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210420 Address after: 200001 No. 415, Fengyang Road, Shanghai, Huangpu District Applicant after: SHANGHAI CHANGZHENG Hospital Applicant after: Beijing Yingtong Technology Development Co.,Ltd. Address before: 200030 room 01, 8 building, 1 Yizhou Road, Xuhui District, Shanghai, 180 Applicant before: SHANGHAI YINGTONG MEDICAL TECHNOLOGY Co.,Ltd. |