CN112381821A - 一种智能手持式眼底相机以及图像分析方法 - Google Patents
一种智能手持式眼底相机以及图像分析方法 Download PDFInfo
- Publication number
- CN112381821A CN112381821A CN202011443817.8A CN202011443817A CN112381821A CN 112381821 A CN112381821 A CN 112381821A CN 202011443817 A CN202011443817 A CN 202011443817A CN 112381821 A CN112381821 A CN 112381821A
- Authority
- CN
- China
- Prior art keywords
- fundus
- image
- neural network
- convolutional neural
- module
- 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
- 238000003703 image analysis method Methods 0.000 title claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000004891 communication Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- 230000003902 lesion Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000036285 pathological change Effects 0.000 claims description 15
- 231100000915 pathological change Toxicity 0.000 claims description 15
- 210000001525 retina Anatomy 0.000 claims description 9
- 206010012689 Diabetic retinopathy Diseases 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 208000009857 Microaneurysm Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000740 bleeding effect Effects 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 210000003161 choroid Anatomy 0.000 claims description 3
- 210000000416 exudates and transudate Anatomy 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 3
- 210000003733 optic disk Anatomy 0.000 claims description 3
- 210000001328 optic nerve Anatomy 0.000 claims description 3
- 238000004171 remote diagnosis Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- 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
- A61B3/14—Arrangements specially adapted for eye photography
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种智能手持式眼底相机包括图像采集装置和处理装置,所述处理装置包括图片质量判断模块、辅助诊断模块以及通讯模块,所述图片质量判断模块和所述辅助诊断模块均与所述通讯模块相连接,所述通讯模块与所述图像采集装置相通讯用于将采集到的图像传输至所述图像质量判断模块进行质量判断,所述通讯模块与医疗终端相通讯用于将诊断报告传输给医疗机构。采用上述结构的一种智能手持式眼底相机以及基于上述相机的图像分析方法,提高眼底图像采集的成功率和效率,可根据初步诊断进行真人就诊,完善就诊需求。
Description
技术领域
本发明涉及疾病筛查设备以及判定技术领域,尤其是涉及一种智能手持式眼底相机以及基于上述相机的图像分析的方法。
背景技术
手持式眼底相机因其便携性,已被应用于眼底病和糖尿病的基层筛查中。医生利用手持式眼底相机,在基层为患者拍摄眼底图像,无需患者前往医院。拍摄好的眼底图片,由医生即时诊断或者凭借远程医疗技术,让专业医生进行诊断,以此进行眼底病和糖尿病等疾病筛查。
现在市面上的手持式眼底相机,一般只具备眼底拍照和图片存储、传输功能,在实际基层筛查中,需要专业医师操作,同时患者自己拍摄的图片常常不符合诊断要求标准,费时费力。此外,由于设备不具备眼底图片分析诊断功能,普通患者无法在家中自行进行拍照诊断,限制了设备的推广和应用范围。
发明内容
本发明的目的是提供一种智能手持式眼底相机以及基于上述相机的图像分析方法,提高眼底图像采集的成功率和效率,可根据初步诊断进行真人就诊,完善就诊需求。
为实现上述目的,本发明提供了一种智能手持式眼底相机,包括图像采集装置和处理装置,所述处理装置包括图片质量判断模块、辅助诊断模块以及通讯模块,所述图片质量判断模块和所述辅助诊断模块均与所述通讯模块相连接,所述通讯模块与所述图像采集装置相通讯用于将采集到的图像传输至所述图像质量判断模块进行质量判断,所述通讯模块与医疗终端相通讯用于将诊断报告传输给医疗机构。
优选的,所述通讯模块为有线通讯模块或无线通讯模块或两种通讯模块的组合通讯模块,所述无线模块包括WIFI模块或蓝牙模块。
3、基于上述的一种智能手持式眼底相机的图像分析方法,其特征在于:具体步骤如下,
步骤S1:患者通过智能手持式眼底相机采集眼底图像;
步骤S2:眼底图像通过通讯模块传输至图片质量判断模块中,进行图片质量判断,当图像不合格,给出修订提示并返回上一步骤,当图像合格,将合格的图像传输至辅助诊断模块中;
步骤S3:合格的图像通过辅助诊断模块进行初步诊断,患者可以通过通讯模块将诊断报告发送至医疗终端,医生通过医疗终端查看诊断报告和眼底图像并进行远程诊断。
进一步的,步骤S2的具体步骤如下,
步骤S21:训练眼底图像质量判断的卷积神经网络,从已有眼底图像中选取基准图像,标注视盘位置,设置清晰度和曝光量;
步骤S22:将已标注的基准图像输入待训练的卷积神经网络中,对所述卷积神经网络进行训练,直到所述卷积神经网络的模型收敛为止,得到训练好的眼底图像质量判断的卷积神经网络;
卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层和输出层;已标注的眼底图像从所述卷积神经网络的输入层输入,卷积层和池化层提取上述图像的特征值,然后从输出层输出,上述特征值在分类器进行分类,获取所述卷积神经网络通过判断得出的属性信息,通过比较算法计算得到上述图像特征值的损失值,并利用这个损失值来调节所述卷积神经网络中的权重,卷积层的总运算公式如下:
其中k为卷积核,l为层数,Mj为第j个特征图,b为偏置,激活函数为f;
步骤S23:将采集到的眼底图像输入上述卷积神经网络中,获得图像质量结果,若视盘位置正确,且眼底图像的清晰度和曝光量符合设定要求,则认为图像质量符合要求,否则,认为图像质量不符合要求。
进一步的,步骤S3的具体步骤如下,
步骤S31:训练眼底图片糖尿病视网膜病变诊断的卷积神经网络,从已有眼底图像中选取基准图像,人工标注视网膜、眼底血管、视神经乳头、视神经纤维、视网膜上的黄斑部以及视网膜后的脉络膜的病变,并根据眼底病变程度分为1、2、3、4、5五个等级进行标注,等级1为糖网眼底病变I期,等级2为糖网眼底病变II期,等级3为糖网眼底病变III期,等级4为糖网眼底病变IV期,等级5为糖网眼底病变V期;
步骤S32:将已标注的基准图像输入待训练的卷积神经网络中,对所述卷积神经网络进行训练,直到所述卷积神经网络的模型收敛为止,得到训练好的眼底图片糖尿病视网膜病变诊断的卷积神经网络,将正常、微动脉瘤、出血点、硬性渗出物图像块分别表示为类别0、1、2、3,通过训练网络输出图像块属于每个类别的概率值,采用交叉熵损失函数计算网络输出的预测值和标签值之间的误差,交叉熵损失函数计算公式如下:
步骤S33:将采集到的眼底图像输入上述卷积神经网络中,获得眼底图像病变情况,若没有病变,则输出眼底正常情况报告,若有病变,则按照病变程度给眼底图像病变情况报告。
因此,本发明采用上述结构的一种智能手持式眼底相机以及基于上述相机的图像分析方法,图像采集装置进行图像采集后通过图片质量判断模块进行判定图像是否符合标准,及时补拍和修订,提高眼底图像采集的成功率和效率,合格的图像通过辅助诊断模块进行初步诊断,再根据初步诊断结果是否需要进一步就诊,完善就诊需求。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种智能手持式眼底相机的原理框图;
图2为本发明方法的流程图。
具体实施方式
实施例
图1为本发明一种智能手持式眼底相机的原理框图,如图所示,一种智能手持式眼底相机包括图像采集装置和处理装置,处理装置包括图片质量判断模块、辅助诊断模块以及通讯模块。图片质量判断模块和辅助诊断模块均与通讯模块相连接,通讯模块与图像采集装置相通讯用于将采集到的图像传输至图像质量判断模块进行质量判断,通讯模块与医疗终端相通讯用于将诊断报告传输给医疗机构。通讯模块为有线通讯模块或无线通讯模块或两种通讯模块的组合通讯模块,无线模块包括WIFI模块或蓝牙模块。
图2为本发明方法的流程图,如图所示,一种智能手持式眼底相机的图像分析方法,具体步骤如下,
步骤S1:患者通过智能手持式眼底相机采集眼底图像。
步骤S2:眼底图像通过通讯模块传输至图片质量判断模块中,进行图片质量判断,当图像不合格,给出修订提示并返回上一步骤,当图像合格,将合格的图像传输至辅助诊断模块中。步骤S2的具体步骤如下,
步骤S21:训练眼底图像质量判断的卷积神经网络,从已有眼底图像中选取基准图像,标注视盘位置,设置清晰度和曝光量;
步骤S22:将已标注的基准图像输入待训练的卷积神经网络中,对所述卷积神经网络进行训练,直到所述卷积神经网络的模型收敛为止,得到训练好的眼底图像质量判断的卷积神经网络;
卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层和输出层;已标注的眼底图像从所述卷积神经网络的输入层输入,卷积层和池化层提取上述图像的特征值,然后从输出层输出,上述特征值在分类器进行分类,获取所述卷积神经网络通过判断得出的属性信息,通过比较算法计算得到上述图像特征值的损失值,并利用这个损失值来调节所述卷积神经网络中的权重,卷积层的总运算公式如下:
其中k为卷积核,l为层数,Mj为第j个特征图,b为偏置,激活函数为f;
步骤S23:将采集到的眼底图像输入上述卷积神经网络中,获得图像质量结果,若视盘位置正确,且眼底图像的清晰度和曝光量符合设定要求,则认为图像质量符合要求,否则,认为图像质量不符合要求。
步骤S3:合格的图像通过辅助诊断模块进行初步诊断,步骤S3的具体步骤如下,步骤S31:训练眼底图片糖尿病视网膜病变诊断的卷积神经网络,从已有眼底图像中选取基准图像,人工标注视网膜、眼底血管、视神经乳头、视神经纤维、视网膜上的黄斑部以及视网膜后的脉络膜的病变,并根据眼底病变程度分为1、2、3、4、5五个等级进行标注,等级1为糖网眼底病变I期,等级2为糖网眼底病变II期,等级3为糖网眼底病变III期,等级4为糖网眼底病变IV期,等级5为糖网眼底病变V期;
步骤S32:将已标注的基准图像输入待训练的卷积神经网络中,对所述卷积神经网络进行训练,直到所述卷积神经网络的模型收敛为止,得到训练好的眼底图片糖尿病视网膜病变诊断的卷积神经网络,将正常、微动脉瘤、出血点、硬性渗出物图像块分别表示为类别0、1、2、3,通过训练网络输出图像块属于每个类别的概率值,采用交叉熵损失函数计算网络输出的预测值和标签值之间的误差,交叉熵损失函数计算公式如下:
步骤S33:将采集到的眼底图像输入上述卷积神经网络中,获得眼底图像病变情况,若没有病变,则输出眼底正常情况报告,若有病变,则按照病变程度给眼底图像病变情况报告。患者可以通过通讯模块将诊断报告发送至医疗终端,医生通过医疗终端查看诊断报告和眼底图像并进行远程诊断。
因此,本发明采用上述结构的一种智能手持式眼底相机以及基于上述相机的图像分析方法,图像采集装置进行图像采集后通过图片质量判断模块进行判定图像是否符合标准,及时补拍和修订,提高眼底图像采集的成功率和效率,合格的图像通过辅助诊断模块进行初步诊断,再根据初步诊断结果是否需要进一步就诊,完善就诊需求。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (5)
1.一种智能手持式眼底相机,包括图像采集装置,其特征在于:还包括处理装置,所述处理装置包括图片质量判断模块、辅助诊断模块以及通讯模块,所述图片质量判断模块和所述辅助诊断模块均与所述通讯模块相连接,所述通讯模块与所述图像采集装置相通讯用于将采集到的图像传输至所述图像质量判断模块进行质量判断,所述通讯模块与医疗终端相通讯用于将诊断报告传输给医疗机构。
2.根据权利要求1所述的一种智能手持式眼底相机,其特征在于:所述通讯模块为有线通讯模块或无线通讯模块或两种通讯模块的组合通讯模块,所述无线模块包括WIFI模块或蓝牙模块。
3.基于权利要求1-2任意一项的所述的一种智能手持式眼底相机的图像分析方法,其特征在于:具体步骤如下,
步骤S1:患者通过智能手持式眼底相机采集眼底图像;
步骤S2:眼底图像通过通讯模块传输至图片质量判断模块中,进行图片质量判断,当图像不合格,给出修订提示并返回上一步骤,当图像合格,将合格的图像传输至辅助诊断模块中;
步骤S3:合格的图像通过辅助诊断模块进行初步诊断,患者可以通过通讯模块将诊断报告发送至医疗终端,医生通过医疗终端查看诊断报告和眼底图像并进行远程诊断。
4.根据权利要求3所述的一种基于智能手持式眼底相机的图像分析方法,其特征在于:步骤S2的具体步骤如下,
步骤S21:训练眼底图像质量判断的卷积神经网络,从已有眼底图像中选取基准图像,标注视盘位置,设置清晰度和曝光量;
步骤S22:将已标注的基准图像输入待训练的卷积神经网络中,对所述卷积神经网络进行训练,直到所述卷积神经网络的模型收敛为止,得到训练好的眼底图像质量判断的卷积神经网络;
卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层和输出层;已标注的眼底图像从所述卷积神经网络的输入层输入,卷积层和池化层提取上述图像的特征值,然后从输出层输出,上述特征值在分类器进行分类,获取所述卷积神经网络通过判断得出的属性信息,通过比较算法计算得到上述图像特征值的损失值,并利用这个损失值来调节所述卷积神经网络中的权重,卷积层的总运算公式如下:
其中k为卷积核,l为层数,Mj为第j个特征图,b为偏置,激活函数为f;
步骤S23:将采集到的眼底图像输入上述卷积神经网络中,获得图像质量结果,若视盘位置正确,且眼底图像的清晰度和曝光量符合设定要求,则认为图像质量符合要求,否则,认为图像质量不符合要求。
5.根据权利要求4所述的一种基于智能手持式眼底相机的图像分析方法,其特征在于:步骤S3的具体步骤如下,
步骤S31:训练眼底图片糖尿病视网膜病变诊断的卷积神经网络,从已有眼底图像中选取基准图像,人工标注视网膜、眼底血管、视神经乳头、视神经纤维、视网膜上的黄斑部以及视网膜后的脉络膜的病变,并根据眼底病变程度分为1、2、3、4、5五个等级进行标注,等级1为糖网眼底病变I期,等级2为糖网眼底病变II期,等级3为糖网眼底病变III期,等级4为糖网眼底病变IV期,等级5为糖网眼底病变V期;
步骤S32:将已标注的基准图像输入待训练的卷积神经网络中,对所述卷积神经网络进行训练,直到所述卷积神经网络的模型收敛为止,得到训练好的眼底图片糖尿病视网膜病变诊断的卷积神经网络,将正常、微动脉瘤、出血点、硬性渗出物图像块分别表示为类别0、1、2、3,通过训练网络输出图像块属于每个类别的概率值,采用交叉熵损失函数计算网络输出的预测值和标签值之间的误差,交叉熵损失函数计算公式如下:
步骤S33:将采集到的眼底图像输入上述卷积神经网络中,获得眼底图像病变情况,若没有病变,则输出眼底正常情况报告,若有病变,则按照病变程度给眼底图像病变情况报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443817.8A CN112381821A (zh) | 2020-12-08 | 2020-12-08 | 一种智能手持式眼底相机以及图像分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443817.8A CN112381821A (zh) | 2020-12-08 | 2020-12-08 | 一种智能手持式眼底相机以及图像分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381821A true CN112381821A (zh) | 2021-02-19 |
Family
ID=74589757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011443817.8A Pending CN112381821A (zh) | 2020-12-08 | 2020-12-08 | 一种智能手持式眼底相机以及图像分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381821A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139935A (zh) * | 2021-03-30 | 2021-07-20 | 宁波市眼科医院 | 裂隙灯图片质量监控系统 |
CN115497229A (zh) * | 2022-09-15 | 2022-12-20 | 江苏至真健康科技有限公司 | 无人自助的便携式免散瞳眼底照相机的使用方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技(深圳)有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
CN110428410A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
CN110516579A (zh) * | 2019-08-21 | 2019-11-29 | 北京至真互联网技术有限公司 | 手持眼底相机拍照方法和装置、设备及存储介质 |
CN110751637A (zh) * | 2019-10-14 | 2020-02-04 | 北京至真互联网技术有限公司 | 糖尿病视网膜病变检测系统、方法、设备和训练系统 |
CN111374632A (zh) * | 2018-12-29 | 2020-07-07 | 张国明 | 视网膜病变检测方法、装置及计算机可读存储介质 |
CN111461218A (zh) * | 2020-04-01 | 2020-07-28 | 复旦大学 | 糖网病眼底图像的样本数据标注系统 |
CN112016626A (zh) * | 2020-08-31 | 2020-12-01 | 南京泰明生物科技有限公司 | 基于不确定度的糖尿病视网膜病变分类系统 |
-
2020
- 2020-12-08 CN CN202011443817.8A patent/CN112381821A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
CN111374632A (zh) * | 2018-12-29 | 2020-07-07 | 张国明 | 视网膜病变检测方法、装置及计算机可读存储介质 |
CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技(深圳)有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
CN110428410A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
CN110516579A (zh) * | 2019-08-21 | 2019-11-29 | 北京至真互联网技术有限公司 | 手持眼底相机拍照方法和装置、设备及存储介质 |
CN110751637A (zh) * | 2019-10-14 | 2020-02-04 | 北京至真互联网技术有限公司 | 糖尿病视网膜病变检测系统、方法、设备和训练系统 |
CN111461218A (zh) * | 2020-04-01 | 2020-07-28 | 复旦大学 | 糖网病眼底图像的样本数据标注系统 |
CN112016626A (zh) * | 2020-08-31 | 2020-12-01 | 南京泰明生物科技有限公司 | 基于不确定度的糖尿病视网膜病变分类系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139935A (zh) * | 2021-03-30 | 2021-07-20 | 宁波市眼科医院 | 裂隙灯图片质量监控系统 |
CN115497229A (zh) * | 2022-09-15 | 2022-12-20 | 江苏至真健康科技有限公司 | 无人自助的便携式免散瞳眼底照相机的使用方法及系统 |
CN115497229B (zh) * | 2022-09-15 | 2023-09-12 | 江苏至真健康科技有限公司 | 无人自助的便携式免散瞳眼底照相机的使用方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200250821A1 (en) | Image feature recognition method and apparatus, storage medium, and electronic apparatus | |
CN106709254B (zh) | 一种医疗诊断机器人系统 | |
CN111481166B (zh) | 基于眼底筛查的自动识别系统 | |
CN110428410B (zh) | 眼底医学图像处理方法、装置、设备及存储介质 | |
CN112381821A (zh) | 一种智能手持式眼底相机以及图像分析方法 | |
CN104699931B (zh) | 一种基于人脸的神经网络血压预测方法及手机 | |
CN110837803A (zh) | 基于深度图网络的糖尿病视网膜病变分级方法 | |
DE102007010757A1 (de) | Hand-Diagnosesysteme und Verfahren zur Verwendung derselben | |
CN109636791A (zh) | 一种基于深度学习的柑橘黄龙病检测方法、装置及系统 | |
WO2023061104A1 (zh) | 一种基于多模态信息的颈动脉超声报告生成系统 | |
CN109464120A (zh) | 一种糖尿病视网膜病变筛查方法、装置及存储介质 | |
CN111403029B (zh) | 一种提高评估质量的信息处理方法及装置 | |
CN110277166B (zh) | 一种宫腹腔镜辅助诊断系统及方法 | |
DE112016007005T5 (de) | Bildverarbeitungsvorrichtung, Lernvorrichtung, Bildverarbeitungsverfahren, Verfahren zum Erstellen eines Klassifizierungskriteriums, Lernverfahren und Programm | |
CN107590804A (zh) | 基于通道特征和卷积神经网络的屏幕图像质量评价方法 | |
CN115394406A (zh) | 一种基于移动端和移动互联网的医学影像人工智能快速诊断布署方法 | |
CN206133565U (zh) | 一种手掌口腔检测装置 | |
CN106709260A (zh) | 一种知心医生医患在线交互方法 | |
CN106254449A (zh) | 一种用于结核病病历采集的收发设备 | |
CN114972297A (zh) | 口腔健康监测方法及装置 | |
CN112714411B (zh) | 具有可移动节点的农业监测装置 | |
CN112714410B (zh) | 具有可移动节点的农业监测方法 | |
CN106709224A (zh) | 一种糖尿病视网膜病变的诊断系统及方法 | |
KR20220021974A (ko) | 비대면 피부질환 진단 서비스 제공 시스템 및 그 방법 | |
CN210043980U (zh) | 一种色卡 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |