CN113425248B - 医疗影像评估方法、装置、设备及计算机存储介质 - Google Patents
医疗影像评估方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113425248B CN113425248B CN202110708152.7A CN202110708152A CN113425248B CN 113425248 B CN113425248 B CN 113425248B CN 202110708152 A CN202110708152 A CN 202110708152A CN 113425248 B CN113425248 B CN 113425248B
- Authority
- CN
- China
- Prior art keywords
- fundus
- image
- information
- vein
- evaluation
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 98
- 210000003462 vein Anatomy 0.000 claims abstract description 221
- 238000005286 illumination Methods 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 210000003733 optic disk Anatomy 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000003902 lesion Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 23
- 235000006694 eating habits Nutrition 0.000 description 20
- 230000006835 compression Effects 0.000 description 14
- 238000007906 compression Methods 0.000 description 14
- 235000005911 diet Nutrition 0.000 description 11
- 230000037213 diet Effects 0.000 description 11
- 230000004622 sleep time Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000037406 food intake Effects 0.000 description 5
- 235000012631 food intake Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000036578 sleeping time Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 235000005686 eating Nutrition 0.000 description 3
- 235000015598 salt intake Nutrition 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 206010020675 Hypermetropia Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038862 Retinal exudates Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004305 hyperopia Effects 0.000 description 1
- 201000006318 hyperopia Diseases 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000021274 meat intake Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 235000001366 vegetable intake Nutrition 0.000 description 1
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
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请提供一种医疗影像评估方法、装置、设备及计算机可读存储介质,该方法包括获取患者的眼底彩照;将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像;根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定眼底静脉直径;根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息;将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。能够提高眼底彩照的评估效率以及评估准确率。本申请还涉及区块链技术,眼底彩照评估模型可存储在区块链中。
Description
技术领域
本申请涉及人工智能与数字医疗技术领域,尤其涉及一种医疗影像评估方法、装置、设备及计算机可读存储介质。
背景技术
基于眼底彩照的糖尿病视网膜病变图像的分析具有重要的临床意义,但目前的糖尿病视网膜病变图像大多基于人工的方法进行判断,不同经验医生的判断结果可能不一样,且耗费的人力成本和时间成本较高。同时,只是基于视网膜病变图像对眼底彩照进行评估的准确度不高,容易发生错误评估,评估结果不够理想。
发明内容
本申请的主要目的在于提供一种医疗影像评估方法、装置、设备及计算机可读存储介质,旨在提高眼底彩照的评估效率和评估准确性。
第一方面,本申请提供一种医疗影像评估方法,所述医疗影像评估方法包括以下步骤:
获取患者的眼底彩照;
将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像;
根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定所述眼底静脉直径;
根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息;
将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
第二方面,本申请还提供一种医疗影像评估装置,所述医疗影像评估装置包括:
彩照获取模块,用于获取患者的眼底彩照;
彩照分割模块,用于将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像;
静脉直径确定模块,用于根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定所述眼底静脉直径;
病灶分析模块,用于根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息;
信息评估模块,用于将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述的医疗影像评估方法的步骤。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上述的医疗影像评估方法的步骤。
本申请提供一种医疗影像评估方法、装置、设备及计算机可读存储介质,本申请通过获取患者的眼底彩照;将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像;根据所述眼底静脉图像中眼底静脉所占图像的比例以及所述眼底视盘图像中所述视盘的大小确定所述眼底静脉直径;根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息;将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。通过眼底彩照得到眼底静脉直径,以及通过眼底静脉直径和病灶信息两个因素评估眼底彩照的特征信息,可以更全面地评估眼底彩照的特征,提高眼底彩照的评估精准度和效率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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申请的一些实施例,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为本申请实施例提供的一种医疗影像评估方法的流程示意图;
图2为实施本实施例提供的医疗影像评估方法的一使用场景示意图;
图3为本申请实施例提供的一种医疗影像评估装置的示意性框图;
图4为本申请一实施例涉及的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种医疗影像评估方法、装置、计算机设备及计算机可读存储介质。其中,该医疗影像评估方法可应用于终端设备中,该终端设备可以手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请的实施例提供的一种医疗影像评估方法的流程示意图。
如图1所示,该医疗影像评估方法包括步骤S110至步骤S150。
步骤S110、获取患者的眼底彩照。
示例性的,在患者进行眼部检查时对眼底进行照相,得到患者的眼底彩照,可以基于该眼底彩照进行特征分析,以评估眼底彩照的状况。也可以是在患者进行身体检查时,若要对身体健康进行检查,评估时,进行眼底照相,以得到患者的眼底彩照。
步骤S120、将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像。
示例性的,将眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像,可以理解的,可以将眼底彩照进行复制,得到第一眼底彩照和第二眼底彩照,对第一眼底彩照进行分割得到眼底静脉图像,对第二眼底彩照进行分割得到眼底视盘图像。
可以理解的,也可以同时获取至少两个眼底彩照,通过两张眼底彩照分别得到眼底静脉图像和眼底视盘图像。
在一些实施例中,将眼底彩照输入预设的静脉分割模型进行分割,得到眼底静脉图像,以及将眼底彩照输入预设的视盘分割模型进行分割,得到眼底视盘图像。
其中,预设的静脉分割模型和预设的视盘分割模型可以存储在区块链中,本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
示例性的,静脉分割模型和视盘分割模型均可以包括u-net网络,将眼底彩照输入静脉分割模型的u-net网络中,进行下采样处理和上采样处理得到眼底静脉图像,具体的,对眼底彩照进行下采样处理得到眼底静脉特征图像,以及对眼底静脉特征图像进行上采样处理得到眼底静脉图像。
同样的,将眼底彩照输入视盘分割模型的u-net网络中,进行下采样处理和上采样处理得到眼底视盘图像。具体的,对眼底彩照进行下采样处理得到眼底视盘特征图像,再对眼底视盘特征图像进行上采样处理得到眼底视盘图像。
示例性的,U-Net网络是一种全卷积结构,U型网络具有压缩路径(contractingpath)和扩展路径(expansive path),其中,压缩路径(contracting path)和扩展路径(expansive path)至少包括4个处理层且一一对应。
在得到眼底静脉的过程中,通过压缩路径(contracting path)中的每一个处理层对输入的眼底彩照进行下采样处理,可以理解的,每一个处理层对输入该层的眼底彩照进行边缘填充以及缩放,经过若干个处理层的处理后,完成下采样处理,得到一个512×512的眼底静脉特征图像。
将得到的眼底静脉特征图像输入扩展路径(expansive path)以进行上采样处理,在扩展路径(expansive path)中,每一个处理层对眼底静脉特征图像进行反卷积操作,具体的,每一个处理层对输入的眼底静脉特征图像进行尺寸翻倍,同时将个数去除一半,以及与对应的压缩路径(contracting path)中处理层的眼底彩照进行拼接,由于压缩路径(contracting path)中处理层的眼底彩照与对应的扩展路径(expansive path)处理层的眼底静脉特征图像的尺寸不一样,先对压缩路径(contracting path)中处理层的眼底彩照进行裁剪,然后进行拼接,经过与下采样次数相同次数的反卷积以及拼接后,完成上采样处理,生成并输出眼底静脉图像。可以理解的,眼底静脉图像与输入U-net网络的眼底彩照的尺寸大小相同。
可以理解的,对眼底彩照进行如上述相同的处理得到视盘分割模型输出的眼底视盘图像。
示例性的,通过眼底彩照分割眼底静脉图像和眼底视盘图像进行眼底彩照特征的评估,能有效提升医疗影像评估的精准度。
步骤S130、根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定眼底静脉直径。
示例性的,对眼底静脉图像和眼底视盘图像进行计算,以得到眼底静脉直径。可以理解的,选择眼底静脉直径作为中介变量,对眼底静脉图像和眼底视盘图像进行统一性的转化,以求得眼底静脉直径。
在一些实施例中,所述方法还包括:在所述眼底视盘图像中提取视盘圆环;所述根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定所述眼底静脉直径,包括:根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述视盘圆环的大小确定所述眼底静脉直径。
如图2所示,图2为本申请实施例提供的一种医疗影像评估方法的实用场景图。
根据眼底彩照分割得到眼底静脉图像和眼底视盘图像,以及在眼底视盘图像中提取视盘圆环,将视盘圆环与眼底静脉图像进行融合,得到融合后的图像,根据融合后的图像进行静脉血管直径的计算。
示例性的,在眼底视盘图像中提取视盘圆环,可以理解的,从眼底视盘图像中提取视盘圆环,以使确定静脉血管直径时能够更加关注眼底视盘图像中的有效部分,即视盘圆环,从而能够更准确地计算眼底静脉血管的直径。
在一些实施例中,所述在所述眼底视盘图像中提取视盘圆环包括:在所述眼底视盘图像中确定第一图像区域;在所述第一图像区域中确定第二图像区域,其中,所述第一图像去与所述第二图像区域共圆心,且所述第一图像区域的半径大于所述第二图像区域的半径;将所述第一图像区域中的所述第二图像区域去除,得到视盘圆环。
示例性的,第一图像区域以及第二图像区域是圆形的图像区域,其中,第二图像区域被第一图像区域所包含,也即是第一图像区域的半径大于第二图像区域的半径,可以理解的,第一图像区域和第二图像区域为共圆心的两个圆形,圆心均为眼底视盘图像中的视盘中心。
例如,第一图像区域的半径为1.5cm,第二图像区域的半径为1cm,并将第一图像区域中的第二图像区域的图像去除,也即是剩余位于第二图像区域外部且位于第一图像区域内部的图像,宽度为0.5cm,将该图像确定为视盘圆环。可以理解的,在圆环范围内的图像为静脉血管宽度有效量化范围,即可以用于确定静脉血管直径,以及通过视盘圆环确定的静脉血管直径精度更高。
在一些实施例中,所述根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述视盘圆环的大小确定所述眼底静脉直径,包括:根据所述视盘圆环大小确定第二数值;根据预设的权重对所述第一数值、第二数值加权求和,确定所述眼底静脉直径。
示例性的,在确定眼底静脉直径时,确定眼底静脉图像中眼底静脉所占图像的比例对眼底静脉直径影响的第一权重,和视盘圆环大小对眼底静脉直径影响的第二权重,通过预设的第一、第二权重对第一数值和第二数值加权求和得到眼底静脉直径的第三数值,以及通过眼底静脉直径的第三数值与眼底静脉直径的对应关系确定眼底静脉直径。
示例性的,可以根据患者的既往病史确定眼底静脉图像中眼底静脉所占图像的比例对眼底静脉直径影响的第一权重以及视盘圆环大小对眼底静脉直径影响的第二权重。
示例性的,还可以根据患者的视力、即近视或远视的度数确定眼底静脉图像中眼底静脉所占图像的比例对眼底静脉直径影响的第一权重以及视盘圆环大小对眼底静脉直径影响的第二权重。
例如,确定眼底静脉图像对眼底静脉直径影响的第一权重为60%,以及眼底视盘图像对眼底静脉直径影响的第二权重为40%;通过根据眼底静脉图像中眼底静脉所占图像的比例确定第一数值,以及根据视盘圆环的大小确定第二数值,可以得到眼底静脉直径的第三数值。可以理解的,眼底静脉图像和视盘圆环的大小对眼底静脉直径影响权重因人而异,可以根据不同的患者的既往病史和/或视力设置不同的权重,以通过预设的权重对第一数值和第二数值加权求和。
例如,通过眼底静脉图像中眼底静脉所占图像的比例确定的第一数值为50,通过视盘圆环大小确定的第二数值为30,通过预设的权重进行加权求和得到眼底静脉直径的第三数值,通过第三数值与眼底静脉直径的对应关系确定眼底静脉直径。例如,第三数值范围为0-10对应眼底静脉直径0-0.5cm,第三数值范围为30-40对应眼底静脉直径0.7cm-0.8cm,以上第三数值与眼底静脉直径的对应关系只是示例性举例,可以根据实际情况进行调整,本申请不予限定。
通过得到的眼底静脉直径可以更准确地对眼底彩照的特征信息进行评估,以得到更准确的特征评估信息。
步骤S140、根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息。
示例性的,可以通过病灶检测模型对眼底彩照进行病灶分析,以得到眼底彩照对应的病灶信息。其中,病灶检测模型也可以保存在区块链中。
示例性的,病灶检测模型可以包括faster-rcnn网络,faster-rcnn网络包括基础网络层、RPN(Region Proposal Network)层,以及全连接层,其中,将眼底彩照输入基础网络层中进行卷积和特征提取,得到眼底彩照特征图,可以理解的,基础网络层至少包括13个卷积层、13个线性层以及4个池化层,在基础网络层输出眼底彩照特征图。
将眼底彩照特征图输入RPN(Region Proposal Network)层,在RPN(RegionProposal Network)层中,基于滑动窗口算法,用一个大小为3×3的滑动窗口(slidewindow)去遍历整个眼底彩照特征图,在遍历过程中每个窗口中心按比例为(1:2,1:1,2:1)生成9个anchors,然后再利用全连接对每个anchors做二分类(是前景还是背景),需要进行分析的图像还是背景图像,和初步bbox回归(bbox regression),最后输出比较精确的300个ROIs,同时把经过基础网络层输出的feature map用ROI池化(ROI pooling)固定全连接层的输入维度,然后把经过RPN输出的ROIs映射到ROI池化(ROI pooling)上生成ROIs对应的特征图像(feature map),以进行bbox回归和分类,从而生成病灶信息。其中,ROI池化(ROI pooling)下采样到一个7x7的特征图,能够共享权重从而对模型中的全连接层进行预训练。Bbox回归用于寻找一种关系使得输入的原始窗口经过映射得到的回归窗口与真实窗口更接近。
将眼底彩照通过faster-rcnn网络得到眼底彩照的病灶信息,以通过病灶信息进行眼底彩照特征信息的评估。
S150、将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
示例性的,将眼底静脉直径和病灶信息输入眼底彩照评估模型,以使眼底彩照评估模型得到眼底彩照的特征评估信息,可以理解的,特征评估信息可以是级别信息,包括一至十级,根据预设的特征信息以及得到的眼底彩照特征信息得到眼底彩照的特征评估信息,可以输出对应的级别以使医生、患者得到眼底彩照的特征评估信息。
在一些实施例中,方法还包括:获取所述眼底彩照对应患者的生活习惯信息;所述将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息包括:将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
示例性的,可以通过医生问诊来获取患者的生活习惯信息,如饮食习惯信息和作息习惯信息。可以理解的,饮食习惯信息可以是饮食的口味,如是否高盐、高糖、高热量,或摄入的食物,如是否有进食水果、肉类等。作息习惯信息可以是患者平时的睡眠时间,以及睡眠时长,如晚上几点入睡,早上几点起床,夜间睡眠时长是多少,还可以包括是否有午休,每24小时的总睡眠时长等信息。
在一些实施例中,所述方法还包括:基于多个习惯分类组,根据所述患者的生活习惯信息确定所述患者的习惯分类组别,其中,所述各个习惯分类组对应不同的生活习惯信息。
示例性的,预设有多个习惯分类组,可以是不同的饮食习惯分类组,如高热量饮食习惯组,以及低热量饮食习惯组,也可以是不同的作息习惯分类组,如夜间睡眠时长7-9小时组和夜间睡眠时长5-7小时组,可以理解的,根据患者的生活习惯确定患者属于哪个习惯分类组,一个患者可以同时属于多个习惯分类组。
示例性的,通过预设摄入量与患者饮食习惯信息的食物摄入量比较,判断患者饮食习惯信息中的食物摄入量是否符合预设摄入量,可以理解的,食物摄入量包括但不限于盐摄入量、糖摄入量、肉类摄入量、菜类摄入量、淀粉摄入量等。若患者饮食习惯信息中的食物摄入量不符合预设摄入量,根据患者饮食习惯信息中的食物摄入量确定对应的饮食分类组别,例如,不同的盐摄入量有不同的饮食分类组别一一对应,根据患者饮食习惯信息的盐摄入量确定与患者饮食习惯对应的饮食分类组别。
示例性的,通过预设睡眠时长与患者作息习惯信息中的夜间睡眠时长比较,判断患者夜间睡眠时长是否符合预设夜间睡眠时长,可以理解的,也可以根据患者夜间睡眠时长确定对应的作息分类组别,例如作息分类组包括但不限于夜间睡眠时长1-3小时组,夜间睡眠时长3-5小时组、夜间睡眠时长5-7小时组等,根据患者夜间睡眠时长确定对应的组别。
可以理解的,不同饮食分类组别和作息分类组别均有对应的影响眼底彩照特征的权重,其中,饮食分类组别对应的影响眼底彩照特征的权重和作息分类组别对应的影响眼底彩照特征的权重可以是通过大量人群的饮食和作息及其他们是否有糖尿病的病史等数据统计出来的,根据患者的饮食分类组别和作息分类组别可以确定诱发影响眼底彩照特征的权重,在评估眼底彩照的特征信息的时候可以更全面地评估眼底彩照的特征信息,以及评估眼底彩照的特征信息后可以分析饮食和/或作息对眼底彩照的特征信息的影响,从而根据患者的饮食分类组别和作息分类组别给出饮食以及作息的建议。
在一些实施例中,所述方法还包括:获取所述眼底彩照对应患者的年龄信息和性别信息;根据所述患者的年龄信息和性别信息以及所述患者的生活习惯信息确定年龄诱因权重和性别诱因权重;所述将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到眼底彩照的特征评估信息还包括:将所述生活习惯信息、年龄诱因权重、性别诱因权重、所述眼底静脉直径以及所述病灶信息输入眼底彩照评估模型,得到眼底彩照的特征评估信息。
示例性的,不同患者尽管生活习惯相似,但由于年龄和/或性别的差异,会导致眼底彩照的特征不一样,如20岁的青少年人群和40岁的人群在同样的饮食习惯下,40岁的人群的发病风险更高,通过年龄信息和性别信息进行评估,可以更准确地评估眼底彩照的特征信息。
示例性的,在每个饮食分类组别和作息分类组别中,还包括年龄和性别的分类,如,在夜间睡眠时长5-7小时组里,20岁年龄的人群的诱因权重与40岁年龄的人群的诱因权重不一样,可以根据患者的年龄信息和性别信息在患者的饮食分类组别和/或作息分类组别中确定年龄诱因权重和性别诱因权重。
可以理解的,也可以只通过人群年龄、性别的发病统计数据确定年龄诱因权重和性别诱因权重,也即是不考虑年龄与饮食和/或作息的关系,单独考虑年龄、性别对眼底彩照特征信息的影响。
示例性的,通过加入年龄信息和性别信息评估眼底彩照的特征信息,可以更加准确且贴合患者的实际情况进行评估,能够有效提升评估准确度。
在一些实施例中,所述眼底彩照评估模型包括多因素logistics回归曲线模型,所述将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息,包括:将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型中的多因素logistics回归曲线模型,确定所述生活习惯信息的习惯权重、所述眼底静脉直径的静脉病变权重以及所述病灶信息的病灶权重;根据所述习惯权重、静脉病变权重以及病灶权重得到所述眼底彩照的特征评估信息。
示例性的,以眼底彩照的特征评估信息为分组变量,即因变量,自变量因素包括饮食习惯、作息习惯、年龄、性别、眼底静脉直径以及病灶信息,对连续的数据,如饮食习惯、作息习惯、年龄和眼底静脉直径在采用正态检验,其中,正态检验包括t检验和秩和检验,对性别、病灶信息等分类资料进行卡方检验,检验之后确定具有统计学意义的因素,如若饮食习惯、年龄、眼底静脉直径和病灶信息具有统计学意义,则logistics回归曲线模型的输入包括饮食习惯、年龄、眼底静脉直径和病灶信息,即为饮食习惯、年龄、眼底静脉直径和病灶信息中的一项数值改变,对应的眼底彩照的特征评估信息可能有很大的变化,对应特征评估信息输出。如两个患者的饮食习惯相似,年龄相仿,眼底静脉直径相差不大,但一个患者病灶信息包括棉絮斑,另一个患者病灶信息为无,包括棉絮斑病灶信息的患者对应的眼底彩照的特征评估信息为五级,无病灶信息的患者对应的眼底彩照的特征评估信息为三级。可以理解的,特征评估信息的级别不同表征特征评估信息的不同,通过多因素评估眼底彩照的特征信息,可以更全面地评估眼底彩照的变化甚至患者的健康状况,从而对患者给出生活建议。
上述实施例提供的医疗影像评估方法,能够通过眼底彩照得到眼底静脉直径,以及通过眼底彩照得到的眼底静脉直径、通过眼底彩照得到的病灶信息、饮食习惯、作息习惯、年龄信息以及性别信息对患者的眼底彩照的特征信息进行评估,多因素变量评估,更全面地评估眼底彩照的特征信息,使评估的准确度更高,以及能够根据眼底静脉直径、病灶信息、饮食习惯、作息习惯中的至少一项分析对眼底彩照变化的影响。
请参阅图3,图3是本申请一实施例提供的一种医疗影像评估装置的示意图,该医疗影像评估装置可以配置于服务器或终端中,用于执行前述的医疗影像评估方法。
如图3所示,该医疗影像评估装置,包括:彩照获取模块110、彩照分割模块120、静脉直径确定模块130、病灶分析模块140、信息评估模块150。
彩照获取模块110,用于获取患者的眼底彩照。
彩照分割模块120,用于将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像。
静脉直径确定模块130,用于根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定所述眼底静脉直径。
病灶分析模块140,用于根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息。
信息评估模块150,用于将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
示例性的,医疗影像评估装置还包括圆环提取模块。
圆环提取模块,用于在所述眼底视盘图像中提取视盘圆环。
静脉直径确定模块130,还用于根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述视盘圆环的大小确定所述眼底静脉直径。
示例性的,圆环提取模块还包括第一图像区域确定子模块、第二图像区域确定子模块,图像去除子模块。
第一图像区域确定子模块,用于在所述眼底视盘图像中确定第一图像区域。
第二图像区域确定子模块,用于在所述第一图像区域中确定第二图像区域,其中,所述第一图像区域与所述第二图像区域共圆心,且所述第一图像区域的半径大于所述第二图像区域的半径。
图像去除子模块,将所述第一图像区域中的所述第二图像区域去除,得到视盘圆环。
示例性的,静脉直径确定模块130还包括第一数值确定子模块,第二数值确定子模块,加权求和子模块。
第一数值确定子模块,用于根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例确定第一数值。
第二数值确定子模块,用于根据所述视盘圆环大小确定第二数值。
加权求和子模块,用于根据预设的权重对所述第一数值、第二数值加权求和,确定所述眼底静脉直径。
示例性的,医疗影像评估装置还包括习惯信息获取模块。
习惯信息获取模块,用于获取所述眼底彩照对应患者的生活习惯信息。
信息评估模块150还用于将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
示例性的,医疗影像评估装置还包括年龄、性别获取模块、诱因权重确定模块。
年龄、性别获取模块,用于获取所述眼底彩照对应患者的年龄信息和性别信息。
诱因权重确定模块,用于根据所述患者的年龄信息和性别信息以及所述患者的生活习惯信息确定年龄诱因权重和性别诱因权重。
信息评估模块150还用于将所述生活习惯信息、年龄诱因权重、性别诱因权重、所述眼底静脉直径以及所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
示例性的,信息评估模块150还包括回归曲线模型子模块,特征信息评估子模块。
回归曲线子模块,用于将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型中的多因素logistics回归曲线模型,确定所述生活习惯信息的习惯权重、所述眼底静脉直径的静脉病变权重以及所述病灶信息的病灶权重。
特征信息评估子模块,用于根据所述习惯权重、静脉病变权重以及病灶权重得到所述眼底彩照的特征评估信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
示例性地,上述的方法、装置可以实现为一种计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端。
如图4所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括存储介质和内存储器。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种医疗影像评估方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种医疗影像评估方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取患者的眼底彩照;
将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像;
根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定眼底静脉直径;
根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息;
将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
在一个实施例中,所述处理器在实现该方法时,还用于实现:
在所述眼底视盘图像中提取视盘圆环;
在实现根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定眼底静脉直径时,还用于实现:
根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述视盘圆环的大小确定眼底静脉直径。
在一个实施例中,所述处理器在实现在所述眼底视盘图像中提取视盘圆环时,用于实现:
在所述眼底视盘图像中确定第一图像区域;
在所第一图像区域中确定第二图像区域,其中,所述第一图像区域与所述第二图像区域共圆心,且所述第一图像区域的半径大于所述第二图像区域的半径;
将所述第一图像区域中的所述第二图像区域去除,得到视盘圆环。
在一个实施例中,所述处理器在实现根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述视盘圆环的大小确定所述眼底静脉直径时,用于实现:
根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例确定第一数值;
根据所述视盘圆环大小确定第二数值;
根据预设的权重对所述第一数值、第二数值加权求和,确定所述眼底静脉直径。
在一个实施例中,所述处理器在实现该方法时,还用于实现:
获取所述眼底彩照对应患者的生活习惯信息;
在实现所述将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息时,还用于实现:
将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
在一个实施例中,所述处理器在实现该方法时,还用于实现:
获取所述眼底彩照对应患者的年龄信息和性别信息;
根据所述患者的年龄信息和性别信息以及所述患者的生活习惯信息确定年龄诱因权重和性别诱因权重;
在实现将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息时,还用于实现:
将所述生活习惯信息、年龄诱因权重、性别诱因权重、所述眼底静脉直径以及所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
在一个实施例中,所述处理器在实现将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息时,用于实现:
将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型中的多因素logistics回归曲线模型,确定所述生活习惯信息的习惯权重、所述眼底静脉直径的静脉病变权重以及所述病灶信息的病灶权重;
根据所述习惯权重、静脉病变权重以及病灶权重得到所述眼底彩照的特征评估信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述医疗影像评估的具体工作过程,可以参考前述医疗影像评估控制方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请医疗影像评估方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种医疗影像评估方法,其特征在于,包括:
获取患者的眼底彩照;
将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像;
根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定眼底静脉直径;
根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息;
将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息;
其中,所述根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定眼底静脉直径,包括:
根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例确定第一数值;
在所述眼底视盘图像中提取视盘圆环,并根据所述视盘圆环的大小确定第二数值;
根据预设的权重对所述第一数值、所述第二数值加权求和,确定所述眼底静脉直径;
所述将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息,包括:
获取所述眼底彩照对应患者的生活习惯信息;
将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型中的多因素logistics回归曲线模型,确定所述生活习惯信息的习惯权重、所述眼底静脉直径的静脉病变权重以及所述病灶信息的病灶权重;
根据所述习惯权重、静脉病变权重以及病灶权重得到所述眼底彩照的特征评估信息。
2.如权利要求1所述的医疗影像评估方法,其特征在于,所述在所述眼底视盘图像中提取视盘圆环包括:
在所述眼底视盘图像中确定第一图像区域;
在所述第一图像区域中确定第二图像区域,其中,所述第一图像区域与所述第二图像区域共圆心,且所述第一图像区域的半径大于所述第二图像区域的半径;
将所述第一图像区域中的所述第二图像区域去除,得到视盘圆环。
3.如权利要求1所述的医疗影像评估方法,其特征在于,所述方法还包括:
获取所述眼底彩照对应患者的年龄信息和性别信息;
根据所述患者的年龄信息和性别信息以及所述患者的生活习惯信息确定年龄诱因权重和性别诱因权重;
所述将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息还包括:
将所述生活习惯信息、年龄诱因权重、性别诱因权重、所述眼底静脉直径以及所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息。
4.一种医疗影像评估装置,其特征在于,所述医疗影像评估装置包括:
彩照获取模块,用于获取患者的眼底彩照;
彩照分割模块,用于将所述眼底彩照进行分割,得到眼底静脉图像和眼底视盘图像;
静脉直径确定模块,用于根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例以及所述眼底视盘图像中视盘的大小确定所述眼底静脉直径;
病灶分析模块,用于根据所述眼底彩照进行病灶分析,得到所述眼底彩照对应的病灶信息;
信息评估模块,用于将所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型,得到所述眼底彩照的特征评估信息;
其中,所述医疗影像评估装置还包括圆环提取模块,所述静脉直径确定模块还包括第一数值确定子模块,第二数值确定子模块,加权求和子模块;
所述第一数值确定子模块,用于根据所述眼底静脉图像中眼底静脉占所述眼底静脉图像的比例确定第一数值;
所述圆环提取模块,用于在所述眼底视盘图像中提取视盘圆环;
所述第二数值确定子模块,用于根据所述视盘圆环大小确定第二数值;
所述加权求和子模块,用于根据预设的权重对所述第一数值、所述第二数值加权求和,确定所述眼底静脉直径;
所述医疗影像评估装置还包括习惯信息获取模块,所述习惯信息获取模块用于获取所述眼底彩照对应患者的生活习惯信息;
所述信息评估模块包括回归曲线模型子模块和特征信息评估子模块;
所述回归曲线模型子模块,用于将所述生活习惯信息、所述眼底静脉直径和所述病灶信息输入眼底彩照评估模型中的多因素logistics回归曲线模型,确定所述生活习惯信息的习惯权重、所述眼底静脉直径的静脉病变权重以及所述病灶信息的病灶权重;
所述特征信息评估子模块,用于根据所述习惯权重、静脉病变权重以及病灶权重得到所述眼底彩照的特征评估信息。
5.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至3中任一项所述的医疗影像评估方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至3中任一项所述的医疗影像评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708152.7A CN113425248B (zh) | 2021-06-24 | 2021-06-24 | 医疗影像评估方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708152.7A CN113425248B (zh) | 2021-06-24 | 2021-06-24 | 医疗影像评估方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113425248A CN113425248A (zh) | 2021-09-24 |
CN113425248B true CN113425248B (zh) | 2024-03-08 |
Family
ID=77754192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110708152.7A Active CN113425248B (zh) | 2021-06-24 | 2021-06-24 | 医疗影像评估方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113425248B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862760B (zh) * | 2022-03-30 | 2023-04-28 | 中山大学中山眼科中心 | 一种早产儿视网膜病变检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004082453A2 (en) * | 2003-03-20 | 2004-09-30 | Retinalyze Danmark A/S | Assessment of lesions in an image |
CN108154505A (zh) * | 2017-12-26 | 2018-06-12 | 四川大学 | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 |
CN110875092A (zh) * | 2018-08-31 | 2020-03-10 | 福州依影健康科技有限公司 | 一种基于远程眼底筛查的健康大数据服务方法和系统 |
CN111340789A (zh) * | 2020-02-29 | 2020-06-26 | 平安科技(深圳)有限公司 | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 |
WO2020200087A1 (en) * | 2019-03-29 | 2020-10-08 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
CN112017185A (zh) * | 2020-10-30 | 2020-12-01 | 平安科技(深圳)有限公司 | 病灶分割方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006018445B4 (de) * | 2006-04-18 | 2008-04-24 | Imedos Gmbh | Vorrichtung und Verfahren zur Bestimmung arterio-venöser Verhältniswerte durch quantitative Analyse retinaler Gefäße |
US10282841B1 (en) * | 2011-01-03 | 2019-05-07 | The United States Of America As Represented By The Administrator Of The Nasa | Bioinformatic analysis of vascular patterning |
CN111000563B (zh) * | 2019-11-22 | 2020-12-11 | 北京理工大学 | 一种视网膜动脉静脉直径比自动测量方法及装置 |
-
2021
- 2021-06-24 CN CN202110708152.7A patent/CN113425248B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004082453A2 (en) * | 2003-03-20 | 2004-09-30 | Retinalyze Danmark A/S | Assessment of lesions in an image |
CN108154505A (zh) * | 2017-12-26 | 2018-06-12 | 四川大学 | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 |
CN110875092A (zh) * | 2018-08-31 | 2020-03-10 | 福州依影健康科技有限公司 | 一种基于远程眼底筛查的健康大数据服务方法和系统 |
WO2020200087A1 (en) * | 2019-03-29 | 2020-10-08 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
CN111340789A (zh) * | 2020-02-29 | 2020-06-26 | 平安科技(深圳)有限公司 | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 |
CN112017185A (zh) * | 2020-10-30 | 2020-12-01 | 平安科技(深圳)有限公司 | 病灶分割方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
Automated Identification of Diabetic Retinopathy Stages Using Digital Fundus Images;Jagadish Nayak等;《Journal of Medical Systems》;第32卷;第107-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113425248A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110120047B (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
US11823106B2 (en) | Location-based medical scan analysis system | |
CN111107783B (zh) | 用于计算机辅助分诊的方法和系统 | |
US10242293B2 (en) | Method and program for computing bone age by deep neural network | |
Kim et al. | Effects of hypertension, diabetes, and smoking on age and sex prediction from retinal fundus images | |
AU2014271202B2 (en) | A system and method for remote medical diagnosis | |
US11636378B2 (en) | Information processing apparatus, information processing method, and information processing system | |
Smith et al. | Automated detection of macular drusen using geometric background leveling and threshold selection | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
Kuru et al. | Biomedical visual data analysis to build an intelligent diagnostic decision support system in medical genetics | |
Guo et al. | Yanbao: a mobile app using the measurement of clinical parameters for glaucoma screening | |
Al-Jarrah et al. | Non-proliferative diabetic retinopathy symptoms detection and classification using neural network | |
US20230099589A1 (en) | Method and system of deploying a machine learning neural network system in diagnosis of patient medical states | |
Ţălu | Multifractal geometry in analysis and processing of digital retinal photographs for early diagnosis of human diabetic macular edema | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
CN114298234A (zh) | 脑部医学影像分类方法、装置、计算机设备和存储介质 | |
CN114783580B (zh) | 一种医疗数据质量评估方法及系统 | |
EP3939003B1 (en) | Systems and methods for assessing a likelihood of cteph and identifying characteristics indicative thereof | |
CN113425248B (zh) | 医疗影像评估方法、装置、设备及计算机存储介质 | |
CN114496243A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
Ahmad Fadzil et al. | Extraction and reconstruction of retinal vasculature | |
Suneetha et al. | Fine tuning bert based approach for cardiovascular disease diagnosis | |
CN115274063A (zh) | 用于操作医学图像数据集的评估系统的方法、评估系统 | |
CN114557670A (zh) | 生理年龄预测方法、装置、设备及介质 | |
Yin et al. | A cloud-based system for automatic glaucoma screening |
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 |