CN115474930A - 一种基于高光谱图像重建的无创血红蛋白检测方法 - Google Patents
一种基于高光谱图像重建的无创血红蛋白检测方法 Download PDFInfo
- Publication number
- CN115474930A CN115474930A CN202210965394.9A CN202210965394A CN115474930A CN 115474930 A CN115474930 A CN 115474930A CN 202210965394 A CN202210965394 A CN 202210965394A CN 115474930 A CN115474930 A CN 115474930A
- Authority
- CN
- China
- Prior art keywords
- hemoglobin
- model
- hyperspectral
- hyperspectral image
- correction
- 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
- 102000001554 Hemoglobins Human genes 0.000 title claims abstract description 78
- 108010054147 Hemoglobins Proteins 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 230000001678 irradiating effect Effects 0.000 claims abstract 2
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013334 tissue model Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000000985 reflectance spectrum Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 210000003491 skin Anatomy 0.000 description 16
- 208000007502 anemia Diseases 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004867 photoacoustic spectroscopy Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 150000001540 azides Chemical class 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明涉及一种基于高光谱图像重建的无创血红蛋白检测方法，属于生理信号检测领域。本发明通过使用可见光光源对人体皮肤组织进行照射，同时使用高光谱相机与RGB相机同时对光照皮肤区域进行图像采集作为训练集，通过训练深度学习模型，实现对普通RGB图像的高光谱重建。使用算法建立针对可见光范围漫反射光谱的血红蛋白提取特征提取模型，并经过血红蛋白校正模型输出被测人体的真实血红蛋白含量。
Description
技术领域
本发明属于人体健康检测技术领域，涉及图像处理、深度学习等光学技术检测领域，尤其是涉及一种无创检测血红蛋白浓度的方法。
背景技术
血红蛋白(Hemoglobin)是人体血液的重要组成成分之一，其含量是临床诊断贫血症及其他血液疾病的重要依据。根据世界卫生组织统计，当前全球25％的人口患有不同程度的贫血，其中孕妇贫血高达42％，未怀孕妇女贫血达30％，学龄前儿童贫血和青少年贫血分别为47％和12.7％。这些数据显示贫血已成为一个全球性问题，不仅危害着人们的生命健康，也给社会和家庭带来了沉重的经济负担。因此血红蛋白浓度的频繁规律检测，对预防和治疗贫血具有重要意义。
目前临床常用的血红蛋白浓度检测方法仍为有创方法，如氰化高铁法、叠氮高铁法等。这类方法结果可靠，但会给受测者带来痛苦，还存在伤口感染的风险；且对于易出现贫血的孕妇、新生儿、资源贫乏地区的人群以及手术中需要实时地监测血红蛋白含量的患者来说，有创血红蛋白测量方式并不适用。此外，有创检测方法不适用于家庭或社区内的血红蛋白普查，阻碍了贫血症早期诊断及防治工作的开展。对于所述传统血红蛋白测量的局限性，无创测量方式具有显而易见的优势和应用价值。光学测量法主要利用传输光的强度、相位、偏振角以及靶区组织的吸收、散射系数等与血红蛋白浓度密切相关的信息，通过对捕获到的信息进行分析间接测得血红蛋白浓度。光学测量法以其快速、无创伤、信息多维化、实时检测等特点，成为了无创血红蛋白浓度检测的主要技术手段。目前主要的光学无创血红蛋白的检测方法主要包括光声光谱法、光电容积脉搏波法以及光谱分析法。光声光谱法实现血红蛋白浓度检测需要庞大的光声光谱系统，其系统设备昂贵，并不适合家庭血红蛋白浓度的实时监测，而基于光电容积脉搏波的无创血红蛋白测量方法主要用于对血红蛋白浓度的整体趋势预测，准确性有待进一步提高。面临此问题，本发明提出了一种新的无创检测血红蛋白浓度的方法，提供了一个有实用价值的技术方案，实现无创的血红蛋白浓度检测。
该方法基于高光谱图像重建的无创血红蛋白浓度检测方法的工作原理是利用血液中血红蛋白分子对光线的吸收和散射，通过可见光成像设备对皮肤区域进行成像，从获取的图像中选取感兴趣区域，将拍摄区域内RGB图像重建为高光谱图像并提取特征值，从而得到血红蛋白浓度值。
发明内容
本发明提出了一种利用可见光成像设备，在LED光源照明条件下快速无创的测量人体血红蛋白浓度的检测方法，被测对象首先进行被测皮肤RGB图像采集，重建为高光谱图像后进行特征提取，并通过校正模型预测血红蛋白浓度。此发明可以实现无创的血红蛋白检测，适合普通民众的日常血红蛋白检测，具有广阔的发展空间和应用前景，详见下文描述：其检测方法是这样实现的：一种基于高光谱图像重建的无创血红蛋白检测方法，用于实现无创的人体血红蛋白浓度值的检测，其方法特征是：所述数据采集由普通CCD工业相机与高光谱相机及镜头完成；所述照明光源为白光LED。该方法首先采集手指但不限手指的RGB图像与高光谱图像作为数据集训练深度学习网络，同时通过人体皮肤模拟生成血红蛋白特征提取模型，然后深度学习网络输出高光谱进行特征提取，特征值输入到血红蛋白校正模型中，即可得到被测对象的血红蛋白浓度值。
所述成像设备位于手指指尖30-40cm处，实现了血红蛋白浓度值的非侵入式测量，避免了有创测量引起的病人疼痛和感染的风险。
所述光源为LED白光光源。
所述血红蛋白特征包括但不限于高光谱图像的多个通道的颜色信息，可以实现对高光谱图像特征的提取。
所述通用预测模型包括但不限于针对皮肤图像的多尺度混合域注意力机制网络预测模型与血红蛋白特征提取模型，预测模型利用大量的RGB图像和高光谱图像作为训练样本，特征提取模型由蒙罗卡络仿真模拟生成，通过交叉验证实现了模型的预测能力。
所述血糖检测方法包含以下步骤。
步骤1、采集数据集训练深度学习模型；
1)、启动白光发光LED光源，将可见光发射到手指或皮肤其他部位。
2)、启动工业相机与高光谱相机，保证无其他光线射入影响成像设备采集数据。
3)、被测位置放置在光源与成像设备夹角的位置，保持静止10s，采集RGB图像。
4)、RGB图像输入到网络预测模型中，重建出多组高光谱图像。
步骤2、创建特征值提取模型；
1)、设计皮肤漫反射仿真实验。
2)、研究血红蛋白特征提取算法。
3)、进行血红蛋白特征提取模型性能评估。
步骤3、根据提取特征值进行血红蛋白浓度预测；
1)、建立血红蛋白浓度预测校正模型。
2)、血红蛋白特征输入到校正模型，预测出血红蛋白浓度。
较佳的，重建高光谱图像采用针对皮肤图像的多尺度混合域注意力机制网络预测型。
较佳的，血红蛋白提取模型采用蒙特卡洛模拟。
有益效果
1.本发明的一种基于高光谱图像重建的无创血红蛋白浓度检测方法不需要使用检测仪器与被检测对象接触，提高了舒适性，进而避免了由于接触刺激所产生的生理变化导致的检测误差。
2.本发明的一种基于高光谱图像重建的无创血红蛋白检测方法不需要针对个人进行校准，也不需要选择测量的时间，是一个通用的模型，实现了真正意义的对所有人的无创血糖的检测。
3.本发明的一种基于高光谱图像重建的无创血红蛋白检测方法只需要一个常规成像设备，对分辨率要求不高，无需额外设备，成本较低。
附图说明
图1是本发明所述的方法示意图。
图2是本发明所述基于高光谱图像重建的无创血红蛋白检测方法的流程图。
其中，1-成像设备，2-被测试对象，3-LED光源。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明提出的一种基于高光谱图像重建的无创血红蛋白检测方法作进一步详细说明。需要说明的是：附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的，附图所展示的结构是实际结构的一部分；本发明图像信号的获取部位不局限于人体面部，人体其他部位同样适用。本发明也不局限于正常人血红蛋白含量预测。本发明中所采用的高光谱图像重建算法不局限于某种算法。
本发明实施例以普通健康人作为受试者。
本实施例公开的一种基于高光谱图像重建的无创血红蛋白检测方法，图像采集示意图如图1所示，执行流程如附图2所示，具体内容如下。
步骤1，同时利用高光谱相机和普通工业相机分别采集同一光照区域下含有皮肤组织的高光谱图像和RGB图像训练模型。
步骤1-1，受试者静止坐在椅子上，启动白光LED光源，确保可见光均匀的照射在手指或其他皮肤部位。
步骤1-2，启动工业相机与高光谱相机，将两相机对焦直至图像最清晰，同时进行白板校准，确保无其他光线影响手指及其他部位图像采集。
步骤1-3，手掌放于被测位置，与高光谱相机及工业相机保持30-40cm距离，保持静止10秒，采集RGB图像与高光谱图像。
步骤1-4，将采集到的RGB图像与高光谱图像作为训练集，作为多尺度混合域注意力机制网络预测模型的输入，其中重建过程的数学描述为：
R(u,v,λ)＝F(IRGB(u,v)) (1)
式中IRGB(u,v)代表皮肤RGB图像，F(.)表示重建模型，R(u,v,λ)代表高光谱反射率图像。构建数据集的原始高光谱数据可以表示为：
IH(u,v,λi)＝I0(u,v,λi)R(u,v,λi) (2)
式中IH(u,ν,λi)代表高光谱数据图片，u、ν代表表图像上空间的不同像素位置，λi代表高光谱图像每个通道对应的波段；I0(u,ν,λi)代表原始高光谱图像拍摄时使用的探测光源，R(u,ν,λi)为皮肤的反射光谱。
步骤2通过人体皮肤漫反射实验创建血红蛋白特征提取模型；
步骤2-1，使用蒙特卡洛模拟法进行不同生理参数下光在皮肤组织中的传输进行模拟，得到对应的皮肤漫反射光谱，建立表皮层、真皮层以及皮下组织层组成的三层皮肤组织模型。使用该皮肤组织模型对外周血液变化下皮肤400nm-700nm漫反射光谱的进行模拟。
步骤2-2，通过使用一种典型的有监督降维算法算法建立血红蛋白特征提取模型，该任务的本质是对光谱数据进行低维空间的投影。
步骤2-3，使用支持向量回归算法进行仿真数据的血红蛋白浓度估计，并将回归模型的准确度作为评价指标，对血红蛋白特征提取模型进行性能和适用范围的评估。
步骤3，选取ROI区域输入到特征提取模型生成特征值，进行校正后预测出被测人体血红蛋白浓度。
步骤3-1，选取感兴趣区域时，为了去除相机探测时引入的噪声，取10×10的子像素区域进行均值作为空间上的一个特征向量，并依次选取相邻的20×20空间特征向量，每个向量由29元素组成。29元素分别对应了415nm到695nm，间隔为10nm的29个带宽内的反射率，将这些空间特征被输入至步骤2建立的特征提取模型中。
同时使用支持向量回归、随机森林回归两种方法进行校正模型的建立。三种评价指标的计算方法可以表示为：
式中，N代表数据集样本数；yi代表真值，
代表模型的预测值。均方根误差RMSE和平均绝对误差MAE都是用于反应预测结果和真实结果之间的差异程度的一种度量方法，值越小代表性能越好。相对于MAE，RMSE受异常值的影响更大。R2的取值范围为(0，1)，当R2越接近1，代表模型的拟合度较好。
步骤3-2，将血红蛋白特征输入到校正模型中，预测出血红蛋白浓度。
综上所述，以上仅为本发明所提供的较佳实施例而已，并非用于限定本发明的保护范围。凡在发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于高光谱图像重建的无创血红蛋白检测方法，用于无创的检测血红蛋白浓度，其特征在于，该方法由高光谱图像重建、血红蛋白特征模型建立与模型校正构成；所述高光谱重建方法为针对皮肤的多尺度混合域注意力机制网络预测模型；所述血红蛋白校正模型由蒙特卡洛模拟法仿真得出；所述模型校正使用支持向量回归、随机森林回归两种方法。该方法首先进行RGB图像与高光谱图像采集，保证无其他光线影响实验采集，由LED光源发出的光照射至受试部位包括但不限于人体手指指尖，同时利用人体皮肤漫反射谱建立血红蛋白特征提取模型，采集的RGB图像输入到已经训练好的通用预测模型中，通过模型校正即可得到被测对象的血红蛋白浓度值。所述成像设备位于手指指尖30-40cm处，实现了血红蛋白浓度值的非侵入式测量，避免了有创测量引起的病人疼痛和感染的风险。所述光源包括但不限于白光LED光源，所述深度学习模型包括但不限于多尺度混合域注意力机制网络模型，所述高光谱图像中血红蛋白特征包括但不限于光谱漫反射特征信息，所述预测模型包括但不限于血红蛋白预测模型，深度学习模型利用大量RGB图像与高光谱图像进行训练，血红蛋白特征提取模型利用模特卡洛模拟生成，通过交叉验证实现了模型的预测能力。所述血红蛋白检测方法包含以下步骤。
步骤1、采集数据集训练深度学习模型重建高光谱图像；
1)、启动白光发光LED光源，将可见光发射到手指或皮肤其他部位。
2)、启动工业相机与高光谱相机，对焦至最佳位置，保证无其他光线射入影响成像设备采集数据。
3)、手指放于被测位置，与两相机保持工作距离，保持静止10s，采集RGB图像与高光谱图像制作数据集。
4)、RGB图像输入到深度学习预测模型中，重建出多组高光谱图像。
步骤2、设计漫反射仿真实验，创建特征值提取模型；
1)、使用蒙特卡洛模拟法进行不同生理参数下光在皮肤组织中的传输模拟，得到漫反射光谱，并建立皮肤组织模型。
2)、使用有监督降维算法进行血红蛋白特征提取。
3)、使用支持向量回归算法进行仿真数据的血红蛋白浓度估计，对血红蛋白特征提取模型进行性能评估。
步骤3、选取ROI区域并生成特征值，校正后进行血红蛋白浓度预测；
1)、去除相机引入噪声并选取感兴趣区域，建立血红蛋白浓度预测校正模型。
2)、血红蛋白特征输入到校正模型，预测出血红蛋白浓度。
2.根据权利要求1所述，其特征在于，本发明适用于人体不同部位的组织血红蛋白含量成像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965394.9A CN115474930A (zh) | 2022-08-12 | 2022-08-12 | 一种基于高光谱图像重建的无创血红蛋白检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965394.9A CN115474930A (zh) | 2022-08-12 | 2022-08-12 | 一种基于高光谱图像重建的无创血红蛋白检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115474930A true CN115474930A (zh) | 2022-12-16 |
Family
ID=84422537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210965394.9A Pending CN115474930A (zh) | 2022-08-12 | 2022-08-12 | 一种基于高光谱图像重建的无创血红蛋白检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115474930A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012484A (zh) * | 2023-03-27 | 2023-04-25 | 皑高森德医疗器械(北京)有限责任公司 | 一种基于黑色素体积含量的皮肤白斑盆地状呈现方法 |
-
2022
- 2022-08-12 CN CN202210965394.9A patent/CN115474930A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012484A (zh) * | 2023-03-27 | 2023-04-25 | 皑高森德医疗器械(北京)有限责任公司 | 一种基于黑色素体积含量的皮肤白斑盆地状呈现方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6640130B1 (en) | Integrated imaging apparatus | |
| US8548570B2 (en) | Hyperspectral imaging of angiogenesis | |
| US10013811B2 (en) | Hyperspectral image visualization in patients with medical conditions | |
| CN108471989A (zh) | 用于生成承载对象的生命体征信息的光体积描记图像的设备、系统和方法 | |
| US20110304705A1 (en) | Method and apparatus for imaging tissue topography | |
| JP2003503135A5 (zh) | ||
| CA2604829A1 (en) | Hyperspectral imaging in diabetes and peripheral vascular disease | |
| CN106999116A (zh) | 用于皮肤检测的设备和方法 | |
| CN109497977A (zh) | 人体心率和血氧饱和度检测方法和装置 | |
| US20220095998A1 (en) | Hyperspectral imaging in automated digital dermoscopy screening for melanoma | |
| Hu et al. | Opto-physiological modeling applied to photoplethysmographic cardiovascular assessment | |
| Vyas et al. | Non-invasive estimation of skin thickness from hyperspectral imaging and validation using echography | |
| RU2510506C2 (ru) | Способ определения оптических и биофизических параметров биоткани | |
| CN115474930A (zh) | 一种基于高光谱图像重建的无创血红蛋白检测方法 | |
| JP2006149679A (ja) | 健康度判定方法、装置、及びプログラム | |
| CN116186502B (zh) | 一种多模态视觉神经功能检测方法及其系统 | |
| US20230172565A1 (en) | Systems, devices, and methods for developing a model for use when performing oximetry and/or pulse oximetry and systems, devices, and methods for using a fetal oximetry model to determine a fetal oximetry value | |
| RU2528087C1 (ru) | Устройство для определения концентрации гемоглобина и степени оксигенации крови в слизистых оболочках | |
| US10653343B2 (en) | System and method for non-invasive glucose monitoring using near infrared spectroscopy | |
| CN115177242A (zh) | 一种基于rgb图像光谱重建的组织血氧评估方法 | |
| CN113261953B (zh) | 一种多光谱面诊测量方法 | |
| CN117274162A (zh) | 一种基于可见光图像的无创胆红素检测方法 | |
| CN116421180A (zh) | 一种基于图谱联合的无创血红蛋白检测方法 | |
| Harrison | NOVEL NONINVASIVE OPTICAL DIAGNOSTIC TECHNOLOGIES FOR THE MANAGEMENT OF NEONATAL JAUNDICE | |
| Suciu | Non-invasive Detection of Peripheral Arterial Disease in the Lower Limb |
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 |