CN115482933A - 用于对驾驶员的驾驶风险进行评估的方法及其相关产品 - Google Patents
用于对驾驶员的驾驶风险进行评估的方法及其相关产品 Download PDFInfo
- Publication number
- CN115482933A CN115482933A CN202211357564.1A CN202211357564A CN115482933A CN 115482933 A CN115482933 A CN 115482933A CN 202211357564 A CN202211357564 A CN 202211357564A CN 115482933 A CN115482933 A CN 115482933A
- Authority
- CN
- China
- Prior art keywords
- risk
- driver
- driving
- fundus image
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000010191 image analysis Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 45
- 201000010099 disease Diseases 0.000 claims description 33
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 20
- 238000012502 risk assessment Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 11
- 210000004126 nerve fiber Anatomy 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 208000010412 Glaucoma Diseases 0.000 claims description 8
- 206010012601 diabetes mellitus Diseases 0.000 claims description 6
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 6
- 206010020772 Hypertension Diseases 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 5
- 206010012689 Diabetic retinopathy Diseases 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 208000002780 macular degeneration Diseases 0.000 claims description 4
- 206010012289 Dementia Diseases 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 208000017667 Chronic Disease Diseases 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 206010064930 age-related macular degeneration Diseases 0.000 description 6
- 206010025421 Macule Diseases 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 206010039966 Senile dementia Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G06T5/94—
-
- 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
- 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
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本披露公开了一种用于对驾驶员的驾驶风险进行评估的方法及其相关产品，其中方法包括：获取所述驾驶员与驾驶相关的个人信息参数；获取所述驾驶员的眼底图像；对所述眼底图像进行图像分析，以得到所述驾驶员与驾驶相关的驾驶风险参数；以及根据所述个人信息参数和驾驶风险参数来对所述驾驶员的驾驶风险进行评估。利用本披露的方案，可以借助于眼底图像来对驾驶员的驾驶风险进行有效评估，从而避免驾驶风险所带来的潜在危险。
Description
技术领域
本披露一般涉及图像分析领域。更具体地，本披露涉及一种用于对驾驶员的驾驶风险进行评估的方法、设备、系统和计算机可读存储介质。
背景技术
当前的驾驶员体检除了直接对身高、体重与外在生理缺陷进行检查以外，其心血管系统与神经系统方面的检查主要靠病史询问来完成。如果驾驶员对自己的健康状况了解不准确或者故意隐瞒病史，则基于此类询问很难对驾驶员的驾驶风险进行正确评估。通过近年来的研究发现，眼底的视网膜厚度、糖网、青光眼、老年性黄斑病变（“AMD”）等眼底病均与驾驶风险有直接相关。换句话说，眼底与驾驶安全具有天然的关联性。鉴于此，现有技术中亟需提供一种基于驾驶员的眼底图像的驾驶风险评估方案，以便实现对驾驶员的驾驶风险的有效和准确评估。
发明内容
为了至少解决如上所提到的一个或多个技术问题，本披露在多个方面中提出了一种用于对驾驶员的驾驶风险进行评估的方案。通过本方案的使用，可以借助于眼底图像来对驾驶员的驾驶风险进行有效评估，从而避免驾驶风险所带来的潜在危险。为此，本披露在如下的多个方面中提供方案。
在第一方面中，本披露提供一种用于对驾驶员的驾驶风险进行评估的方法，包括：获取所述驾驶员与驾驶相关的个人信息参数；获取所述驾驶员的眼底图像；对所述眼底图像进行图像分析，以得到所述驾驶员与驾驶相关的驾驶风险参数；以及根据所述个人信息参数和驾驶风险参数来对所述驾驶员的驾驶风险进行评估。
在一个实施例中，其中对所述眼底图像进行图像分析，以得到所述驾驶员与驾驶相关的驾驶风险参数包括：针对与驾驶相关的疾病对所述眼底图像进行图像分析；以及根据所述驾驶员与所述疾病的相关度信息来确定所述驾驶员与驾驶相关的驾驶风险参数。
在另一个实施例中，其中针对与驾驶相关的疾病对所述眼底图像进行图像分析包括：对所述眼底图像执行归一化处理；以及对经所述归一化处理后的眼底图像执行针对所述疾病的风险评估，以便将所述风险评估结果作为所述相关度信息。
在又一个实施例中，其中对所述眼底图像执行归一化处理包括：计算关于所述眼底图像的多个通道的整体方差；以及根据所述整体方差来对每个通道执行归一化处理，以得到经所述归一化处理后的眼底图像。
在一个实施例中，其中对经所述归一化处理后的眼底图像执行针对所述疾病的风险评估包括：针对糖尿病视网膜病变、心脑血管风险、高血压风险、糖尿病风险、痴呆风险中的一种或多种疾病执行风险评估。
在另一个实施例中，其中针对与驾驶相关的疾病对所述眼底图像进行图像分析包括：针对与驾驶相关的疾病对所述眼底图像的不同区域进行检测与分析；以及将不同区域的检测与分析结果作为所述相关度信息。
在又一个实施例中，其中针对与驾驶相关的疾病对所述眼底图像的不同区域进行检测与分析包括：对所述眼底图像执行防过曝处理和/或区域轮廓增强处理，以便实现对眼底图像的不同区域进行检测与分析。
在又一个实施例中，其中对所述眼底图像执行防过曝处理包括：在所述眼底图像的视盘检测过程中对眼底图像执行防过曝处理；以及基于经防过曝处理后的眼底图形来执行针对青光眼和/或神经纤维层的检测与分析。
在一个实施例中，其中在所述眼底图像的视盘检测过程中执行防过曝处理包括：对包含视盘的眼底图像的每个通道的数值进行数值归一化；以及对经所述数值归一化后的每个通道的不同数值区间进行分段加权，以得到防过曝处理后的眼底图像。
在另一个实施例中，其中对所述眼底图像执行区域轮廓增强处理包括在所述眼底图像的黄斑检测过程中执行区域轮廓增强处理，以实现对黄斑病变的检测与分析。
在又一个实施例中，其中根据所述个人信息参数和驾驶风险参数来对所述驾驶员的驾驶风险进行评估包括：将所述个人信息参数和驾驶风险参数作为指标的指标数值输入至风险模型中；以及利用所述风险模型执行计算，以得到关于所述驾驶员的驾驶风险水平。
在又一个实施例中，其中在利用风险模型执行计算中，所述方法还包括使用预定的优势比作为所述指标数值的对应权重来执行所述计算。
在第二方面中，本披露提供一种用于对驾驶员的驾驶风险进行评估的设备，包括：处理器；以及存储器，其上存储有用于对驾驶员的驾驶风险进行评估的计算机程序指令，当所述计算机程序指令由所述处理器执行时，使得实现根据第一方面及其多个实施例中的任意一项所述的方法。
在第三方面中，本披露提供一种用于对驾驶员的驾驶风险进行评估的系统，包括：客户端设备，其配置成用于接收所述驾驶员输入的与驾驶相关的个人信息参数；眼底相机，其配置成对所述驾驶员的眼底进行拍摄，以生成眼底图像；以及云端设备，其与所述客户端设备和眼底相机通信连接，并且配置成执行根据第一方面及其多个实施例中的任意一项所述的方法。
在第四方面中，本披露提供一种计算机可读存储介质，其上存储有用于对驾驶员的驾驶风险进行评估的计算机程序指令，当所述计算机程序指令由处理器执行时，使得实现根据第一方面及其多个实施例中的任意一项所述的方法。
通过如上所提供的本披露的评估（或者称预测）方案，可以利用眼底图像对驾驶员的驾驶风险进行有效评估，从而避免由于潜在的驾驶风险而造成严重的交通事故。进一步，通过引入与驾驶员的驾驶相关的个人信息参数，可以提供个性化的驾驶评估，从而令评估结果更为可靠的反映驾驶员个人的驾驶风险。在一些实施例中，通过对眼底图像进行图像分析和增强处理，可以使得经处理后的眼底图像更适用于风险评估，从而令评估或预测结果更为精准。在一些实施例中，本披露的方案可以灵活地布置于云端并且结合客户端的使用，从而可以实现快速有效的驾驶风险评估。
附图说明
通过参考附图阅读下文的详细描述，本披露示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本披露的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1示出了根据本披露实施例的用于对驾驶员的驾驶风险进行评估的方法的简化流程图；
图2示出了根据本披露一个实施例的用于对驾驶员的驾驶风险进行评估的方法的详细流程图；
图3示出了根据本披露另一实施例的用于对驾驶员的驾驶风险进行评估的方法的详细流程图；
图4示出了根据本披露实施例的用于对眼底图像进行图像分析和处理的示意流程图；
图5A示出了根据本披露实施例的视盘抗过曝前的示图；
图5B示出了根据本披露实施例的视盘抗过曝后的示图；
图6示出了根据本披露实施例的对视盘进行分段加权操作的示意图；
图7示出了根据本披露实施例的用于对驾驶员的驾驶风险进行评估的设备的结构框图；以及
图8示出了根据本披露实施例的用于对驾驶员的驾驶风险进行评估的系统的示意架构图。
具体实施方式
下面将结合本披露实施例中的附图，对本披露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披露一部分实施例，而不是全部的实施例。基于本披露中的实施例，本领域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，都属于本披露保护的范围。
应当理解，本披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本披露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，而并不意在限定本披露。如在本披露说明书和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。还应当进一步理解，在本披露说明书和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。
如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
如前文所述，当前的驾驶员体检除了直接对身高、体重和外在生理缺陷进行检查外，其心血管系统和/或神经系统方面的健康状况主要靠病史询问。如果驾驶员对自己的健康状况了解不准确或者故意隐瞒，则很难对其驾驶风险进行准确评估。为此，本披露的方案提出利用眼底图像并结合驾驶员的个人信息来实现对驾驶员的驾驶风险的评估或预测。在不同的实施方式中，为了实现风险评估的准确性，本披露的方案提出对眼底图像进行预处理，包括针对眼底不同区域的检测与分析、归一化处理、防止过曝处理和区域轮廓增强处理。最后，本披露的方案利用风险函数来评估或预测驾驶员的驾驶风险，从而为驾驶员的驾驶安全性提供可靠的参考。
下面结合附图来详细描述本披露的具体实施方式。
图1示出了根据本披露实施例的用于对驾驶员的驾驶风险进行评估的方法100的简化流程图。可以理解的是，在一个实施场景中，本披露的方法100可以由单独的实体（例如云端设备）来实现。在另一个实施场景中，本披露的方法100可以由多个实体（例如移动终端、眼底相机和云端设备）相配合来实现。因此，就方法100的执行主体来说，本披露的方案在此方面不做限制。
如图1中所示，在步骤S102处，获取驾驶员与驾驶相关的个人信息参数。根据不同的实施场景，前述的个人信息参数可以涉及驾驶员的身高、体重、年龄和性别等。在一些场景中，此处的个人信息参数也可以涉及该驾驶员的视力、屈光、听力、用药情况、精神病史、慢性疾病（例如糖尿病、关节炎）的病史等。
在步骤S104处，获取所述驾驶员的眼底图像。在一个实施场景中，可以通过眼底相机对驾驶员的眼部进行拍摄，从而获得眼底图像。在步骤S106处，对前述获取的眼底图像进行图像分析，以得到驾驶员与驾驶相关的驾驶风险参数。根据不同的实施场景，前述的图像分析可以涉及基于不同区域特征的优化处理，例如下文将要讨论的归一化处理、防止视盘过度曝光、防止黄斑不清晰的区域轮廓增强等处理。通过前述的图像优化处理，可以使得例如全眼底图、黄斑、视盘区域的图片信息得到增强，从而提升本披露的评估（或者说预测）性能。进一步，前述的驾驶风险参数可以是基于图像分析后所得到的各种数值，例如归一化处理后所获得的与各种慢性病风险相关的数值等。
最后，在步骤S108处，根据所述个人信息参数和驾驶风险参数来对所述驾驶员的驾驶风险进行评估。在一个实施场景中，可以利用风险模型（或称风险函数）来对驾驶员的驾驶风险进行评估，其中涉及对每一个风险因素赋予权重，从而得到综合的风险值，也即本披露评估后所得到的评估值。
以上结合图1对本披露的驾驶风险评估方案进行了描述。可以理解的是，本披露的评估方案通过对眼底图像进行计算机图像学方面的分析，并且结合驾驶员自身的个人信息，从而实现对驾驶员驾驶风险的有效评估。通过这样的风险评估，可以向驾驶员或相关医疗机构提供关于驾驶员驾驶风险的预测或预估，从而可以提前对风险进行防范或有效干预。由此，也可以有效避免或降低由于对驾驶员驾驶风险的忽视而造成交通事故的可能性。
图2示出了根据本披露一个实施例的用于对驾驶员的驾驶风险进行评估的方法200的详细流程图。从图2中所示内容可以理解的是，方法200示出了关于本披露评估方案的更多细节，因此其可以视为图1所示方法100的一个示例性实施方式。由此，前文结合图1对方法100的描述同样适用于下文结合图2对方法200的描述。
如图2中所示，在步骤S202处，使用眼底相机对待风险评估的驾驶员进行眼底拍照，以获取驾驶员的眼底图像。作为示例，驾驶员的眼底图像可以是如图4中的401或图7的703所示出的图像。
接着，在步骤S204处，对所述眼底图像执行归一化处理。作为一个示例性的实施方式，该步骤S204可以包括S2041和S2042两个子步骤。具体地，在步骤S2041处，计算关于所述眼底图像的多个通道的整体方差。此后，在步骤S2042处，根据所述整体方差来对每个通道执行归一化处理，以得到经所述归一化处理后的眼底图像。为了便于本领域技术人员的更好理解，下面将对前述的归一化处理进行详细地描述。
首先，假定输入的眼底图像是BGR/RBG的三通道眼底图像，其图像尺寸为H×W×3。这里，H和W分别表示眼底图像的高度和宽度（例如以像素计）。作为示例，二者的取值可以为299。假定fi代表尺寸为H×W×3的三通道中的第i通道的单通道图像，且
，则经对比度强化处理的第i通道的单通道图像可以表示为：
其中
和
分别表示单通道图像fi的最大像素值和最小像素值，
表示改进的sigmoid函数。通过这样的公式（1）可以实现数值重整，即针对于单通道图像的归一化处理。
对应地，上述的
可以表示为：
其中
表示单通道图像fi的像素均值，该均值可以通过下面的公式来计算获得：
其中
为三通道图像f的标准差（也即本披露上文所提及的整体方差），其可以下面的公式来计算获得：
其中
为三通道图像f的像素均值，
可以使用公式（3）的三个通道均值再取平均来获得。
通过上述的一系列计算，可以分别对输入的眼底图像f的三个通道进行归一化处理，以得到新的三通道图像g。相比较于现有单个方差，本披露的方案使用了三通道的整体方差（即公式（4）中所示
）作为归一化的基准，以实现对三个通道中每个单通道逐一执行独立的归一化处理。该改进基于sigmoid函数对于例如大于5以上的输入或小于-5以下的输入具有非线性的响应，而对于例如在-5到5之间的输入具有接近于线性化的响应。由此，通过使用改进的sigmoid函数可以实现将公式(2)的
部分的输入数值归一化到-5到5的线性化区域，从而最大程度地实现对数值的区分性描述。
需要理解的是上述利用sigmoid函数来执行归一化的处理仅仅是示例性的而非限制性的，本领域技术人员根据本披露的教导也可以利用其他的函数或通过其他的数学方式来实现多通道的整体方差对单通道的单个方差的归一化处理。例如，也可以使用如下的函数表达来实现本披露的归一化处理。
其中
为整个通道的标准差（也即上文的整体方差），归一化后为均值为0、方差为1的单通道图像。
通过上述的归一化处理，本披露的方案可以强化眼底图片中相关区域的对比度。基于此对比度强化处理后的眼底图片将更适合对各种慢性疾病（例如肾病）风险的预测或评估，或者更适用于进行糖尿病视网膜病变（“DR”）分析。基于此，在步骤S206处，对经归一化处理后的眼底图像执行针对疾病（例如心脑血管风险、高血压、糖尿病、老年痴呆等慢性疾病）的风险评估，以便将所述风险评估结果作为相关度信息。在该风险评估中，还可以使用用于疾病风险评估的各种类型的神经网络模型进行评估，本披露在此方面不做限制。如前所述，这里的风险评估结果可以是疾病的有或无、各类疾病的风险预测值或各类指标。
此后，在步骤S208处，根据所述驾驶员与疾病的相关度信息来确定所述驾驶员与驾驶相关的驾驶风险参数。在一些实施场景中，当相关度信息涉及某种疾病的评估值时，则此时的驾驶风险参数也即是该疾病作为风险指标时的指标数值。当相关度信息涉及驾驶员是否存在某种疾病时，则将该疾病的有无进行二值化（例如存在该疾病以“1”表示，而无该疾病以“0”表示）表示后所得到的值也即是该疾病作为风险指标时的指标数值。最后，在步骤S210处，根据所述个人信息参数和驾驶风险参数来对所述驾驶员的驾驶风险进行评估。如前文所述，这里的评估可以借助于各种类型的风险模型来实现，具体细节将稍后描述。
图3示出了根据本披露另一个实施例的用于对驾驶员的驾驶风险进行评估的方法300的详细流程图。从图3中所示内容可以理解的是，方法300示出了关于本披露评估方案的更多细节，因此其可以视为图1所示方法100的一个示例性实施方式。由此，前文结合图1对方法100的描述同样适用于下文结合图3对方法300的描述。
如图3所示，在步骤S302处，使用眼底相机对待评估驾驶风险的驾驶员进行拍照，以获取所述驾驶员的眼底图像。在一个示例性实施场景中，可以移动眼底相机的镜头对准驾驶员的瞳孔，接着控制所述镜头接近眼球并采集图像，所述图像可以是对角膜所反射的照明光束的成像。此后，可以利用所述图像确定眼底相机的工作距离并调整焦距，以实现在工作距离处使用拍摄焦距来拍摄出眼底图像。
接着，在步骤S304处，针对与驾驶相关的疾病对所述眼底图像进行图像分析。作为示例，该步骤S304处可以包括两个子步骤S3041和S3042，其中在步骤S3041处，可以针对与驾驶相关的疾病对所述眼底图像的不同区域进行检测与分析。接着，在步骤S3042处，将不同区域的检测与分析结果作为相关度信息。
仅为了示例和便于理解本披露的方案，下文将以眼底图像的黄斑区域和视盘为例来描述针对该区域的检测与分析。具体地，首先结合图5A、图5B和图6来讨论分析视盘中的图像防止过曝（或称抗过曝）处理，并且接着讨论分析针对黄斑区域的区域轮廓增强处理。
作为抗过曝处理的初始步骤，可以通过图像处理获得如图5A所示的视盘检测图像。作为示例，借助于具有视盘区域的神经网络模型，可以从输入至模型中的眼底图像获得视盘区域的检测图像。接着，可以对该检测图像进行如前文所述的归一化处理。具体地，可以对该检测图像的RGB三通道的每个通道的数值进行归一化，以便通过这样的归一化处理将数值归一化到0-1之间。接着，可以对每一通道的不同数值区间进行分段加权，从而可以得到如图6所示的输入值（原始归一化数值）和输出值（经分段加权后所得到的数值）的曲线关系图。进一步，基于该分段加权后可以得到如图5B中所示出新的视盘图，也即抗过曝处理后的图像。如本领域技术人员所知，通常双眼杯盘比（即眼底视杯与视盘直径的比值）一般在0.3-0.6之间，而青光眼患者的杯盘比通常会偏大，例如大于或等于0.6。可以看出，通过对不同阈值区域的数值进行分段加权处理，本披露的视盘和视杯相对更为清晰，从而更容易和精准地确定杯盘比（作为本披露上下文的相关度信息），从而为眼部疾病如青光眼的分析提供了依据。
作为防止过曝处理的另一个应用场景，还可以基于抗过曝处理后的眼底图像进行围绕视盘的神经纤维层分析。以图4的402处所示，从视盘的周边图像可以看出，由于神经纤维层的存在，当对眼底进行成像时，神经纤维层对光的反射使得围绕视盘上下包括血管走向的区域相对于左右区域颜色较浅。通过对抗过曝处理后的眼底图像进行分析，可以确定眼部内的神经纤维层的异常（例如其带状结构的变化，包括缺损等），从而基于此类异常确定与驾驶风险关联的相关度信息。
以上对防止过曝处理进行了描述，下面将分析黄斑区域中的区域轮廓增强处理。如将要理解的，本披露的区域轮廓增强处理实际上就是对眼底图像执行图像的“锐化”处理，其中涉及利用原图像的各通道图像数值（如像素值）减去模糊化后的原图。作为示例，本披露利用下面的公式（6）来对原图像进行模糊化处理：
其中f是待从原图像中减去的模糊化图像，f k(x,y)是f的给定通道，x和y是f k(x,y)的第x个和第y个像素值，（2c+1）是处理的核大小，其可以例如设置为5。通过本披露的区域轮廓增强，使得黄斑区域的结构变得更为突显，从而便于后续的如老年性黄斑病变（“AMD”）分析。基于该AMD分析，可以得到黄斑是否病变的结论，也即本披露所述的相关度信息。
返回到图3的流程，在步骤S306处，根据驾驶员与疾病的相关信息来确定所述驾驶员与驾驶相关的驾驶风险参数。根据不同的实施方式，这里的驾驶风险参数可以包括各类值，例如与杯盘比分析或青光眼分析相关的数值、神经纤维层（其与精神与神经系统方面的疾病相关）分析相关的数值或神经纤维层是否缺损（0代表无缺损、1代表缺损）、黄斑是否存在病变（0代表无病变、1代表有病变）、是否存在糖尿病视网膜病变（0代表无病变、1代表有病变）和/或多种慢性病风险（如心脑血管风险、高血压、糖尿病风险、痴呆风险）的风险值。
此后，在步骤S308，将所述个人信息参数和驾驶风险参数作为指标的指标数值输入至风险模型中。最后，在步骤S310，利用风险模型执行计算，以得到关于驾驶员的驾驶风险水平。
如前文所述，此处的驾驶风险评估可以借助于各种风险模型来实现，例如经典的cox风险模型（或称cox风险函数），其可以具有如下面公式（7）的表达。
其中
是各个指标的加权比值，X是指标数值（如年龄值、与杯盘比分析或青光眼分析相关的数值、神经纤维层分析相关的数值或神经纤维层是否缺损、心脑血管风险、高血压、糖尿病、老年痴呆等慢性疾病的风险预测值），
是模型建立使用的各个指标的均值。
上述cox风险模型的每一指标项的使用过程中可能会有量纲上的处理，例如模型的年龄用ln（年龄）代替而性别用0/1代替（1和0分别代表男性和女性）。以年龄和性别为指标项来计算风险水平为例，假设年龄和性别其对应权重
和
分别为24.87和0.36，而建模使用的人群平均年龄
和性别
为39.5和0.49，则建立简单的基于年龄和性别的风险计算如下面的公式（8）：
其中
为常数并且其数值例如可以取值0.9707,而输出的Risk数值一般在0-1之间。
进一步，本披露的方案还可以使用基于逻辑回归的风险函数，其可以通过建模表达为下面的公式（9）：
其计算方式与Cox风险函数（式6所示）类似，其中β是各个指标的权重，X是指标数值，
是常数值，其通常指代函数曲线与坐标的交点数值。
考虑到Cox函数对应的风险模型和逻辑回归模型计算获得的风险数值样本存在数值分布不均匀且数值之间有明显的数量级差异，本披露还提出基于Cox函数或基于逻辑回归函数改进的风险函数。作为示例，改进的风险函数可以下面的公式（10）来表达：
该公式(9)是以e为底的Risk函数值的对数，其中Risk’即是改进以后的风险函数，Risk可以具有如公式（7）和（9）所示出的表达形式。当使用该改进的风险函数时，其可以使得风险值整体分布更均匀且数值更为线性，并且最大值和最小值一般不会超过一个数量级的数值差异。
在一些应用场景中，当缺少足够的数据情况下，本披露提出参考历史文献中对关联驾驶风险与相关指标的参数来计算，例如使用优势比（odds ratio, OR）来给每一个因素赋予权重。关于驾驶相关的优势比，可以参见Gilhotra, Jagjit Singh,等人所撰写的“老年人视力受损及其他与停止驾驶有关的因素：蓝山眼科研究”，临床和实验眼科29.3（2001）：104-107（“Impaired vision and other factors associated with drivingcessation in the elderly: the Blue Mountains Eye Study.”Clinical &experimental ophthalmology 29.3 (2001): 104-107）。
图4示出了根据本披露实施例的用于对眼底图像进行图像分析和处理的示意流程图。可以理解的是，尽管上文在图3中的步骤S304中对本披露的图像分析和处理进行了详细的描述，但为了更好的理解本披露的方案，图4以流程框图的形式示出各个处理。
如图4中所示，利用眼底相机拍摄的眼底图像401可以经过本披露的视盘检测、黄斑检测和归一化处理。具体地，在视盘检测中，可以对眼底图像进行防止过曝处理，从而可以得到如402所示出的包含视盘的图像。由此，可以分别执行青光眼分析/杯盘比分析以及神经纤维层分析，并且将得到的数值或缺损与否作为相关度信息。进一步，在黄斑检测中，可以对眼底图像进行区域轮廓增强处理，从而得到如图4中403处所示出的包含黄斑的图像，由此可以执行AMD相关分析，并且得到是或否的相关信息。最后，对于归一化处理的眼底图像，可以执行DR分析和/或慢性疾病风险评估，以便将相应的结果作为本披露上下文的相关度信息。
图7示出了根据本披露实施例的用于对驾驶员的驾驶风险进行评估的设备700的结构框图。
如图7中所示，本披露的设备700包括处理器701和存储器702。根据不同的应用场景，这里的处理器可以包括通用处理器（“CPU”）、专用CPU或者其他信息处理以及程序运行的执行单元。类似地，存储器702可以包括各种类型的处理器，例如大容量存储器和/或只读存储器ROM，其中大容量存储器可以配置用于存储各类数据，包括接收来自眼底相机的图像数据（如眼底照片703）、用于对评估模型或预测模型进行训练和测试的数据、中间数据和评估结果、以及运行各种模型（如神经网络模型）和算法所需要的各种程序。进一步，ROM可以配置成存储对于设备700的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
在操作中，设备700的输入接口可以接收驾驶员的眼底图像和个人信息参数。此后，处理器701根据接收到的眼底图像和个人信息参数，调用存储于存储器702中的计算机程序指令，从而执行前述结合图1-图6所描述的方法步骤，由此完成对驾驶员的驾驶风险的评估。
可以理解的是图7所示出的设备仅仅是示例性而非限制性的，本披露的驾驶员驾驶风险评估方案也可以执行计算机指令的任何模块、单元、组件、服务器、计算机或终端来实现，并且前述这些模块、单元、组件、服务器、计算机或终端可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备（可移除的）和/或不可移动的）例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。基于此，本披露实际上也公开了一种计算机可读存储介质，其中存储有程序指令，所述程序指令适于由处理器加载并执行，使得实现结合图1-图6所描述的方法步骤。
上述的计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive Random Access Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-AccessMemory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
图8示出了根据本披露实施例的用于对驾驶员的驾驶风险进行评估的系统800的示意架构图。如图中所示，系统800可以包括以手机形式示出的客户端设备801、作为眼底图像采集设备的眼底相机802，以及以“云”示出的云端设备803。
根据不同的应用场景，这里的客户端设备801可以是支持驾驶员个人信息参数录入的设备，包括但不限于家用计算机、膝上型或手持型计算机、智能移动终端等设备。在操作中，客户端设备801可以在驾驶员输入个人信息参数后，向云端设备发送个人信息参数。进一步，眼底相机802可以对驾驶员进行眼底视网膜的拍照，并且将得到的眼底图像向云端设备发送。响应于接收到来自于驾驶员的个人信息参数和眼底图像，云端设备（此时可以视为图7所示出的设备701）将基于接收到的数据来执行前文结合图1-图6所示出的方法步骤，从而获得关于驾驶员的驾驶风险评估。在一些场景中，云端设备可以将得到的最终风险评估结果发送到驾驶员供与参考，或者附加地发送到交通行政单位以供参考。
虽然本文已经示出和描述了本披露的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中，可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。
Claims (15)
1.一种用于对驾驶员的驾驶风险进行评估的方法，包括：
获取所述驾驶员与驾驶相关的个人信息参数；
获取所述驾驶员的眼底图像；
对所述眼底图像进行图像分析，以得到所述驾驶员与驾驶相关的驾驶风险参数；以及
根据所述个人信息参数和驾驶风险参数来对所述驾驶员的驾驶风险进行评估。
2.根据权利要求1所述的方法，其中对所述眼底图像进行图像分析，以得到所述驾驶员与驾驶相关的驾驶风险参数包括：
针对与驾驶相关的疾病对所述眼底图像进行图像分析；以及
根据所述驾驶员与所述疾病的相关度信息来确定所述驾驶员与驾驶相关的驾驶风险参数。
3.根据权利要求2所述的方法，其中针对与驾驶相关的疾病对所述眼底图像进行图像分析包括：
对所述眼底图像执行归一化处理；以及
对经所述归一化处理后的眼底图像执行针对所述疾病的风险评估，以便将所述风险评估结果作为所述相关度信息。
4.根据权利要求3所述的方法，其中对所述眼底图像执行归一化处理包括：
计算关于所述眼底图像的多个通道的整体方差；以及
根据所述整体方差来对每个通道执行归一化处理，以得到经所述归一化处理后的眼底图像。
5.根据权利要求3所述的方法，其中对经所述归一化处理后的眼底图像执行针对所述疾病的风险评估包括：
针对糖尿病视网膜病变、心脑血管风险、高血压风险、糖尿病风险、痴呆风险中的一种或多种疾病执行风险评估。
6.根据权利要求2所述的方法，其中针对与驾驶相关的疾病对所述眼底图像进行图像分析包括：
针对与驾驶相关的疾病对所述眼底图像的不同区域进行检测与分析；以及
将不同区域的检测与分析结果作为所述相关度信息。
7.根据权利要求6所述的方法，其中针对与驾驶相关的疾病对所述眼底图像的不同区域进行检测与分析包括：
对所述眼底图像执行防过曝处理和/或区域轮廓增强处理，以便实现对眼底图像的不同区域进行检测与分析。
8.根据权利要求7所述的方法，其中对所述眼底图像执行防过曝处理包括：
在所述眼底图像的视盘检测过程中对眼底图像执行防过曝处理；以及
基于经防过曝处理后的眼底图形来执行针对青光眼和/或神经纤维层的检测与分析。
9.根据权利要求8所述的方法，其中在所述眼底图像的视盘检测过程中执行防过曝处理包括：
对包含视盘的眼底图像的每个通道的数值进行数值归一化；以及
对经所述数值归一化后的每个通道的不同数值区间进行分段加权，以得到防过曝处理后的眼底图像。
10.根据权利要求7所述的方法，其中对所述眼底图像执行区域轮廓增强处理包括在所述眼底图像的黄斑检测过程中执行区域轮廓增强处理，以实现对黄斑病变的检测与分析。
11.根据权利要求1-10的任意一项所述的方法，其中根据所述个人信息参数和驾驶风险参数来对所述驾驶员的驾驶风险进行评估包括：
将所述个人信息参数和驾驶风险参数作为指标的指标数值输入至风险模型中；以及
利用所述风险模型执行计算，以得到关于所述驾驶员的驾驶风险水平。
12.根据权利要求11所述的方法，其中在利用风险模型执行计算中，所述方法还包括使用预定的优势比作为所述指标数值的对应权重来执行所述计算。
13.一种用于对驾驶员的驾驶风险进行评估的设备，包括：
处理器；以及
存储器，其上存储有用于对驾驶员的驾驶风险进行评估的计算机程序指令，当所述计算机程序指令由所述处理器执行时，使得实现根据权利要求1-12的任意一项所述的方法。
14.一种用于对驾驶员的驾驶风险进行评估的系统，包括：
客户端设备，其配置成用于接收所述驾驶员输入的与驾驶相关的个人信息参数；
眼底相机，其配置成对所述驾驶员的眼底进行拍摄，以生成眼底图像；以及
云端设备，其与所述客户端设备和眼底相机通信连接，并且配置成执行根据权利要求1-12的任意一项所述的方法。
15.一种计算机可读存储介质，其上存储有用于对驾驶员的驾驶风险进行评估的计算机程序指令，当所述计算机程序指令由处理器执行时，使得实现根据权利要求1-12的任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211357564.1A CN115482933B (zh) | 2022-11-01 | 2022-11-01 | 用于对驾驶员的驾驶风险进行评估的方法及其相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211357564.1A CN115482933B (zh) | 2022-11-01 | 2022-11-01 | 用于对驾驶员的驾驶风险进行评估的方法及其相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115482933A true CN115482933A (zh) | 2022-12-16 |
| CN115482933B CN115482933B (zh) | 2023-11-28 |
Family
ID=84395497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211357564.1A Active CN115482933B (zh) | 2022-11-01 | 2022-11-01 | 用于对驾驶员的驾驶风险进行评估的方法及其相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115482933B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5796877B1 (ja) * | 2015-01-05 | 2015-10-21 | 慎一郎 馬場 | ドライビングリスク算出システム、ドライビングリスク算出方法及びドライビングリスク算出プログラム |
| WO2016028933A1 (en) * | 2014-08-19 | 2016-02-25 | Stempora Jeffrey | System for determining an underwriting risk, risk score, or price of insurance using sensor information |
| CN105488793A (zh) * | 2015-11-26 | 2016-04-13 | 西安诺瓦电子科技有限公司 | 图像显示方法以及图像处理方法 |
| CN106204555A (zh) * | 2016-06-30 | 2016-12-07 | 天津工业大学 | 一种结合Gbvs模型和相位一致性的视盘定位方法 |
| CN106506982A (zh) * | 2016-12-07 | 2017-03-15 | 浙江宇视科技有限公司 | 一种获取测光参数的方法、装置及终端设备 |
| CN108024103A (zh) * | 2017-12-01 | 2018-05-11 | 重庆贝奥新视野医疗设备有限公司 | 图像锐化方法以及装置 |
| US20190038204A1 (en) * | 2017-08-01 | 2019-02-07 | Panasonic Intellectual Property Management Co., Lrtd. | Pupillometry and sensor fusion for monitoring and predicting a vehicle operator's condition |
| CN110654393A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 驾驶员健康状态监测方法、系统、计算机设备及存储介质 |
| CN111048210A (zh) * | 2019-12-31 | 2020-04-21 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像评估疾病风险的方法及设备 |
| US20200160521A1 (en) * | 2017-05-04 | 2020-05-21 | Shenzhen Sibionics Technology Co., Ltd. | Diabetic retinopathy recognition system based on fundus image |
| WO2020103289A1 (zh) * | 2018-11-23 | 2020-05-28 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和系统 |
| JP2020173836A (ja) * | 2020-06-26 | 2020-10-22 | みこらった株式会社 | 自動運転車及び自動運転車用プログラム |
| US20210016805A1 (en) * | 2018-03-30 | 2021-01-21 | Sony Semiconductor Solutions Corporation | Information processing apparatus, moving device, method, and program |
| CN112541923A (zh) * | 2020-12-03 | 2021-03-23 | 南开大学 | 一种基于眼底图数据集迁移学习的视杯视盘分割方法 |
| US20210343006A1 (en) * | 2018-08-31 | 2021-11-04 | Fuzhou Yiying Health Technology Co., Ltd. | Preprocessing method for performing quantitative analysis on fundus image, and storage device |
| US20210370955A1 (en) * | 2018-05-22 | 2021-12-02 | V3 Smart Technologies Pte Ltd | Driving risk computing device and methods |
| US20210378510A1 (en) * | 2020-06-05 | 2021-12-09 | XAIMED Co., Ltd. | Method for supporting prediction of vascular disease using fundus image, apparatus therefor and system including the same |
| CN113792663A (zh) * | 2021-09-15 | 2021-12-14 | 东北大学 | 一种驾驶员酒驾以及疲劳驾驶的检测方法、装置及存储介质 |
| CN114255875A (zh) * | 2022-02-28 | 2022-03-29 | 北京鹰瞳科技发展股份有限公司 | 用于评估肾病风险的方法、装置、系统和计算机可读存储介质 |
-
2022
- 2022-11-01 CN CN202211357564.1A patent/CN115482933B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016028933A1 (en) * | 2014-08-19 | 2016-02-25 | Stempora Jeffrey | System for determining an underwriting risk, risk score, or price of insurance using sensor information |
| JP5796877B1 (ja) * | 2015-01-05 | 2015-10-21 | 慎一郎 馬場 | ドライビングリスク算出システム、ドライビングリスク算出方法及びドライビングリスク算出プログラム |
| CN105488793A (zh) * | 2015-11-26 | 2016-04-13 | 西安诺瓦电子科技有限公司 | 图像显示方法以及图像处理方法 |
| CN106204555A (zh) * | 2016-06-30 | 2016-12-07 | 天津工业大学 | 一种结合Gbvs模型和相位一致性的视盘定位方法 |
| CN106506982A (zh) * | 2016-12-07 | 2017-03-15 | 浙江宇视科技有限公司 | 一种获取测光参数的方法、装置及终端设备 |
| US20200160521A1 (en) * | 2017-05-04 | 2020-05-21 | Shenzhen Sibionics Technology Co., Ltd. | Diabetic retinopathy recognition system based on fundus image |
| US20190038204A1 (en) * | 2017-08-01 | 2019-02-07 | Panasonic Intellectual Property Management Co., Lrtd. | Pupillometry and sensor fusion for monitoring and predicting a vehicle operator's condition |
| CN108024103A (zh) * | 2017-12-01 | 2018-05-11 | 重庆贝奥新视野医疗设备有限公司 | 图像锐化方法以及装置 |
| US20210016805A1 (en) * | 2018-03-30 | 2021-01-21 | Sony Semiconductor Solutions Corporation | Information processing apparatus, moving device, method, and program |
| US20210370955A1 (en) * | 2018-05-22 | 2021-12-02 | V3 Smart Technologies Pte Ltd | Driving risk computing device and methods |
| CN110654393A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 驾驶员健康状态监测方法、系统、计算机设备及存储介质 |
| US20210343006A1 (en) * | 2018-08-31 | 2021-11-04 | Fuzhou Yiying Health Technology Co., Ltd. | Preprocessing method for performing quantitative analysis on fundus image, and storage device |
| WO2020103289A1 (zh) * | 2018-11-23 | 2020-05-28 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和系统 |
| CN111048210A (zh) * | 2019-12-31 | 2020-04-21 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像评估疾病风险的方法及设备 |
| US20210378510A1 (en) * | 2020-06-05 | 2021-12-09 | XAIMED Co., Ltd. | Method for supporting prediction of vascular disease using fundus image, apparatus therefor and system including the same |
| JP2020173836A (ja) * | 2020-06-26 | 2020-10-22 | みこらった株式会社 | 自動運転車及び自動運転車用プログラム |
| CN112541923A (zh) * | 2020-12-03 | 2021-03-23 | 南开大学 | 一种基于眼底图数据集迁移学习的视杯视盘分割方法 |
| CN113792663A (zh) * | 2021-09-15 | 2021-12-14 | 东北大学 | 一种驾驶员酒驾以及疲劳驾驶的检测方法、装置及存储介质 |
| CN114255875A (zh) * | 2022-02-28 | 2022-03-29 | 北京鹰瞳科技发展股份有限公司 | 用于评估肾病风险的方法、装置、系统和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115482933B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pao et al. | Detection of diabetic retinopathy using bichannel convolutional neural network | |
| Varadarajan et al. | Deep learning for predicting refractive error from retinal fundus images | |
| Kim et al. | Effects of hypertension, diabetes, and smoking on age and sex prediction from retinal fundus images | |
| Kamal et al. | Use of sequential Heidelberg retina tomograph images to identify changes at the optic disc in ocular hypertensive patients at risk of developing glaucoma | |
| Hosseini et al. | Measurement of the optic disc vertical tilt angle with spectral-domain optical coherence tomography and influencing factors | |
| Gegundez-Arias et al. | A tool for automated diabetic retinopathy pre-screening based on retinal image computer analysis | |
| JP2022542473A (ja) | 視力を予測するための眼の画像を処理するための深層学習の使用 | |
| KR101984995B1 (ko) | 인공지능 시야분석 방법 및 장치 | |
| CN113768461B (zh) | 一种眼底图像分析方法、系统和电子设备 | |
| CN111696100A (zh) | 基于眼底影像确定吸烟程度的方法及设备 | |
| Yan et al. | Attention‐based deep learning system for automated diagnoses of age‐related macular degeneration in optical coherence tomography images | |
| Lazaridis et al. | Predicting visual fields from optical coherence tomography via an ensemble of deep representation learners | |
| CN114005541B (zh) | 一种基于人工智能的动态干眼预警方法与系统 | |
| Komuku et al. | Choroidal thickness estimation from colour fundus photographs by adaptive binarisation and deep learning, according to central serous chorioretinopathy status | |
| Wang et al. | 3D augmented fundus images for identifying glaucoma via transferred convolutional neural networks | |
| Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
| CN110598652B (zh) | 眼底数据预测方法和设备 | |
| Stino et al. | Comparison of two ultra-widefield color-fundus imaging devices for visualization of retinal periphery and microvascular lesions in patients with early diabetic retinopathy | |
| CN115482933B (zh) | 用于对驾驶员的驾驶风险进行评估的方法及其相关产品 | |
| US20220110519A1 (en) | Vision correction surgery recommendation method and device | |
| Al-Oudat et al. | A smart intraocular pressure risk assessment framework using frontal eye image analysis | |
| Gabriele et al. | Comparison of parameters from Heidelberg Retina Tomographs 2 and 3 | |
| Miyagawa et al. | Automated measurements of human cone photoreceptor density in healthy and degenerative retina by region-based segmentation | |
| Otuna-Hernández et al. | Diagnosis and degree of evolution in a keratoconus-type corneal ectasia from image processing | |
| Mohan et al. | Using artificial intelligence in diabetic retinopathy |
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 |