CN116703915B - 基于多种图像融合的糖尿病视网膜病变会诊方法及系统 - Google Patents
基于多种图像融合的糖尿病视网膜病变会诊方法及系统 Download PDFInfo
- Publication number
- CN116703915B CN116703915B CN202310980371.XA CN202310980371A CN116703915B CN 116703915 B CN116703915 B CN 116703915B CN 202310980371 A CN202310980371 A CN 202310980371A CN 116703915 B CN116703915 B CN 116703915B
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- rgb color
- consultation
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 206010012601 diabetes mellitus Diseases 0.000 title description 9
- 208000017442 Retinal disease Diseases 0.000 title description 3
- 206010038923 Retinopathy Diseases 0.000 title description 3
- 238000001514 detection method Methods 0.000 claims abstract description 254
- 230000002159 abnormal effect Effects 0.000 claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 206010012689 Diabetic retinopathy Diseases 0.000 claims abstract description 17
- 206010025421 Macule Diseases 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims description 38
- 238000005192 partition Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 19
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 description 12
- 238000012014 optical coherence tomography Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000013534 fluorescein angiography Methods 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000013441 ocular lesion Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000004264 retinal detachment Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多种图像融合的糖尿病视网膜病变会诊方法及系统,通过获取患者眼底检测图像集的RGB检测特征值,匹配正常状态的影像检测记录,构建异常检测模型;将RGB检测特征值输入异常检测模型进行异常区域标识,根据异常区域标识结果,对异常区域进行OCT图像序列采集和造影图像采集;得到密度估计值和黄斑中心凹厚度计算结果;并输入区块链远程会诊平台进行多方会诊。解决现有技术中对患者进行远程会诊时可用诊断信息有效性和信息量不满足会诊要求且会诊信息存证困难不便进行会诊结果留存的技术问题,提高远程会诊结果的有效性和会诊信息存证可信度的技术效果。
Description
技术领域
本发明涉及医疗数据处理技术领域,具体涉及一种基于多种图像融合的糖尿病视网膜病变会诊方法及系统。
背景技术
随着糖尿病人群数量的逐渐增多,由糖尿病视网膜病变(DR)导致的眼盲越来越多,研究表明,大约每3名糖尿病患者中就有1名DR患者。作为糖尿病的主要微血管并发症,DR所导致的眼盲和低视力已成为重大公共卫生问题。
现阶段糖尿病患者往往出现明显眼部病变后才会进行眼部检查,由于医疗水平的不平衡,对于农村或偏远山区的患者,当出现糖尿病导致的眼部疾病时,并不能得到专业、细致、精准的诊断。例如:普通眼部检查多通过获取眼底图像进行诊断,但是普通的眼底检查,受视野范围影响,并不能展示病变部位的全部,也不能全面反应疾病严重程度及发展进程,对于有出血、渗出或者黄斑病变的患者情况时,单纯的眼底图像并不能获得准确的检测结果,需要合并广角光学相干断层扫描(OCT)、眼底视网膜的荧光素血管造影(FFA)检查进行判断,由专业的眼科医生才能给出判断。
随着互联网的发展,可进行数据传输的信息形式不断增多且信息传输效率不断提高,传统医学治疗方式随之革新进步,能够实现患者足不出户或足不出市即可享受远方优质医疗资源的远程会诊应运而生。
远程会诊在缩短患者与优质医疗资源之间的空间距离的同时,也存在有患者诊断参考信息的可用度不足且远程会诊的诊断信息难于进行留存,保障患者后续治疗的缺陷,因而对远程会诊这一诊疗方式进行革新优化迫在眉睫。
现有技术中存在对患者进行远程会诊时可用诊断信息的有效性和信息量不满足会诊需求,且会诊信息存证困难不便于进行会诊结果留存的技术问题。
发明内容
本申请提供了一种基于多种图像融合的糖尿病视网膜病变会诊方法及系统,用于针对解决现有技术中糖尿病视网膜病变完全依赖线下医师,远程会诊时可用诊断信息的有效性和信息量不满足会诊需求,且会诊信息存证困难不便于进行会诊结果留存的技术问题。
鉴于上述问题,本申请提供了一种基于多种图像融合的糖尿病视网膜病变会诊方法及系统。
本申请的第一个方面,提供了一种 基于多种图像融合的糖尿病视网膜病变会诊方法,包括:根据门诊记录数据对患者进行超广角眼底图像采集,生成眼底检测图像集;通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值;
将所述患者眼底检测图像集和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,其中,所述会诊记录影像检测集为正常状态的影像检测记录;
对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;根据所述RGB颜色基准特征值,构建异常检测模型;将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;根据异常区域标识结果,对异常区域进行OCT图像序列采集和造影图像采集;在采集的造影图像中,采用自适应搜索框,进行密度统计,得到密度估计值;
在OCT图像序列中利用深度卷积神经网络确定黄斑中心凹的位置,计算黄斑中心凹厚度;
通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述输入所述异常区域标识结果、密度估计值及黄斑中心凹厚度至预设显示界面开始会诊。
本申请的第二个方面,提供了一种基于区块链技术的远程会诊系统,所述系统包括:影像检测执行模块,根据门诊记录数据对患者进行超广角眼底图像采集,生成眼底检测图像集;颜色特征提取模块,用于通过对所述影像检测图像集进行颜色特征提取,生成RGB颜色检测特征值;影像记录匹配模块,用于将所述患者眼底检测图像集和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,其中,所述会诊记录影像检测集为正常状态的影像检测记录;基准特征生成模块,用于对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;检测模型构建模块,用于根据所述RGB颜色基准特征值,构建异常检测模型;异常区域标识模块,用于将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;远程会诊执行模块,用于通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果至预设显示界面开始会诊。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过根据门诊记录数据对患者进行超广角眼底图像采集,生成生成眼底检测图像集;通过对生成眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值,为后续进行患者图像异常标识提高影像检测图像在远程会诊中的诊断可参考性;将所述患者眼底检测图像集和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,所述会诊记录影像检测集为正常状态的影像检测记录;对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;根据所述RGB颜色基准特征值,构建异常检测模型,通过模型替代医护人员医疗经验进行图像异常标识,提高了标识准确度并降低图像异常标识对于医疗资源的依赖性;将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果至预设显示界面开始会诊。达到了为远程会诊提供高可用性的病患诊断参考资料,从而提高远程会诊结果的有效度和会诊信息存证的可信度的技术效果。
附图说明
图1为本申请提供的一种 基于多种图像融合的糖尿病视网膜病变会诊方法流程示意图;
图2为本申请提供的生成RGB颜色检测特征值的流程示意图;
图3为本申请提供的构建异常检测模型的流程示意图;
图4为本申请提供的一种基于区块链技术的远程会诊系统的结构示意图。
附图标记说明:影像检测执行模块11,颜色特征提取模块12,影像记录匹配模块13,基准特征生成模块14,检测模型构建模块15,异常区域标识模块16,远程会诊执行模块17。
具体实施方式
本申请提供了一种基于多种图像融合的糖尿病视网膜病变会诊方法及系统,用于针对解决现有技术中存在的技术问题,达到了为远程会诊提供高可用性的病患诊断参考资料,从而提高远程会诊结果的有效度和会诊信息存证的可信度的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种 基于多种图像融合的糖尿病视网膜病变会诊方法,所述方法应用一基于区块链技术的远程会诊系统,所述系统和远程会诊平台通信连接,所述方法包括:
S100:根据门诊记录数据对患者进行超广角眼底图像采集,生成眼底检测图像集;
具体而言,在本实施例中,所述门诊记录数据为基于门诊医生对患者的初步病况诊断生成的影像检测要求信息,门诊记录数据包括具体进行医疗影像检测的检测项目以及对应的患者身体检测部位,例如所述门诊记录数据为,对患者进行眼底图像拍摄、OCT图像和眼部血管造影图像。
对应影像科基于所述门诊记录数据进行对应的医疗影像检测,获得包含多张影像检测图像的眼底检测图像集合,本实施例通过对进行多张影像检测图像采集,以避免单张图像存在清晰度不足或其他图像缺陷导致无法执行后续的基于区块链技术远程会诊的技术性故障发生。
S200:通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值;该步骤为对超广角眼底图像进行颜色特征提取。
进一步的,如图2所示,所述通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值,本申请提供的方法步骤S200还包括:
S210:对眼底检测图像进行过滤,去除不合格眼底图像,将合格的眼底检测图像形成检测图像集;
S220:将所述检测图像集输入构建的像素点三维定位坐标系,生成第一像素点定位坐标集
S230:遍历所述第一像素点定位坐标集对眼底检测图像进行RGB特征值提取,生成所述RGB颜色检测特征值。
具体而言,本实施例在进行像素点三维坐标系构建前,对所述眼底检测图像集合进行图像筛选去除不满足进行异常检测分析的影像检测图像,筛除包括但不限于清晰度不足,对眼底图像中出血严重、或有严重白内障或视网膜脱落的患者的眼底图像作为不合格眼底图像进行去除,以提高系统进行图像异常检测的准确度。
对所述眼底检测图像集进行图像筛除后,如果眼底图像为对同一患者的不同角度获取的多张图像则对多张图像按照拍摄时角度的变化进行拼接,对存在相同影像内容的影像检测图像进行重叠合并,生成包含多张影像检测图像信息的检测图像集。一般情况下,采用超广角眼底图像采集器进行的眼底图像采集,采集角度能到200度,可以不进行重叠合并。
将所述检测图像集输入构建的像素点三维定位坐标系,生成第一像素点定位坐标集;生成第一像素点定位坐标集,所述第一像素点定位坐标集中每一图像像素都对应所述患者眼底三维坐标的影像检测图像像素。
应理解的,所有图像像素点颜色均由不同数值的红色(R)、绿色(G)、蓝色(B)组成,所有图像像素点颜色皆由RGB数值决定。因而在本实施例中,遍历所述第一像素点定位坐标集,对眼底检测图像各个像素点进行RGB特征值提取,生成所述第一像素点定位坐标集中每个像素点的所述RGB颜色检测特征值,所述RGB颜色特征值反映了所述患者在当前身体状况下,所获影像检测图像各个像素点的RGB颜色检测特征值,表示方法为像素点三维坐标-RGB颜色特征值(X,Y,Z)-(R,G,B)。
本实施例通过构建患者眼部三维坐标系从而使将对患者进行影像图像采集获得的影像检测图像与患者眼部实体相对应,并通过执行影像检测图像拼接处理和RGB颜色特征值获取,便于后续比对确定患者影像检测图像是否存在异常的技术效果。
S300:将所述影像检测图像和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,其中,所述会诊记录影像检测集为正常状态的影像检测记录;
具体而言,所述患者基本信息包括但不限于患者年龄、体重、性别以及病例等可直接或间接辅助远程会诊的患者信息。基于大数据构建会诊记录影像数据库,会诊记录影像数据库存储有大量恢复健康的患者眼部部位会诊记录影像,且对应存储进行眼部部位会诊记录影像的采集对象患者的年龄、体重、性别、历史病历信息等患者基本信息。
将所述患者眼底检测图像集和患者基本信息输入所述远程会诊平台,在所述远程会诊平台中生成检索指令,在会诊记录影像数据库中匹配与所述患者基本信息相似度较高的患者其眼部在正常状态的影像检测记录,获得所述会诊记录影像检测集,用于后续参考比对确定影像检测图像是否存在异常。
S400:对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;
进一步的,如图3所示,所述对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值,本申请提供的方法步骤S400还包括:
S410:将所述会诊记录影像检测集输入所述像素点三维定位坐标系,生成第二像素点定位坐标集;
S420:遍历所述第二像素点定位坐标集对所述会诊记录影像检测集进行RGB特征值,生成所述RGB颜色基准特征值。
具体而言,在本实施例中,将所述会诊记录影像检测集输入所述像素点三维定位坐标系,生成第二像素点定位坐标集,所述第二像素点定位坐标集中每一图像像素都反映了健康状态下,眼部坐标的影像检测图像像素。
遍历所述第二像素点定位坐标集,对所述会诊记录影像检测集中各个像素点进行RGB特征值提取,生成所述RGB颜色基准特征值,所述RGB颜色基准特征表示眼部健康状态下进行影像检测图像采集获得的影像检测图像各个像素点的RGB颜色数据,表示方法为像素点三维坐标-RGB颜色特征值(X,Y,Z)-(R,G,B)。
本实施例通过遍历获得眼部正常状态下进行影像检测时,该影像检测图像各个像素点的正常RGB颜色数据,达到了准确获知健康身体状况下进行影像检测图像采集的预设身体部位的正常影像图像颜色数据,便于后续比对确定患者影像检测图像是否存在异常的技术效果。
S500:根据所述RGB颜色基准特征值,构建异常检测模型;
进一步的,如图3所示,所述根据所述RGB颜色基准特征值,构建异常检测模型,本申请提供的方法步骤S500还包括:
S510:根据所述RGB颜色基准特征值对所述患者眼部区域进行区域层次聚类分析,生成区域划分结果;
S520:遍历所述区域划分结果,提取RGB颜色基准特征值分区结果;
S530:遍历所述RGB颜色基准特征值分区结果,基于二叉决策树,构建异常检测森林,设为所述异常检测模型。
具体而言,在本实施例中,所述区域层次聚类分析为将像素点颜色特征较为近似的像素点进行合并,从而将构成会诊记录影像检测集的所述第二像素点定位坐标集的多个分散像素点进行像素合并,生成由多个颜色区域划分构成的所述会诊记录影像检测集。基于所述RGB颜色基准特征值对所述患者三维坐标系的眼部区域进行区域层次聚类分析,将像素点RGB颜色基准特征值较为接近的相邻像素点进行合并,将像素点RGB颜色基准特征值偏差较大的相邻像素点进行划分,不断根据像素点RGB颜色基准特征值对相邻像素点进行像素区域合并或划分,最终生成由多个颜色色块构成的所述区域划分结果。
遍历所述区域划分结果,获得每一区域划分结果中各个像素点的所述RGB颜色基准特征值生成所述RGB颜色基准特征值分区结果,所述RGB颜色基准特征值分区结果反映了所述区域划分结果中每一区域内的多个像素点RGB颜色基准特征值数据,遍历所述RGB颜色基准特征值分区结果,在各个区域划分中根据区域内RGB颜色基准特征值数量构建多层级二叉决策树,基于区域划分结果的多个多层级二叉决策树构建异常检测森林,设为所述异常检测模型。
本实施例通过根据颜色基准特征值对患者三维坐标系的眼部区域进行区域划分,并根据每一区域划分内的RGB颜色基准特征值进行多层级二叉决策树构建,从而合并生成包括多个多层级二叉决策树的异常检测森林作为后续判断实际影像检测结果中是否存在异常区域的异常检测模型,达到了为后续进行实际影像检测结果进行异常检测提供检测模型,缩短进行影像检测结果异常标识的耗时,为基于区块链实现远程会诊提供更多的病患诊断参考资料的技术效果。
S600:将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;
进一步的,所述将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果,本申请提供的方法步骤S600还包括:
S610:根据所述区域划分结果和所述第一像素点定位坐标集,对所述RGB颜色检测特征值进行分组,生成RGB颜色检测特征值分组结果;
S620:根据所述RGB颜色检测特征值分组结果,获取第K分组RGB颜色检测特征值;
S630:将所述第K分组RGB颜色检测特征值输入所述异常检测模型,激活所述第K二叉决策树;
S640:遍历所述第K分组RGB颜色检测特征值输入所述第K二叉决策树的第k结点,获得第k结点RGB颜色基准特征值,k∈K;
S650:对所述第k结点RGB颜色基准特征值和所述第K分组RGB颜色检测特征值进行方差计算,判断是否大于所述第K异常方差阈值;
S660:若小于或等于,将所述第K分组RGB颜色检测特征值输入所述第K二叉决策树的第k+1结点;
S670:若大于,根据所述第k结点,生成第k+1异常分叉结点,其中,所述第k+1异常分叉结点包括异常区域定位坐标和异常RGB偏离度;
S680:根据所述异常区域定位坐标和所述异常RGB偏离度进行异常区域标识,生成所述异常区域标识结果。
具体而言,在本实施例中,根据所述区域划分结果和所述第一像素点定位坐标集,对所述RGB颜色检测特征值进行分组,生成RGB颜色检测特征值分组结果,所述RGB颜色检测特征值分组结果中的各个像素点定位与所述区域划分结果的像素点定位具有一致性,既就是基于所述区域划分结果中各个像素点数据信息对实际影像检测图像进行同步区域划分。
所述RGB颜色检测特征值分组结果中每一分组的RGB颜色检测特征值的像素点定位坐标与基于所述区域划分结果各个分组的像素点定位坐标相一致。
根据所述RGB颜色检测特征值分组结果,获取与之像素点定位坐标一致的第K分组RGB颜色检测特征值,将所述第K分组RGB颜色检测特征值输入所述异常检测模型,激活所述第K二叉决策树。
根据像素点定位坐标,遍历所述第K分组RGB颜色检测特征值,将所述RGB颜色检测特征值输入所述第K二叉决策树中与RGB颜色检测特征值像素点定位坐标相一致的第k结点,获得第k结点RGB颜色基准特征值,k∈K;
对所述第k结点RGB颜色基准特征值和所述第K分组RGB颜色检测特征值进行方差计算,判断是否大于所述第K异常方差阈值,若小于或等于,将所述第K分组RGB颜色检测特征值输入所述第K二叉决策树的第k+1结点;若大于,根据所述第k结点,生成第k+1异常分叉结点,其中,所述第k+1异常分叉结点包括异常区域定位坐标和异常RGB偏离度,根据所述异常区域定位坐标和所述异常RGB偏离度进行异常区域标识,生成所述异常区域标识结果。
本实施例通过根据区域划分结果和第一像素点定位坐标集,对RGB颜色检测特征值进行分组,生成与区域划分结果中像素点定位坐标信息具有一致性的RGB颜色检测特征值分组结果,根据RGB颜色检测特征值的像素点定位激活对应像素点定位所属二叉决策树进行对应像素点的RGB颜色检测特征值与RGB颜色基准特征值的方差计算以及与异常方差阈值比对,以此类推进行各个RGB颜色检测特征值像素定位坐标点的异常检测并标识,达到了精准进行影像检测图像的异常比对,提高了基于区块链进行远程会诊时可提供给其他专家或医疗机构的诊断数据的可信度和参考数据量的技术效果。
S700,根据异常区域标识结果,对异常区域进行OCT图像序列采集和造影图像采集;在采集的造影图像中,采用自适应搜索框,进行密度统计,得到密度估计值;
所述在采集的造影图像中,采用自适应搜索框,进行密度统计时包括如下过程:
对造影图像采用二值化处理;
设置初级搜索框的宽度为最大值、步长为最大值的1/3,对二值化处理后的造影图像进行平行搜索;统计初级搜索框中出现有效像素的数量,当出现有效像素值的数量超过第一阈值时,调整搜索框为中级搜索框;否则输出初级搜索框的统计结果作为密度估计值;
设置中级搜索框的宽度为最大值的1/2、搜索步长为最大值的1/6,对二值化处理后的造影图像进行平行搜索,统计中级搜索框中出现有效像素的数量,当出现有效像素值的数量超过第二阈值时,调整搜索框为高级搜索框;否则输出中级搜索框的统计结果作为密度估计值;
设置中级搜索框的宽度为最大值的1/4、搜索步长为最大值的1/10,对二值化处理后的造影图像进行平行搜索,统计高级搜索框中出现有效像素的数量,作为密度估计值。
通过采用自适应调整不同尺寸的搜索框并调整步长,实现对血管造影图像进行多层次搜索,一般当糖尿病导致眼部病变到达一定程度后,逐渐出现眼底血管增多和变粗,当初级搜索框进行搜索后,不超过第一阈值,则此时增生血管较少,糖尿病导致的视网膜病变较轻,随着病情加重,血管逐渐增多,并变粗需要采用进一步调整搜索框进行详细的分级判定。本实施例中进行二值化后,血管造影图对于学管部位像素值为1,无血管部位像素值为0,当平行搜索时,出现像素为1时,认为该部位为有效像素区。
S800,在OCT图像序列中利用深度卷积神经网络确定黄斑中心凹的位置,计算黄斑中心凹厚度;
计算黄斑中心凹的厚度值时,将黄斑中心凹所在的OCT图像利用坐标转换矩阵进行坐标转换后进行平面投影,计算投影图像中黄斑中心凹的纵坐标,将所述黄斑中心凹的纵坐标与坐标转换矩阵的欧式距离之和作为黄斑中心凹的厚度值。
S900:通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果至预设显示界面开始会诊。
具体而言,在本实施例中,每一远程会诊参与方对应设置有一区块会诊节点,基于区块链构建远程会诊平台进行患者数据传输以及诊断结果回传,实现了患者远程会诊信息全程记录以及不可篡改,实现了对患者远程会诊时的会诊信息完全留存,便于后续进行医疗责任划分以及进行医疗信息查询。通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果至各个区块链会诊节点并基于所述预设显示界面使各个会诊节点参与方同屏开始对所述患者进行多方会诊。
本实施例提供的方法通过根据门诊记录数据进行眼底检测,生成眼底检测图像集;通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值,为后续进行患者图像异常标识提高影像检测图像在远程会诊中的诊断可参考性;将所述眼底检测图像集和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,所述会诊记录影像检测集为正常状态的影像检测记录;对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;根据所述RGB颜色基准特征值,构建异常检测模型,通过模型替代医护人员医疗经验进行图像异常标识,提高了标识准确度并降低图像异常标识对于医疗资源的依赖性;将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;根据异常区域标识结果,对异常区域进行OCT图像序列采集和造影图像采集;在采集的造影图像中,采用自适应搜索框,进行密度统计,得到密度估计值;在OCT图像序列中利用深度卷积神经网络确定黄斑中心凹的位置,计算黄斑中心凹厚度。通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果,密度估计值及黄斑中心凹厚度至至预设显示界面开始会诊。辅助远程会诊专家进行糖尿病病程分级预判。达到了为远程会诊提供高可用性的病患诊断参考资料,从而提高远程会诊结果的有效度和会诊信息存证的可信度的技术效果。
进一步的,所述遍历所述RGB颜色基准特征值分区结果,基于二叉决策树,构建异常检测森林,设为所述异常检测模型,本申请提供的方法步骤S530还包括:
S531:从所述RGB颜色基准特征值分区结果,提取第K分区RGB颜色基准特征值集合;
S532:对第K分区RGB颜色基准特征值集合中任意两个RGB颜色基准特征值进行方差计算,生成方差计算结果集合;
S533:从所述方差计算结果集合中提取最大方差,设为第K异常方差阈值;
S534:根据所述第K异常方差阈值遍历所述第K分区RGB颜色基准特征值,生成第K二叉决策树,其中,所述第K二叉决策树的层级数和所述第K分区RGB颜色基准特征值的数量相同;
S535:遍历所述RGB颜色基准特征值分区结果,构建第一二叉决策树直到所述第K二叉决策树;
S536:将所述第一二叉决策树直到所述第K二叉决策树合并,生成所述异常检测森林,设为所述异常检测模型。
具体而言,本实施例以所述区域划分结果为将所述会诊记录影像检测集划分为K个区域为例进行释义。
从所述RGB颜色基准特征值分区结果中提取第K分区中的像素RGB颜色基准特征值集合,对第K分区RGB颜色基准特征值集合中任意两个RGB颜色基准特征值进行方差计算,生成方差计算结果集合所述方差计算结果反映了位于同一区域划分的多个像素RGB颜色基准特征值之间的数据离散程度,对所述方差计算结果进行排序,从所述方差计算结果集合中提取最大方差,设为第K异常方差阈值,所述第K异常方差阈值表示当实际测得相同划分区域的多个像素点RGB颜色基准特征值之间的数据离散程度在所述第K异常方差阈值时,表明实际测得患者该部位分区不存在颜色异常。
根据所述第K异常方差阈值遍历所述第K分区RGB颜色基准特征值,生成第K二叉决策树,所述第K二叉决策树的层级数和所述第K分区RGB颜色基准特征值的数量相同。
采用步骤S531~S534相同的二叉决策树构建方法,遍历所述RGB颜色基准特征值分区结果,构建第一二叉决策树直到所述第K二叉决策树;将所述第一二叉决策树直到所述第K二叉决策树合并,生成所述异常检测森林,设为所述异常检测模型。
本实施例通过基于区域划分结果获得各个区域划分的RGB颜色基准特征值分区结果,并根据RGB颜色基准特征值分区结果在每一划分区域内进行二叉决策树构建以及计算确定每一划分区域的异常方差阈值,达到了为后续根据实际获得眼底检测图像集判断患者进行影像检测是否存在异常区域提供参考比对基准和分析比对模型,间接提高了供给区块链实现远程会诊的病患分析诊断可用信息的技术效果。
进一步的,所述根据所述RGB颜色基准特征值进行区域层次聚类分析,生成区域划分结果,本申请提供的方法步骤S510还包括:
S511:根据所述第二像素点定位坐标集,随机确定层次聚类第一坐标点;
S512:基于所述层次聚类初始坐标点,根据所述第二像素点定位坐标集随机确定层次聚类第二坐标点,其中,所述层次聚类第一坐标点和所述层次聚类第二坐标点相邻;
S513:根据所述层次聚类第一坐标点和所述层次聚类第二坐标点,调取所述RGB颜色基准特征值进行比对,生成特征值偏差;
S514:判断所述特征值偏差是否满足特征值偏差阈值;
S515:若是所述特征值偏差满足所述特征值偏差阈值,将所述层次聚类第一坐标点和所述层次聚类第二坐标点,划分入相同区域划分结果;
S516:根据所述RGB颜色基准特征值遍历所述第二像素点定位坐标集,获取所述区域划分结果。
具体而言,在本实施例中,所述区域层次聚类分析为将像素点颜色特征较为近似的相邻像素点进行聚类合并,将单独的像素点合并成色块,从而将构成会诊记录影像检测集的所述第二像素点定位坐标集的多个分散像素点合并,生成由多个不同颜色区域划分结果构成的所述会诊记录影像检测集,降低后续对所述影像检测图像集进行异常分析时的数据处理量,提高分析效率。
在本实施例中,在所述第二像素点定位坐标集中随机确定层次聚类第一坐标点,将随机确定的所述层次聚类第一坐标点作为所述层次聚类初始坐标点,从与所述层次聚类第一坐标点相邻的像素坐标点中随机选取层次聚类第二坐标点。
根据所述层次聚类第一坐标点和所述层次聚类第二坐标点的所述RGB颜色基准特征值进行比对生成特征值偏差,所述特征偏差数反映了所述层次聚类第一坐标点和所述层次聚类第二坐标点的像素RGB颜色检测特征值的偏差度,本实施例对于所述特征值偏差的计算方法不作任何限制。
预设特征偏差阈值,所述特征偏差阈值为相邻两像素点允许聚类合并的最大偏差限制,当计算获得的所述特征偏差值在所述特征偏差阈值范围内,表明所述层次聚类第一坐标点和所述层次聚类第二坐标点的颜色可聚类划分入相同区域合并划分入同一颜色区域。
判断所述特征值偏差是否满足特征值偏差阈值;若是所述特征值偏差满足所述特征值偏差阈值,将所述层次聚类第一坐标点和所述层次聚类第二坐标点,划分入同一颜色区域,根据所述RGB颜色基准特征值遍历所述第二像素点定位坐标集中的所有像素点进行随机相邻像素点的聚类判断进行像素点合并或划分处理,生成所述区域划分结果,所述区域划分结果为根据多个相邻像素颜色RGB颜色检测特征值进行特征偏差计算比对特征偏差阈值执行合并或划分获得的多个存在颜色特征偏差的色块。
本实施例通过基于RGB颜色基准特征对会诊记录影像检测集中的第二像素点定位坐标集中的各个相邻像素点进行区域合并和区域划分处理,从而将会诊记录影像检测集的颜色像素点转化为颜色区块,达到了为后续进行异常区域分析确定降低数据处理量的技术效果。
实施例二
基于与前述实施例中一种基于多种图像融合的糖尿病视网膜病变会诊方法相同的发明构思,如图4所示,本申请提供了一种基于多种图像融合的糖尿病视网膜病变会诊方法及系统,其中,所述系统包括:
影像检测执行模块11,用于根据门诊记录数据进行眼底检测,生成眼底检测图像集;
颜色特征提取模块12,用于通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值;
影像记录匹配模块13,用于将所述患者眼底检测图像集和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,其中,所述会诊记录影像检测集为正常状态的影像检测记录;
基准特征生成模块14,用于对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;
检测模型构建模块15,用于根据所述RGB颜色基准特征值,构建异常检测模型;
异常区域标识模块16,用于将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;
远程会诊执行模块17,用于通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果至预设显示界面开始会诊。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (10)
1.一种基于多种图像融合的糖尿病视网膜病变会诊方法,其特征在于,包括:
根据门诊记录数据对患者进行超广角眼底图像采集,生成眼底检测图像集;
通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值;
将所述患者眼底检测图像集和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,其中,所述会诊记录影像检测集为正常状态的影像检测记录;
对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;根据所述RGB颜色基准特征值,构建异常检测模型;
将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;
根据异常区域标识结果,对异常区域进行OCT图像序列采集和造影图像采集;在采集的造影图像中,采用自适应搜索框,进行密度统计,得到密度估计值;
在OCT图像序列中利用深度卷积神经网络确定黄斑中心凹的位置,计算黄斑中心凹厚度;
通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果、密度估计值及黄斑中心凹厚度至预设显示界面开始会诊。
2.如权利要求1所述的方法,其特征在于,通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值;包括:
对眼底检测图像进行过滤,去除不合格眼底图像,将合格的眼底检测图像形成检测图像集;
将所述检测图像集输入构建的像素点三维定位坐标系,生成第一像素点定位坐标集;
遍历所述第一像素点定位坐标集进行RGB特征值提取,生成所述RGB颜色检测特征值。
3.如权利要求2所述的方法,其特征在于,所述对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值,包括:
将所述会诊记录影像检测集输入所述像素点三维定位坐标系,生成第二像素点定位坐标集;
遍历所述第二像素点定位坐标集对所述会诊记录影像检测集进行RGB特征值,生成所述RGB颜色基准特征值。
4.如权利要求3所述的方法,其特征在于,所述根据所述RGB颜色基准特征值,构建异常检测模型,包括:
根据所述RGB颜色基准特征值进行区域层次聚类分析,生成区域划分结果;
遍历所述区域划分结果,提取RGB颜色基准特征值分区结果;
遍历所述RGB颜色基准特征值分区结果,基于二叉决策树,构建异常检测森林,设为所述异常检测模型。
5.如权利要求4所述的方法,其特征在于,所述遍历所述RGB颜色基准特征值分区结果,基于二叉决策树,构建异常检测森林,设为所述异常检测模型,包括:
从所述RGB颜色基准特征值分区结果,提取第K分区RGB颜色基准特征值集合;
对第K分区RGB颜色基准特征值集合中任意两个RGB颜色基准特征值进行方差计算,生成方差计算结果集合;
从所述方差计算结果集合中提取最大方差,设为第K异常方差阈值;
根据所述第K异常方差阈值遍历所述第K分区RGB颜色基准特征值,生成第K二叉决策树,其中,所述第K二叉决策树的层级数和所述第K分区RGB颜色基准特征值的数量相同;
遍历所述RGB颜色基准特征值分区结果,构建第一二叉决策树直到所述第K二叉决策树;
将所述第一二叉决策树直到所述第K二叉决策树合并,生成所述异常检测森林,设为所述异常检测模型。
6.如权利要求4所述的方法,其特征在于,所述根据所述RGB颜色基准特征值进行区域层次聚类分析,生成区域划分结果,包括:
根据所述第二像素点定位坐标集,随机确定层次聚类第一坐标点;
基于所述层次聚类初始坐标点,根据所述第二像素点定位坐标集随机确定层次聚类第二坐标点,其中,所述层次聚类第一坐标点和所述层次聚类第二坐标点相邻;
根据所述层次聚类第一坐标点和所述层次聚类第二坐标点,调取所述RGB颜色基准特征值进行比对,生成特征值偏差;
判断所述特征值偏差是否满足特征值偏差阈值;
若是所述特征值偏差满足所述特征值偏差阈值,将所述层次聚类第一坐标点和所述层次聚类第二坐标点,划分入相同区域划分结果;
根据所述RGB颜色基准特征值遍历所述第二像素点定位坐标集,获取所述区域划分结果。
7.如权利要求5所述的方法,其特征在于,所述将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果,包括:
根据所述区域划分结果和所述第一像素点定位坐标集,对所述RGB颜色检测特征值进行分组,生成RGB颜色检测特征值分组结果;
根据所述RGB颜色检测特征值分组结果,获取第K分组RGB颜色检测特征值;
将所述第K分组RGB颜色检测特征值输入所述异常检测模型,激活所述第K二叉决策树;
遍历所述第K分组RGB颜色检测特征值输入所述第K二叉决策树的第k结点,获得第k结点RGB颜色基准特征值,k∈K;
对所述第k结点RGB颜色基准特征值和所述第K分组RGB颜色检测特征值进行方差计算,判断是否大于所述第K异常方差阈值;
若小于或等于,将所述第K分组RGB颜色检测特征值输入所述第K二叉决策树的第k+1结点;
若大于,根据所述第k结点,生成第k+1异常分叉结点,其中,所述第k+1异常分叉结点包括异常区域定位坐标和异常RGB偏离度;
根据所述异常区域定位坐标和所述异常RGB偏离度进行异常区域标识,生成所述异常区域标识结果。
8.如权利要求5所述的方法,其特征在于,所述在采集的造影图像中,采用自适应搜索框,进行密度统计时包括如下过程:
对造影图像采用二值化处理;
设置初级搜索框的宽度为最大值、步长为最大值的1/3,对二值化处理后的造影图像进行平行搜索;统计初级搜索框中出现有效像素的数量,当出现有效像素值的数量超过第一阈值时,调整搜索框为中级搜索框;否则输出初级搜索框的统计结果作为密度估计值;
设置中级搜索框的宽度为最大值的1/2、搜索步长为最大值的1/6,对二值化处理后的造影图像进行平行搜索,统计中级搜索框中出现有效像素的数量,当出现有效像素值的数量超过第二阈值时,调整搜索框为高级搜索框;否则输出中级搜索框的统计结果作为密度估计值;
设置中级搜索框的宽度为最大值的1/4、搜索步长为最大值的1/10,对二值化处理后的造影图像进行平行搜索,统计高级搜索框中出现有效像素的数量,作为密度估计值。
9.如权利要求5所述的方法,其特征在于,计算黄斑中心凹的厚度值时,将黄斑中心凹所在的OCT图像利用坐标转换矩阵进行坐标转换后进行平面投影,计算投影图像中黄斑中心凹的纵坐标,将所述黄斑中心凹的纵坐标与坐标转换矩阵的欧式距离之和作为黄斑中心凹的厚度值。
10.一种基于多种图像融合的糖尿病视网膜病变会诊系统,用于执行上述权利要求1-8中任意一项所述会诊方法的步骤,其特征在于,所述系统包括:
影像检测执行模块,根据门诊记录数据对患者进行超广角眼底图像采集,生成眼底检测图像集;
颜色特征提取模块,用于通过对所述眼底检测图像集进行颜色特征提取,生成RGB颜色检测特征值;
影像记录匹配模块,用于将所述患者眼底检测图像集和患者基本信息输入远程会诊平台,匹配会诊记录影像检测集,其中,所述会诊记录影像检测集为正常状态的影像检测记录;
基准特征生成模块,用于对所述会诊记录影像检测集进行颜色特征提取,生成RGB颜色基准特征值;
检测模型构建模块,用于根据所述RGB颜色基准特征值,构建异常检测模型;
异常区域标识模块,用于将所述RGB颜色检测特征值输入所述异常检测模型进行异常区域标识,生成异常区域标识结果;
远程会诊执行模块,用于通过所述远程会诊平台匹配第一区块链会诊节点、第二区块链会诊节点直到第N区块链会诊节点,输入所述异常区域标识结果至预设显示界面开始会诊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980371.XA CN116703915B (zh) | 2023-08-07 | 2023-08-07 | 基于多种图像融合的糖尿病视网膜病变会诊方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980371.XA CN116703915B (zh) | 2023-08-07 | 2023-08-07 | 基于多种图像融合的糖尿病视网膜病变会诊方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703915A CN116703915A (zh) | 2023-09-05 |
CN116703915B true CN116703915B (zh) | 2023-09-29 |
Family
ID=87831551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310980371.XA Active CN116703915B (zh) | 2023-08-07 | 2023-08-07 | 基于多种图像融合的糖尿病视网膜病变会诊方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703915B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104799828A (zh) * | 2015-05-15 | 2015-07-29 | 春泉健康管理(上海)有限公司 | 耳纹学识别远程图像身体诊断系统 |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN111402184A (zh) * | 2018-12-13 | 2020-07-10 | 福州依影健康科技有限公司 | 一种实现远程眼底筛查和健康服务的方法和系统 |
CN114782337A (zh) * | 2022-04-08 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的oct图像推荐方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010071898A2 (en) * | 2008-12-19 | 2010-06-24 | The Johns Hopkins Univeristy | A system and method for automated detection of age related macular degeneration and other retinal abnormalities |
US20230238143A1 (en) * | 2020-06-23 | 2023-07-27 | Brainbox Solutions, Inc. | Multimodality systems and methods for detection, prognosis, and monitoring of neurological injury and disease |
US20220230749A1 (en) * | 2021-01-19 | 2022-07-21 | Interstat LLC | Systems and methods for ophthalmic digital diagnostics via telemedicine |
-
2023
- 2023-08-07 CN CN202310980371.XA patent/CN116703915B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104799828A (zh) * | 2015-05-15 | 2015-07-29 | 春泉健康管理(上海)有限公司 | 耳纹学识别远程图像身体诊断系统 |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN111402184A (zh) * | 2018-12-13 | 2020-07-10 | 福州依影健康科技有限公司 | 一种实现远程眼底筛查和健康服务的方法和系统 |
CN114782337A (zh) * | 2022-04-08 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的oct图像推荐方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
Greeshma Kurup.《Diabetic Retinopathy Detection and Classification using Pretrained Inception-v3》.《2021 International Conference on Smart Generation Computing, Communication and Networking (SMART GENCON)》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116703915A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210327062A1 (en) | Method and device for assisting heart disease diagnosis | |
CN109784337B (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
Liu et al. | Deepdrid: Diabetic retinopathy—grading and image quality estimation challenge | |
CN110570421B (zh) | 多任务的眼底图像分类方法和设备 | |
CN109635862B (zh) | 早产儿视网膜病plus病变分类方法 | |
CN110875092B (zh) | 一种基于远程眼底筛查的健康大数据服务方法和系统 | |
JP2021531098A (ja) | Aiを利用した眼の状態判定のためのシステムおよび方法 | |
AU2018347610A1 (en) | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders | |
US20240144478A1 (en) | Method and device for assisting heart disease diagnosis | |
EP3944185A1 (en) | Computer-implemented method, system and computer program product for detecting a retinal condition from eye fundus images | |
CN110870759A (zh) | 用于远程眼底筛查的质量控制方法和系统、及存储设备 | |
CN111489328A (zh) | 一种基于血管分割和背景分离的眼底图像质量评价方法 | |
US20230077125A1 (en) | Method for diagnosing age-related macular degeneration and defining location of choroidal neovascularization | |
CN111383775B (zh) | 一种基于眼底筛查的会员用户匿名交流方法及存储设备 | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
Phridviraj et al. | A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images | |
CN111292286A (zh) | 糖网眼底特征数据变化的分析方法与系统,及存储设备 | |
CN116703915B (zh) | 基于多种图像融合的糖尿病视网膜病变会诊方法及系统 | |
Aranha et al. | Deep transfer learning strategy to diagnose eye-related conditions and diseases: An approach based on low-quality fundus images | |
Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
CN115170492A (zh) | 一种基于ai技术的白内障患者术后视力智能预测评估系统 | |
Damodara et al. | Deep Learning based Method for Multi-class Classification of Diabetic Retinopathy | |
Smits et al. | Machine learning in the detection of the glaucomatous disc and visual field | |
Ghosh et al. | Finding correlation between diabetic retinopathy and diabetes during pregnancy based on computer-aided diagnosis: a review | |
Sharma et al. | Machine Learning/Deep Learning Algorithms & Variability in Grading Improves Early Detection of DR |
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 |