CN117612241A - 一种青少年近视的预警方法及相关设备 - Google Patents

一种青少年近视的预警方法及相关设备 Download PDF

Info

Publication number
CN117612241A
CN117612241A CN202311756894.2A CN202311756894A CN117612241A CN 117612241 A CN117612241 A CN 117612241A CN 202311756894 A CN202311756894 A CN 202311756894A CN 117612241 A CN117612241 A CN 117612241A
Authority
CN
China
Prior art keywords
eye image
eye
generate
preset
processing
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
Application number
CN202311756894.2A
Other languages
English (en)
Inventor
齐林嵩
邹志康
姚璐
刘勇
汪晓华
魏素琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Specialty Medical Center of PLA
Original Assignee
Air Force Specialty Medical Center of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Air Force Specialty Medical Center of PLA filed Critical Air Force Specialty Medical Center of PLA
Priority to CN202311756894.2A priority Critical patent/CN117612241A/zh
Publication of CN117612241A publication Critical patent/CN117612241A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Ophthalmology & Optometry (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种青少年近视的预警方法及相关设备，应用于数据处理技术领域。本申请获取若干用户的历史眼部图像和对应用户的用眼习惯；分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果；基于相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组；基于用眼习惯获取用户的实时眼部图像；基于预设分类模型对实时眼部图像进行处理，生成目标眼部图像；基于眼部图像计算模型对历史眼部图像和目标眼部图像进行处理，生成用户的眼部图像变化率；若眼部图像变化率大于预设阈值，基于风险因子评估模型对眼部图像变化率进行处理，生成预警信息，从而减少青少年的近视高发率。

Description

一种青少年近视的预警方法及相关设备
技术领域
本发明涉及数据处理技术领域，特别涉及一种青少年近视的预警方法及相关设备。
背景技术
目前，在检测用户是否出现近视时，通常都是通过专业的检测方式，如通过视力检测表进行检测，测试员提问让被测用户辨识检测表中的符号，通过辨识的成绩得到视力检测结果。当近视发生后，为了更好看清物体，用户往往会主动眯眼来减少光线入射，增加景深，以获得更清楚的视野。同时，若近视用户存在长期用眼的情况，也会出现“干眼症”，需要通过频繁眨眼来滋润眼球。因此，识别眯眼、频繁眨眼的现象对于近视早期诊断具有重要意义。
目前，用于评价近视的金标准即为验光报告，需要在带有验光机的指定场所(如医院、眼镜店)开展验光实验，并不能于日常生活中实时开展近视风险评估、应用范围受限。应当注意，轻度近视对视力影响较小，用户易习惯于远处景象的模糊，且由于视近视野十分清晰，并不会过多影响日常学习与生活，故用户自身也难以在近视早期发现视力异常。
因此，如何在近视早期及时发现风险，进而开展有效的干预措施以减缓、甚至扭转近视趋势，是在当前严峻近视形势下亟需解决的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种青少年近视的预警方法及相关设备和系统，至少在一定程度上克服现有技术存在的问题，根据用户的眼部图像对不同的用户进行分类，筛选出相应的用户分组，并获取该分组内不同用户的用眼习惯，根据该用眼习惯获取对应用户的实时眼部图像，从而获知不同的用眼习惯对用户眼部的危害性，并根据此对用户进行预警，从而减少青少年的近视高发率。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种青少年近视的预警方法及相关设备，包括：获取若干用户的历史眼部图像和对应用户的用眼习惯；分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果；基于所述相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，所述用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息；基于所述用眼习惯获取所述用户的实时眼部图像；基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，其中，所述目标眼部图像包括若干生理状态因素对所述实时眼部图像的影响程度；基于眼部图像计算模型对所述历史眼部图像和所述目标眼部图像进行处理，生成所述用户的眼部图像变化率，其中，所述眼部图像计算模型包括用于计算眼部图像变化率的计算公式，所述公式为；P＝a*Tn/(S1-S2)；P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值；若所述眼部图像变化率大于预设阈值，基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息。
在本申请的一个实施例中，所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，包括：获取所述用户的生活环境数据；基于所述生活环境数据对所述用户的生理状态因素设置预设权重值。
在本申请的一个实施例中，所述基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息，包括：基于风险因子评估模型对所述眼部图像变化率进行处理，生成各生理状态因素的风险属性；基于所述风险属性获取所述生理状态因素与所述眼部图像变化率的影响程度；基于风险分类规则对所述生理状态因素的预设权重值进行处理，生成风险异常指标，其中，所述风险异常指标根据权重值的大小降序排序；基于所述风险异常指标生成预警信息。
在本申请的一个实施例中，所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，包括：对所述实时眼部图像进行灰度化处理，生成初始色彩图像；基于所述初始色彩图像获取初始特征；基于残差神经网络模型对所述初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像；基于所述残差神经网络模型对所述预设尺寸大小的目标色彩图像进行全局平均池化处理，生成目标特征；基于所述目标特征生成目标眼部图像。
在本申请的一个实施例中，所述基于残差神经网络模型对所述初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像之前，还包括：对所述目标色彩图像进行切片处理，依次生成多张连续的切片图像；对所述切片图像进行处理，生成多通道图像；将所述多通道图像输入残差神经网络模型进行处理，生成所述初始色彩图像。
在本申请的一个实施例中，所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，还包括：对所述切片图像进行分类处理，生成不同类别的目标切片图像；基于预设分类阈值对所述目标切片图像进行处理，生成处于异常状态的炎症细胞；基于预设规则对所述处于异常状态的炎症细胞进行处理，生成炎症细胞占比值；基于所述炎症细胞占比值生成目标眼部图像。
在本申请的一个实施例中，所述基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息，包括：获取所述生理状态因素的实时参数浮动概率；若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的生理状态因素是否一致；若是，则提高所述生理状态因素的风险值；若否，则在预设时间内获取所述生理状态因素浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述生理状态因素的风险值；基于所述生理状态因素生成预警信息。
本申请的另一个方面，一种青少年近视的预警装置，其特征在于，包括：获取模块，用于获取若干用户的历史眼部图像和对应用户的用眼习惯；基于所述用眼习惯获取所述用户的实时眼部图像；处理模块，用于分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果；基于所述相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，所述用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息；基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，其中，所述目标眼部图像包括若干生理状态因素对所述实时眼部图像的影响程度；基于眼部图像计算模型对所述历史眼部图像和所述目标眼部图像进行处理，生成所述用户的眼部图像变化率，其中，所述眼部图像计算模型包括用于计算眼部图像变化率的计算公式，所述公式为；P＝a*Tn/(S1-S2)；P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值；若所述眼部图像变化率大于预设阈值，基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；其中，所述第一处理器配置为经由执行所述可执行指令来执行实现上述的青少年近视的预警方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被第二处理器执行时实现上述的青少年近视的预警方法。
根据本申请的又一个方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被第三处理器执行时实现上述的青少年近视的预警方法。
本申请所提供的一种青少年近视的预警方法及相关设备，由服务器获取若干用户的历史眼部图像和对应用户的用眼习惯；分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果；基于所述相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，所述用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息；基于所述用眼习惯获取所述用户的实时眼部图像；基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，其中，所述目标眼部图像包括若干生理状态因素对所述实时眼部图像的影响程度；基于眼部图像计算模型对所述历史眼部图像和所述目标眼部图像进行处理，生成所述用户的眼部图像变化率，其中，所述眼部图像计算模型包括用于计算眼部图像变化率的计算公式，所述公式为；P＝a*Tn/(S1-S2)；P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值；若所述眼部图像变化率大于预设阈值，基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息。根据用户的眼部图像对不同的用户进行分类，筛选出相应的用户分组，并获取该分组内不同用户的用眼习惯，根据该用眼习惯获取对应用户的实时眼部图像，从而获知不同的用眼习惯对用户眼部的危害性，并根据此对用户进行预警，从而减少青少年的近视高发率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种青少年近视的预警方法的流程图；
图2示出了本申请一实施例所提供的一种青少年近视的预警装置的结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的青少年近视的预警方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种青少年近视的预警方法及相关设备。图1示意性地示出了根据本申请实施方式的一种青少年近视的预警方法的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取若干用户的历史眼部图像和对应用户的用眼习惯。
一种实施方式中，服务器将获取多个用户在特定时间段内的眼部图像，该眼部图像的数量为至少一个，若为多个的话，可根据实际需求选择合适的眼部图像。此外，服务器还将获取对应用户的用眼习惯，其中，用眼习惯包括但不限于用户的日常生活习惯，例如看书的姿势、现场的光线、用户的用眼时长、是否经常玩游戏、游戏时长、游戏频率等。
S102，分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果。
一种实施方式中，服务器将从不同用户的历史眼部图像当中随机或有目的性的选择至少一组眼部图像作为参照组，将剩余的眼部图像作为对照组，通过将对照组中的眼部图像与参照组中的眼部图像进行对比，从而获取不同眼部图像之间的相似度。
S103，基于所述相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组。
一种实施方式中，服务器将根据不同眼部图像之间的相似度对不同用户的历史眼部图像进行划分，并生成不同的用户分组，其中，用户分组包括健康组、白内障组、眼睛干涩组、眼疾组等，根据不同的用户分组将不同的用户划分到对应的组别当中。此外，用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息。
S104，基于所述用眼习惯获取所述用户的实时眼部图像。
一种实施方式中，服务器根据用户的生活习惯，例如看书的姿势、日常活动光线、用眼的时长、是否玩游戏、是否有给眼睛做休息(眼保健操)等，根据上述因素获取用户当前的实时眼部图像，从而了解每个用户在不同的用眼习惯下的实时眼部图像，进而了解该用户的眼部图像发生异常与相应的用眼习惯的关联性。
S105，基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像。
一种实施方式中，服务器将获取用户的生活环境数据，基于生活环境数据对用户的生理状态因素设置预设权重值。服务器基于生活环境数据获取各生理学风险因素相对于眼部异常之间的关联度，并基于关联度进行排序，从而筛选出对眼部异常影响最大的生理学风险因素，基于排序结果对用户的生理状态因素设置预设权重值。例如，若用户居住的地方过于黑暗，或者家里、工作环境的光线低于正常光照强度，在这种环境下工作或生活将一定程度的影响着用户的用眼健康，此外，若用户习惯性长时间处于过于潮湿或干燥的环境中，也将一定程度的影响用户的用眼健康，目标眼部图像包括若干生理状态因素对实时眼部图像的影响程度。通过上述考虑因素从而对可能影响用户眼部的生理学风险因素的权重值进行调整，此外，也可根据上述情况改善用户的居家环境或生活环境，进而减轻用户的眼部进一步恶化的情况。
另一种实施方式中，对实时眼部图像进行灰度化处理，生成初始色彩图像，基于初始色彩图像获取初始特征，基于残差神经网络模型对初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像，基于残差神经网络模型对预设尺寸大小的目标色彩图像进行全局平均池化处理，生成目标特征，基于目标特征生成目标眼部图像。预设分类模型为图像分类模型，其中，图像分类模型包括卷积层、残差块和全连接层，具体如下，卷积层包括输入层，输入层包括接受单通道的2048x2048灰度图像数据作为网络的输入，如包含一个6x6的卷积核，输入通道数为1，输出通道数为64，步幅为2，这个卷积层用于从输入图像中提取底层特征，其中，底层特征指的是边缘特征、纹理特征、角点特征、形状特征等。
除此之外，还将在卷积层后面添加批量归一化，用于加速收敛并提高模型的稳定性，对卷积层输出进行ReLU激活函数处理，增加网络的非线性表达能力。此外，在卷积层的后面是一个最大池化层，使用3x3的池化核和步幅为2，用于减小特征图的尺寸。预设分类模型还包含多个残差块，每个残差块都包含两个卷积层和一个跳过连接，用于学习残差，在最后一个残差模块后面，接一个全局平均池化层，全局平均池化层将特征图转换为一个固定大小的特征向量，用于分类任务。预设分类模型的最后是一个全连接层，将特征向量映射到4个输出类别的概率，以适应目标眼部图像的分类任务。
S106，基于眼部图像计算模型对所述历史眼部图像和所述目标眼部图像进行处理，生成所述用户的眼部图像变化率。
一种实施方式中，所述眼部图像计算模型包括用于计算眼部图像变化率的计算公式，所述公式为；P＝a*Tn/(S1-S2)；P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值。示例如下，若用户在前后2个时间段种的眼部图像变化率大于1％，则意味着用户当前的眼部图像可能发生恶化，具体包括但不限于加深眼睛度数、眼部发生炎症、眼球变形等，同理，若用户是根据医生的指导完成眼球的治疗，则表征用户当前的眼部图像比此前有所改善。此外，本方案并不对眼部图像变化率的大小进行限定。
S107，若所述眼部图像变化率大于预设阈值，基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息。
一种实施方式中，基于风险因子评估模型对眼部图像变化率进行处理，生成各生理状态因素的风险属性，基于风险属性获取生理状态因素与眼部图像变化率的影响程度，基于风险分类规则对生理状态因素的预设权重值进行处理，生成风险异常指标，其中，风险异常指标根据权重值的大小降序排序，基于风险异常指标生成预警信息。风险因子评估模型通过对海量用户的眼部图像学习，筛选出用户、风险评估与预测预警相关的基础参数，根据筛选出的信息进行信息采集，具体可以从临床数据中心、电子病历系统、实验室检验系统、网络信息、手术护理信息系统、院后随访系统等数据源实行动态数据和静态数据的采集。
另一种实施方式中，获取生理状态因素的实时参数浮动概率，若浮动概率大于预设浮动阈值，则基于历史生理状态因素判断浮动概率对应的生理状态因素是否一致，若是，则提高生理状态因素的风险值，若否，则在预设时间内获取生理状态因素浮动概率大于预设浮动阈值的次数，若次数大于预设次数，则提高生理状态因素的风险值，基于生理状态因素生成预警信息。
本申请中由服务器获取若干用户的历史眼部图像和对应用户的用眼习惯，分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果，基于相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息，基于用眼习惯获取用户的实时眼部图像，基于预设分类模型对实时眼部图像进行处理，生成目标眼部图像，其中，目标眼部图像包括若干生理状态因素对实时眼部图像的影响程度，基于眼部图像计算模型对历史眼部图像和目标眼部图像进行处理，生成用户的眼部图像变化率，若眼部图像变化率大于预设阈值，基于风险因子评估模型对眼部图像变化率进行处理，生成预警信息。根据用户的眼部图像对不同的用户进行分类，筛选出相应的用户分组，并获取该分组内不同用户的用眼习惯，根据该用眼习惯获取对应用户的实时眼部图像，从而获知不同的用眼习惯对用户眼部的危害性，并根据此对用户进行预警，从而减少青少年的近视高发率。
可选地，在基于本申请上述方法的另一个实施例中，所述基于残差神经网络模型对所述初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像之前，还包括：
对所述目标色彩图像进行切片处理，依次生成多张连续的切片图像；
对所述切片图像进行处理，生成多通道图像；
将所述多通道图像输入残差神经网络模型进行处理，生成所述初始色彩图像。
一种实施方式中，基于预设色彩划分规则对初始色彩图像进行处理，生成包含不同分类号的目标色彩图像，基于预设分类号对目标色彩图像进行划分，生成若干初始切片图像，基于目标分割模型对初始切片图像进行预处理，生成预处理后的切片图像，基于预设双线性插值对预处理后的切片图像进行处理，生成若干预设尺寸大小的切片图像。根据目标图像的颜色深浅度对色彩图像进行标注和划分，对所有切片进行预处理，将预处理后的所有切片输入最优分割模型并得到分割结果，对分割结果进行双线性插值上采样以恢复至原始大小。
可选地，在基于本申请上述方法的另一个实施例中，所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，还包括：
对所述切片图像进行分类处理，生成不同类别的目标切片图像；
基于预设分类阈值对所述目标切片图像进行处理，生成处于异常状态的炎症细胞；
基于预设规则对所述处于异常状态的炎症细胞进行处理，生成炎症细胞占比值；
基于所述炎症细胞占比值生成目标眼部图像。
一种实施方式中，通过将不同年龄段、不同用户群体的训练样本与当前用户的切片图像进行比对学习，从而强化预设分类模型对眼部图像的切片图像的学习强化，提升预设分类模型的跨域泛化性。相同的临床表型可能具有不同的症状，而了解不同类型的眼部病发机制，可为制定精准医疗策略提供更多依据。
通过应用以上技术方案，服务器获取若干用户的历史眼部图像和对应用户的用眼习惯，分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果，基于相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息，基于用眼习惯获取用户的实时眼部图像。
服务器获取用户的生活环境数据，基于生活环境数据对用户的生理状态因素设置预设权重值，对实时眼部图像进行灰度化处理，生成初始色彩图像，基于初始色彩图像获取初始特征，对目标色彩图像进行切片处理，依次生成多张连续的切片图像，对切片图像进行处理，生成多通道图像，将多通道图像输入残差神经网络模型进行处理，生成初始色彩图像，对切片图像进行分类处理，生成不同类别的目标切片图像，基于预设分类阈值对目标切片图像进行处理，生成处于异常状态的炎症细胞，基于预设规则对处于异常状态的炎症细胞进行处理，生成炎症细胞占比值，基于炎症细胞占比值生成目标眼部图像，基于残差神经网络模型对初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像，基于残差神经网络模型对预设尺寸大小的目标色彩图像进行全局平均池化处理，生成目标特征，基于目标特征生成目标眼部图像，其中，目标眼部图像包括若干生理状态因素对实时眼部图像的影响程度。
此外，服务器还将基于眼部图像计算模型对历史眼部图像和目标眼部图像进行处理，生成用户的眼部图像变化率，其中，眼部图像计算模型包括用于计算眼部图像变化率的计算公式，公式为，P＝a*Tn/(S1-S2)，P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值，若眼部图像变化率大于预设阈值，基于风险因子评估模型对眼部图像变化率进行处理，生成各生理状态因素的风险属性，基于风险属性获取生理状态因素与眼部图像变化率的影响程度，基于风险分类规则对生理状态因素的预设权重值进行处理，生成风险异常指标，其中，风险异常指标根据权重值的大小降序排序，基于风险异常指标生成预警信息，获取生理状态因素的实时参数浮动概率，若浮动概率大于预设浮动阈值，则基于历史生理状态因素判断浮动概率对应的生理状态因素是否一致，若是，则提高生理状态因素的风险值，若否，则在预设时间内获取生理状态因素浮动概率大于预设浮动阈值的次数，若次数大于预设次数，则提高生理状态因素的风险值，基于生理状态因素生成预警信息。根据用户的眼部图像对不同的用户进行分类，筛选出相应的用户分组，并获取该分组内不同用户的用眼习惯，根据该用眼习惯获取对应用户的实时眼部图像，从而获知不同的用眼习惯对用户眼部的危害性.通过将不同年龄段、不同用户群体的训练样本与当前用户的切片图像进行比对学习，从而强化预设分类模型对眼部图像的切片图像的学习强化，提升预设分类模型的跨域泛化性。相同的临床表型可能具有不同的症状，而了解不同类型的眼部病发机制，可为制定精准医疗策略提供更多依据，并根据此对用户进行预警，从而减少青少年的近视高发率。
一种实施方式中，如图2所示，本申请还提供一种青少年近视的预警装置，包括：
获取模块201，用于获取若干用户的历史眼部图像和对应用户的用眼习惯；基于所述用眼习惯获取所述用户的实时眼部图像；
处理模块202，用于分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果；基于所述相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，所述用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息；基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，其中，所述目标眼部图像包括若干生理状态因素对所述实时眼部图像的影响程度；基于眼部图像计算模型对所述历史眼部图像和所述目标眼部图像进行处理，生成所述用户的眼部图像变化率，其中，所述眼部图像计算模型包括用于计算眼部图像变化率的计算公式，所述公式为；P＝a*Tn/(S1-S2)；P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值；若所述眼部图像变化率大于预设阈值，基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息。
本申请中由服务器获取若干用户的历史眼部图像和对应用户的用眼习惯，分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果，基于相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息，基于用眼习惯获取用户的实时眼部图像，基于预设分类模型对实时眼部图像进行处理，生成目标眼部图像，其中，目标眼部图像包括若干生理状态因素对实时眼部图像的影响程度，基于眼部图像计算模型对历史眼部图像和目标眼部图像进行处理，生成用户的眼部图像变化率，若眼部图像变化率大于预设阈值，基于风险因子评估模型对眼部图像变化率进行处理，生成预警信息。根据用户的眼部图像对不同的用户进行分类，筛选出相应的用户分组，并获取该分组内不同用户的用眼习惯，根据该用眼习惯获取对应用户的实时眼部图像，从而获知不同的用眼习惯对用户眼部的危害性，并根据此对用户进行预警，从而减少青少年的近视高发率。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，包括：获取所述用户的生活环境数据；基于所述生活环境数据对所述用户的生理状态因素设置预设权重值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息，包括：基于风险因子评估模型对所述眼部图像变化率进行处理，生成各生理状态因素的风险属性；基于所述风险属性获取所述生理状态因素与所述眼部图像变化率的影响程度；基于风险分类规则对所述生理状态因素的预设权重值进行处理，生成风险异常指标，其中，所述风险异常指标根据权重值的大小降序排序；基于所述风险异常指标生成预警信息。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，包括：对所述实时眼部图像进行灰度化处理，生成初始色彩图像；基于所述初始色彩图像获取初始特征；基于残差神经网络模型对所述初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像；基于所述残差神经网络模型对所述预设尺寸大小的目标色彩图像进行全局平均池化处理，生成目标特征；基于所述目标特征生成目标眼部图像。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于残差神经网络模型对所述初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像之前，还包括：对所述目标色彩图像进行切片处理，依次生成多张连续的切片图像；对所述切片图像进行处理，生成多通道图像；将所述多通道图像输入残差神经网络模型进行处理，生成所述初始色彩图像。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，还包括：对所述切片图像进行分类处理，生成不同类别的目标切片图像；基于预设分类阈值对所述目标切片图像进行处理，生成处于异常状态的炎症细胞；基于预设规则对所述处于异常状态的炎症细胞进行处理，生成炎症细胞占比值；基于所述炎症细胞占比值生成目标眼部图像。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息，包括：获取所述生理状态因素的实时参数浮动概率；若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的生理状态因素是否一致；若是，则提高所述生理状态因素的风险值；若否，则在预设时间内获取所述生理状态因素浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述生理状态因素的风险值；基于所述生理状态因素生成预警信息。
通过应用以上技术方案，服务器获取若干用户的历史眼部图像和对应用户的用眼习惯，分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果，基于相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息，基于用眼习惯获取用户的实时眼部图像。
服务器获取用户的生活环境数据，基于生活环境数据对用户的生理状态因素设置预设权重值，对实时眼部图像进行灰度化处理，生成初始色彩图像，基于初始色彩图像获取初始特征，对目标色彩图像进行切片处理，依次生成多张连续的切片图像，对切片图像进行处理，生成多通道图像，将多通道图像输入残差神经网络模型进行处理，生成初始色彩图像，对切片图像进行分类处理，生成不同类别的目标切片图像，基于预设分类阈值对目标切片图像进行处理，生成处于异常状态的炎症细胞，基于预设规则对处于异常状态的炎症细胞进行处理，生成炎症细胞占比值，基于炎症细胞占比值生成目标眼部图像，基于残差神经网络模型对初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像，基于残差神经网络模型对预设尺寸大小的目标色彩图像进行全局平均池化处理，生成目标特征，基于目标特征生成目标眼部图像，其中，目标眼部图像包括若干生理状态因素对实时眼部图像的影响程度。
此外，服务器还将基于眼部图像计算模型对历史眼部图像和目标眼部图像进行处理，生成用户的眼部图像变化率，其中，眼部图像计算模型包括用于计算眼部图像变化率的计算公式，公式为，P＝a*Tn/(S1-S2)，P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值，若眼部图像变化率大于预设阈值，基于风险因子评估模型对眼部图像变化率进行处理，生成各生理状态因素的风险属性，基于风险属性获取生理状态因素与眼部图像变化率的影响程度，基于风险分类规则对生理状态因素的预设权重值进行处理，生成风险异常指标，其中，风险异常指标根据权重值的大小降序排序，基于风险异常指标生成预警信息，获取生理状态因素的实时参数浮动概率，若浮动概率大于预设浮动阈值，则基于历史生理状态因素判断浮动概率对应的生理状态因素是否一致，若是，则提高生理状态因素的风险值，若否，则在预设时间内获取生理状态因素浮动概率大于预设浮动阈值的次数，若次数大于预设次数，则提高生理状态因素的风险值，基于生理状态因素生成预警信息。根据用户的眼部图像对不同的用户进行分类，筛选出相应的用户分组，并获取该分组内不同用户的用眼习惯，根据该用眼习惯获取对应用户的实时眼部图像，从而获知不同的用眼习惯对用户眼部的危害性.通过将不同年龄段、不同用户群体的训练样本与当前用户的切片图像进行比对学习，从而强化预设分类模型对眼部图像的切片图像的学习强化，提升预设分类模型的跨域泛化性。相同的临床表型可能具有不同的症状，而了解不同类型的眼部病发机制，可为制定精准医疗策略提供更多依据，并根据此对用户进行预警，从而减少青少年的近视高发率。
本申请实施例提供了一种电子设备，如图3所示，电子设备3包括第一处理器300，存储器301，总线302和通信接口303，所述第一处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述第一处理器300上运行的计算机程序，所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述青少年近视的预警方法。
其中，存储器301可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口303(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述第一处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述青少年近视的预警方法可以应用于第一处理器300中，或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，第一处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的青少年近视的预警方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图4所示，所述计算机可读存储介质存储401有计算机程序，所述计算机程序被第二处理器402读取并运行时，实现如前述的青少年近视的预警方法。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或processor(处理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的青少年近视的预警方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的青少年近视的预警方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于评估青少年近视的预警方法、电子装置、电子设备、以及可读存储介质实施例而言，由于其基本相似于上述所述的青少年近视的预警方法实施例，所以描述的比较简单，相关之处参见上述所述的青少年近视的预警方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种青少年近视的预警方法，其特征在于，包括：
获取若干用户的历史眼部图像和对应用户的用眼习惯；
分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果；
基于所述相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，所述用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息；
基于所述用眼习惯获取所述用户的实时眼部图像；
基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，其中，所述目标眼部图像包括若干生理状态因素对所述实时眼部图像的影响程度；
基于眼部图像计算模型对所述历史眼部图像和所述目标眼部图像进行处理，生成所述用户的眼部图像变化率，其中，所述眼部图像计算模型包括用于计算眼部图像变化率的计算公式，所述公式为；P＝a*Tn/(S1-S2)；P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值；
若所述眼部图像变化率大于预设阈值，基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息。
2.如权利要求1所述的方法，其特征在于，所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，包括：
获取所述用户的生活环境数据；
基于所述生活环境数据对所述用户的生理状态因素设置预设权重值。
3.如权利要求2所述的方法，其特征在于，所述基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息，包括：
基于风险因子评估模型对所述眼部图像变化率进行处理，生成各生理状态因素的风险属性；
基于所述风险属性获取所述生理状态因素与所述眼部图像变化率的影响程度；
基于风险分类规则对所述生理状态因素的预设权重值进行处理，生成风险异常指标，其中，所述风险异常指标根据权重值的大小降序排序；
基于所述风险异常指标生成预警信息。
4.如权利要求1所述的方法，其特征在于，所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，包括：
对所述实时眼部图像进行灰度化处理，生成初始色彩图像；
基于所述初始色彩图像获取初始特征；
基于残差神经网络模型对所述初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像；
基于所述残差神经网络模型对所述预设尺寸大小的目标色彩图像进行全局平均池化处理，生成目标特征；
基于所述目标特征生成目标眼部图像。
5.如权利要求4所述的方法，其特征在于，所述基于残差神经网络模型对所述初始色彩图像进行归一化处理，生成预设尺寸大小的目标色彩图像之前，还包括：
对所述目标色彩图像进行切片处理，依次生成多张连续的切片图像；
对所述切片图像进行处理，生成多通道图像；
将所述多通道图像输入残差神经网络模型进行处理，生成所述初始色彩图像。
6.如权利要求5所述的方法，其特征在于，所述基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，还包括：
对所述切片图像进行分类处理，生成不同类别的目标切片图像；
基于预设分类阈值对所述目标切片图像进行处理，生成处于异常状态的炎症细胞；
基于预设规则对所述处于异常状态的炎症细胞进行处理，生成炎症细胞占比值；
基于所述炎症细胞占比值生成目标眼部图像。
7.如权利要求2所述的方法，其特征在于，所述基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息，包括：
获取所述生理状态因素的实时参数浮动概率；
若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的生理状态因素是否一致；
若是，则提高所述生理状态因素的风险值；
若否，则在预设时间内获取所述生理状态因素浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述生理状态因素的风险值；
基于所述生理状态因素生成预警信息。
8.一种青少年近视的预警装置，其特征在于，所述装置包括：
获取模块，用于获取若干用户的历史眼部图像和对应用户的用眼习惯；基于所述用眼习惯获取所述用户的实时眼部图像；
处理模块，用于分别将不同用户的历史眼部图像互相进行比对处理，生成相似度结果；基于所述相似度结果对不同用户的历史眼部图像进行划分处理，生成相应的用户分组，其中，所述用户分组包括用于表征同一分组内不同用户眼部图像状态的标识信息；基于预设分类模型对所述实时眼部图像进行处理，生成目标眼部图像，其中，所述目标眼部图像包括若干生理状态因素对所述实时眼部图像的影响程度；基于眼部图像计算模型对所述历史眼部图像和所述目标眼部图像进行处理，生成所述用户的眼部图像变化率，其中，所述眼部图像计算模型包括用于计算眼部图像变化率的计算公式，所述公式为；P＝a*Tn/(S1-S2)；P表示眼部图像变化率，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中眼部图像的变化值；若所述眼部图像变化率大于预设阈值，基于风险因子评估模型对所述眼部图像变化率进行处理，生成预警信息。
9.一种电子设备，其特征在于，包括：
第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；
其中，所述第一处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的青少年近视的预警方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被第二处理器执行时实现权利要求1～7中任意一项所述的青少年近视的预警方法。
CN202311756894.2A 2023-12-20 2023-12-20 一种青少年近视的预警方法及相关设备 Pending CN117612241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311756894.2A CN117612241A (zh) 2023-12-20 2023-12-20 一种青少年近视的预警方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311756894.2A CN117612241A (zh) 2023-12-20 2023-12-20 一种青少年近视的预警方法及相关设备

Publications (1)

Publication Number Publication Date
CN117612241A true CN117612241A (zh) 2024-02-27

Family

ID=89957977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311756894.2A Pending CN117612241A (zh) 2023-12-20 2023-12-20 一种青少年近视的预警方法及相关设备

Country Status (1)

Country Link
CN (1) CN117612241A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877663A (zh) * 2024-03-12 2024-04-12 北京肿瘤医院(北京大学肿瘤医院) 一种肺癌术后康复的方法及相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877663A (zh) * 2024-03-12 2024-04-12 北京肿瘤医院(北京大学肿瘤医院) 一种肺癌术后康复的方法及相关设备
CN117877663B (zh) * 2024-03-12 2024-05-28 北京肿瘤医院(北京大学肿瘤医院) 一种肺癌术后康复的方法及相关设备

Similar Documents

Publication Publication Date Title
US9779492B1 (en) Retinal image quality assessment, error identification and automatic quality correction
BahadarKhan et al. A morphological hessian based approach for retinal blood vessels segmentation and denoising using region based otsu thresholding
CN110246158B (zh) 眼疾检测装置、方法、电子终端、及存储介质
CN107945870B (zh) 基于深度神经网络的早产儿视网膜病变检测方法及装置
CN117612241A (zh) 一种青少年近视的预警方法及相关设备
CN111967465A (zh) 肿瘤细胞含量评估方法、系统、计算机设备及存储介质
CN111553240B (zh) 一种玉米病害病情分级方法、系统和计算机设备
CN111598867B (zh) 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN110619332B (zh) 基于视野检查报告的数据处理方法、装置及设备
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
Orlov et al. Age-related changes of the retinal microvasculature
CN110516762B (zh) 一种肌肉状态量化评定方法、装置、存储介质及智能终端
CN112966189B (zh) 一种基金产品推荐系统
CN114757950A (zh) 超声图像处理方法、装置以及计算机可读存储介质
Tasnim et al. Comparisonal study of deep learning approaches on retinal OCT image
CN115731203A (zh) 白内障图像识别方法、装置、计算机设备和可读存储介质
CN113425248A (zh) 医疗影像评估方法、装置、设备及计算机存储介质
CN112861743A (zh) 一种掌静脉图像防伪方法、装置和设备
EP4287083A1 (en) Determination program, determination apparatus, and method of determining
CN106898010A (zh) 颗粒拷种的方法及装置
CN117173776A (zh) 一种基于红外摄像的瞳孔数据疲劳检测方法、系统及设备
CN111513671A (zh) 基于眼部图像的眼镜舒适度评价方法
CN116844730A (zh) 认知障碍识别模型的建模方法及系统
CN116313086A (zh) 一种亚健康预测模型构建方法、装置、设备及存储介质
CN113591601B (zh) 角膜共聚焦图像中菌丝识别方法及装置

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