JP2023554145A - 黄疸分析システム及びその方法 - Google Patents
黄疸分析システム及びその方法 Download PDFInfo
- Publication number
- JP2023554145A JP2023554145A JP2023537919A JP2023537919A JP2023554145A JP 2023554145 A JP2023554145 A JP 2023554145A JP 2023537919 A JP2023537919 A JP 2023537919A JP 2023537919 A JP2023537919 A JP 2023537919A JP 2023554145 A JP2023554145 A JP 2023554145A
- Authority
- JP
- Japan
- Prior art keywords
- data
- image data
- jaundice
- learning
- 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.)
- Pending
Links
- 206010023126 Jaundice Diseases 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 128
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 60
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 claims abstract description 50
- 230000004044 response Effects 0.000 claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 32
- 210000003786 sclera Anatomy 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims description 16
- 230000002596 correlated effect Effects 0.000 claims description 15
- 238000013526 transfer learning Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 14
- 208000024891 symptom Diseases 0.000 description 10
- 230000009466 transformation Effects 0.000 description 7
- 230000004313 glare Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 206010053159 Organ failure Diseases 0.000 description 1
- 208000031964 Other metabolic disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
Images
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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1032—Determining colour for diagnostic purposes
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4244—Evaluating particular parts, e.g. particular organs liver
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Gastroenterology & Hepatology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Endocrinology (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
黄疸分析システムは、データベースと、データベースにアクセスする処理装置とを備える。処理装置は、第1の画像データに応じて学習データを生成し、学習データを第1のカテゴリデータと相関させ、学習データをデータベースに格納するデータ処理モジュール、及びカテゴリデータと相関する学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得する深層学習モジュールを含む。画像データは、第1の強膜画像を含む。処理装置の学習済みの畳み込みニューラルネットワークモジュールは、入力画像データに応じてテストデータを生成する。入力画像データは、対象被験者の第2の強膜画像を含む。テストデータは、対象被験者のビリルビン濃度範囲を示す
Description
本開示は、黄疸分析システム及び方法に関し、より詳細には、対象被験者の強膜画像によって、その対象被験者が黄疸症状を有するかどうかを判定する黄疸分析システム及び方法に関する。
他の代謝性疾患と比較して、黄疸は、皮膚や強膜が黄色味を帯びるというような、特有の症状を伴う。しかしながら、黄疸症状を有する患者は、黄色がかった色の肌をもって生まれた場合、又は黄疸による肌の色を日焼けした肌色であると思い違いした場合、自身の疾患又は臓器不全を見過ごしてしまう可能性が高い。結果として、それらの黄疸又は臓器変性が早期に診断される可能性が低くなる。したがって、対象被験者の強膜画像によって、その対象被験者が黄疸症状を有するかどうかを判定する黄疸分析システム及び方法を提供することが必要不可欠である。
先に述べた従来技術の欠点に鑑みて、本開示の目的は、対象被験者の強膜画像によって、その対象被験者が黄疸症状を有するかどうかを判定する黄疸分析システム及び方法を提供することにある。
上記及び他の目的を達成するために、本開示は、データベースと、データベースにアクセスする処理装置とを備える黄疸分析システムを提供する。処理装置は、第1の画像データに応じて第1の学習データを生成し、第1の学習データを第1のカテゴリデータと相関させ、第1の学習データをデータベースに格納するデータ処理モジュール、及び第1のカテゴリデータと相関する第1の学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得する深層学習モジュールを含む。第1の画像データは、第1の強膜画像を含む。データベースは、データ処理モジュール及び/又は深層学習モジュールに通信可能に接続されている。処理装置の学習済みの畳み込みニューラルネットワークモジュールは、入力画像データに応じてテストデータを生成する。入力画像データは、対象被験者の第2の強膜画像を含む。テストデータは、対象被験者のビリルビン濃度範囲を示す。
本開示の好ましい実施形態では、深層学習モジュールは、転移学習によって学習済みの畳み込みニューラルネットワークモジュールを取得する。したがって、目標畳み込みニューラルネットワークモジュールは、学習済みの畳み込みニューラルネットワークモジュールである(学習は、黄疸症状の検出又はビリルビン濃度の測定に限定されない)。
本開示の好ましい実施形態では、データ処理モジュールは、第1の画像データに対して第1の切出し処理を実行して、第1の切出し画像データを生成し、第1の切出し画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、データ処理モジュールは、第1の画像データに対してミラーリング処理を実行して、ミラーリング画像データを生成し、ミラーリング画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、データ処理モジュールは、ミラーリング画像データに対して第2の切出し処理を実行して、第2の切出し画像データを生成し、第2の切出し画像データに応じて第1の学習データを生成し、第2の切出し画像データは特定の画像形状を有する。
本開示の好ましい実施形態では、データ処理モジュールは、第2の切出し画像データに対して第3の切出し処理を実行して、第3の切出し画像データを生成し、第3の切出し画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、データ処理モジュールは、第1の画像データに対して映り込み除去処理を実行して、映り込み除去画像データを生成し、映り込み除去画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、データ処理モジュールは、第1の画像データに応じて第2の画像データを生成し、第2の画像データに応じて第2の学習データを生成し、第2の学習データを第2のカテゴリデータと相関させ、第2の学習データをデータベースに格納し、深層学習モジュールは、第1のカテゴリデータと相関する第1の学習データと、第2のカテゴリデータと相関する第2の学習データとを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得する。
本開示の好ましい実施形態では、データ処理モジュールは、第1の画像データに対して画像変換処理、画像回転処理、及び画像反転処理のうちの1つを実行して、第2の画像データを生成する。
本開示の好ましい実施形態では、黄疸分析システムは、入力画像データを格納するモバイル端末をさらに備え、処理装置は、モバイル端末と、処理装置の学習済みの畳み込みニューラルネットワークモジュールとに通信可能に接続された通信モジュールをさらに含む。通信モジュールは、モバイル端末から入力画像データを受信し、モバイル端末にテストデータを送信する。
上記及び他の目的を達成するために、本開示は、黄疸分析システムに適用可能な黄疸分析方法を提供し、黄疸分析方法は、黄疸分析システムのデータ処理モジュールが、第1の画像データに応じて第1の学習データを生成し、データ処理モジュールが、第1の学習データを第1のカテゴリデータと相関させるステップと、黄疸分析システムの深層学習モジュールが、第1のカテゴリデータと相関する第1の学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得するステップと、黄疸分析システムの学習済みの畳み込みニューラルネットワークモジュールが、入力画像データに応じてテストデータを生成するステップと、を含む。入力画像データは、対象被験者の第2の強膜画像を含む。第1の画像データは、第1の強膜画像を含む。テストデータは、対象被験者のビリルビン濃度範囲を示す。
本開示の好ましい実施形態では、深層学習モジュールは、転移学習によって学習済みの畳み込みニューラルネットワークモジュールを取得する。したがって、目標畳み込みニューラルネットワークモジュールは、学習済みの畳み込みニューラルネットワークモジュールである(学習は、黄疸症状を検出すること、又はビリルビン濃度を測定することに限定されない一方で、例えば、関連画像に応じて他の事項を検出することを含むように適合されているが、本開示はこれに限定されない)。
本開示の好ましい実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第1の画像データに対して第1の切出し処理を実行して、第1の切出し画像データを生成するステップをさらに含み、データ処理モジュールは、第1の切出し画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第1の画像データに対してミラーリング処理を実行して、ミラーリング画像データを生成するステップをさらに含み、データ処理モジュールは、ミラーリング画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、ミラーリング画像データに対して第2の切出し処理を実行して、第2の切出し画像データを生成するステップをさらに含み、データ処理モジュールは、第2の切出し画像データに応じて第1の学習データを生成し、第2の切出し画像データは特定の画像形状を有する。
本開示の好ましい実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第2の切出し画像データに対して第3の切出し処理を実行して、第3の切出し画像データを生成するステップをさらに含み、データ処理モジュールは、第3の切出し画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第1の画像データに対して映り込み除去処理を実行して、映り込み除去画像データを生成するステップをさらに含み、データ処理モジュールは、映り込み除去画像データに応じて第1の学習データを生成する。
本開示の好ましい実施形態では、黄疸分析方法は、データ処理モジュールが、第1の画像データに応じて第2の画像データを生成するステップと、データ処理モジュールが、第2の画像データに応じて第2の学習データを生成し、データ処理モジュールが、第2の学習データを第2のカテゴリデータと相関させるステップと、をさらに含み、深層学習モジュールは、第1のカテゴリデータと相関する第1の学習データと、第2のカテゴリデータと相関する第2の学習データとを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得する。
本開示の好ましい実施形態では、データ処理モジュールは、第1の画像データに対して画像変換処理、画像回転処理、及び画像反転処理のうちの1つを実行して、第2の画像データを生成する。
本開示の好ましい実施形態では、黄疸分析方法は、黄疸分析システムの通信モジュールが、モバイル端末から入力画像データを受信するステップと、通信モジュールが、モバイル端末にテストデータを送信するステップと、をさらに含む。
先に述べた本開示の態様及び他の態様は、非限定的な特定の実施形態によって示され、添付の図面によって図示されて以下に説明される。
図1を参照すると、本開示の特定の実施形態における、黄疸分析システム100のブロック図が示されている。図1に示す実施形態では、黄疸分析システム100は、データベース110と、処理装置120とを備える。処理装置120はデータベース110にアクセスすることができ、したがってデータベース110に通信可能に接続されている。処理装置120は、データ処理モジュール122及び深層学習モジュール124を含む。好ましくは、データ処理モジュール122はデータベース110に通信可能に接続されており、深層学習モジュール124もデータベース110に通信可能に接続されている。図1に示す実施形態では、データ処理モジュール122は、第1の画像データに応じて第1の学習データを生成し、第1の学習データを第1のカテゴリデータと関連付け、第1の学習データをデータベース110に格納する。第1の画像データは、第1の強膜画像を含む。第1のカテゴリデータは、ビリルビン濃度値又はビリルビン濃度範囲を示す。なお、黄疸は、過剰量のビリルビンが血液中を巡ることにより発症し、これによって皮膚、強膜、及び粘膜が黄色味を帯びた様相を呈するようになる。したがって、ビリルビン濃度値又はビリルビン濃度範囲は、黄疸症状の程度を示すものであり、換言すれば、第1のカテゴリデータは黄疸症状の程度を示すものである。特定の実施形態では、第1の画像データはデータベース110に格納されている。
なお、データ処理モジュール122は、異なる第1の画像データに応じて異なる第1の学習データを生成し、異なる第1の学習データはそれぞれ異なる第1のカテゴリデータと相関する。場合により、異なる第1の学習データはそれぞれ、同じ第1のカテゴリデータと相関する。例えば、データ処理モジュール122は、第1の画像データの第1のグループに応じて第1の学習データの第1のグループを生成し、第1の学習データの第1のグループ内の各第1の学習データは、第1のビリルビン濃度範囲を示す第1のカテゴリデータと相関する。データ処理モジュール122は、第1の画像データの第2のグループに応じて第1の学習データの第2のグループを生成し、第1の学習データの第2のグループ内の各第1の学習データは、第2のビリルビン濃度範囲を示す別の第1のカテゴリデータと相関する。第1のビリルビン濃度範囲は、第2のビリルビン濃度範囲とは異なる。特定の実施形態では、第1の画像データは、処理装置120又はデータ処理モジュール122が第1の画像データを受信する(例えば、データベース110から)前に、既に第1のカテゴリデータと相関しており、データ処理モジュール122は、第1の画像データに応じて生成された第1の学習データを、第1のカテゴリデータと相関させる。
図1に示す実施形態では、深層学習モジュール124は、第1のカテゴリデータと相関する第1の学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュール128を取得(又は生成)する。好ましくは、深層学習モジュール124は、転移学習によって学習済みの畳み込みニューラルネットワークモジュール128を取得する。したがって、目標畳み込みニューラルネットワークモジュールは、学習済みの畳み込みニューラルネットワークモジュールになる。特定の実施形態では、深層学習モジュール124は、EfficientNetB5に従って転移学習を受ける。なお、深層学習モジュール124によって生成された学習済みの畳み込みニューラルネットワークモジュール128も、処理装置120内に含まれる。したがって、処理装置120の学習済みの畳み込みニューラルネットワークモジュール128は、入力画像データに応じてテストデータを生成する。入力画像データは、対象被験者の第2の強膜画像を含む。テストデータは、対象被験者のビリルビン濃度範囲を示す。
特定の実施形態では、深層学習モジュール124は、第1のカテゴリデータと相関する第1の学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させる過程で異なる固有値を取得するために、それ自体で種々のフィルタを生成する。これらのフィルタは、例えば、ヒストグラムフィルタ、Clahe(適応ヒストグラム平坦化)フィルタ及びガウシアンフィルタであるが、本開示はこれらに限定されない。特定の実施形態では、深層学習モジュール124は、目標畳み込みニューラルネットワークモジュール及び学習済みの畳み込みニューラルネットワークモジュール128に通信可能に接続されている。特定の実施形態では、深層学習モジュール124は、目標畳み込みニューラルネットワークモジュール及び学習済みの畳み込みニューラルネットワークモジュール128を含む。特定の実施形態では、データ処理モジュール122は、深層学習モジュール124及び/又は学習済みの畳み込みニューラルネットワークモジュール128に通信可能に接続されている。
特定の実施形態では、データ処理モジュール122は、第1の画像データに応じて第2の画像データを生成し、第2の画像データに応じて第2の学習データを生成することによってより多くの学習データを取得し、その結果、ビリルビン濃度範囲又は黄疸程度に対して学習済みの畳み込みニューラルネットワークモジュール128によって実行される分析の精度を高める。その後、データ処理モジュール122は、第2の学習データを第2のカテゴリデータと相関させ、第2の学習データをデータベース110に格納する。好ましくは、第2のカテゴリデータは、第1の画像データと相関する第1のカテゴリデータである。特定の実施形態では、深層学習モジュール124は、第1のカテゴリデータと相関する第1の学習データと、第2のカテゴリデータと相関する第2の学習データとを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュール128を取得する。
特定の変形形態では、データ処理モジュール122は、第1の画像データに対して画像変換処理(例えば、第1の画像データに対して、水平方向変換や垂直方向変換などの各種変換処理が行われるが、本開示はこれらに限定されない)を実行するか、第1の画像データに対し画像回転処理(例えば、第1の画像データに対して0~180度の回転処理が行われるが、本開示はこれに限定されない)を実行するか、第1の画像データに対して画像反転処理(例えば、第1の画像データに対して、水平方向反転や垂直方向反転などの各種反転処理が行われるが、本開示はこれらに限定されない)を実行するか、又は第1の画像データに対してギャップ補正定数処理を実行することにより、第2の画像データを生成する。なお、本開示は、第1の画像データに応じてデータ処理モジュール122が第2の画像データを生成する方法を限定するものではない。
特定の実施形態では、処理装置120は、通信モジュール126をさらに含む。処理モジュール122は、通信モジュール126を介して端末900からデータ(例えば、入力画像データ)を受信するか、又は通信モジュール126を介して端末900にデータ(例えば、テストデータ)を送信する。通信モジュール126は、端末900と、処理装置120の学習済みの畳み込みニューラルネットワークモジュール128とに通信可能に接続されている。端末900は、例えばコンピュータ、モバイル端末(あるいはコンピュータの形態で設けられる)、又はリモートサーバであるが、本開示はこれらに限定されない。特定の実施形態では、端末900は黄疸分析システム100の一部とみなされ、入力画像データは端末900に格納される。特定の実施形態では、端末900は画像取込装置を含み、これによって端末900は画像を取り込み、入力画像データを生成する。好ましくは、入力画像データは、第1の入力画像データ及び第2の入力画像データを含む。第1の入力画像データは、対象被験者の左強膜画像を含む。第2の入力画像データは、対象被験者の右強膜画像を含む。特定の実施形態では、通信モジュール126は、データ処理モジュール122及び/又は深層学習モジュール124に通信可能に接続されている。
特定の実施形態では、本開示の黄疸分析システム100は1つ又は複数のプロセッサを備え、ハードウェアとソフトウェアとの相乗効果によって、データベース110及び処理装置120を実装する。特定の実施形態では、処理装置120は1つ又は複数のプロセッサを含み、ハードウェアとソフトウェアとの相乗効果によって、データ処理モジュール122、深層学習モジュール124、通信モジュール126、及び学習済みの畳み込みニューラルネットワークモジュール128を実装する。特定の実施形態では、端末900は1つ又は複数のプロセッサを含み、ハードウェアとソフトウェアとの相乗効果によって画像取込装置を実装する。
図2A~図2Cを参照すると、異なる第1の画像データが示されている。図2Aの第1の画像データ201、202と相関する第1のカテゴリデータは、ビリルビン濃度範囲が0~1.2mg/dLであることを示す。図2Bの第1の画像データ203、204と相関する第1のカテゴリデータは、ビリルビン濃度範囲が1.3~3.5mg/dLであることを示す。図2Cの第1の画像データ205、206と相関する第1のカテゴリデータは、ビリルビン濃度範囲が3.6mg/dLを超えることを示す。特定の実施形態では、本開示の黄疸分析システム100のデータ処理モジュールは、第1の画像データに対して第1の切出し処理を実行して、第1の切出し画像データを生成することにより、第1の画像データが同一の画像サイズとなるように第1の画像データを切り出すか、又は調整する。データ処理モジュールは、第1の切出し画像データに応じて第1の学習データを生成する。
図3を参照すると、異なるミラーリング画像データ302、304が示されている。ミラーリング画像データ302、304は、データ処理モジュールが第1の画像データに対して異なるミラーリング処理を実行したときに生成される。画像データ304の短辺は、画像データ304の長さと幅とを等しくするミラーリング処理(短辺が対称軸として機能する)によって補完される。特定の実施形態では、第1の切出し画像データは第1の画像データとみなされる。このため、データ処理モジュールは、第1の切出し処理が実行された第1の画像データに対してミラーリング処理を実行する。特定の実施形態では、データ処理モジュールは、ミラーリング画像データに応じて第1の学習データを生成する。
図4を参照すると、特定の実施形態における、第2の切出し画像データの概略図が示されている。図4に示す実施形態では、データ処理モジュールは、図3のミラーリング画像データ304に対して第2の切出し処理を実行して、第2の切出し画像データ402を生成する。特定の実施形態では、第2の切出し処理の切出しは、ミラーリング画像データ304の片側を接円(正方形に内接する円)の直径として使用し、接円の外側の画像コンテンツを切り出し、接円の内側に画像コンテンツを保持することを含む。したがって、データ処理モジュールは、異なるミラーリング画像データが同一の画像サイズとなるように、異なるミラーリング画像データを切り出す。なお、図4は、単に例示する目的に寄与するにすぎず、したがって、データ処理モジュールが第2の切出し処理を実行する目的は、ある画像が円形になるようにその画像を切り出すことに限定されない。一変形形態では、画像が必要に応じて特定の画像形状になるように画像が切り出される。特定の実施形態では、データ処理モジュールは、第2の切出し画像データに応じて第1の学習データを生成する。
図5を参照すると、特定の実施形態における、第3の切出し画像データの生成方法の概略図が示されている。図5に示す実施形態では、データ処理モジュールは、第2の切出し画像データ502に対して第3の切出し処理を実行して、第3の切出し画像データ504を生成する。特定の実施形態では、第3の切出し処理の切出しは、特定のサイズの正方形をとるために第2の切出し画像データ502の中心を使用することと、不必要なフィーチャを削減するために正方形の内側に画像コンテンツを保持することとを含む。特定の実施形態では、データ処理モジュールは、第3の切出し画像データに応じて第1の学習データを生成する。
図6を参照すると、特定の実施形態における、映り込み除去画像データの生成方法の概略図が示されている。図6に示す実施形態では、データ処理モジュールは、第1の画像データ602に対して映り込み除去処理を実行して、映り込み除去画像データ604を生成する。このように、本実施形態によれば、画像中の眼球反射光の白色部分が深層学習に干渉するのを抑制することにより、深層学習モジュールが目標畳み込みニューラルネットワークモジュールを学習させられるようになる。特定の実施形態では、映り込み除去処理は、PhotoImpactの模倣機能を用いて眼球反射光部分を除去することによって実行される。特定の実施形態では、データ処理モジュールは、映り込み除去画像データに応じて第1の学習データを生成する。
なお、第1の切出し画像データ、ミラーリング画像データ、第2の切出し画像データ、第3の切出し画像データ及び映り込み除去画像データは、第1の画像データ及びデータ処理モジュールとみなされ、画像データに対して第1の切出し処理、ミラーリング処理、第2の切出し処理、第3の切出し処理及び/又は映り込み除去処理を実行することができる。
図7を参照すると、本開示の特定の実施形態における、黄疸分析方法700のプロセスフローの概略図が示されている。図7に示す実施形態では、黄疸分析方法700は、黄疸分析システム100に適用可能である。黄疸分析方法700はステップ710で開始され、ここで、黄疸分析システム100のデータ処理モジュールは、第1の画像データに応じて第1の学習データを生成し、第1の学習データを第1のカテゴリデータと相関させる。第1の画像データは、第1の強膜画像を含む。次いで、ステップ720において、黄疸分析システム100の深層学習モジュールは、第1のカテゴリデータと相関する第1の学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得する。特定の実施形態では、深層学習モジュールは、転移学習によって学習済みの畳み込みニューラルネットワークモジュールを取得する。したがって、目標畳み込みニューラルネットワークモジュールは、学習済みの畳み込みニューラルネットワークモジュールであり、目標畳み込みニューラルネットワークモジュールには事前に学習させており、また黄疸症状を検出すること、又はビリルビン濃度を測定することに限定されない一方で、例えば、関連画像に応じて他の事項を検出することを含むように適合されているが、本開示はこれに限定されない。
ステップ730において、黄疸分析システム100の通信モジュールは、モバイル端末(例えば、携帯電話又はタブレットであるが、本開示はこれらに限定されない)から入力画像データを受信する。入力画像データは、対象被験者の第2の強膜画像を含む。好ましくは、入力画像データは、第1の入力画像データ及び第2の入力画像データを含む。第1の入力画像データは、対象被験者の左強膜画像を含む。第2の入力画像データは、対象被験者の右強膜画像を含む。なお、ステップ730は、必要に応じてステップ710又はステップ720の前にあってもよい。
ステップ710からステップ730の後に、ステップ740が続く。ステップ740において、黄疸分析システム100の学習済みの畳み込みニューラルネットワークモジュールは、入力画像データに応じてテストデータを生成する。テストデータは、対象被験者のビリルビン濃度範囲を示す。ビリルビン濃度範囲は黄疸程度を示す。次に、ステップ750において、黄疸分析システム100の通信モジュールは、モバイル端末にテストデータを送信する。
特定の実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第1の画像データに対して第1の切出し処理を実行して、第1の切出し画像データを生成するステップをさらに含む。データ処理モジュールは、第1の切出し画像データに応じて第1の学習データを生成する。特定の実施形態では、データ処理モジュールは、第1のコマンドに応じて第1の画像データに対して第1の切出し処理を実行する。第1のコマンドは、例えば、ユーザがマウスを用いて行う画像切出し操作であるか、あるいは例えば、デフォルトの画像切出しコマンドであるが、本開示はこれらに限定されない。
特定の実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第1の画像データに対してミラーリング処理を実行して、ミラーリング画像データを生成するステップをさらに含む。データ処理モジュールは、ミラーリング画像データに応じて第1の学習データを生成する。特定の実施形態では、データ処理モジュールは、第2のコマンドに応じて第1の画像データに対してミラーリング処理を実行する。第2のコマンドは、例えば、ユーザがマウスを用いて行う画像ミラーリング操作であるか、あるいは例えば、デフォルトの画像ミラーリングコマンドであるが、本開示はこれらに限定されない。
特定の実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、ミラーリング画像データに対して第2の切出し処理を実行して、第2の切出し画像データを生成するステップをさらに含む。第2の切出し画像データは特定の画像形状を有する。データ処理モジュールは、第2の切出し画像データに応じて第1の学習データを生成する。特定の実施形態では、データ処理モジュールは、第3のコマンドに応じてミラーリング画像データに対して第2の切出し処理を実行する。第3のコマンドは、例えば、ユーザがマウスを用いて行う画像切出し操作であるか、あるいは例えば、デフォルトの画像切出しコマンドであるが、本開示はこれらに限定されない。
特定の実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第2の切出し画像データに対して第3の切出し処理を実行して、第3の切出し画像データを生成するステップをさらに含む。データ処理モジュールは、第3の切出し画像データに応じて第1の学習データを生成する。特定の実施形態では、データ処理モジュールは、第4のコマンドに応じて第2の切出し画像データに対して第3の切出し処理を実行する。第4のコマンドは、例えば、ユーザがマウスを用いて行う画像切出し操作であるか、あるいは例えば、デフォルトの画像切出しコマンドであるが、本開示はこれらに限定されない。
特定の実施形態では、第1の画像データに応じて第1の学習データを生成するステップは、データ処理モジュールが、第1の画像データに対して映り込み除去処理を実行して、映り込み除去画像データを生成するステップをさらに含む。データ処理モジュールは、映り込み除去画像データに応じて第1の学習データを生成する。特定の実施形態では、データ処理モジュールは、第5のコマンドに応じて第1の画像データに対して映り込み除去処理を実行する。第5のコマンドは、例えば、ユーザがマウスを用いて行う映り込み除去操作であるか、あるいは例えば、デフォルトの画像映り込み除去コマンドであるが、本開示はこれらに限定されない。
特定の実施形態では、より多くの学習データを取得し、その結果、ビリルビン濃度範囲又は黄疸程度に対して学習済みの畳み込みニューラルネットワークモジュールによって実行される分析の精度を高めるために、黄疸分析方法700は、データ処理モジュールが、第1の画像データに応じて第2の画像データを生成するステップと、データ処理モジュールが、第2の画像データに応じて第2の学習データを生成し、データ処理モジュールが、第2の学習データを第2のカテゴリデータと相関させるステップと、をさらに含む。好ましくは、第2のカテゴリデータは、第1の画像データと相関する第1のカテゴリデータである。特定の実施形態では、深層学習モジュールは、第1のカテゴリデータと相関する第1の学習データと、第2のカテゴリデータと相関する第2の学習データとを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得する。
特定の変形形態では、データ処理モジュールは、第1の画像データに対して画像変換処理、画像回転処理、画像反転処理及びギャップ補正定数処理のうちの1つを実行して、第2の画像データを生成する。なお、本開示は、第1の画像データに応じてデータ処理モジュールが第2の画像データを生成する方法を限定するものではない。
したがって、本開示の黄疸分析システム及び方法は、添付の図面によって示され、上記で説明されている。本開示の特定の実施形態は、単に例示を目的とするものであるため、本開示の特許請求の範囲の精神及び範囲から逸脱することなく、本開示の特定の実施形態に様々な変更を加えることができ、またそれらは本開示の特許請求の範囲内に含まれるものとする。したがって、本開示の特定の実施形態は、本開示を限定するものではなく、本開示の精神及び範囲が添付の特許請求の範囲によって定義されるようにするものである。
Claims (20)
- 黄疸分析システムであって、
データベースと、
前記データベースにアクセスする処理装置を含み、該処理装置が、
第1の画像データに応じて第1の学習データを生成し、該第1の学習データを第1のカテゴリデータと相関させ、該第1の学習データを前記データベースに格納するデータ処理モジュール、及び
前記第1のカテゴリデータと相関する前記第1の学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得する深層学習モジュール
を含む、処理装置と
を備え、
前記第1の画像データは、第1の強膜画像を含み、
前記データベース通信は、前記データ処理モジュール及び/又は前記深層学習モジュールに接続され、
前記処理装置の前記学習済みの畳み込みニューラルネットワークモジュールは、入力画像データに応じてテストデータを生成し、該入力画像データは、対象被験者の第2の強膜画像を含み、
前記テストデータは、前記対象被験者のビリルビン濃度範囲を示す、
黄疸分析システム。 - 前記深層学習モジュールが、転移学習によって前記学習済みの畳み込みニューラルネットワークモジュールを取得する、
請求項1に記載の黄疸分析システム。 - 前記データ処理モジュールが、前記第1の画像データに対して第1の切出し処理を実行して、第1の切出し画像データを生成し、該第1の切出し画像データに応じて前記第1の学習データを生成する、
請求項1に記載の黄疸分析システム。 - 前記データ処理モジュールが、前記第1の画像データに対してミラーリング処理を実行して、ミラーリング画像データを生成し、該ミラーリング画像データに応じて前記第1の学習データを生成する、
請求項1に記載の黄疸分析システム。 - 前記データ処理モジュールが、前記ミラーリング画像データに対して第2の切出し処理を実行して、第2の切出し画像データを生成し、該第2の切出し画像データに応じて前記第1の学習データを生成し、該第2の切出し画像データが特定の画像形状を有する、
請求項4に記載の黄疸分析システム。 - 前記データ処理モジュールが、前記第2の切出し画像データに対して第3の切出し処理を実行して、第3の切出し画像データを生成し、該第3の切出し画像データに応じて前記第1の学習データを生成する、
請求項5に記載の黄疸分析システム。 - 前記データ処理モジュールが、前記第1の画像データに対して映り込み除去処理を実行して、映り込み除去画像データを生成し、該映り込み除去画像データに応じて前記第1の学習データを生成する、
請求項1に記載の黄疸分析システム。 - 前記データ処理モジュールが、前記第1の画像データに応じて第2の画像データを生成し、該第2の画像データに応じて第2の学習データを生成し、該第2の学習データを第2のカテゴリデータと相関させ、該第2の学習データを前記データベースに格納し、前記深層学習モジュールは、前記第1のカテゴリデータと相関する前記第1の学習データと、前記第2のカテゴリデータと相関する前記第2の学習データとを用いて前記目標畳み込みニューラルネットワークモジュールを学習させることにより、前記学習済みの畳み込みニューラルネットワークモジュールを取得する、
請求項1に記載の黄疸分析システム。 - 前記データ処理モジュールが、前記第1の画像データに対して画像変換処理、画像回転処理、及び画像反転処理のうちの1つを実行して、前記第2の画像データを生成する、
請求項8に記載の黄疸分析システム。 - 前記入力画像データを格納するモバイル端末をさらに備え、
前記処理装置が、
前記モバイル端末と、前記処理装置の前記学習済みの畳み込みニューラルネットワークモジュールとに通信可能に接続されており、前記モバイル端末から前記入力画像データを受信し、前記モバイル端末に前記テストデータを送信するように適合された通信モジュールをさらに含む、
請求項1に記載の黄疸分析システム。 - 黄疸分析システムに適用可能な黄疸分析方法であって、該黄疸分析方法は、
前記黄疸分析システムのデータ処理モジュールが、第1の画像データに応じて第1の学習データを生成し、該データ処理モジュールが、該第1の学習データを第1のカテゴリデータと相関させるステップと、
前記黄疸分析システムの深層学習モジュールが、前記第1のカテゴリデータと相関する前記第1の学習データを用いて目標畳み込みニューラルネットワークモジュールを学習させることにより、学習済みの畳み込みニューラルネットワークモジュールを取得するステップと、
前記黄疸分析システムの前記学習済みの畳み込みニューラルネットワークモジュールが、入力画像データに応じてテストデータを生成するステップであって、該入力画像データは、対象被験者の第2の強膜画像を含む、ステップと
を含み、
前記第1の画像データは、第1の強膜画像を含み、
前記テストデータは、前記対象被験者のビリルビン濃度範囲を示す、
黄疸分析方法。 - 前記深層学習モジュールが、転移学習によって前記学習済みの畳み込みニューラルネットワークモジュールを取得する、
請求項11に記載の黄疸分析方法。 - 前記第1の画像データに応じて前記第1の学習データを生成する前記ステップが、
前記データ処理モジュールが、前記第1の画像データに対して第1の切出し処理を実行して、第1の切出し画像データを生成するステップをさらに含み、
前記データ処理モジュールが、前記第1の切出し画像データに応じて前記第1の学習データを生成する、
請求項11に記載の黄疸分析方法。 - 前記第1の画像データに応じて前記第1の学習データを生成する前記ステップが、
前記データ処理モジュールが、前記第1の画像データに対してミラーリング処理を実行して、ミラーリング画像データを生成するステップをさらに含み、
前記データ処理モジュールが、前記ミラーリング画像データに応じて前記第1の学習データを生成する、
請求項11に記載の黄疸分析方法。 - 前記第1の画像データに応じて前記第1の学習データを生成する前記ステップが、
前記データ処理モジュールが、前記ミラーリング画像データに対して第2の切出し処理を実行して、第2の切出し画像データを生成するステップをさらに含み、
前記データ処理モジュールが、前記第2の切出し画像データに応じて前記第1の学習データを生成し、
前記第2の切出し画像データが特定の画像形状を有する、
請求項14に記載の黄疸分析方法。 - 前記第1の画像データに応じて前記第1の学習データを生成する前記ステップが、
前記データ処理モジュールが、前記第2の切出し画像データに対して第3の切出し処理を実行して、第3の切出し画像データを生成するステップをさらに含み、
前記データ処理モジュールが、前記第3の切出し画像データに応じて前記第1の学習データを生成する、
請求項15に記載の黄疸分析方法。 - 前記第1の画像データに応じて前記第1の学習データを生成する前記ステップが、
前記データ処理モジュールが、前記第1の画像データに対して映り込み除去処理を実行して、映り込み除去画像データを生成するステップをさらに含み、
前記データ処理モジュールが、前記映り込み除去画像データに応じて前記第1の学習データを生成する、
請求項11に記載の黄疸分析方法。 - 前記データ処理モジュールが、前記第1の画像データに応じて第2の画像データを生成するステップと、
前記データ処理モジュールが、前記第2の画像データに応じて第2の学習データを生成し、前記データ処理モジュールが、該第2の学習データを第2のカテゴリデータと相関させるステップと
をさらに含み、
前記深層学習モジュールが、前記第1のカテゴリデータと相関する前記第1の学習データと、前記第2のカテゴリデータと相関する前記第2の学習データとを用いて前記目標畳み込みニューラルネットワークモジュールを学習させることにより、前記学習済みの畳み込みニューラルネットワークモジュールを取得する、
請求項11に記載の黄疸分析方法。 - 前記データ処理モジュールが、前記第1の画像データに対して画像変換処理、画像回転処理、及び画像反転処理のうちの1つを実行して、前記第2の画像データを生成する、
請求項18に記載の黄疸分析方法。 - 前記黄疸分析システムの通信モジュールが、モバイル端末から前記入力画像データを受信するステップと、
前記通信モジュールが、前記モバイル端末に前記テストデータを送信するステップと
をさらに含む、
請求項11に記載の黄疸分析方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/137680 WO2022126622A1 (zh) | 2020-12-18 | 2020-12-18 | 黄疸分析系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023554145A true JP2023554145A (ja) | 2023-12-26 |
Family
ID=82058873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023537919A Pending JP2023554145A (ja) | 2020-12-18 | 2020-12-18 | 黄疸分析システム及びその方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240054641A1 (ja) |
EP (1) | EP4265181A1 (ja) |
JP (1) | JP2023554145A (ja) |
CN (1) | CN116801798A (ja) |
WO (1) | WO2022126622A1 (ja) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7187790B2 (en) * | 2002-12-18 | 2007-03-06 | Ge Medical Systems Global Technology Company, Llc | Data processing and feedback method and system |
CN104856680B (zh) * | 2015-05-11 | 2016-09-07 | 深圳贝申医疗技术有限公司 | 一种新生儿黄疸的自动检测方法及系统 |
WO2017111606A1 (en) * | 2015-12-22 | 2017-06-29 | Picterus As | Image based bilirubin determination |
CN105466864A (zh) * | 2015-12-30 | 2016-04-06 | 中国科学院苏州生物医学工程技术研究所 | 基于色度分析的巩膜黄染检测仪 |
CN109009132B (zh) * | 2018-07-09 | 2022-04-26 | 京东方科技集团股份有限公司 | 一种黄疸监测方法及装置 |
-
2020
- 2020-12-18 WO PCT/CN2020/137680 patent/WO2022126622A1/zh active Application Filing
- 2020-12-18 EP EP20965636.2A patent/EP4265181A1/en active Pending
- 2020-12-18 US US18/267,909 patent/US20240054641A1/en active Pending
- 2020-12-18 CN CN202080107974.3A patent/CN116801798A/zh active Pending
- 2020-12-18 JP JP2023537919A patent/JP2023554145A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240054641A1 (en) | 2024-02-15 |
WO2022126622A1 (zh) | 2022-06-23 |
EP4265181A1 (en) | 2023-10-25 |
CN116801798A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raman et al. | Fundus photograph-based deep learning algorithms in detecting diabetic retinopathy | |
US11526983B2 (en) | Image feature recognition method and apparatus, storage medium, and electronic apparatus | |
Ran et al. | Cataract detection and grading based on combination of deep convolutional neural network and random forests | |
CN110428410B (zh) | 眼底医学图像处理方法、装置、设备及存储介质 | |
CN111402217B (zh) | 一种图像分级方法、装置、设备和存储介质 | |
CN114066884B (zh) | 视网膜血管分割方法及装置、电子设备和存储介质 | |
US11823385B2 (en) | Processing fundus images using machine learning models to generate blood-related predictions | |
CN109712128A (zh) | 特征点检测方法、装置、计算机设备和存储介质 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN110956628A (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
Zheng et al. | Corneal‐Smart Phone: A novel method to intelligently estimate postmortem interval | |
JP2023554145A (ja) | 黄疸分析システム及びその方法 | |
CN112989932A (zh) | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
CN116704401A (zh) | 操作类考试的评分校验方法、装置、电子设备及存储介质 | |
CN115456974A (zh) | 基于人脸关键点的斜视检测系统、方法、设备及介质 | |
CN111539940B (zh) | 超广角眼底图像生成方法及设备 | |
CN113362258A (zh) | 白内障患者眼底彩照图像去噪方法、装置、设备及介质 | |
CN114038051B (zh) | 一种原发性闭角型青光眼的房角关闭机制分型方法 | |
US20200226747A1 (en) | Method for obtaining a fluorescent fundus image and a device thereof | |
Jalilian et al. | Gaze-angle impact on iris segmentation using cnns | |
CN111339972A (zh) | 一种人脸图像检测方法、装置、电子设备及存储介质 | |
CN111481164A (zh) | 用以获取荧光眼底图的方法及其装置 | |
WO2023087183A1 (zh) | 一种原发性闭角型青光眼的房角关闭机制分型方法 | |
CN107145863A (zh) | 一种人脸定位方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230810 |