TW202242907A - 眼底鏡影像預測糖尿病性腎病變期程之方法及其系統 - Google Patents
眼底鏡影像預測糖尿病性腎病變期程之方法及其系統 Download PDFInfo
- Publication number
- TW202242907A TW202242907A TW111100229A TW111100229A TW202242907A TW 202242907 A TW202242907 A TW 202242907A TW 111100229 A TW111100229 A TW 111100229A TW 111100229 A TW111100229 A TW 111100229A TW 202242907 A TW202242907 A TW 202242907A
- Authority
- TW
- Taiwan
- Prior art keywords
- ophthalmoscope
- images
- clinical
- diabetic nephropathy
- classification
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Eye Examination Apparatus (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Electrotherapy Devices (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明係關於一種眼底鏡影像預測糖尿病性腎病變期程之方法及其系統,利用眼底鏡影像搭配檢驗數據,建立糖尿病性腎病變期程進展的預測模型,藉此延緩糖尿病性腎病的發展,降低洗腎的機率。
Description
本發明係關於一種眼底影像預測糖尿病性腎病變期程之方法及其系統,特別是關於一種利用卷積神經網路(Convolutional neural networks, CNN)運算,對眼底影像進行分析,進而預測糖尿病性腎病變期程之方法及其系統。
根據世界衛生組織WHO於2016年發布的「糖尿病全球報告」(Global report on diabetes),於報告中指出在1980年全球的糖尿病患者數量為1.08億,而在2014年時全球的糖尿病患者數量大幅增加至4.22億,其增幅是30年前的4倍,顯然糖尿病的盛行率仍繼續攀升。
在台灣,糖尿病及其併發症之情況也不容忽視,根據統計顯示,糖尿病高居十大死因第五名;此外十大死因中大多皆與糖尿病併發症相關,心血管疾病、腦血管疾病、糖尿病、高血壓等病症的死亡總數高達近5萬人,甚至超越連續奪冠多年的癌症死亡人數。
在糖尿病盛行的情況下,加上糖尿病所導致的併發症,例如糖尿病也可為導致心臟病、中風、下肢截肢、失明以及腎衰竭的主要病因;因此糖尿病除了對病患個人與家庭的生活品質影響甚鉅之外,還造成社會與經濟成本的沉重負擔。
糖尿病係為一種因胰島素缺乏或拮抗胰島素功能的因子出現導致血糖升高之疾病,且長期血糖升高的情況下,會引起眼部視網膜微細血管病變,其稱之為糖尿病視網膜病變(Diabetic retinopathy)。第1型糖尿病患者通常於患病的15~20年後產生視網膜病變,其中約有20~30%的患者會因糖尿病而導致失明;而第2型糖尿病患則有超過約60%的機率產生視網膜病變。
糖尿病視網膜病變的真正致病機轉至今仍未不清楚,但基本上可知長期血糖升高將致使血小板凝集力提升並使微血管受損,進而導致微血管局部膨脹、出血、阻塞等症狀;且微血管阻塞會使視網膜缺氧導致視網膜血管增生,同時也將伴隨纖維性增生,最後造成糖尿病視網膜病變,最嚴重則導致失明。
糖尿病視網膜病變,一般係藉由眼底鏡(Ophthalmoscope)醫學造影進行檢測,其依據血管、出血及斑點的程度進行判斷並評估分級;於臨床上糖尿病視網膜病變可從無明顯病症至出現微血管瘤,甚至出現嚴重的視網膜出血、靜脈念珠狀變化、出現新生血管或玻璃體、或視網膜前出血等症狀,分為7個等級。
醫師根據眼底鏡影像進行評估分級時,係以各醫師的臨床經驗進行評估分級,不同醫師間評估的等級可能會有些許差異;舉例而言,某地區醫院之醫師判斷某患者視網膜病變為3級,另一地區醫院之醫師可能判斷為6級。因此現有糖尿病視網膜病變的評估分級並無一套精確的標準,且醫師對於視網膜病變的評估不夠客觀,其評估的落差將對患者造成負向的影響。
因此,為了可精確地將患者進行評估分級,避免醫師因臨床經驗不一而使評估不客觀導致不同的評估分級,需建立一套可精確評估糖尿病視網膜病變分級的方法及其系統;由於現今資訊及科技發達,可藉由大數據(Big Data)收集大量患者的眼底鏡影像,利用人工智能(例如機器學習或深度學習)來對視網膜病變程度進行分類建立分級評估模型,以精確地對糖尿病患者的視網膜病變分級,解決人為評估上的誤差。
然而,一般的深度學習所建立的預測模型,其僅由眼底鏡影像的差異去分類學習所建立,對於評估的準確度尚待加強。
有鑑於上述習知技術之問題,本發明之目的在於提供一種新穎眼底鏡影像預測糖尿病性腎病變期程之方法及其系統,以解決習知僅用眼底鏡影像之差異所建立的分級評估模型精確度不足之問題,其方法進一步藉由其眼底鏡影像搭配檢驗數據,建立糖尿病性腎病變期程進展的預測模型。
根據本發明之第一目的,提出一種眼底鏡影像預測糖尿病性腎病變期程方法,其包含下列步驟:調閱糖尿病個案照護管理資料庫之複數個眼底鏡影像,並對該複數個眼底鏡影像進行前處理及臨床分類後,儲存於儲存裝置;藉由處理器存取儲存裝置,利用已訓練好之深度學習分類模型對已進行前處理及臨床分類之該複數個眼底鏡影像進行卷積神經網路運算,以建立糖尿病性腎病變期程預測模型;藉由處理器對一臨床眼底鏡影像進行判讀程序,依據糖尿病性腎病變期程預測模型對該臨床眼底鏡影像進行分類,並通過輸出裝置存取儲存裝置,將已分類之該臨床眼底鏡影像輸出;確認判讀效能是否合格,如不合格,則對該複數個眼底鏡影像再次進行前處理優化及臨床分類,重新建立糖尿病性腎病變期程預測模型,再確認判讀效能是否合格;判讀效能合格,完成高精準度糖尿病性腎病變期程預測模型。
首先,由糖尿病個案照護管理資料庫中,調閱出糖尿病患者的眼底鏡影像進行前處理,其係將眼底鏡影像過多的黑底影像去除,僅留下中間部分的眼底影像,並利用邊緣強化(edge enhancement)技術將血管部分輪廓加強加深,以利後續進行模型訓練時,係針對血管部分作為分類依據。
再者,由於醫療影像常須面對資料量不足之問題,可利用如調整影像亮度、水平翻轉、旋轉等方式,將資料量進行增量(data augmentation);利用上述方式增加影像資料量,並不會使原始影像產生太大的差異性,但對於模型來說,只要影像中有翻轉或旋轉,由於RGB改變即視為不同的影像,故可在訓練過程中讓模型學習抓取血管部分,並依據此條件進行判讀,在深度學習上的應用中具有通用性,不會影響其學習的正確度。
此外,對眼底鏡影像進行臨床分類,其係依據患者的eGFR(estimated glomerular filtration rate,經估算的腎絲球過濾率)以及ACR(albumin to creatinine ratio,白蛋白/肌酐酸比值)數據進行第一次分類,再依據患者眼底鏡影像所對應的CKD(chronic kidney disease,慢性腎病)分期以及ACR分期進行第二次分類後,存入分類資料夾中儲存於儲存裝置中備用。CKD分期以及ACR分期如第1圖所示。
接著,利用已訓練好之深度學習分類模型建立糖尿病性腎病變期程預測模型,由於使用未訓練之深度學習分類模型(例如condenseNet)於一開始的權重(weight)為隨機產生的,每次所得實驗結果誤差相對較大,故使用已訓練好之深度學習分類模型,其權重為固定的,因此相較於隨機產生的模型,實驗可重複性高,對於醫學方面資料數量不足的部分具有更好的適應性;較佳地,所利用已訓練好之深度學習分類模型可為ResNet50。
深度學習所使用的卷積神經網路包括卷基層(convolution)、池化層(Pooling)、激勵函數(activation function)與損失函數(loss function)以作為監督式學習;卷基層用來提取特徵,池化層負責特徵選擇,激勵函數負責增加神經網路的非線性的特性,在算出損失函數的殘差之後,利用誤差反向傳播去做參數的更新並且讓損失函數最小化,最後加入全連接層去做影像分類,讓一些人眼比較難看出來的特徵交由電腦去處理。
另依據所建立糖尿病性腎病變期程預測模型對其臨床眼底鏡影像進行分類後,確認判讀效能是否合格之方式,係利用五折交叉驗證法來進行驗證;五折交叉驗證法係將所得數據集分為五份,選取其中一份作為驗證的測試集,其餘四份作為訓練集進行訓練,重複5次後,將5次所獲得之準確性(Accuracy)平均後所獲得之平均值,與五份數據集各別比較其平均值,確認判讀效能是否合格。如平均值小於60%,則認定為不合格,需對眼底鏡影像再次進行前處理優化及臨床分類,重新建立糖尿病性腎病變期程預測模型,再確認判讀效能是否合格。
根據本發明之第二目的,提出一種眼底鏡影像預測糖尿病性腎病變期程系統,其包含糖尿病個案照護管理資料庫、傳輸模組、儲存裝置、處理器以及輸出裝置。其中,傳輸模組從糖尿病個案照護管理資料庫中將複數個眼底鏡影像傳送至儲存裝置進行儲存,儲存裝置藉由傳輸模組與糖尿病個案照護管理資料庫連接;輸出裝置連接於儲存裝置,將該複數個眼底鏡影像輸出。處理器連接於儲存裝置,存取儲存裝置並執行複數個指令以施行下列步驟:對該複數個眼底鏡影像進行前處理及臨床分類後儲存於儲存裝置;利用已訓練好之深度學習分類模型對已進行前處理及臨床分類之該複數個眼底鏡影像進行卷積神經網路運算,以建立糖尿病性腎病變期程預測模型;對一臨床眼底鏡影像進行判讀程序,依據糖尿病性腎病變期程預測模型對該臨床眼底鏡影像進行分類;通過輸出裝置存取儲存裝置,將已分類之該臨床眼底鏡影像輸出;確認判讀效能是否合格,如不合格,則對該複數個眼底鏡影像再次進行前處理優化及臨床分類,重新建立糖尿病性腎病變期程預測模型,再確認判讀效能是否合格;判讀效能合格,完成高精準度糖尿病性腎病變期程預測模型。
承上所述,使用本發明之眼底鏡影像預測糖尿病性腎病變期程之方法及其系統,藉由前處理調整影像亮度、水平翻轉、旋轉等方式,將眼底鏡影像資料量進行增量,並依據患者的eGFR、ACR數據,以及患者眼底鏡影像所對應的CKD分期以及ACR分期進行臨床分類後,再進行卷積神經網路運算所建立糖尿病性腎病變期程預測模型,相較於一般僅由眼底鏡影像的差異去分類學習所建立的預測模型有所不同,一般的眼底鏡影像分級評估模型係強調視網膜病變的滲出物、出血點等特徵作為評估點,但本發明之方法係從眼底血管去研究眼底動脈硬化和腎病變之相關性,專注於眼底動脈硬化之特徵以應用人工智能預測模型。並非僅由單一眼底鏡影像作為預測依據,而是藉由眼底鏡影像搭配檢驗數據再分析病患腎病變期程,提前預測糖尿病性腎病變狀況及其病程分期,進而達到85%以上的預測準確度,使患者可提早進行治療,藉此延緩糖尿病性腎病的發展,降低洗腎的機率。由此技術所獲得的動脈硬化特徵與共病的診斷預測技術也可以應用在相關的動脈硬化疾病上,如心血管疾病(心肌梗塞、心衰竭等),或是中風、阿茲海默症或是巴金森氏症等相關血管硬化退化性疾病。
為利貴審查委員瞭解本發明之技術特徵、內容與優點及其所能達成之功效,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下,而其中所使用之圖式,其主旨僅為示意及輔助說明書之用,未必為本發明實施後之真實比例與精準配置,故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍,合先敘明。
除非另有定義,本文所使用的所有術語(包括技術和科學術語)具有與本發明所屬技術領域的通常知識者通常理解的含義。將進一步理解的是,諸如在通常使用的字典中定義的那些術語應當被解釋為具有與它們在相關技術和本發明的上下文中的含義一致的含義,並且將不被解釋為理想化的或過度正式的意義,除非本文中明確地如此定義。
請參閱第2圖,第2圖係為本發明實施例之眼底鏡影像預測糖尿病性腎病變期程方法之流程圖。如第2圖所示,眼底鏡影像預測糖尿病性腎病變期程方法包含以下步驟(S1~S5):
步驟S1:調閱糖尿病個案照護管理資料庫之複數個眼底鏡影像,並對該複數個眼底鏡影像進行前處理及臨床分類後,儲存於儲存裝置。
於步驟S1中,所述前處理係將原始眼底鏡影像中病人資訊以及過多的黑底影像部分去除,僅留下中間部分的眼底影像,並利用邊緣強化技術,將血管部分輪廓加強加深凸顯血管部分,以利後續進行模型訓練時,係針對血管部分作為分類依據;參閱第3圖,第3圖(a)為原始眼底鏡影像,而第3圖(b)為經去除病人資訊及多於黑底影像部分並經邊緣強化技術運算後的眼底鏡影像,可明顯看出經邊緣強化技術運算後的眼底鏡影像中,血管輪廓較為清晰明顯;較佳地,邊緣強化技術可為拉普拉斯法。
再者,前處理也包含利用如調整影像亮度、水平翻轉、旋轉等方式,將資料量進行增量,可在訓練過程中讓模型大量學習抓取血管部分特徵,並依據此條件進行後續的判讀。
此外,對經前處理後的眼底鏡影像進行臨床分類,其係依據患者的eGFR以及ACR數據進行第一次分類,再依據患者眼底鏡影像所對應的CKD分期以及ACR分期進行第二次分類後,存入分類資料夾中儲存於儲存裝置中備用。舉例而言,一糖尿病患者於2018/6/7所測得之eGFR為70 ml/min/1.73m
2、ACR為200mg/g,依據第1圖之CKD分期以及ACR分期示意圖,此糖尿病患者被分類為第二期CKD及第二期ACR,並選擇最接近此日期的眼底鏡影像,依其分類存入分類資料夾中備用。
步驟S2:藉由處理器存取儲存裝置,利用已訓練好之深度學習分類模型對已進行前處理及臨床分類之該複數個眼底鏡影像進行卷積神經網路運算,以建立糖尿病性腎病變期程預測模型。
於步驟S2中,使用已訓練好之深度學習分類模型,係因其權重固定使實驗可重複性高,對於較少的資料量具有更好的適應性;參閱第4圖,第4圖(a)為未提取血管特徵之原始眼底鏡影像,而第4圖(b)為經卷積神經網路的卷基層運算後取出血管特徵的眼底鏡影像,可明顯看出取出血管特徵後,可更明顯針對血管部分作為預測依據。較佳地,所利用已訓練好之深度學習分類模型可為ResNet50。
步驟S3:藉由處理器對一臨床眼底鏡影像進行判讀程序,依據糖尿病性腎病變期程預測模型對該臨床眼底鏡影像進行分類,並通過輸出裝置存取儲存裝置,將已分類之該臨床眼底鏡影像輸出。
步驟S4:確認判讀效能是否合格,如不合格,則對該複數個眼底鏡影像再次進行前處理優化及臨床分類,重新建立糖尿病性腎病變期程預測模型,再確認判讀效能是否合格。
於步驟S4中,確認判讀效能是否合格之方式,係利用五折交叉驗證法來進行驗證,如認定為不合格,則回到步驟S1再次進行前處理優化及臨床分類,重新建立糖尿病性腎病變期程預測模型進行判讀程序,再次確認判讀效能合格與否。所述前處理優化,係利用邊緣強化技術再次強化眼底鏡影像中血管之輪廓,並搭配調整影像亮度、水平翻轉、旋轉等方式,將資料量再次進行增量。
步驟S5:判讀效能合格,完成高精準度糖尿病性腎病變期程預測模型。
在一特定實施例中,所利用已訓練好之深度學習分類模型為ResNet50,在學習速率(learning rate)為0.001,超參數Bata1為0.9、超參數Beta2為0.999的條件下,對已進行前處理及臨床分類之該複數個眼底鏡影像中的80%作為訓練集(其餘20%作為驗證集)進行卷積神經網路運算,在訓練N(N≥100)個epoch(迭代次數)後,建立糖尿病性腎病變期程預測模型;經五折交叉驗證法進行驗證後,其達到85%以上的預測準確度(參閱第5圖)。
請參閱第6圖,第6圖係為本發明實施例之眼底鏡影像預測糖尿病性腎病變期程系統之示意圖。如圖所示,眼底鏡影像預測糖尿病性腎病變期程系統20可包含糖尿病個案照護管理資料庫21、傳輸模組22、儲存裝置23、處理器24以及輸出裝置25。在本實施例中,糖尿病個案照護管理資料庫21可為個人電腦、伺服器等電子裝置,傳輸模組22可為無線網路傳輸模組或一般有線網路傳輸模組,將儲存於糖尿病個案照護管理資料庫21的複數個眼底鏡影像傳送至儲存裝置23當中的記憶體儲存,記憶體可包含唯讀記憶體、快閃記憶體、磁碟或是雲端資料庫等。
接著,眼底鏡影像預測糖尿病性腎病變期程系統20通過處理器24來存取儲存裝置23,處理器24可包含電腦或伺服器當中的中央處理器、圖像處理器、微處理器等,其可包含多核心的處理單元或者是多個處理單元的組合。處理器24存取儲存裝置23並執行複數個指令以施行下列步驟:對該複數個眼底鏡影像進行前處理及臨床分類後儲存於儲存裝置23;利用已訓練好之深度學習分類模型對已進行前處理及臨床分類之該複數個眼底鏡影像進行卷積神經網路運算,以建立糖尿病性腎病變期程預測模型;對一臨床眼底鏡影像進行判讀程序,依據糖尿病性腎病變期程預測模型對該臨床眼底鏡影像進行分類;通過輸出裝置25存取儲存裝置23,將已分類之該臨床眼底鏡影像輸出,輸出裝置25可包含各種顯示介面,例如電腦螢幕、顯示器或手持裝置顯示器等;確認判讀效能是否合格,如不合格,則對該複數個眼底鏡影像再次進行前處理優化及臨床分類,重新建立糖尿病性腎病變期程預測模型,再確認判讀效能是否合格;判讀效能合格,完成高精準度糖尿病性腎病變期程預測模型。
經由上述眼底鏡影像預測糖尿病性腎病變期程之方法及其系統,可大幅降低降低專業技師或醫師的負荷量,減少人工判讀的錯誤而使疾病診斷產生偏差;再者,使用此眼底鏡影像預測糖尿病性腎病變期程之方法及其系統,其分類精準度可達到符合影像分類辨識的高標準,協助醫師進行診斷並分析病患腎病變期程,提前預測糖尿病性腎病變狀況及其病程分期,使患者可提早進行治療,藉此延緩糖尿病性腎病的發展,降低洗腎的機率。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
20:眼底鏡影像預測糖尿病性腎病變期程系統
21:糖尿病個案照護管理資料庫
22:傳輸模組
23:儲存裝置
24:處理器
25:輸出裝置
S1~S5:步驟
為使本發明之技術特徵、內容與優點及其所能達成之功效更為顯而易見,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下:
第1圖係為CKD分期以及ACR分期示意圖;
第2圖係為本發明實施例之眼底鏡影像預測糖尿病性腎病變期程方法之流程圖;
第3圖係為本發明實施例之眼底鏡影像原始影像及經前處理後之差異示意圖;
第4圖係為本發明實施例之經卷積神經網路運算前後血管特徵之示意圖;
第5圖係為本發明實施例之糖尿病性腎病變期程預測模型準確度測試之示意圖;
第6圖係為本發明實施例之眼底鏡影像預測糖尿病性腎病變期程系統之示意圖。
S1~S5:步驟
Claims (8)
- 一種眼底鏡影像預測糖尿病性腎病變期程之方法,其包含下列步驟: 步驟S1:調閱一糖尿病個案照護管理資料庫之複數個眼底鏡影像,並對該複數個眼底鏡影像進行一前處理及一臨床分類後,儲存於一儲存裝置; 步驟S2:藉由一處理器存取該儲存裝置,利用一已訓練好之深度學習分類模型對已進行該前處理及該臨床分類之該複數個眼底鏡影像進行一卷積神經網路運算,以建立一糖尿病性腎病變期程預測模型; 步驟S3:藉由該處理器對一臨床眼底鏡影像進行一判讀程序,依據該糖尿病性腎病變期程預測模型對該臨床眼底鏡影像進行分類,並通過一輸出裝置存取該儲存裝置,將已分類之該臨床眼底鏡影像輸出; 步驟S4:確認判讀效能是否合格,如不合格,則對該複數個眼底鏡影像再次進行該前處理優化及該臨床分類,重新建立該糖尿病性腎病變期程預測模型,再確認判讀效能是否合格;以及 步驟S5:判讀效能合格,完成一高精準度糖尿病性腎病變期程預測模型。
- 如請求項1所述之方法,其中在該步驟S1中,該前處理係將該複數個眼底鏡影像中的病人資訊以及過多的黑底影像部分去除,並利用一邊緣強化技術,將該複數個眼底鏡影像中的血管部份輪廓加強加深以凸顯該血管部分。
- 如請求項2所述之方法,該前處理進一步包含將該複數個眼底鏡影像進行調整影像亮度、水平翻轉或旋轉等方式,以增加其資料量。
- 如請求項1所述之方法,其中在該步驟S1中,該臨床分類係依據患者的eGFR以及ACR數據進行第一次分類,再依據患者眼底鏡影像所對應的CKD分期以及ACR分期進行第二次分類。
- 如請求項1所述之方法,其中在該步驟S2中,該已訓練好之深度學習分類模型為ResNet50。
- 如請求項1所述之方法,其中在該步驟S4中,確認判讀效能是否合格之方式,係利用五折交叉驗證法進行驗證。
- 如請求項1所述之方法,其中在該步驟S4中,該前處理優化係利用一邊緣強化技術,再次將該複數個眼底鏡影像中的血管部份輪廓加強加深以凸顯該血管部分,及/或將該複數個眼底鏡影像進行調整影像亮度、水平翻轉或旋轉等方式,再次增加其資料量。
- 一種眼底鏡影像預測糖尿病性腎病變期程系統,其包含: 一糖尿病個案照護管理資料庫,該糖尿病個案照護管理資料庫包含複數個眼底鏡影像; 一傳輸模組,該傳輸模組連接於該糖尿病個案照護管理資料庫,以傳送該複數個眼底鏡影像; 一儲存裝置,該儲存裝置連接於該傳輸模組,將該複數個眼底鏡影像進行儲存; 一輸出裝置,該輸出裝置連接於該儲存裝置,將該複數個眼底鏡影像輸出;以及 一處理器,該處理器連接於該儲存裝置,存取該儲存裝置並執行複數個指令以施行下列步驟: 對該複數個眼底鏡影像進行一前處理及一臨床分類後儲存於該儲存裝置; 利用已訓練好之分類模型對已進行該前處理及該臨床分類之該複數個眼底鏡影像進行一卷積神經網路運算,以建立一糖尿病性腎病變期程預測模型; 對一臨床眼底鏡影像進行一判讀程序,依據該糖尿病性腎病變期程預測模型對該臨床眼底鏡影像進行分類; 通過該輸出裝置存取該儲存裝置,將已分類之該臨床眼底鏡影像輸出; 確認判讀效能是否合格,如不合格,則對該複數個眼底鏡影像再次進行該前處理優化及該臨床分類,重新建立該糖尿病性腎病變期程預測模型,再確認判讀效能是否合格;判讀效能合格,完成一高精準度糖尿病性腎病變期程預測模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163136852P | 2021-01-13 | 2021-01-13 | |
US63/136,852 | 2021-01-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202242907A true TW202242907A (zh) | 2022-11-01 |
TWI789199B TWI789199B (zh) | 2023-01-01 |
Family
ID=82446924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111100229A TWI789199B (zh) | 2021-01-13 | 2022-01-04 | 眼底鏡影像預測糖尿病性腎病變期程之方法及其系統 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TWI789199B (zh) |
WO (1) | WO2022152165A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350982B (zh) * | 2023-10-23 | 2024-05-14 | 郑州大学 | 一种基于多医学图像的糖尿病肾病分析方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001288372A1 (en) * | 2000-08-23 | 2002-03-04 | Philadelphia Ophthalmologic Imaging Systems, Inc. | System and method for tele-ophthalmology |
WO2017031099A1 (en) * | 2015-08-20 | 2017-02-23 | Ohio University | Devices and methods for classifying diabetic and macular degeneration |
CN108615051B (zh) * | 2018-04-13 | 2020-09-15 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
CN110634563A (zh) * | 2019-06-21 | 2019-12-31 | 中国人民解放军总医院 | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 |
CN111080643A (zh) * | 2019-12-31 | 2020-04-28 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的糖尿病及相关疾病的分类方法及设备 |
CN111341399B (zh) * | 2020-02-12 | 2023-07-07 | 常州市第一人民医院 | 一种面向慢性肾脏病管理的大数据处理方法及设备 |
-
2022
- 2022-01-04 TW TW111100229A patent/TWI789199B/zh active
- 2022-01-12 WO PCT/CN2022/071590 patent/WO2022152165A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022152165A1 (zh) | 2022-07-21 |
TWI789199B (zh) | 2023-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10722180B2 (en) | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders | |
Ting et al. | Deep learning in ophthalmology: the technical and clinical considerations | |
CN111712186B (zh) | 用于辅助心血管疾病的诊断的方法和装置 | |
Keenan et al. | DeepLensNet: deep learning automated diagnosis and quantitative classification of cataract type and severity | |
US20240144478A1 (en) | Method and device for assisting heart disease diagnosis | |
Shanthi et al. | Artificial intelligence applications in different imaging modalities for corneal topography | |
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 | |
TWI789199B (zh) | 眼底鏡影像預測糖尿病性腎病變期程之方法及其系統 | |
Huang et al. | A structure-related fine-grained deep learning system with diversity data for universal glaucoma visual field grading | |
US20230077125A1 (en) | Method for diagnosing age-related macular degeneration and defining location of choroidal neovascularization | |
Xiao et al. | Development and validation of a deep learning system to classify aetiology and predict anatomical outcomes of macular hole | |
Schuman et al. | A case for the use of artificial intelligence in glaucoma assessment | |
Zhang et al. | Artificial intelligence-assisted diagnosis of ocular surface diseases | |
Caicho et al. | Diabetic retinopathy: Detection and classification using alexnet, googlenet and resnet50 convolutional neural networks | |
Mao et al. | An artificial intelligence platform for the diagnosis and surgical planning of strabismus using corneal light-reflection photos | |
Ali et al. | AMDNet23: hybrid CNN-LSTM Deep learning approach with enhanced preprocessing for age-related macular degeneration (AMD) Detection | |
TWI702615B (zh) | 視網膜病變評估模型建立方法及系統 | |
Ye et al. | OIMHS: An Optical Coherence Tomography Image Dataset Based on Macular Hole Manual Segmentation | |
Wang et al. | [Retracted] Application Research of Artificial Intelligence Screening System for Diabetic Retinopathy | |
Sampson et al. | Evaluation of focus and deep learning methods for automated image grading and factors influencing image quality in adaptive optics ophthalmoscopy | |
Phu et al. | Glaucoma suspects: the impact of risk factor-driven review periods on clinical load, diagnoses, and healthcare costs | |
CN113273959B (zh) | 一种便携式糖尿病视网膜病变诊疗仪 | |
Du et al. | Artificial intelligence-aided diagnosis and treatment in the field of optometry | |
Tang et al. | Applications of deep learning for detecting ophthalmic diseases with ultrawide-field fundus images | |
Muchori et al. | Diabetic macular edema detection based on non-mydriatic retinal image |