TWI796684B - 非侵入性血紅素濃度評估方法及其評估系統 - Google Patents
非侵入性血紅素濃度評估方法及其評估系統 Download PDFInfo
- Publication number
- TWI796684B TWI796684B TW110115926A TW110115926A TWI796684B TW I796684 B TWI796684 B TW I796684B TW 110115926 A TW110115926 A TW 110115926A TW 110115926 A TW110115926 A TW 110115926A TW I796684 B TWI796684 B TW I796684B
- Authority
- TW
- Taiwan
- Prior art keywords
- hemoglobin concentration
- image
- image data
- blood
- invasive
- Prior art date
Links
- 102000001554 Hemoglobins Human genes 0.000 title claims abstract description 159
- 108010054147 Hemoglobins Proteins 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001631 haemodialysis Methods 0.000 claims abstract description 48
- 230000000322 hemodialysis Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 27
- 210000004369 blood Anatomy 0.000 claims description 121
- 239000008280 blood Substances 0.000 claims description 121
- 238000010801 machine learning Methods 0.000 claims description 49
- 238000011156 evaluation Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 25
- 102000003951 Erythropoietin Human genes 0.000 claims description 17
- 108090000394 Erythropoietin Proteins 0.000 claims description 17
- 229940105423 erythropoietin Drugs 0.000 claims description 17
- OXCMYAYHXIHQOA-UHFFFAOYSA-N potassium;[2-butyl-5-chloro-3-[[4-[2-(1,2,4-triaza-3-azanidacyclopenta-1,4-dien-5-yl)phenyl]phenyl]methyl]imidazol-4-yl]methanol Chemical compound [K+].CCCCC1=NC(Cl)=C(CO)N1CC1=CC=C(C=2C(=CC=CC=2)C2=N[N-]N=N2)C=C1 OXCMYAYHXIHQOA-UHFFFAOYSA-N 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 206010058116 Nephrogenic anaemia Diseases 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000003702 image correction Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 4
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 description 7
- 238000009534 blood test Methods 0.000 description 5
- 210000003734 kidney Anatomy 0.000 description 3
- 208000007502 anemia Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000502 dialysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 230000010437 erythropoiesis Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010024264 Lethargy Diseases 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- A61B5/14546—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 for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
- A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
- A61B5/6866—Extracorporeal blood circuits, e.g. dialysis circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- 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
- G06T2207/20—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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Hematology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本發明提供一種非侵入性血紅素濃度評估方法及其評估系統，前述之非侵入性血紅素濃度評估方法包含提供一受試者之一受試血液透析管路影像資料、進行一影像前處理步驟、進行一數據預測步驟以及進行一判斷分類步驟，前述之非侵入性血紅素濃度評估系統包含一影像擷取裝置以及一處理器。藉此，可達成不使用侵入性方式即可即時獲知受試者血液中所含之血紅素濃度。
Description
本發明提供一種非侵入性血紅素濃度評估方法及其評估系統，特別是關於一種可即時估測血液透析病患血液中血紅素濃度的非侵入性血紅素濃度評估方法及其評估系統。
慢性腎病已是全球流行之疾病，以台灣來說，台灣患有腎臟相關疾病的病患達150萬人，其中需進行血液透析(俗稱洗腎)之病患已高達9萬多人。長期進行血液透析的病患因其腎臟受損，而容易造成病患體內紅血球生成素產量不足，造成紅血球數量低下而發生貧血現象，產生疲勞、嗜睡、食慾降低、運動能力減少、呼吸急促等症狀，長期來說甚至可能導致心血管疾病與死亡。
醫師會定期對進行血液透析的病患進行抽血檢驗，以得知病患血液中的血紅素濃度，而若血紅素濃度低於10 g/dL時，則醫師可視病患狀況開立紅血球生成素(Erythropoietin, EPO)以讓病患血液中的血紅素濃度回穩，然而並非每次病患到院進行血液透析時，醫師都能即時抽血檢驗病患的血紅素濃度，除導致病患血液中血紅素濃度變化無法被即時偵測外，以醫師抽血檢驗的方式也造成醫療人力資源的負擔，更甚者，病患的病況如嚴重貧血、血紅素在EPO治療下已過高等均無法被即時發現。
有鑑於此，發展一種無須經由抽血等侵入性方式即可即時檢測血液中血紅素濃度的方法及設備實為一重要的發展目標。
本發明一目的在於提供一種非侵入性血紅素濃度評估方法及其評估系統，並將其應用於進行血液透析的病患，以達到以非侵入性方式即時檢測血液中血紅素濃度的效果。
本發明之一實施方式提供一種非侵入性血紅素濃度評估方法，包含提供受試者之受試血液透析管路影像資料、進行影像前處理步驟、進行數據預測步驟及進行判斷分類步驟。所述受試血液透析管路影像資料包含色卡及血液管路影像。影像前處理步驟係以色卡對血液管路影像之顏色進行校正，以得處理後血液管路影像資料。數據預測步驟係利用機器學習模型對處理後血液管路影像資料進行血紅素濃度預測，以得血紅素濃度數值。判斷分類步驟係利用機器學習模型根據血紅素濃度數值輸出血紅素濃度評估結果。其中，若血紅素濃度數值小於或等於閾值，受試者將被判定為須調高紅血球生成素使用劑量之腎性貧血症患者，若血紅素濃度數值大於閾值，受試者將被判定為無須調整或可調低紅血球生成素使用劑量之腎性貧血症患者。
依據前述之非侵入性血紅素濃度評估方法，其中所述色卡可包含六顏色比對區，所述六顏色比對區之顏色分別可為紅色、藍色、綠色、20%灰階、50%灰階及80%灰階。
依據前述之非侵入性血紅素濃度評估方法，其中影像前處理步驟更可包含對色卡及血液管路影像沿其邊緣進一步裁切。
依據前述之非侵入性血紅素濃度評估方法，其中影像前處理步驟更可包含對血液管路影像進行環境背景光源校正處理。
依據前述之非侵入性血紅素濃度評估方法，更可包含提供前次抽血血紅素量測值，其係提供前次抽血血紅素量測值作為參數，以用於數據預測步驟中與處理後血液管路影像資料進行血紅素濃度數值的預測。
依據前述之非侵入性血紅素濃度評估方法，其中所述閾值可為10 g/dL。
依據前述之非侵入性血紅素濃度評估方法，其中影像前處理步驟更可包含對處理後血液管路影像資料以第一裁切範圍進一步裁切。
依據前述之非侵入性血紅素濃度評估方法，其中第一裁切範圍可為處理後血液影像資料之中間3像素寬度的區域。
依據前述之非侵入性血紅素濃度評估方法，更可包含進行建模步驟，其包含提供參照血液透析管路影像資料庫、進行訓練前影像處理步驟及進行訓練步驟。所述參照血液透析管路影像資料庫包含複數個參照血液透析管路影像資料，各參照血液透析管路影像資料包含參照色卡及參照血液管路影像。訓練前影像處理步驟係以各參照色卡對各參照血液管路影像之顏色進行校正，以得複數個處理後參照血液管路影像資料。訓練步驟係以處理後參照血液管路影像資料對機器學習演算模組進行訓練至收斂，以得前述之機器學習模型。
依據前述之非侵入性血紅素濃度評估方法，其中訓練前影像處理步驟更可包含對各參照色卡及各參照血液管路影像沿其邊緣進一步裁切。
依據前述之非侵入性血紅素濃度評估方法，其中訓練前影像處理步驟更可包含對參照血液管路影像進行環境背景光源校正處理。
依據前述之非侵入性血紅素濃度評估方法，其中訓練前影像處理步驟更可包含對處理後參照血液管路影像資料以第二裁切範圍進一步裁切。
依據前述之非侵入性血紅素濃度評估方法，其中第二裁切範圍可為處理後參照血液管路影像資料之中間3像素寬度的區域。
依據前述之非侵入性血紅素濃度評估方法，更可包含提供複數個參照前次抽血血紅素量測值作為參數，以用於訓練步驟中與處理後參照血液管路影像資料對機器學習演算模組進行訓練。
依據前述之非侵入性血紅素濃度評估方法，其中機器學習演算模組可為XGBoost演算模組。
本發明之另一實施方式提供一種非侵入性血紅素濃度評估系統，包含影像擷取裝置及處理器。影像擷取裝置係用以擷取受試者之受試血液透析管路影像資料，受試血液透析管路影像資料中包含色卡及血液管路影像。處理器電性連接影像擷取裝置，其中處理器包含影像校正程式及機器學習模型，且影像校正程式包含影像校正模組，影像校正模組係利用色卡對血液管路影像之顏色進行校正，以得處理後血液管路影像資料。機器學習模型係利用處理後血液管路影像資料進行血紅素濃度預測，以得血紅素濃度數值，並以血紅素濃度數值相對於閾值之大小關係，輸出血紅素濃度評估結果，若血紅素濃度數值小於或等於閾值，受試者將被判定為須調高紅血球生成素使用劑量之腎性貧血症患者，若血紅素濃度數值大於閾值，受試者將被判定為無須調整或可調低紅血球生成素使用劑量之腎性貧血症患者。
依據前述之非侵入性血紅素濃度評估系統，其中影像校正程式更可包含影像裁切模組，其係用以對色卡及血液管路影像沿其邊緣進一步裁切。
依據前述之非侵入性血紅素濃度評估系統，其中影像校正模組更可包含對血液管路影像進行環境背景光源校正處理。
依據前述之非侵入性血紅素濃度評估系統，其中機器學習模型可為由機器學習演算模組經訓練而得。
依據前述之非侵入性血紅素濃度評估系統，其中機器學習演算模組可為XGBoost演算模組。
依據前述之非侵入性血紅素濃度評估系統，其中處理器更可包含資料庫，其包含前次抽血血紅素量測值，機器學習模型可搭配前次抽血血紅素量測值作為參數，與處理後血液管路影像資料一起進行血紅素濃度數值的預測。
依據前述之非侵入性血紅素濃度評估系統，其中所述閾值可為10 g/dL。
依據前述之非侵入性血紅素濃度評估系統，其中影像裁切模組更可包含對處理後血液管路影像資料以第三裁切範圍進一步裁切。
依據前述之非侵入性血紅素濃度評估系統，其中第三裁切範圍可為處理後血液管路影像資料之中間3像素寬度的區域。
藉此，本發明之非侵入性血紅素濃度評估方法及其評估系統可應用於進行血液透析的病患，以達到以非侵入性方式即時檢測血液中血紅素濃度的效果。
以下將參照圖式說明本發明之複數個實施例。為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施例中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之，並且重複之元件將可能使用相同的編號表示之。
請參照第1圖及第2圖，第1圖係繪示本發明一實施方式之一實施例的非侵入性血紅素濃度評估方法100之步驟流程圖，第2圖為本發明之受試血液透析管路影像資料之照片影像。非侵入性血紅素濃度評估方法100包含步驟110、步驟120、步驟130及步驟140。
步驟110為提供受試者之受試血液透析管路影像資料，如第2圖所示，受試血液透析管路影像資料111包含色卡112及血液管路影像113。詳細來說，所述受試血液透析管路影像資料111可利用行動裝置拍照而得，但本發明並不以此為限。拍攝者於拍攝受試血液透析管路影像資料111時，色卡112之擺放位置不需精確。特別說明的是，色卡112上包含六顏色比對區114，六顏色比對區114之顏色分別為紅色、藍色、綠色、20%灰階、50%灰階及80%灰階，但本發明並不以此為限。
步驟120為進行影像前處理步驟，其係以色卡112對血液管路影像113之顏色進行校正，以得處理後血液管路影像資料(圖未繪示)。
詳細來說，於影像前處理步驟可對色卡112及血液管路影像113沿其邊緣進一步裁切，以得裁切後色卡1121及裁切後血液管路影像1131後，再以裁切後色卡1121對裁切後血液管路影像1131進行校正，以提升校正效果，但本發明並不以此為限。
另外，影像前處理步驟更可對血液管路影像113進行環境背景光源校正處理，其係於血液管路影像113之左右兩側且接近血液管路影像113之位置各選兩處進行裁切，以得四裁切後背景影像115，並以裁切後背景影像115對血液管路影像113進行環境背景光源之校正及標準化，以提升校正效果並確保本發明之非侵入性血紅素濃度評估方法100的評估一致性及正確性，但本發明並不以此為限。
步驟130為進行數據預測步驟，其係利用機器學習模型對處理後血液管路影像資料進行血紅素濃度預測，以得血紅素濃度數值。
進一步地，非侵入性血紅素濃度評估方法100更可包含提供前次抽血血紅素量測值(圖未繪示)，其係提供前次抽血血紅素量測值作為參數以用於數據預測步驟中，與處理後血液管路影像資料進行血紅素濃度數值的預測，以提高本發明之非侵入性血紅素濃度評估方法100的評估正確性。
步驟140為進行判斷分類步驟，其係利用機器學習模型根據血紅素濃度數值輸出血紅素濃度評估結果。詳細來說，若血紅素濃度數值小於或等於閾值，受試者將被判定為須調高紅血球生成素使用劑量之腎性貧血症患者，若血紅素濃度數值大於閾值，受試者將被判定為無須調整或可調低紅血球生成素使用劑量之腎性貧血症患者，所述閾值可為10 g/dL，但本發明並不以此為限。
再者，請同時參照第1圖及第3圖，第3圖係繪示本發明一實施方式之另一實施例的非侵入性血紅素濃度評估方法100a之步驟流程圖，非侵入性血紅素濃度評估方法100a包含步驟110a、步驟120a、步驟130a、步驟140a及步驟150，其中步驟110a、步驟120a、步驟130a、步驟140a與第1圖的步驟110、步驟120、步驟130、步驟140相同，在此不另贅述。以下將配合第1圖與第3圖說明本發明之機器學習模型的建構細節。步驟150為進行建模步驟，其包含步驟151、步驟152及步驟153。
步驟151為提供參照血液透析管路影像資料庫，其中參照血液透析管路影像資料庫包含複數個參照血液透析管路影像資料，所述參照血液透析管路影像資料包含參照色卡及參照血液管路影像。詳細來說，所述參照血液透析管路影像資料可利用行動裝置拍照而得，但本發明並不以此為限。拍攝者於拍攝參照血液透析管路影像資料時，參照色卡之擺放位置不需精確。特別說明的是，參照色卡上可繪有六顏色比對區，六顏色比對區之顏色分別為紅色、藍色、綠色、20%灰階、50%灰階及80%灰階，參照色卡之顏色及顏色之配置方式亦可與第2圖中的色卡112相同，但本發明並不以此為限。
步驟152為進行訓練前影像處理步驟，其係以參照色卡對參照血液管路影像之顏色進行校正，以得複數個處理後參照血液影像資料。
詳細來說，於訓練前影像處理步驟可更對參照色卡及參照血液管路影像沿其邊緣進一步裁切，以得裁切後參照色卡及裁切後參照血液管路影像後，再以裁切後參照色卡對裁切後參照血液管路影像進行校正，以提升校正效果，但本發明並不以此為限。
另外，訓練前影像處理步驟可更對參照血液管路影像進行環境背景光源校正處理，其係於參照血液管路影像之左右兩側且接近參照血液管路影像之位置各選兩處進行裁切，以得四裁切後參照背景影像，並以參照背景影像對參照血液管路影像進行環境背景光源之校正及標準化，以提升校正效果並確保本發明之非侵入性血紅素濃度評估方法100a的評估一致性及正確性，但本發明並不以此為限。
步驟153為進行訓練步驟，其係以處理後參照血液管路影像資料對機器學習演算模組進行訓練至收斂，以得前述之機器學習模型。詳細來說，機器學習演算模組可為XGBoost演算模組，但本發明並不以此為限。
詳細來說，非侵入性血紅素濃度評估方法100a更可包含提供複數個參照前次抽血血紅素量測值(圖未繪示)，以用於訓練步驟中與處理後參照血液管路影像資料對機器學習演算模組進行訓練，但本發明並不以此為限。
請參照第4圖，第4圖係繪示本發明一實施方式之再一實施例的非侵入性血紅素濃度評估方法200之步驟流程圖。非侵入性血紅素濃度評估方法200包含步驟210、步驟220、步驟230及步驟240，其中步驟210、步驟230、步驟240與第1圖的步驟110、步驟130、步驟140相同，在此不另贅述。
步驟220為進行影像前處理步驟，其係在與步驟120相同之基礎上，再對處理後血液管路影像資料以第一裁切範圍進一步裁切，與步驟120相同之部分，在此不另贅述。詳細來說，第一裁切範圍可為處理後血液管路影像資料之中間3像素寬度的區域，以進一步減少拍攝受試者之受試血液透析管路影像資料時，環境背景光源對受試者之受試血液透析管路影像資料的影響，並確保本發明之非侵入性血紅素濃度評估方法200的評估一致性及正確性，但本發明並不以此為限。
再者，請同時參照第4圖及第5圖，第5圖係繪示本發明一實施方式之又一實施例的非侵入性血紅素濃度評估方法200a之步驟流程圖。非侵入性血紅素濃度評估方法200a包含步驟210a、步驟220a、步驟230a、步驟240a及步驟250，其中步驟210a、步驟220a、步驟230a、步驟240a與第4圖的步驟210、步驟220、步驟230、步驟240相同，在此不另贅述。以下將配合第4圖與第5圖說明本發明之機器學習模型的建構細節。步驟250為進行建模步驟，其包含步驟251、步驟252及步驟253，其中步驟251、步驟253與第3圖的步驟151、步驟153相同，在此不另贅述。
步驟252為進行訓練前影像處理步驟，其係在與步驟152相同之基礎上，再對處理後參照血液管路影像資料以第二裁切範圍進一步裁切，與步驟152相同之部分，在此不另贅述。詳細來說，第二裁切範圍可為處理後參照管路血液影像資料之中間3像素寬度的區域，以進一步減少拍攝參照血液透析管路影像資料時，環境背景光源對參照血液透析管路影像資料的影響，以確保本發明之非侵入性血紅素濃度評估方法200a的評估一致性及正確性，但本發明並不以此為限。
請參照第6圖及第7圖，第6圖為本發明一實施方式之一實施例及另一實施例的非侵入性血紅素濃度評估方法之準確度表現。第7圖為本發明一實施方式之再一實施例及又一實施例的非侵入性血紅素濃度評估方法之準確度表現。第6圖及第7圖中的X軸代表受試者經機器學習模型預測之血紅素濃度判斷結果，其中X軸上的0代表血紅素濃度預測值小於或等於閾值，X軸上的1代表血紅素濃度預測值大於閾值，Y軸代表受試者經抽血檢驗而得之血紅素濃度判斷結果，其中Y軸上的0代表血紅素濃度實際值小於等於閾值，Y軸上的1代表血紅素濃度實際值大於閾值，前述之閾值均為10g/dL。
詳細來說，當(X,Y)為(0,0)時，代表受試者之血紅素濃度經機器學習模型與經抽血檢測之判定結果一致，判定結果均為須調高紅血球生成素使用劑量之腎性貧血症患者，故歸類為準確預測；當(X,Y)為(1,0)或(0,1)時，代表受試者之血紅素濃度經機器學習模型與經抽血檢測之判定結果不一致，故歸類為非準確預測；當(X,Y)為(1,1)時，代表受試者之血紅素濃度經機器學習模型與經抽血檢測之判定結果一致，判定結果均為無須調整或可調低紅血球生成素使用劑量之腎性貧血症患者，故歸類為準確預測。據此，由第6圖中可計算出於484名受試者中，被準確預測之受試者有378人，故機器學習模型之準確度為78.10%。由第7圖中可計算出於525名受試者中，被準確預測之受試者有468人，故機器學習模型之準確度為89.14%。
雖於第6圖及第7圖中，所設定之閾值均為10 g/dL，然閾值大小之設定可隨實際應用情形及各受試者之需求進行調整，本發明並不以此為限。
藉此，本發明之非侵入性血紅素濃度評估方法透過將血液透析管路影像資料進行影像前處理後再以機器學習演算模組進行訓練至收斂，並以機器學習演算模組經訓練所得之機器學習模型對受試者之受試血液透析管路影像資料分析判斷，如此一來不僅可提供一個依據血液透析管路影像資料進行血紅素濃度評估之快速且準確的非侵入性檢查方法，亦可避免傳統的血紅素濃度評估方法中因需醫療人力進行抽血導致的醫療資源負擔。
請參照第8圖，其係繪示本發明另一實施方式之非侵入性血紅素濃度評估系統300的架構示意圖。非侵入性血紅素濃度評估系統300包含影像擷取裝置310及處理器320。影像擷取裝置310係用以擷取受試者之受試血液透析管路影像資料，受試血液透析管路影像資料中包含色卡及血液管路影像。處理器320電性連接影像擷取裝置310，且處理器320包含影像校正程式321及機器學習模型324。影像校正程式321包含影像校正模組323，影像校正模組323係利用色卡對血液管路影像之顏色進行校正，以得處理後血液管路影像資料。詳細來說，影像校正模組323更可對血液管路影像進行環境背景光源校正處理，但本發明並不以此為限。機器學習模型324係利用處理後血液管路影像資料進行血紅素濃度預測，以得血紅素濃度數值，並以血紅素濃度數值相對於閾值之大小關係，輸出血紅素濃度評估結果，若血紅素濃度數值小於或等於閾值，受試者將被判定為須調高紅血球生成素使用劑量之腎性貧血症患者，若血紅素濃度數值大於閾值，受試者將被判定為無須調整或可調低紅血球生成素使用劑量之腎性貧血症患者。所述閾值可為10 g/dL，但本發明並不以此為限。
詳細來說，所述影像擷取裝置可為安裝有非侵入性血紅素濃度評估系統300之應用程式之行動裝置，但本發明並不以此為限。
詳細來說，影像校正程式321更可包含影像裁切模組322，其係用以對色卡及血液管路影像沿其邊緣進一步裁切，以得裁切後色卡及裁切後血液管路影像後，再以裁切後色卡對裁切後血液管路影像進行校正，以提升校正效果，但本發明並不以此為限。
特別來說，影像裁切模組322更可對處理後血液管路影像資料以第三裁切範圍進一步裁切。詳細來說，第三裁切範圍可為處理後血液影像資料之中間3像素寬度的區域，但本發明並不以此為限。
詳細來說，機器學習模型324為由機器學習演算模組經訓練而得，所使用之機器學習演算模組可為XGBoost演算模組，但本發明並不以此為限。
特別來說，處理器320更可包含資料庫325，其包含一前次抽血血紅素量測值，機器學習模型324可搭配前次抽血血紅素量測值作為參數，與處理後血液管路影像資料一起進行血紅素濃度數值的預測，以獲得準確度更高的預測結果，但本發明並不以此為限。
藉此，本發明之非侵入性血紅素濃度評估系統可藉拍攝血液透析過程中的受試血液透析管路影像資料，經處理器裁剪、校正、預測及判斷後，即時輸出預測結果，以供患者及醫師參考，並可依此為依據即時做出是否提供紅血球生成素等後續判斷，減少醫療資源及時間的浪費，更使患者的健康狀況得到保障。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100,100a,200,200a:非侵入性血紅素濃度評估方法
110,110a,210,210a:提供受試者之受試血液透析管路影像資料
111:受試血液透析管路影像資料
112:色卡
1121:裁切後色卡
113:血液管路影像
1131:裁切後血液管路影像
114:六顏色比對區
115:裁切後背景影像
120,120a,130,130a,140,140a,150,151,152,153,220,220a,230,230a,240,240a,250,251,252,253:步驟
300:非侵入性血紅素濃度評估系統
310:影像擷取裝置
320:處理器
321:影像校正程式
322:影像裁切模組
323:影像校正模組
324:機器學習模型
325:資料庫
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：
第1圖係繪示本發明一實施方式之一實施例的非侵入性血紅素濃度評估方法之步驟流程圖；
第2圖為本發明之受試血液透析管路影像資料之照片影像；
第3圖係繪示本發明一實施方式之另一實施例的非侵入性血紅素濃度評估方法之步驟流程圖；
第4圖係繪示本發明一實施方式之再一實施例的非侵入性血紅素濃度評估方法之步驟流程圖；
第5圖係繪示本發明一實施方式之又一實施例的非侵入性血紅素濃度評估方法之步驟流程圖；
第6圖為本發明一實施方式之一實施例及另一實施例的非侵入性血紅素濃度評估方法之準確度表現結果；
第7圖為本發明一實施方式之再一實施例及又一實施例的非侵入性血紅素濃度評估方法之準確度表現結果；以及
第8圖係繪示本發明另一實施方式之一實施例的非侵入性血紅素濃度評估系統之架構示意圖。
100:非侵入性血紅素濃度評估方法
110,120,130,140:步驟
Claims (15)
- 一種非侵入性血紅素濃度評估方法，包含：提供一受試者之一受試血液透析管路影像資料，該受試血液透析管路影像資料中包含一色卡及一血液管路影像；進行一影像前處理步驟，其係對該色卡及該血液管路影像沿其邊緣進一步裁切，以該色卡對該血液管路影像之顏色進行校正，以得一處理後血液管路影像資料，並對該處理後血液管路影像資料以一第一裁切範圍進一步裁切，其中該第一裁切範圍為該處理後血液管路影像資料之中間3像素寬度的一區域；進行一數據預測步驟，其係利用一機器學習模型對該處理後血液管路影像資料進行血紅素濃度預測，以得一血紅素濃度數值，其中該機器學習模型由一機器學習演算模組經訓練而得，且該機器學習演算模組為一XGBoost演算模組；以及進行一判斷分類步驟，其係利用該機器學習模型根據該血紅素濃度數值輸出一血紅素濃度評估結果；其中，若該血紅素濃度數值小於或等於一閾值，該受試者將被判定為一須調高紅血球生成素使用劑量之腎性貧血症患者，若該血紅素濃度數值大於該閾值，該受試者將被判定為一無須調整或可調低紅血球生成素使用劑量之腎性貧血症患者。
- 如請求項1所述之非侵入性血紅素濃度評估 方法，其中該色卡包含六顏色比對區，該六顏色比對區之顏色分別為紅色、藍色、綠色、20%灰階、50%灰階及80%灰階。
- 如請求項1所述之非侵入性血紅素濃度評估方法，其中該影像前處理步驟更包含對該血液管路影像進行一環境背景光源校正處理。
- 如請求項1所述之非侵入性血紅素濃度評估方法，更包含：提供一前次抽血血紅素量測值，其係提供該前次抽血血紅素量測值作為參數，以用於該數據預測步驟中與該處理後血液管路影像資料進行該血紅素濃度數值的預測。
- 如請求項1所述之非侵入性血紅素濃度評估方法，其中該閾值為10g/dL。
- 如請求項1所述之非侵入性血紅素濃度評估方法，更包含：進行一建模步驟，包含下述步驟：提供一參照血液透析管路影像資料庫，其中該參照血液透析管路影像資料庫包含複數個參照血液透析管路影像資料，各該參照血液透析管路影像資料包含一參照色卡及一參照血液管路影像； 進行一訓練前影像處理步驟，其係以各該參照色卡對各該參照血液管路影像之顏色進行校正，以得複數個處理後參照血液管路影像資料；以及進行一訓練步驟，其係以該些處理後參照血液管路影像資料對該機器學習演算模組進行訓練至收斂，以得該機器學習模型。
- 如請求項6所述之非侵入性血紅素濃度評估方法，其中該訓練前影像處理步驟更包含對各該參照色卡及各該參照血液管路影像沿其邊緣進一步裁切。
- 如請求項6所述之非侵入性血紅素濃度評估方法，其中該訓練前影像處理步驟更包含對該些參照血液管路影像進行該環境背景光源校正處理。
- 如請求項6所述之非侵入性血紅素濃度評估方法，其中該訓練前影像處理步驟更包含對該些處理後參照血液管路影像資料以一第二裁切範圍進一步裁切。
- 如請求項9所述之非侵入性血紅素濃度評估方法，其中該第二裁切範圍為該些處理後參照血液管路影像資料之中間3像素寬度的一區域。
- 如請求項1所述之非侵入性血紅素濃度評估 方法，更包含：提供複數個參照前次抽血血紅素量測值作為參數，以用於該訓練步驟中與該些處理後參照血液管路影像資料對該機器學習演算模組進行訓練。
- 一種非侵入性血紅素濃度評估系統，包含：一影像擷取裝置，用以擷取一受試者之一受試血液透析管路影像資料，該受試血液透析管路影像資料中包含一色卡及一血液管路影像；以及一處理器，電性連接該影像擷取裝置，其中該處理器包含：一影像校正程式，包含：一影像校正模組，其係利用該色卡對該血液管路影像之顏色進行校正，以得一處理後血液管路影像資料；及一影像裁切模組，其係用以對該色卡及該血液管路影像沿其邊緣進一步裁切，並對該處理後血液管路影像資料以一第三裁切範圍進一步裁切，其中該第三裁切範圍為該處理後血液管路影像資料之中間3像素寬度的一區域；以及一機器學習模型，其係由一機器學習演算模組經訓練而得，且該機器學習演算模組為XGBoost演算模組；其中，該機器學習模型係利用該處理後血液管路影像資料進行血紅素濃度預測，以得一血紅素濃度數值，並 以該血紅素濃度數值相對於一閾值之大小關係，輸出一血紅素濃度評估結果，若該血紅素濃度數值小於或等於該閾值，該受試者將被判定為一須調高紅血球生成素使用劑量之腎性貧血症患者，若該血紅素濃度數值大於該閾值，該受試者將被判定為一無須調整或可調低紅血球生成素使用劑量之腎性貧血症患者。
- 如請求項12所述之非侵入性血紅素濃度評估系統，其中該影像校正模組更包含對該血液管路影像進行一環境背景光源校正處理。
- 如請求項12所述之非侵入性血紅素濃度評估系統，其中該處理器更包含一資料庫，其包含一前次抽血血紅素量測值，該機器學習模型搭配該前次抽血血紅素量測值作為參數，與該處理後血液管路影像資料一起進行該血紅素濃度數值的預測。
- 如請求項12所述之非侵入性血紅素濃度評估系統，其中該閾值為10g/dL。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110115926A TWI796684B (zh) | 2021-05-03 | 2021-05-03 | 非侵入性血紅素濃度評估方法及其評估系統 |
| US17/734,608 US20220351382A1 (en) | 2021-05-03 | 2022-05-02 | Non-Invasive Method Of Evaluating Blood Cell Measurement And Non-Invasive Blood Cell Measurement Evaluating System |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110115926A TWI796684B (zh) | 2021-05-03 | 2021-05-03 | 非侵入性血紅素濃度評估方法及其評估系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202244495A TW202244495A (zh) | 2022-11-16 |
| TWI796684B true TWI796684B (zh) | 2023-03-21 |
Family
ID=83808509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110115926A TWI796684B (zh) | 2021-05-03 | 2021-05-03 | 非侵入性血紅素濃度評估方法及其評估系統 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220351382A1 (zh) |
| TW (1) | TWI796684B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253584B (zh) * | 2023-02-14 | 2024-07-19 | 南雄市民望医疗有限公司 | 一种基于血液透析成分检测的透析时间预测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201731460A (zh) * | 2016-03-03 | 2017-09-16 | 屏基醫療財團法人屏東基督教醫院 | 血色素與血球比容之檢測系統及方法 |
| CN109738621A (zh) * | 2012-05-14 | 2019-05-10 | 高斯外科公司 | 用于估计液体罐中的血液成分的量的系统和方法 |
| TW202115678A (zh) * | 2019-07-10 | 2021-04-16 | 仁寶電腦工業股份有限公司 | 偵測臨床表徵的方法以及影像系統 |
| CN112700859A (zh) * | 2020-12-15 | 2021-04-23 | 贵州小宝健康科技有限公司 | 一种基于医学影像的医疗诊断辅助方法及系统 |
-
2021
- 2021-05-03 TW TW110115926A patent/TWI796684B/zh active
-
2022
- 2022-05-02 US US17/734,608 patent/US20220351382A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109738621A (zh) * | 2012-05-14 | 2019-05-10 | 高斯外科公司 | 用于估计液体罐中的血液成分的量的系统和方法 |
| TW201731460A (zh) * | 2016-03-03 | 2017-09-16 | 屏基醫療財團法人屏東基督教醫院 | 血色素與血球比容之檢測系統及方法 |
| TW202115678A (zh) * | 2019-07-10 | 2021-04-16 | 仁寶電腦工業股份有限公司 | 偵測臨床表徵的方法以及影像系統 |
| CN112700859A (zh) * | 2020-12-15 | 2021-04-23 | 贵州小宝健康科技有限公司 | 一种基于医学影像的医疗诊断辅助方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220351382A1 (en) | 2022-11-03 |
| TW202244495A (zh) | 2022-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111259982A (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
| CN110197493A (zh) | 眼底图像血管分割方法 | |
| TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
| CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
| Davis et al. | Vision-based, real-time retinal image quality assessment | |
| CN113053517B (zh) | 一种基于动态区域量化指标的面瘫级别评估方法 | |
| US20230077125A1 (en) | Method for diagnosing age-related macular degeneration and defining location of choroidal neovascularization | |
| TWI796684B (zh) | 非侵入性血紅素濃度評估方法及其評估系統 | |
| CN117152507B (zh) | 一种牙齿健康状态检测方法、装置、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 | |
| Kesarwani et al. | Non-invasive anaemia detection by examining palm pallor: A smartphone-based approach | |
| Das et al. | Non-invasive haemoglobin estimation by observing nail color: A pca based approach | |
| TWI663960B (zh) | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 | |
| CN117503056A (zh) | 基于双模态特征学习的多尺度呼吸事件自动定位方法及装置 | |
| US20240008765A1 (en) | Establishing method of sleep apnea assessment program, sleep apnea assessment system, and sleep apnea assessment method | |
| JP2015009140A (ja) | 黄疸測定プログラム、及び、それを用いる黄疸測定システム | |
| TWI746249B (zh) | 心胸比估算方法及心胸比估算系統 | |
| KR102384083B1 (ko) | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 | |
| Wang et al. | Quantitative analysis of functional filtering bleb size using Mask R-CNN | |
| TW202131349A (zh) | 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置 | |
| TWI809488B (zh) | 肝細胞癌微血管浸潤評估方法及其評估系統 | |
| WO2024139588A1 (zh) | 收集与量化舌像特征的方法与装置 | |
| Kapoor et al. | A Hybrid Approach for Segmentation of Retinal Blood Vessel Images | |
| CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 |