TWI817121B - 分類老年性黃斑部退化的程度的分類方法和分類裝置 - Google Patents

分類老年性黃斑部退化的程度的分類方法和分類裝置 Download PDF

Info

Publication number
TWI817121B
TWI817121B TW110117544A TW110117544A TWI817121B TW I817121 B TWI817121 B TW I817121B TW 110117544 A TW110117544 A TW 110117544A TW 110117544 A TW110117544 A TW 110117544A TW I817121 B TWI817121 B TW I817121B
Authority
TW
Taiwan
Prior art keywords
classification
fundus
model
preset range
classification model
Prior art date
Application number
TW110117544A
Other languages
English (en)
Other versions
TW202244842A (zh
Inventor
鄭孟哲
鄞銘佐
謝易庭
Original Assignee
宏碁智醫股份有限公司
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 宏碁智醫股份有限公司 filed Critical 宏碁智醫股份有限公司
Priority to TW110117544A priority Critical patent/TWI817121B/zh
Priority to US17/462,020 priority patent/US20220366559A1/en
Priority to EP21198357.2A priority patent/EP4088649A1/en
Priority to CN202111114182.1A priority patent/CN115345816A/zh
Publication of TW202244842A publication Critical patent/TW202244842A/zh
Application granted granted Critical
Publication of TWI817121B publication Critical patent/TWI817121B/zh

Links

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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • 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
    • G06V40/193—Preprocessing; Feature extraction
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Ophthalmology & Optometry (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)

Abstract

提出一種分類老年性黃斑部退化的程度的分類方法和分類裝置。分類方法包含：預存物件偵測模型以及第一分類模型；取得眼底圖；根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框；計算眼底圖中的預設範圍與定界框的並交比；以及響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。

Description

分類老年性黃斑部退化的程度的分類方法和分類裝置
本發明是有關於一種分類老年性黃斑部退化的程度的分類方法和分類裝置。
在以人工智慧（artificial intelligence，AI）模型判斷老年性黃斑部退化（age-related macular degeneration，AMD）之程度時，人工智慧模型的輸入資料大多是原始的眼底圖（fundus image）或經過前處理的眼底圖。然而，醫生在判斷AMD的嚴重程度時，並不會依據眼底圖中的整個眼球範圍，而是會依據眼底圖中的黃斑部（macula）來進行診斷。換句話說，人工智慧模型與醫生的判斷標準並不相同。因此，人工智慧模型的判斷結果可能失準。
本發明提供一種分類老年性黃斑部退化的程度的分類方法和分類裝置，可根據眼底圖中的合理範圍來為AMD的程度進行分類。
本發明的一種分類老年性黃斑部退化的程度的分類裝置，包含處理器、儲存媒體以及收發器。儲存媒體儲存物件偵測模型以及第一分類模型。處理器耦接儲存媒體以及收發器，其中處理器經配置以執行：通過收發器取得眼底圖；根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框；計算眼底圖中的預設範圍與定界框的並交比；以及響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。
在本發明的一實施例中，上述的儲存媒體更儲存第二分類模型，其中處理器更經配置以執行：響應於並交比小於或等於閾值而根據第二分類模型產生眼底圖的分類。
在本發明的一實施例中，上述的處理器將定界框中的圖像輸入至第一分類模型以產生分類。
在本發明的一實施例中，上述的處理器將眼底圖輸入至第二分類模型以產生分類。
在本發明的一實施例中，上述的預設範圍的中心點位於眼底圖的幾何中心。
在本發明的一實施例中，上述的眼底圖與預設範圍為矩形，預設範圍的第一邊與眼底圖的第一邊界相距第一距離，並且預設範圍的第二邊與眼底圖的第二邊界相距第一距離，其中第二邊為第一邊的對邊，其中第二邊界為第一邊界的對邊。
在本發明的一實施例中，上述的預設範圍為矩形，其中處理器更經配置以執行：取得眼底圖中的眼球範圍；以及根據眼球範圍的直徑產生矩形的長邊長度和短邊長度。
在本發明的一實施例中，上述的分類指示眼底圖對應於下列的其中之一：老年性黃斑部退化的第一期、第二期、第三期以及第四期。
在本發明的一實施例中，上述的第一分類模型與第二分類模型具有相同的卷積神經網路架構。
本發明的一種分類老年性黃斑部退化的程度的分類方法，包含：預存物件偵測模型以及第一分類模型；取得眼底圖；根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框；計算眼底圖中的預設範圍與定界框的並交比；以及響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。
基於上述，本發明的分類裝置可在眼底圖中的黃斑部位置是合理時根據與醫生相同的判斷標準來分類AMD的程度。若眼底圖中的黃斑部位置並不合理，分類裝置可依據整張眼底圖來分類AMD的程度。
為了使本發明之內容可以被更容易明瞭，以下特舉實施例作為本發明確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。
圖1根據本發明的一實施例繪示一種分類AMD的程度的分類裝置100的示意圖。分類裝置100可包含處理器110、儲存媒體120以及收發器130。分類裝置100可用以判斷眼底圖所對應的AMD的程度。分類裝置100可將輸入至分類裝置100中的眼底圖分類為AMD的第一期、第二期、第三期或第四期。
處理器110例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微控制單元（micro control unit，MCU）、微處理器（microprocessor）、數位信號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuit，ASIC）、圖形處理器（graphics processing unit，GPU）、影像訊號處理器（image signal processor，ISP）、影像處理單元（image processing unit，IPU）、算數邏輯單元（arithmetic logic unit，ALU）、複雜可程式邏輯裝置（complex programmable logic device，CPLD）、現場可程式化邏輯閘陣列（field programmable gate array，FPGA）或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130，並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟（hard disk drive，HDD）、固態硬碟（solid state drive，SSD）或類似元件或上述元件的組合，而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中，儲存媒體120可儲存包含第一分類模型121、第二分類模型122以及物件偵測模型123等多個模型。
物件偵測模型123可用以偵測眼底圖中的黃斑部，並在眼底圖上產生對應於黃斑部的定界框（bounding box）。第一分類模型121可用以根據定界框中的圖像來為眼底圖進行分類。換句話說，第一分類模型121是依據眼底圖中的一部份來為眼底圖進行分類。第二分類模型122可用以根據整張眼底圖來為眼底圖進行分類。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
處理器110可通過收發器130取得眼底圖。圖2根據本發明的一實施例繪示眼底圖200的示意圖。眼底圖200可包含眼球範圍210以及黃斑部220。在一實施例中，處理器110可根據霍夫轉換（Hough transform）從眼底圖200中擷取出眼球範圍210。在取得眼底圖200後，處理器110可將眼底圖200輸入至物件偵測模型123中。物件偵測模型123例如是一種機器學習模型。物件偵測模型123可偵測眼底圖200中的黃斑部以在眼底圖200上產生定界框，如圖3所示。圖3根據本發明的一實施例繪示預設範圍300以及定界框400的示意圖。
在產生定界框400後，處理器110可計算眼底圖200中的預設範圍300以及定界框400的並交比（intersection over union，IOU）。若預設範圍300以及定界框400的並交比大於閾值，則處理器110可根據第一分類模型121產生眼底圖200的分類。具體來說，處理器110可將定界框400中的圖像（即：黃斑部220的圖像）輸入至第一分類模型121。第一分類模型121可根據定界框400中的圖像產生眼底圖200的分類。處理器110可通過收發器130輸出眼底圖200的分類以供使用者參考。使用者可根據收發器130輸出的分類判斷眼底圖200是對應於AMD的第一期、第二期、第三期或第四期。
若預設範圍300以及定界框400的並交比小於或等於閾值，則處理器110可根據第二分類模型122產生眼底圖200的分類。具體來說，處理器110可將眼底圖200（即：整個眼球的圖像）輸入至第二分類模型122。第二分類模型122可根據眼底圖200產生眼底圖200的分類。處理器110可通過收發器130輸出眼底圖200的分類以供使用者參考。使用者可根據收發器130輸出的分類判斷眼底圖200是對應於AMD的第一期、第二期、第三期或第四期。
第一分類模型121或第二分類模型122例如是一種機器學習模型。在一實施例中，第一分類模型121以及第二分類模型122可具有相同的卷積神經網路架構。然而，由於第一分類模型121以及第二分類模型122是分別根據不同的訓練資料集合或超參數訓練出來的，故第一分類模型121中的卷積神經網路以及第二分類模型122中的卷積神經網路可具有不同的權重。
眼底圖200與預設範圍300可為矩形。處理器110可根據眼底圖200的幾何中心決定預設範圍300的位置。預設範圍300的中心點310可位於眼底圖200的幾何中心。眼底圖200可具有第一邊界21、第二邊界22、第三邊界23以及第四邊界24，其中第一邊界21以及第二邊界22可為矩形的短邊，並且第三邊界23以及第四邊界24可為矩形的長邊。第二邊界22可為第一邊界21的對邊，並且第四邊界24可為第三邊界23的對邊。另一方面，預設範圍300可具有第一邊31、第二邊32、第三邊33以及第四邊34，其中第一邊31以及第二邊32可為矩形的短邊，並且第三邊33以及第四邊34可為矩形的長邊。第二邊32可為第一邊31的對邊，並且第四邊34可為第三邊33的對邊。
在一實施例中，處理器110可根據眼底圖200的邊界決定預設範圍300。具體來說，假設預設範圍300為矩形，儲存媒體120可預存第一距離D1以及第二距離D2。處理器110可決定預設範圍300的第一邊31與眼底圖200的第一邊界21相距第一距離D1，並且預設範圍300的第二邊32與眼底圖200的第二邊界22相距第一距離D1。另一方面，處理器110可決定預設範圍300的第三邊33與眼底圖200的第三邊界23相距第二距離D2，並且預設範圍300的第四邊34與眼底圖200的第四邊界24相距第二距離D2。
在一實施例中，處理器110可根據眼球範圍210的直徑決定預設範圍300。假設預設範圍300為矩形，處理器110可根據眼球範圍210的直徑計算所述矩形（即：預設範圍300）的長邊長度以及短邊長度。舉例來說，處理器110可將眼球範圍210的直徑乘上0.9以計算預設範圍300的長邊長度（即：第三邊33或第四邊34的長度）。處理器110可將眼球範圍210的直徑乘上0.8以計算預設範圍300的短邊長度（即：第一邊31或第二邊32的長度）。
圖4根據本發明的一實施例繪示一種分類AMD的程度的分類方法的流程圖，其中所述分類方法可由如圖1所示的分類裝置100實施。在步驟S401中，預存物件偵測模型以及第一分類模型。在步驟S402中，取得眼底圖。在步驟S403中，根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框。在步驟S404中，計算眼底圖中的預設範圍與定界框的並交比。在步驟S405中，響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。
綜上所述，本發明的分類裝置可儲存第一分類模型以及第二分類模型。第一分類模型可根據眼底圖中的定界框來判斷AMD的程度，並且第二分類模型可根據整張眼底圖來判斷AMD的程度。若物件偵測模型判斷眼底圖中的黃斑部出現在預設範圍中，代表所述眼底圖中的黃斑部位置是合理的。據此，分類裝置可根據第一分類模型來為眼底圖進行分類。若物件偵測模型判斷眼底圖中的黃斑部並未出現在預設範圍中，代表所述眼底圖中的黃斑部位置是不合理的。據此，分類裝置可根據第二分類模型來為眼底圖進行分類。換句話說，若眼底圖中的黃斑部位置是合理的，則分類裝置可根據與醫生相同的判斷標準來分類AMD的程度。
100:分類裝置 110:處理器 120:儲存媒體 121:第一分類模型 122:第二分類模型 123:物件偵測模型 130:收發器 200:眼底圖 21:第一邊界 210:眼球範圍 22:第二邊界 220:黃斑部 23:第三邊界 24:第四邊界 300:預設範圍 31:第一邊 310:中心點 32:第二邊 33:第三邊 34:第四邊 400:定界框 D1:第一距離 D2:第二距離 S401、S402、S403、S404、S405:步驟
圖1根據本發明的一實施例繪示一種分類AMD的程度的分類裝置的示意圖。 圖2根據本發明的一實施例繪示眼底圖的示意圖。 圖3根據本發明的一實施例繪示預設範圍以及定界框的示意圖。 圖4根據本發明的一實施例繪示一種分類AMD的程度的分類方法的流程圖。
S401、S402、S403、S404、S405:步驟

Claims (8)

  1. 一種分類老年性黃斑部退化的程度的分類裝置，包括：收發器；儲存媒體，儲存物件偵測模型、第一分類模型以及第二分類模型；以及處理器，耦接所述儲存媒體以及所述收發器，其中所述處理器經配置以執行：通過所述收發器取得眼底圖；根據所述物件偵測模型偵測所述眼底圖中的黃斑部以在所述眼底圖中產生定界框；計算所述眼底圖中的預設範圍與所述定界框的並交比，其中所述預設範圍的中心點位於所述眼底圖的幾何中心；響應於所述並交比大於閾值而根據所述第一分類模型產生所述眼底圖的分類；以及響應於所述並交比小於或等於所述閾值而根據所述第二分類模型產生所述眼底圖的所述分類。
  2. 如請求項1所述的分類裝置，其中所述處理器將所述定界框中的圖像輸入至所述第一分類模型以產生所述分類。
  3. 如請求項1所述的分類裝置，其中所述處理器將所述眼底圖輸入至所述第二分類模型以產生所述分類。
  4. 如請求項1所述的分類裝置，其中所述眼底圖與所述預設範圍為矩形，所述預設範圍的第一邊與所述眼底圖的第一邊界相距第一距離，並且所述預設範圍的第二邊與所述眼底圖的第二邊界相距所述第一距離，其中所述第二邊為所述第一邊的對邊，其中所述第二邊界為所述第一邊界的對邊。
  5. 如請求項1所述的分類裝置，其中所述預設範圍為矩形，其中所述處理器更經配置以執行：取得所述眼底圖中的眼球範圍；以及根據所述眼球範圍的直徑產生所述矩形的長邊長度和短邊長度。
  6. 如請求項1所述的分類裝置，其中所述分類指示所述眼底圖對應於下列的其中之一：所述老年性黃斑部退化的第一期、第二期、第三期以及第四期。
  7. 如請求項1所述的分類裝置，其中所述第一分類模型與所述第二分類模型具有相同的卷積神經網路架構。
  8. 一種分類老年性黃斑部退化的程度的分類方法，包括：預存物件偵測模型、第一分類模型以及第二分類模型；取得眼底圖；根據所述物件偵測模型偵測所述眼底圖中的黃斑部以在所述眼底圖中產生定界框；計算所述眼底圖中的預設範圍與所述定界框的並交比，其中 所述預設範圍的中心點位於所述眼底圖的幾何中心；響應於所述並交比大於閾值而根據所述第一分類模型產生所述眼底圖的分類；以及響應於所述並交比小於或等於所述閾值而根據所述第二分類模型產生所述眼底圖的所述分類。
TW110117544A 2021-05-14 2021-05-14 分類老年性黃斑部退化的程度的分類方法和分類裝置 TWI817121B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
TW110117544A TWI817121B (zh) 2021-05-14 2021-05-14 分類老年性黃斑部退化的程度的分類方法和分類裝置
US17/462,020 US20220366559A1 (en) 2021-05-14 2021-08-31 Classification method and classification device for classifying level of amd
EP21198357.2A EP4088649A1 (en) 2021-05-14 2021-09-22 Classification method and classification device for classifying level of amd
CN202111114182.1A CN115345816A (zh) 2021-05-14 2021-09-23 分类老年性黄斑部退化的程度的分类方法和分类装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110117544A TWI817121B (zh) 2021-05-14 2021-05-14 分類老年性黃斑部退化的程度的分類方法和分類裝置

Publications (2)

Publication Number Publication Date
TW202244842A TW202244842A (zh) 2022-11-16
TWI817121B true TWI817121B (zh) 2023-10-01

Family

ID=77910611

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110117544A TWI817121B (zh) 2021-05-14 2021-05-14 分類老年性黃斑部退化的程度的分類方法和分類裝置

Country Status (4)

Country Link
US (1) US20220366559A1 (zh)
EP (1) EP4088649A1 (zh)
CN (1) CN115345816A (zh)
TW (1) TWI817121B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377474A (zh) * 2018-09-17 2019-02-22 苏州大学 一种基于改进Faster R-CNN的黄斑定位方法
TW202038137A (zh) * 2018-12-12 2020-10-16 美商太斯萊特健康股份有限公司 用於生物識別及健康狀態測定之光學設備及相關裝置
CN112508864A (zh) * 2020-11-20 2021-03-16 昆明理工大学 基于改进UNet++的视网膜血管图像分割方法
CN112598028A (zh) * 2020-12-10 2021-04-02 上海鹰瞳医疗科技有限公司 眼底图像配准模型训练方法、眼底图像配准方法和装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014074178A1 (en) * 2012-11-08 2014-05-15 The Johns Hopkins University System and method for detecting and classifying severity of retinal disease
US20140126787A1 (en) * 2012-11-08 2014-05-08 Lasarow Healthcare Technologies Limited Device and method for generating melanoma risk assessments
WO2017031099A1 (en) * 2015-08-20 2017-02-23 Ohio University Devices and methods for classifying diabetic and macular degeneration
JP6594170B2 (ja) * 2015-11-12 2019-10-23 キヤノン株式会社 画像処理装置、画像処理方法、画像投影システムおよびプログラム
AU2019441740A1 (en) * 2019-04-18 2021-12-16 Tracery Ophthalmics Inc. Detection, prediction, and classification for ocular disease
KR20220051369A (ko) * 2019-08-30 2022-04-26 캐논 가부시끼가이샤 정보 처리 장치, 정보 처리 방법, 정보 처리 시스템 및 프로그램
EP4115385A1 (en) * 2020-03-03 2023-01-11 Mona.Health A system and method for classifying images of retina of eyes of subjects
US20210390692A1 (en) * 2020-06-16 2021-12-16 Welch Allyn, Inc. Detecting and tracking macular degeneration
US11610306B2 (en) * 2020-12-16 2023-03-21 Industrial Technology Research Institute Medical image analysis method and device

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377474A (zh) * 2018-09-17 2019-02-22 苏州大学 一种基于改进Faster R-CNN的黄斑定位方法
TW202038137A (zh) * 2018-12-12 2020-10-16 美商太斯萊特健康股份有限公司 用於生物識別及健康狀態測定之光學設備及相關裝置
CN112508864A (zh) * 2020-11-20 2021-03-16 昆明理工大学 基于改进UNet++的视网膜血管图像分割方法
CN112598028A (zh) * 2020-12-10 2021-04-02 上海鹰瞳医疗科技有限公司 眼底图像配准模型训练方法、眼底图像配准方法和装置

Also Published As

Publication number Publication date
CN115345816A (zh) 2022-11-15
EP4088649A1 (en) 2022-11-16
TW202244842A (zh) 2022-11-16
US20220366559A1 (en) 2022-11-17

Similar Documents

Publication Publication Date Title
US10650518B2 (en) Computer aided diagnosis (CAD) apparatus and method
US11049014B2 (en) Learning apparatus, detecting apparatus, learning method, and detecting method
WO2019233166A1 (zh) 一种表面缺陷检测方法、装置及电子设备
WO2019200535A1 (zh) 基于人工智能的眼科疾病诊断建模方法、装置及系统
KR102114357B1 (ko) 풀링 타입에 대한 정보를 포함하는 테이블을 작성하기 위한 방법, 장치 및 이를 이용한 테스팅 방법, 테스팅 장치
WO2019206209A1 (zh) 基于机器学习的眼底图像检测方法、装置及系统
US11461599B2 (en) Classification of images based on convolution neural networks
KR101828011B1 (ko) 이미지에 포함된 객체의 상태를 분류하는 방법 및 분류 장치
EP3680854B1 (en) Learning program, learning apparatus, and learning method
US20200178930A1 (en) Method and system for evaluating cardiac status, electronic device and ultrasonic scanning device
US20160157832A1 (en) Apparatus and method for computer aided diagnosis (cad), and apparatus for controlling ultrasonic transmission pattern of probe
Sousa et al. Automatic segmentation of retinal layers in OCT images with intermediate age-related macular degeneration using U-Net and DexiNed
WO2020001236A1 (zh) 提取医学图像标注的方法及装置
WO2022033264A1 (zh) 人体特征点的筛选方法、装置、电子设备以及存储介质
US20190244356A1 (en) Evaluation of lungs via ultrasound
TWI817121B (zh) 分類老年性黃斑部退化的程度的分類方法和分類裝置
US9959635B2 (en) State determination device, eye closure determination device, state determination method, and storage medium
CN106846301B (zh) 视网膜图像分类方法及装置
US9483827B2 (en) Method of object orientation detection
US20190026890A1 (en) Display control apparatus, display control method, and recording medium
CN113506284A (zh) 一种眼底图像微血管瘤检测装置、方法及存储介质
JPWO2020095392A1 (ja) 電波画像識別装置、電波画像学習装置、及び、電波画像識別方法
Santos et al. Detection of Fundus Lesions through a Convolutional Neural Network in Patients with Diabetic Retinopathy
JP2018038739A (ja) 超音波診断装置、及びその作動方法
TWI775356B (zh) 用於眼底圖的影像前處理方法及影像處理裝置