TWI837702B - 為老齡化黃斑部病變建議回診時間的電子裝置及方法 - Google Patents
為老齡化黃斑部病變建議回診時間的電子裝置及方法 Download PDFInfo
- Publication number
- TWI837702B TWI837702B TW111122066A TW111122066A TWI837702B TW I837702 B TWI837702 B TW I837702B TW 111122066 A TW111122066 A TW 111122066A TW 111122066 A TW111122066 A TW 111122066A TW I837702 B TWI837702 B TW I837702B
- Authority
- TW
- Taiwan
- Prior art keywords
- optical coherence
- coherence tomography
- lesion size
- electronic device
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 206010064930 age-related macular degeneration Diseases 0.000 title claims abstract description 16
- 208000002780 macular degeneration Diseases 0.000 title claims abstract description 16
- 230000003902 lesion Effects 0.000 claims abstract description 73
- 238000012014 optical coherence tomography Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 description 19
- 230000001427 coherent effect Effects 0.000 description 16
- 238000003325 tomography Methods 0.000 description 5
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 3
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000000208 Wet Macular Degeneration Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Abstract
提供一種為老齡化黃斑部病變建議回診時間的電子裝置及方法。方法包含：接收光學同調斷層掃描影像和歷史病灶尺寸；根據影像辨識模型辨識光學同調斷層掃描影像中的病灶以取得當前病灶尺寸；以及響應於當前病灶尺寸與歷史病灶尺寸之間的差值小於第一閾值，輸出第一回診時間。
Description
本發明是有關於一種建議回診時間的電子裝置及方法，且特別是有關於一種為滲出型老齡化黃斑部病變（wet age-related macular degeneration，wAMD）之患者建議回診時間的電子裝置及方法。
老齡化黃斑部病變（AMD）是一種視神經的疾病，可能導致患者失去視力，其為造成高齡患者失明的主要原因。在各種老齡化黃斑部病變中，又以滲出型老齡化黃斑部病變最為嚴重。針對滲出型老齡化黃斑部病變，臨床上的治療方法為定期為患者注射藥物。然而，各個患者的體質不同，醫師很難準確地為病患判斷最適合的回診時間。若回診時間過晚，可能因延誤治療而致使病患的視力受損。若回診時間過早，則治療的效果可能難以顯現。如此，除了會浪費醫療資源外，還可能導致病患的回診意願降低。
本發明提供一種建議回診時間的電子裝置及方法，可為滲出型老齡化黃斑部病變的患者建議最適當的回診時間。
本發明的一種建議回診時間的電子裝置，適用於滲出型老齡化黃斑部病變的患者，包含處理器、儲存媒體以及收發器。收發器接收光學同調斷層掃描影像和歷史病灶尺寸。儲存媒體儲存影像辨識模型。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：根據影像辨識模型辨識光學同調斷層掃描影像中的病灶以取得當前病灶尺寸；以及響應於當前病灶尺寸與歷史病灶尺寸之間的差值小於第一閾值，通過收發器輸出第一回診時間。
在本發明的一實施例中，上述的儲存媒體更儲存分類模型，其中處理器更經配置以執行：響應於差值大於或等於第一閾值，將光學同調斷層掃描影像輸入至分類模型以產生第二回診時間；以及通過收發器輸出第二回診時間。
在本發明的一實施例中，上述的處理器更經配置以執行：通過收發器接收病歷資料；以及將光學同調斷層掃描影像和病歷資料輸入至分類模型以產生第二回診時間。
在本發明的一實施例中，上述的病歷資料包含下列的至少其中之一：年齡、性別、對應於光學同調斷層掃描影像的儀器輸出參數、患者接受治療的時間、光學同調斷層掃描影像的拍攝時間以及患者接受治療的次數。
在本發明的一實施例中，上述的處理器更經配置以執行：響應於當前病灶尺寸大於或等於第二閾值，計算當前病灶尺寸與歷史病灶尺寸之間的差值。
在本發明的一實施例中，上述的儲存媒體更儲存分類模型，其中處理器更經配置以執行：響應於當前病灶尺寸小於第二閾值，將光學同調斷層掃描影像輸入至分類模型以產生第二回診時間；以及通過收發器輸出第二回診時間。
在本發明的一實施例中，上述的處理器更經配置以執行：通過收發器接收多個光學同調斷層掃描影像，其中多個光學同調斷層掃描影像的每一者具有病灶的辨識結果的標籤；以及根據多個光學同調斷層掃描影像訓練影像辨識模型。
在本發明的一實施例中，上述的影像辨識模型包含卷積神經網路模型。
在本發明的一實施例中，上述的處理器更經配置以執行：通過收發器接收多個光學同調斷層掃描影像，其中多個光學同調斷層掃描影像的每一者具有回診時間的標籤；以及根據多個光學同調斷層掃描影像訓練分類模型。
在本發明的一實施例中，上述的分類模型包含隨機森林模型。
本發明的一種建議回診時間的方法，適用於滲出型老齡化黃斑部病變的患者，包含：接收光學同調斷層掃描影像和歷史病灶尺寸；根據影像辨識模型辨識光學同調斷層掃描影像中的病灶以取得當前病灶尺寸；以及響應於當前病灶尺寸與歷史病灶尺寸之間的差值小於第一閾值，輸出第一回診時間。
基於上述，本發明的電子裝置可對病患的光學同調斷層掃描（optical coherence tomography，OCT）影像進行辨識以取得病灶尺寸，並且病灶尺寸決定是否使用分類模型為病患預測最適當的回診時間。
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建議回診時間的電子裝置100的示意圖，電子裝置100適用於為滲出型老齡化黃斑部病變的患者預測最適當的回診時間。電子裝置100可包含處理器110、儲存媒體120以及收發器130。
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可儲存包含影像辨識模型121以及分類模型122等多個模組，其功能將於後續說明。
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。
圖2根據本發明的一實施例繪示一種建議回診時間的方法的流程圖，其中所述方法適用於滲出型老齡化黃斑部病變的患者，且所述方法可由如圖1所示的電子裝置100實施。在步驟S201中，處理器110可通過收發器130接收病患的光學同調斷層掃描影像。
在步驟S202中，處理器110可根據影像辨識模型121辨識光學同調斷層掃描影像中的病灶（例如：產生黃斑部病變的區域）以取得當前病灶尺寸。處理器110可將光學同調斷層掃描影像輸入至影像辨識模型121中。影像辨識模型121可根據光學同調斷層掃描影像產生並輸出當前病灶尺寸。
影像辨識模型121例如是諸如卷積神經網路（convolutional neural network，CNN）模型的機器學習模型。處理器110可根據多個光學同調斷層掃描影像來訓練影像辨識模型121。具體來說，處理器110可通過收發器130接收多個光學同調斷層掃描影像，其中多個光學同調斷層掃描影像中的每一者可具有包含病灶的辨識結果的標籤。光學同調斷層掃描影像的標籤例如是由醫師所註記的。處理器110可根據光學同調斷層掃描影像及對應的標籤訓練出影像辨識模型121。訓練好的影像辨識模型121可具有辨識光學同調斷層掃描影像中的病灶的功能。
在步驟S203中，處理器110可判斷當前病灶尺寸是否大於或等於尺寸閾值。若當前病灶尺寸大於或等於尺寸閾值，則進入步驟S204。若當前病灶尺寸小於尺寸閾值，則進入步驟S205。
在步驟S204中，處理器110可判斷病灶的變化量是否小於閾值。若病灶的變化量小於閾值，則進入步驟S206。若病灶的變化量大於或等於閾值。則進入步驟S205。具體來說，處理器110可通過收發器130取得歷史病灶尺寸的相關資訊，其中歷史病灶尺寸的測量時間早於當前病灶尺寸的測量時間。處理器110可通過收發器130取得病患的歷史光學同調斷層掃描影像，並可將歷史光學同調斷層掃描影像輸入至影像辨識模型121中。影像辨識模型121可根據歷史光學同調斷層掃描影像產生並輸出歷史病灶尺寸。接著，處理器110可計算當前病灶尺寸與歷史病灶尺寸之間的差值以作為病灶的變化量。
在步驟S205中，處理器110可根據分類模型122產生並輸出回診時間（或稱為第二回診時間）。處理器110可將光學同調掃描影像輸入至分類模型122以產生回診時間。在分類模型122根據光學同調掃描影像輸出回診時間後，處理器110可通過收發器130輸出回診時間以供醫師或病患參考。
在一實施例中，處理器110可將病患的光學同調掃描影像以及病歷資料輸入至分類模型122以產生回診時間。病歷資料可包含但不限於年齡、性別、對應於光學同調斷層掃描影像的儀器輸出參數（即：OCT儀的輸出參數）、患者接受治療的時間（例如：患者前一次接受治療的時間）、光學同調斷層掃描影像（例如：用於取得歷史病灶尺寸的歷史光學同調斷層掃描影像，或用於取得當前病灶尺寸的光學同調斷層掃描影像）的拍攝時間或患者接受治療的次數等參數。
分類模型122例如是諸如隨機森林（random forest，RF）模型的機器學習模型。處理器110可根據多個光學同調斷層掃描影像來訓練分類模型122。具體來說，處理器110可通過收發器接收多個光學同調斷層掃描影像，其中多個光學同調斷層掃描影像中的每一者可具有包含回診時間的標籤。在一實施例中，標籤可進一步包含病患的病歷資料。光學同調斷層掃描影像的標籤例如是由醫師所註記的。處理器110可根據光學同調斷層掃描影像以及對應的標籤訓練出分類模型122。訓練好的分類模型122可具有將光學同調斷層掃描影像分類至不同的回診時間的功能。舉例來說，分類模型122可將輸入至分類模型122的光學同調斷層掃描影像分類至對應於回診時間「0至35天」、回診時間「35至63天」或回診時間「65天以上」。
在步驟S206中，處理器110可通過收發器130輸出預設回診時間（或稱為第一回診時間），以供醫師或病患參考。預設回診時間可預存於儲存媒體120中。
病灶的變化量小於閾值可能代表病患目前接受的療程的成效不彰。病灶的變化量大於或等於閾值可能代表病患目前接受的療程是有效的。為了在療程的成效不彰時進一步的追蹤病患的狀態，預設回診時間可被設的較小。舉例來說，儲存媒體120中的預設回診時間可被設為「7天」。
圖3根據本發明的一實施例繪示另一種建議回診時間的方法的流程圖，其中所述方法適用於滲出型老齡化黃斑部病變的患者，且所述方法可由如圖1所示的電子裝置100實施。在步驟S301中，接收光學同調斷層掃描影像和歷史病灶尺寸。在步驟S302中，根據影像辨識模型辨識光學同調斷層掃描影像中的病灶以取得當前病灶尺寸。在步驟S303中，響應於當前病灶尺寸與歷史病灶尺寸之間的差值小於第一閾值，輸出第一回診時間。
綜上所述，本發明的電子裝置可通過影像辨識模型辨識滲出型老齡化黃斑部病變的患者之病灶，並可根據病灶的尺寸來為患者建議適當的回診時間。若病灶尺寸過小或病灶尺寸的差值過大，則電子裝置可通過分類模型分析病患的光學同調斷層掃描影像，以為病患預測適當的回診時間。反之，若病灶尺寸的差值過小，代表病患目前接受的治療方法可能成效不彰。據此，電子裝置可提示病患提早回診，以利醫師追蹤病患狀況。
100:電子裝置
110:處理器
120:儲存媒體
121:影像辨識模型
122:分類模型
130:收發器
S201、S202、S203、S204、S205、S206、S301、S302、S303:步驟
圖1根據本發明的一實施例繪示一種建議回診時間的電子裝置的示意圖。
圖2根據本發明的一實施例繪示一種建議回診時間的方法的流程圖。
圖3根據本發明的一實施例繪示另一種建議回診時間的方法的流程圖。
S301、S302、S303:步驟
Claims (10)
- 一種建議回診時間的電子裝置，適用於滲出型老齡化黃斑部病變的患者，包括：收發器，接收光學同調斷層掃描影像和歷史病灶尺寸；儲存媒體，儲存影像辨識模型；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：根據所述影像辨識模型辨識所述光學同調斷層掃描影像中的病灶以取得當前病灶尺寸；響應於所述當前病灶尺寸大於或等於第一閾值，計算所述當前病灶尺寸與所述歷史病灶尺寸之間的差值；以及響應於所述當前病灶尺寸與所述歷史病灶尺寸之間的所述差值小於第二閾值，通過所述收發器輸出第一回診時間。
- 如請求項1所述的電子裝置，其中所述儲存媒體更儲存分類模型，其中所述處理器更經配置以執行：響應於所述差值大於或等於所述第二閾值，將所述光學同調斷層掃描影像輸入至所述分類模型以產生第二回診時間；以及通過所述收發器輸出所述第二回診時間。
- 如請求項2所述的電子裝置，其中所述處理器更經配置以執行：通過所述收發器接收病歷資料；以及 將所述光學同調斷層掃描影像和所述病歷資料輸入至所述分類模型以產生所述第二回診時間。
- 如請求項3所述的電子裝置，其中所述病歷資料包括下列的至少其中之一：年齡、性別、對應於所述光學同調斷層掃描影像的儀器輸出參數、所述患者接受治療的時間、所述光學同調斷層掃描影像的拍攝時間以及所述患者接受治療的次數。
- 如請求項1所述的電子裝置，其中所述儲存媒體更儲存分類模型，其中所述處理器更經配置以執行：響應於所述當前病灶尺寸小於所述第一閾值，將所述光學同調斷層掃描影像輸入至所述分類模型以產生第二回診時間；以及通過所述收發器輸出所述第二回診時間。
- 如請求項1所述的電子裝置，其中所述處理器更經配置以執行：通過所述收發器接收多個光學同調斷層掃描影像，其中所述多個光學同調斷層掃描影像的每一者具有病灶的辨識結果的標籤；以及根據所述多個光學同調斷層掃描影像訓練所述影像辨識模型。
- 如請求項1所述的電子裝置，其中所述影像辨識模型包括卷積神經網路模型。
- 如請求項2所述的電子裝置，其中所述處理器更經配置以執行： 通過所述收發器接收多個光學同調斷層掃描影像，其中所述多個光學同調斷層掃描影像的每一者具有回診時間的標籤；以及根據所述多個光學同調斷層掃描影像訓練所述分類模型。
- 如請求項2所述的電子裝置，其中所述分類模型包括隨機森林模型。
- 一種建議回診時間的方法，適用於滲出型老齡化黃斑部病變的患者，包括：由電子裝置接收光學同調斷層掃描影像和歷史病灶尺寸；由所述電子裝置根據影像辨識模型辨識所述光學同調斷層掃描影像中的病灶以取得當前病灶尺寸；由所述電子裝置響應於所述當前病灶尺寸大於或等於第一閾值，計算所述當前病灶尺寸與所述歷史病灶尺寸之間的差值；以及響應於所述當前病灶尺寸與所述歷史病灶尺寸之間的所述差值小於第二閾值，輸出第一回診時間。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111122066A TWI837702B (zh) | 2022-06-14 | 為老齡化黃斑部病變建議回診時間的電子裝置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111122066A TWI837702B (zh) | 2022-06-14 | 為老齡化黃斑部病變建議回診時間的電子裝置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202349412A TW202349412A (zh) | 2023-12-16 |
| TWI837702B true TWI837702B (zh) | 2024-04-01 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170270653A1 (en) | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170270653A1 (en) | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11790645B2 (en) | Diagnosis assistance system and control method thereof | |
| US20200202527A1 (en) | Method and device for assisting heart disease diagnosis | |
| TW201402059A (zh) | 健康狀態判定方法及健康狀態判定系統 | |
| US20200380339A1 (en) | Integrated neural networks for determining protocol configurations | |
| CN112868068B (zh) | 使用利用其它模式训练的机器学习模型处理眼底相机图像 | |
| CN113902642B (zh) | 一种医学图像处理方法、装置、电子设备和存储介质 | |
| US20170147773A1 (en) | System and method for facilitating health monitoring based on a personalized prediction model | |
| Daich Varela et al. | Artificial intelligence in retinal disease: clinical application, challenges, and future directions | |
| CN111696100A (zh) | 基于眼底影像确定吸烟程度的方法及设备 | |
| Khanna et al. | Deep learning based computer-aided automatic prediction and grading system for diabetic retinopathy | |
| CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
| KR20230118054A (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템 | |
| TWI837702B (zh) | 為老齡化黃斑部病變建議回診時間的電子裝置及方法 | |
| TW202349412A (zh) | 為老齡化黃斑部病變建議回診時間的電子裝置及方法 | |
| El Damrawi et al. | Enforcing artificial neural network in the early detection of diabetic retinopathy OCTA images analysed by multifractal geometry | |
| US20230274422A1 (en) | Systems and methods for identifying images of polyps | |
| US20230397794A1 (en) | Analysis of in-vivo images using connected graph components | |
| US20240108316A1 (en) | Processing an Arterial Doppler Ultrasound Waveform | |
| US11934491B1 (en) | Systems and methods for image classification and stream of images segmentation | |
| EP4261842A1 (en) | Apparatus and method for generating an alert | |
| Musleh | Machine learning framework for simulation of artifacts in paranasal sinuses diagnosis using CT images | |
| JP2021177838A (ja) | 状態変化推定システム、状態変化推定プログラム及び状態変化推定方法 | |
| WO2023198869A1 (en) | Apparatus and method for generating an alert | |
| Dow et al. | A Deep-Learning Algorithm to Predict Short-Term Progression to Geographic Atrophy on Spectral-Domain Optical Coherence Tomography | |
| Negi et al. | An Experimental Approach Pertaining To Transfer Learning Models For Classification Of Diabetic Retinopathy |