CN109528155B - 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法 - Google Patents

一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法 Download PDF

Info

Publication number
CN109528155B
CN109528155B CN201811373868.0A CN201811373868A CN109528155B CN 109528155 B CN109528155 B CN 109528155B CN 201811373868 A CN201811373868 A CN 201811373868A CN 109528155 B CN109528155 B CN 109528155B
Authority
CN
China
Prior art keywords
visual field
glaucoma
angle glaucoma
complicated
degree
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.)
Active
Application number
CN201811373868.0A
Other languages
English (en)
Other versions
CN109528155A (zh
Inventor
竺向佳
齐姣
卢奕
丁大勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Eye and ENT Hospital of Fudan University
Original Assignee
Eye and ENT Hospital of Fudan University
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 Eye and ENT Hospital of Fudan University filed Critical Eye and ENT Hospital of Fudan University
Priority to CN201811373868.0A priority Critical patent/CN109528155B/zh
Publication of CN109528155A publication Critical patent/CN109528155A/zh
Application granted granted Critical
Publication of CN109528155B publication Critical patent/CN109528155B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Eye Examination Apparatus (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明涉及一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法。所述***基于大量高度近视患者临床资料的反复测试、调整和训练，学习从青光眼OCT检查中识别评估视盘形态、各象限视网膜神经纤维层厚度、黄斑神经节细胞复合体厚度，视野检查中评估视野缺损程度，眼底照图像中识别评估视盘倾斜、旋转程度和β区萎缩程度，再综合患者基本信息、眼压、球镜度数、角膜厚度、眼轴等指标形成综合筛查结果。临床医生向本发明***提供相关临床资料，本发明***即可迅速准确地筛查出高度近视并发开角型青光眼的患者或给出风险评估，为医生早期发现、早期预防高度近视并发开角型青光眼提供依据。

Description

一种适用于高度近视并发开角型青光眼的智能筛查***及其 建立方法
技术领域
本发明属于医疗人工智能技术领域，涉及一种眼科人工智能筛查***，具体涉及一种适合于高度近视并发开角型青光眼的智能筛查***及其建立方法。
背景技术
高度近视是指屈光度大于-6.0DS或眼轴长度大于26mm的眼部疾病，高度近视由于特殊的眼内解剖结构等原因容易并发开角型青光眼，报道显示其发病率是屈光状态正常人群的6倍。开角型青光眼是一种造成视神经不可逆损害的眼部疾病，因此重视高度近视并发开角型青光眼的早期发现、早期诊断、早期治疗有利于避免不可逆的视觉损害。然而由于高度近视眼底结构变异大，视盘形态呈现多样性，以往在正常眼轴中用于判断开角型青光眼的标准往往在高度近视眼中应用时出现困难，因此在高度近视眼中要实现早期诊断开角型青光眼、或发现疑似病例十分困难，很多社区医院等非专科医疗机构对此更是经验不足，容易漏诊而耽误患者治疗。
专利文献CN104083148A，公开日2014.10.08，公开了一种血管疾病诊断***及方法，包括采集装置、设有主控电路板的设备主机、控制面板和显示器，其中设备主机分别与采集模块、控制面板和显示器连接，采集装置包括探测器、读出电路、图像处理芯片和外部存储器；其中图像处理芯片通过控制接口与读出电路连接、通过内部数据总线与外部存储器连接、通过电源接口与供电***连接，读出电路与探测器相连；该发明中通过启动采集装置对人体进行全面检查，获得红外图像并对图像进行处理，采集装置将处理后的图像信息传送至设备主机，设备主机对数据进行分析处理后，在显示器上输出图像；该发明可以实现准确率高、快速、无损伤的血管疾病诊断。
专利文献CN107423571A，公开日2017.12.01，公开了一种基于眼底图像的糖尿病视网膜病变识别***，包括：图像采集装置，其用于采集眼底图像，眼底图像包括来自于同一个人的目标眼底图像和参考眼底图像；自动识别装置，其利用深度学习方法对来自于图像采集装置的眼底图像进行处理，自动判断眼底图像是否存在病变并输出判断结果。在该发明中，其利用深度学习方法对眼底图像进行自动判定并输出判断结果，因此，能够辅助医生对眼底图像进行病变识别的诊断，大幅度地提高识别效率，适用于大范围的眼底病变筛查。
然而目前未见准确高效的高度近视并发开角型青光眼的智能筛查***。
发明内容
本发明的目的是针对现有技术中的不足，提供一种适用于高度近视并发开角型青光眼的智能筛查***。
本发明的再一目的是，提供一种适用于高度近视并发开角型青光眼的智能筛查***的建立方法。
为实现上述第一个目的，本发明采取的技术方案是：
一种适用于高度近视并发开角型青光眼的智能筛查***，包括：
存储装置：用于存储训练集信息，包括患者的基本信息、球镜度数、眼压、角膜厚度、包含眼轴长度的A超、青光眼OCT、视野、眼底照；
评估模块：包括青光眼OCT深度学习模型、视野深度学习模型、眼底照深度学习模型，用于根据青光眼OCT定量评估视盘形态及各象限视网膜神经纤维层厚度、黄斑区神经节细胞复合体厚度，视野检查评估视野、不同位置的视敏度改变，眼底照图像定量评估视盘倾斜比值、视盘旋转度、视盘旁β区萎缩程度；
筛查模块：用于将患者的年龄、性别、眼压、球镜度数、角膜厚度、包含眼轴长度的A超、青光眼OCT、视野、眼底照资料信息结合，通过核函数映射到高维空间后，建立线性回归函数，形成高度近视并发开角型青光眼的筛查结果和风险评估；
测试评价调整模块：用于使用训练集进行学习、调参，然后模型经过相关数据集的测试，测试集每条记录包括的项目种类核要求与训练集资料相同，直到达到性能和准确度的要求。
作为一个优选例，所述视盘形态包括盘沿面积、杯容积、杯盘比、水平杯盘比、垂直杯盘比。
作为另一优选例，所述视野检查评估视野图像中视野缺损类型。
作为另一优选例，所述视野缺损类型分为早、中、晚期，早期：旁中心暗点、鼻侧阶梯、颞侧楔形缺损；中期：弧形暗点、环形暗点、鼻侧象限性缺损；晚期：管状视野、颞侧视岛。
作为另一优选例，训练时对训练数据采用多种数据扩增方法以使算法有更广泛的适应性。
为实现上述第二个目的，本发明采取的技术方案是：
一种适用于高度近视并发开角型青光眼的智能筛查***的建立方法，包括以下步骤：
构建智能筛查***深度学习模型，由评估和筛查两个网络组成；评估网络包括青光眼OCT深度学习模型、视野深度学习模型、眼底照深度学习模型，根据青光眼OCT定量评估视盘形态及各象限视网膜神经纤维层厚度、黄斑区神经节细胞复合体厚度，视野检查评估视野、不同位置的视敏度改变，眼底照图像定量评估视盘倾斜比值、视盘旋转度、视盘旁β区萎缩程度；筛查网络将患者的年龄、性别、眼压、球镜度数、角膜厚度、包含眼轴长度的A超、青光眼OCT、视野、眼底照资料信息结合，通过核函数映射到高维空间后，建立线性回归函数，形成高度近视并发开角型青光眼的筛查结果和风险评估；
构建训练集；训练集中每条记录需包括：患者的基本信息、球镜度数、眼压、角膜厚度、包含眼轴长度的A超、青光眼OCT、视野、眼底照，诊断结果即是否并发开角型青光眼或危险程度，所述危险程度包括低危、中危、高危；训练集涵盖青光眼OCT、视野、眼底照各级别的图片以便学习；
模型用训练集进行学习、调参，然后模型经过相关数据集的测试，测试集每条记录包括的项目种类核要求与训练集资料相同，直到达到性能和准确度的要求。
作为一个优选例，所述视盘形态包括盘沿面积、杯容积、杯盘比、水平杯盘比、垂直杯盘比。
作为另一优选例，所述视野检查评估视野图像中视野缺损类型，所述视野缺损类型分为早、中、晚期，早期：旁中心暗点、鼻侧阶梯、颞侧楔形缺损；中期：弧形暗点、环形暗点、鼻侧象限性缺损；晚期：管状视野、颞侧视岛。
作为另一优选例，训练集中每条记录的诊断均出自同一名专业权威医生。
作为另一优选例，训练时对训练数据采用多种数据扩增方法以使算法有更广泛的适应性。
本发明优点在于：
本发明建立了一种适合于高度近视并发开角型青光眼的智能筛查***，该***基于大量高度近视患者临床资料的反复测试、调整和训练，寻找到重要且全面的高度近视并发开角型青光眼筛查指标，学习从青光眼OCT检查中识别评估视盘形态、各象限视网膜神经纤维层厚度、黄斑神经节细胞复合体厚度，视野检查中评估视野缺损程度，眼底照图像中识别评估视盘倾斜、旋转程度和β区萎缩程度，再综合患者基本信息、眼压、球镜度数、角膜厚度、眼轴等指标形成综合筛查结果。临床医生向该***提供患者基本信息、眼压、球镜度数、角膜厚度、A超(眼轴长度)、青光眼OCT、视野、眼底照等临床资料，该***可迅速准确地筛查出并发开角型青光眼的患者或给出风险评估，为医生早期发现、早期预防高度近视并发开角型青光眼提供依据。具体优点包括：
1.准确性：所述***基于大数据训练学习，经反复测试与调参以达到高正确率，可帮助临床医生准确筛查，早期发现开角型青光眼，及时治疗，减少视功能损害。
2.预见性：所述***可评估高度近视患者并发开角型青光眼的风险程度，具有预见性，有利于提前防治开角型青光眼。
3.高效性：所述***可在数秒内完成决策，极大提高诊疗效率，节省医疗资源。
4.简捷：所述***操作简单、易掌握，利于普及。
5.个性化：所述***筛查过程根据患者基本信息、眼压、近视程度、眼轴、角膜厚度、青光眼OCT、视野、眼底照情况综合提供个性化的诊断和风险评估。
6.均质化：服务对象广，社会价值高。该***适用于社区医院、非专科医院、专科医院的眼科医生对高度近视并发开角型青光眼的筛查，能弥补医疗机构诊疗水平差距，利于社会公平和医疗环境的改善，有利于高度近视患者并发开角型青光眼的早期发现、早期预防。
附图说明
附图1是本发明适用于高度近视并发开角型青光眼的智能筛查***的建立流程。
附图2是本发明适用于高度近视并发开角型青光眼的智能筛查***评估网络。
附图3是本发明适用于高度近视并发开角型青光眼的智能筛查***筛查网络。
附图4是本发明适用于高度近视并发开角型青光眼的智能筛查***的结构框图。
附图5-8为本发明适用于高度近视并发开角型青光眼的智能筛查***的操作界面。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
附图中涉及的附图标记和组成部分如下所示：
1.存储装置2.评估模块
3.筛查模块4.测试评价调整模块
实施例1本发明适用于高度近视并发开角型青光眼的智能筛查***的建立流程
本发明适用于高度近视并发开角型青光眼的智能筛查***的建立流程如图1所示，具体如下：
1、构建智能筛查***深度学***杯盘比、垂直杯盘比)及各象限视网膜神经纤维层厚度、黄斑区神经节细胞复合体厚度，视野检查评估视野、不同位置的视敏度改变(早期：旁中心暗点、鼻侧阶梯、颞侧楔形缺损；中期：弧形暗点、环形暗点、鼻侧象限性缺损；晚期：管状视野、颞侧视岛)，眼底照图像定量评估视盘倾斜比值(视盘最长轴LD/视盘最短轴SD)、视盘旋转度(视盘最长轴SD与垂直线V之间的度数)、视盘旁β区萎缩程度(视盘旁β区β-PPA面积/视***ONH面积)(图2)。筛查网络将患者的年龄、性别、眼压、球镜度数、角膜厚度、A超(眼轴长度)、青光眼OCT、视野、眼底照资料等信息结合，通过核函数映射到高维空间后，建立线性回归函数，通过临床专业医生的诊断调整，形成高度近视并发开角型青光眼的筛查结果和风险评估(图3)。
2、构建训练集。训练集中每条记录需包括：患者的基本信息、球镜度数、眼压、角膜厚度、A超(眼轴长度)、青光眼OCT、视野、眼底照，诊断(是否并发开角型青光眼或危险程度，所述危险程度包括低危、中危、高危)。训练集涵盖青光眼OCT、视野、眼底照各级别的图片以便学习；每条记录的评估、诊断均出自该专业权威医生。
3、模型用训练集进行学习、调参，训练时对训练数据采用多种数据扩增(dataaugmentation)方法以使算法有更广泛的适应性。然后模型经过多个相关数据集的测试，测试集每条记录包括的项目种类核要求与训练集资料相同，直到达到性能和准确度的要求。
实施例2本发明的适用于高度近视并发开角型青光眼的智能筛查***
请参见图4，图4是本发明适用于高度近视并发开角型青光眼的智能筛查***的结构框图。所述适用于高度近视并发开角型青光眼的智能筛查***包括存储装置1、评估模块2、筛查模块3和测试评价调整模块4。
存储装置1：用于存储训练集信息，包括患者的基本信息、球镜度数、眼压、角膜厚度、A超(眼轴长度)、青光眼OCT、视野、眼底照。
评估模块2：包括青光眼OCT深度学***杯盘比、垂直杯盘比)及各象限视网膜神经纤维层厚度、黄斑区神经节细胞复合体厚度，视野检查评估视野、不同位置的视敏度改变(早期：旁中心暗点、鼻侧阶梯、颞侧楔形缺损；中期：弧形暗点、环形暗点、鼻侧象限性缺损；晚期：管状视野、颞侧视岛)，眼底照图像定量评估视盘倾斜比值(视盘最长轴LD/视盘最短轴SD)、视盘旋转度(视盘最长轴SD与垂直线V之间的度数)、视盘旁β区萎缩程度(视盘旁β区β-PPA面积/视***ONH面积)。
筛查模块3：用于将患者的年龄、性别、眼压、球镜度数、角膜厚度、A超(眼轴长度)、青光眼OCT、视野、眼底照资料等信息结合，通过核函数映射到高维空间后，建立线性回归函数，通过临床专业医生的诊断调整，形成高度近视并发开角型青光眼的筛查结果和风险评估。
测试评价调整模块4：用于使用训练集进行学习、调参，训练时对训练数据采用多种数据扩增(data augmentation)方法以使算法有更广泛的适应性。然后模型经过多个相关数据集的测试，测试集每条记录包括的项目种类核要求与训练集资料相同，直到达到性能和准确度的要求。
图5-8为本发明适用于高度近视并发开角型青光眼的智能筛查***的操作界面。如图5所示，首页为登录界面，包含用户名、密码。如图6所示，登录后为录入界面，有“编号”“姓名”“性别”“出生年月”条目，按“眼别”分为2列，“眼压”、“球镜度数”、“角膜厚度”、“A超”、“青光眼OCT”、“视野”、“眼底照”条目需填写和上传。如图7所示，当录入各条目，点击运行，运行数秒后，输出界面将显示诊断及风险评估(高危、中危、低危)。如图8所示，患者的各项临床资料、***所输出的诊断、风险评估结果将纳入“记录”界面，可查找。
本发明适用于高度近视并发开角型青光眼的智能筛查***的操作界面简便美观，易于操作。操作界面还可更换多种语言及外观，如中英文可供选择、***字体、颜色、外形等。
实施例3
患者张某，男，45岁，双眼高度近视，于当地社区医院就诊，进行青光眼筛查。医生为其检查双眼验光、角膜厚度、A超、眼压、青光眼OCT、视野、眼底照。右眼角膜厚度535.12μm、眼轴长度27.42mm，眼压17.3mmHg，球镜度数-9.00DS。左眼角膜厚度536.62μm、眼轴长度27.72mm，眼压16.0mmHg，球镜度数-9.50DS。医生将患者信息及临床资料录入本发明适用于高度近视并发开角型青光眼的智能筛查***，***评定结果为：右眼：视网膜神经纤维层厚度(上象限108.72，下象限100.82，鼻侧85.25，颞侧92.36)、视盘形态正常、黄斑区神经节细胞复合体厚度93.02、视野(无视野缺损)、眼底照(视盘倾斜比值1.15、视盘旋转度8°、β区萎缩程度0.52)，诊断无开角型青光眼，风险低危。左眼：视网膜神经纤维层厚度(上象限95.64，下象限92.67，鼻侧65.18，颞侧79.15)、视盘形态正常、黄斑区神经节细胞复合体厚度88.52、视野(无视野缺损)、眼底照(视盘倾斜比值1.12、视盘旋转度10°、β区萎缩程度1.02)，诊断无开角型青光眼，风险中危。医生得到反馈后与患者进行沟通，告知无并发开角型青光眼，但有一定风险，定时随访。
实施例4
患者王某，女，52岁，右眼视力下降2年，于当地综合医院就诊，诊断右眼高度近视白内障，结合眼科检查予右眼白内障手术治疗，术后持续眼压升高。医生为其检查右眼角膜厚度、A超、眼压、青光眼OCT、视野、眼底照。右眼角膜厚度535.18μm、眼轴长度30.21mm，眼压29.3mmHg，术前球镜度数-18.50DS。医生将患者信息及临床资料录入本发明适用于高度近视并发开角型青光眼的智能筛查***，***评定结果为：右眼：视网膜神经纤维层厚度(上象限76.44，下象限81.87，鼻侧57.11，颞侧62.15)、视盘形态异常、黄斑区神经节细胞复合体厚度80.90、视野(早期：旁中心暗点)、眼底照(视盘倾斜比值1.35、视盘旋转度18°、β区萎缩程度1.52)，诊断开角型青光眼。医生得到反馈后与患者进行沟通，告知并发开角型青光眼，及时青光眼治疗。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (5)

1.一种适用于高度近视并发开角型青光眼的智能筛查***，其特征在于，包括：
存储装置：用于存储训练集信息，包括患者的基本信息、球镜度数、眼压、角膜厚度、包含眼轴长度的A超、青光眼OCT、视野、眼底照；
评估模块：包括青光眼OCT深度学习模型、视野深度学习模型、眼底照深度学习模型，用于根据青光眼OCT定量评估视盘形态及各象限视网膜神经纤维层厚度、黄斑区神经节细胞复合体厚度，视野检查评估视野、不同位置的视敏度改变，眼底照图像定量评估视盘倾斜比值、视盘旋转度、视盘旁β区萎缩程度；
筛查模块：用于将患者的年龄、性别、眼压、球镜度数、角膜厚度、包含眼轴长度的A超、青光眼OCT、视野、眼底照资料信息结合，通过核函数映射到高维空间后，建立线性回归函数，形成高度近视并发开角型青光眼的筛查结果和风险评估；
测试评价调整模块：用于使用训练集进行学习、调参，然后模型经过相关数据集的测试，测试集每条记录包括的项目种类核要求与训练集资料相同，直到达到性能和准确度的要求。
2.根据权利要求1所述的适用于高度近视并发开角型青光眼的智能筛查***，其特征在于，所述视盘形态包括盘沿面积、杯容积、杯盘比、水平杯盘比、垂直杯盘比。
3.根据权利要求1所述的适用于高度近视并发开角型青光眼的智能筛查***，其特征在于，所述视野检查评估视野图像中视野缺损类型。
4.根据权利要求3所述的适用于高度近视并发开角型青光眼的智能筛查***，其特征在于，所述视野缺损类型分为早、中、晚期，早期：旁中心暗点、鼻侧阶梯、颞侧楔形缺损；中期：弧形暗点、环形暗点、鼻侧象限性缺损；晚期：管状视野、颞侧视岛。
5.根据权利要求1所述的适用于高度近视并发开角型青光眼的智能筛查***，其特征在于，训练时对训练数据采用多种数据扩增方法以使算法有更广泛的适应性。
CN201811373868.0A 2018-11-19 2018-11-19 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法 Active CN109528155B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811373868.0A CN109528155B (zh) 2018-11-19 2018-11-19 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811373868.0A CN109528155B (zh) 2018-11-19 2018-11-19 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法

Publications (2)

Publication Number Publication Date
CN109528155A CN109528155A (zh) 2019-03-29
CN109528155B true CN109528155B (zh) 2021-07-13

Family

ID=65848007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811373868.0A Active CN109528155B (zh) 2018-11-19 2018-11-19 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法

Country Status (1)

Country Link
CN (1) CN109528155B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147715A (zh) * 2019-04-01 2019-08-20 江西比格威医疗科技有限公司 一种视网膜OCT图像Bruch膜开角自动检测方法
CN109998477B (zh) * 2019-04-12 2021-12-10 复旦大学附属眼耳鼻喉科医院 一种高度近视白内障手术预后智能预判***
CN113781380B (zh) * 2020-06-05 2023-09-29 中山大学中山眼科中心 一种鉴别视神经脊髓炎和原发性开角型青光眼的***
CN112084961B (zh) * 2020-09-11 2021-05-14 宁波市眼科医院 一种基于眼科机器人的人工智能眼病筛查诊疗***
CN112530596A (zh) * 2020-12-22 2021-03-19 爱尔眼科医院集团股份有限公司 一种近视发生风险评估装置
JP2022104715A (ja) * 2020-12-29 2022-07-11 株式会社トプコン 眼科情報処理システム、眼科情報処理サーバ、眼科情報処理プログラム、及び眼科情報処理方法
CN113177038B (zh) * 2021-04-25 2022-02-18 首都医科大学附属北京同仁医院 一种视网膜神经纤维层数据校正方法、装置及电子设备
CN113487582A (zh) * 2021-07-16 2021-10-08 依未科技(北京)有限公司 图像评估方法及装置、计算机可读存储介质及电子设备
CN113558564B (zh) * 2021-09-23 2021-12-07 中山大学中山眼科中心 一种基于单纯高度近视数据库构建的数据处理***
CN116491893B (zh) * 2023-06-28 2023-09-15 依未科技(北京)有限公司 高度近视眼底改变评估方法及装置、电子设备及存储介质

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102112044A (zh) * 2008-05-14 2011-06-29 科学、技术与研究机构 自动杯盘比测量***
CN101584574A (zh) * 2008-05-19 2009-11-25 复旦大学附属眼耳鼻喉科医院 一种晶状体图像分析方法
CN101601577B (zh) * 2009-02-26 2011-01-19 复旦大学附属眼耳鼻喉科医院 一种具有眼球跟踪和屈光补偿功能的电子视野计
US9357911B2 (en) * 2011-05-09 2016-06-07 Carl Zeiss Meditec, Inc. Integration and fusion of data from diagnostic measurements for glaucoma detection and progression analysis
WO2014013438A1 (en) * 2012-07-16 2014-01-23 Lumenis Ltd. System for laser application
US9501823B2 (en) * 2012-08-02 2016-11-22 Agency For Science, Technology And Research Methods and systems for characterizing angle closure glaucoma for risk assessment or screening
US9230062B2 (en) * 2012-11-06 2016-01-05 20/20 Vision Center, Llc Systems and methods for enabling customers to obtain vision and eye health examinations
WO2015060897A1 (en) * 2013-10-22 2015-04-30 Eyenuk, Inc. Systems and methods for automated analysis of retinal images
US9554755B2 (en) * 2014-10-13 2017-01-31 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for predicting early onset glaucoma
US11045140B2 (en) * 2015-03-05 2021-06-29 Palo Alto Investors Homeostatic capacity evaluation
WO2016145367A1 (en) * 2015-03-12 2016-09-15 Nidek Co., Ltd. Systems and methods for combined structure and function evaluation of retina
WO2018094381A1 (en) * 2016-11-21 2018-05-24 Tecumseh Vision, Llc System and method for automatic assessment of disease condition using oct scan data
US20170228521A1 (en) * 2016-02-05 2017-08-10 Carl Zeiss Meditec, Inc. Report driven workflow for ophthalmic image data acquisition
US10229493B2 (en) * 2016-03-16 2019-03-12 International Business Machines Corporation Joint segmentation and characteristics estimation in medical images
US20180014724A1 (en) * 2016-07-18 2018-01-18 Dariusz Wroblewski Method and System for Analysis of Diagnostic Parameters and Disease Progression
DE202017104953U1 (de) * 2016-08-18 2017-12-04 Google Inc. Verarbeiten von Fundusbildern unter Verwendung von Maschinenlernmodellen
US11610311B2 (en) * 2016-10-13 2023-03-21 Translatum Medicus, Inc. Systems and methods for detection of ocular disease
CN106920227B (zh) * 2016-12-27 2019-06-07 北京工业大学 基于深度学习与传统方法相结合的视网膜血管分割方法
CN107256550A (zh) * 2017-06-06 2017-10-17 电子科技大学 一种基于高效cnn‑crf网络的视网膜图像分割方法
CN107657605B (zh) * 2017-09-11 2019-12-03 中南大学 一种基于主动轮廓和能量约束的筛板前表面深度测量方法
CN108229545B (zh) * 2017-12-22 2021-09-14 北京市商汤科技开发有限公司 青光眼诊断的方法、装置及电子设备
CN108665447B (zh) * 2018-04-20 2021-07-30 浙江大学 一种基于眼底照相深度学习的青光眼图像检测方法
CN108577803B (zh) * 2018-04-26 2020-09-01 上海鹰瞳医疗科技有限公司 基于机器学习的眼底图像检测方法、装置及***

Also Published As

Publication number Publication date
CN109528155A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109528155B (zh) 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法
CN108771530B (zh) 基于深度神经网络的眼底病变筛查***
US20220076420A1 (en) Retinopathy recognition system
Li et al. Automatic cataract diagnosis by image-based interpretability
EP3424406A1 (en) Method and system for classifying optic nerve head
Xu et al. Deep neural network for scleral Spur detection in anterior segment OCT images: the Chinese American eye study
CN109998477A (zh) 一种高度近视白内障手术预后智能预判***
CN111199794B (zh) 一种适用于高度近视白内障的手术智能决策***及其建立方法
Hwang et al. Optic nerve head, retinal nerve fiber layer, and macular thickness measurements in young patients with retinitis pigmentosa
CN110870759A (zh) 用于远程眼底筛查的质量控制方法和***、及存储设备
US20210259546A1 (en) Portable system for identifying potential cases of diabetic macular oedema using image processing and artificial intelligence
JP2022526867A (ja) 眼検査
CN110211686A (zh) 一种高度近视白内障人工晶状体精准选择***
CN111785354A (zh) 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法
CN111292286B (zh) 糖网眼底特征数据变化的分析方法与***，及存储设备
Giancardo Automated fundus images analysis techniques to screen retinal diseases in diabetic patients
Kanski et al. Clinical ophthalmology
Chansangpetch et al. Differences in optic nerve head, retinal nerve fiber layer, and ganglion cell complex parameters between Caucasian and Chinese subjects
Du et al. Artificial intelligence-aided diagnosis and treatment in the field of optometry
Listyalina et al. Detection of optic disc centre point in retinal image
Mir et al. Portable smart healthcare solution to eye examination for diabetic retinopathy detection at an earlier stage
Alipour et al. PERSIAN Eye Cohort Study (PECS): Design, Methodology
Mali et al. A systematic review of detection of diabetic retinopathy using machine learning approach
Yan et al. Quantitative examination of early diabetes by light-emitting diodes light-induced pupillary light reflex
Alazzam et al. Research Article Identification of Diabetic Retinopathy through Machine Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant