CN110135528A - 年龄确定方法、眼部健康程度确定方法和装置 - Google Patents
年龄确定方法、眼部健康程度确定方法和装置 Download PDFInfo
- Publication number
- CN110135528A CN110135528A CN201910509791.3A CN201910509791A CN110135528A CN 110135528 A CN110135528 A CN 110135528A CN 201910509791 A CN201910509791 A CN 201910509791A CN 110135528 A CN110135528 A CN 110135528A
- Authority
- CN
- China
- Prior art keywords
- age
- fundus image
- user
- eye fundus
- eye
- 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.)
- Pending
Links
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
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- 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
- 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
- A61B3/14—Arrangements specially adapted for eye photography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种年龄确定方法、眼部健康程度确定方法和装置,其中基于眼底图像确定年龄的方法,包括:获取用户的至少一张眼底图像;利用分类模型对所述眼底图像进行分类,得到用于指示年龄的分类结果;根据所述分类结果确定用户的年龄。
Description
技术领域
本发明涉及医学测量领域,具体涉及一种年龄确定方法、眼部健康程度确定方法和装置。
背景技术
研究表明,很多人体疾病与年龄因素密切相关,随着年龄增长人体患病几率会大幅提高。例如黄斑变性,病理机制主要为黄斑区结构的衰老性改变,是高龄退化的自然结果。随着年龄增加,视网膜组织退化、变薄、引起黄斑功能下降。
然而,人体的器官所体现的年龄与实际年龄可能有略微差距,这一现象在眼科中较为突出。例如人体受到外界或自身因素的影响,视网膜所体现的年龄会比其实际年龄更加年轻或者衰老,通过视网膜体现的年龄来判断或预测人体的眼部健康状况,要比通过实际年龄进行判断更加准确。
眼底图片中可以观察到很多与年龄成正相关的疾病,如动脉硬化、糖尿病性视网膜病变、年龄相关黄斑变性、帕金森等,因此眼底图像中蕴含了被拍摄者的年龄信息。基于以上特征,人类医生可以大致判断眼底图像体现的年龄是处于年轻阶段或高龄阶段,但在没有其他信息的情况下无法准确判断眼底图像体现的年龄。
发明内容
有鉴于此,本发明提供一种基于眼底图像确定年龄的方法,包括:
获取用户的至少一张眼底图像;
利用分类模型对所述眼底图像进行分类,得到用于指示年龄的分类结果;
根据所述分类结果确定用户的年龄。
可选地,在获取用户的至少一张眼底图像的步骤中至少获取双眼各一张眼底图像。
可选地,在利用分类模型对所述眼底图像进行分类的步骤中,利用同一分类模型分别对双眼的张眼底图像进行分类,得到至少两个用于指示年龄的分类结果;
根据所述分类结果确定用户的年龄,包括:
分别确定各个分类结果所指示的年龄;
根据各个分类结果所指示的年龄确定用户的年龄。
可选地,所述分类模型输出的分类结果是用于指示年龄区间的信息;在根据所述分类结果确定用户的年龄的步骤中,根据所述年龄区间确定年龄数值;
或者所述分类模型输出的分类结果是年龄数值。
可选地,所述分类模型同时针对多个任务对所述眼底图像进行分类,得到用于指示年龄的分类结果作为所述多个任务中的一个任务,其它任务是与年龄不相关的任务。
可选地,在获取用户的至少一张眼底图像的步骤中,包括对眼底图像进行预处理,以突出所述眼底图像中随年龄变化的图像特征。
本发明还提供一种确定用户眼部健康程度的方法,包括:
利用上述基于眼底图像确定年龄的方法确定眼底图像体现的年龄;
比对所述眼底图像体现的年龄和目标用户的实际年龄;
根据比对结果确定目标用户眼部健康程度。
可选地,所述根据比对结果确定用户眼部健康程度,包括:
根据所述目标用户的实际年龄确定多个其它用户的历史数据,其中各个其它用户的实际年龄与所述目标用户的实际年龄的差值在设定范围内,所述历史数据包括其它用户的眼底图像体现的年龄与其实际年龄的差值;
确定所述多个其它用户的历史数据的概率分布;
获取所述目标用户的眼底图像体现的年龄与其实际年龄的差值;
确定所述目标用户的差值在所述概率分布中所属的区间。
相应地,本发明还提供一种基于眼底图像确定年龄的设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述基于眼底图像确定年龄的方法。
相应地,本发明还提供一种确定用户眼部健康程度的设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述确定用户眼部健康程度的方法。
根据本发明实施例提供的基于眼底图像确定年龄的方法及装置,采用分类模型这种机器学习算法针对眼底图像所体现的年龄进行分类,由于分类模型在抽象特征识别方面具有超越人脑的更加强大的概括和提取能力,其可以在超越人类工作记忆和概括能力的基础上捕捉到人类无法概括的信息,与人类相比表现更加稳定。
本方案在不需要其它信息辅助的情况下,仅凭眼底图像即可得到确切的年龄信息,在实际使用中这一结果不总是与人体的实际年龄相等,而通常具有一定的差异,该信息在医疗领域中可以用于辅助确定人体的健康状态。
根据本发明提供的确定用户眼部健康程度的方法及装置,首先基于用户的眼底图像确定其年龄,然后将该年龄与此用户的实际年龄进行比对,以比对结果来衡量用户是否用眼过度或者是否由于某些原因导致视网膜异常,此过程不需要专业人员进行诊断,仅需用户提供眼底图像和年龄信息即可达到确定用户眼部健康程度的目的,具有较强的便利性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的基于眼底图像确定年龄的方法的流程图;
图2为本发明实施例中的确定用户眼部健康程度的方法的流程图;
图3为本发明实施例中的多个用户的视网膜年龄信息概率分布图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种基于眼底图像确定年龄的方法,该方法可以由计算机和服务器等电子设备执行。本发明提供的技术方案中使用了分类模型处理眼底图像,分类模型具体可以是各种结构和类型的神经网络模型。在使用分类模型之前,应当使用大量的样本数据对其进行训练,以使其具备一定的分类能力。
具体地,首先采集眼底图像及被拍摄者的实际年龄,并根据实际年龄标注眼底图像。
在一个实施例中,将年龄范围设定为0-100岁,并设置每3-5岁为一个区间,得到年龄分组如(0,1,2)、(3,4,5)、……、(98,99,100),其中每个分组分别对应不同的标识信息。当采集一个眼底图像及被拍摄者的实际年龄后,确定其实际年龄所属的组,将该组对应的标识信息作为此眼底图像的标签,得到一个样本数据;在另一个实施例中,将实际年龄的值作为眼底图像的标签,样本数据即为眼底图像及被拍摄者的实际年龄。
利用上述样本数据对初始的分类模型进行训练,得到对于年龄高低具有推理能力的线形回归模型。
在一个优选的实施例中,使分类模型同时执行多个任务,年龄推理作为其中一个任务。具体地,分类模型用于对眼底图像所体现的疾病(例如黄斑疾病、青光眼、糖网等)进行分类,同时用于对眼底图像所体现的年龄进行分类。由此,一个样本数据中包括眼底图像及其对应的关于年龄的标签和关于疾病的标签。
由于在分类模型构建过程中,给予模型多个任务时,由于不同任务之间具有公用的特征,其表现会优于执行单个任务时的表现,因此可以在构建疾病分类和预测模型的同时,将确定年龄作为一个子任务同时进行训练和输出,可提高分类模型针对年龄进行分类的性能。
在一个优选的实施例中,在准备样本数据时,还对眼底图像进行预处理。具体地,例如对眼底图像的局部或全局进行对比度增强等操作,使得图片本身可以呈现出更加适用于年龄识别的特征,例如血管的轮廓、黄斑轮廓及其范围内的灰度差别等等。这种处理方式可以使分类模型更清楚地提取与年龄相关的图像特征,从而提高分类模型的性能。
在得到分类模型后即可对未知年龄的眼底图像进行分类。如图1所示,本发明实施例提供的基于眼底图像确定年龄的方法包括如下步骤:
S1A,获取用户的至少一张眼底图像。例如获取一张眼底图像时,可以是双眼中任一只眼睛的图像;例如获取多张眼底图像时,可以获取同一只眼睛的多张图像,或者分别获取双眼的多张眼底图像。
S2A,利用分类模型对眼底图像进行分类,得到用于指示年龄的分类结果,分类结果的内容取决于训练分类模型时所采用的标签。此时分类模型输出的分类结果可以是用于指示年龄区间的信息,或者年龄数值。分类模型针对每一张眼底图像输出一个分类结果,各个分类结果可能是相同或不同的。
S3A,根据分类结果确定用户的年龄。例如只有一张眼底图像及其分类结果,如果分类结果是用于指示年龄区间的信息,则根据该信息可以确定对应的年龄分组,取分组中的中间值或平均值作为最终确定的用户年龄;如果分类结果是年龄数值,则可以将该数值作为最终确定的用户年龄,或者对该数值取整作为最终确定的用户年龄。
例如有多张眼底图像及其分类结果,则分别根据各个分类结果确定用户年龄,然后取所有用户年龄的平均值作为最终确定的用户年龄。
作为一个优选的实施例,在步骤S1A中分别获取用户的双眼各一张眼底图像;在步骤S2A中,利用分类模型分别对双眼各一张眼底图像进行分类,得到两个分类结果;在步骤S3A中,结合两个分类结果确定用户的年龄,例如分别确定两个分类结果所指示的年龄,然后取两个年龄值的平均值作为最终的结果。这种优选的方案综合用户双眼的状态,使最终计算出的年龄值更加客观和准确。
根据本发明实施例提供的基于眼底图像确定年龄的方法,采用分类模型这种机器学习算法针对眼底图像所体现的年龄进行分类,由于分类模型在抽象特征识别方面具有超越人脑的更加强大的概括和提取能力,其可以在超越人类工作记忆和概括能力的基础上捕捉到人类无法概括的信息,与人类相比表现更加稳定。本方案在不需要其它信息辅助的情况下,仅凭眼底图像即可得到确切的年龄信息,在实际使用中这一结果不总是与人体的实际年龄相等,而通常具有一定的差异,该信息在医疗领域中可以用于辅助确定人体的健康状态。
需要说明的是,本方案不仅限应用于眼科,很多其它科目的疾病的判别也需要结合年龄信息,因此通过这一任务可以更好的实现医疗算法的构建。
在一个优选的实施例中,在步骤S2A之前,对眼底图像进行预处理,以突出眼底图像中随年龄变化的图像特征,例如血管影像的特征、黄斑区域的特征等等。预处理使得分类模型更准确地提取眼底图像中随年龄变化的特征,以提高分类结果的准确性。
在一个优选的实施例中,使用的分类模型同时执行多个分类任务,例如第一任务是对眼底图像所属的疾病类型进行分类,第二任务是对眼底图像所所体现的年龄进行分类。向分类模型输入一张眼底图像时,分类模型输出的分类结果中包括用于表示疾病类型的信息和用于指示年龄的信息。由于不同任务之间具有公用的特征,这使得分类模型的表现会优于执行单个任务时的表现,由此可以提高分类结果的准确性。
本发明实施例还提供了一种基于眼底图像确定年龄的设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述基于眼底图像确定年龄的方法。
本发明实施例还提供了一种确定用户眼部健康程度的方法,该方法可以由计算机和服务器等电子设备执行。如图2所示,该方法包括如下步骤:
S1B,确定目标用户的眼底图像体现的年龄,具体可使用图1所示方法。
S2B,比对眼底图像体现的年龄和目标用户的实际年龄。为了便于说明,可将眼底图像体现的年龄称为视网膜年龄。实际年龄可由用户提供,或者根据出生日期和当前日期进行计算得到,在此获取的实际年龄优选为整数值。
S3B,根据比对结果确定目标用户眼部健康程度。比对结果例如是视网膜年龄大于实际年龄、视网膜年龄小于实际年龄、视网膜年龄等于实际年龄,这三种情况可对应若干种健康程度。
例如认为视网膜年龄大于实际年龄的情况对用户是不利的,这可能是用户用眼过度导致的,当得到这种比对结果时可以将其确定为健康程度较差,同时可以向用户反馈提示信息,提示用户注意眼部健康等等。
比对结果还可以包括视网膜年龄与实际年龄的差值,例如当视网膜年龄大于实际年龄时,差值越大则对应的健康程度越差;当视网膜年龄小于实际年龄时,差值越大则对应的健康程度越好。
根据本发明实施例提供的确定用户眼部健康程度的方法,首先基于用户的眼底图像确定其年龄,然后将该年龄与此用户的实际年龄进行比对,以比对结果来衡量用户是否用眼过度或者是否由于某些原因导致视网膜异常,此过程不需要专业人员进行诊断,仅需用户提供眼底图像和年龄信息即可达到确定用户眼部健康程度的目的,具有较强的便利性。
在一个优选的实施例中,还将目标用户的上述年龄差值与其它用户的数据进行比对。具体地,步骤S3B可包括如下步骤:
S3B1,根据目标用户的实际年龄确定多个其它用户的历史数据,历史数据包括其它用户的眼底图像体现的年龄与其实际年龄的差值,例如用户1的历史数据为用户1的实际年龄与其视网膜年龄的差值……用户n的历史数据为用户n的实际年龄与其视网膜年龄的差值。
在一个实施例中,其它用户即用户1……用户n的实际年龄与目标用户的实际年龄的差值在设定范围内,例如相差5岁以内。这是为了获取与目标用户属于同一年龄段的其它用户的数据。
S3B2,确定多个其它用户的历史数据的概率分布。利用统计学算法确定其它用户即用户1……用户n的历史数据的概率分布(例如高斯分布)。概率分布体现各个差值的人数占比,图3示出了一个年龄差的高斯分布,横坐标为年龄差ΔX=实际年龄-视网膜年龄,95.44%代表在用户1……用户n中与目标用户实际年龄差值在±5岁内的用户中,有95.44%的用户ΔX在(-2,+2)以内,有13.59%的用户ΔX在(-2,-1)以内。
S3B3,获取目标用户的眼底图像体现的年龄与其实际年龄的差值,也即计算目标用户的ΔX。
S3B4,确定目标用户的差值在概率分布中所属的区间。以图3为例,对于一个新进入的ΔX找到该数值在此高斯分布中的概率区间,例如目标用户的ΔX为+2,则掉出了95.44%的分布之外,则确定该目标用户的ΔX比(1-(1-0.9544)/2)*100%=97.7%的用户更优秀。
通过与他人的数据进行比较可以使用户了解到本人在群体中的健康水平,使用户获得更加直观和可参考的数据,以提高本方案的实用性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于眼底图像确定年龄的方法,其特征在于,包括:
获取用户的至少一张眼底图像;
利用分类模型对所述眼底图像进行分类,得到用于指示年龄的分类结果;
根据所述分类结果确定用户的年龄。
2.根据权利要求1所述的方法,其特征在于,在获取用户的至少一张眼底图像的步骤中至少获取双眼各一张眼底图像。
3.根据权利要求2所述的方法,其特征在于,在利用分类模型对所述眼底图像进行分类的步骤中,利用同一分类模型分别对双眼的张眼底图像进行分类,得到至少两个用于指示年龄的分类结果;
根据所述分类结果确定用户的年龄,包括:
分别确定各个分类结果所指示的年龄;
根据各个分类结果所指示的年龄确定用户的年龄。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述分类模型输出的分类结果是用于指示年龄区间的信息;在根据所述分类结果确定用户的年龄的步骤中,根据所述年龄区间确定年龄数值;
或者所述分类模型输出的分类结果是年龄数值。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述分类模型同时针对多个任务对所述眼底图像进行分类,得到用于指示年龄的分类结果作为所述多个任务中的一个任务,其它任务是与年龄不相关的任务。
6.根据权利要求1-5中任一项所述的方法,其特征在于,在获取用户的至少一张眼底图像的步骤中,包括对眼底图像进行预处理,以突出所述眼底图像中随年龄变化的图像特征。
7.一种确定用户眼部健康程度的方法,其特征在于,包括:
利用权利要求1-6中任一项所述的方法确定眼底图像体现的年龄;
比对所述眼底图像体现的年龄和目标用户的实际年龄;
根据比对结果确定目标用户眼部健康程度。
8.根据权利要求7所述的方法,其特征在于,所述根据比对结果确定用户眼部健康程度,包括:
根据所述目标用户的实际年龄确定多个其它用户的历史数据,其中各个其它用户的实际年龄与所述目标用户的实际年龄的差值在设定范围内,所述历史数据包括其它用户的眼底图像体现的年龄与其实际年龄的差值;
确定所述多个其它用户的历史数据的概率分布;
获取所述目标用户的眼底图像体现的年龄与其实际年龄的差值;
确定所述目标用户的差值在所述概率分布中所属的区间。
9.一种基于眼底图像确定年龄的设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-6中任意一项所述的基于眼底图像确定年龄的方法。
10.一种确定用户眼部健康程度的设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求8或9所述的确定用户眼部健康程度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509791.3A CN110135528A (zh) | 2019-06-13 | 2019-06-13 | 年龄确定方法、眼部健康程度确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509791.3A CN110135528A (zh) | 2019-06-13 | 2019-06-13 | 年龄确定方法、眼部健康程度确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135528A true CN110135528A (zh) | 2019-08-16 |
Family
ID=67581403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910509791.3A Pending CN110135528A (zh) | 2019-06-13 | 2019-06-13 | 年龄确定方法、眼部健康程度确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135528A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028232A (zh) * | 2019-12-31 | 2020-04-17 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的糖尿病分类方法及设备 |
CN111047590A (zh) * | 2019-12-31 | 2020-04-21 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的高血压分类方法及设备 |
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 |
CN111862020A (zh) * | 2020-07-13 | 2020-10-30 | 南方科技大学 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
CN115171204A (zh) * | 2022-09-06 | 2022-10-11 | 北京鹰瞳科技发展股份有限公司 | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650653A (zh) * | 2016-12-14 | 2017-05-10 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于深度学习的人脸识别和年龄合成联合模型的构建方法 |
CN106682389A (zh) * | 2016-11-18 | 2017-05-17 | 武汉大学 | 一种用于监控高血压引发的眼部病变健康管理*** |
DE102017109856A1 (de) * | 2017-04-19 | 2018-10-25 | Instrumentacion Y Oftalmologia Insoft S.L. | Verfahren zur Bestimmung des Alters der Linse |
CN109376932A (zh) * | 2018-10-30 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于预测模型的年龄预测方法、装置、服务器及存储介质 |
CN109844868A (zh) * | 2016-08-18 | 2019-06-04 | 谷歌有限责任公司 | 使用机器学习模型处理眼底图像 |
-
2019
- 2019-06-13 CN CN201910509791.3A patent/CN110135528A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109844868A (zh) * | 2016-08-18 | 2019-06-04 | 谷歌有限责任公司 | 使用机器学习模型处理眼底图像 |
CN106682389A (zh) * | 2016-11-18 | 2017-05-17 | 武汉大学 | 一种用于监控高血压引发的眼部病变健康管理*** |
CN106650653A (zh) * | 2016-12-14 | 2017-05-10 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于深度学习的人脸识别和年龄合成联合模型的构建方法 |
DE102017109856A1 (de) * | 2017-04-19 | 2018-10-25 | Instrumentacion Y Oftalmologia Insoft S.L. | Verfahren zur Bestimmung des Alters der Linse |
CN109376932A (zh) * | 2018-10-30 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于预测模型的年龄预测方法、装置、服务器及存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028232A (zh) * | 2019-12-31 | 2020-04-17 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的糖尿病分类方法及设备 |
CN111047590A (zh) * | 2019-12-31 | 2020-04-21 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的高血压分类方法及设备 |
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 |
CN111862020A (zh) * | 2020-07-13 | 2020-10-30 | 南方科技大学 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
CN111862020B (zh) * | 2020-07-13 | 2024-04-05 | 南方科技大学 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
CN115171204A (zh) * | 2022-09-06 | 2022-10-11 | 北京鹰瞳科技发展股份有限公司 | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 |
CN115171204B (zh) * | 2022-09-06 | 2023-02-21 | 北京鹰瞳科技发展股份有限公司 | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135528A (zh) | 年龄确定方法、眼部健康程度确定方法和装置 | |
Jiwani et al. | Novel healthcare framework for cardiac arrest with the application of AI using ANN | |
Qummar et al. | A deep learning ensemble approach for diabetic retinopathy detection | |
Vega et al. | Retinal vessel extraction using lattice neural networks with dendritic processing | |
Guo et al. | A computer-aided healthcare system for cataract classification and grading based on fundus image analysis | |
Prentašić et al. | Detection of exudates in fundus photographs using convolutional neural networks | |
Forestier et al. | Classification of surgical processes using dynamic time warping | |
CN110897639A (zh) | 一种基于深度卷积神经网络的脑电睡眠分期方法 | |
JP2011520503A (ja) | 自動陥凹乳頭比測定システム | |
CN110163839A (zh) | 豹纹状眼底图像识别方法、模型训练方法及设备 | |
CN115329818A (zh) | 基于vr的多模态融合注意力评估方法、***及存储介质 | |
Pachón-Suescún et al. | Abnormal gait detection by means of lstm. | |
Yerokhin et al. | Usage of phase space diagram to finding significant features of rhinomanometric signals | |
El Hossi et al. | Applied CNN for automatic diabetic retinopathy assessment using fundus images | |
CN117764957A (zh) | 基于人工神经网络的青光眼图像特征提取的训练*** | |
Shaik et al. | Glaucoma identification based on segmentation and fusion techniques | |
Choudhary et al. | ANN glaucoma detection using cup-to-disk ratio and neuroretinal rim | |
CN110490138A (zh) | 一种数据处理方法及装置、存储介质、电子设备 | |
Zhu et al. | A computer vision-based approach to grade simulated cataract surgeries | |
Tucker et al. | The pseudotemporal bootstrap for predicting glaucoma from cross-sectional visual field data | |
Cornforth et al. | Automated classification reveals morphological factors associated with dementia | |
Agarwal et al. | Automatic computer aided diagnosis for early diabetic retinopathy detection and monitoring: A comprehensive review | |
Schweitzer et al. | Definition, modeling, and detection of saccades in the face of post-saccadic oscillations | |
CN115205954A (zh) | 一种眼部病症识别方法、装置及设备 | |
Raghavan et al. | Bio-inspired and deep learning approach for cerebral aneurysms prediction in healthcare environment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |