CN110660488A - 基于多光谱眼底成像的糖网筛查方法及平台和存储介质 - Google Patents

基于多光谱眼底成像的糖网筛查方法及平台和存储介质 Download PDF

Info

Publication number
CN110660488A
CN110660488A CN201911065299.8A CN201911065299A CN110660488A CN 110660488 A CN110660488 A CN 110660488A CN 201911065299 A CN201911065299 A CN 201911065299A CN 110660488 A CN110660488 A CN 110660488A
Authority
CN
China
Prior art keywords
characteristic
health
blood vessel
fundus
sugar
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
Application number
CN201911065299.8A
Other languages
English (en)
Inventor
冬雪川
马菲妍
黄叶权
陈振华
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.)
Shenzhen Shengda Ze Technology Co Ltd
Original Assignee
Shenzhen Shengda Ze Technology Co Ltd
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 Shenzhen Shengda Ze Technology Co Ltd filed Critical Shenzhen Shengda Ze Technology Co Ltd
Priority to CN201911065299.8A priority Critical patent/CN110660488A/zh
Publication of CN110660488A publication Critical patent/CN110660488A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • A61B3/12—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
    • A61B3/1241—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 specially adapted for observation of ocular blood flow, e.g. by fluorescein angiography
    • 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
    • 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

Landscapes

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

Abstract

本发明公开一种基于多光谱眼底成像的糖网筛查方法以及平台和计算机可读存储介质，其中基于多光谱眼底成像的糖网筛查方法包括：获取由多光谱眼底成像装置摄取的待检测对象的眼底图像；采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出；若是，则输出严重疾病诊断信息；若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值。本发明的技术方案可以对没有患病的待检测对象的眼底照片进行分析，并输出健康量化数值，以使得没有患病的待检测对象能够知道自己的健康状态。

Description

基于多光谱眼底成像的糖网筛查方法及平台和存储介质
技术领域
本发明涉及医疗技术领域，特别涉及一种基于多光谱眼底成像的糖网筛查方法及平台和存储介质。
背景技术
多光谱成像(Multiple Spectrum Imaging，MSI)最早源于遥感卫星、空间探测、军事等领域。多光谱眼底分层成像***是MSI在眼科领域的首次应用。
多光谱眼底分层成像装置是利用不同单色LED光源投射至眼底的不同层次(包括深层视网膜及脉络膜)，通过眼内不同物质对不同单色光的吸收、反射特性，从而获得一系列眼底冠状面(En face)图像。不同光谱对应的不同病理特征，具体如下：
绿光显示浅层视网膜的结构，用于观察视网膜前膜、视网膜神经层、玻璃体视网膜的牵引、视网膜皱折、囊肿及黄斑裂孔等。
黄光、琥珀光、红光谱用于显示中层视网膜结构，可用于观察出血、渗出及玻璃膜疣、新生血管等病变，如糖尿病视网膜病变等。
深红光、红外光显示的是深层视网膜的结构，用于观察伴有视网膜色素紊乱、RPE层、黄斑变性、瘢痕、色素痣、脉络膜黑色素瘤等病变。
现有技术中，主要是通过多光谱眼底成像装置摄取的眼底照片对待诊断对象进行诊断，以判断待诊断对象是否患病，而并没有对没有患病的待诊断对象的眼底照片进行进一步分析，以判断待诊断对象的健康状况。
发明内容
本发明的主要目的是提供一种基于多光谱眼底成像的糖网筛查方法及平台和存储介质，旨在对没有患病的待检测对象的眼底照片进行分析，并输出健康量化数值，以使得没有患病的待检测对象能够知道自己的健康状态。
为实现上述目的，本发明提出一种基于多光谱眼底成像的糖网筛查方法，包括：
获取由多光谱眼底成像装置摄取的待检测对象的眼底图像；
采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出；
若是，则输出严重疾病诊断信息；
若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
可选地，采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出的步骤，包括：
采用卷积神经网络训练算法，提取所述眼底图像的糖网疾病特征的特征参数和血管健康特征的特征参数；
将所述糖网疾病特征的特征参数与所述血管健康特征的特征参数对应与糖网疾病特征的标准参数和血管健康特征的标准参数比对；
当两个相似度均达到各自的设定阈值时，则判断包括有出血和/或渗出；
当两个相似度均低于各自的设定阈值时，则判断不包含出血和/或渗出。
可选地，所述糖网疾病特征包括微血管瘤特征、软性渗出特征、硬性渗出特征和出血特征；
所述血管健康度特征包括动脉特征、静脉特征和动静脉交叉压迫分支特征。
可选地，若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值的步骤包括：
若否，则先对所述眼底图像进行质量评估；
将质量合格的所述眼底图像进行AI图像血管特征提取；
将经过所述AI图像提取的血管信息进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
可选地，若否，则先对所述眼底图像进行质量评估的步骤之后，包括：
对不合格的所述眼底图像进行不做分析处理。
可选地，将质量合格的所述眼底图像进行AI图像分析的步骤具体包括：
获取质量合格的所述眼底图像的的糖网疾病特征的特征参数和血管健康特征的特征参数；
根据的糖网疾病特征的特征参数和血管健康特征的特征参数，对各糖网疾病特征和血管健康特征进行量化。
可选地，根据的糖网疾病特征的特征参数和血管健康特征的特征参数，对各糖网疾病特征和血管健康特征进行量化的步骤中，对各糖网疾病特征和血管健康特征进行量化包括:
糖网疾病特征量化，包括微血管瘤个数、每个软性渗出面积、每个硬性渗出面积和每个出血面积；以及，
血管健康特征量化：动静脉比、动脉反光指数、血管分叉角度、血管弯曲度和动静脉交叉压迫个数。
可选地，将经过所述AI图像分析的所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值的步骤包括：
对各糖网疾病特征和血管健康特征进行量化值设置相应的权重，以得到量化总值，以确定待检测对象的健康量化数值。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于多光谱眼底成像的糖网筛查程序，所述基于多光谱眼底成像的糖网筛查平台的运行程序执行时实现上述任一项所述的基于多光谱眼底成像的糖网筛查方法的步骤。
本发明又提供一种基于多光谱眼底成像的糖网筛查平台，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行基于多光谱眼底成像的糖网筛查程序，所述基于多光谱眼底成像的糖网筛查程序配置为实现如上述任一项所述的基于多光谱眼底成像的糖网筛查法的步骤。
本发明的技术方案包括：获取由多光谱眼底成像装置摄取的待检测对象的眼底图像；采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出；若是，则输出严重疾病诊断信息；若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值。本发明的技术方案可以对没有患病的待检测对象的眼底照片进行分析，并输出健康量化数值，以使得没有患病的待检测对象能够知道自己的健康状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明提供的基于多光谱眼底成像的糖网筛查方法的第一实施例的流程示意图；
图3为本发明提供的基于多光谱眼底成像的糖网筛查方法的第二实施例的流程示意图；
图4为本发明提供的基于多光谱眼底成像的糖网筛查方法的第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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作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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的基于多光谱眼底成像的糖网筛查平台结构示意图。
如图1所示，该基于多光谱眼底成像的糖网筛查平台包括：处理器1001，例如CPU，通信总线1002、数据接口1003和存储器1004。其中，通信总线1002用于实现这些组件之间的连接通信。数据接口1003还可以包括标准的有线接口(如USB接口或者IO接口)、无线接口(如WI-FI接口)。存储器1004可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器可选的还可以是独立于前述处理器的存储装置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、数据接口实现程序以及基于多光谱眼底成像的糖网筛查程序。
在图1所示的终端中，该处理器1001可以用于调用存储器1005中存储的基于多光谱眼底成像的糖网筛查程序，并执行以下操作：
获取由多光谱眼底成像装置摄取的待检测对象的眼底图像；
采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出；
若是，则输出严重疾病诊断信息；
若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
进一步地，处理器1001可以调用存储器1005中存储的基于多光谱眼底成像的糖网筛查程序，还执行以下操作：采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出的步骤，包括：
采用卷积神经网络训练算法，提取所述眼底图像的糖网疾病特征的特征参数和血管健康特征的特征参数；
将所述糖网疾病特征的特征参数与所述血管健康特征的特征参数对应与糖网疾病特征的标准参数和血管健康特征的标准参数比对；
当两个相似度均达到各自的设定阈值时，则判断包括有出血和/或渗出；
当两个相似度均低于各自的设定阈值时，则判断不包含出血和/或渗出。
其中，所述糖网疾病特征包括微血管瘤特征、软性渗出特征、硬性渗出特征和出血特征；所述血管健康度特征包括动脉特征、静脉特征和动静脉交叉压迫分支特征。
进一步地，处理器1001可以调用存储器1005中存储的基于多光谱眼底成像的糖网筛查程序，还执行以下操作：若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值的步骤包括：
若否，则先对所述眼底图像进行质量评估；
将质量合格的所述眼底图像进行AI图像血管特征提取；
将经过所述AI图像提取的血管信息进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
进一步地，处理器1001可以调用存储器1005中存储的基于多光谱眼底成像的糖网筛查程序，还执行以下操作：若否，则先对所述眼底图像进行质量评估的步骤之后，包括：
对不合格的所述眼底图像进行不做分析处理。
进一步地，处理器1001可以调用存储器1005中存储的基于多光谱眼底成像的糖网筛查程序，还执行以下操作：将质量合格的所述眼底图像进行AI图像分析的步骤具体包括：
获取质量合格的所述眼底图像的的糖网疾病特征的特征参数和血管健康特征的特征参数；
根据的糖网疾病特征的特征参数和血管健康特征的特征参数，对各糖网疾病特征和血管健康特征进行量化。
进一步地，处理器1001可以调用存储器1005中存储的基于多光谱眼底成像的糖网筛查程序，还执行以下操作：根据的糖网疾病特征的特征参数和血管健康特征的特征参数，对各糖网疾病特征和血管健康特征进行量化的步骤中，对各糖网疾病特征和血管健康特征进行量化包括:
糖网疾病特征量化，包括微血管瘤个数、每个软性渗出面积、每个硬性渗出面积和每个出血面积；以及，
血管健康特征量化：动静脉比、动脉反光指数、血管分叉角度、血管弯曲度和动静脉交叉压迫个数。
进一步地，处理器1001可以调用存储器1005中存储的基于多光谱眼底成像的糖网筛查程序，还执行以下操作：将经过所述AI图像分析的所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值的步骤包括：
对各糖网疾病特征和血管健康特征进行量化值设置相应的权重，以得到量化总值，以确定待检测对象的健康量化数值。
本实施例提出一种基于多光谱眼底成像的糖网筛查方法，图2为本发明提供的基于多光谱眼底成像的糖网筛查方法的第一实施例，请参阅图2，所述基于多光谱眼底成像的糖网筛查方法包括：
步骤S10、获取由多光谱眼底成像装置摄取的待检测对象的眼底图像；
多光谱眼底成像技术(Multiple Spectrum Imaging，MSI)，比传统眼底照相能获得更深、更广、更准确的眼底组织病变信息。与传统眼底成像技术运用可见光为光源相比，该技术是利用多个单色LED光分别投射眼底不同深度(包含RPE层及脉络膜)的组织，利用不同组织吸收光谱的差异，将眼底不同深度的图像进行采集，形成包含视网膜出血、玻璃膜疣，氧含量、脂褐素、色素变化等可反映心脑血管疾病和全身性微循环***疾病损伤程度单色光谱图像。
步骤S20、采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出；
对于眼底图像存在出血和/或渗出表示已经出现了严重的病变，所以，首先将这类严重病变的情况筛选出。
步骤S30、若是，则输出严重疾病诊断信息；
步骤S40、若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
本发明的技术方案包括：获取由多光谱眼底成像装置摄取的待检测对象的眼底图像；采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出；若是，则输出严重疾病诊断信息；若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值。本发明的技术方案可以对没有患病的待检测对象的眼底照片进行分析，并输出健康量化数值，以使得没有患病的待检测对象能够知道自己的健康状态。
图3为本发明提供的基于多光谱眼底成像的糖网筛查方法的第二实施例，请参阅图3，在该实施例中，步骤S20具体包括：
步骤S21、采用卷积神经网络训练算法，提取所述眼底图像的糖网疾病特征的特征参数和血管健康特征的特征参数；
步骤S22、将所述糖网疾病特征的特征参数与所述血管健康特征的特征参数对应与糖网疾病特征的标准参数和血管健康特征的标准参数比对；
步骤S23、当两个相似度均达到各自的设定阈值时，则判断包括有出血和/或渗出；
步骤S24、当两个相似度均低于各自的设定阈值时，则判断不包含出血和/或渗出。
在实施基于多光谱眼底成像的糖网筛查方法之前，基于多光谱眼底成像的糖网筛查平台进行了大量的训练，通过大量的训练选择了比较合适的卷积核，同时基于多光谱眼底成像的糖网筛查平台存储有糖网疾病特征的标准参数和血管健康特征的标准参数，该等标准参数可以是人工(例如专家级医生输入)，也可以是，从标准症状且患病的眼底图像中提取的，在此不做限制。
当接收到待检测对象的眼底图像，可以通过采用前述的卷积核分别对其进行特征提取，以得到糖网疾病特征的特征参数和血管健康特征的特征参数，接着将该等特征参数与对应的标准参数进行比对，只要两者均在设定阈值(例如50％)以内，表示与患病的眼底图像差别比较大，也即可以初步判定为健康，只有两者均达到该等设定阈值，表示与患病的眼底图像比较接近，也即表示患病。
所述糖网疾病特征包括微血管瘤特征、软性渗出特征、硬性渗出特征和出血特征，所述血管健康度特征包括动脉特征、静脉特征和动静脉交叉压迫分支特征，该等特征属于该等疾病的常规症状特征。
图4为本发明提供的基于多光谱眼底成像的糖网筛查方法的第三实施例，请参阅图4，在该实施例中，步骤S40包括：
步骤S41、若否，则先对所述眼底图像进行质量评估；
先对图像进行质量评估，主要是对图像的清晰度和照明的均匀性进行评估，只有清晰度和照明均匀性分别达到设定值时，才认为该眼底图像为质量合格的图像，否则认为是认为质量不合格，对不合格的所述眼底图像进行不做分析处理。显然清晰度和照明的均匀性评估可以采用现有的算法，在此不做详细介绍。
步骤S42、将质量合格的所述眼底图像进行AI图像血管特征提取；
步骤S43、将经过所述AI图像提取的血管信息进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
对于质量合格的所述眼底图像需要进行AI图像血管特征提取，提取一些血管信息，然后根据该等血管信息对待检测对象的健康进行量化。
本实施例中，对各糖网疾病特征和血管健康特征进行量化包括:
糖网疾病特征量化，包括微血管瘤个数、每个软性渗出面积、每个硬性渗出面积和每个出血面积；以及，
血管健康特征量化：动静脉比、动脉反光指数、血管分叉角度、血管弯曲度和动静脉交叉压迫个数。
其中，糖网疾病特征量化具体为：会对眼底图像上每个像素进行特征判断，例如如果某个像素属于某个特征，则输出1，否则输出0，这样对一张图像上的所有像素都得到某种特征的判断结果后，可以提取出属于某一特征的所有像素，从而进行量化分析。以微血管瘤为例，提取所有判断是微血管瘤为1的像素信息，按照连通域进行分割，排除面积异常的样本后就能获得微血管的个数。渗出和出血的判断与微血管瘤类似，在此不做赘述。
对于血管健康特征量化具体为：
在眼底图像中提取视盘的位置，根据视盘处血管的形态和走向确定动脉和静脉。然后提取以视盘中心为中心，以1PD、2PD为半径处的动脉和静脉血管，计算横截面的直径得到血管宽度，将动静脉血管直接相除后取平均值即可得到动静脉比。
根据提取的动静脉血管走树，获得血管水平和垂直方向的梯度变化值，通过梯度变化值可以反向计算出血管的弯曲度和分叉角度。
根据提取的动静脉血管走树，动脉静脉重合处为交叉点，计算静脉在交叉点前后角度的变化可以知道是否产生压迫(角度变化超过设定的阈值可判定为压迫)。
在本发明的一实施例中，步骤S43包括：对各糖网疾病特征和血管健康特征进行量化值设置相应的权重，以得到量化总值，以确定待检测对象的健康量化数值，糖网疾病特征和血管健康特征的具体权重视需要而设置，具体地，，糖网疾病特征为x，血管健康特征为y，例如若两者同等重要则均设置为x＝y＝1，若前者重要，则设置为，x＞y反之则，y＞x。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有智能戒指的控制程序，所述智能戒指的控制程序被处理器执行时实现如上述任一实施例的基于多光谱眼底成像的糖网筛查平台的运行方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，电视机，或者网络设备等)执行本发明各个实施例的方法。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于多光谱眼底成像的糖网筛查方法，其特征在于，包括：
获取由多光谱眼底成像装置摄取的待检测对象的眼底图像；
采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出；
若是，则输出严重疾病诊断信息；
若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
2.如权利要求1所述的基于多光谱眼底成像的糖网筛查方法，其特征在于，采用糖网病分析算法对所述眼底图像的图像数据进行运算，判断所述眼底图像是否含有出血和/或渗出的步骤，包括：
采用卷积神经网络训练算法，提取所述眼底图像的糖网疾病特征的特征参数和血管健康特征的特征参数；
将所述糖网疾病特征的特征参数与所述血管健康特征的特征参数对应与糖网疾病特征的标准参数和血管健康特征的标准参数比对；
当两个相似度均达到各自的设定阈值时，则判断包括有出血和/或渗出；
当两个相似度均低于各自的设定阈值时，则判断不包含出血和/或渗出。
3.如权利要求2所述的基于多光谱眼底成像的糖网筛查方法，其特征在于，所述糖网疾病特征包括微血管瘤特征、软性渗出特征、硬性渗出特征和出血特征；
所述血管健康度特征包括动脉特征、静脉特征和动静脉交叉压迫分支特征。
4.如权利要求3所述的基于多光谱眼底成像的糖网筛查方法，其特征在于，若否，则对所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值的步骤包括：
若否，则先对所述眼底图像进行质量评估；
将质量合格的所述眼底图像进行AI图像血管特征提取；
将经过所述AI图像提取的血管信息进行血管健康分析算法处理，以确定待检测对象的健康量化数值。
5.如权利要求4所述的基于多光谱眼底成像的糖网筛查方法，其特征在于，若否，则先对所述眼底图像进行质量评估的步骤之后，包括：
对不合格的所述眼底图像进行不做分析处理。
6.如权利要求4所述的基于多光谱眼底成像的糖网筛查方法，其特征在于，将质量合格的所述眼底图像进行AI图像分析的步骤具体包括：
获取质量合格的所述眼底图像的的糖网疾病特征的特征参数和血管健康特征的特征参数；
根据的糖网疾病特征的特征参数和血管健康特征的特征参数，对各糖网疾病特征和血管健康特征进行量化。
7.如权利要求6所述的基于多光谱眼底成像的糖网筛查方法，其特征在于，根据的糖网疾病特征的特征参数和血管健康特征的特征参数，对各糖网疾病特征和血管健康特征进行量化的步骤中，对各糖网疾病特征和血管健康特征进行量化包括:
糖网疾病特征量化，包括微血管瘤个数、每个软性渗出面积、每个硬性渗出面积和每个出血面积；以及，
血管健康特征量化：动静脉比、动脉反光指数、血管分叉角度、血管弯曲度和动静脉交叉压迫个数。
8.如权利要求6所述的基于多光谱眼底成像的糖网筛查方法，其特征在于，将经过所述AI图像分析的所述眼底图像进行血管健康分析算法处理，以确定待检测对象的健康量化数值的步骤包括：
对各糖网疾病特征和血管健康特征进行量化值设置相应的权重，以得到量化总值，以确定待检测对象的健康量化数值。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于多光谱眼底成像的糖网筛查程序，所述基于多光谱眼底成像的糖网筛查平台的运行程序执行时实现如权利要求1至8中任一项所述的基于多光谱眼底成像的糖网筛查方法的步骤。
10.一种基于多光谱眼底成像的糖网筛查平台，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行基于多光谱眼底成像的糖网筛查程序，所述基于多光谱眼底成像的糖网筛查程序配置为实现如权利要求1至8中任一项所述的基于多光谱眼底成像的糖网筛查法的步骤。
CN201911065299.8A 2019-10-31 2019-10-31 基于多光谱眼底成像的糖网筛查方法及平台和存储介质 Pending CN110660488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911065299.8A CN110660488A (zh) 2019-10-31 2019-10-31 基于多光谱眼底成像的糖网筛查方法及平台和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911065299.8A CN110660488A (zh) 2019-10-31 2019-10-31 基于多光谱眼底成像的糖网筛查方法及平台和存储介质

Publications (1)

Publication Number Publication Date
CN110660488A true CN110660488A (zh) 2020-01-07

Family

ID=69042759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911065299.8A Pending CN110660488A (zh) 2019-10-31 2019-10-31 基于多光谱眼底成像的糖网筛查方法及平台和存储介质

Country Status (1)

Country Link
CN (1) CN110660488A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115691811A (zh) * 2022-12-06 2023-02-03 山东省立第三医院 一种用于2型糖尿病患者的健康管理方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725292A (zh) * 2016-12-30 2017-05-31 深圳市新产业眼科新技术有限公司 多光谱眼底成像远程诊疗***及其运行方法
CN107680683A (zh) * 2017-10-09 2018-02-09 上海睦清视觉科技有限公司 一种ai眼部健康评估方法
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断***
CN109411086A (zh) * 2018-12-26 2019-03-01 深圳硅基智能科技有限公司 眼底图像病变的筛查***
CN109686440A (zh) * 2018-12-20 2019-04-26 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN109767828A (zh) * 2019-01-23 2019-05-17 深圳市新产业眼科新技术有限公司 交互式在线诊断云平台及其运行方法和可读存储介质
CN110101361A (zh) * 2019-04-23 2019-08-09 深圳市新产业眼科新技术有限公司 基于大数据在线智能诊断平台及其运行方法和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725292A (zh) * 2016-12-30 2017-05-31 深圳市新产业眼科新技术有限公司 多光谱眼底成像远程诊疗***及其运行方法
CN107680683A (zh) * 2017-10-09 2018-02-09 上海睦清视觉科技有限公司 一种ai眼部健康评估方法
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断***
CN109686440A (zh) * 2018-12-20 2019-04-26 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN109411086A (zh) * 2018-12-26 2019-03-01 深圳硅基智能科技有限公司 眼底图像病变的筛查***
CN109767828A (zh) * 2019-01-23 2019-05-17 深圳市新产业眼科新技术有限公司 交互式在线诊断云平台及其运行方法和可读存储介质
CN110101361A (zh) * 2019-04-23 2019-08-09 深圳市新产业眼科新技术有限公司 基于大数据在线智能诊断平台及其运行方法和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115691811A (zh) * 2022-12-06 2023-02-03 山东省立第三医院 一种用于2型糖尿病患者的健康管理方法及***
CN115691811B (zh) * 2022-12-06 2024-03-22 山东省立第三医院 一种用于2型糖尿病患者的健康管理方法及***

Similar Documents

Publication Publication Date Title
Pao et al. Detection of diabetic retinopathy using bichannel convolutional neural network
EP3373798B1 (en) Method and system for classifying optic nerve head
Cabrera DeBuc et al. Investigating multimodal diagnostic eye biomarkers of cognitive impairment by measuring vascular and neurogenic changes in the retina
Sharafi et al. Vascular retinal biomarkers improves the detection of the likely cerebral amyloid status from hyperspectral retinal images
CN108771530A (zh) 基于深度神经网络的眼底病变筛查***
US10327635B2 (en) Systems and methods to compensate for reflectance variation in OCT angiography
CN111222361A (zh) 一种高血压视网膜血管改变特征数据分析的方法和***
CN110875092B (zh) 一种基于远程眼底筛查的健康大数据服务方法和***
US11963721B2 (en) Method and system for quantifying biomarker of a tissue
JP6745496B2 (ja) 糖尿病網膜症の病期判定支援システムおよび糖尿病網膜症の病期の判定を支援する方法
US20220151568A1 (en) Supervised machine learning based multi-task artificial intelligence classification of retinopathies
WO2012136079A1 (en) Method and device for retinal image analysis
Mangalesh et al. Macular OCT characteristics at 36 weeks’ postmenstrual age in infants examined for retinopathy of prematurity
Koprowski et al. Automatic analysis of selected choroidal diseases in OCT images of the eye fundus
JP7066959B2 (ja) 網膜血管系画像からの高血圧のレベルの判定
Dimauro et al. Anaemia detection based on sclera and blood vessel colour estimation
Popovic et al. Fractal characterization of retinal microvascular network morphology during diabetic retinopathy progression
US20220400942A1 (en) Methods and Systems for Estimating Visual Field Sensitivities from Retinal Optical Texture Analysis (ROTA) Maps
CN110660488A (zh) 基于多光谱眼底成像的糖网筛查方法及平台和存储介质
Hani et al. Enhancement of colour fundus image and FFA image using RETICA
US9230045B2 (en) Layer-by-layer quantification of the remodeling of the human fovea in neurodegenerative disease
Shin et al. A novel noninvasive detection method for retinal nonperfusion using confocal red-free imaging
US20230037424A1 (en) A system and method for classifying images of retina of eyes of subjects
JP2024504321A (ja) 血管系を検出するための方法およびシステム
Kim et al. Comparison of choroidal hyperreflective spots on optical coherence tomography images between both eyes of normal subjects

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