CN111325631A - 一种基于眼底图像的健康保险控费的方法和*** - Google Patents
一种基于眼底图像的健康保险控费的方法和*** Download PDFInfo
- Publication number
- CN111325631A CN111325631A CN201811536492.0A CN201811536492A CN111325631A CN 111325631 A CN111325631 A CN 111325631A CN 201811536492 A CN201811536492 A CN 201811536492A CN 111325631 A CN111325631 A CN 111325631A
- Authority
- CN
- China
- Prior art keywords
- data
- retinal
- fundus
- analyzed
- fundus image
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002207 retinal effect Effects 0.000 claims abstract description 84
- 238000013139 quantization Methods 0.000 claims abstract description 55
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 41
- 206010025421 Macule Diseases 0.000 claims abstract description 11
- 230000002792 vascular Effects 0.000 claims abstract description 11
- 238000012954 risk control Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 54
- 210000001525 retina Anatomy 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 22
- 210000001210 retinal vessel Anatomy 0.000 claims description 22
- 210000000873 fovea centralis Anatomy 0.000 claims description 15
- 210000000056 organ Anatomy 0.000 claims description 15
- 210000001508 eye Anatomy 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000002123 temporal effect Effects 0.000 claims description 13
- 230000036772 blood pressure Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 11
- 201000001320 Atherosclerosis Diseases 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000003734 kidney Anatomy 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 210000001927 retinal artery Anatomy 0.000 claims description 8
- 230000009956 central mechanism Effects 0.000 claims description 7
- 210000002216 heart Anatomy 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000740 bleeding effect Effects 0.000 claims description 5
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 235000005911 diet Nutrition 0.000 claims description 5
- 230000004438 eyesight Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 230000037213 diet Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008816 organ damage Effects 0.000 claims description 4
- 229910052709 silver Inorganic materials 0.000 claims description 4
- 239000004332 silver Substances 0.000 claims description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 206010030113 Oedema Diseases 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 210000004126 nerve fiber Anatomy 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 22
- 206010012689 Diabetic retinopathy Diseases 0.000 description 21
- 206010012601 diabetes mellitus Diseases 0.000 description 20
- 238000007726 management method Methods 0.000 description 19
- 206010020772 Hypertension Diseases 0.000 description 17
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 12
- 208000033679 diabetic kidney disease Diseases 0.000 description 12
- 230000002265 prevention Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 208000006011 Stroke Diseases 0.000 description 9
- 208000017667 Chronic Disease Diseases 0.000 description 8
- 210000001367 artery Anatomy 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 208000032843 Hemorrhage Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006806 disease prevention Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 210000002189 macula lutea Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009885 systemic effect Effects 0.000 description 4
- 208000017442 Retinal disease Diseases 0.000 description 3
- 206010038923 Retinopathy Diseases 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 208000032598 susceptibility microvascular complications of diabetes Diseases 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000003143 atherosclerotic effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001631 hypertensive effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010067671 Disease complication Diseases 0.000 description 1
- 206010010164 Hypertension complications Diseases 0.000 description 1
- 208000001344 Macular Edema Diseases 0.000 description 1
- 206010025415 Macular oedema Diseases 0.000 description 1
- 208000009857 Microaneurysm Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 208000037111 Retinal Hemorrhage Diseases 0.000 description 1
- 208000014139 Retinal vascular disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 238000001631 haemodialysis Methods 0.000 description 1
- 230000000322 hemodialysis Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 201000010230 macular retinal edema Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000006496 vascular abnormality Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2107—File encryption
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Accounting & Taxation (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及眼底图像分析和健康大数据服务技术领域,特别涉及一种基于眼底图像的健康保险控费的方法和***。所述一种基于眼底图像的健康保险控费的方法,包括步骤:获取眼底图像文件和相关身体指标数据;对相关隐私数据进行加密;圈定视盘和黄斑;分割视网膜血管网络及主血管;提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标;标识眼底图像变化并实现定量分析;给出相关的健康保险风险控制、控费及个性化的健康大数据服务和健康管理建议。
Description
技术领域
本发明涉及眼底图像分析和健康大数据服务技术领域,特别涉及一种基于眼底图像的健康保险控费的方法和***。
背景技术
随着我国经济的快速发展,生活水平在不断提高,居民饮食结构和生活方式发生了很大改变。糖尿病和高血压等慢性病的患病率也逐年上升,而且呈低龄化趋势。这些慢性病及其并发症造成严重的社会经济负担。目前,中国慢性病患者已经大大超过2个亿,造成的疾病负担占总疾病负担的70%以上。这些人口结构和特殊群体的变化是商业健康保险发展的机遇,也给商业健康医疗保险控费造成很大的困难。
整个健康险在中国大陆,赔付情况都是比较高的,盈利状况也是不乐观的。事实上,很多国家和地区的健康险都处于微利状况,控费成健康保险业发展的一个主要瓶颈。
当前,我国已经普遍建立了大病保险制度,为危重疾病提供经济保障,一定程度上减低了患者的财务负担。但是通过医保理赔大数据分析可以发现,很多大病之所以发生,往往因为慢性病没有得到有效控制、出现多种并发症,这就是大病和大额医疗费用发生的根源。如何有效建立慢病防范机制,控制大病风险更是健康保险业界需要解决的一个重要问题。
健康医疗保险的控费手段是不断更新的,从传统的人工稽查和医学规则审核,再到现在的大数据技术,控费的实用性和长效性得到明显改善。更高级阶段的医保控费,应该是学习管理式的健康医疗保险模式,做健康管理,把费用控制在疾病发生前,这已成为健康医疗保险业界的一个重要目标,但目前的实践中尚未见到成熟或有效的方法或技术的报道。
面临健康险控费、盈利难题,许多人士呼吁,应该从大数据精准分析、数据共享等方面进行解决,但目前尚未形成行业共识,包括医院在内的很多壁垒有待打破。
有些公司会帮助保险公司做大数据的精准分析,因为它有海量数据,可以去比对客户的消费习惯,客户购买的产品,然后还可以协助保险公司催缴、续期保费。但是这种方法是难以推动的,其中最重要的问题,就是客户信息的安全性,违反了保险公司不做任何泄露客户信息的事情的承诺,存在着另一个重要壁垒,是一个难以解决的重要问题。
健康保险产品设计过程中,鉴于我国医疗卫生体制的现状,保险公司从医疗服务机构或者社保机构获得大量的医疗病例数据难度较大,数据的不完善直接影响健康保险费率的精准厘定,是另一个亟需解决的重要问题。
商业健康保险要把疾预防和被保险人的健康状况改善作为健康保险的重点。在美国,以健康管理组织为主的管理式医疗整合了保险公司、医院和健康管理服务机构,尤其在前端引入健康管理理念,预防为主,防治结合,有效地降低疾病发生率,达到了合理控费的效果。国内有许多商业保险公司正在探索管理式医疗路径,有的公司成立基金用于投资和设立医疗机构,还有的公司正在将保险、资管和医养相结合,注重大健康工程建设。中国保险业正在以自建、投资、参股、并购、战略合作等多种形式参与医疗健康管理领域,保险机构、医疗机构、健康管理机构以及社保机构间的合作与信息共享有可能进一步促进中国商业健保险的发展。但即使在国际上,也尚未见有成功的技术方法或有效的技术辅助***。
商业健康保险应关注客户群体的变化,如2017年中国65岁及以上人口达1.58亿人,至2050年中国65岁及以上人口将达到3.29亿人。人口老龄化的加剧,导致失能保险和护理保险的需求日益增加。随着计划生育政策的放开,儿童和妇女群体的健康保障也是值得健康保险重视的领域。如果我们能够非常关注老年人和妇幼的健康需求,符合中国特点,成功建设或研制成功一种可以使用与医养结合的健康养老社区服务中心或基层社区诊所的技术方法或***,就有可能取得重要的突破,成为先进的老年人与妇幼健康服务或基层社区健康医疗服务商。
糖尿病视网膜病变(DR)临床诊疗指南数据显示,由于糖尿病的微血管并发症,在我国,DR在糖尿病患者人群中的患病率为25%-37.5%,其中8%有视力丧失的危险,30%-50%的糖尿病患者可能伴有肾脏并发症。
今天,糖尿病视网膜病变(DR)已经成为首要的致盲眼病,糖尿病肾病(DN)在血透患者中上升至接近第一位;根据2010年全球疾病负担中国数据,中国的脑卒中死亡率已经超过冠心病、恶性肿瘤,成为我国我国成人死亡、糖尿病患者致死致残首要因素!患病率达到0.83%!我国青光眼患者中70%未诊断,白内障患者超过6,000万,并以每年10%的速度递增,这些患者近半数和糖尿病或其高血压伴发症相关。均位于我国商业保险定义的25类“重大疾病”之前列!这些患者一旦失明或致死、致残,都面临着巨额的赔付,在保险精算和健康医疗保险控费方面都有可能存在着不可承受之重。
2016年发布的“中国成人2型糖尿病患者动脉粥样硬化性脑心血管疾病分级预防指南”也同样指出血压监测的重要性:糖尿病是最主要的慢性非传染性疾病之一,也是动脉粥样硬化性脑心血管病(ASCCVD)的独立危险因素之一,证据表明脑卒中是我国成人糖尿病患者主要结局和致死及致残的主要原因。在这种新形势下,若众多的糖尿病病患者,特别是中老年患者选择购买保险,相关健康或人寿商业保险公司就面临很大的风险。
我国迄今缺乏脑卒中和DR、DN等重大并发症或重大疾病的高效预警或规模化的筛查平台;针对糖尿病、高血压等慢病,我国有数十个移动医疗APP可以使用,但大都以血糖或血压为中心,不能获得全身性血管与神经等个体化信息,临床上如果要做脑卒中预测,一般用只能使用核磁共振(MR),需要上千元、准确度有限,无法了解高血压或糖尿病患者伴发高血压,对脑、心血管、肾、眼睛等靶器官的损伤等个体化信息或全身性健康受破坏情况!健康预防难以奏效。
糖尿病性视网膜病变(DR)是糖尿病的主要并发症之一,最终可能导致不可逆的失明。美国糖尿病协会和我国的糖尿病防治指南均建议二型糖尿病患者应定期或至少进行每年一次的DR眼底筛查。通过眼底照相的DR筛查可使失明风险降低94.4%,但我国的筛查率还不到10%!糖尿病肾病(DN)和糖尿病视网膜病变(DR)都是糖尿病的微血管并发症,当一个人被筛查检出微量白蛋白超过正常值的时候,可以通过简便的眼底照相方法实现DR筛查和DN的特异性检查手段或方法。
高血压靶器官损伤严重时可危及生命,对高血压进行早期诊断、病情评估以及治疗干预具有重要意义。眼底视网膜血管可用非侵入方法直接观察,为观察全身性血管异常具体表现提供了客观条件,因此,眼底筛查一直是全身血管性疾病简便、经济的筛查与监测工具之一。
我国的高血压和糖尿病防治指南都建议高血压、糖尿病患者应定期或至少进行每年或半年,甚至3个月一次的眼底照相筛查。面对着我国一亿多糖尿病患者、数亿高血压等慢病患者眼底筛查的需要,现有健康医疗机构的服务能力极为有限!
眼底照相可以让我们获得精准医学下的个体化健康医学信息,实现个性化的健康服务;因此,如何获得糖尿病、高血压患者远程眼底图像筛查中大量非结构化数据的结构化或量化特征数据的获得,进一步实现快速分析和随访,是一个亟需解决的问题。
此外,由于各种型号的眼底相机及其不同的工作模式、照相视角以及固视点的不同,导致所获得眼底图像的相对尺寸、分辨率、视角以及固视点结构等都不尽相同。即使是同一只眼睛,通过不同设备或不同时间不同服务人员的采集,所获得眼底图像也可能因为设备、视角以及分辨率的不同,导致难以实现个人多次检查图像的比对;人与人之间眼底图像结构化特征数据的统计分析、规律认识、定量分析和大数据服务更难以做到。
用健康管理实现预防、控费是保险公司天然诉求!患者治疗费用越低,保险公司赔付越少、越能盈利。在预防上多投入1元,可减少8.5元治疗费或100元抢救费!以此,如果能有一种低成本、高效、安全而又方便的重大疾病预警和个性化的健康大数据服务***能解决这个问题,必将带来巨大的经济效益和社会效益。
发明内容
为此,需要提供一种基于眼底图像的健康保险控费的方法和***,提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标,标识眼底图像变化并实现定量分析,从而进一步实现健康大数据***的建立及大数据服务,用以给出相关的健康保险风险控制、控费及个性化的健康服务和健康管理方案和建议。具体技术方案如下:
一种基于眼底图像的健康保险控费的方法,包括步骤:终端机构获取待分析的目标数据,所述目标数据包括:隐私数据和眼底图像;终端机构将所述目标数据进行加密,获得加密后的待分析的文件,终端机构发送所述加密后的待分析的文件至远程的眼底筛查判读中心机构;所述眼底筛查判读中心机构接收所述加密后的待分析的文件,并对所述加密后的待分析的文件进行存储;对所述加密后的待分析的文件进行解密,获得解密后的隐私数据和眼底图像,并从所述隐私数据中抽取待分析信息,所述待分析信息包括:相关必要的身体指标数据;对所述眼底图像进行预处理;对预处理后的眼底图像进行视盘定位和黄斑中心凹定位;分割预处理后的眼底图像的视网膜血管网络及主血管;提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标,所述视网膜特征数据结构化的量化指标包括:视网膜血管改变特征数据和视网膜特征数据;对所述视网膜特征数据结构化的量化指标进行存储;对所述视网膜特征数据结构化的量化指标进行分析处理;判断是否存储有该用户前期的视网膜特征数据结构化的量化指标,若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况;对所述变化情况进行分析处理。
进一步的,所述“对所述眼底图像进行预处理;对预处理后的眼底图像进行视盘定位和黄斑中心凹定位”,还包括步骤:所述预处理包括:绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理;对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管信息;对主血管进行抛物线拟合计算,根据计算结果定位视盘中心和圈定视盘边缘;以视盘中心作为圆心,第一预设半径值和第二预设半径值,构建圆形,形成环形区域;在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位。
进一步的,所述“则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标”,还包括步骤:根据眼底结构参数对齐眼底图像,修正所述视网膜特征数据的标识,所述眼底结构参数包括:黄斑中心凹的位置、视盘的位置和主血管信息;自动分析所述结构化的量化指标的变化。
进一步的,所述“对所述视网膜特征数据结构化的量化指标进行分析处理”,还包括步骤:综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标,对用户的动脉粥样硬化及靶器官受损害情况进行评估和预后估计,给出相关的健康保险风险控制、控费及个性化的健康服务建议,所述靶器官包括脑、心、眼及肾。
进一步的,所述“若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况”,还包括步骤:综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标及其变化情况、变化趋势,对用户的动脉粥样硬化及靶器官受损害情况进行评估和预后估计,给出相关的健康保险风险控制、控费及个性化的健康服务建议;所述靶器官包括脑、心、眼及肾。
进一步的,所述“则提取并标识所述眼底图像的视网膜特征数据”,还包括步骤:根据所述视盘定位的结果,提取视盘中心,确定视盘半径;确定测量区域;在所述测量区域内或所述测量区域外,通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据的标识及其结构化的量化指标;所述视网膜血管改变特征数据包括:局限性视网膜动脉缩窄、弥漫性视网膜动脉缩窄、动静脉交叉压迫征、铜丝样或银丝样改变;形成所述视网膜血管改变特征数据结构化的量化指标和标识。
进一步的,所述“则提取并标识所述眼底图像的视网膜特征数据”,还包括步骤:微血管瘤及其与黄斑中心凹相对位置的标识;出血点大小及其与黄斑中心凹的相对位置的标识;硬性渗出范围及其与黄斑中心凹的最小距离的标识或分析;棉绒斑范围及其与黄斑中心凹的相对位置的标识;局限性视网膜神经纤维层缺损和视盘水肿程度的标识;通过自动或半自动的交互式特征提取方法,形成所述视网膜特征数据结构化的量化指标标识。
进一步的,所述“则提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标”,还包括步骤:根据圈定好的视盘和黄斑,计算所述黄斑中心凹到视盘颞侧距离的像素点阵数;将所述像素点阵数作为量化指标分母参数;计算得到所述视网膜特征数据结构化的量化指标。
进一步的,所述待分析的目标数据如果采用DICOM标准传输与存储,则传输前可以在DICOM头文件中虚构隐私数据。
进一步的,所述相关必要的身体指标数据包括:该用户唯一ID号、身高、体重、腰围、家族遗传病史、用药情况、血糖、血压、视力情况和生活方式中的一种或多种,所述生活方式包括:运动情况、饮食情况、生活习惯和是否吸烟喝酒中的一种或多种。
为解决上述技术问题,还提供了一种基于眼底图像的健康保险控费的***,具体技术方案如下:
一种基于眼底图像的健康保险控费的***,包括:数据采集终端和数据判读分析终端,所述数据采集终端包括:数据采集模块和数据加密模块,所述数据判读分析终端包括:数据存储模块、数据解密模块、数据处理模块和数据分析模块;所述数据采集模块用于:待分析的目标数据,所述待分析的目标数据包括:隐私数据和眼底图像;所述数据加密模块用于:对所述目标数据进行加密,获得加密后的待分析的文件,并发送所述加密后的待分析的文件至数据判读分析终端;所述数据存储模块用于:接收所述加密后的待分析的文件并进行存储;所述数据解密模块用于:对所述加密后的待分析的文件进行解密,获得解密后的隐私数据和眼底图像,并从所述隐私数据中抽取待分析信息,所述待分析信息包括:相关必要的身体指标数据;所述数据处理模块用于:对所述眼底图像进行预处理;对预处理后的眼底图像进行视盘定位和黄斑中心凹定位;分割预处理后的眼底图像的视网膜血管网络及主血管;提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标,所述视网膜特征数据结构化的量化指标包括:视网膜血管改变特征数据和视网膜特征数据;所述数据存储模块还用于:对所述视网膜特征数据及其结构化的量化指标进行存储;所述数据处理模块还用于:判断是否存储有该用户前期的视网膜特征数据结构化的量化指标;所述数据分析模块用于:对所述视网膜特征数据结构化的量化指标进行分析处理;若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况。
进一步的,所述数据分析模块还用于:综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标,对用户的动脉粥样硬化及所述靶器官受损害情况进行评估和预后估计,给出相关的健康保险控费建议。
本发明的有益效果是:应用本发明提出的相关技术方法和***,设置眼底照相机和电脑,即可获取眼底图像及相关必要的的身体指标数据,由本地或远程设置的眼底图像判读分析机构对眼底图像及相关必要的的身体指标数据进行判读与分析;建立起脑卒中和DR、DN等重大并发症或高效、规模化的重大疾病预警和健康保险控费服务平台;通过在健康保险集团机构内部设置远程重大疾病预警和健康保险控费服务平台,还可克服分机构或或底层健康保险机构由于缺乏眼科医生或专业读图人员,难以开展眼底工作眼底图像判读分析的困难;也可通过对所述眼底图像的视盘和黄斑中心凹进行定位以及图象清晰度分析,进一步形成一个完整闭环的质量保证体系,使得远程眼底筛查判读机构最终获得的眼底图像及相关必要的身体指标信息都是充分可用的,避免了患者来回奔波,增强了用户体验;同时,利用了不同人之间一般黄斑中心凹到视盘颞侧距离大致相同等特点,通过点阵换算,实现了人与人之间眼底图像结构化特征数据的比对、统计分析、规律认识和定量分析,为最终形成一个可分析、可更新而又造价不高的大数据知识库奠定了基础;分割预处理后的眼底图像的主血管,根据黄斑中心凹、视盘的位置和主血管信息对齐同一用户不同时期的眼底图像,可以快速的标识出眼底图像视网膜病变特征的变化区域,辅助健康评估服务人员快速给出远程判读或健康医疗保险控费。***可将分析结果的数据发送给专业的健康医疗服务机构,辅助这些医疗机构对用户的糖尿病或高血压病情有一个更好地了解,进而为用户制定个性化的健康服务。有效建立慢病防范机制,控制大病风险,使得健康管理或健康保险业界亟需解决的一个重要问题得以方便解决。这样一个远程获取眼底图像,并对眼底图像数据进行分析处理的过程,使得用户即便在落后的偏远地区也可以享受眼底筛查和青光眼、白内障的手术成熟度远程筛查诊断等的服务;可以形成一个脑卒中和DR、DN的特异性的筛查糖尿病、高血糖等重大并发症或靶器官受损害情况评估或预后估计的高效预警或规模化的筛查平台;获得精准医学下的脑心眼肾等靶器官受损害评估或预后估计的个体化精准信息,实现个性化的健康大数据服务,加强健康管理,所述大数据技术,控费的实用性和长效性得到明显改善,实现更高级阶段的医保控费,是学习管理式的健康医疗保险模式,做健康管理,把费用控制在疾病发生前;参与健康管理领域,建立精准医学下的个性化健康大数据服务,对于进一步促进中国健康管理、商业健康保险的发展,都有着重大得意义。本发明的技术方法和***推广后,可取得重要的社会效益和经济效益!
附图说明
图1为具体实施方式所述一种基于眼底图像的保险控费方法的流程图;
图2具体实施方式所述视网膜血管网络示意图;
图3为具体实施方式所述基于眼底图像的保险控费的***的模块连接图。
附图标记说明:
300、基于眼底图像的健康保险控费的***,
301、数据采集终端,
302、数据判读分析终端,
3011、数据采集模块,
3012、数据加密模块,
3021、数据存储模块,
3022、数据解密模块,
3023、数据处理模块,
3024、数据分析模块。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,在本实施方式中,一种基于眼底图像的健康保险控费方法可以特别应用于如下模式:通过在健康保险机构内部设置或与外部合作,应用眼底相机,健全相关加强健康管理或内部控费的体检或健康管理中心,也可以独立建设眼底影像检测中心,或与机构内部或外部的具有大型MR设备的第三方医学影像检测中心合作,建立一种可用于脑卒中等脑、心血管动脉粥样硬化疾病五年风险预测、更加高效的医学影像检测中心;通过在健康保险集团机构内部设置远程重大疾病预警和健康保险控费服务平台,还可克服分机构或或底层健康保险机构由于缺乏眼科医生或专业读图人员,难以开展眼底工作眼底图像判读分析的困难;有效建立慢病防范机制,控制重大并发症等大病风险。
在本实施方式中,眼底照相机用于采集眼底图像,相关必要的身体指标数据包括但不限于:该用户唯一ID号、身高、体重、腰围、家族遗传病史、用药情况、血糖、血压、视力情况和生活方式中的一种或多种,所述生活方式包括:运动情况、饮食情况、生活习惯和是否吸烟喝酒中的一种或多种。
在本实施方式中,一种基于眼底图像的健康保险控费方法的具体实施方式如下:
步骤S101:终端机构获取待分析的目标数据,所述目标数据包括:隐私数据和眼底图像。
步骤S102:终端机构将所述目标数据进行加密,获得加密后的待分析的文件,终端机构发送所述加密后的待分析的文件至远程的眼底筛查判读中心机构。
步骤S103:所述眼底筛查判读中心机构接收所述加密后的待分析的文件,并对所述加密后的待分析的文件进行存储。
步骤S104:对所述加密后的待分析的文件进行解密,获得解密后的隐私数据和眼底图像,并从所述隐私数据中抽取待分析信息,所述待分析信息包括:相关必要的身体指标数据。
步骤S105:对所述眼底图像进行预处理。
步骤S106:对预处理后的眼底图像进行视盘定位和黄斑中心凹定位。
步骤S107:分割预处理后的眼底图像的视网膜血管网络及主血管。
步骤S108:提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标,所述视网膜特征数据结构化的量化指标包括:视网膜血管改变特征数据和视网膜特征数据。
步骤S109:对所述视网膜特征数据结构化的量化指标进行存储。
步骤S110:对所述视网膜特征数据结构化的量化指标进行分析处理。
步骤S111:判断是否存储有该用户前期的视网膜特征数据结构化的量化指标,若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况。
步骤S112:对所述变化情况进行分析处理。
医学证据已经表明,如果把用于DR筛查的眼底相机和保险机构内设体检机构的MR设备结合起来使用,那么其五年脑卒中风险检测的相对危险度,更可以达到只使用MR检查的5倍以上!糖尿病肾病(DN)和糖尿病视网膜病变(DR)都是糖尿病的微血管并发症,当一个人被筛查检出微量白蛋白超过正常值的时候,可以通过简便的眼底照相方法,实现DR筛查的同时进行DN的特异性检查。通过设置的眼底照相机和电脑,或通过所述眼底影像检测平台,即可获取眼底图像及相关必要的的身体指标数据,由本地或远程设置的眼底图像判读分析中心机构或远程判读分析中心,对眼底图像及相关必要的的身体指标数据进行判读与分析,建立起脑卒中和DR、DN等慢性病重大并发症筛查或高效、规模化的重大疾病预警和健康保险控费服务平台。
在本实施方式中,所述对预处理后的眼底图像进行视盘定位和黄斑中心凹定位,还包括步骤:所述预处理包括:绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理;对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管信息;对主血管进行抛物线拟合计算,根据计算结果定位视盘中心和圈定视盘边缘;以视盘中心作为圆心,第一预设半径值和第二预设半径值,构建圆形,形成环形区域;在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位。
具体如下:任意一幅彩色眼底图像中,蓝色通道下噪声较多,有用的信息基本丢失,红色通道下两斑较为突出,而暗色的血管、微血管瘤等信息丢失较多,故在本实施方式中对待检查的彩色眼底图像进行绿色通道选择,最大程度地保留、突出眼底血管。
为去除噪声,且能较好地保留边界信息,本实施方式中对绿色通道下的眼底图像进行中值滤波,实现去噪;
为能获得更好的血管提取的效果,对已经去噪的图像进行对比度增强。为避免图像增强后出现过亮的情况,本实施方式中采用有限的对比度增强方法CLAHE。最后,进行归一化处理,使得一幅图像中所有像素点的像素值均落在0-1之间。
对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管。可采用如下方式:对预处理后的眼底图像通过大津算法计算阈值,并根据以下公式将灰度值大于阈值的像素认定为血管;
并根据视盘直径为图像宽度的1/8-1/5,及主血管的宽度为视盘直径的1/4构造结构元素,利用所述结构元素对已提取的血管进行腐蚀操作,去除细小血管,得到主血管。
得到主血管后,对主血管进行抛物线拟合计算,根据计算结果定位视盘中心。可采用如下方式:以眼底图像左上角为原点,水平方向为X轴,垂直方向为Y轴,建立坐标系;
将所述主血管中的各个像素点映射为所述坐标系的坐标;
如以下公式所示,根据最小二乘法对主血管进行抛物线拟合,确定抛物线的参数,并计算抛物线的顶点,
f(x)=ax2+bx+c
判断所述抛物线顶点是否落在原眼底图像中,若所述抛物线顶点落在原眼底图像中,则定义所述抛物线顶点为视盘中心。
基于外观特征与结构特征的黄斑定位:依据到黄斑与视盘间的位置关系,首先在已确定的视盘中心基础上,进一步缩小中心凹的搜索范围。在一种优选方式下,由于黄斑中心凹与视盘中心的距离一般在2倍到3倍的视盘直径大小,以视盘中心为圆心,构造出环形掩模,将其定义为中心凹搜索范围;接着在搜索范围区域内,根据中心凹亮度最低的特点,完成中心凹的定位。在一种优选方式下,采用基于区域间亮度对比的快速搜索方式,确定中心凹的位置;最后根据亮度信息,以中心凹为圆心,圆形拟合黄斑区域。
所述“则提取并标识所述眼底图像的视网膜特征数据”,还包括步骤:提取预处理后的眼底图像的视盘中心,确定视盘半径;通过定位视盘确定测量区域,请参阅图2;在所述测量区域内或所述测量区域外,通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据;所述视网膜血管改变特征数据包括:局限性视网膜动脉缩窄、弥漫性视网膜动脉缩窄、动静脉交叉压迫征、铜丝样或银丝样改变;形成所述视网膜血管改变特征数据结构化的量化指标和标识。
其中,局限性视网膜动脉缩窄分别在视盘区(图2的中心圆内区域)、A区(该区血管性质上可能更接近动脉)和A区以外的区域(该区血管性质上为小动脉)进行检查,弥漫性视网膜动脉缩窄在B区选取6段动脉进行检查,动静脉交叉压迫征、铜丝样或银丝样改变等血管改变可以在以B区外为主的所有区域进行检查;形成所述视网膜血管改变特征数据的结构化的量化指标标识。
在其它实施方式中,亦可用打矩形的方式分别标识眼底图像中的视网膜血管改变特征所累及的动脉血管及其部位的范围,不同颜色可代表不同的所累及的动脉血管和部位的范围,如粉红色代表所累及的动脉血管,绿色代表所累及的动脉血管部位的范围,然后根据眼底参数对齐眼底图像,所述眼底参数包括:黄斑的位置、视盘的位置和主血管信息;用白色标识眼底图像变化区域或所述视网膜血管改变特征数据的变化区域。
所述“则提取并标识所述眼底图像的视网膜特征数据”,还包括步骤:
微血管瘤及其与黄斑中心凹相对位置的标识;
出血点大小及其与黄斑中心凹的相对位置的标识;
硬性渗出范围及其与黄斑中心凹的最小距离的标识或分析;
棉绒斑范围及其与黄斑中心凹的相对位置的标识;
局限性视网膜神经纤维层缺损和视盘水肿程度的标识;
通过自动或半自动的交互式特征提取方法,形成所述视网膜特征数据的结构化的量化指标标识。
在本实施方式中,所述标识包括:框选标识或不同颜色高光显示标识。
在其它实施方式中,亦可用打矩形的方式分别标识眼底图像中的有关视网膜特征数据:微血管瘤区域、出血点区域、硬性渗出区域(同时在数据库中记录下这些特征区域大小以及与黄斑中心凹的相对位置),不同颜色可代表不同的DR特征及区域,如白色代表硬性渗出,粉色代表微血管瘤,绿色代表出血点;然后根据眼底参数对齐眼底图像,所述眼底参数包括:黄斑的位置、视盘的位置和主血管信息;标识眼底图像变化区域。
在本实施方式中,所述“对所述视网膜特征数据结构化的量化指标进行分析处理”,还包括步骤:
分析比对所述患者不同时期的视网膜血管改变特征数据,获取所述眼底特征数据的变化情况,进一步分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况;在一种实施方案中,可以利用增强现实(AR)技术,将这些眼底特征变化情况及其继续发展有可能影响视力或全身性健康的情况,做成简单的演示动画,叠加在真实的所述眼底图像照片上,实现可视化的教育效果,让用户对自己近一段时间的血压控制或治疗情况有所了解,经历一次深刻的教育,激发患者生活方式干预基础治疗的及时筛查、及时预防治疗的依从性或自觉性;或者经由健康服务专业人员或患者的家庭医生,给出对应的健康服务建议,进而为所述患者用户定制定个性化服务。
在本实施方式中,所述“对所述视网膜特征数据结构化的量化指标进行分析处理”,还包括步骤:
综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标,对用户的动脉粥样硬化及靶器官受损害情况进行评估和预后估计,给出相关的健康保险风险控制、控费及个性化的健康服务建议,所述靶器官包括脑、心、眼及肾。
在本实施方式中,所述“则提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标”,还包括步骤:
根据圈定好的视盘和黄斑,计算所述黄斑中心凹到视盘颞侧距离的像素点阵数;将所述像素点阵数作为量化指标分母参数;计算得到所述视网膜特征数据结构化的量化指标。具体可采用如下方式:
根据视盘中心坐标、视盘半径及圈定的视盘边缘,得到视盘颞侧边缘各点的坐标以及视盘面积内各像素点及其重心或中心点;根据视盘重心或中心点到黄斑中心凹的中心点坐标的连接直线,该直线上的视盘颞侧边缘点的坐标,计算或得出视盘颞侧与黄斑中心凹的中心的绝对距离;根据所述绝对距离及视盘直径,计算得到量化参数。具体如下:
a、根据已确定的视盘中心坐标与黄斑中心凹坐标,依据以下自动判断该眼底图像是左眼或右眼的眼底图像;
其中,flag为左右眼标记,取0时表示是右眼,取1时代表是左眼。
b、根据视盘中心坐标和视盘半径,计算视盘颞侧坐标(ODX,ODY);根据视盘颞侧坐标和黄斑中心凹坐标,计算视盘颞侧与黄斑中心凹的绝对距离,按以下公式计算该眼底图像中两者的欧式距离,作为本图像中视盘中心到黄斑中心凹的绝对距离;
其中,所有坐标值均以眼底图像左上角像素为原点。
c、由于黄斑中心凹一般距视盘颞侧缘每个人的像素数量值都大致相同,因此根据已得到的视盘颞侧到黄斑中心凹的绝对距离以及视盘直径,根据以下公式得到后续量化分析的标准d:
d=DMD-ODD 公式3
在本实施方式中,以d为标尺,将获得的数据从绝对表示方式转换为相对表示方式,通过此归一化处理,形成有意义的、可比较的数据。
在本实施方式中,若已检测出硬性渗出,并已计算每个硬性渗出到黄斑中心凹的距离Di。此时可根据公式1进行归一化处理。在此基础上,得到本眼底图像中,硬性渗出到黄斑中心凹的标准的最小距离。
作为一种应用,可以从硬性渗出到黄斑中心凹的最小距离,从而实现先后两次检查的比对,做出黄斑水肿的筛查判断结果。
在本实施方式中,所述“则分析比对所述用户不同时期的视网膜特征数据及其结构化的量化指标”,还包括步骤:
根据眼底结构参数对齐眼底图像,修正所述视网膜特征数据的标识,所述眼底结构参数包括:黄斑中心凹的位置、视盘的位置和主血管信息;
作为一种应用例子,一种基于眼底图像的健康保险控费方法可以根据糖尿病或高血压患者眼底筛查特征数据的变化情况,分析患者近一段时期的血压控制、生活方式干预治疗效果等相关预防、治疗效果情况,得到相关血压控制情况和健康状况的评估数据。
在本实施应用例子中,视网膜特征数据处理分析的结果包括:微血管瘤的数量或大小是否增加,硬性渗出的面积是否扩大,是否涉及到黄斑区域;并参考伴随眼底图像的相关必要身体指标数据,如体重、腰围有无明显增加或减少,饮食、运动、不吸烟少喝酒等对生活方式基础治疗情况进行辅助评判;如存在微血管瘤数量增加,硬性渗出的范围扩大的现象,说明这段时间血糖控制水平较差,视网膜病变的病情仍在继续发展,需要进一步控制,保证好的生活方式等措施。还可以利用增强现实(AR)技术,将这些眼底特征变化情况及其继续发展有可能影响视力或全身性健康的情况,做成简单的演示动画,叠加在真实的眼底照片上,实现可视化的教育效果,激发患者生活方式干预基础治疗的及时筛查、及时预防治疗的依从性或自觉性。
此外,由于多项以人群为基础的流行病学研究表明,视网膜血管病变或异常,包括局部视网膜动脉缩窄(FN)和视网膜病变(包括视网膜出血、微动脉瘤、硬性渗出、棉绒斑)的评估,可以为高血压的发病和进展的相关研究提供良好的观察指标。在非糖尿病人群中,高血压与视网膜微血管异常的发病率和纵向变化具有强相关性。我国的高血压和糖尿病防治指南都建议高血压、糖尿病患者应定期或至少进行每年或半年,甚至3个月一次的眼底照相筛查。作为其中一种应用或实施方案,本发明可以利用眼底筛查后得到的眼底图像,提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据,分析、比对所述患者不同时期的视网膜血管改变特征数据;进而获取所述患者该次眼底筛查特征数据的变化情况,分析患者近一段时期的血压控制、生活方式干预治疗效果等相关预防、治疗效果情况,得到相关血压控制情况和健康状况的评估数据。
作为一种实施方案,所述“分割预处理后的眼底图像的视网膜血管网络”,还包括步骤:通过显著性模型及区域优化法对眼底图像的眼底血管进行分割,获得眼底血管网络,并根据分割的眼底血管网络进行动静脉的分割。可采用如下方式:通过显著性模型及区域优化法对眼底图像的眼底血管进行分割,获得眼底血管网络并进行动静脉的分割。具体如下:
步骤1:颜色是分析图像显著性中最重要的特征,同时考虑到血管含有纹理特征,而纹理可以反映图像中的视觉特征,该算法中采用颜色和纹理两个显著性特征。
眼底图像纹理特征提取:纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的视觉特征,本课题中考虑到二维Gabor滤波器能捕捉对应于尺度、空间位置及方向选择性的局部结构,因此采用Gabor滤波器来提取纹理特征,在Gabor滤波器中其位置由方向和尺度两个参数决定,通过设定参数基本就可以表达图像的纹理特征。Gabor滤波函数可以表示如下:
其中傅里叶变换由下式得到:
W是高斯函数的复合已调频率。通常血管的方向不一,因此Gabor滤波必须采用不同的方向,文中分别采用了0o、30o、60o、90o、120o、150o六个不同的方向,小尺度可以用于检测小血管,大尺度可以用于检测大血管,文中采用五个不同的尺度来提取血管轮廓。在得到不同方向和尺度Gabor滤波图之后,采用最大值响应对其进行图像融合得到一幅Gabor变换图。
眼底图像颜色特征提取:视觉***中对颜色最为敏感,如果目标与周围颜色不同,则容易引起注意。考虑到全局和局部的特征,对于每个像素点处的颜色对比度特征,通过定义该像素点的最大矩形邻域与整幅图像面积大小的比值来控制对特征的影响。算法表示如下:
其中U表示像素(x,y)的最大外接矩形邻域,w和h是图像的宽度和高度。A是矩形U的面积,d是A与整幅图像面积的比值,d可以根据像素(x,y)与图像中心的距离进行调整。
在提取到颜色特征和纹理特征之后,需要对它们进行融合。考虑到我们所选取的两个不同颜色空间共六个颜色通道,本发明中采用二维信息熵作为衡量显著图性能的标准,从中选取两组最优的颜色特征图和纹理特征图。对于颜色特征的融合采用以信息熵的倒数作为权系数的线性融合方法。对于纹理特征的融合,采取最大值融合方法。最后将颜色对比度特征与纹理特征融合,仍采用基于二维的信息熵融合。
步骤2:由于显著性图像是灰度图像,灰度值范围是有限的,为了突出显著性图像中的对比度强度,采用区域优化来增强对比度。这样可以使得图像中显著值高的变得更高,显著值低的变得更低。优化函数表示如下:
k和δ为控制因子,当40≤midval≤120,δ为对数函数.当120<midval≤160,δ为指数函数。
步骤3:采用基于区域的一维直方图阈值方法对显著图进行阈值分割。用于统计直方图的图像是根据原图像及其邻域的关系来选择。用于统计直方图的原图像表示如下:
其中f(m,n)表示原图像,g(m,n)表示其5*5邻域,t1=40。
步骤4:经过阈值分割后会有部分细小血管丢失,该算法中采用形态学方法进行修补。
在本实施方式中,所述“若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况”,还包括步骤:
综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标及其变化情况、变化趋势,对用户的动脉粥样硬化及靶器官受损害情况进行评估和预后估计,给出相关的健康保险风险控制、控费及个性化的健康服务建议;所述靶器官包括脑、心、眼及肾。
在本实施方式中,所述“则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标”,还包括步骤:
根据眼底结构参数对齐眼底图像,修正所述视网膜特征数据的标识,所述眼底结构参数包括:黄斑中心凹的位置、视盘的位置和主血管信息;
自动分析所述结构化的量化指标的变化。
在本实施方式中,所述待分析的目标数据如果采用DICOM标准传输与存储,则传输前可以在DICOM头文件中虚构隐私数据。
请参阅图3,在本实施方式中,一种基于眼底图像的健康保险控费的***300的具体实施方式如下:
一种基于眼底图像的健康保险控费的***300,其特征在于,包括:数据采集终端301和数据判读分析终端302,所述数据采集终端301包括:数据采集模块3011和数据加密模块3012,所述数据判读分析终端302包括:数据存储模块3021、数据解密模块3022、数据处理模块3023和数据分析模块3024;所述数据采集模块3011用于:待分析的目标数据,所述待分析的目标数据包括:隐私数据和眼底图像;所述数据加密模块3012用于:对所述目标数据进行加密,获得加密后的待分析的文件,并发送所述加密后的待分析的文件至数据判读分析终端302;所述数据存储模块3021用于:接收所述加密后的待分析的文件并进行存储;所述数据解密模块3022用于:对所述加密后的待分析的文件进行解密,获得解密后的隐私数据和眼底图像,并从所述隐私数据中抽取待分析信息,所述待分析信息包括:相关必要的身体指标数据;所述数据处理模块3023用于:对所述眼底图像进行预处理;对预处理后的眼底图像进行视盘定位和黄斑中心凹定位;分割预处理后的眼底图像的视网膜血管网络及主血管;提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标,所述视网膜特征数据结构化的量化指标包括:视网膜血管改变特征数据和视网膜特征数据;所述数据存储模块3021还用于:对所述视网膜特征数据及其结构化的量化指标进行存储;所述数据处理模块3023还用于:判断是否存储有该用户前期的视网膜特征数据结构化的量化指标;所述数据分析模块3024用于:对所述视网膜特征数据结构化的量化指标进行分析处理;若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况。
进一步的,所述数据分析模块3024还用于:综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标,对用户的动脉粥样硬化及所述靶器官受损害情况进行评估和预后估计,给出相关的健康保险控费建议。
需要说明的是,上述方法步骤中所提及到的任意步骤在基于眼底图像的健康保险的控费***都可以一一执行,在此不做重复说明。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。比如,也可通过对所述眼底图像的视盘和黄斑中心凹进行定位以及图象清晰度分析,进一步形成一个完整闭环的质量保证体系,使得远程眼底筛查判读机构最终获得的眼底图像及相关必要的身体指标信息都是充分可用的,避免了患者来回奔波,增强了用户体验;因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案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之内。
Claims (12)
1.一种基于眼底图像的健康保险控费的方法,其特征在于,包括步骤:
终端机构获取待分析的目标数据,所述目标数据包括:隐私数据和眼底图像;
终端机构将所述目标数据进行加密,获得加密后的待分析的文件,终端机构发送所述加密后的待分析的文件至远程的眼底筛查判读中心机构;
所述眼底筛查判读中心机构接收所述加密后的待分析的文件,并对所述加密后的待分析的文件进行存储;
对所述加密后的待分析的文件进行解密,获得解密后的隐私数据和眼底图像,并从所述隐私数据中抽取待分析信息,所述待分析信息包括:相关必要的身体指标数据;
对所述眼底图像进行预处理;
对预处理后的眼底图像进行视盘定位和黄斑中心凹定位;
分割预处理后的眼底图像的视网膜血管网络及主血管;
提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标,所述视网膜特征数据结构化的量化指标包括:视网膜血管改变特征数据和视网膜特征数据;
对所述视网膜特征数据结构化的量化指标进行存储;
对所述视网膜特征数据结构化的量化指标进行分析处理;
判断是否存储有该用户前期的视网膜特征数据结构化的量化指标,若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况;
对所述变化情况进行分析处理。
2.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述“对所述眼底图像进行预处理;对预处理后的眼底图像进行视盘定位和黄斑中心凹定位”,还包括步骤:
所述预处理包括:绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理;
对预处理后的眼底图像通过大津算法提取二值化血管图,并通过形态学方法对所述二值化血管图进行腐蚀得到主血管信息;
对主血管进行抛物线拟合计算,根据计算结果定位视盘中心和圈定视盘边缘;
以视盘中心作为圆心,第一预设半径值和第二预设半径值,构建圆形,形成环形区域;
在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位。
3.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述“则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标”,还包括步骤:
根据眼底结构参数对齐眼底图像,修正所述视网膜特征数据的标识,所述眼底结构参数包括:黄斑中心凹的位置、视盘的位置和主血管信息;
自动分析所述结构化的量化指标的变化。
4.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述“对所述视网膜特征数据结构化的量化指标进行分析处理”,还包括步骤:
综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标,对用户的动脉粥样硬化及靶器官受损害情况进行评估和预后估计,给出相关的健康保险风险控制、控费及个性化的健康服务建议,所述靶器官包括脑、心、眼及肾。
5.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述“若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况”,还包括步骤:
综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标及其变化情况、变化趋势,对用户的动脉粥样硬化及靶器官受损害情况进行评估和预后估计,给出相关的健康保险风险控制、控费及个性化的健康服务建议;所述靶器官包括脑、心、眼及肾。
6.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述“则提取并标识所述眼底图像的视网膜特征数据”,还包括步骤:
根据所述视盘定位的结果,提取视盘中心,确定视盘半径;
确定测量区域;
在所述测量区域内或所述测量区域外,通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据的标识及其结构化的量化指标;所述视网膜血管改变特征数据包括:局限性视网膜动脉缩窄、弥漫性视网膜动脉缩窄、动静脉交叉压迫征、铜丝样或银丝样改变;
形成所述视网膜血管改变特征数据结构化的量化指标和标识。
7.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述“则提取并标识所述眼底图像的视网膜特征数据”,还包括步骤:
微血管瘤及其与黄斑中心凹相对位置的标识;
出血点大小及其与黄斑中心凹的相对位置的标识;
硬性渗出范围及其与黄斑中心凹的最小距离的标识或分析;
棉绒斑范围及其与黄斑中心凹的相对位置的标识;
局限性视网膜神经纤维层缺损和视盘水肿程度的标识;
通过自动或半自动的交互式特征提取方法,形成所述视网膜特征数据结构化的量化指标标识。
8.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,所述“则提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标”,还包括步骤:
根据圈定好的视盘和黄斑,计算所述黄斑中心凹到视盘颞侧距离的像素点阵数;
将所述像素点阵数作为量化指标分母参数;计算得到所述视网膜特征数据结构化的量化指标。
9.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述待分析的目标数据如果采用DICOM标准传输与存储,则传输前可以在DICOM头文件中虚构隐私数据。
10.根据权利要求1所述的一种基于眼底图像的健康保险控费的方法,其特征在于,
所述相关必要的身体指标数据包括:该用户唯一ID号、身高、体重、腰围、家族遗传病史、用药情况、血糖、血压、视力情况和生活方式中的一种或多种,所述生活方式包括:运动情况、饮食情况、生活习惯和是否吸烟喝酒中的一种或多种。
11.一种基于眼底图像的健康保险控费的***,其特征在于,包括:数据采集终端和数据判读分析终端,所述数据采集终端包括:数据采集模块和数据加密模块,所述数据判读分析终端包括:数据存储模块、数据解密模块、数据处理模块和数据分析模块;
所述数据采集模块用于:待分析的目标数据,所述待分析的目标数据包括:隐私数据和眼底图像;
所述数据加密模块用于:对所述目标数据进行加密,获得加密后的待分析的文件,并发送所述加密后的待分析的文件至数据判读分析终端;
所述数据存储模块用于:接收所述加密后的待分析的文件并进行存储;
所述数据解密模块用于:对所述加密后的待分析的文件进行解密,获得解密后的隐私数据和眼底图像,并从所述隐私数据中抽取待分析信息,所述待分析信息包括:相关必要的身体指标数据;
所述数据处理模块用于:对所述眼底图像进行预处理;对预处理后的眼底图像进行视盘定位和黄斑中心凹定位;分割预处理后的眼底图像的视网膜血管网络及主血管;提取并标识所述眼底图像的视网膜特征数据,并形成所述视网膜特征数据结构化的量化指标,所述视网膜特征数据结构化的量化指标包括:视网膜血管改变特征数据和视网膜特征数据;
所述数据存储模块还用于:对所述视网膜特征数据及其结构化的量化指标进行存储;
所述数据处理模块还用于:判断是否存储有该用户前期的视网膜特征数据结构化的量化指标;
所述数据分析模块用于:对所述视网膜特征数据结构化的量化指标进行分析处理;若存储有该用户前期的视网膜特征数据结构化的量化指标,则还要再分析比对该用户不同时期的视网膜特征数据结构化的量化指标,获得其变化情况。
12.根据权利要求11所述的一种基于眼底图像的健康保险控费的***,其特征在于:
所述数据分析模块还用于:综合分析所述相关必要的身体指标数据及所述视网膜特征数据结构化的量化指标,对用户的动脉粥样硬化及所述靶器官受损害情况进行评估和预后估计,给出相关的健康保险控费建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536492.0A CN111325631B (zh) | 2018-12-14 | 2018-12-14 | 一种基于眼底图像的健康保险控费的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536492.0A CN111325631B (zh) | 2018-12-14 | 2018-12-14 | 一种基于眼底图像的健康保险控费的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325631A true CN111325631A (zh) | 2020-06-23 |
CN111325631B CN111325631B (zh) | 2022-06-24 |
Family
ID=71168775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811536492.0A Active CN111325631B (zh) | 2018-12-14 | 2018-12-14 | 一种基于眼底图像的健康保险控费的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325631B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972462A (zh) * | 2022-07-27 | 2022-08-30 | 北京鹰瞳科技发展股份有限公司 | 对眼底相机的工作距离对齐效果进行优化的方法及其相关产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150104087A1 (en) * | 2013-10-10 | 2015-04-16 | University Of Rochester | Automated Fundus Image Field Detection and Quality Assessment |
CN104657620A (zh) * | 2015-03-09 | 2015-05-27 | 上海国通视光医疗科技发展有限公司 | 基于互联网的眼健康云数据平台 |
CN105243669A (zh) * | 2015-10-15 | 2016-01-13 | 四川和生视界医药技术开发有限公司 | 眼底图像自动识别分区方法 |
CN107209933A (zh) * | 2014-08-25 | 2017-09-26 | 新加坡科技研究局 | 用于评估视网膜图像以及从视网膜图像获得信息的方法和*** |
CN208065172U (zh) * | 2017-11-11 | 2018-11-09 | 深圳市前海安测信息技术有限公司 | 带有眼底相机的自助式健康监测一体机 |
-
2018
- 2018-12-14 CN CN201811536492.0A patent/CN111325631B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150104087A1 (en) * | 2013-10-10 | 2015-04-16 | University Of Rochester | Automated Fundus Image Field Detection and Quality Assessment |
CN107209933A (zh) * | 2014-08-25 | 2017-09-26 | 新加坡科技研究局 | 用于评估视网膜图像以及从视网膜图像获得信息的方法和*** |
CN104657620A (zh) * | 2015-03-09 | 2015-05-27 | 上海国通视光医疗科技发展有限公司 | 基于互联网的眼健康云数据平台 |
CN105243669A (zh) * | 2015-10-15 | 2016-01-13 | 四川和生视界医药技术开发有限公司 | 眼底图像自动识别分区方法 |
CN208065172U (zh) * | 2017-11-11 | 2018-11-09 | 深圳市前海安测信息技术有限公司 | 带有眼底相机的自助式健康监测一体机 |
Non-Patent Citations (1)
Title |
---|
龚滢欣等: "移动互联网医疗在眼科的应用现状及分析", 《转化医学电子杂志》, no. 05, 31 May 2018 (2018-05-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972462A (zh) * | 2022-07-27 | 2022-08-30 | 北京鹰瞳科技发展股份有限公司 | 对眼底相机的工作距离对齐效果进行优化的方法及其相关产品 |
CN114972462B (zh) * | 2022-07-27 | 2023-08-15 | 北京鹰瞳科技发展股份有限公司 | 对眼底相机的工作距离对齐效果进行优化的方法及其相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111325631B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222361B (zh) | 一种高血压视网膜血管改变特征数据分析的方法和*** | |
US9898659B2 (en) | System and method for remote medical diagnosis | |
US10441160B2 (en) | Method and system for classifying optic nerve head | |
CN110875092B (zh) | 一种基于远程眼底筛查的健康大数据服务方法和*** | |
CN105426695B (zh) | 一种基于虹膜的健康状态检测*** | |
TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
Abdel-Ghafar et al. | Progress towards automated detection and characterization of the optic disc in glaucoma and diabetic retinopathy | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
Jan et al. | Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration | |
Cleland et al. | Quantification of geographic atrophy using spectral domain OCT in age-related macular degeneration | |
CN111383775B (zh) | 一种基于眼底筛查的会员用户匿名交流方法及存储设备 | |
CN111402184B (zh) | 一种实现远程眼底筛查和健康服务的方法和*** | |
Escorcia-Gutierrez et al. | A color fusion model based on Markowitz portfolio optimization for optic disc segmentation in retinal images | |
CN111292286B (zh) | 糖网眼底特征数据变化的分析方法与***,及存储设备 | |
CN111325631B (zh) | 一种基于眼底图像的健康保险控费的方法和*** | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
CN111435612B (zh) | 一种移动医疗个性化健康服务的方法和*** | |
Kaur et al. | Construction of benchmark retinal image database for diabetic retinopathy analysis | |
Kandamkumarath et al. | Quantitative analysis of retinal vasculature for eye disease identification using deep learning | |
KR102466792B1 (ko) | 인공지능기반 황반 변성 악화 예측 장치 및 방법 | |
Kalkonde | Diagnosis of Diabetic Retinopathy Using Wavelet Based Contourlet Transform and k-NN Algorithm | |
Li et al. | Dual-mode Imaging System for Early Detection and Monitoring of Ocular Surface Diseases | |
Kang et al. | Deep Learning-Based Longitudinal Prediction of Childhood Myopia Progression Using Fundus Image Sequences and Baseline Refraction Data | |
Monisha et al. | Automatic Detection of Maculopathy Using Deep Learning | |
Chakraborty | A lightweight, novel feature extraction and classification system for the early detection of diabetic retinopathy |
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 |