TWI755918B - 傷口評估方法 - Google Patents
傷口評估方法 Download PDFInfo
- Publication number
- TWI755918B TWI755918B TW109138140A TW109138140A TWI755918B TW I755918 B TWI755918 B TW I755918B TW 109138140 A TW109138140 A TW 109138140A TW 109138140 A TW109138140 A TW 109138140A TW I755918 B TWI755918 B TW I755918B
- Authority
- TW
- Taiwan
- Prior art keywords
- wound
- data
- area
- hyperspectral
- image
- Prior art date
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明係為一種傷口評估方法,係以非侵入式光譜影像方式結合人工智慧演算法則,鑑別出病患的傷口嚴重等級及面積的一種方法。由光譜影像資訊之光學特性得出含氧血色素、非含氧血色素、組織血氧濃度等生化數值,並作為後續由光譜影像資訊以非監督式與監督式演算法進行機器學習模型訓練的輸入特徵之一,其特徵萃取結果可作為判斷壓傷傷口嚴重程度與面積的主要分析參數,可快速針對傷口區域進行組織血氧濃度分佈影像顯示、局部區域嚴重程度分級級別顯示及傷口面積大小自動計算結果顯示。
Description
本發明係與光譜影像檢測技術有關,特別係指一種用於量測壓傷等傷口狀態之傷口評估方法。
壓傷(PI,Pressure injury),舊稱壓瘡、褥瘡(PU,Pressure ulcer),為中老年人與各護理之家、急性病房、安養機構之慢性病患住民所飽受的痛苦之一,由於病患本身多數為長期臥床狀態,於長時間維持同一姿勢,使身體之特定部位遭受持續性外在壓力、摩擦或因治療儀器設備持續性壓迫身體之特定部位所造成的局部損傷。根據相關統計數據顯示,老年人口因住院之壓傷盛行率為6.3%,在安養機構中壓傷盛行率為6.9%,在護理之家及居家照護方面,其盛行率更達29%,有逐年增加之趨勢,且所耗費之人力、物力甚鉅,影響層面甚廣。
臨床上,在進行傷口狀態判定時,非侵入性的理學檢查扮演著早期篩檢的角色。現今科技日新月異,高光譜影像已成為臨床醫學提供了一種有效的輔助診斷工具,為非侵入性(noninvasive)、非離子的(nonionizing)、非接觸的(noncontact)一種量測方式,可測量含氧血紅素和非含氧血紅
素與一些相關分子的濃度,過去文獻指出可預測糖尿病足潰瘍癒合,亦可評估周邊動脈疾病(peripheral artery disease,PAD)。
中華民國專利TW I616183提出一種非侵入式皮膚影像檢測方法,係指一種應用高光譜影像檢測技術之非侵入式皮膚影像檢測方法,此為歸屬本團隊之前案專利。主要依據取得之高光譜影像資料,使用相似(差異)性處理分析演算法技術,如光譜角度匹配(SAM)、光譜信息散量(SID)等方法設定閥值,進行不同疾病之皮膚高光譜特徵分析,針對臨床醫師所提供的健康區域點進行全部高光譜影像之波形匹配。該專利雖利用高光譜影像檢測方式進行非侵入式皮膚檢測,但該專利係旨在研究高光譜影像是否具有區別皮膚病徵特性之可行性,為前期發展階段,未有實際應用於傷口檢測之技術內容。中華民國專利TW I623774提出一種照明裝置,係指一種可用於進行光譜影像擷取的裝置,此亦為歸屬本團隊之前案專利。該專利雖進行高光譜影像擷取裝置之建構,但該專利係旨在研究高光譜影像是否可順利進行影像擷取之可行性,為前期發展階段,未有實際應用於傷口檢測之技術內容。
中華民國專利TW I651537提出一種非侵入式檢測糖化血色素之方法,係指一種應用高光譜影像檢測技術之非侵入式糖化血色素之檢測方法,此為歸屬本案申請人團隊之前案專利。主要依據取得之高光譜影像資料,以生物體內不
同組織間之光譜差異性,得出生物體內之糖化血色素參數值,雖具本申請專利之光譜技術特點,但該專利係旨在研究糖化血色素參數是否可利用非侵入式光譜影像得出之可行性,未對壓傷等開放性傷口之檢測有進一步著墨。
中華民國專利TWI617281提出一種用影像式檢測傷口狀態的分析方法與系統,利用一紅外光源於不同時間點下照射選定的傷口或血管區域,其系統包含紅外光源、影像取得裝置、影像分析裝置,影像分析裝置包含傷口偵測模組、影像資訊校準模組、傷口分析模組。影像取得裝置可從不同時間點擷取使用者身上同一身體部位的紅外光影像,傷口偵測模組可透過如:亮度平均法、邊緣銳利化等電腦圖學演算法進行紅外線影像中傷口區域的選擇,影像資訊校準模組則可透過如:尺度不變特徵轉換(Scale invariant feature transform,SIFT)及加速強健特徵(Speeded-up robust feature,SURF)等影像特徵萃取方法,進行相關影像之特徵萃取與校準動作,傷口分析模組則利用影像辨識功能進行傷口變化資訊分析。光源部分則是選擇紅外光波段,但詳細波長無詳細述明。
中華民國專利TWI691936亦提出一種用進行偵測、分類及定量醫學影像中多目標之方法,透過每次照射正常組織及病變組織所得到之高光譜影像資訊萃取出其光譜特徵,得出當次照射影像之豐度圖,並使用相關濾波器及其演算法進行影像處理分析,此項專利技術可用於腦部MRI影像資訊
擴增及有效區分腦部灰白質區域,而非用於表皮傷口檢測。
中國專利CN110037660A提出一種基於近紅外光譜技術的壓瘡檢測系統之發明專利,分別使用不同頻率波長及不同強度之可見光源、近紅外光源與低功率激光導引光束照射於患者檢測部位,用攝像鏡頭同步拍攝患者檢測部位之影像,並以非接觸式之方式檢測壓瘡並計算其面積,但此專利之可見光與低頻率激光主要用途為偵測壓瘡傷口形狀,其仍透過近紅外光波段(700-900nm)進行含氧血紅素與非含氧血紅素分析判別。
為改善先前技術之缺點,本發明係提供一種傷口評估方法,本發明係以非侵入式光譜影像方式結合人工智慧演算法則,鑑別出病患的傷口(如壓傷等)嚴重等級及面積的一種方法。由光譜影像資訊之光學特性得出含氧血色素(oxyhemoglobin,oxyHb)、非含氧血色素(deoxyhemoglobin,deoxyHb)、組織血氧濃度(skin tissue oxygen saturation,StO2)等生化數值,並作為後續由光譜影像資訊以非監督式與監督式演算法進行機器學習模型訓練的輸入特徵之一,其特徵萃取結果可作為判斷壓傷傷口嚴重程度與面積的主要分析參數,可快速針對傷口區域進行組織血氧濃度分佈影像顯示、局部區域嚴重程度分級級別顯示及傷口面積大小自動計算結果顯示。
本發明係為一種傷口評估方法,係包括:(A)以一高光譜相機取得一目標傷口之一高光譜影像;(B)將該高光譜影像輸入一電腦內,分析該高光譜影像,計算出該目標傷口之組織血氧濃度分佈狀況;(C)以該高光譜影像之高光譜波段數據和該組織血氧濃度分佈狀況數值為特徵,以非監督式學習方式進行分類分群,區分出健康皮膚區域與傷口區域,進而計算該目標傷口區域之面積;(D)計算傷口嚴重程度、並加以分級,以該高光譜影像之高光譜波段數據和該組織血氧濃度分佈狀況數值為特徵,進行監督式學習模型訓練,建立一傷口分級數學模型;(E)建立該傷口分級數學模型後,進行該高光譜影像之傷口分期資料預測與辨別,當使用者選擇該高光譜影像中的一特定部位時,若該特定部位經過該傷口分級數學模型運算後之傷口分期判別結果權重大於一閥值,則該傷口分期判別結果即為該特定部位的傷口狀態,進而完成該目標傷口全域之狀態評估。
本發明之一實施例中,該(C)步驟區分出健康皮膚區域與傷口區域後,進一步包括一影像形態學處理動作,該影像形態學處理動作之目的係為凸顯經過該非監督式學習方式演算後之影像資料,以及降低可能的雜訊。
本發明之一實施例中,該(A)步驟之拍攝方法步驟為:(A1)提供一高光譜相機,其波段為可見光波段400~700nm;(A2)拍攝白板校正;(A3)拍攝暗校正;(A4)拍攝
該目標傷口,取得該目標傷口之該高光譜影像。
本發明之一實施例中,該監督式學習使用之演算法可以為Quadratic SVM、Fine Tree、Ensemble Boosted Trees、Fine KNN、Linear SVM等其中一種。
以上之概述與接下來的詳細說明及附圖,皆是為了能進一步說明本發明達到預定目的所採取的方式、手段及功效。而有關本發明的其他目的及優點,將在後續的說明及圖示中加以闡述。
A~E:方法步驟
圖1係為本發明之實施例步驟流程圖。
圖2係為本發明產出之傷口實際圖像搭配傷口分期結果範例圖。
圖3係為本發明產出之傷口面積結果圖。
圖4係為本發明產出之傷口組織血氧濃度分佈狀態圖。
以下係藉由特定的具體實例說明本發明之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點與功效。
本發明所指之壓傷或壓力性損傷,主要係為皮膚組織壞死及潰瘍,為常見傷口照護問題,不易治療,處置不當時患者常有感染機率增加之風險,同時亦耗費相關醫療資源。
壓傷分期代表皮膚組織損傷的嚴重度,對分期的正確與否,會影響醫護人員後續防治措施的決定是否得當。壓傷分期是以傷口深度來決定分期,根據美國國家壓瘡諮詢委員會2016年版將壓傷分成第1期至第4期、無法分期及深部組織壓傷,依據壓傷傷口主要特徵分類,如:第一期的皮膚發紅、第二期為部分皮層缺損且真皮層露出、第三期為全層皮膚組織損傷,深及皮下,可看到脂肪組織、肉芽組織等、第四期為全層皮膚及組織損毀,擴及深層肌膜,有肌肉、肌腱、韌帶或骨頭曝露。現今醫護人員主要透過肉眼觀測與輔助工具的量測,其判斷方式較為主觀,目前仍無相關可有效進行快速判別的客觀儀器,有其誤判風險。故本發明以含氧血色素、非含氧血色素、組織血氧濃度等生化參數,結合光譜影像非侵入式特性,透過機器學習建立一模型方法,佐以專業醫師團隊所建立的黃金標準(Golden pattern)可進一步快速鑑別壓傷傷口之嚴重程度及傷口面積。
必須指出的是,本發明的應用範圍並不限於壓傷之傷口,燙傷、挫傷、割傷、瘀傷或其他種類可藉由組織血氧濃度來判斷狀態之傷口場合,皆可使用本發明之技術。
根據比爾朗柏定律(Beer-Lambert Law),當光源照射於介質表面,在通過一定厚度後,分子與電磁波交互作用,吸收部分光能,其光的強度便減弱了,光的吸收度(absorbance)可以用一公式來表示:
A=αlc光的吸收度(A)與吸收係數(α)、光徑長(l)、濃度(c)三者均呈一個絕對關係。比爾朗柏定律中有一重要參數為已知條件,很多描述電磁波和物質間的反應的計算都是透過莫耳吸收係數(molar absorptivity)來推導。
如果光路徑長的單位改成公分,濃度c的單位改成莫耳濃度,吸收係數的單位為M-1 cm -1,吸收係數可改為莫耳吸收係數,以「ε」來代表符號。莫耳吸收係數ε的表示在科學界較為普遍,以至於還比吸收係數α來的常出現。因此,常見的比爾朗柏定律表示方法為:A=εlc
上式中A為光的吸收度(absorbance)。當一束光線照射到一目標物時,部份的光線會被目標物的物質吸收,剩下的光線則會穿透,即原本光入射線強度I0,穿透光線強度變為It,即關係式為:It=I0e-εlc
本發明使用可見光波段(400-700nm)中使用Y個關鍵波段,舉例而言,Y的數字為13,意即使用的高光譜相機波段可分為13組。本案照射的目標物是人體皮膚組織,在可見光範圍中,光無法完全穿透,而透射光It與反射光Ir在人體皮膚組織之光學特性皆呈一指數性趨勢,因此可將透射光之It項以反射光Ir代換,亦符合比爾朗柏定律,關係式為:
Ir=I0e-εlc
本發明係利用非侵入式光譜影像方式,藉由不同嚴重程度傷口間的光譜差異性,得出相關血紅素與組織血氧之濃度值,作為後續由光譜影像資訊以非監督式與監督式演算法進行機器學習模型訓練的輸入特徵之一,其特徵萃取結果可作為判斷傷口嚴重程度與面積的主要分析參數,自動將壓傷傷口之嚴重程度分級,並針對傷口面積大小進行快速計算及顯示於電腦螢幕或裝置顯示器上。
以下敘述之本發明執行流程係使用快照式高光譜影像檢測方式,但本發明並不侷限於使用高光譜方式進行檢測。
圖1係為本發明之實施例步驟流程圖,如圖所示,該實施例係為一種傷口評估方法,其步驟係包括:(A)以一高光譜相機取得一目標傷口之一高光譜影像;(B)將該高光譜影像輸入一電腦內,分析該高光譜影像,計算出該目標傷口之組織血氧濃度分佈狀況;(C)以該高光譜影像之高光譜波段數據和該組織血氧濃度分佈狀況數值為特徵,以非監督式學習方式進行分類分群,區分出健康皮膚區域與傷口區域,進而計算該目標傷口區域之面積;
(D)計算傷口嚴重程度、並加以分級,以該高光譜影像之高光譜波段數據和該組織血氧濃度分佈狀況數值為特徵,進行監督式學習模型訓練,建立一傷口分級數學模型;(E)建立該傷口分級數學模型後,進行該高光譜影像之傷口分期資料預測與辨別,當使用者選擇該高光譜影像中的一特定部位時,若該特定部位經過該傷口分級數學模型運算後之傷口分期判別結果權重大於一閥值,則該傷口分期判別結果即為該特定部位的傷口狀態,進而完成該目標傷口全域之狀態評估。
本發明之一實施例中,該(B)步驟計算該組織血氧濃度分佈狀況的方法為:使用該高光譜影像之參數資料,透過比爾朗柏定律(Beer-Lambert Law),以矩陣形式分別求出該傷口之含氧血色素與非含氧血色素,代入公式:
以求得該組織血氧濃度分布狀況,其中S t O 2為組織血氧濃度分布(單位%),為含氧血紅素濃度值(單位μM)、C Hb 為非含氧血紅素濃度值(單位μM)。
本發明之一實施例中,該(C)步驟非監督式學習方式區分出健康皮膚區域與傷口區域的方法步驟為:(C1)特徵萃取;以本發明為例,係以組織血氧濃度分佈狀況與高光譜影像之波段信號為特徵;
(C2)選定資料分成K組;此步驟係指使用者預先設定需將傷口分為K級;(C3)選N個點為群集中心;(C4)計算每一資料點與群集中心距離;此處之資料點係指高光譜影像之波段信號與組織血氧濃度之特徵值;(C5)將資料點區分給距離最近之群集中心;(C6)每群資料點進行平均;其平均計算公式為
x i 為數據資料,μ c 為群集中心,S c 為資料類別。
(C7)判斷平均值是否收斂,平均值收斂代表可區分出傷口、進而可計算出傷口面積,平均值無收斂代表無法區分傷口、重新回到(C2)再次執行。
本發明之一實施例使用非監督式之K均值(K-means)方式,利用數據到數據間的距離來做運算,而每筆數據的特徵則用向量表示,並明確確定傷口要分幾組類型;本發明將資料分成K組,並選N個點做群集中心點,將每一個點分類到離自己最近的群集中心,並使用數據的向量與中心點的距離進行評估,重複計算各組的群集中心,直到中心點穩定不變,便可依高光譜數據特徵進行分類分群,區分出健康皮膚區域與傷口區域。
本發明之一實施例中,該監督式學習模型訓練建
立該傷口分級數學模型之方法係可使用K鄰近算法(KNN,k nearest neighbor),其步驟為:
(D1)提供一醫護黃金準則為依據,給定一訓練資料集;醫護黃金準則係指預先由醫護人員(醫生)以傳統方法(肉眼觀察與測量)建立的傷口狀況判斷結果、意即前文所提及的醫護人員黃金標準/黃金準則,作為與本發明高光譜影像判讀相對照的標準答案,其組成的訓練資料集用以作為本發明欲建立的數學模型的正確解答,讓該數學模型可以比對參考。
(D2)輸入該傷口區域之資料,建立一測試資料集;傷口區域的資料係指以高光譜拍照取得的傷口影像數據資料,亦包括未來可能的新資料,經過本發明的非監督式學習分類後變成該目標傷口的多個傷口分級資料,再作為測試資料集導入該數學模型中進行比對。
(D3)計算該訓練資料與該測試資料間之分類差距;
(D4)找尋與該測試數據鄰近的k個訓練數據分類;此處的k係指欲分析特徵資料點(該些高光譜影像波段信號與組織血氧濃度分佈)的分類數量,訓練數據係指提供做為建立該數學模型的特徵資料;
(D5)將多個測試資料點區分給最接近該些訓練數據之類別;
(D6)驗證該些數據分類的準確性;其準確性依據為該測試資料之黃金準則分類與該測試資料之訓練分類結果間的誤差大小為參考,誤差越小,其準確性越高,則訓練結果收斂。
(D7)判斷該些數據分類是否收斂,若是、則成功建立該傷口分級數學模型,若否、則更新參數後回到(D2)再次執行。
本發明之一實施例中,使用的高光譜相機可以跟後端運算單元組合成為一整體,作為快速拍攝與顯示傷口面積與狀態的單一高光譜傷口檢測裝置;亦可將高光譜相機拍到的影像資料另外傳輸至一電腦內分別處理與運算,視使用者需求而定。本發明最終產出的結果可如圖2所示,在一顯示器上顯示出傷口實際圖像,使用者只要點選圖像上的特定部位,就會顯示本發明運算出的傷口分期結果數值,供醫護人員判斷傷口狀態分期。或者如圖3所示,圖像自動分析與計算出傷口面積。抑或是如圖4所示,顯示特定部位的組織血氧濃度分佈狀態等不同功能,作為後續醫療投藥的參考依據。
本發明使用之監督式學習演算法可以為Quadratic SVM(二次式支持向量機)、Fine Tree(決策樹)、Ensemble Boosted Trees(增強型決策樹)、Fine KNN(K-最近鄰
演算法)、Linear SVM(線性式支持向量機)等其中一種。
藉此,本發明係提供一種傷口評估方法,本發明係提供一種以非侵入式光譜影像方式鑑別壓傷病患傷口嚴重等級及面積的方法,利用高光譜影像方式觀測無法直接肉眼看到的皮膚組織血氧濃度並得知傷口面積。現階段傷口面積的測量是透過物理方式直接用比例尺測量傷口長和寬,無法很準確的描述傷口大小,且也與實際上有所差異,高光譜影像是一個結合空間影像與組織成份光譜的多維度資訊,可以客觀科學的角度計算更準確的傷口面積。本發明之技術亦可判別壓傷分期,利用高光譜數據的傷口光譜特徵與組織血氧濃度分布特徵,將醫生的分期診斷答案-專業醫護黃金準則/黃金標準(golden pattern)建立資料庫進行機器學習,模型建立好後可以快速自動分期。本發明使用快照式高光譜影像檢測技術,在臨床收案時,拍攝患部之高光譜影像完成後即傳輸數據至後端電腦或微型處理器進行運算,藉由已建立之機器學習模型,即可快速進行預測分期,計算傷口面積及組織血氧濃度,協助醫護人員判斷分析傷口狀況。
上述之實施例僅為例示性說明本發明之特點及其功效,而非用於限制本發明之實質技術內容的範圍。任何熟習此技藝之人士均可在不違背本發明之精神及範疇下,對上述實施例進行修飾與變化。因此,本發明之權利保護範圍,應如後述之申請專利範圍所列。
A~E:方法步驟
Claims (8)
- 一種傷口評估方法,係包括:(A)以一高光譜相機取得一目標傷口之一高光譜影像;(B)將該高光譜影像輸入一電腦內,分析該高光譜影像,計算出該目標傷口之組織血氧濃度分佈狀況;(C)以該高光譜影像之高光譜波段數據和該組織血氧濃度分佈狀況數值為特徵,以非監督式學習方式進行分類分群,區分出健康皮膚區域與傷口區域,進而計算該目標傷口區域之面積;(D)計算傷口嚴重程度、並加以分級,以該高光譜影像之高光譜波段數據和該組織血氧濃度分佈狀況數值為特徵,進行監督式學習模型訓練,建立一傷口分級數學模型;(E)建立該傷口分級數學模型後,進行該高光譜影像之傷口分期資料預測與辨別,當使用者選擇該高光譜影像中的一特定部位時,若該特定部位經過該傷口分級數學模型運算後之傷口分期判別結果權重大於一閥值,則該傷口分期判別結果即為該特定部位的傷口狀態,進而完成該目標傷口全域之狀態評估;其中該監督式學習模型訓練建立該傷口分級數學模型之方法步驟為:(D1)提供一醫護黃金準則為依據,給定一訓練資料集;(D2)輸入該傷口區域之資料,建立一測試資料集; (D3)計算該訓練資料與該測試資料間之分類差距;(D4)找尋與該測試數據鄰近的k個訓練數據分類;(D5)將多個測試資料點區分給最接近該些訓練數據之類別;(D6)驗證該些訓練數據分類的準確性;(D7)判斷該些數據分類是否收斂,若是、則成功建立該傷口分級數學模型,若否、則更新參數後回到(D2)再次執行。
- 如請求項1所述之傷口評估方法,其中該(A)步驟之拍攝方法步驟為:(A1)提供一高光譜相機,其波段為可見光波段400~700nm;(A2)拍攝白板校正;(A3)拍攝暗校正;(A4)拍攝該目標傷口,取得該目標傷口之該高光譜影像。
- 如請求項1所述之傷口評估方法,其中該(C)步驟非監督式學習方式區分出健康皮膚區域與傷口區域的方法步驟為:(C1)特徵萃取;(C2)選定資料分成K組;(C3)選N個點為群集中心;(C4)計算每一資料點與群集中心距離;(C5)將資料點區分給距離最近之群集中心;(C6)每群資料點進行平均;(C7)判斷平均值是否收斂,平均值收斂代表可區分出傷口、進而可計算出傷口面積,平均值無收斂代表無法區分傷口、重新回到(C2)再次執行。
- 如請求項1所述之傷口評估方法,其中該(C)步驟區分出健康皮膚區域與傷口區域後,進一步包括一影像形態學處理 動作,該影像形態學處理動作之目的係為凸顯經過該非監督式學習方式演算後之影像資料,以及降低可能的雜訊。
- 如請求項1所述之傷口評估方法,其中該監督式學習之演算法可以為Quadratic SVM(二次式支持向量機)、Fine Tree(決策樹)、Ensemble Boosted Trees(增強型決策樹)、Fine KNN(K-最近鄰演算法)、Linear SVM(線性式支持向量機)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138140A TWI755918B (zh) | 2020-10-30 | 2020-10-30 | 傷口評估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138140A TWI755918B (zh) | 2020-10-30 | 2020-10-30 | 傷口評估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI755918B true TWI755918B (zh) | 2022-02-21 |
TW202216050A TW202216050A (zh) | 2022-05-01 |
Family
ID=81329244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109138140A TWI755918B (zh) | 2020-10-30 | 2020-10-30 | 傷口評估方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI755918B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI783902B (zh) * | 2022-04-28 | 2022-11-11 | 中山醫學大學 | 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法 |
US11823440B2 (en) | 2021-08-19 | 2023-11-21 | Rehrig Pacific Company | Imaging system with unsupervised learning |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170055894A1 (en) * | 2007-07-02 | 2017-03-02 | Hypermed Imaging, Inc. | Hyperspectral tissue oxygenation measurement system |
CN107205624A (zh) * | 2014-10-29 | 2017-09-26 | 光谱Md公司 | 用于组织分类的反射式多光谱时间分辨光学成像方法和装备 |
-
2020
- 2020-10-30 TW TW109138140A patent/TWI755918B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170055894A1 (en) * | 2007-07-02 | 2017-03-02 | Hypermed Imaging, Inc. | Hyperspectral tissue oxygenation measurement system |
CN107205624A (zh) * | 2014-10-29 | 2017-09-26 | 光谱Md公司 | 用于组织分类的反射式多光谱时间分辨光学成像方法和装备 |
Non-Patent Citations (2)
Title |
---|
D. M. Anisuzzaman, Chuanbo Wang, Behrouz Rostami, SandeepGopalakrishnan, Jeffrey Niezgoda, Zeyun Yu,"Image Based Artificial Intelligence in WoundAssessment: A Systematic Review", Computers and Society, Cornell University, 15 Sep 2020, page 1-18. * |
Mirwaes Wahabzada, Manuela Besser, Milad Khosravani, Matheus Thomas Kuska,Kristian Kersting, Anne-Katrin Mahlein, Ewa Sturmer,"Monitoring wound healing in a 3D wound model by hyperspectral imaging and efficient clustering", PLOS ONE https://doi.org/10.1371/journal.pone.0186425 December 7, 2017, page 1-14.; * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11823440B2 (en) | 2021-08-19 | 2023-11-21 | Rehrig Pacific Company | Imaging system with unsupervised learning |
TWI783902B (zh) * | 2022-04-28 | 2022-11-11 | 中山醫學大學 | 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202216050A (zh) | 2022-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11337643B2 (en) | Machine learning systems and techniques for multispectral amputation site analysis | |
US9962090B2 (en) | Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification | |
EP3212057B1 (en) | Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification | |
JP6785307B2 (ja) | 組織分類システム | |
US20220142484A1 (en) | Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification | |
CN108701357A (zh) | 用于皮肤检测的设备、***和方法 | |
Cavalcanti et al. | A two-stage approach for discriminating melanocytic skin lesions using standard cameras | |
JP2018502677A5 (zh) | ||
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
TWI755918B (zh) | 傷口評估方法 | |
Miah et al. | Non-invasive bilirubin level quantification and jaundice detection by sclera image processing | |
Pereira et al. | An automatic method for arterial pulse waveform recognition using KNN and SVM classifiers | |
Cervantes-Sanchez et al. | Automatic tissue segmentation of hyperspectral images in liver and head neck surgeries using machine learning | |
CN116186502B (zh) | 一种多模态视觉神经功能检测方法及其*** | |
Hani et al. | Implementation of fuzzy c-means clustering for Psoriasis Assessment on lesion erythema | |
CN114140399A (zh) | 用于脑肿瘤术中定性和边界定位的oct图像处理装置 | |
TWI616183B (zh) | Non-invasive skin image detection method | |
Hani et al. | Assessment of chronic ulcers using digital imaging | |
Kharkar et al. | A Comprehensive Review of Emerging Technologies for Anemia Detection | |
El-Sharkawy | Advancements in non-invasive hyperspectral imaging: Mapping blood oxygen levels and vascular health for clinical and research applications | |
KR102654796B1 (ko) | 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템 및 그 방법 | |
De Arifani et al. | Implementation of Deep Learning on Smoker’s Tongue Detection System using Visible-Near Infrared Imaging | |
Chandran et al. | Automated system for detection of high risk diabetic macular edema in color retinal images | |
Chan | Machine learning techniques for detection of glaucoma with optical coherence tomography angiography images | |
Mahesh Kumar | Machine learning based automated decision support systems for the diagnosis of cholesterol and diabetic related eye abnormalities |