TWI817121B - 分類老年性黃斑部退化的程度的分類方法和分類裝置 - Google Patents
分類老年性黃斑部退化的程度的分類方法和分類裝置 Download PDFInfo
- Publication number
- TWI817121B TWI817121B TW110117544A TW110117544A TWI817121B TW I817121 B TWI817121 B TW I817121B TW 110117544 A TW110117544 A TW 110117544A TW 110117544 A TW110117544 A TW 110117544A TW I817121 B TWI817121 B TW I817121B
- Authority
- TW
- Taiwan
- Prior art keywords
- classification
- fundus
- model
- preset range
- classification model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 53
- 206010064930 age-related macular degeneration Diseases 0.000 claims abstract description 27
- 208000002780 macular degeneration Diseases 0.000 claims abstract description 27
- 206010025421 Macule Diseases 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 41
- 210000005252 bulbus oculi Anatomy 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
-
- 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
-
- 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
- G06V40/197—Matching; Classification
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Ophthalmology & Optometry (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computational Linguistics (AREA)
Abstract
提出一種分類老年性黃斑部退化的程度的分類方法和分類裝置。分類方法包含:預存物件偵測模型以及第一分類模型;取得眼底圖;根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框;計算眼底圖中的預設範圍與定界框的並交比;以及響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。
Description
本發明是有關於一種分類老年性黃斑部退化的程度的分類方法和分類裝置。
在以人工智慧(artificial intelligence,AI)模型判斷老年性黃斑部退化(age-related macular degeneration,AMD)之程度時,人工智慧模型的輸入資料大多是原始的眼底圖(fundus image)或經過前處理的眼底圖。然而,醫生在判斷AMD的嚴重程度時,並不會依據眼底圖中的整個眼球範圍,而是會依據眼底圖中的黃斑部(macula)來進行診斷。換句話說,人工智慧模型與醫生的判斷標準並不相同。因此,人工智慧模型的判斷結果可能失準。
本發明提供一種分類老年性黃斑部退化的程度的分類方法和分類裝置,可根據眼底圖中的合理範圍來為AMD的程度進行分類。
本發明的一種分類老年性黃斑部退化的程度的分類裝置,包含處理器、儲存媒體以及收發器。儲存媒體儲存物件偵測模型以及第一分類模型。處理器耦接儲存媒體以及收發器,其中處理器經配置以執行:通過收發器取得眼底圖;根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框;計算眼底圖中的預設範圍與定界框的並交比;以及響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。
在本發明的一實施例中,上述的儲存媒體更儲存第二分類模型,其中處理器更經配置以執行:響應於並交比小於或等於閾值而根據第二分類模型產生眼底圖的分類。
在本發明的一實施例中,上述的處理器將定界框中的圖像輸入至第一分類模型以產生分類。
在本發明的一實施例中,上述的處理器將眼底圖輸入至第二分類模型以產生分類。
在本發明的一實施例中,上述的預設範圍的中心點位於眼底圖的幾何中心。
在本發明的一實施例中,上述的眼底圖與預設範圍為矩形,預設範圍的第一邊與眼底圖的第一邊界相距第一距離,並且預設範圍的第二邊與眼底圖的第二邊界相距第一距離,其中第二邊為第一邊的對邊,其中第二邊界為第一邊界的對邊。
在本發明的一實施例中,上述的預設範圍為矩形,其中處理器更經配置以執行:取得眼底圖中的眼球範圍;以及根據眼球範圍的直徑產生矩形的長邊長度和短邊長度。
在本發明的一實施例中,上述的分類指示眼底圖對應於下列的其中之一:老年性黃斑部退化的第一期、第二期、第三期以及第四期。
在本發明的一實施例中,上述的第一分類模型與第二分類模型具有相同的卷積神經網路架構。
本發明的一種分類老年性黃斑部退化的程度的分類方法,包含:預存物件偵測模型以及第一分類模型;取得眼底圖;根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框;計算眼底圖中的預設範圍與定界框的並交比;以及響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。
基於上述,本發明的分類裝置可在眼底圖中的黃斑部位置是合理時根據與醫生相同的判斷標準來分類AMD的程度。若眼底圖中的黃斑部位置並不合理,分類裝置可依據整張眼底圖來分類AMD的程度。
為了使本發明之內容可以被更容易明瞭,以下特舉實施例作為本發明確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1根據本發明的一實施例繪示一種分類AMD的程度的分類裝置100的示意圖。分類裝置100可包含處理器110、儲存媒體120以及收發器130。分類裝置100可用以判斷眼底圖所對應的AMD的程度。分類裝置100可將輸入至分類裝置100中的眼底圖分類為AMD的第一期、第二期、第三期或第四期。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包含第一分類模型121、第二分類模型122以及物件偵測模型123等多個模型。
物件偵測模型123可用以偵測眼底圖中的黃斑部,並在眼底圖上產生對應於黃斑部的定界框(bounding box)。第一分類模型121可用以根據定界框中的圖像來為眼底圖進行分類。換句話說,第一分類模型121是依據眼底圖中的一部份來為眼底圖進行分類。第二分類模型122可用以根據整張眼底圖來為眼底圖進行分類。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
處理器110可通過收發器130取得眼底圖。圖2根據本發明的一實施例繪示眼底圖200的示意圖。眼底圖200可包含眼球範圍210以及黃斑部220。在一實施例中,處理器110可根據霍夫轉換(Hough transform)從眼底圖200中擷取出眼球範圍210。在取得眼底圖200後,處理器110可將眼底圖200輸入至物件偵測模型123中。物件偵測模型123例如是一種機器學習模型。物件偵測模型123可偵測眼底圖200中的黃斑部以在眼底圖200上產生定界框,如圖3所示。圖3根據本發明的一實施例繪示預設範圍300以及定界框400的示意圖。
在產生定界框400後,處理器110可計算眼底圖200中的預設範圍300以及定界框400的並交比(intersection over union,IOU)。若預設範圍300以及定界框400的並交比大於閾值,則處理器110可根據第一分類模型121產生眼底圖200的分類。具體來說,處理器110可將定界框400中的圖像(即:黃斑部220的圖像)輸入至第一分類模型121。第一分類模型121可根據定界框400中的圖像產生眼底圖200的分類。處理器110可通過收發器130輸出眼底圖200的分類以供使用者參考。使用者可根據收發器130輸出的分類判斷眼底圖200是對應於AMD的第一期、第二期、第三期或第四期。
若預設範圍300以及定界框400的並交比小於或等於閾值,則處理器110可根據第二分類模型122產生眼底圖200的分類。具體來說,處理器110可將眼底圖200(即:整個眼球的圖像)輸入至第二分類模型122。第二分類模型122可根據眼底圖200產生眼底圖200的分類。處理器110可通過收發器130輸出眼底圖200的分類以供使用者參考。使用者可根據收發器130輸出的分類判斷眼底圖200是對應於AMD的第一期、第二期、第三期或第四期。
第一分類模型121或第二分類模型122例如是一種機器學習模型。在一實施例中,第一分類模型121以及第二分類模型122可具有相同的卷積神經網路架構。然而,由於第一分類模型121以及第二分類模型122是分別根據不同的訓練資料集合或超參數訓練出來的,故第一分類模型121中的卷積神經網路以及第二分類模型122中的卷積神經網路可具有不同的權重。
眼底圖200與預設範圍300可為矩形。處理器110可根據眼底圖200的幾何中心決定預設範圍300的位置。預設範圍300的中心點310可位於眼底圖200的幾何中心。眼底圖200可具有第一邊界21、第二邊界22、第三邊界23以及第四邊界24,其中第一邊界21以及第二邊界22可為矩形的短邊,並且第三邊界23以及第四邊界24可為矩形的長邊。第二邊界22可為第一邊界21的對邊,並且第四邊界24可為第三邊界23的對邊。另一方面,預設範圍300可具有第一邊31、第二邊32、第三邊33以及第四邊34,其中第一邊31以及第二邊32可為矩形的短邊,並且第三邊33以及第四邊34可為矩形的長邊。第二邊32可為第一邊31的對邊,並且第四邊34可為第三邊33的對邊。
在一實施例中,處理器110可根據眼底圖200的邊界決定預設範圍300。具體來說,假設預設範圍300為矩形,儲存媒體120可預存第一距離D1以及第二距離D2。處理器110可決定預設範圍300的第一邊31與眼底圖200的第一邊界21相距第一距離D1,並且預設範圍300的第二邊32與眼底圖200的第二邊界22相距第一距離D1。另一方面,處理器110可決定預設範圍300的第三邊33與眼底圖200的第三邊界23相距第二距離D2,並且預設範圍300的第四邊34與眼底圖200的第四邊界24相距第二距離D2。
在一實施例中,處理器110可根據眼球範圍210的直徑決定預設範圍300。假設預設範圍300為矩形,處理器110可根據眼球範圍210的直徑計算所述矩形(即:預設範圍300)的長邊長度以及短邊長度。舉例來說,處理器110可將眼球範圍210的直徑乘上0.9以計算預設範圍300的長邊長度(即:第三邊33或第四邊34的長度)。處理器110可將眼球範圍210的直徑乘上0.8以計算預設範圍300的短邊長度(即:第一邊31或第二邊32的長度)。
圖4根據本發明的一實施例繪示一種分類AMD的程度的分類方法的流程圖,其中所述分類方法可由如圖1所示的分類裝置100實施。在步驟S401中,預存物件偵測模型以及第一分類模型。在步驟S402中,取得眼底圖。在步驟S403中,根據物件偵測模型偵測眼底圖中的黃斑部以在眼底圖中產生定界框。在步驟S404中,計算眼底圖中的預設範圍與定界框的並交比。在步驟S405中,響應於並交比大於閾值而根據第一分類模型產生眼底圖的分類。
綜上所述,本發明的分類裝置可儲存第一分類模型以及第二分類模型。第一分類模型可根據眼底圖中的定界框來判斷AMD的程度,並且第二分類模型可根據整張眼底圖來判斷AMD的程度。若物件偵測模型判斷眼底圖中的黃斑部出現在預設範圍中,代表所述眼底圖中的黃斑部位置是合理的。據此,分類裝置可根據第一分類模型來為眼底圖進行分類。若物件偵測模型判斷眼底圖中的黃斑部並未出現在預設範圍中,代表所述眼底圖中的黃斑部位置是不合理的。據此,分類裝置可根據第二分類模型來為眼底圖進行分類。換句話說,若眼底圖中的黃斑部位置是合理的,則分類裝置可根據與醫生相同的判斷標準來分類AMD的程度。
100:分類裝置
110:處理器
120:儲存媒體
121:第一分類模型
122:第二分類模型
123:物件偵測模型
130:收發器
200:眼底圖
21:第一邊界
210:眼球範圍
22:第二邊界
220:黃斑部
23:第三邊界
24:第四邊界
300:預設範圍
31:第一邊
310:中心點
32:第二邊
33:第三邊
34:第四邊
400:定界框
D1:第一距離
D2:第二距離
S401、S402、S403、S404、S405:步驟
圖1根據本發明的一實施例繪示一種分類AMD的程度的分類裝置的示意圖。
圖2根據本發明的一實施例繪示眼底圖的示意圖。
圖3根據本發明的一實施例繪示預設範圍以及定界框的示意圖。
圖4根據本發明的一實施例繪示一種分類AMD的程度的分類方法的流程圖。
S401、S402、S403、S404、S405:步驟
Claims (8)
- 一種分類老年性黃斑部退化的程度的分類裝置,包括:收發器;儲存媒體,儲存物件偵測模型、第一分類模型以及第二分類模型;以及處理器,耦接所述儲存媒體以及所述收發器,其中所述處理器經配置以執行:通過所述收發器取得眼底圖;根據所述物件偵測模型偵測所述眼底圖中的黃斑部以在所述眼底圖中產生定界框;計算所述眼底圖中的預設範圍與所述定界框的並交比,其中所述預設範圍的中心點位於所述眼底圖的幾何中心;響應於所述並交比大於閾值而根據所述第一分類模型產生所述眼底圖的分類;以及響應於所述並交比小於或等於所述閾值而根據所述第二分類模型產生所述眼底圖的所述分類。
- 如請求項1所述的分類裝置,其中所述處理器將所述定界框中的圖像輸入至所述第一分類模型以產生所述分類。
- 如請求項1所述的分類裝置,其中所述處理器將所述眼底圖輸入至所述第二分類模型以產生所述分類。
- 如請求項1所述的分類裝置,其中所述眼底圖與所述預設範圍為矩形,所述預設範圍的第一邊與所述眼底圖的第一邊界相距第一距離,並且所述預設範圍的第二邊與所述眼底圖的第二邊界相距所述第一距離,其中所述第二邊為所述第一邊的對邊,其中所述第二邊界為所述第一邊界的對邊。
- 如請求項1所述的分類裝置,其中所述預設範圍為矩形,其中所述處理器更經配置以執行:取得所述眼底圖中的眼球範圍;以及根據所述眼球範圍的直徑產生所述矩形的長邊長度和短邊長度。
- 如請求項1所述的分類裝置,其中所述分類指示所述眼底圖對應於下列的其中之一:所述老年性黃斑部退化的第一期、第二期、第三期以及第四期。
- 如請求項1所述的分類裝置,其中所述第一分類模型與所述第二分類模型具有相同的卷積神經網路架構。
- 一種分類老年性黃斑部退化的程度的分類方法,包括:預存物件偵測模型、第一分類模型以及第二分類模型;取得眼底圖;根據所述物件偵測模型偵測所述眼底圖中的黃斑部以在所述眼底圖中產生定界框;計算所述眼底圖中的預設範圍與所述定界框的並交比,其中 所述預設範圍的中心點位於所述眼底圖的幾何中心;響應於所述並交比大於閾值而根據所述第一分類模型產生所述眼底圖的分類;以及響應於所述並交比小於或等於所述閾值而根據所述第二分類模型產生所述眼底圖的所述分類。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110117544A TWI817121B (zh) | 2021-05-14 | 2021-05-14 | 分類老年性黃斑部退化的程度的分類方法和分類裝置 |
US17/462,020 US20220366559A1 (en) | 2021-05-14 | 2021-08-31 | Classification method and classification device for classifying level of amd |
EP21198357.2A EP4088649A1 (en) | 2021-05-14 | 2021-09-22 | Classification method and classification device for classifying level of amd |
CN202111114182.1A CN115345816A (zh) | 2021-05-14 | 2021-09-23 | 分类老年性黄斑部退化的程度的分类方法和分类装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110117544A TWI817121B (zh) | 2021-05-14 | 2021-05-14 | 分類老年性黃斑部退化的程度的分類方法和分類裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202244842A TW202244842A (zh) | 2022-11-16 |
TWI817121B true TWI817121B (zh) | 2023-10-01 |
Family
ID=77910611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110117544A TWI817121B (zh) | 2021-05-14 | 2021-05-14 | 分類老年性黃斑部退化的程度的分類方法和分類裝置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220366559A1 (zh) |
EP (1) | EP4088649A1 (zh) |
CN (1) | CN115345816A (zh) |
TW (1) | TWI817121B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
TW202038137A (zh) * | 2018-12-12 | 2020-10-16 | 美商太斯萊特健康股份有限公司 | 用於生物識別及健康狀態測定之光學設備及相關裝置 |
CN112508864A (zh) * | 2020-11-20 | 2021-03-16 | 昆明理工大学 | 基于改进UNet++的视网膜血管图像分割方法 |
CN112598028A (zh) * | 2020-12-10 | 2021-04-02 | 上海鹰瞳医疗科技有限公司 | 眼底图像配准模型训练方法、眼底图像配准方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140126787A1 (en) * | 2012-11-08 | 2014-05-08 | Lasarow Healthcare Technologies Limited | Device and method for generating melanoma risk assessments |
US9775506B2 (en) * | 2012-11-08 | 2017-10-03 | The Johns Hopkins University | System and method for detecting and classifying severity of retinal disease |
WO2017031099A1 (en) * | 2015-08-20 | 2017-02-23 | Ohio University | Devices and methods for classifying diabetic and macular degeneration |
JP6594170B2 (ja) * | 2015-11-12 | 2019-10-23 | キヤノン株式会社 | 画像処理装置、画像処理方法、画像投影システムおよびプログラム |
WO2019231102A1 (ko) * | 2018-05-31 | 2019-12-05 | 주식회사 뷰노 | 피검체의 안저 영상을 분류하는 방법 및 이를 이용한 장치 |
EP3956813A4 (en) * | 2019-04-18 | 2022-11-16 | Tracery Ophthalmics Inc. | DETECTION, PREDICTION AND CLASSIFICATION OF EYE DISEASE |
WO2021039339A1 (ja) * | 2019-08-30 | 2021-03-04 | キヤノン株式会社 | 情報処理装置、情報処理方法、情報処理システム及びプログラム |
US20230037424A1 (en) * | 2020-03-03 | 2023-02-09 | Mona.Health | A system and method for classifying images of retina of eyes of subjects |
US20210390692A1 (en) * | 2020-06-16 | 2021-12-16 | Welch Allyn, Inc. | Detecting and tracking macular degeneration |
US11610306B2 (en) * | 2020-12-16 | 2023-03-21 | Industrial Technology Research Institute | Medical image analysis method and device |
-
2021
- 2021-05-14 TW TW110117544A patent/TWI817121B/zh active
- 2021-08-31 US US17/462,020 patent/US20220366559A1/en active Pending
- 2021-09-22 EP EP21198357.2A patent/EP4088649A1/en active Pending
- 2021-09-23 CN CN202111114182.1A patent/CN115345816A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
TW202038137A (zh) * | 2018-12-12 | 2020-10-16 | 美商太斯萊特健康股份有限公司 | 用於生物識別及健康狀態測定之光學設備及相關裝置 |
CN112508864A (zh) * | 2020-11-20 | 2021-03-16 | 昆明理工大学 | 基于改进UNet++的视网膜血管图像分割方法 |
CN112598028A (zh) * | 2020-12-10 | 2021-04-02 | 上海鹰瞳医疗科技有限公司 | 眼底图像配准模型训练方法、眼底图像配准方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115345816A (zh) | 2022-11-15 |
US20220366559A1 (en) | 2022-11-17 |
TW202244842A (zh) | 2022-11-16 |
EP4088649A1 (en) | 2022-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650518B2 (en) | Computer aided diagnosis (CAD) apparatus and method | |
KR102114357B1 (ko) | 풀링 타입에 대한 정보를 포함하는 테이블을 작성하기 위한 방법, 장치 및 이를 이용한 테스팅 방법, 테스팅 장치 | |
WO2019200535A1 (zh) | 基于人工智能的眼科疾病诊断建模方法、装置及*** | |
WO2019206209A1 (zh) | 基于机器学习的眼底图像检测方法、装置及*** | |
Aurangzeb et al. | Contrast enhancement of fundus images by employing modified PSO for improving the performance of deep learning models | |
US11461599B2 (en) | Classification of images based on convolution neural networks | |
KR101828011B1 (ko) | 이미지에 포함된 객체의 상태를 분류하는 방법 및 분류 장치 | |
EP3680854B1 (en) | Learning program, learning apparatus, and learning method | |
US20200178930A1 (en) | Method and system for evaluating cardiac status, electronic device and ultrasonic scanning device | |
US20160157832A1 (en) | Apparatus and method for computer aided diagnosis (cad), and apparatus for controlling ultrasonic transmission pattern of probe | |
WO2020001236A1 (zh) | 提取医学图像标注的方法及装置 | |
WO2022033264A1 (zh) | 人体特征点的筛选方法、装置、电子设备以及存储介质 | |
US20190244356A1 (en) | Evaluation of lungs via ultrasound | |
KR102530010B1 (ko) | 의료 영상 기반 질환 중증도 결정 장치 및 방법 | |
TWI817121B (zh) | 分類老年性黃斑部退化的程度的分類方法和分類裝置 | |
Gao et al. | Automatic optic disc segmentation based on modified local image fitting model with shape prior information | |
WO2022127043A1 (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
US9959635B2 (en) | State determination device, eye closure determination device, state determination method, and storage medium | |
TWI727470B (zh) | 適用於光譜儀的自動化模型訓練裝置和自動化模型訓練方法 | |
US20220067583A1 (en) | Method and electronic device for evaluating performance of identification model | |
JP6661497B2 (ja) | 超音波診断装置、及びその作動方法 | |
JPWO2020095392A1 (ja) | 電波画像識別装置、電波画像学習装置、及び、電波画像識別方法 | |
TWI775356B (zh) | 用於眼底圖的影像前處理方法及影像處理裝置 | |
US11893083B2 (en) | Electronic device and method for training or applying neural network model | |
WO2023226793A1 (zh) | 二尖瓣开口间距检测方法、电子设备和存储介质 |