Nothing Special   »   [go: up one dir, main page]

CN107680683A - 一种ai眼部健康评估方法 - Google Patents

一种ai眼部健康评估方法 Download PDF

Info

Publication number
CN107680683A
CN107680683A CN201710930225.0A CN201710930225A CN107680683A CN 107680683 A CN107680683 A CN 107680683A CN 201710930225 A CN201710930225 A CN 201710930225A CN 107680683 A CN107680683 A CN 107680683A
Authority
CN
China
Prior art keywords
eye
health
appraisal procedure
fundus image
healths
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
CN201710930225.0A
Other languages
English (en)
Inventor
刘瑞祯
张逸轩
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.)
Zhongke Zhi Valley Science and Technology Development Co., Ltd.
Original Assignee
Shanghai Good Vision 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 Shanghai Good Vision Technology Co Ltd filed Critical Shanghai Good Vision Technology Co Ltd
Priority to CN201710930225.0A priority Critical patent/CN107680683A/zh
Publication of CN107680683A publication Critical patent/CN107680683A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
    • 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
    • A61B3/11—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils
    • A61B3/111—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils for measuring interpupillary distance
    • 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
    • A61B3/16—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring intraocular pressure, e.g. tonometers
    • A61B3/165—Non-contacting tonometers
    • 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
    • G06T2207/30—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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种AI眼部健康评估方法，属于人工智能医学检测技术领域，所述方法包括：采集多个眼底图像和眼部基本数据，将采集到的数据结构化并分析眼部特征属性，根据眼部特征属性给出健康指数；通过图像处理算法对用户眼底图像进行预处理再进行特征提取；利用深度学习算法搭建眼部健康评估模型；通过云计算平台导入眼部健康评估模型，生成健康报告，输出健康指数，本方法可简便地检测眼部健康情况，给用户一个直观的反馈，利于疾病的预防以及日常健康管理。

Description

一种AI眼部健康评估方法
技术领域
本发明涉及人工智能医学检测技术领域，具体涉及一种AI眼部健康评估方法。
背景技术
随着生活水平和生活质量的不断提高，人们越来越重视自我的身体健康状况。而在中国，智能移动设备的普及不仅仅给人们的生活带来了便利，也导致了眼部疾病低龄化、眼睛亚健康在中青年人群中不断蔓延，使得未来的医疗将从症状治疗转变为预防、早诊断、早治疗，以医院为中心的传统医疗模式转变为以个体为基础的医疗模式。近年来，得益于人工智能相关技术在医疗检测的不断发展，人工智能AI健康检测的实现才成为可能。而现有的眼科医院的检查基本完全依赖于医生专家，而医生人数有限，同时人们对眼部健康缺乏足够的了解和认识，存在眼科疾病风险却错过了重要的早期治疗、眼睛状况良好但是由于不够了解，而过度治疗的情况。这些都大大降低了医疗保健的效率。在过去，医疗行业是难以用技术替代了，而如今蓬勃发展的人工智能技术可以做到辅助医生治疗，替代医生完成一定的机械化、格式化的工作，又同时保有医疗角度的思考，给予医生建议与反馈，大大提高了医疗行业的效率。相较于其他人体部位，现阶段的AI技术更有可能应用在眼部健康方面。结合眼科专家的专业知识，设计一种通过分析人体眼底图像和基本生理参数，对人体眼部健康进行评估的人工智能技术方法具有重要的意义和实用价值。
利用本AI眼部健康评估方法检测用户眼部健康情况的时候，将拍摄多张高清眼底图像并检测眼部生理参数，通过图像处理和深度学习技术，快速实时的将数据发送到云计算服务器，实现人工智能算法计算及分析，生成眼部健康报告并输出健康指数，根据指数大小直观反应健康状况，从而给予用户下一步细致的医疗建议。可简便地检测眼部健康情况，对于不了解眼部健康的用户有一个直观的反馈，利于疾病预防、早期发现以及日常健康管理。
发明内容
本发明的目的在于提供一种AI眼部健康评估方法，用以解决现有眼部健康检查的局限性问题。
为实现上述目的，本发明提供一种AI眼部健康评估方法，其特征在于，所述评估方法包括：
采集用户眼底图像和眼部基本数据；
将采集到的眼部基本数据进行结构化处理；
对用户眼底图像先进行预处理再提取特征属性；
计算分析提取到的特征属性，判断健康指数；
生成健康报告，输出健康指数。
本发明提供一种AI眼部健康评估方法，所述眼部基本数据包括：眼压、屈光参数、球镜、柱镜、光轴和瞳距，其中，眼压采用非接触式眼压计的喷气方式测量，屈光参数、球镜、柱镜、光轴和瞳距通过验光仪器检测。
本发明提供一种AI眼部健康评估方法，所述特征属性包括：动静脉宽度比、杯盘比、眼底出血结果。
本发明提供一种AI眼部健康评估方法，所述健康指数为按照健康情况设定的第一至第六等级，第一至第六等级代表的健康程度依次下降。
本发明提供一种AI眼部健康评估方法，所述对用户眼底图像先进行预处理的方法为：采用多种滤波器协同降低噪声，提高信噪比，所述多种滤波器包括高斯滤波器和BM3D滤波器。
本发明提供一种AI眼部健康评估方法，所述动静脉宽度比采用图像处理算法获取的方法包括：
使用连续小波变化算法处理原始眼底图像提取粗细血管；
依据Top-hat变换和双环滤波技术对粗细血管进行分割；
采用形态学处理方法进行4次开闭迭代运算获得图像的亮部信息，由亮部信息确定视盘位置；
使用k-Means方法获得视盘周围的动静脉血管分类，用圆形结构估计法将动静脉血管分成5个血管子段，在每个血管子段的中心线上进行宽度测量；
根据公式AVR＝CRAE/CRVE，其中CRAE是视网膜中央动脉直径，CRAE＝0.88×(wi 2+wj 2)，i和j是所选动脉中的最宽和最窄的动脉宽度，CRVE是视网膜中央静脉直径，CRVE＝0.95×(wm 2+wn 2)，m和n是6条所选静脉中的最宽和最窄的静脉宽度，由此得到5个动静脉宽度比值，这5个值的平均值为最终的动静脉宽度比。
本发明提供一种AI眼部健康评估方法，所述杯盘比采用图像处理算法获取的方法包括：
对眼底图像采用形态学处理方法进行4次开闭迭代运算，获得眼底图像的亮部信息，由图像亮部信息确定眼底图像中视盘与视杯的位置；
将视盘与视杯进行分割，再将视盘与视杯的边界平滑化；
通过神经网络融合水平集算法测出视杯与视盘的直径，最后计算杯盘直径与视盘直径的比值，得出杯盘比。
本发明提供一种AI眼部健康评估方法，所述眼底出血状况采用图像处理算法获取的方法包括：
对数据库中眼底图像显示的眼底出血状况进行“出血”与“未出血”分类标记；
输入用户眼底图像数据，选取高斯核函数进行空间映射，与已标记的眼底图像对比来训练支持向量机，最终得到眼底出血结果。
本发明提供一种AI眼部健康评估方法，所述眼部健康评估方法主要利用深度学习算法完成，深度学习算法基于TensorFlow深度学习框架的卷积神经网络，在实现过程中具体采用了Keras，所述深度学习算法结构按层次依次为：输入层、卷积层、池化层、卷积层、池化层、全连接层、卷积层、卷积层、卷积层、池化层、全连接层、全连接层、Softmax/Relu层。
本发明方法具有如下优点：本发明针对目前有关眼科健康检查中的问题，在整体设计上增加了人工智能的技术，简化了初期检查的过程，减轻了医生的前期工作量，提高了治疗效率；同时健康的用户可以通过简单的检测技术，快速得知自己眼部整体的健康状况，而有健康隐患的用户，也可以通过该技术方法提早发现，及时治疗；实现生理参数监测和用户信息录入的硬件结构做了简化，提高了用户使用的友好性；用户只需要去指定地点拍摄眼底图像和检测基本的眼部健康数据，而分析计算的功能在云计算后台中实现，进一步降低了传统医疗检测的成本并有利于采集大量的生理、生化和图像数据；服务器后台中采用了图像处理算法、深度学习等算法实现用户数据的分析处理，得到更为全面综合的健康分析报告，更有针对性为用户提供建议，真正实现用户健康状况的长时间连续监测，实现疾病的早发现、早预防、实时诊疗和健康管理。
附图说明
图1一种AI眼部健康评估方法步骤图。
图2深度学习算法的结构图。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
参考图1，一种AI眼部健康评估方法，其特征在于，所述评估方法包括：
采集用户眼底图像和眼部基本数据；
将采集到的眼部基本数据进行结构化处理；
对用户眼底图像先进行预处理再提取特征属性；
计算分析提取到的特征属性，判断健康指数；
生成健康报告，输出健康指数。
所述眼底图像通过全自动眼底照相机拍摄，所述眼部基本数据包括：眼压、屈光参数、球镜、柱镜、光轴和瞳距，其中，眼压采用非接触式眼压计的喷气方式测量，屈光参数、球镜、柱镜、光轴和瞳距通过验光仪器检测检测，屈光参数为判断中高度近视眼的依据。
将采集到的数据进行结构化处理并计算分析眼部特征属性包括将眼底图片通过图像处理算法提取特征，然后结合专家的意见量化这些属性，最后根据这些属性特征通过深度学习算法计算眼部健康指数。
所述眼部特征属性包括：动静脉宽度比、杯盘比、眼底出血结果。
所述健康指数为按照健康情况设定的第一至第六等级，第一至第六等级代表的离散数字分别为100、90、80、70、60、小于60，分数越高的，眼部健康情况就越好。
所述眼底图像进行预采用多种滤波器协同降噪，主要采用高斯滤波器去除常见的噪声和BM3D滤波器处理泊松分布噪声。
所述眼部健康评估方法，用图像处理算法提取动静脉宽度比的方法为：使用连续小波变化计算机算法处理原始眼底图像提取粗细血管，依据Top-hat变换和双环滤波技术对选定区域中的粗细血管进行分割，再采用形态学处理方法进行4次开闭迭代运算获得图像中最亮的部分，由亮部信息确定视盘位置，然后使用k-Means方法获得视盘周围的动静脉血管分类，再将血管进行分段从1DD到1.5DD以0.1DD为步长划分出6个圆环，从而每个血管被分为5个血管子段，在每个血管子段的中心线上进行宽度测量，用圆形结构估计法计算出血管宽度，根据公式AVR＝CRAE/CRVE会得到5个动静脉宽度比值，这5个值的平均值为最终的动静脉宽度比值。
AVR＝CRAE/CRVE，AVR是动静脉宽度比，CRAE是视网膜中央动脉直径，CRAE＝0.88×(wi 2+wj 2)，i和j是所选动脉中的最宽和最窄的动脉宽度，CRVE是视网膜中央静脉直径，CRVE＝0.95×(wm 2+wn 2)，m和n是所选静脉中的最宽和最窄的静脉宽度。
采用形态学处理方法进行4次开闭迭代运算获得图像的亮部信息，由图像亮部信息确定眼底图像中视盘与视杯的位置；
将视盘与视杯进行分割，再将视盘与视杯的边界平滑化；
通过神经网络融合水平集算法测出视杯与视盘的直径，最后计算出杯盘直径与视盘直径的比值，得出杯盘比。
本发明提供一种AI眼部健康评估方法，所述眼底出血状况采用图像处理算法获取的方法包括：
对数据库中眼底图像显示的眼底出血结果进行“出血”与“未出血”分类标记；
输入用户眼底图像数据，选取高斯核函数进行空间映射，与已标记的眼底图像对比来训练支持向量机，最终得到眼底出血状况。
所述支持向量机能将输入的数据变换成线性可分的数据，即不同类别的数据能在超空间中被一个最优超平面分开，且各点到该超平面距离最远。训练支持向量机即使用一个核函数对训练数据进行计算，寻找这个超平面。
所述眼部健康评估方法主要利用深度学习算法完成，深度学习算法基于TensorFlow深度学习框架的卷积神经网络，在实现过程中具体采用了Keras，参考图2，所述深度学习算法结构按层次依次为：输入层、卷积层、池化层、卷积层、池化层、全连接层、卷积层、卷积层、卷积层、池化层、全连接层、全连接层、Softmax/Relu层。
所述输入层允许众多神经元接受大量非线形输入讯息，输入的讯息称为输入向量，是原始输入数据。
所述卷积层的每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
所述池化层的作用是向下采样，将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。
所述全连接层的作用是将学到的分布式特征表示映射到样本标记空间。
所述Softmax/Relu层是分类器，完成最后的分类。
本发明使用了或隐含使用了一些专业基本概念，它们分别是：
AI：Artificial Intelligence，人工智能；
BM3D：BlockMatching 3D，三维快匹配；
Top-hat：高帽变换，能很好地对图像进行一定的处理，实现图像的增强，线性特征的提取，为后续的处理做准备；
K-Means算法：基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大；
圆形结构估计法：以所分割出来的血管子段的中心点为圆心做一个半径为R(R＝Wx+5，Wx是最大的血管宽度)的圆，通过计算血管两侧在该圆上的点数得到血管与圆心的夹角，继而由几何关系计算出血管宽度；
CRAE:：Central RetinalArterial Equivalent，视网膜中央动脉直径；
CRVE：Central RetinalVeinEquivalent，视网膜中央静脉直径；
AVR：Arteriolar-to-venularDiameterRatio，动静脉宽度比；
支持向量机：SupportVectorMachin，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析，在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中；
TensorFlow：谷歌基于DistBelief进行研发的第二代人工智能学习系统，TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统，TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域；
Keras:基于Theano和TensorFlow的深度学习库；
Softmax：多类别神经网络的输出层，完成最后的分类；
Relu：Rectified LinearUnits，激活函数；
卷积神经网络：Convolutional NeuralNetwork，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种AI眼部健康评估方法，其特征在于，所述评估方法包括：
采集用户眼底图像和眼部基本数据；
将采集到的眼部基本数据进行结构化处理；
对用户眼底图像先进行预处理再提取特征属性；
计算分析提取到的特征属性，判断健康指数；
生成健康报告，输出健康指数。
2.如权利要求1所述的一种AI眼部健康评估方法，其特征在于，所述眼部基本数据包括：眼压、屈光参数、球镜、柱镜、光轴和瞳距，其中，眼压采用非接触式眼压计的喷气方式测量，屈光参数、球镜、柱镜、光轴和瞳距通过验光仪器检测。
3.如权利要求1所述的一种AI眼部健康评估方法，其特征在于，所述特征属性包括：动静脉宽度比、杯盘比、眼底出血结果。
4.如权利要求1所述的一种AI眼部健康评估方法，其特征在于，所述健康指数为按照健康情况设定的第一至第六等级，第一至第六等级代表的健康程度依次下降。
5.如权利要求1所述的一种AI眼部健康评估方法，其特征在于，所述对用户眼底图像先进行预处理的方法为：采用多种滤波器协同降低噪声，提高信噪比，所述多种滤波器包括高斯滤波器和BM3D滤波器。
6.如权利要求3所述的一种AI眼部健康评估方法，其特征在于，所述动静脉宽度比采用图像处理算法获取的方法包括：
使用连续小波变化BM3D滤波器处理原始眼底图像提取粗细血管；
依据Top-hat变换和双环滤波技术对粗细血管进行分割；
采用形态学处理方法进行4次开闭迭代运算获得图像的亮部信息，由亮部信息确定视盘位置；
使用k-Means方法获得视盘周围的动静脉血管分类，用圆形结构估计法将动静脉血管分成5个血管子段，在每个血管子段的中心线上进行宽度测量；
根据公式AVR＝CRAE/CRVE，其中CRAE是视网膜中央动脉直径，CRAE＝0.88×(wi 2+wj 2)，i和j是所选动脉中的最宽和最窄的动脉宽度，CRVE是视网膜中央静脉直径，CRVE＝0.95×(wm 2+wn 2)，m和n是6条所选静脉中的最宽和最窄的静脉宽度，由此得到5个动静脉宽度比值，这5个值的平均值为最终的动静脉宽度比。
7.如权利要求3所述的一种AI眼部健康评估方法，其特征在于，所述杯盘比采用图像处理算法获取的方法包括：
对眼底图像采用形态学处理方法进行4次开闭迭代运算，获得眼底图像的亮部信息，由眼底图像亮部信息确定眼底图像中视盘与视杯的位置；
将视盘与视杯进行分割，再将视盘与视杯的边界平滑化；
通过神经网络融合水平集算法测出视杯与视盘的直径，最后计算杯盘直径与视盘直径的比值，得出杯盘比。
8.如权利要求3所述的一种AI眼部健康评估方法，其特征在于，所述眼底出血状况采用图像处理算法获取的方法包括：
对数据库中眼底图像显示的眼底出血结果进行“出血”与“未出血”分类标记；
输入用户眼底图像数据，选取高斯核函数进行空间映射，与已标记的眼底图像对比来训练支持向量机，最终得到眼底出血结果。
9.如权利要求1所述的一种AI眼部健康评估方法，其特征在于，所述眼部健康评估方法主要利用深度学习算法完成，深度学习算法基于TensorFlow深度学习框架的卷积神经网络，在实现过程中具体采用了Keras，所述深度学习算法结构按层次依次为：输入层、卷积层、池化层、卷积层、池化层、全连接层、卷积层、卷积层、卷积层、池化层、全连接层、全连接层和Softmax/Relu层。
CN201710930225.0A 2017-10-09 2017-10-09 一种ai眼部健康评估方法 Pending CN107680683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710930225.0A CN107680683A (zh) 2017-10-09 2017-10-09 一种ai眼部健康评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710930225.0A CN107680683A (zh) 2017-10-09 2017-10-09 一种ai眼部健康评估方法

Publications (1)

Publication Number Publication Date
CN107680683A true CN107680683A (zh) 2018-02-09

Family

ID=61139912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710930225.0A Pending CN107680683A (zh) 2017-10-09 2017-10-09 一种ai眼部健康评估方法

Country Status (1)

Country Link
CN (1) CN107680683A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108877923A (zh) * 2018-05-03 2018-11-23 华南理工大学 一种基于深度学习的舌苔生成中药处方的方法
CN109064858A (zh) * 2018-07-20 2018-12-21 中国医学科学院北京协和医院 眼部模型
CN109222890A (zh) * 2018-08-24 2019-01-18 微云（武汉）科技有限公司 一种眼睛健康情况确定方法、装置和存储介质
CN109636796A (zh) * 2018-12-19 2019-04-16 中山大学中山眼科中心 一种人工智能眼部图片分析方法、服务器和系统
CN109657722A (zh) * 2018-12-20 2019-04-19 山东农业大学 基于深度学习算法的舌苔图像识别方法及系统
WO2019200535A1 (zh) * 2018-04-17 2019-10-24 深圳华大生命科学研究院 基于人工智能的眼科疾病诊断建模方法、装置及系统
CN110660488A (zh) * 2019-10-31 2020-01-07 深圳盛达同泽科技有限公司 基于多光谱眼底成像的糖网筛查方法及平台和存储介质
CN110875094A (zh) * 2018-08-31 2020-03-10 福州依影健康科技有限公司 糖尿病的健康生活方式激励方法和系统、及存储设备
CN110875092A (zh) * 2018-08-31 2020-03-10 福州依影健康科技有限公司 一种基于远程眼底筛查的健康大数据服务方法和系统
CN111048210A (zh) * 2019-12-31 2020-04-21 上海鹰瞳医疗科技有限公司 基于眼底图像评估疾病风险的方法及设备
CN111128382A (zh) * 2019-12-30 2020-05-08 清华大学 一种人工智能多模成像分析装置
CN111199794A (zh) * 2018-11-19 2020-05-26 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
WO2020103288A1 (zh) * 2018-11-21 2020-05-28 福州依影健康科技有限公司 糖网眼底特征数据变化的分析方法与系统，及存储设备
CN111383775A (zh) * 2018-12-27 2020-07-07 福州依影健康科技有限公司 一种基于眼底筛查的会员用户匿名交流方法及存储设备
WO2020140370A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 眼底出血点的自动检测方法、装置及计算机可读存储介质
CN113080842A (zh) * 2021-03-15 2021-07-09 青岛小鸟看看科技有限公司 一种头戴式视力检测设备、视力检测方法及电子设备
CN114788682A (zh) * 2022-06-27 2022-07-26 华慧健(天津)科技有限公司 基于眼面部特征图像处理的便携智能眼健康管理系统
CN116936097A (zh) * 2023-07-24 2023-10-24 云南白药集团无锡药业有限公司 一种训练灯用户眼部异常运动智能检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102112044A (zh) * 2008-05-14 2011-06-29 科学、技术与研究机构 自动杯盘比测量系统
CN105411525A (zh) * 2015-11-10 2016-03-23 广州河谷互动医疗科技有限公司 一种眼底照片图像智能获取识别系统
JP2016179145A (ja) * 2015-03-25 2016-10-13 キヤノン株式会社 画像処理装置及び画像処理方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102112044A (zh) * 2008-05-14 2011-06-29 科学、技术与研究机构 自动杯盘比测量系统
JP2016179145A (ja) * 2015-03-25 2016-10-13 キヤノン株式会社 画像処理装置及び画像処理方法及びプログラム
CN105411525A (zh) * 2015-11-10 2016-03-23 广州河谷互动医疗科技有限公司 一种眼底照片图像智能获取识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭莹等: "一种自动测量眼底图像中动静脉宽度比的方法", 《信息与控制》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11636340B2 (en) 2018-04-17 2023-04-25 Bgi Shenzhen Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium
WO2019200535A1 (zh) * 2018-04-17 2019-10-24 深圳华大生命科学研究院 基于人工智能的眼科疾病诊断建模方法、装置及系统
CN108877923A (zh) * 2018-05-03 2018-11-23 华南理工大学 一种基于深度学习的舌苔生成中药处方的方法
CN109064858A (zh) * 2018-07-20 2018-12-21 中国医学科学院北京协和医院 眼部模型
CN109222890A (zh) * 2018-08-24 2019-01-18 微云（武汉）科技有限公司 一种眼睛健康情况确定方法、装置和存储介质
CN110875092B (zh) * 2018-08-31 2023-10-20 福州依影健康科技有限公司 一种基于远程眼底筛查的健康大数据服务方法和系统
CN110875094A (zh) * 2018-08-31 2020-03-10 福州依影健康科技有限公司 糖尿病的健康生活方式激励方法和系统、及存储设备
CN110875092A (zh) * 2018-08-31 2020-03-10 福州依影健康科技有限公司 一种基于远程眼底筛查的健康大数据服务方法和系统
CN110875094B (zh) * 2018-08-31 2024-01-30 福州依影健康科技有限公司 糖尿病的健康生活方式激励方法和系统、及存储设备
CN111199794A (zh) * 2018-11-19 2020-05-26 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
CN111199794B (zh) * 2018-11-19 2024-03-01 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
WO2020103288A1 (zh) * 2018-11-21 2020-05-28 福州依影健康科技有限公司 糖网眼底特征数据变化的分析方法与系统，及存储设备
GB2593824A (en) * 2018-11-21 2021-10-06 Fuzhou Yiying Health Tech Co Ltd Analysis method and system for feature data change of diabetic retinopathy fundus, and storage device
CN109636796A (zh) * 2018-12-19 2019-04-16 中山大学中山眼科中心 一种人工智能眼部图片分析方法、服务器和系统
CN109657722A (zh) * 2018-12-20 2019-04-19 山东农业大学 基于深度学习算法的舌苔图像识别方法及系统
CN111383775A (zh) * 2018-12-27 2020-07-07 福州依影健康科技有限公司 一种基于眼底筛查的会员用户匿名交流方法及存储设备
CN111383775B (zh) * 2018-12-27 2023-05-16 福州依影健康科技有限公司 一种基于眼底筛查的会员用户匿名交流方法及存储设备
WO2020140370A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 眼底出血点的自动检测方法、装置及计算机可读存储介质
CN110660488A (zh) * 2019-10-31 2020-01-07 深圳盛达同泽科技有限公司 基于多光谱眼底成像的糖网筛查方法及平台和存储介质
CN111128382B (zh) * 2019-12-30 2022-06-28 清华大学 一种人工智能多模成像分析装置
CN111128382A (zh) * 2019-12-30 2020-05-08 清华大学 一种人工智能多模成像分析装置
CN111048210A (zh) * 2019-12-31 2020-04-21 上海鹰瞳医疗科技有限公司 基于眼底图像评估疾病风险的方法及设备
US11744462B2 (en) 2021-03-15 2023-09-05 Qingdao Pico Technology Co., Ltd. Head-mounted vision detection equipment, vision detection method and electronic device
CN113080842A (zh) * 2021-03-15 2021-07-09 青岛小鸟看看科技有限公司 一种头戴式视力检测设备、视力检测方法及电子设备
CN114788682B (zh) * 2022-06-27 2022-10-04 华慧健(天津)科技有限公司 基于眼面部特征图像处理的便携智能眼健康管理系统
CN114788682A (zh) * 2022-06-27 2022-07-26 华慧健(天津)科技有限公司 基于眼面部特征图像处理的便携智能眼健康管理系统
CN116936097A (zh) * 2023-07-24 2023-10-24 云南白药集团无锡药业有限公司 一种训练灯用户眼部异常运动智能检测方法

Similar Documents

Publication Publication Date Title
CN107680683A (zh) 一种ai眼部健康评估方法
CN107423571B (zh) 基于眼底图像的糖尿病视网膜病变识别系统
CN107358606B (zh) 用于识别糖尿病视网膜病变的人工神经网络装置及系统装置
CN107242857A (zh) 基于深度学习的智能中医综合诊疗系统
US11617528B2 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
EP3783619A1 (en) Human body health assessment method and system based on sleep big data
CN109620211A (zh) 一种基于深度学习的智能化异常心电辅助诊断方法
CN110010219A (zh) 光学相干层析图像视网膜病变智能检测系统及检测方法
US20210391056A1 (en) Health big data service method and system based on remote fundus screening
CN109841267A (zh) 一种眼科临床数据采集系统及方法
CN109726743A (zh) 一种基于三维卷积神经网络的视网膜oct图像分类方法
CN104809480A (zh) 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法
CN112233087A (zh) 一种基于人工智能的眼科超声疾病诊断方法和系统
US11571161B2 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN113243887B (zh) 一种老年黄斑变性智能诊疗仪
Abibullaev et al. A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs
CN115024725A (zh) 融合心理状态多参数检测的肿瘤治疗辅助决策系统
Varma et al. A reliable automatic cataract detection using deep learning
CN111613321A (zh) 一种基于密集卷积神经网络的心电图卒中辅助诊断方法
Nage et al. A survey on automatic diabetic retinopathy screening
Kumar et al. Analysis of CNN model based classification of diabetic retinopathy diagnosis
CN110960207A (zh) 一种基于树模型的房颤检测方法、装置、设备及存储介质
Nugroho et al. Convolutional neural network for classifying retinal diseases from OCT2017 dataset
CN115910328A (zh) 一种基于人工智能分析的角膜塑形镜验配系统
Ramteke et al. A Critical Analysis of The Methods Used To Classify Medical Data

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180801

Address after: Room 303, No. 601, he Wang Road, Jiading District, Shanghai

Applicant after: Zhongke Zhi Valley Science and Technology Development Co., Ltd.

Address before: 200000 J941 6, 3333 Xiangjiang Road, Jiading District, Shanghai.

Applicant before: Shanghai good vision technology Co., Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180209