本發(fā)明涉及醫(yī)療影像、疾病篩查、智能健康、互聯(lián)網(wǎng)醫(yī)療領域，特別涉及一種基于視覺影像的多眼疾篩查方法和系統(tǒng)。

背景技術：

隨著醫(yī)療影像技術和互聯(lián)網(wǎng)的快速發(fā)展，傳統(tǒng)的健康醫(yī)療服務方式在迅速轉變，疾病的早期篩查服務呈現(xiàn)增長趨勢，但提供(獨立)疾病照影專業(yè)分析的服務嚴重不能滿足日益增長的用戶需求，尤其是在眼科這種專業(yè)要求極高的小領域。

基于視覺影像的多眼疾篩查方法和系統(tǒng)的難度主要在于不同眼病發(fā)病征兆大相徑庭(對視力的損傷部位和侵害方式不同)，且大多在早期沒有明顯的功能性損傷，因此不能引起病人的足夠關注。而根據(jù)用戶請求提供的(獨立)眼科照影服務較少，而且操作人員往往并不具備專業(yè)、權威的“讀片”資歷，并不能給用戶提供有力的、專業(yè)的多眼疾篩查建議。而具專業(yè)“讀片”能力的醫(yī)務人員，由于其工作繁忙、人工“讀片”并生成報告效率不高，無法提供大批量“讀片”服務。此外，在某些眼疾方面，雖然全自動機器“讀片”有了長足的進展和較高的置信度，但因‘權威性’和‘全面性’不足，仍不能被廣大用戶認可，因此需要一種方法解決上述問題。

技術實現(xiàn)要素：

本發(fā)明的目的旨在至少解決上述技術缺陷之一，特別是解決純人工“讀片”效率低和純機器“讀片”不夠權威的矛盾以及均不能滿足用戶需求的缺陷。

為了達到上述目的，本發(fā)明一方面提出一種基于視覺影像的多眼疾“慧查”(isee)篩查方法，充分利用互聯(lián)網(wǎng)和數(shù)字化的便利，結合并發(fā)揮自動分析的高效和人工分析的“權威”優(yōu)勢。本發(fā)明包括以下步驟：在局域網(wǎng)、廣域網(wǎng)、云端上利用對用戶數(shù)據(jù)的存儲管理；視覺影像的智能預分析；整合“讀片”的綜合眼疾篩查。

作為本發(fā)明的一個實施例，所述在計算機網(wǎng)絡上進行基于視覺影像的多眼疾篩查，包括以下步驟：用戶提交服務請求；用戶提交新的醫(yī)療影像數(shù)據(jù)，病同時提取其歷史原始數(shù)據(jù)和分析存檔數(shù)據(jù)；對用戶新的數(shù)據(jù)，結合歷史數(shù)據(jù)、大數(shù)據(jù)進行視覺影像的智能預分析；按照用戶請求為其分配n名“讀片者”，將待分析影像數(shù)據(jù)、智能預分析結果和歷史數(shù)據(jù)一起提供給每名“讀片者”，收集匯總每名“讀片者”的讀片報告行程全面完整的多眼疾篩查報告。

作為本發(fā)明的一個實施例，所述在計算機網(wǎng)絡上進行視覺影像的智能預分析，包括以下步驟：基于圖像分割[1]、測量醫(yī)學定義的眼疾風險因子[2，3]；計算提取機器學習[4，5]獲得模式、紋理、變化風險因子；根據(jù)isee大數(shù)據(jù)得到統(tǒng)計風險因子；將所述視覺影像的智能預分析以文件記錄形式保存于數(shù)據(jù)管存系統(tǒng)之上。

本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結合附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1為本發(fā)明實施例的用戶數(shù)據(jù)提取及整理方法的流程圖；

圖2為本發(fā)明實施例的isee自動預讀片智能分析方法的流程圖；

圖3為本發(fā)明實施例的isee綜合視覺影像分析與眼疾篩查方法的流程圖；

圖4為本發(fā)明實施例的基于視覺影像的多眼疾篩查isee系統(tǒng)的結構圖。

具體實施方式

下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。

本發(fā)明主要在于對用戶提交的眼部醫(yī)療影像數(shù)據(jù)(包括但不局限于眼底圖[6]、oct圖[1]等)利用基于包含但不局限于圖像處理[1]、機器學習[4，5]、統(tǒng)計分析[3]等技術的“預讀片”系統(tǒng)進行智能分析，并提交給符合用戶需求的“讀片者”進行眼疾評估，再綜合生成全面的多眼疾篩查報告，為用戶提供眼疾預防、診治、管理的有力支持和自主掌控。

本方法是設計在(廣域)互聯(lián)網(wǎng)、云端上進行實施的，因為單個計算機也能看作是互聯(lián)網(wǎng)的一種特例，因此簡化到單計算機上也能實施。本方法的實施是建立于一個完善的數(shù)據(jù)存儲、管理系統(tǒng)之上，常規(guī)的數(shù)據(jù)管存方法不在本發(fā)明闡述范圍之內，為了描述方便，只將與本發(fā)明核心部分“視覺影像的智能預分析”相關聯(lián)的數(shù)據(jù)管存部分列出。

用戶數(shù)據(jù)提取和整理是在計算機網(wǎng)絡上進行的。在注冊用戶提交isee服務之后，系統(tǒng)會查詢提取該用戶之前歷史影像和分析數(shù)據(jù)，并隨用戶新提交分析的影像數(shù)據(jù)(注：用戶每次提交的影像數(shù)據(jù)可能來自不設備類型、型號、成像環(huán)境)傳遞給視覺影像的智能預分析模塊進行預處理。

如圖1所示為本發(fā)明實施例的用戶數(shù)據(jù)提取和整理的流程圖，包括以下步驟：

步驟s200，判斷該用戶是否有歷史數(shù)據(jù)；

步驟s210，如該用戶有歷史數(shù)據(jù)，通過互聯(lián)網(wǎng)讀取系統(tǒng)中存有的該用戶相關的全部原始圖像、分析數(shù)據(jù)；

步驟s220，要求用戶輸入新的待分析的單/多源原始醫(yī)療影像數(shù)據(jù)；

步驟s230，整理全部用于本次“慧查”(isee)服務的數(shù)據(jù)，必須包括新的待分析影像數(shù)據(jù)、基本用戶資料(例如性別、年齡等)，可能包括用戶歷史影像和分析數(shù)據(jù)以及其它相關數(shù)據(jù)(例如生活習慣、家族遺傳史、手術史等)。

如圖2所示為本發(fā)明實施例的isee自動預讀片智能分析方法的流程圖，包括以下步驟：

步驟s300，對步驟s230提供的用戶數(shù)據(jù)進行了完整的三重預讀片智能分析，具體包含：

步驟s310，利用預先調試得到的圖像處理、分割算法[1]，對預先定義好的具備眼科醫(yī)療診斷價值的相關興趣域(例如視杯、視盤、血管、脈絡膜疣等)進行分割、測量，計算相關具備醫(yī)學定義的多眼疾風險因子；

步驟s320，利用預先使用機器學習算法(例如adaboost[4]、支持向量機[5]和深度學習)訓練得到的具備較高區(qū)分度的圖像模式、紋理等靜態(tài)圖像特征，以及和歷史圖像對比得到的動態(tài)演變特征，計算純影像相關的多眼疾風險因子；

步驟s330，利用基于整個系統(tǒng)中存儲的全部用戶數(shù)據(jù)統(tǒng)計分析得到的疾病分布模型，找到該用戶在每個模型中所處位置，得到純統(tǒng)計相關的多眼疾風險因子。

如圖3所示為本發(fā)明實施例的isee綜合視覺影像分析與眼疾篩查方法的流程圖，包括以下步驟：

步驟s400，根據(jù)用戶需求分配n名“讀片者”，每名“讀片者”依次進行步驟s410所示“讀片”操作，具體包括：

步驟s420，讀取用戶全部歷史原始數(shù)據(jù)、isee預讀片智能分析數(shù)據(jù)；

步驟s430，評估全部“isee眼疾風險因子”；

步驟s440，生成單次單個“讀片報告”，提交給系統(tǒng)存檔。

在全部“讀片者”完成“讀片”后，自動執(zhí)行步驟s500，綜合生成單次完整isee“讀片”報告，提交系統(tǒng)存檔。

本發(fā)明中，步驟s500獲取的新增isee“讀片”報告可用于步驟s310、s320和s330中的自動分析算法及學習模型的定期更新，從而實現(xiàn)性能的逐步、穩(wěn)定提高。

如圖4所示，為本發(fā)明實施例的為本發(fā)明實施例的基于視覺影像的多眼疾篩查isee系統(tǒng)的結構圖，該系統(tǒng)包括：isee服務請求提交模塊100、用戶數(shù)據(jù)的存儲管理模塊200、視覺影像的智能預分析模塊300、整合“讀片”的綜合眼疾篩查模塊400和isee“讀片”及綜合眼疾篩查報告生成模塊500。其中，isee服務請求提交模塊100，用于用戶和系統(tǒng)交互，使得用戶可以提交數(shù)據(jù)、接受分析結果；用戶數(shù)據(jù)的存儲管理模塊200，用于管理存儲用戶原始影像、各種中間數(shù)據(jù)、分析結果；視覺影像的智能預分析模塊300，對利用100提交的新影像數(shù)據(jù)，結合200中相關其它數(shù)據(jù)進行三重多眼疾風險智能預分析，并存檔進200；整合“讀片”的綜合眼疾篩查模塊400，將300的與分析結果和原始相關數(shù)據(jù)提交給符合用戶通過100提交的“讀片”請求的“讀片人”，讓每名“讀片人”獨立完成提交自己的讀片報告，并存檔進200；isee“讀片”及綜合眼疾篩查報告生成模塊500，將400中得到的多份讀片報告綜合匯總，行成一份全面完整的isee“讀片”及綜合眼疾篩查報告，并存檔進200。

基于用戶數(shù)據(jù)的存儲管理模塊200、視覺影像的智能預分析模塊300和整合“讀片”的綜合眼疾篩查模塊400進行基于視覺影像的多眼疾篩查的原理可以參考上述圖1到圖3中的對應步驟。

本發(fā)明通過用戶自主提交的眼睛醫(yī)療影像及其它個人資料，使用圖像處理、機器學習、概率統(tǒng)計等方法初步分析其患有各種眼疾的多維風險因子，并在圖像上標注出可疑病灶、指標，再結合其歷史數(shù)據(jù)、生活習慣等個人背景資料等，提交給滿足用戶需求的醫(yī)務人員(即“讀片者”)進行“讀片”，最后綜合生成完整的讀片報告，為用戶提供能了全面、可靠的眼疾篩查服務，在互聯(lián)網(wǎng)醫(yī)療背景下為用戶自主的眼疾預防、治療和管理提供了有力支持。

盡管已經(jīng)示出和描述了本發(fā)明的實施例，對于本領域的普通技術人員而言，可以理解在不脫離本發(fā)明的原理和精神的情況下可以對這些實施例進行多種變化、修改、替換和變型，本發(fā)明的范圍由所附權利要求及其等同限定。

參考文獻

[1]tianj，marzilianop，wonght.automaticdetectionofschwalbe′slineintheanteriorchamberangleoftheeyeusinghd-octimages.inproc.32ndannualinternationalconferenceoftheieeeengineeringinmedicineandbiologysociety，2010：3013-16.

[2]sihotar，lakshmaiahnc，agarwallhc，etal.ocularparametersinsubgroupsofangleclosureglaucoma.clinexperimentophthalmol2000；28：253-8.

[3]lowerf.aetiologyoftheanatomicalbasisforprimaryangleclosureglaucoma：biometricalcomparisonsbetweennormaleyesandeyeswithprimaryangle-closureglaucoma.brjophthalmol1970；54：161-9.

[4]violap，jonesm.rapidobjectdetectionusingaboostedcascadeofsimplefeatures.ieeeconferenceoncomputervisionandpatternrecognition(cvpr)2001：i511-8

[5]joachimst.transductiveinferencefortextclassificationusingsupportvectormachines.internationalconferenceonmachinelearning(icml)1999.

[6]abràmoffmd.；garvinmk.，sonkami.retinalimagingandimageanalysis.ieeetransactionsonmedicalimaging2000；3：169-208.