基于视觉影像的多眼疾“慧查”筛查方法和系统与流程

本发明涉及医疗影像、疾病筛查、智能健康、互联网医疗领域，特别涉及一种基于视觉影像的多眼疾筛查方法和系统。

背景技术：

随着医疗影像技术和互联网的快速发展，传统的健康医疗服务方式在迅速转变，疾病的早期筛查服务呈现增长趋势，但提供(独立)疾病照影专业分析的服务严重不能满足日益增长的用户需求，尤其是在眼科这种专业要求极高的小领域。

基于视觉影像的多眼疾筛查方法和系统的难度主要在于不同眼病发病征兆大相径庭(对视力的损伤部位和侵害方式不同)，且大多在早期没有明显的功能性损伤，因此不能引起病人的足够关注。而根据用户请求提供的(独立)眼科照影服务较少，而且操作人员往往并不具备专业、权威的“读片”资历，并不能给用户提供有力的、专业的多眼疾筛查建议。而具专业“读片”能力的医务人员，由于其工作繁忙、人工“读片”并生成报告效率不高，无法提供大批量“读片”服务。此外，在某些眼疾方面，虽然全自动机器“读片”有了长足的进展和较高的置信度，但因‘权威性’和‘全面性’不足，仍不能被广大用户认可，因此需要一种方法解决上述问题。

技术实现要素：

本发明的目的旨在至少解决上述技术缺陷之一，特别是解决纯人工“读片”效率低和纯机器“读片”不够权威的矛盾以及均不能满足用户需求的缺陷。

为了达到上述目的，本发明一方面提出一种基于视觉影像的多眼疾“慧查”(isee)筛查方法，充分利用互联网和数字化的便利，结合并发挥自动分析的高效和人工分析的“权威”优势。本发明包括以下步骤：在局域网、广域网、云端上利用对用户数据的存储管理；视觉影像的智能预分析；整合“读片”的综合眼疾筛查。

作为本发明的一个实施例，所述在计算机网络上进行基于视觉影像的多眼疾筛查，包括以下步骤：用户提交服务请求；用户提交新的医疗影像数据，病同时提取其历史原始数据和分析存档数据；对用户新的数据，结合历史数据、大数据进行视觉影像的智能预分析；按照用户请求为其分配n名“读片者”，将待分析影像数据、智能预分析结果和历史数据一起提供给每名“读片者”，收集汇总每名“读片者”的读片报告行程全面完整的多眼疾筛查报告。

作为本发明的一个实施例，所述在计算机网络上进行视觉影像的智能预分析，包括以下步骤：基于图像分割[1]、测量医学定义的眼疾风险因子[2，3]；计算提取机器学习[4，5]获得模式、纹理、变化风险因子；根据isee大数据得到统计风险因子；将所述视觉影像的智能预分析以文件记录形式保存于数据管存系统之上。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的用户数据提取及整理方法的流程图；

图2为本发明实施例的isee自动预读片智能分析方法的流程图；

图3为本发明实施例的isee综合视觉影像分析与眼疾筛查方法的流程图；

图4为本发明实施例的基于视觉影像的多眼疾筛查isee系统的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明主要在于对用户提交的眼部医疗影像数据(包括但不局限于眼底图[6]、oct图[1]等)利用基于包含但不局限于图像处理[1]、机器学习[4，5]、统计分析[3]等技术的“预读片”系统进行智能分析，并提交给符合用户需求的“读片者”进行眼疾评估，再综合生成全面的多眼疾筛查报告，为用户提供眼疾预防、诊治、管理的有力支持和自主掌控。

本方法是设计在(广域)互联网、云端上进行实施的，因为单个计算机也能看作是互联网的一种特例，因此简化到单计算机上也能实施。本方法的实施是建立于一个完善的数据存储、管理系统之上，常规的数据管存方法不在本发明阐述范围之内，为了描述方便，只将与本发明核心部分“视觉影像的智能预分析”相关联的数据管存部分列出。

用户数据提取和整理是在计算机网络上进行的。在注册用户提交isee服务之后，系统会查询提取该用户之前历史影像和分析数据，并随用户新提交分析的影像数据(注：用户每次提交的影像数据可能来自不设备类型、型号、成像环境)传递给视觉影像的智能预分析模块进行预处理。

如图1所示为本发明实施例的用户数据提取和整理的流程图，包括以下步骤：

步骤s200，判断该用户是否有历史数据；

步骤s210，如该用户有历史数据，通过互联网读取系统中存有的该用户相关的全部原始图像、分析数据；

步骤s220，要求用户输入新的待分析的单/多源原始医疗影像数据；

步骤s230，整理全部用于本次“慧查”(isee)服务的数据，必须包括新的待分析影像数据、基本用户资料(例如性别、年龄等)，可能包括用户历史影像和分析数据以及其它相关数据(例如生活习惯、家族遗传史、手术史等)。

如图2所示为本发明实施例的isee自动预读片智能分析方法的流程图，包括以下步骤：

步骤s300，对步骤s230提供的用户数据进行了完整的三重预读片智能分析，具体包含：

步骤s310，利用预先调试得到的图像处理、分割算法[1]，对预先定义好的具备眼科医疗诊断价值的相关兴趣域(例如视杯、视盘、血管、脉络膜疣等)进行分割、测量，计算相关具备医学定义的多眼疾风险因子；

步骤s320，利用预先使用机器学习算法(例如adaboost[4]、支持向量机[5]和深度学习)训练得到的具备较高区分度的图像模式、纹理等静态图像特征，以及和历史图像对比得到的动态演变特征，计算纯影像相关的多眼疾风险因子；

步骤s330，利用基于整个系统中存储的全部用户数据统计分析得到的疾病分布模型，找到该用户在每个模型中所处位置，得到纯统计相关的多眼疾风险因子。

如图3所示为本发明实施例的isee综合视觉影像分析与眼疾筛查方法的流程图，包括以下步骤：

步骤s400，根据用户需求分配n名“读片者”，每名“读片者”依次进行步骤s410所示“读片”操作，具体包括：

步骤s420，读取用户全部历史原始数据、isee预读片智能分析数据；

步骤s430，评估全部“isee眼疾风险因子”；

步骤s440，生成单次单个“读片报告”，提交给系统存档。

在全部“读片者”完成“读片”后，自动执行步骤s500，综合生成单次完整isee“读片”报告，提交系统存档。

本发明中，步骤s500获取的新增isee“读片”报告可用于步骤s310、s320和s330中的自动分析算法及学习模型的定期更新，从而实现性能的逐步、稳定提高。

如图4所示，为本发明实施例的为本发明实施例的基于视觉影像的多眼疾筛查isee系统的结构图，该系统包括：isee服务请求提交模块100、用户数据的存储管理模块200、视觉影像的智能预分析模块300、整合“读片”的综合眼疾筛查模块400和isee“读片”及综合眼疾筛查报告生成模块500。其中，isee服务请求提交模块100，用于用户和系统交互，使得用户可以提交数据、接受分析结果；用户数据的存储管理模块200，用于管理存储用户原始影像、各种中间数据、分析结果；视觉影像的智能预分析模块300，对利用100提交的新影像数据，结合200中相关其它数据进行三重多眼疾风险智能预分析，并存档进200；整合“读片”的综合眼疾筛查模块400，将300的与分析结果和原始相关数据提交给符合用户通过100提交的“读片”请求的“读片人”，让每名“读片人”独立完成提交自己的读片报告，并存档进200；isee“读片”及综合眼疾筛查报告生成模块500，将400中得到的多份读片报告综合汇总，行成一份全面完整的isee“读片”及综合眼疾筛查报告，并存档进200。

基于用户数据的存储管理模块200、视觉影像的智能预分析模块300和整合“读片”的综合眼疾筛查模块400进行基于视觉影像的多眼疾筛查的原理可以参考上述图1到图3中的对应步骤。

本发明通过用户自主提交的眼睛医疗影像及其它个人资料，使用图像处理、机器学习、概率统计等方法初步分析其患有各种眼疾的多维风险因子，并在图像上标注出可疑病灶、指标，再结合其历史数据、生活习惯等个人背景资料等，提交给满足用户需求的医务人员(即“读片者”)进行“读片”，最后综合生成完整的读片报告，为用户提供能了全面、可靠的眼疾筛查服务，在互联网医疗背景下为用户自主的眼疾预防、治疗和管理提供了有力支持。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

参考文献

[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.