[0001] 本发明涉及一种图像处理方法及系统。 特别地， 本发明涉及 一种视网膜眼底图像分类方法和系统。 背景技术

[0002] 眼睛疾病、失明和视力损害的主要原因包括诸 如白内障（47.9 %) 、 青光眼 （12.3%) 、 与年龄相关的黄斑退化 （A腸） （8.7%) 、 角 膜混浊度 （5.1%) 、 糖尿病性视网膜病变 （4.8%) 。 这些疾病的流行正 在上升， 部分由于久坐的生活方式， 以及人口老龄化， 其带来了许多和上 述眼病有关的代谢性疾病 （例如糖尿病、 高血压、 高胆固醇 （高血脂症） 以及与年龄有关的疾病。 如果及时检测并治疗， 则由以上眼睛疾病发展为 失明是大部分可预防的。

[0003] 白内障是一种眼睛疾病， 其由于患者眼内晶状体的混浊化引 起模糊视力或雾像视力。 白内障主要发生在老年人的眼睛内， 因为有人认 为白内障的形成是由于晶状体中的蛋白质纤维 的恶化。 这导致块的形成， 其产生晶状体中的云区。 如果没有得到早期治疗， 白内障可导致永久性视 力丧失。

[0004] 根据 2010年的调査， 全世界 4， 590万人由于白内障影响了他 们的视力。 在 4， 590万人中， 1,080万人是由于白内障失明。 单单在亚洲， 3, 150万人患有白内障以及 727万人由于白内障失去视力。 在 2010年， 在 中国有 250万人患有白内障， 并预计每年增加 40万人。 这主要是由于 65 岁及以上的大量的老年人人口。 [0005] 青光眼指的是一组眼病， 其指的是位于眼睛后部视神经的缓 慢恶化。这常常是由于眼内液体压力的积聚。 这导致被称为房水的液体（通 常会从眼睛自然流出） 的循环的阻塞。 这种堵塞可能是由于遗传因素或对 眼睛的化学伤害而发生。

[0006] 青光眼有几种类型： 开角型青光眼、 闭角型青光眼和先天性 青光眼。 [0007] 开角型青光眼 （0AG) 是青光眼的常见类型， 发生在当眼睛的 角度 （虹膜与角膜会合的位置） 是正常时， 然而， 对眼睛引流能力的损害 导致液体积聚， 其引起内部压力的增加， 同时导致视神经损害。

[0008] 在另一方面， 闭角型青光眼 （ACG ) 是不常见的。 这发生在 当由于虹膜和角膜之间的角度过于狭窄而眼睛 内部压力的突然增加时， 因 此中断液体的引流。

[0009]先天性青光眼是青光眼的罕见形式， 其由于患者胎儿期眼睛引 流管的不良或不完全发育而导致。

[0010]从其名称可以明显看出， 糖尿病性视网膜病变 （DR) 是唯一只 发生在糖尿病患者中的情况。 这种疾病随着时间的推移引起对视网膜中的 血管的渐进损伤。 这主要由于高量的糖（其存在于糖尿病患者的 血液中） ， 其引起视网膜中的微小血管泄漏液体或流血， 以及导致对眼睛血管的渐进 损伤。 这导致视觉损害诸如浑浊的或模糊的视力。 在疾病的晚期阶段， 新 生血管形成发生， 其进一步损伤视网膜细胞。 如果不及时治疗可能导致失 明。 [0011 ] 糖尿病性视网膜病变的疾病进展被分类为 4 个不同的阶段： 轻度、 中等、 重度和增殖。 在第一阶段 （轻度） ， 有视网膜中的微小血管 的肿胀。 在第二阶段 （中等） ， 视网膜中的血管继续肿胀， 破坏它的结构， 导致血管失去它们运输血液的能力。 在该阶段期间， 它引起视网膜的形状 的变化， 其可能导致糖尿病性黄斑水肿 （丽 E ) 。 在第三阶段 （重度） ， 大 部分血管被阻塞， 导致供应到视网膜的血液减少。 当视网膜被剥夺血液供 应， 生长因子释放到新生血管形成。 在最后阶段 （增殖） ， 生长因子的持 续释放， 使得新的脆弱的血管生长， 造成容易出血和泄漏， 这将最终导致 视网膜脱落。

[0012]根据 2010年的一项临床研究，在全世界估计有超过 3亿 7， 100 万成年人受糖尿病的影响 [9， 14]。 仅在亚洲， 估计有 2亿 2， 260万成年人 受糖尿病的影响 [8， 9， 14]。 诸如印度和中国等国家的患者数量最多， 分别 有 6， 510万和 1亿 1390万人受糖尿病的影响。 此外， 3亿 7， 100万成年人 中有 1亿 2， 660万患有 DR [9， 14]。 仅在中国， 5， 615万人患有 DR [9， 14]。 这是全球性的流行病， 并且患者数量逐年增加。

[0013]在 2010年，全世界估计共有 6， 040万人患有青光眼，其中 4， 470 万患有 0AG以及 1, 570万患有 ACG [5]。 在亚洲国家， 包括中国、 印度、 日 本和东南亚，有 3， 440万人患有青光眼，其中的 2， 090万人患有 0AG， 1, 350 万人患有 ACG。

[0014] 在现有技术下， 很多眼睛疾病的及时或早期发现已被证明是 难实现的， 尤其是在具有大量的农村人口、 分散在诸如中国、 俄罗斯和印 度等地域广大的发展中国家。 [0015] 在 2010 年， 国际眼科理事会 ( Internat ional Counci l of Ophthalmology ) 指出， 全世界共有仅 3, 200 万名眼科医生。 这相当于每 6， 400名眼科医生对 1百万人的比例。 然而， 基于对 2020年的预测研究， 东南亚到时将共有 16. 3亿人口， 但只有 1万 3， 300名眼科医生， 或 1名眼 科医生对 12万 2000人的比例。 这些数据表明， 需要更多的眼科医生， 特 别是在发展中国家。

[0016] 以下是根据国际眼科理事会的一份 2012年的具体数据:

(资料来源：

http： //www. icoph. org/ ophthalmologists-worldwide, html )

[0017] 从以上数据可以看出， 印度尼西亚和泰国的眼科医生人数大 约在 1000至 1300之间， 相对于超过 6千万的人口， 其眼科医生是非常缺 乏的， 因此， 需要治疗眼睛疾病的人群面临较高的无条件就 医的风险。

[0018] 在眼科医生的缺乏的同时， 在农村和偏远地区的人口也面临 难以获得眼科医护服务的困难， 因为眼科医生多集中在大城市。 这使得去 大城市医院以及排队求诊于大城市医院的眼科 医生成为必需。

[0019] 根据来自新加坡全国眼科中心 （SNEC ) 的统计， 即使是在糖 尿病患者中， 去做眼睛检査的人中只有三分之一实际需要眼 科医生的及时 医治。 这意味着眼科医生花费大量时间和资源检査实 际上不需要紧急医疗 处理的患者，而时间和资源本可以更好地被用 在检査真正需要治疗的患者。

[0020] 因此， 需要经济和更方便的解决方案， 特别是对于在农村或 偏远地区的用户， 使得具有健康眼睛的用户可以省去不必要的向 眼科医生 求诊的出行。 同时， 有潜眼睛疾病的用户可以及时得知其眼睛健康 状况， 从而对眼睛作进一步筛査或治疗。 发明内容

[0021 ] 本发明的一个实施例提供一种图像处理方法， 所述方法包括： 从用户端接收初始用户文件，所述初始用户文 件包括用户数据及用户图像； 加载所述初始用户文件到服务器中， 所述服务器存储有参考图像及计算模 型， 所述参考图像包括多个分类代码为 1 的参考图像及多个分类代码为 2 的参考图像； 使用所述计算模型， 将所述用户图像与所述参考图像进行比 对， 以将所述用户图像的分类代码确定为 1及 2之一； 将用户图像的分类 代码存入初始用户文件以生成更新用户文件； 以及发送更新用户文件至用 户端。

[0022] 优选地， 所述更新用户文件包括颜色标记， 所述颜色标记包 括与分类代码 1对应的绿色标记及与分类代码 2对应的红色标记。

[0023]优选地， 如果用户图像的分类代码被确定为 1， 所述方法还包 括， 将第一跟进代码存入初始用户文件以生成所述 更新用户文件。 [0024]优选地， 如果用户图像的分类代码被确定为 2， 所述方法还包 括， 将第二跟进代码存入初始用户文件以生成所述 更新用户文件。 [0025] 优选地， 所述方法还包括， 将已确定分类代码的用户图像作 为参考图像存储到服务器中。

[0026] 优选地， 所述方法还包括， 在从用户端接收初始用户文件之 前， 加载所述参考图像于所述服务器中， 基于所述参考图像训练人工智能 引擎， 及使用所述人工智能引擎构建所述计算模型。

[0027] 优选地， 所述人工智能引擎包括机器学习算法和深度学 习算 法中的至少一个算法或算法的组合。

[0028]优选地， 所述人工智能引擎包括支持向量机 （SVM) 、 梯度提 升机 （GBM) 、 随机森林和卷积神经网络中的至少一个。

[0029] 优选地， 所述方法还包括， 基于所述用户图像及确定的分类 代码训练所述人工智能引擎。

[0030] 优选地， 所述用户图像为用户的视网膜眼底图像， 包括至少 3000*2000个像素， 具有至少 45度的眼底区域， 以及至少 150dp i 的像素 分辨率。

[0031]优选地， 所述用户图像为用户的视网膜眼底图像， 其中将所述 用户图像与所述参考图像进行比对进一步包括 使用以下眼睛状态判断要素 的至少一个进行比对：

( a) 图像中呈现的多个视网膜血管；

( b ) 杯盘比小于 0. 3 ; 以及

( c ) 缺少以下要素中的至少一个：

( i ) 可见介质混浊度； ( ii )糖尿病性视网膜病变指示器， 其包括印迹样出血、 微动 脉瘤和硬渗出物中的至少一个；

(iii) 糖尿病性黄斑病变；

(iv) 黄斑水肿；

(v) 在黄斑附近的渗出物；

(vi) 在黄斑上的渗出物；

(vii) 激光疤痕；

( iii) 白内障；

(ix) 青光眼；

(χ) 糖尿病性视网膜病变； 和

(xi)与年龄相关的黄斑退化， 其包括多个大玻璃疣、 具有色 素减退的显著区域的地图状萎缩和脉络膜新生 血管膜中的至 少一个， 其中与年龄相关的黄斑退化是指示萎缩性的、 新生血 管的和渗出性的至少一个；

其中眼睛状态判断要素的至少一个可以不作为 分类的判断要 素。

[0032] 本发明的另一实施例为一种图像处理系统， 所述系统包括： 服务器及与所述服务器通讯连接的用户端， 服务器存储有参考图像及计算 模型， 所述参考图像包括多个分类代码为 1的参考图像及多个分类代码为 2 的参考图像； 用户端用于生成初始用户文件， 所述初始用户文件包括用 户数据及用户图像。 当接收用户文件后， 服务器启动所述计算模型， 将所 述用户图像与所述参考图像进行比对， 以将所述用户图像的分类代码确定 为 1及 2之一， 将用户图像的分类代码存入初始用户文件以生 成更新用户 文件， 及将更新用户文件发送至用户端。

[0033] 优选地， 所述更新用户文件包括颜色标记， 所述颜色标记包 括与分类代码 1对应的绿色标记及与分类代码 2对应的红色标记。

[0034] 优选地， 所述系统还包括基于所述参考图像训练的人工 智能 引擎， 所述人工智能引擎用于构建所述计算模型。

[0035] 优选地， 所述人工智能引擎包括机器学习算法和深度学 习算 法中的至少一个算法或算法的组合。

[0036] 优选地， 所述人工智能引擎包括支持向量机 （SVM) 、 梯度提 升机 （GBM) 、 随机森林和卷积神经网络中的至少一个。

[0037] 通过提供经济和方便的解决方案对用户视网膜 眼底图像进行 分类， 本发明具有潜力来显著减少全世界在发展中和 发达国家的可预防的 失明和视觉损害。 根据本发明实施例， 具有健康眼睛的用户可以省去不必 要的向眼科医生求诊的时间及资源， 具有潜在眼睛疾病的用户可以及时得 知其眼睛状况， 以便安排及时咨询眼科医生。 眼科医生也可以将其有限的 时间和资源安排在检査真正需要就医的用户。 附图说明

[0038] 以下通过示例的方式对本发明的实施例做详细 描述， 并参考 附图， 其中：

[0039] 图 1 是根据本发明实施例图像处理方法及系统的计 算模型构 建示意图。

[0040] 图 2 是根据本发明实施例图像处理方法及系统的视 网膜眼底 图像加载示意图。

[0041 ] 图 3 是根据本发明实施例图像处理方法及系统的视 网膜眼底 图像分类示意图。

[0042] 图 4 是根据本发明实施例图像处理方法及系统的计 算模型构 建步骤流程图。

[0043] 图 5 是根据本发明实施例图像处理方法及系统的视 网膜眼底 图像加载的步骤流程图。

[0044] 图 6 是根据本发明实施例图像处理方法及系统的视 网膜眼底 图像分类的步骤流程图。 [0045] 图 7 是根据本发明实施例图像处理方法及系统的通 过通信路 径门户的的示意图。

[0046] 图 8A是健康眼睛的视网膜眼底图像。 [0047] 图 8B至 8E是患有几种眼睛疾病的视网膜眼底图像。

[0048] 图 9及图 10是根据本发明实施例图像处理方法及系统的� ��意 图

[0049] 图 11是根据本发明另一实施例图像处理方法及系� ��的视网膜 眼底图像分类系统示意图。

[0050] 图 12是图 11所示实施例的计算模型构建方法流程图。 [0051 ] 图 13A是图 11所示实施例的视网膜眼底图像加载方法流程� �� [0052] 图 13B是图 11所示实施例的视网膜眼底图像分类方法流程� ��。

[0053] 图 14A是健康眼睛的视网膜眼底图像示例。

[0054] 图 14B至 14E是患有几种眼睛疾病的视网膜眼底图像示例 。

[0055] 图 15A是用来代表分类代码为 1 的符号标记示例， 图 15B是 用来代表分类代码为 2且子分类代码为 2-1的符号标记示例， 图 15C是用 来代表分类代码为 2且子分类代码为 2-2的符号标记示例。

具体实施方式

[0056] 在本公开中， 给定元件及技术特征的描述， 或在特定附图中 特定元件编号的考虑或使用， 或在对应的描述材料中对其上的参考， 可以 涵盖与在另一附图或与其相关联的描述材料中 识别的相同的、 等同的或类 似的元件及技术特征或参考数字标记。 尽管本公开的方面将结合本文中所 提供的实施例进行描述， 但是应当理解， 实施例的具体描述不旨在限制本 公开于这些实施例。 相反地， 本公开旨在覆盖在本文中描述的实施例及其 替代解决方案、 修改和等同方法及系统， 其在由所附权利要求定义的本公 开的范围内。 此外， 在下面的详细描述中， 具体细节被阐述以便提供对本 公开的透彻理解。 然而， 将被本领域的具有普通技术的人员， 即本领域技 术人员识别， 本公开可以在赘述本领域技术人员可以理解的 特定细节， 和 / 或具有来自从特定的实施例的方面的组合的多 个细节的情况下实行。 在一 些情况下， 公知的系统、 方法、 步骤和组件没有被详细描述。 除非另有说 明， 本文中所使用的术语 "包括 ( compris ing ) ，，、 "包括 ( compri se )，，、 "包括 （including ) " 、 "包括 （include ) " ， 以及它们的语法变体， 旨在代表 "开放式" 或 "包括性" 的语言， 使得其定义的方法及系统包括 权利要求中限定的元件， 而且还允许包括额外的、 未限定的元件。 在本文 中所使用的术语 "传输" 、 "接收" 或 "加载" 以及它们的语法变体， 旨 在代表两个物体、 元件或装置的连接 （或者直接连接在一起， 或将它们间 接地连接在一起， 电连接或无线地， 通过其它组件 （例如路由器， 互联网， 网络和服务器） 的连接。

[0057] 如图 1 所示， 根据本发明实施例的图像处理方法及系统的计 算模型构建 100， 包括将专家级的视网膜眼底图像 101加载到保存专家级 视网膜眼底图像的数据库 102中， 使用专家级的视网膜眼底图像 101对人 工智能 （AI ) 引擎 103的训练， 使用 AI引擎 103构建模型 104。

[0058] 图 2 是根据本发明实施例的图像处理方法及系统的 视网膜眼 底图像加载 200的示意图。 视网膜眼底图像加载 200的示意图示出： 便携 式眼底相机拍摄用户视网膜眼底图像 201， 并将用户视网膜眼底图像与用 户数据组合，以创建具有用户视网膜眼底图像 和用户数据 202 的初始用户 文件， 用手机传输初始用户文件 203到连接到网络 204的手机发射塔， 在 网络服务器 205接收初始用户文件， 以及加载初始用户文件到用于存储用 户文件的服务器数据库 206。

[0059] 图 3 是根据本发明实施例的图像处理方法及系统的 视网膜眼 底图像分类 300的示意图。 视网膜眼底图像分类 300的示意图示出： 保存 初始用户文件的数据库 206， 初始用户文件是使用计算模型 104与存储于 数据库 206的、 具有分类代码为 1或 2的多个参考图像进行比对分析， 以 将所述用户图像的分类代码确定为 1及 2之一， 其中 301表示包括分类代 码确定为 1 的用户图像的用户文件， 302表示包括分类代码确定为 2的用 户图像的用户文件。 用户图像的分类代码确定后， 用户图像的分类代码被 存入初始用户文件， 以生成更新用户文件。 更新用户文件则被发送至用户 端， 将用户图像的分类代码及相关信息传送给用户 。

[0060] 图 4 是根据本发明实施例的图像处理方法及系统的 计算模型 构建 400的步骤流程图。计算模型构建 400的步骤的流程图示出如下步骤：

• 401加载多个专家分类的视网膜眼底图像到数据 库中。

· 402训练 AI引擎以对专家分类的视网膜眼底图像进行操� ��。

• 403使用 AI引擎，基于专家分类的视网膜眼底图像构建� ��算 模型。

• 404基于具有眼科医生分类的分类代码为 1及 2的视网膜眼 底图像对 AI引擎做进一步训练。

[0061 ] 图 5 是根据本发明实施例的图像处理方法及系统的 视网膜眼 底图像加载 500的步骤流程图。 视网膜眼底图像加载 500的步骤流程示出 步骤：

• 501表示用在区域中的便携式眼底照相机拍摄用 户视网膜的 视网膜眼底图像。

• 502表示创建具有用户数据和用户视视网膜眼底 图像的初始 用户文件。

• 503表示经由国家级门户或世界级门户、 通过无线数据传输 器传输初始用户文件到服务器。

· 504表示由服务器接收初始用户文件。

• 505表示加载初始用户文件到数据库中。 [0062] 图 6 是根据本发明实施例的图像处理方法及系统的 视网膜眼 底图像分类 600的步骤流程图。 分类 600的步骤流程图示出步骤：

• 601 表示使用由 AI 引擎创建的计算模型将用户视网膜眼底 图像与参考图像进行比对， 以将用户图像的分类代码确定为 1及 2之

• 602表示将用户图像的分类代码存入初始用户文 件以生成更 新用户文件。

• 603表示对于分类代码确定为 1的用户文件， 本方法及系统 生成第一跟进代码， 并加入更新用户文件， 用于提醒用户定期将其视 网膜眼底图像发送至系统， 进行后续分类。 对于分类代码确定为 2的 用户文件， 本方法及系统生成第二跟进代码， 并加入更新用户文件， 用于建议该用户咨询眼科医生， 以作进一步筛査及必要的治疗。

[0063] 图 7 是根据本发明实施例的图像处理方法及系统的 通过门户 702的通信路径 700的示意图。 如图 7所示， 通过门户的通信路径 700包 括通过笔记本电脑 704、 智能电话 706、 平板电脑 708、 计算机 710和光学 中心 712 的到门户的通信和从门户的通信。 光学中心接收来自在国家 714 和村庄 716中的用户的通信。 [0064] 本发明的一个实施例提供一种视网膜眼底图像 的分类方法， 用于将用户视网膜眼底图像进行分类处理， 以确定该用户是否有眼睛疾病 风险。 所述包括以下步骤： （a)加载多个专家确定分类的参考视网膜眼底 图像到服务器数据库中； （b ) 训练 AI引擎以对专家确定分类的参考视网 膜眼底图像进行操作； （c ) 使用 AI引擎， 基于专家确定分类的参考视网 膜眼底图像构建计算模型，以赋予每个参考视 网膜眼底图像一个分类代码， 其中分类代码 1表示对应的视网膜眼底图像被分类为 "正常" 或 "低眼疾 风险" ； 例如如图 8A所示的 "正常" 类视网膜眼底图像。分类代码 2表示 对应的视网膜眼底图像被分类为 "异常" 或 "高眼疾风险" ， 包括例如如 图 8B所示的具有 "糖尿病性视网膜病变"图像特征的视网膜眼底� ��像， 如 图 8C所示的具有 "青光眼" 图像特征的视网膜眼底图像（其中 802表示杯 盘比 （CDR) 大于或等于 0. 75 ) ， 如图 8D所示的具有 "白内障" 图像特征 的视网膜眼底图像， 以及如图 8E 所示的具有 "与年龄相关的黄斑退化 (AMD ) " 图像特征的视网膜眼底图像； （d) 从网络服务器接收初始用户 文件， 所述初始用户文件包括用户数据及用户图像； （e )加载初始用户文 件到服务器数据库中； （f )使用所述计算模型， 将初始用户文件中的视网 膜眼底图像与服务器中的参考视网膜眼底图像 进行比对分析， 以将所述用 户图像的分类代码确定为 1及 2之一； 及（g)用户图像的分类代码存入初 始用户文件以生成更新用户文件， 以记录用户视网膜眼底图像的分类， 及 发送更新用户文件至用户端。

[0065] AI 引擎的算法包括从机器学习算法和深度学习算 法中选择的 至少一个算法或算法的组合。 AI 引擎的算法包括支持向量机 （SVM) 、 梯 度提升机（GBM) 、 随机森林和卷积神经网络中的至少一个。 用户文件包括 用户数据和未分级的用户视网膜眼底图像。

[0066]在比对分析及分类代码确定步骤中， 存储于初始用户文件的视 网膜眼底图像的数目可以是 2个至 4个。

[0067]根据第一实施例的替代方案， 将所述用户图像与所述参考图像 进行比对分析，包括基于以下眼睛状态判断要 素的至少一个进行比对分析： ( a) 图像中呈现的多个视网膜血管； （b ) 杯盘比小于 0. 3; 以及 （c ) 缺 少以下中的至少一个： （i ) 可见介质混浊度； （ϋ ) 糖尿病性视网膜病变 指示器包括印迹样出血、 微动脉瘤和硬渗出物中的至少一个； （iii ) 糖尿 病性黄斑病变； （iv ) 黄斑水肿； （V ) 在黄斑附近的渗出物； （vi ) 在黄 斑上的渗出物； （vii) 激光疤痕； （viii) 白内障； （ix) 青光眼； （X) 糖尿病性视网膜病变； 和 （xi) 与年龄相关的黄斑退化， 包括多个大玻璃 疣， 具有色素减退的显著区域的地图状萎缩和脉络 膜新生血管膜中的至少 一个， 其中与年龄相关的黄斑退化是指示萎缩性的、 新生血管的和渗出性 的至少一个。 眼睛状态判断要素的至少一个可以被排除在外 。

[0068] 排除一个或多个眼睛状态判断要素可以使视网 膜眼底图像的 分类过程适合给定国家的需求及其可用资源。 [0069] 根据第一实施例的另一替代方案， （i) 专家确定分类的视网 膜眼底图像可以是眼科医生确定分类视网膜眼 底图像； （ii) 方法可以进 一步包括， 在更新文件中加入第一或第二跟进代码。 第一跟进代码对应于 分类为 1 的用户视网膜眼底图像， 可以表示建议用户在指定的时间内， 例 如 6至 12个月内， 将其用户视网膜眼底图像传至系统进行比对分 类。第二 跟进代码对应于分类为 2的用户视网膜眼底图像， 可以表示安排该用户提 交更新的用户视网膜眼底图像， 以进行核实， 以及建议用户咨询眼科医生； (iii)方法可以进一步包括， 将加入第一或第二跟进代码的更新用户文件 发至用户端； （iv) 方法可以进一步包括， 基于分类代码为 1 的至少一个 用户文件的视网膜眼底图像的眼科医生的分类 ， 训练 AI引擎； （V) 方法 可以进一步包括， 基于分类代码为 2的至少一个用户文件的视网膜眼底图 像的眼科医生的分类， 训练 AI引擎； （vi)每个视网膜眼底图像可以包括 至少 3000*2000个像素，具有至少 45度的眼底区域， 以及具有至少 150dpi 的像素分辨率； （vii)至少一个用户文件的视网膜眼底图像可� �用便携式 眼底照相机拍摄， 从服务器接收的步骤可以包括经由可连接到便 携式眼底 照相机的无线数据传输器的至少一个用户文件 的传输； （viii) 至少一个 用户文件的视网膜眼底图像可以用便携式眼底 照相机拍摄， 并且从网络服 务器接收的步骤包括经由便携式眼底照相机的 至少一个用户文件的传输， 其中眼底照相机可以包括无线数据传输器； （ix) 网络服务器可以托管至 少一个国家门户和至少一个全世界门户； 或（X )至少一个用户文件可以是 通过至少一个便携式应用被上传到网络服务器 。 通信也可以是通过诸如电 话、 电缆、 DSL和光纤的有线连接实现的。

[0070] 对于包括分类代码为 1 的视网膜眼底图像的用户文件， 所述 第一跟进代码可以表示提醒该用户在预定的时 间内，例如 6到 12个月之内， 再次拍摄用户视网膜眼底图像并传输至服务器 进行比对分析， 以确定该再 次拍摄的用户视网膜眼底图像的分类代码。

[0071] 对于包含分类代码为 2 的用户视网膜眼底图像的用户文件， 所述第二跟进代码可以表示建议该用户约见眼 科医生， 可以进一步包括通 过网络服务器接口预约医疗设施， 以安排和确认预约日期。 [0072] 本发明实施例图像处理方法还包括， 基于分类代码为 2 的至 少一个用户文件的视网膜眼底图像， 训练 AI引擎。通过系统被分级为非正 常的视网膜眼底图像可以被送去专家用于分类 。 一旦被分类， 专家分类的 视网膜眼底图像可以被用来进一步训练 AI引擎； （vi )每个视网膜眼底图 像可以包括至少 3000*2000的像素， 具有至少 45度的眼底区域， 以及具有 至少 150dpi的像素分辨率； （vi i ) 至少一个用户文件的视网膜眼底图像 可以用便携式眼底照相机拍摄， 以及从网络服务器接收的步骤可以包括经 由可连接到便携式眼底照相机的无线数据传输 器的至少一个用户文件的传 输； （vi i i ) 至少一个用户文件的视网膜眼底图像可以用便 携式眼底照相 机拍摄， 以及从网络服务器接收的步骤可以包括经由便 携式眼底照相机的 至少一个用户文件的传输， 其中眼底照相机可以包括无线数据传输器； ( ix ) 网络服务器可以托管至少一个国家门户和至少 一个全世界门户； 或 者（X )至少一个用户文件可以经由至少一个便携式� �用被上传到网络服务 器。

[0073] 通过连接便携式眼底照相机的无线数据传输器 （诸如手机） ， 用户视网膜眼底图像和用户数据可以被传送到 数据中心或托管 AI引擎 103 和模型 104的实验室， 并且快速进行分类。 诸如安排例行重新分类或诊所 眼科医生预约的随后的治疗可以从用户的视网 膜眼底图像的分类而被推 荐。 这样， 在农村或偏远地区可以使用便携式眼底照相机 拍摄用户视网膜 眼底图像。 用户数据可以由便携式应用输入， 然后在本地手机数据网络上 被传输。具有无线数据传输器及 /或用户数据的便携式眼底照相机也可以用 于用户数据输入和无线数据传输。 通过便携式应用， 用户可以获得视网膜 眼底图像的分类代码及第一或第二跟进代码， 以采取相应行动， 例如获得 转介公立医院和访问卫生信息服务，其内容可 以是根据他 /她的用户文件中 包含的他的病例记录进行定制。 [0074] 服务器 205 可以托管多个门户用于上传用户文件。 门户可以 通过国家、 地区、 语言来组织或者是全世界的。 至少一个或多个门户经由 便携式应用可以是可访问的。

[0075] 本发明的第二实施例涉及在高速计算系统 （其可以在公共或 私有云端中或在专用的企业计算资源上实现） 上运行的图像处理方法及系 统， 用于将用户的视网膜眼底图像进行分类。

[0076]如图 9及 10所示， 居住在用户端， 例如乡村 910或小城市 920 的用户， 由设置在附近的照相机 912， 922 拍摄用户视网膜眼底图像 （图 10， 步骤 1012 )， 生成初始用户文件， 并将初始用户文件通过通讯网络 930 传送至设有本发明图像处理系统的服务器， 例如设置于大城市 940的系统 服务器 942， 进行比对分析， 以获得用户视网膜眼底图像的分类代码 1016、 1018 (图 10， 步骤 1014) 。 分类代码 1016为代码 " 1 " 的分类， 表示该用 户视网膜眼底图像属于 "正常" 或 "低眼疾风险" ；分类代码 1018为代码 " 2 " 的分类， 表示该用户视网膜眼底图像属于 "异常" 或 "高眼疾风 险" 。本方法及系统可以进一步包括生成第一跟进 代码 1026及第二跟进代 码 1028， 分别对应于分类代码 1及分类代码 2。 分类代码 1016、 1018、 第 一及第二跟进代码 1026、 1028分别存储于更新的用户文件 1036、 1038， 并发送至用户端 910、 920。

[0077] 本实施例提供的图像处理方法及系统基于加有 经专家或眼科 医生鉴定的分类代码的参考图像， 开发和训练人工智能 （Art ificial Intelligence, "ΑΓ' ) 引擎， 使用该 ΑΙ引擎构建计算模型， 及使用该计 算模型将用户的视网膜眼底图像与加有分类代 码的参考图像进行比对及预 测， 从而得出用户视网膜眼底图像的分类， 并将分类结果反馈给用户。 视 网膜眼底图像的分类为第一类， 即对应于分类代码 1的用户， 被确定为属 于低风险眼睛疾病人群， 目前可以不必就医， 可以在一定时期之后， 例如 6个月至 12个月之后， 再作例行检査。 视网膜眼底图像的分类为第二类， 即对应于分类代码 2的用户，被确定为属于高风险眼睛疾病及 /或相关疾病 的人群。 本发明实施例的图像处理方法及系统将进一步 包括生成第一或第 二跟进代码， 并将第一或第二跟进代码存入更新用户文件及 发送更新用户 文件至用户端。

[0078] 根据本实施例， 加有分类代码的参考图像， ΑΙ 引擎及计算模 型能够对与眼睛相关的主要疾病对应的视网膜 眼底图像进行有效识别及分 类。这类疾病包括糖尿病性视网膜病变（DR)、 年龄相关性黄斑变性（AMD)、 青光眼和白内障等。

[0079] 根据使用本发明实施例的计算模型， 将用户视网膜眼底图像 与参考图像的比对分析， 如果户视网膜眼底图像与参考图像中被分类为 第 一类的参考图像的类似度高于计算模型中的判 定阈值， 此用户视网膜眼底 图像则被分为同一类， 即第一类。 如果户视网膜眼底图像与参考图像中被 分类为第二类的参考图像的类似度高于计算模 型中的判定阈值， 此用户视 网膜眼底图像则被分为同一类， 即第二类。

[0080] 根据本发明的实施例， 参考图像由合格的眼科医生进行人工 甄别， 根据甄别结果， 每个参考图像被分类为第一类及第二类之一， 并逐 一赋予对应的分类代码。

[0081 ] 基于具有分类代码的多个参考图像， 训练 AI引擎， 从而构建 计算模型， 以对用户视网膜眼底图像进行比对分析， 得出用户视网膜眼底 图像的分类代码。 [0082] 存储有所述具有分类代码的多个参考图像及计 算模型的服务 器，可以以深度学习（Deep Learning, " DL " )或深度神经网络（Deep Neural Network, " DNN" ) 的形式实现用于监督学习的机器学习 （Machine Learning, " ML " ) 或人工智能 （AI ) 框架的过程。 得到的 DNN算法及计 算模型， 可以用于将用户视网膜眼底图像与服务器中的 参考图像进行比对 分析， 以获得用户视网膜眼底图像的分类代码。

[0083] 计算模型可以实现于， 但不限于， 桌面级工作站 （有或没有 GPU) 。 使用的操作系统（OS ) ， 包括但不限于， Windows®, iOS®， Android 和基于 Linux的系统等。 计算模型也可以被托管于第三方供应商的平台 所 提供的基于云端的服务。 图像处理系统及 /或平台可以包括但不限于， Nvidia CUDA®或像 OpenGL, OpenCV和 OpenCL等开放源代码的平台。 计算 模型可以选择一种高级编程语言和平台 （包括但不限于 Matlab®、 Python, C ++和 R等， 以及这些平台的包装） 实施。

[0084] 根据本发明实施例的一种图像处理方法， 包括访问包含数字 化的视网膜眼底图像的数据库， 并存储信息用于处理。 原始图像被映射到 由 3个独立矩阵组成的 3元组， 其中每个矩阵代表 RGB (红绿蓝） 中的一 个颜色。 如果需要， 基于 RGB的图像可以被转换或缩小为灰度图像。

[0085] 根据本发明实施例的图像处理方法还包括重塑 数据集中具有 相同空间维度的所有图像， 尽管这不是绝对需要的。 图像的宽度和高度中 的像素的数量可以被优化为训练分类模型所需 的时间量。根据图像的质量， 可以应用图像增强， 图像降噪， 图像恢复和去模糊， 缩放， 平移， 旋转和 边缘检测等图像处理方法。 映射的图像将形成数据集， 其将作为输入来训 练分类及计算模型。 [0086] 这些图像还可以经由包括但不限于主成分分析 （也称为

KarhuenLoeve变换） 和动态模式解压缩等的其他变换方法进一步处 理， 其 中矩阵的奇异值分解被执行。 通过使用变换技术， 可以开发替代的和补充 的 DNN以在这些变换的图像上进行训练， 以与主要的 D丽模型相关联， 以 对视网膜眼底图像进行比、 分析及准确分类。

[0087]分类模型的架构被采用， 但不限于使用卷积神经网络 （CNN) 。 将标称数据集输入到 CNN架构中， 使用推断的函数训练分类模型， 以预测 新的未见过图像。 CNN 架构的准确性取决于一系列参数， 诸如每一层上的 节点数量、 激活函数的选择、 损失函数、 丢失百分比、 时期 （epoch ) 的数 目等。

[0088] 可以用 k 折交叉验证技术进一步增强分类及计算模型。 其他 可能的统计技术可以被实施以提高分类模型的 准确性， 而不仅限于上述技 术。 k折交叉验证技术是评估训练过的分类模型的� �计性能的模型验证。 标称数据集被划分为具有不同的百分比权重的 训练数据集和测试数据集。 [0089] 下面描述分类模型的可能的例子来说明这个过 程：

( 1 ) 数字化后的图像与其标签被映射到数据集。 图像的缩放可 以通过首先计算每个红色， 绿色和蓝色通道的各自像素密度的平均值 和标准偏差来执行。 结果被存储在 3元组， 分别对应于红， 绿和蓝通 道的平均值。 数据集中的图像通过减去与红色， 绿色和蓝色通道的每 一个相应的平均值和除以红色， 绿色和蓝色通道的每一个相应的标准 偏差来缩放。

( 2 ) C丽架构可以使用如 R等高级语言编写， 并且有诸如 Keras 的封装的帮助。 CNN可以被设计为具有由相互连接的节点组成的 特定 数量的层。 不同函数中每个节点之间的链接由一个由权重 和偏差组成 的函数来定义。 诸如 RELU 的激活函数通常被用于更新函数的权重和 偏差。 添加池化函数来提取 CNN层上的子集， 这可能不是必需的。 在 每个 CiW层之后还添加例如 20 %的丢失百分比。在最后一层， 使用激 活函数 S0FTMAX。

( 3 ) 分类模型经历多个时期 （epoch ) 以更新其准确性。 在模型 中的优化器不仅限于 ADAM， 还有其他的优化器， 诸如 RMSPR0P等。 在 每个时期 （epoch ) ， 标称数据集可以分割为训练数据集和测试数据 集， 不限于 4 : 1 的分割。 可以进一步将该比率细分为其他被认为最 适合训练分类模型的比率。 [0090] 以下描述训练过的分类模型的可能的验证步骤 以说明该过程。

( 1 ) 在完成对分类模型的训练之后， 将训练或测试中未使用的 一组新的未见过的视网膜眼底图像呈现给训练 过的模型。 新的未见过 的视网膜眼底图像由合格的眼科医生人工鉴定 ， 确定分类代码并作标 记。

( 2 )用户的眼睛健康状况的概率是基于视网膜眼� �图像得出的。 下一步是由合格的眼科医生通过筛査未见过的 图像及其各自标记的 类别 （第一类或第二类） 来验证生成的概率。

( 3 )可以应用进一步的验证步骤， 以识别包括但不限于诸如 DR、 A腸、 青光眼和白内障等的主要潜在眼睛疾病。 合格的眼科医生可能 难以获得视力损害的所有细微差异， 并对用户的眼睛健康状况得出结 论。 训练过的计算模型可以将合格的眼科医生得出 的结论与训练过的 分类计算模型产生的概率相关联。

[0091 ] 人工智能门户的自动化过程可以生成简明易读 的视网膜眼底 图像分类及分析报告， 其将被发送给来自周边社区的用户， 以告知用户其 视网膜眼底图像的分类代码及跟进代码， 以及根据分类代码及跟进代码所 记载的信息， 该用户是否需要咨询眼科医生做进一步检査。 分类报告经计 算模型比对分析得出的视网膜眼底图像分类代 码以及对应的、 方便识别的 颜色标记。 例如， 可以使用绿色标记及 /或 （-) 代表分类代码 1， 表示该 用户的视网膜眼底图像分类为第一类； 使用红色标记及 /或 （+ ) 代表分类 代码 2， 表示该用户的视网膜眼底图像分类为第二类。

[0092] 根据以上描述的一个实例报告如下: 分类 颜色标记 符号 报告含义 第一类 (绿色） ( -) 用户将不会被建议咨询眼科医 生作进一步检査

第二类 (红色） ( +) 用户将会被建议咨询眼科医生

作进一步检査

[0093] 根据本发明的另一实施例的图像处理方法及系 统的计算模型 构建可以包括： 将专家级的视网膜眼底图像加载到保存专家级 视网膜眼底 图像的数据库中， 使用专家级的视网膜眼底图像对 AI 引擎的训练， 使用 AI引擎构建模型。

[0094] 根据本发明的另一实施例的图像处理方法及系 统的视网膜眼 底图像加载系统可以包括： （i ) 便携式眼底相机， 用于拍摄用户视网膜眼 底图像，并将用户视网膜眼底图像与用户数据 组合，以创建具有用户视网膜 眼底图像和用户数据的初始用户文件； （i i ) 手机， 用于传输初始用户文 件到连接到网络的手机发射塔； （i i i ) 网络服务器， 用于接收初始用户文 件， 以及加载初始用户文件到用于存储用户文件的 服务器数据库。

[0095] 图 11是根据本发明另一实施例的图像处理方法及� ��统的视网 膜眼底图像分类系统 1100的示意图。

[0096]视网膜眼底图像分类系统 1100可以包括：服务器数据库 1106， 其中存储有计算模型 1104和参考图像，所述参考图像包括多个分类� �码为 1 的参考图像及多个分类代码为 2 的参考图像， 当接收初始用户文件 （包 括用户数据及用户图像） 后， 服务器启动所述计算模型 1104， 将所述用户 图像与存储于数据库 1106的、具有分类代码为 1或 2的多个参考图像进行 比对分析， 以将所述用户图像的分类代码确定为 1及 2之一。 分类代码为 2 的参考图像包括多个子分类代码为 2-1 的参考图像及多个子分类代码为 2-2的参考图像。 进一步地， 服务器启动所述计算模型 1104， 将所述分类 代码确定为 2的用户图像与多个子分类代码为 2-1的参考图像及多个子分 类代码为 2-2的参考图像进行比对， 以将分类代码确定为 2的用户图像的 子分类代码进一步确定为 2-1及 2-2之一。其中 1111表示包括分类代码确 定为 1的用户图像的用户文件， 1112表示包括分类代码确定为 2的用户图 像的用户文件， 1121表示包括子分类代码确定为 2-1的用户图像的用户文 件， 1122表示包括子分类代码确定为 2-2的用户图像的用户文件。 用户图 像的分类代码及子分类代码确定后， 用户图像的分类代码及子分类代码被 存入初始用户文件， 以生成更新用户文件。 更新用户文件则被发送至用户 端， 将用户图像的分类代码、 子分类代码及相关信息传送给用户端。 [0097] 优选地， 图 12是根据图 11所示实施例的图像处理方法及系 统的计算模型构建方法 1200的步骤流程图。计算模型构建方法 1200包括：

• 加载多个专家分类的视网膜眼底图像到数据库 中， 如图框 1202所示；

• 训练 AI 引擎以对专家分类的视网膜眼底图像进行操作 ， 如 图框 1204所示；

• 使用 AI 引擎， 基于专家分类的视网膜眼底图像构建计算模 型， 如图框 1206所示；

• 基于具有眼科医生分类的分类代码为 1及 2的视网膜眼底图 像对 AI引擎做进一步训练， 如图框 1208所示；

· 基于具有眼科医生分类的子分类代码为 2-1及 2-2的视网膜 眼底图像对 AI引擎做进一步训练， 如图框 1210所示。 [0098] 优选地， 图 13A是根据图 11所示实施例的图像处理方法及系 统的视网膜眼底图像加载方法 1300的步骤流程图。视网膜眼底图像加载方 法 1300可以包括：

• 用在区域中的便携式眼底照相机拍摄用户视网 膜的视网膜 眼底图像， 如图框 1302所示；

• 创建具有用户数据和用户视网膜眼底图像的初 始用户文件， 如图框 1304所示；

• 经由国家级门户或世界级门户、 通过无线数据传输器传输初 始用户文件到服务器， 如图框 1306所示；

· 由服务器接收初始用户文件， 如图框 1308所示；

• 加载初始用户文件到数据库中， 如图框 1310所示。

[0099] 图 13B是根据图 11所示实施例的图像处理方法及系统的视网 膜眼底图像分类方法 1350的步骤流程图。 分类方法 1350包括：

· 使用由 AI 引擎创建的计算模型将用户视网膜眼底图像与 多 个分类代码为 1 的参考图像及多个分类代码为 2 的参考图像进行比 对， 以将用户图像的分类代码确定为 1及 2之一， 如图框 1352所示；

• 使用由 AI 引擎创建的计算模型将分类代码确定为 2的用户 视网膜眼底图像与多个子分类代码为 2-1的参考图像及多个子分类代 码为 2-2的参考图像进行比对， 以将分类代码确定为 2的用户视网膜 眼底图像的子分类代码确定为 2-1及 2-2之一， 如图框 1354所示；

• 将用户图像的分类代码和子分类代码存入初始 用户文件以 生成更新用户文件， 如图框 1356所示； [0100] 分类方法 1350可以进一步包括：

• 对于分类代码确定为 1的用户文件， 本方法及系统生成第三 跟进代码， 并加入更新用户文件， 用于提醒用户定期将其视网膜眼底 图像发送至系统， 进行后续分类 （例如建议用户在 6至 12个月内， 再次拍摄用户视网膜眼底图像并传输至服务器 进行比对分析， 以确定 该再次拍摄的用户视网膜眼底图像的分类代码 ） ， 如图框 1358所示； • 对于子分类代码确定为 2-1的用户文件， 本方法及系统生成 第四跟进代码，并加入更新用户文件，用于建 议该用户咨询眼科医生， 但不是紧急， 或是用于建议医疗机构 /眼科医生不需要立即给予该用 户紧急医疗处理 （即： 非紧急的情况） 。 对于子分类代码确定为 2-2 的用户文件，本方法及系统生成第五跟进代码 ，并加入更新用户文件， 用于建议该用户立即咨询眼科医生或是用于建 议医疗机构 /眼科医生 立即给予该用户紧急医疗处理以作进一步筛査 及必要的治疗 （即： 紧 急的情况） ， 如图框 1360所示。

[0101 ]具体而言， 图像处理方法及系统的通过门户的通信路径可 以包 括通过笔记本电脑、 智能电话、 平板电脑、 计算机和光学中心的到门户的 通信和从门户的通信。 光学中心接收来自在国家和村庄中的用户的通 信。

[0102] 具体而言， 分类代码 1 可以表示对应的视网膜眼底图像被分 类为 "正常" 或 "低眼疾风险" ， 例如如图 14A所示的 "正常" 类视网膜 眼底图像示例。 分类代码 2可以表示对应的视网膜眼底图像被分类为 "异 常" 或 "高眼疾风险" 。 子分类代码 2-1可以表示对应的视网膜眼底图像 被分类为 "异常但非紧急的情况" 。 子分类代码 2-2可以表示对应的视网 膜眼底图像被分类为 "异常且紧急的情况" ， 包括例如如图 14B所示的具 有 "白内障" 图像特征的视网膜眼底图像， 如图 14C所示的具有 "糖尿病 性视网膜病变" 图像特征的视网膜眼底图像， 如图 14D所示的具有 "青光 眼" 图像特征的视网膜眼底图像， 以及如图 14E-14F所示的具有 "与年龄 相关的黄斑退化（AMD ) " 图像特征的视网膜眼底图像。其中图 14C中 1402 表示视网膜前出血， 1404和 1406表示硬渗出物， 1408表示棉絮斑， 1410 和 1412表示出血， 图 14D中 1414表示增大的杯盘比 （杯盘比大于或等于 0.75) ，图 14E中 1416表示地图状萎缩 （晚期 A腸） , 图 14F中 1418表示 玻璃疣。 [0103] 根据图 11 - 13B 所示实施例， 将用户图像与参考图像进行 比对分析以将用户图像的分类代码确定为 1及 2之一， 包括基于以下眼睛 状态判断要素的至少一个进行比对分析： （a) 图像中呈现的多个视网膜 血管； （b) 杯盘比小于 0.3; 以及 （c) 缺少以下中的至少一个： （i) 可 见介质混浊度； （ ϋ ) 糖尿病性视网膜病变指示器包括印迹样出血、 微动 脉瘤和硬渗出物中的至少一个； （iii) 糖尿病性黄斑病变； （iv) 黄斑水 月中； (v) 在黄斑附近的渗出物； （vi) 在黄斑上的渗出物； （vii) 激光 疤痕； （viii) 白内障； （ix)青光眼； （X)糖尿病性视网膜病变； 和（xi) 与年龄相关的黄斑退化， 包括多个大玻璃疣， 具有色素减退的显著区域的 地图状萎缩和脉络膜新生血管膜中的至少一个 ， 其中与年龄相关的黄斑退 化是指示萎缩性的、 新生血管的和渗出性的至少一个。 眼睛状态判断要素 的至少一个可以被排除在外。排除一个或多个 眼睛状态判断要素可以使视 网膜眼底图像的分类过程适合给定国家的需求 及其可用资源。

[0104] 根据图 11 - 13B 所示实施例， 其中分类代码确定为 2 的用 户图像与子分类代码为 2-1 的参考图像进行比对进一步包括使用以下眼睛 状态判断要素的至少一个进行比对：

(a-i) 微动脉瘤 /印迹样出血；

(a-ii) 不在黄斑中的硬渗出物；

(b-i) 轻微致密白内障 （黄斑和血管可见） ；

(c-i) 在远离黄斑 （离黄斑中心 3个视盘直径以外） 的周围区域的玻 璃疣 （硬的或软的） 的存在； 以及

(c-ii) 色素。 [0105]分类代码确定为 2的用户图像与所述子分类代码为 2-2的参考 图像进行比对进一步包括使用以下眼睛状态判 断要素的至少一个进行比 对：

(a-i) 多于三个印迹样出血；

(a-ii) 火焰出血；

(a-iii) 具有出血和微动脉瘤的棉絮斑；

(a-iv) 黄斑中具有微动脉瘤和印迹样出血的硬渗出物 ；

(a-v) 静脉串珠样改变；

(a-vi) 2个或更多象限的出血；

(a-vii) 视网膜内微血管异常；

(a-viii) 静脉环路；

(a-ix) 盘上的新血管或者任何其它地方的新血管的存 在；

(a-x) 视网膜脱落；

(a-xi) 视网膜前出血；

(a-xii) 玻璃体出血；

(a-xiii) 纤维增生；

(b-i) 使得黄斑和血管模糊的白内障部分或完全致密 ；

(b-ii) 黄斑和血管不可见；

(c-i) 在黄斑之内 （离黄斑中心 2个视盘直径以内） 的玻璃疣 (硬的或软的） 的存在；

(c-ii) 地图状萎缩；

(c-iii) 视网膜下的纤维疤痕 ；

(c-iv) 色素上皮脱离；

(c-v) 视网膜下的纤维血管的病变 （视网膜下的出血） ；

(c-vi) 脉络膜的新生血管膜；

(c-vii) 渗出性的与年龄相关的黄斑变性； (d-i) 任一眼睛的杯盘比大于或等于 0.3;

(d-ii) 盘的不对称性大于或等于 0.2;

(d-iii) 盘出血；

(d-iv) 任何开槽或边缘变薄的出现；

(e-i) 介质混浊度；

(e-ii) 模糊的黄斑 （其可能造成收缩的瞳孔） ；

(e-iii) 曝光不足或过度曝光导致的血管和黄斑的不可 见； 以及

(e-iv) 视神经盘和黄斑的焦点不足和 /或错误的定位。 [0106] 可替代地， （i) 专家确定分类的视网膜眼底图像可以是眼科 医生确定分类视网膜眼底图像； （ii)方法可以进一步包括， 将加入第三、 第四或第五跟进代码的更新用户文件发至用户 端； （iii)方法可以进一步 包括， 基于分类代码为 1的至少一个用户文件的视网膜眼底图像的眼� �医 生的分类， 训练 AI引擎； （iv) 方法可以进一步包括， 基于分类代码为 2 的至少一个用户文件的视网膜眼底图像的眼科 医生的分类， 训练 AI引擎； (v)方法可以进一步包括， 基于子分类代码为 2-1的至少一个用户文件的 视网膜眼底图像的眼科医生的分类， 训练 AI引擎； （vi)方法可以进一步 包括， 基于子分类代码为 2-2的至少一个用户文件的视网膜眼底图像的眼 科医生的分类， 训练 AI引擎； （vii) 每个视网膜眼底图像可以包括至少 3000*2000个像素， 具有至少 45度的眼底区域， 以及具有至少 150dpi的 像素分辨率； （viii) 至少一个用户文件的视网膜眼底图像可以用便 携式 眼底照相机拍摄， 从服务器接收的步骤可以包括经由可连接到便 携式眼底 照相机的无线数据传输器的至少一个用户文件 的传输； （ix) 至少一个用 户文件的视网膜眼底图像可以用便携式眼底照 相机拍摄， 并且从网络服务 器接收的步骤包括经由便携式眼底照相机的至 少一个用户文件的传输， 其 中眼底照相机可以包括无线数据传输器； （X)网络服务器可以托管至少一 个国家门户和至少一个全世界门户； 或 （xi) 至少一个用户文件可以是通 过至少一个便携式应用被上传到网络服务器。 通信也可以是通过诸如电话、 电缆、 DSL和光纤的有线连接实现的。

[0107] 通过连接便携式眼底照相机的无线数据传输器 （诸如手机） ， 用户视网膜眼底图像和用户数据可以被传送到 数据中心或托管 AI引擎和 计算模型 1104的实验室， 并且快速进行分类。诸如安排例行重新分类或 诊 所眼科医生预约的随后的治疗 （紧急或非紧急的情况） 可以从用户的视网 膜眼底图像的分类而被推荐。 这样， 在农村或偏远地区可以使用便携式眼 底照相机拍摄用户视网膜眼底图像。 用户数据可以由便携式应用输入， 然 后在本地手机数据网络上被传输。具有无线数 据传输器及 /或用户数据的便 携式眼底照相机也可以用于用户数据输入和无 线数据传输。 通过便携式应 用， 用户可以获得视网膜眼底图像的分类代码及第 三、 第四或第五跟进代 码， 以采取相应行动， 例如获得转介公立医院和访问卫生信息服务， 其内 容可以是根据他 /她的用户文件中包含的他的病例记录进行定� �。

[0108]服务器可以托管多个门户用于上传用户 文件。 门户可以通过国 家、 地区、 语言来组织或者是全世界的。 至少一个或多个门户经由便携式 应用可以是可访问的。

[0109] 可替代地， 将用户视网膜眼底图像与参考图像的比对分析 ， 如果户视网膜眼底图像与参考图像中被分类为 第一类的参考图像的类似度 高于计算模型中的判定阈值， 此用户视网膜眼底图像则被分为同一类， 即 第一类。 如果户视网膜眼底图像与参考图像中被分类为 第二类的参考图像 的类似度高于计算模型中的判定阈值， 此用户视网膜眼底图像则被分为同 一类， 即第二类。

[0110]可替代地， 将用户视网膜眼底图像与参考图像的比对分析 ， 如 果用户视网膜眼底图像与参考图像中子分类代 码为 2-1的参考图像的类似 度高于计算模型中的判定阈值， 则此用户视网膜眼底图像的子分类代码被 确定为 2-1 (即分类为第二类， 子分类为第一类） 。 如果户视网膜眼底图 像与参考图像中子分类代码为 2-2的参考图像的类似度高于计算模型中的 判定阈值， 则此用户视网膜眼底图像的子分类代码被确定 为 2-2 (即分类 为第二类， 子分类为第二类） 。

[0111 ] 人工智能门户的自动化过程可以生成简明易读 的视网膜眼底 图像分类及分析报告， 其将被发送给来自周边社区的用户或医疗机构 /目艮 科医生， 以告知他们关于用户视网膜眼底图像的分类代 码及子分类代码

(如果有） ， 以及根据分类代码及子分类代码 （如果有） 所记载的信息， 该用户是否需要咨询眼科医生做进一步检査以 及该用户是否需要立即咨 询眼科医生或是医疗机构 /眼科医生是否需要立即给予该用户紧急医疗� � 理 （即： 情况是否紧急） 。 分类报告经计算模型比对分析得出的视网膜眼 底图像分类代码 /子分类代码， 以及对应的、 方便识别的颜色标记 /符号标 记。 例如， 可以使用 " （- ) " 或如图 15-A所示的符号标记来代表分类 代码 1， 表示该用户的视网膜眼底图像分类为第一类。 该符号标记可以进 一步选择绿色的颜色标记。 可以使用 " （非紧急） " 、 " （+ 30%非紧 急） " 或如图 15-B所示的符号标记来代表分类代码为 2且子分类代码为 2-1， 表示该用户的视网膜眼底图像分类为第二类且 子分类为第一类。 该 符号标记可以进一步选择红色的颜色标记。可 以使用 "（紧急） " 、 "（+ 90%紧急） " 或如图 15-C所示的符号标记来代表分类代码 2并且子分类 代码为 2-2， 表示该用户的视网膜眼底图像分类为第二类并 且子分类为第 二类。 该符号标记可以进一步选择红色的颜色标记。 其中符号标记中的 30%， 90%可以替代地选择其它代表用户眼睛具有疾病 风险的可能性的百 分比数值。 在图 15B中， 1502表示 "非紧急" ； 在图 15C中， 1504表 示 "紧急" 。 [0112] 根据以上描述的一个实例报告如下:

[0113] 在前面的详细描述中， 本发明的实施例参照提供的附图被描 述。 在本文中的各种实施例的描述并不旨在唤起或 仅限于本公开的具体或 特定的表示， 而仅仅是为了说明本公开的非限制性示例。

[0114] 本公开用于解决至少一些上述问题和与现有技 术相关联的问 题。 尽管仅有本公开的一些实施例是在此公开的， 但是鉴于本公开， 可以 对公开的实施例进行各种变化和 /或修改， 而不脱离本公开的范围， 对本领 域的普通 技术人员将是显而易见的。本公开的范围以及 所附权利要求书的 范围不限于本文中所描述的实施例。