RU2822860C1 - Способ обработки цифровых изображений пальцев руки для колориметрического анализа уровня гемоглобина в крови - Google Patents
Способ обработки цифровых изображений пальцев руки для колориметрического анализа уровня гемоглобина в крови Download PDFInfo
- Publication number
- RU2822860C1 RU2822860C1 RU2023133301A RU2023133301A RU2822860C1 RU 2822860 C1 RU2822860 C1 RU 2822860C1 RU 2023133301 A RU2023133301 A RU 2023133301A RU 2023133301 A RU2023133301 A RU 2023133301A RU 2822860 C1 RU2822860 C1 RU 2822860C1
- Authority
- RU
- Russia
- Prior art keywords
- image
- areas
- intensities
- hemoglobin
- blood
- Prior art date
Links
- 102000001554 Hemoglobins Human genes 0.000 title claims abstract description 47
- 108010054147 Hemoglobins Proteins 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000008280 blood Substances 0.000 title claims abstract description 32
- 210000004369 blood Anatomy 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000004737 colorimetric analysis Methods 0.000 title claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 210000004904 fingernail bed Anatomy 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 210000000282 nail Anatomy 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 5
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012014 optical coherence tomography Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 210000004905 finger nail Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
Данное изобретение относится к средствам для обработки данных, полученных в процессе неинвазивного анализа содержания гемоглобина в крови пациента, с использованием моделей машинного обучения. Предложен способ обработки цифровых изображений пальцев руки для колориметрического анализа уровня гемоглобина в крови, заключающийся в том, что на цифровом снимке пальцев сегментируют области изображений, на которых располагаются ногтевые ложа пальцев, а также участки кожи, цвет которых изменяется в зависимости от уровня гемоглобина крови; при этом сегментируют часть изображения ногтевого ложа и участка кожи, в которой распределение интенсивности в различных цветовых каналах является однородным; фильтруют сегментированные области изображения, цветовые характеристики которых изменяются в зависимости от уровня гемоглобина в крови; при этом удаляют области, в которых интенсивности R-, G-, В-каналов имеют нетипичные характеристики для цветовых характеристик кожи и ногтевого ложа путем сравнения средних значений интенсивностей и стандартного отклонения интенсивностей детектированного изображения с опорными значениями; для отфильтрованных областей изображения рассчитывают статистики распределения интенсивностей одновременно в R-, G-, В-каналах цифрового изображения: процентилей распределения интенсивностей по уровню 5, 15, 25, 50, 75, 85, 95 среднего значения интенсивности и среднеквадратического отклонения интенсивностей; предсказывают уровень концентрации гемоглобина с помощью модели машинного обучения на основе ансамбля решающих деревьев по данным рассчитанных значений статистик распределения интенсивностей цифрового изображения выделенных областей. Данное изобретение обеспечивает возможность более точного распознания полученных изображений ногтевых лож пальцев пациента за счет учета распределения интенсивностей света, прошедшего через ткань пациента, полученного цифрового изображения одновременно во всех трех R-, G-, В-каналах, используя при этом несколько уровней значений заданных опорных значений распределения интенсивностей и такой алгоритм машинного обучения, который позволит наиболее полно учесть вышеуказанное распределение интенсивностей и более точно предсказать значение гемоглобина на основании анализа полученных RGB-изображений. 2 з.п. ф-лы, 4 ил.
Description
Область техники, к которой относится изобретение
Изобретение относится к средствам для обработки данных, полученных в процессе неинвазивного анализа содержания гемоглобина в крови пациента/ пользователя/ человека, с использованием моделей машинного обучения.
Уровень техники
Из уровня техники известен ряд способов обработки при помощи компьютерной техники результатов анализа крови, полученных неинвазивными методами.
Известен способ неинвазивного медицинского мониторинга, предусматривающий измерение характеристик крови, раскрытый в заявке US 2021/0113121 А1, опубликованной 27.08.2020. В данной заявке описан способ получения информации об оптических свойствах ткани, в котором используют датчик оптической когерентной томографии для картирования кровеносных сосудов пациента. Данные оптической когерентной томографии кожи пациента обрабатывают с использованием предварительно обученной сверточной нейронной сети и получают информацию о светоотражающих свойствах тканей кожи с проходящими через них кровеносными капиллярными сосудами. По результатам указанной обработки судят о характеристиках крови пациента, в частности об уровне содержащейся в ней глюкозы и гемоглобина.
Недостатками такого способа является необходимость применения сложного метода оптической когерентной томографии, требующего наличия специализированной техники для проведения исследования. Более того, с помощью указанного метода светотражающие характеристики тканей получают только с тех участков, где установлены соответствующие датчики. Соответственно построенная карта светоотражающих свойств тканей кожи может получиться не совсем точной, и при ее обработке могут быть допущены значительные погрешности при определении характеристик крови.
Также известен способ определения гемоглобина крови при помощи оптического детектора, раскрытый в описании к патенту RU 2712078 С2. Указанный способ заключается в том, что с помощью фотодетектора, чувствительного в видимом и ближнем ИК диапазоне, регистрируют оптический сигнал от светодиодов с узкополосным спектром излучения в видимом и ближнем ИК диапазоне, прошедший через участки пальца человека. Детектируемый сигнал передают для обработки на удаленный сервер с помощью мобильного устройства. После соответствующей обработки при помощи алгоритмов нелинейного машинного обучения результаты анализа передаются обратно на мобильное устройство и отображаются на его дисплее в виде цветного пиктографического представления, на основании которого судят об уровне гемоглобина в крови пациента. Основным недостатком такого способа является относительно невысокая точность определения гемоглобина, согласно 10.1371/journal.pone.0254629.
Известен способ неинвазивного прогнозирования уровня гемоглобина крови, раскрытый в заявке US 2021/0007648 А1. Способ предполагает обработку цифровых изображений пальцев руки с использованием подсветки в ближнем ИК диапазоне (на 850 и 1070 нм), получаемых с помощью камеры смартфона. В указанном способе на первом этапе получают временные последовательности снимков пальцев изображения пациента с инфракрасной подсветкой. Затем на цифровых снимках производят сегментацию областей изображений, на которых приведены ногтевые ложа пальцев. На основании данных, извлеченных из временных последовательностей, с помощью алгоритма машинного обучения на основе машин опорных векторов осуществляют предсказание уровня гемоглобина в крови пациента.
Описанный выше способ определения гемоглобина требует наличия ИК подсветки и детектора, в качестве которого, как правило, выступает камера смартфона, чувствительного в ИК диапазоне. Однако обычно камеры смартфонов оснащаются световыми фильтрами, ослабляющими излучение ближнего ИК диапазона. Поэтому при обработке результатов измерений учитывается распределение интенсивностей главным образом в одном канале полученного RGB изображения (R-канале). Соответственно в G- и В-каналах происходит значительное отклонение обработанных значений интенсивностей от реально зарегистрированных значений. Кроме того, согласно данному способу, при обработке полученного изображения также не учитывается статистика распределения интенсивностей по всем трем каналам (RGB-каналам). Как следствие неверно выдается оценочное значение гемоглобина в крови пациента.
Таким образом, задачей, положенной в основу настоящего изобретения, является разработка метода анализа изображений, получаемых в видимом диапазоне спектра с помощью камеры, детектирующей изображение одновременно в трех цветовых каналах в диапазоне от 300 до 700 нм при освещении белым источником освещения, что не требует применения специальных источников излучения и детектирующих устройств, помимо стандартных цветовых камер, таких как, например, камеры мобильных устройств. При этом обеспечивается высокая точность определения гемоглобина в крови пациента.
Раскрытие сущности изобретения
В качестве технического результата, достигаемого за счет использования предложенного изобретения, выступает возможность более точного распознания полученных изображений ногтевых лож пальцев пациента за счет учета распределения интенсивностей света, прошедшего через ткань пациента, с получением цифрового изображения одновременно во всех трех каналах (R-канала, G-канала, и В-канала), используя при этом несколько уровней заданных опорных значений распределения интенсивностей и такой алгоритм машинного обучения, который позволяет наиболее полно учитывать вышеуказанное распределение интенсивностей и более точно предсказывать значение гемоглобина на основании анализа полученных RGB -изображений.
Детектирование производится с помощью камеры в трех цветовых каналах: R-канале (спектральная чувствительность в диапазоне 580-680 нм), G-канале (спектральная чувствительность в диапазоне 480-580 нм), и В-канале (спектральная чувствительность в диапазоне 430-480 нм).
Для достижения технического результата в способе обработки цифровых изображений пальцев руки для колориметрического анализа уровня гемоглобина в крови осуществляют следующую последовательность действий:
1. на цифровом снимке пальцев сегментируют области изображений, на которых располагаются ногтевые ложа пальцев, а также участки кожи, цвет которых изменяется в зависимости от уровня гемоглобина в крови;
2. сегментируют только ту часть изображения ногтевого ложа и участка кожи, в которой распределение интенсивности в различных цветовых каналах является однородным;
3. фильтруют сегментированные области изображения, цветовые характеристики которых изменяются в зависимости от уровня гемоглобина в крови, при этом удаляют области, в которых интенсивности R-, G-, В-каналов имеют нетипичные характеристики для цветовых характеристик кожи и ногтевого ложа путем сравнения средних значений интенсивностей и стандартного отклонения интенсивностей детектированного изображения с опорными значениями;
4. для отфильтрованных областей изображения рассчитывают статистики распределения интенсивностей в R-, G-, В-каналах цифрового изображения: процентилей распределения интенсивностей по уровню 5, 15, 25, 50, 75, 85, 95 среднего значения интенсивности и среднеквадратического отклонения интенсивностей;
5. предсказывают уровень концентрации гемоглобина с помощью модели машинного обучения на основе ансамбля решающих деревьев по данным рассчитанных значений статистик распределения интенсивностей цифрового изображения выделенных областей.
В частных случаях для реализации настоящего изобретения для сегментации области изображений ногтевого ложа и участков кожи пальцев рук в качестве модели машинного обучения используют сверточную нейронную сеть с архитектурой MobileNet-SSD-FPN или YOLOv6.
Кроме того, для предсказания уровня гемоглобина в крови в дополнение к ансамблю решающих деревьев также может быть использована одна из следующих моделей машинного обучения: модели линейной регрессии, нейронные сети, непараметрические методы типа метода ближайших соседей, регрессии на главные компоненты, регрессии на опорных векторах, локально-взвешенной регрессии или совокупность одной или нескольких из данных моделей.
Краткое описание чертежей
Изобретение поясняется иллюстративным материалом.
На фиг. 1 приведена общая схема метода определения концентрации гемоглобина по данным колориметрии.
На фиг. 2 показан пример обнаруженных участков ногтевых пластин на изображении руки.
На фиг. 3 показан пример сегментированных участков ногтевого ложа.
На фиг. 4 приведен пример ансамбля решающих деревьев, которые обеспечивают предсказания уровня гемоглобина.
Осуществление изобретения.
Как показано на схеме (фиг. 1), созданный способ обработки изображений пальцев руки для колориметрического анализа гемоглобина в крови пациента включает в себя следующие этапы:
- получение изображения (подготовительный этап, предшествующий заявленному способу);
- сегментация ногтевых пластин и участков кожи, являющиеся информативными для последующего анализа;
- расчет цветовых характеристик сегментированных областей;
- использование цветовых характеристик в статистической модели;
- прогнозирование содержания гемоглобина на основании анализа указанных цветовых характеристик.
Для получения изображения пальцев руки для последующего колориметрического анализа уровня гемоглобина в его крови ладонь освещают источником белого излучения видимой области спектра.
На первом этапе производится фотография ногтевого ложа диагностируемого пациента в контролируемых условиях освещения так, чтобы ладонь или фаланги пальцев пациента занимали на изображении не менее одной шестой от кадра. Учитывая, что разные участки просвечиваемых ладоней имеют различные оптические характеристики, интенсивность диффузно-отраженного света будет различна в различных участках кожи человека, в частности, интенсивность отраженного от кожи света будет определяться наличием кровеносных сосудов на данном участке, а также цветом крови, определяемом уровнем гемоглобина в крови. Однако не все участки ладони удобны для детектирования гемоглобина в крови пациента за счет наличия других хромофоров в коже человека (в первую очередь меланина). Наиболее предпочтительными участками для детектирования гемоглобина являются ногтевые ложа пальцев, а также участки кожи, находящиеся на удалении 1-2 см от ногтевого ложа (для учета возможного уровня меланина в модели). Для выделения указанных участков на изображении необходимо применять методы сегментации.
Для сегментации ногтевых областей на изображениях используют модель машинного обучения, детектирующую участки ногтевого ложа на изображении с использованием сверточной нейронной сети. Наиболее предпочтительной нейронной сетью является сеть с архитектурой MobileNet-SSD-FPN или YOLO, каждая из которых обладает высокой производительностью и сравнительно малым количеством весов, необходимым для детектирования объектов. Используемая модель должна быть предварительно обучена на датасете изображений ногтей рук. Результатом предсказания модели являются координаты прямоугольников на изображении, в которых наиболее вероятно расположение ногтевой пластины. В проведенных экспериментах была использована модель, обученная на датасете из более 1000 изображений ладоней, демонстрирующая высокие показатели точности на тестовом наборе данных - для 174 объектов (ногтевых пластин) на изображениях рук для 44 добровольцев, модель успешно обнаружила 172 объекта. Таким образом, вероятность корректного обнаружения ногтевой пластины на изображении составляла 98,8% (95% доверительный интервал [95,9; 99,8]%).
В ряде случаев указанная сегментация может быть произведена оператором вручную путем задания координат ногтевого ложа или тех участков пальцев, которые являются информативными для колориметрического анализа. Так, например, могут быть заданы координаты центра исследуемой области, радиус или диаметр данной области, и при необходимости коэффициент овальности выбранной области, чтобы более правильно аппроксимировать реальное изображение ногтевого ложа.
Примеры сегментированых участков ногтевого ложа представлены на фиг. 2. Аналогичным образом сегментируются участки кожи на фалангах пальцев - сегментирование может быть произведено с помощью отдельной модели, или используя предсказания, полученные для ногтевого ложа, путем сдвига координат предсказанных областей на необходимое число пикселей на изображении.
После сегментации на изображении внутренняя область сегментированных ногтевых пластин вырезается для последующего анализа. Цветовые характеристики сегментированных участков изображения кожи и ногтевых пластин фильтруются путем сравнения интенсивностей детектированного изображения с опорными значениями если полученные при помощи оптического детектора значения интенсивности прошедшего через ткань света не лежат в указанном диапазоне опорных значений, они удаляются из общей базы данных и не участвуют в дальнейших этапах предсказания уровня гемоглобина.
На фиг. 3 приведены увеличенные вырезанные изображения сегментированных участков ногтевого ложа. После процедуры фильтрации для отобранных изображений участков ногтевого ложа и кожи руки рассчитываются цветовые характеристики указанных областей средние значения, значения процентилей распределений интенсивностей и стандартные отклонения значений интенсивностей в R-, G- и В-каналах.
Средние значения распределения интенсивности для каждого из каналов могут быть определены по формулам:
, где IRi - это зарегистрированное значение интенсивности в R (красном)-канале в каждом из пикселей, принадлежащей вырезанной сегментированной области, n - общее количество пикселей, принадлежащих данной области.
, где IGi - это зарегистрированное значение интенсивности в G (зеленом)-канале в каждом из пикселей, принадлежащей вырезанной сегментированной области, n - общее количество пикселей, принадлежащих данной области.
, где IBi - это зарегистрированное значение интенсивности в В (синем)-канале в каждом из пикселей, принадлежащей вырезанной сегментированной области, n - общее количество пикселей, принадлежащих данной области.
Среднеквадратичные значения интенсивностей определяются по следующим формулам:
где IRi - это зарегистрированное значение интенсивности в R(красном)-канале в каждом из пикселей, принадлежащей вырезанной сегментированной области, - среднее значение (мат.ожидание) интенсивности в R-канале, n - общее количество пикселей, принадлежащих данной области.
, где IGi - это зарегистрированное значение интенсивности в G(красном)-канале в каждом из пикселей, принадлежащей вырезанной сегментированной области, - среднее значение (мат.ожидание) интенсивности в G-канале, n - общее количество пикселей, принадлежащих данной области.
где IBi - это зарегистрированное значение интенсивности в В (красном)-канале в каждом из пикселей, принадлежащей вырезанной сегментированной области, - среднее значение (мат.ожидание) интенсивности в В-канале, n - общее количество пикселей, принадлежащих данной области.
В дополнение к средним значениям и стандартным отклонениям интенсивностей в R-, G-, В-каналах сегментированного изображения, для изображений также определяют процентили распределения интенсивностей в указанных каналах по семи уровням: 5, 15, 25, 50, 75, 85, 95. Полученные процентили распределения интенсивности связаны с действительным уровнем гемоглобина в крови пациента и также используются в качестве входных данных, поданных в модель машинного обучения, предсказывающую уровень гемоглобина в крови пациента по данным оптического отклика.
Для того, чтобы в вырезанном сегментированном цифровом изображении наиболее точно по трем каналам (R-, G-, В- каналах) определить статистики распределения средних значений интенсивностей и их среднеквадратичных отклонений устанавливают процентили распределения интенсивностей по семи уровням: 5, 15, 25, 50, 75, 85, 95 и определяют, какое количество пикселей на вырезанном сегментированном изображении не превысит с заданной вероятностью, например 95%, вышеуказанные значения процентилей одновременно по всем трем каналам. Полученные значения связаны с действительным уровнем гемоглобина в крови пациента и могут быть использованы в качестве входных данных, поданных в модель машинного обучения, которая позволяет интерпретировать результаты колометрического агнализа. Так например, три малых значения процентилей (5, 15 и 25) позволяют с высокой вероятностью отследить малые значения интенсивности детектируемого света и в процессе последующей машинной обработки выявить значения гемоглобина в диапазоне от 160 до 200 г/л, а три больших значения процентилей (75, 85, 95) позволят детектировать высокие значения интенсивности детектируемого света и в процессе последующей машинной обработки выявить значения гемоглобина в диапазоне от 60 до 120 г/л. В том случае, если в крови содержится средний уровень гемоглобина (от 120 до 160 г/л), то более точную статистику позволит получить среднее значение процентиля по уровню 50.
Само по себе определение распределения параметров интенсивности оптического излучения, отраженного от ткани информативного участка ладони хотя и является необходимой операцией для осуществления заявленного способа, не является его конечной операцией. Для того чтобы обеспечить высокую точность интерпретации информации, приведенной на изображении пальцев пациента, нужно подобрать тот метод машинного обучения, который обеспечит заданную точность восстановления концентрации гемоглобина из заданных величин оптического отклика. Экспериментально было установлено, что использование модели машинного обучения на основе ансамбля решающих деревьев для обработки значений статистик распределения интенсивностей цифрового изображения выделенных областей ладони обеспечит наибольшую точность определения гемоглобина. Наилучшую точность в проведенных экспериментах показали ансамбли решающих деревьев (см. фиг. 4), построенные по методу градиентного бустинга или случайного леса. Помимо высокой точности предсказания модели на основе решающих деревьев также обладают высокой скоростью обработки входных предикторов и не требуют существенных затрат вычислительных ресурсов.
Для дополнительного повышения точности обработки изображений пальцев ладони, по которым судят о значении гемоглобина, в дополнение к ансамблю решающих деревьев могут быть использованы и иные модели статистического обучения, например, модели линейной регрессии, нейронные сети, не параметрические методы, в частности метод ближайших соседей, регрессии на главные компоненты, регрессии на опорных векторах, локально-взвешенной регрессии или совокупность одной или нескольких из данных моделей.
Таким образом, за счет использования предложенного способа обработки цифровых изображений пальцев руки обеспечивается существенное повышение точности определения уровня гемоглобина в крови, используя неинвазивный колориметрический метод диагностики.
Claims (9)
1. Способ обработки цифровых изображений пальцев руки для колориметрического анализа уровня гемоглобина в крови, включающий следующие шаги:
- на цифровом снимке пальцев сегментируют области изображений, на которых располагаются ногтевые ложа пальцев, а также участки кожи, цвет которых изменяется в зависимости от уровня гемоглобина крови;
- при этом сегментируют часть изображения ногтевого ложа и участка кожи, в которой распределение интенсивности в различных цветовых каналах является однородным;
- фильтруют сегментированные области изображения, цветовые характеристики которых изменяются в зависимости от уровня гемоглобина в крови;
- при этом удаляют области, в которых интенсивности R-, G-, B-каналов имеют нетипичные характеристики для цветовых характеристик кожи и ногтевого ложа путем сравнения средних значений интенсивностей и стандартного отклонения интенсивностей детектированного изображения с опорными значениями;
- для отфильтрованных областей изображения рассчитывают статистики распределения интенсивностей одновременно в R-, G-, B-каналах цифрового изображения: процентилей распределения интенсивностей по уровню 5, 15, 25, 50, 75, 85, 95 среднего значения интенсивности и среднеквадратического отклонения интенсивностей;
- предсказывают уровень концентрации гемоглобина с помощью модели машинного обучения на основе ансамбля решающих деревьев по данным рассчитанных значений статистик распределения интенсивностей цифрового изображения выделенных областей.
2. Способ по п. 1, отличающийся тем, что для сегментации области изображений ногтевого ложа и участков кожи пальцев рук используют модель машинного обучения, в качестве которой используют сверточную нейронную сеть с архитектурой MobileNet-SSD-FPN или YOLOv6.
3. Способ по п. 1, отличающийся тем, что для предсказания уровня гемоглобина в крови в дополнение к ансамблю решающих деревьев также используют одну из следующих моделей машинного обучения: модели линейной регрессии, нейронные сети, непараметрические методы, в частности метод ближайших соседей, регрессии на главные компоненты, регрессии на опорных векторах, локально-взвешенной регрессии или совокупность одной или нескольких из данных моделей.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2822860C1 true RU2822860C1 (ru) | 2024-07-15 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2655518C2 (ru) * | 2013-02-13 | 2018-05-28 | Леман Майкро Дивайсиз Са | Неинвазивный анализ крови |
| US10092226B2 (en) * | 2011-12-23 | 2018-10-09 | General Electric Company | Method, arrangement, sensor, and computer program product for non-invasively measuring hemoglobin concentrations in blood |
| US20210007648A1 (en) * | 2018-03-05 | 2021-01-14 | Marquette University | Method and Apparatus for Non-Invasive Hemoglobin Level Prediction |
| US20210113121A1 (en) * | 2019-08-27 | 2021-04-22 | Cercacor Laboratories, Inc. | Non-invasive medical monitoring device for blood analyte measurements |
| CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10092226B2 (en) * | 2011-12-23 | 2018-10-09 | General Electric Company | Method, arrangement, sensor, and computer program product for non-invasively measuring hemoglobin concentrations in blood |
| RU2655518C2 (ru) * | 2013-02-13 | 2018-05-28 | Леман Майкро Дивайсиз Са | Неинвазивный анализ крови |
| US20210007648A1 (en) * | 2018-03-05 | 2021-01-14 | Marquette University | Method and Apparatus for Non-Invasive Hemoglobin Level Prediction |
| US20210113121A1 (en) * | 2019-08-27 | 2021-04-22 | Cercacor Laboratories, Inc. | Non-invasive medical monitoring device for blood analyte measurements |
| CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| Soumil Chugh, Non Invasive Hemoglobin Monitoring Device, Conference: IEEE ICCC 2015 At: Kerala, November 2015, DOI:10.1109/ICCC.2015.7432925. * |
| Yoon, G., Kim, S.J., Jeon, K.J. Robust design of finger probe in non-invasive total haemoglobin monitor. Med. Biol. Eng. Comput. 43, 121-125 (2005). https://doi.org/10.1007/BF02345132. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10285624B2 (en) | Systems, devices, and methods for estimating bilirubin levels | |
| JP6545658B2 (ja) | ビリルビンレベルを推定すること | |
| JP4487535B2 (ja) | 健康度測定システムおよびプログラム | |
| JP2015500722A (ja) | 皮膚ゾーンにおける皮膚症状を検出して数量化する方法および装置 | |
| CN106778695A (zh) | 一种基于视频的多人快速心率检测方法 | |
| Ghosal et al. | sHEMO: Smartphone spectroscopy for blood hemoglobin level monitoring in smart anemia-care | |
| KR20160115501A (ko) | 생체 정보 획득 방법 및 이를 위한 장치 | |
| US20220133215A1 (en) | Method for evaluating skin lesions using artificial intelligence | |
| Appiahene et al. | Detection of anemia using conjunctiva images: A smartphone application approach | |
| CN116849612B (zh) | 一种多光谱舌象图像采集分析系统 | |
| Hasan et al. | RGB pixel analysis of fingertip video image captured from sickle cell patient with low and high level of hemoglobin | |
| JP3548473B2 (ja) | 眼底画像の動静脈識別方法、記録媒体及び装置 | |
| CN112334990A (zh) | 自动宫颈癌诊断系统 | |
| US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
| US11690543B2 (en) | System and method for camera-based quantification of blood biomarkers | |
| Das et al. | Non-invasive haemoglobin estimation by observing nail color: A pca based approach | |
| KR102493242B1 (ko) | 인공지능 학습을 통해 광용적맥파로부터 대동맥판막협착증 및 기타 심혈관 질환 위험도를 판단하는 방법 및 시스템 | |
| RU2822860C1 (ru) | Способ обработки цифровых изображений пальцев руки для колориметрического анализа уровня гемоглобина в крови | |
| KR102333120B1 (ko) | 자가 두피 진단 시스템 및 방법 | |
| KR102595429B1 (ko) | 장 정결도의 자동화 계산 장치 및 방법 | |
| Seetah et al. | A convolutional neural network approach to diabetic retinopathy detection and its automated classification | |
| US20230284940A1 (en) | System and method for camera-based quantification of blood biomarkers | |
| JP2005345310A (ja) | 血液健康支援システム | |
| Ahmed et al. | Automatic Region of Interest Extraction from Finger Nail Images for Measuring Blood Hemoglobin Level | |
| RU2817636C1 (ru) | Способ автоматизированной дистанционной диагностики новообразования кожи |