[发明专利]基于OCT的视网膜分类方法、装置、计算机设备及存储介质

权利要求书

1.一种基于OCT的视网膜分类方法，其特征在于，所述基于OCT的视网膜分类方法包括：

从预设数据库中获取样本数据集，其中，所述样本数据集由q个训练样本构成，所述训练样本为GCC参数，q为大于1的正整数；

针对所述样本数据集中的训练样本，使用随机森林算法进行决策树构建，得到视网膜分类模型；

从预设用户库中获取用户经过OCT扫描得到的待识别的GCC参数；

对所述待识别的GCC参数进行特征提取，得到y个数据特征，其中，y为大于1的正整数；

将y个所述数据特征导入到所述视网膜分类模型中进行分类，输出所述待识别的GCC参数对应的分类结果。

2.如权利要求1所述的基于OCT的视网膜分类方法，其特征在于，所述训练样本包含所述分类特征，所述针对所述样本数据集中的训练样本，使用随机森林算法进行决策树构建，得到视网膜分类模型的步骤包括：

使用随机抽样的方式从所述样本数据集中抽取所述训练样本，构建K个子训练集，其中K为大于1的正整数；

针对每个所述子训练集，按照如下公式计算每个所述分类特征的信息熵：

H(X)＝-∑p(x_i)log(2,p(x_i))

其中，X为所述分类特征，H(X)为所述分类特征的信息熵，i＝1,2,...,n，x_i为第i个所述分类特征，p(x_i)为第i个所述分类特征的特征值概率；

根据所述信息熵，按照如下公式计算每个所述分类特征的信息增益：

gain＝H(c)-H(c|X)

其中，gain为所述分类特征的信息增益，H(c)为按照分类特征X进行分裂之前的信息熵，H(c|X)为按照所述分类特征X分裂之后的信息熵；

根据所述信息增益，按照如下公式计算每个所述分类特征的信息增益比：

其中，IntI为分类特征的惩罚因子，D为所述样本数据集中训练样本的总量，W_X为分类特征的训练样本数量，gr为所述分类特征的信息增益比；

选取最大的信息增益比对应的分类特征作为分裂节点，将其他信息增益比对应的分类特征作为待分裂节点，采用所述分裂节点进行分裂；

针对所述待分裂节点对应的分类特征，返回所述针对每个所述子训练集，按照如下公式计算每个所述分类特征的信息熵的步骤继续执行，直到所有所述分类特征均作为所述分裂节点完成分裂为止，得到K棵决策树；

根据所述K棵决策树构造随机森林，得到视网膜分类模型。

3.如权利要求2所述的基于OCT的视网膜分类方法，其特征在于，所述选取最大的信息增益比对应的分类特征作为分裂节点，将其他信息增益比对应的分类特征作为待分裂节点，采用所述分裂节点进行分裂进行分裂的步骤包括：

选取最大的信息增益比对应的分类特征作为分裂节点，将其他信息增益比对应的分类特征作为待分裂节点；

利用基尼指数公式计算所述分裂节点的基尼指数；

将所述基尼指数与预设指数进行比较，并根据比较结果进行分裂。

4.如权利要求3所述的基于OCT的视网膜分类方法，其特征在于，所述将所述基尼指数与预设指数进行比较，并根据比较结果确定所述决策树的步骤包括：

将所述基尼指数与预设指数进行比较；

若所述基尼指数小于等于预设指数，则不在进行分裂；

若所述基尼指数大于预设指数，则利用预设分类条件对所述分裂节点进行分裂，直到达到预设截止条件为止，停止分裂。