[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

说明书

本发明涉及人工智能，提供了一种基于OCT的视网膜分类方法、装置、计算机设备及存储介质，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；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；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。本发明还涉及区块链技术，所述数据特征可存储于区块链中。本发明可以提高GCC参数归类识别的准确性。

技术领域

本发明涉及人工智能，尤其涉及一种基于OCT的视网膜分类方法、装置、计算机设备及存储介质。

背景技术

目前，眼科疾病患者的常规检查主要是基于光学相干断层扫描仪(OCT)，该设备可以安全的、非接触的获得检查者的眼底视网膜黄斑区GCC的参数值，通过对GCC的参数值进行识别归类，有助于医生结合归类对视网膜进行诊断，提高诊断效率及准确性，但传统针对GCC的参数值进行识别归类的方式，主要是通过深度神经网络模型进行识别归类，而深度神经网络模型所提取的特征与医生诊断逻辑之间存在一定差异，导致深度神经网络模型识别归类的准确性不高，从而影响医生诊断的准确性，降低医生的工作效率。

发明内容

本发明实施例提供一种基于OCT的视网膜分类方法、装置、计算机设备及存储介质，以解决传统针对GCC参数进行识别归类的方法准确性不高，影响目标用户诊断的准确性以及降低工作效率的问题。

一种基于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。

一种基于OCT的视网膜分类装置，包括：

第一获取模块，用于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；

构建模块，用于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；

第二获取模块，用于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；

特征提取模块，用于对所述待识别的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；

分类模块，用于将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。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于OCT的视网膜分类方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于OCT的视网膜分类方法的步骤。