[发明专利]基于时序图像的预测方法及装置

说明书

本发明实施例涉及一种基于时序图像的预测方法及装置。其中，该方法包括：取眼底图像序列，其中，眼底图像序列包括按照时间排序的多张眼底图像；将眼底图像序列输入至预先训练完成的眼底图像预测模型中，以得出预测结果，其中，眼底图像预测模型用于基于眼底图像序列分别对应的图像特征以及时序特征确定预测结果，眼底图像预测模型是根据具备特征值的眼底图像序列的数据集训练得到的。本发明解决了由于相关技术中眼底图像预测网络准确率以及敏感性低，且眼底图像的时序间隔不同，而导致眼底图像结果预测不准确的技术问题。

技术领域

本发明涉及图像识别领域，具体涉及一种基于时序图像的预测 方法及装置。

背景技术

青光眼作为最主要的致盲性不可逆眼科疾病，其发病率在45岁 及以上人群中约为3.5％，预计到2020年全世界有八千万的人口患 有青光眼，而到2040年，由于人口老龄化，预计有一亿一千万人口 患有青光眼。疾病早期发现是医疗诊断中非常重要的一个环节。数 据显示，医院死亡人数中的11％是由于缺乏了及时的诊断与治疗。因 此，对于疾病的筛查与预防工作来说，基于时序信息的未来病情预 测算法显得更为重要。近年来有一些工作对疾病的预测进行了尝试， 但是主要面临了以下三个问题：特征难提取、样本比例不均衡和采 样间隔不固定的问题。

对于疾病预测任务来说，近年来也有许多基于电子病历 (Electronic healthrecords,EHR)信息的疾病预测工作。具体 来说，这些方法共性的采用了卷积神经网络(Convolutional neural network,CNN)用于从电子病历中提取有效信息，例如患者的个人信息和历史医疗记录。这种基于电子病历的医疗预测任务的好处在 于，电子病历中包含着有关患者的大量信息(各类检测结果)，然而 这种大数据量也为此类任务带来了弊端——收到了电子病历冗余 性、高维度及特征不统一等特征的限制，这就造成了它们很难在实际场景中应用，需要大量特定的数据处理及归一化方法。

此外，在自然世界中，患病眼底图像样本与健康眼底图像样本 的比例不平衡，举例来说，青光眼的在45岁以上人群中的发病率为 3.5％，这导致很难训练一个高准确率同时高敏感性的深度网络模型。 该问题现有的解决方法主要为以下三类：基于数据的增强方法，基 于分类器集成的方法和基于分类器门限调整的方法。但是，基于数 据增强的方法同时会带来过拟合问题；基于分类器集成的方法缺少 一种有效的投票机制，来对集成的过程中各个弱分类器的输出结果 进行有效的投票(对于各个弱分类器的结果进行加权及筛选)；基于 分类器门限调整的方法可能会使分类器过多的偏向少数样本所在的 类别，以降低特异性为代价来提高敏感性。

其三，对于患者眼底图像的时序样本的采集，很难去限定患者 的就医时间，患者机动性大，就医间隔可能在几个月到几年之间不 等，因此导致患者的眼底图像的采集的时序间隔不同。以往基于时 序数据进行疾病预测的工作大多用了长短时记忆(Long-shortTerm Memory,LSTM)网络的方法，把患者数据变采样间隔的问题所简化 了，这也就造成了由于医疗时序数据的采样不均匀性所带来的建模 问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于时序图像的预测方法及装置，以 至少解决由于相关技术中眼底图像预测过程中，特征难提取、样本 比例不均衡和采样间隔不固定，而导致眼底图像结果预测不准确的 技术问题。

根据本发明实施例的一个方面，提供了一种获取眼底图像序列， 其中，所述眼底图像序列包括按照时间排序的多张眼底图像；将所 述眼底图像序列输入至预先训练完成的眼底图像预测模型中，以得 出预测结果，其中，所述眼底图像预测模型用于基于所述眼底图像 序列分别对应的图像特征以及时序特征确定预测结果，所述眼底图 像预测模型是根据具备特征值的眼底图像序列的数据集训练得到 的。