[发明专利]一种识别高度近视视网膜病变的人工智能系统

权利要求书

1.一种识别高度近视视网膜病变的人工智能系统，其特征在于，包括：

图像获取模块，用于获取待识别患者的光学相干断层扫描图像和眼底彩照；

第一识别模块，用于将光学相干断层扫描图像输入到高度近视视网膜病变识别模型中，识别所述光学相干断层图像是否出现病变，并得到病变类型结果；

第二识别模块，用于将眼底彩照输入到高度近视视网膜病变分期模型中，判断所述眼底彩照的视网膜病变分期，并得到病变分期判断结果；

报告生成模块，用于根据所述病变类型结果和所述病变分期判断结果，生成诊疗建议报告。

2.根据权利要求1所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，还包括：

病变定位模块，用于根据识别所述光学相干断层图像是否出现病变，当判断存在病变时，定位病变部位并生成可视化类激活图。

3.根据权利要求1所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述高度近视视网膜病变识别模型采用以下步骤进行训练：

将多个高度近视视网膜病变的光学相干断层扫描图像样本作为样本图像集按照视网膜劈裂、黄斑裂孔、视网膜脱离、脉络膜新生血管进行分类；

对分类后的样本图像集进行预处理；

将预处理后的样本图像集输入到卷积神经网络进行深度学习训练，得到基于光学相干断层扫描图像的高度近视视网膜病变识别模型。

4.根据权利要求3所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述对分类后的样本图像集进行预处理，包括：

对分类后的样本图像集进行裁剪处理，裁掉样本图像集的彩照部分；

将裁剪处理后的样本图像集统一大小，并统一为黑底白图。

5.根据权利要求3所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述将预处理后的样本图像集输入到卷积神经网络进行深度学习训练，得到基于光学相干断层扫描图像的高度近视视网膜病变识别模型，包括：

将预处理后的样本图像集分为训练集、验证集、测试集；

对所述训练集进行图像处理，以使训练集数量增量至n倍，n为大于等于2的整数，所述图像处理包括调节对比度和/或亮度和/或图像旋转和/或镜面反转；

采用图像处理后的所述训练集和所述验证集对卷积神经网络分别进行深度学习训练、验证，得到高度近视视网膜病变识别模型，并采用所述测试集对所述高度近视视网膜病变识别模型进行测试评估效果。

6.根据权利要求1所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述高度近视视网膜病变分期模型采用以下步骤训练：

将多个高度近视视网膜病变的眼底彩照样本作为彩照样本集按照预设的诊断标准进行病变分期的分类；

对分类后的彩照样本集进行预处理；

将预处理后的彩照样本集输入到卷积神经网络进行深度学习训练，得到基于眼底彩照的高度近视视网膜病变分期模型。

7.根据权利要求2所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述定位病变部位并生成可视化类激活图，包括：

对高度近视视网膜的光学相干断层扫描图像进行特征提取，并生成特征图；

采用类激活算法计算并定位所述特征图中的病变部位，生成热图；

将特征图与热图进行叠加，生成可视化类激活图。

8.根据权利要求7所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述定位病变部位并生成可视化类激活图，还包括：

当光学相干断层扫描图像包含多种不同的病变类型时，采用不同的标记定位病变部位且分别提供叠加复合热图和每种病变的单独热图。

9.根据权利要求1所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，至少所述获取模块设置在云平台上，所述光学相干断层扫描图像和眼底彩照由用户上传至云平台。

10.根据权利要求3所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述卷积神经网络采用Inception-ResNetV2网络模型。