[发明专利]一种基于深度神经网络的眼底异常预测系统

说明书

本发明涉及医学图像分析领域，具体是一种基于深度神经网络的眼底异常预测系统，包括异常眼底筛查子模型、异常体征识别子模型、眼底疾病诊断子模型、第一分类器、第二分类器、第一特征提取器、第二特征提取器、第三特征提取器、第四特征提取器、第一学习器、第二学习器、第三学习器和第四学习器，该系统通过部分再现视网膜专家的视角，可以有效缓解眼底病检查中医疗资源有限、分配不均的现状，减轻人工检查负担，提高筛查工作的效率和简化工作流程，以期有效控制糖尿病视网膜病变、近视等上述眼病的患病率和致盲率的上升趋势。

技术领域

本发明涉及医学图像分析领域，具体是指一种基于深度神经网络的眼底异常预测系统。

背景技术

目前，利用人工智能技术进行眼底筛查的主要眼科疾病包括糖尿病视网膜病变(DR)、年龄相关性黄斑变性(AMD)和青光眼等，据报道，这些AI算法具有与视网膜专家类似的诊断能力，特别是美国FDA于2018年批准的首个基于人工智能的DR筛查系统IDX-DR的建立，更是人工智能前瞻性评估完成美国监管流程的重要里程碑，然而，目前许多深度学习算法的一个重要限制是它们的二值性，即这些深度模型是基于描述某单一疾病的正常眼底图像和异常图像开发的，然而眼底相关疾病的多样性和转诊的迫切性使得这种针对特定疾病的策略往往并不适合于纳入视网膜筛查计划的异质人群，此外，基于图像的神经网络在识别眼底体征方面的潜在价值必须考虑到它们可能无法检测到临床重大疾病。

另一方面，眼病筛查的准确性取决于对整个眼底的了解程度，包括重要的周边视网膜信息和血管病理信息，然而，到目前为止，大多数研究主要使用传统的眼底成像技术，例如裂隙灯和彩色眼底成像模式，这些传统的成像方式由于其狭窄的视网膜成像视野而导致其不能或只能提供极其有限的周边视网膜信息，这往往会导致临床检查过程中较高漏诊率的出现。

发明内容

基于以上问题，本发明提供了一种基于深度神经网络的眼底异常预测系统及其方法，克服眼底筛查中成像模式视野狭窄和眼底疾病病种单一的不足的问题，通过部分再现视网膜专家的视角，可以对眼底异常进行辅助诊断和数据分析，减轻人工检查负担，提高筛查工作的效率和简化工作流程。

为解决以上技术问题，本发明采用的技术方案如下：

一种基于深度神经网络的眼底异常预测系统，包括

异常眼底筛查子模型，用于判断受试者眼底正常或异常；

异常体征识别子模型，用于预测受试者眼底体征正常或异常，完成异常眼底部位的进一步检测，所述眼底体征异常包括视盘病变、视网膜病变、黄斑病变和玻璃体病变；

眼底疾病诊断子模型，用于预测受试者的眼底是否患有四种潜在的威胁视力的眼底疾病，具体包括视网膜糖尿病病变、近视、视网膜裂孔和视网膜脱落；

第一分类器，异常眼底筛查子模型采用第一分类器作为分类器；

第二分类器，异常体征识别子模型和眼底疾病诊断子模型均采用第二分类器作为分类器；

第一学习器、第二学习器、第三学习器和第四学习器，其中，第一学习器采用DenseNet201作为第一特征提取器，第二学习器采用InceptionV3作为第二特征提取器，第三学习器采用IncepResnetV2作为第三特征提取器，第四学习器采用Xception作为第四特征提取器，第一学习器由第一特征提取器和第一分类器串联组成，所述异常眼底筛查子模型采用第一学习器建立模型，所述异常体征识别子模型和眼底疾病诊断子模型均采用第二特征提取器、第三特征提取器、第四特征提取器和第二分类器串联的结合方式分别建立第二学习器、第三学习器、第四学习器，并进行独立且并行地训练。。