[发明专利]基于跨模态关系推理的眼部检测数据的分类方法及装置

说明书

本申请适用于人工智能技术领域，提供了基于跨模态关系推理的眼部检测数据的分类方法及装置，包括：获取视野VF数据和视盘数据；将VF数据和视盘数据输入已训练的卷积神经网络模型，得到VF数据和视盘数据对应的分类结果，其中，卷积神经网络模型对VF数据和视盘数据的处理过程包括：分别提取VF数据和视盘数据的数据特征，得到VF数据特征和视盘数据特征，对VF数据特征和视盘数据特征进行联合处理，得到VF数据的增强特征和视盘数据的增强特征，将VF数据的增强特征和视盘数据的增强特征进行特征融合，得到融合特征，将融合特征进行分类，得到分类结果。通过上述方法，能够得到更准确的分类结果。

技术领域

本申请属于人工智能技术领域，尤其涉及基于跨模态关系推理的眼部检测数据的分类方法、装置、终端设备及计算机可读存储介质。

背景技术

青光眼是世界范围内首位不可逆性致盲眼病，这是一种异质性疾病，会损害视神经并导致视力丧失。由于青光眼具有不可逆及渐进的视力丧失的特性，因此早期发现和及时治疗青光眼对于预防视野丧失、失明至关重要。

在临床上，医护人员会对病患的眼睛进行结构评估，比如对病患的眼睛进行光学相干断层扫描(Optical Coherence Tomography，OCT)检测。OCT是一种非接触且非侵入性的成像方式，它可以提供各种视网膜结构的客观和定量评估。医护人员通过对OCT检测所呈现的图像(后续简称OCT图数据)进行查阅、分析后，得出诊断结果。考虑到医护人员查阅及分析OCT检测所呈现的图像需要耗费较多的时间，因此，现有方法中，通常结合卷积神经网络(Convolutional neural networks，CNNs)对OCT图数据进行分析，得出是否为青光眼的分类结果，医护人员再将该分类结果与其他数据结合分析，得出诊断结果。但由于青光眼的表现很复杂，因此，上述CNNs输出的分类结果的准确性较低，对医护人员的辅助作用较低，故需要提供一种新的分类结果确定方法。

发明内容

本申请实施例提供了一种基于跨模态关系推理的眼部检测数据的分类方法，可以解决现有的CNNs输出的分类结果的准确性较低的问题。

第一方面，本申请实施例提供了一种基于跨模态关系推理的眼部检测数据的分类方法，包括：

获取视野VF数据和视盘数据；

将所述VF数据和所述视盘数据输入已训练的卷积神经网络模型，得到所述VF数据和所述视盘数据对应的分类结果，其中，所述卷积神经网络模型对所述VF数据和所述视盘数据的处理过程包括：分别提取所述VF数据和所述视盘数据的数据特征，得到VF数据特征和视盘数据特征，对所述VF数据特征和所述视盘数据特征进行联合处理，得到所述VF数据的增强特征和所述视盘数据的增强特征，将所述VF数据的增强特征和所述视盘数据的增强特征进行特征融合，得到融合特征，将所述融合特征进行分类，得到所述分类结果。

第二方面，本申请实施例提供了一种基于跨模态关系推理的眼部检测数据的分类装置，包括：

数据获取单元，用于获取视野VF数据和视盘数据；

分类结果输出单元，用于将所述VF数据和所述视盘数据输入已训练的卷积神经网络模型，得到所述VF数据和所述视盘数据对应的分类结果，其中，所述卷积神经网络模型对所述VF数据和所述视盘数据的处理过程包括：分别提取所述VF数据和所述视盘数据的数据特征，得到VF数据特征和视盘数据特征，对所述VF数据特征和所述视盘数据特征进行联合处理，得到所述VF数据的增强特征和所述视盘数据的增强特征，将所述VF数据的增强特征和所述视盘数据的增强特征进行特征融合，得到融合特征，将所述融合特征进行分类，得到所述分类结果。

第三方面，本申请实施例提供了一种终端设备，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如第一方面所述的方法。