[发明专利]一种基于深度互学习的眼底照分类系统

说明书

本发明公开了一种基于深度互学习的眼底照分类系统。本发明融合了Ganomaly和FastFlow两种异常检测算法，构建了一个对多种眼部疾病都具有适应性和鲁棒性的检测模型，有效解决了实际应用中因缺乏某种疾病的异常样本而无法利用人工智能对该该疾病进行智能诊断的问题，提高了疾病检测模型的普适性和准确性，节省了医生的宝贵时间，提高了患者的诊断效率。另外，这一检测方法可以应用于眼底照相机，该设备在眼部疾病初筛阶段发挥极大的作用，用轻微的成本去解决因为医疗资源不足、有经验的医生稀缺等客观原因导致的患者早期眼部疾病难以被发现等问题，真正帮助社区等基层医院实现早发现、早送诊、早治疗，避免患者发生因为发现太晚延误治疗而致盲的悲剧。

技术领域

本发明属于深度学习领域，尤其涉及一种基于深度互学习的眼底照分类系统。

背景技术

2020年的相关数据显示在中国眼科医院卫生技术人员中，执业医师有36115人；注册护士有30273人；药师有2587人；技师有2580人。而在2020年，中国人口总数为141178万人，大约4万中国人才能得到1位执业医师的救治。由此可见，如何使用有限的医疗资源更好地服务庞大的患者群体是一个非常有意义的问题。

再者，人工诊断效率低下：一个眼科医生判读一张影像需要将近1分钟，而AI 1秒钟可以处理10张。相较于传统模式，AI可以将筛查成本从50元降低到4元每人次。此外人工诊断还会由于医生的主观原因、经验不足等导致诊断错误。

近年来，基于人工智能(AI)，尤其是深度神经网络(DNN)的疾病诊断技术发展迅速。在医学研究领域，多项研究利用了人工智能进行自动诊断，人工智能诊断模型的准确率接近专家。但是在现实生活中，人工智能技术在临床应用还并不广泛。人工智能模型诊断并不是完全可靠的，倘若模型前期没有收集到足够的疾病类型及信息，那么将会导致模型对疾病的漏判、误判。

因此，需要采用智能诊断和人工诊断相结合的方式来兼顾诊断效率及诊断可靠性。在每位患者就诊期间，模型会对其眼底照进行初步判断，根据相关算法判别该眼底照是否异常。倘若眼底照被判别为异常，则医生会对患者的病理照片仔细分析进一步诊断，判别具体的疾病类型及严重程度；倘若眼底照被判别为正常，则无需医生再进行多余的诊断，节约医生的宝贵时间，提高患者的就诊效率。

在眼底疾病这一医疗领域常用的检测方法基本都是针对某一种疾病的，使用的数据量非常大，且在模型的训练阶段都是需要使用包含异常数据的数据集的。而获得大量有标签样本将耗费大量的人力物力,这也导致了开发此类AI诊断系统的昂贵投资。

随着智能检测模型的应用，眼科医生可能会担心人工智能系统的疾病检测范围十分狭窄，只能区分例如糖尿病视网膜病变和正常视网膜，但却无法检测到相对更少见的异常，因为这些异常并没有包括在深度学习系统的训练中。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种基于深度互学习的眼底照分类系统。

为实现上述技术目的，本发明的技术方案为：本发明实施例提出了一种基于深度互学习的眼底照分类系统，所述系统包括：

眼底照检测样本模块，利用收集到的眼底照图像，包含有疾病的眼底照图像以及健康无疾病的眼底照图像两类样本，将样本划分为训练集以及验证集，训练集中只包含健康无疾病样本X_mn∈R^512*，验证集中包含有疾病的眼底照图像样本X_lu∈R^512*以及健康无疾病的眼底照图像样本X_ln∈R^512*，其中n＝1,...,，u＝1,...,，N代表样本个数，512为图片原始像素大小；

图像预处理模块，将眼底照检测样本数据集进行图像预处理，包括调整图片分辨率，将图像统一为256*256像素；对图像进行缩放、将眼底照的视杯、视盘等最具有语义信息的部分调整至最中间的位置，去除原始图像周围的黑色部分；