[发明专利]一种圆锥角膜分级检测装置

权利要求书

1.一种圆锥角膜分级检测装置，其特征在于：包括：

图像基分类器：对获取的角膜地形图进行分析，获取所述角膜地形图的局部特征和全局特征，并且对局部特征和全局特征进行融合，将其融合结果进行分类得到基于角膜地形图的预测分类结果；

数据基分类器：对获取的需检测人的临床特征进行分析，通过对临床特征进行筛选并分类，得到基于临床特征的预测分类结果；

融合模块：将所述图像基分类器和数据基分类器得到的基于角膜地形图的预测分类结果和基于临床特征的预测分类结果通过预设的blending策略融合单元进行融合处理，得到需检测人的圆锥角膜的最终分类结果。

2.根据权利要求1所述的一种圆锥角膜分级检测装置，其特征在于：所述图像基分类器包括局部特征提取模块，所述局部特征提取模块以ResNet18残差网络作为骨干网络，通过ResNet18残差网络中的残差块对角膜地形图的图像局部特征进行提取。

3.根据权利要求2所述的一种圆锥角膜分级检测装置，其特征在于：所述图像基分类器还包括：

全局特征提取模块，与骨干网络并行放置，以获取具有长范围依赖关系的全局信息，根据获取的全局信息得到所述角膜地形图的全局特征；

特征融合模块，用于将提取到的角膜地形图局部特征和角膜地形图全局特征进行交互和融合。

4.根据权利要求3所述的一种圆锥角膜分级检测装置，其特征在于：所述全局特征提取模块的结构为短路机制结构，同时在短路机制结构中加入自注意力机制网络单元，以获取全局特征。

5.根据权利要求4所述的一种圆锥角膜分级检测装置，其特征在于：所述自注意力机制网络单元包括：

输入子单元：将原始输入特征图F的1×1卷积运算作为分支Q:Query、K:Key和V:Value值的权值；

计算子单元：计算Q和K之间的相似矩阵E，在V和E的转置之间做一个矩阵乘法，得到空间响应FT；

输出子单元：对原始输入特征F与空间响应FT进行元素级求和，得到最终的空间注意输出Ff。

6.根据权利要求3所述的一种圆锥角膜分级检测装置，其特征在于：所述特征融合模块用于融合局部特征提取模块提取的局部特征和全局特征提取模块提取的全局特征，并且从融合的第二层开始也将上一层的特征融合模块进行交互融合。

7.根据权利要求6所述的一种圆锥角膜分级检测装置，其特征在于：所述特征融合模块包括：

拼接交互单元：将ResNet18残差网络的残差块提取的局部特征和全局特征提取模块提取的全局特征以及上一层特征融合模块输出的特征进行拼接，然后通过1×1卷积进行特征交互；

通道注意力计算单元：计算经过拼接交互后图像的通道注意力，通道注意力使用全局平均池化的特性得到通道间的关系。

空间注意力计算单元：空间注意力计算模块在得到通道间关系的基础上，寻找图上哪个位置信息聚集最多，并生成特征间的空间关系图。

权重计算单元：通过通道权重相乘操作来将权重加权到图像的各个通道和空间的特征上。

8.根据权利要求1所述的一种圆锥角膜分级检测装置，其特征在于：所述数据基分类器的学习模型为梯度提升决策树模型，并使用方差分析进行特征筛选。

9.根据权利要求1所述的一种圆锥角膜分级检测装置，其特征在于：还包括blending策略训练模块，具体包括：

数据划分单元：将训练集划分为训练集1和训练集2；

基分类器训练单元：利用训练集1中的数据对基于角膜地形图的图像基分类器和基于临床指标的数据基分类器进行训练；

基分类器预测单元：利用训练后的基于角膜地形图的图像基分类器和基于临床指标的数据基分类器对训练集2中的数据进行预测；

融合模型训练单元：将图像基分类器和数据基分类器对训练集2预测后的结果进行拼接作为第二层模型的特征训练集，对第二层的融合模型进行训练得到训练后的融合模型。

10.根据权利要求1所述的一种圆锥角膜分级检测装置，其特征在于：所述融合模块的模型为分布式梯度提升树模型。