[發(fā)明專利]一種面向慢性病輔助診斷的眼科AI生物特征參數(shù)提取算法

在審

• 申請?zhí)枺?/td>: 202010493990.2
• 申請日: 2020-06-03
• 公開（公告）號: CN111785354A
• 公開（公告）日: 2020-10-16
• 發(fā)明（設計）人: 謝林春;楊建龍;趙一天;蘇攀;楊燕鶴;胡衍;岳星宇;劉江
• 申請（專利權）人: 中國科學院寧波工業(yè)技術研究院慈溪生物醫(yī)學工程研究所;中國科學院寧波材料技術與工程研究所
• 主分類號: G16H30/20
• 分類號: G16H30/20;G16H50/20;G06N3/04;G06N3/08;G06T7/00;G06T7/11;G06T7/136;G06T7/62
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 裴金華

本發(fā)明提供一種面向慢性病輔助診斷的眼科AI生物特征參數(shù)提取算法，屬于眼科AI算法技術領域。該面向慢性病輔助診斷的眼科AI生物特征參數(shù)提取算法包括如下步驟：S1：建立M?Net卷積神經(jīng)網(wǎng)絡模型；S2：M?Net卷積神經(jīng)網(wǎng)絡模型對眼科數(shù)據(jù)進行標記分割為多個分割數(shù)據(jù)；S3：從分割數(shù)據(jù)中提取用以輔助慢性病診斷的生物特征參數(shù)。本發(fā)明中首先建立M?Net卷積神經(jīng)網(wǎng)絡模型，方便后續(xù)將眼科數(shù)據(jù)分割，接著通過M?Net模型對眼科數(shù)據(jù)進行標記分割為多個分割數(shù)據(jù)，分割精度較高，最后從分割數(shù)據(jù)中提取用以輔助慢性病診斷的生物特征參數(shù)，方便醫(yī)生獲取正常人和患者的這些生物特征參數(shù)上的差異，方便醫(yī)生對病情發(fā)展趨勢和治療效果進行有效的評估。

技術領域

本發(fā)明屬于眼科AI算法技術領域，涉及一種面向慢性病輔助診斷的眼科AI生物特征參數(shù)提取算法。

背景技術

近些年，人類死亡的主要因素由傳染性疾病過渡到慢性非傳染性疾病，其簡稱為慢性病，其簡稱為慢性病，主要包括糖尿病、高血壓、老年癡呆、心血管病、慢性腎臟病等。慢性病不僅危害人體健康，而且對社會和經(jīng)濟也有很大的危害，每年國家都需要花費大量的衛(wèi)生費用于慢性病的診斷及治療。眼底視網(wǎng)膜是全身唯一可在活體直接并集中觀察動脈、靜脈和毛細血管的部位，這些血管可以反映人全身血液循環(huán)的動態(tài)以及健康狀況，視網(wǎng)膜病變是多種慢性病的標志性特征，眼底檢查不僅是檢查人眼疾病的重要方法，更可以作為多種疾病（如各種慢性病等）監(jiān)測的“窗口”，成為早期篩查和精確診斷的標準，眼底檢查成為輔助慢性病精確診斷的一種有效手段。臨床上，越來越多的內分泌科、神經(jīng)內科等科室的醫(yī)生開始借助眼科檢查來提升慢性病診斷的準確性。然而，針對慢性病的眼科檢查剛剛起步，眼科醫(yī)生需輔助內科醫(yī)生解讀病人眼底檢查結果，從而增加很多額外工作量。目前還沒有從通過AI算法從眼科影像中獲取方便診斷用戶慢性病的生物特征參數(shù)。

中國專利CN 109998599A公開了一種基于AI技術的光/聲雙模成像眼底疾病診斷系統(tǒng)，屬于人工智能技術領域。所述診斷系統(tǒng)包括：眼科超聲成像模塊、眼科光學成像模塊、光/聲雙模圖像融合模塊和眼底疾病診斷模塊；眼科超聲成像模塊用于超聲成像獲得眼底圖像；眼科光學成像模塊用于光學成像獲得眼底圖像；光/聲雙模圖像融合模塊，用于融合超聲成像獲得眼底圖像和光學成像獲得眼底圖像；眼底疾病診斷模塊，根據(jù)融合后的圖像，利用人工智能實現(xiàn)眼底疾病的自動診斷。本發(fā)明通過光/聲雙模成像，將光學和超聲成像集成在一臺設備上，根據(jù)融合后的圖像進行診斷，使得獲得的眼底圖像不受屈光間質影響，解決了分辨率有限的問題。上述專利中通過AI技術分析眼底圖像從而診斷眼底疾病，沒有從眼底圖像中獲取生物特征參數(shù)，不能根據(jù)生物特征參數(shù)診斷慢性病。

發(fā)明內容

本發(fā)明針對現(xiàn)有的技術存在的上述問題，提供一種面向慢性病輔助診斷的眼科AI生物特征參數(shù)提取算法，本發(fā)明所要解決的技術問題是：如何提供一種面向慢性病輔助診斷的眼科AI生物特征參數(shù)提取算法。

本發(fā)明的目的可通過下列技術方案來實現(xiàn)：

一種面向慢性病輔助診斷的眼科AI生物特征參數(shù)提取算法，包括如下步驟：

S1：建立M-Net卷積神經(jīng)網(wǎng)絡模型，所述M-Net 卷積神經(jīng)網(wǎng)絡模型包括用以構建圖像金字塔輸入并實現(xiàn)不同層級融合的多尺度輸入層、用以作為主體結構學習豐富的層次表示的U-Net卷積神經(jīng)網(wǎng)絡、用以在早期卷積層支持深層監(jiān)督的側輸出層、用以確保同一圖像上不同標簽特征同時進行分割的多標簽損失函數(shù)；

S2：M-Net卷積神經(jīng)網(wǎng)絡模型對眼科數(shù)據(jù)進行標記分割為多個分割數(shù)據(jù)；

S3：從分割數(shù)據(jù)中提取用以輔助慢性病診斷的生物特征參數(shù)。

優(yōu)選的，所述M-Net卷積神經(jīng)網(wǎng)絡包括編碼器路徑、解碼器路徑，每個所述編碼器路徑在執(zhí)行卷積層時產生編碼器特征圖，所述編碼器路徑利用ReLU激活函數(shù)逐個激活像素，所述解碼器路徑利用卷積層輸出解碼器特征圖。