[發明專利]一種基于深度神經網絡的眼底異常預測系統

在審

• 申請號: 202011532528.5
• 申請日: 2020-12-22
• 公開（公告）號: CN112652392A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 章毅;陳媛媛;張煒;陳怡;王樹斌
• 申請（專利權）人: 成都市愛迦科技有限責任公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/30;G16H50/50;G06K9/00;G06N3/04;G06N3/08;A61B3/12;A61B3/14
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 孟仕杰

本發明涉及醫學圖像分析領域，具體是一種基于深度神經網絡的眼底異常預測系統，包括異常眼底篩查子模型、異常體征識別子模型、眼底疾病診斷子模型、第一分類器、第二分類器、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、第一學習器、第二學習器、第三學習器和第四學習器，該系統通過部分再現視網膜專家的視角，可以有效緩解眼底病檢查中醫療資源有限、分配不均的現狀，減輕人工檢查負擔，提高篩查工作的效率和簡化工作流程，以期有效控制糖尿病視網膜病變、近視等上述眼病的患病率和致盲率的上升趨勢。

技術領域

本發明涉及醫學圖像分析領域，具體是指一種基于深度神經網絡的眼底異常預測系統。

背景技術

目前，利用人工智能技術進行眼底篩查的主要眼科疾病包括糖尿病視網膜病變(DR)、年齡相關性黃斑變性(AMD)和青光眼等，據報道，這些AI算法具有與視網膜專家類似的診斷能力，特別是美國FDA于2018年批準的首個基于人工智能的DR篩查系統IDX-DR的建立，更是人工智能前瞻性評估完成美國監管流程的重要里程碑，然而，目前許多深度學習算法的一個重要限制是它們的二值性，即這些深度模型是基于描述某單一疾病的正常眼底圖像和異常圖像開發的，然而眼底相關疾病的多樣性和轉診的迫切性使得這種針對特定疾病的策略往往并不適合于納入視網膜篩查計劃的異質人群，此外，基于圖像的神經網絡在識別眼底體征方面的潛在價值必須考慮到它們可能無法檢測到臨床重大疾病。

另一方面，眼病篩查的準確性取決于對整個眼底的了解程度，包括重要的周邊視網膜信息和血管病理信息，然而，到目前為止，大多數研究主要使用傳統的眼底成像技術，例如裂隙燈和彩色眼底成像模式，這些傳統的成像方式由于其狹窄的視網膜成像視野而導致其不能或只能提供極其有限的周邊視網膜信息，這往往會導致臨床檢查過程中較高漏診率的出現。

發明內容

基于以上問題，本發明提供了一種基于深度神經網絡的眼底異常預測系統及其方法，克服眼底篩查中成像模式視野狹窄和眼底疾病病種單一的不足的問題，通過部分再現視網膜專家的視角，可以對眼底異常進行輔助診斷和數據分析，減輕人工檢查負擔，提高篩查工作的效率和簡化工作流程。

為解決以上技術問題，本發明采用的技術方案如下：

一種基于深度神經網絡的眼底異常預測系統，包括

異常眼底篩查子模型，用于判斷受試者眼底正常或異常；

異常體征識別子模型，用于預測受試者眼底體征正常或異常，完成異常眼底部位的進一步檢測，所述眼底體征異常包括視盤病變、視網膜病變、黃斑病變和玻璃體病變；

眼底疾病診斷子模型，用于預測受試者的眼底是否患有四種潛在的威脅視力的眼底疾病，具體包括視網膜糖尿病病變、近視、視網膜裂孔和視網膜脫落；

第一分類器，異常眼底篩查子模型采用第一分類器作為分類器；

第二分類器，異常體征識別子模型和眼底疾病診斷子模型均采用第二分類器作為分類器；

第一學習器、第二學習器、第三學習器和第四學習器，其中，第一學習器采用DenseNet201作為第一特征提取器，第二學習器采用InceptionV3作為第二特征提取器，第三學習器采用IncepResnetV2作為第三特征提取器，第四學習器采用Xception作為第四特征提取器，第一學習器由第一特征提取器和第一分類器串聯組成，所述異常眼底篩查子模型采用第一學習器建立模型，所述異常體征識別子模型和眼底疾病診斷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類器串聯的結合方式分別建立第二學習器、第三學習器、第四學習器，并進行獨立且并行地訓練。。