一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法技术

本发明专利技术公开了一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，包括条件生成网络，用于学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布；性能评价网络，用于评价生成网络的生成结果真实性；预测网络，用于对生成网络的生成结果进行条件判断和眼病预测；门控网络，用于根据真实环境需求，调整生成网络和判别网络之间的博弈平衡。本方法可以根据时间预测未来眼病的发展，可以对多个不同的影响因素进行分解、模拟不同条件下的眼病进展，可以用于临床研究和健康宣教。

A prediction and simulation method of eye diseases under different conditions based on domain knowledge transfer

【技术实现步骤摘要】
一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法
本专利技术涉及一种眼病的预测方法，具体是一种根据不同指标模拟在不同条件下的眼部疾病进展的方法。
技术介绍
眼睛是人获取信息最重要的器官之一，眼部发生不可逆的致盲性疾病，将严重影响患者的生存质量。故对眼部疾病的发生与发展进行预测，不仅能够加强高危人群的健康管理意识、防患于未然，也能指导临床治疗和随访安排。眼部是唯一可以通过设备直接、清晰地观测血管的部位。眼部微血管的健康状态与全身的微血管健康状态密切相关，受全身多项指标的影响。故可以通过结合多项指标，如年龄、血压、血糖、糖化血红蛋白、BMI等与眼底检查来预测眼部血管相关疾病的发生与发展。目前存在的预测方法存在不足，不能在分离多影响因素的条件下直观地展示疾病的发生与发展状态。同时，在进行预测眼部疾病的时候，眼部的结构如神经纤维层厚度、脉络膜厚度都会受年龄和不同疾病的影响而改变，故在分离多影响因素的条件下直观地展示疾病在不同条件下的发生发展状态对于疾病的研究、病人的宣教都很有意义。
技术实现思路
本专利技术的目的是克服现有技术中的不足，提供一种根据不同指标预测和模拟在不同条件下的眼部疾病进展的方法。为实现上述目的，本专利技术所采用的技术方案是：一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，包括：1)条件生成网络：用以学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布；具体方法：将代表不同疾病、不同严重程度、不同影响因素的数值作为不同变量输入网络，形成一个特征向量，条件生成网络根据不同的特征向量做反卷积操作进行上采样，生成一份特征图谱。其训练方式以提高生成的特征图谱与训练时输入的特征图谱的相似程度、欺骗性能评价网络为目的。网络的损失函数为重建损失、对抗损失、交叉熵或平滑的L1损失；2)性能评价网络：用以评价生成网络的生成结果真实性；具体方法：将不同变量输入形成一个张量，将张量做复制填充或加零填充后修改大小，使其与输入图像的大小相同并作为领域知识埋入图像的另一个维度中做特征编码处理，产生输入的特征图谱，通过卷积神经网络对生成的特征图谱和输入的特征图谱进行特征提取，比较特征之间的相似度，如果生成的特征图谱与训练时输入的特征图谱并不相似，则判定条件生成网络生成失败，需要重新训练、重新生成；其训练方式为不断提高评价标准、让生成网络通不过其评价为目的。网络的损失函数为对抗损失、交叉熵或平滑的L1损失；3)预测网络：用以对生成网络的生成结果进行解码，作出特定条件下的眼病预测；具体方法：将特征图谱进行通道分离和解码，将图谱中不同位置的特征分解为代表不同疾病、不同严重程度、不同影响因素的数值和其对应的图片，对结果进行分析展示，比较预测图片与基线图片的像素间差异，在热力图中高亮有差异的部分，作出特定限制条件下的眼病预测；4)门控网络：用以根据真实环境需求，调整生成网络和性能评价网络之间的博弈平衡。具体方法：根据真实环境需求，设置训练生成网络和性能评价网络的占比，由门控网络控制生成网络和性能评价网络的间隔训练次数。本专利技术的有益效果：提供一种根据不同指标模拟在不同条件下的眼部疾病进展的方法，可以根据时间预测未来眼病的发展，可以对多个不同的影响因素进行分解、模拟不同条件下的眼病进展，可以用于临床研究和健康宣教。附图说明图1为本专利技术的结构示意框图。图2条件生成网络、性能评价网络、预测网络、门控网络的结构框图。具体实施方式下面结合附图和具体实施方式对本专利技术作进一步详细说明：如图1所示，一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，包括条件生成网络，用于学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布，其训练方式以提高模仿程度、欺骗判别网络为目的；性能评价网络，用于评价生成网络的生成结果真实性，其训练方式为提高评价标准、让生成网络通不过其评价为目的；预测网络，用于对生成网络的生成结果进行条件判断和眼病预测；门控网络，用于根据真实环境需求，调整生成网络和判别网络之间的博弈平衡。如图2所示，各网络的结构：1)条件生成网络：用以学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布。具体方法：将代表不同疾病、不同严重程度、不同影响因素的数值作为不同变量输入网络，形成一个特征向量，条件生成网络根据不同的特征向量做反卷积操作进行上采样，生成一份特征图谱。其训练方式以提高生成的特征图谱与训练时输入的特征图谱的相似程度、欺骗性能评价网络为目的。网络的损失函数为重建损失、对抗损失、交叉熵或平滑的L1损失；2)性能评价网络：用以评价生成网络的生成结果真实性。具体方法：将不同变量输入形成一个张量，将张量做复制填充或加零填充后修改大小，使其与输入图像的大小相同并作为领域知识埋入图像的另一个维度中做特征编码处理，产生输入的特征图谱，通过卷积神经网络对生成的特征图谱和输入的特征图谱进行特征提取，比较特征之间的相似度，如果生成的特征图谱与训练时输入的特征图谱并不相似，则判定条件生成网络生成失败，需要重新训练、重新生成；其训练方式为不断提高评价标准、让生成网络通不过其评价为目的。网络的损失函数为对抗损失、交叉熵或平滑的L1损失；3)预测网络：用以对生成网络的生成结果进行解码，作出特定条件下的眼病预测；具体方法：将特征图谱进行通道分离和解码，将图谱中不同位置的特征分解为代表不同疾病、不同严重程度、不同影响因素的数值和其对应的图片，对结果进行分析展示，比较预测图片与基线图片的像素间差异，在热力图中高亮有差异的部分，作出特定限制条件下的眼病预测；4)门控网络：用以根据真实环境需求，调整生成网络和性能评价网络之间的博弈平衡。具体方法：根据真实环境需求，设置训练生成网络和性能评价网络的占比，由门控网络控制生成网络和性能评价网络的间隔训练次数。以上所述是本专利技术的优选实施方式而已，当然不能以此来限定本专利技术之权利范围，应当指出，对于本
的普通技术人员来说，对本专利技术的技术方案进行修改或者等同替换，都不脱离本专利技术技术方案的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，其特征在于：包括：条件生成网络、性能评价网络、预测网络、门控网络；条件生成网络：用以学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布；性能评价网络：用以评价生成网络的生成结果真实性；预测网络：用以对生成网络的生成结果进行解码，作出特定条件下的眼病预测；门控网络：用以根据真实环境需求，调整生成网络和性能评价网络之间的博弈平衡；/n条件生成网络的步骤为：将代表不同疾病、不同严重程度、不同影响因素的数值作为不同变量输入网络，形成一个特征向量，条件生成网络根据不同的特征向量做反卷积操作进行上采样，生成一份特征图谱，网络训练的时候以提高生成的特征图谱与训练时输入的特征图谱的相似程度、欺骗性能评价网络为目的，网络的损失函数为重建损失、对抗损失、交叉熵或平滑的L1损失；/n性能评价网络的步骤为：将不同变量输入形成一个张量，将张量做复制填充或加零填充后修改大小，使其与输入图像的大小相同并作为领域知识埋入图像的另一个维度中作为输入的特征图谱，通过卷积神经网络对生成的特征图谱和输入的特征图谱进行特征提取，比较特征之间的相似度，如果生成的特征图谱与训练时输入的特征图谱并不相似，则判定条件生成网络生成失败，需要重新训练、重新生成；网络训练的时候以不断提高评价标准、让生成网络通不过其评价为目的，网络的损失函数为对抗损失、交叉熵或平滑的L1损失；/n预测网络的步骤为：将特征图谱进行通道分离和解码，将图谱中不同位置的特征分解为代表不同疾病、不同严重程度、不同影响因素的数值和其对应的图片，对结果进行分析展示，比较预测图片与基线图片的像素间差异，在热力图中高亮有差异的部分，作出特定限制条件下的眼病预测；/n门控网络的具体步骤为：根据真实环境需求，设置训练生成网络和性能评价网络的占比，由门控网络控制生成网络和性能评价网络的间隔训练次数。/n...

【技术特征摘要】
1.一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，其特征在于：包括：条件生成网络、性能评价网络、预测网络、门控网络；条件生成网络：用以学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布；性能评价网络：用以评价生成网络的生成结果真实性；预测网络：用以对生成网络的生成结果进行解码，作出特定条件下的眼病预测；门控网络：用以根据真实环境需求，调整生成网络和性能评价网络之间的博弈平衡；
条件生成网络的步骤为：将代表不同疾病、不同严重程度、不同影响因素的数值作为不同变量输入网络，形成一个特征向量，条件生成网络根据不同的特征向量做反卷积操作进行上采样，生成一份特征图谱，网络训练的时候以提高生成的特征图谱与训练时输入的特征图谱的相似程度、欺骗性能评价网络为目的，网络的损失函数为重建损失、对抗损失、交叉熵或平滑的L1损失；
性能评价网络的步骤为：将不同变量输入形成一个张量，将张量...

【专利技术属性】
技术研发人员：孟巍，施丹莉，
申请(专利权)人：广州慧视医疗科技有限公司，
类型：发明
国别省市：广东;44