一种基于深度学习的眼科超声自动筛查方法及系统技术方案

本发明专利技术公开了一种基于深度学习的眼科超声自动筛查方法及系统，该方法包括：模型训练阶段：收集历史眼科超声图片和视频，对其进行训练得到分割模型和分类模型；检测阶段：S1、获取待检测的眼科超声图像；S2、利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割，并利用分类模型对分割后的眼科超声图像进行识别，识别得到病灶类别，同时提示病灶位置；S3、根据所识别病灶评估相应风险评级；S4、根据风险等级，进行下一步诊疗提示。本发明专利技术可以减少医生工作量，提高疾病的及时诊断率，同时因为可以显示出具体的病灶位置，可用于对新手医生进行辅助培训。

【技术实现步骤摘要】
一种基于深度学习的眼科超声自动筛查方法及系统
本专利技术涉及医疗技术辅助领域，尤其涉及一种基于深度学习的眼科超声自动筛查方法及系统。
技术介绍
超声诊断是利用超声的物理特性即声波的反射特性,应用于对人体器官组织病理变化的一种有效手段,通过对人体器官组织的成像从而对检测部位做出评价，具有无创、无痛、方便、直观的优点。眼科超声检查几乎成为屈光间质混浊后唯一可以显示眼内疾病的诊疗手段，在眼科临床辅助检查中具有无法替代的重要作用。早期诊断白内障等易致盲疾病有助于减少可预防的视力损失。在国际上和中国等医疗资源缺乏的地方，仍然存在着巨大的筛查负担，一种高效的自动筛查系统将有助于解决未得到满足的筛查需求。然而超声医生检查技术水平的差异，医生数量的缺乏以及高强度的检查工作，容易造成医生的视觉疲劳，急性病症的延迟诊断，以及疾病的低准确率。同时，研究发现高水平的超声医生与疾病的高准确率息息相关。因此，那些在紧急情况下使用超声波的人应该接受培训，以达到适当的水平，从而避免在诊断中出现严重错误。然而各国之间的超声培训标准并不统一。在低收入的发展中国家，甚至无法本文档来自技高网...

【技术保护点】
1.一种基于深度学习的眼科超声自动筛查方法，其特征在于，该方法包括以下步骤：/n模型训练阶段：/n收集历史眼科超声图片和视频，对其进行训练得到分割模型和分类模型；/n检测阶段：/nS1、获取待检测的眼科超声图像；/nS2、利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割，并利用分类模型对分割后的眼科超声图像进行识别，识别得到病灶类别，同时提示病灶位置；/nS3、根据所识别病灶评估相应风险评级；/nS4、根据风险等级，进行下一步诊疗提示。/n

【技术特征摘要】
1.一种基于深度学习的眼科超声自动筛查方法，其特征在于，该方法包括以下步骤：
模型训练阶段：
收集历史眼科超声图片和视频，对其进行训练得到分割模型和分类模型；
检测阶段：
S1、获取待检测的眼科超声图像；
S2、利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割，并利用分类模型对分割后的眼科超声图像进行识别，识别得到病灶类别，同时提示病灶位置；
S3、根据所识别病灶评估相应风险评级；
S4、根据风险等级，进行下一步诊疗提示。


2.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法，其特征在于，步骤S2中，所述的分割模型包括U-net,U-net++，Mask-RCNN等。


3.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法，其特征在于，步骤S2中，所述的分类模型包括Resnet，Resnext等。


4.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法，其特征在于，步骤S2中，所述的显示病灶位置的方法具体为：
通过类激活映射图CAMs对病灶位置进行显示，预测病灶的置信度与类激活映射图CAMs的颜色深度呈正相关。


5.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法，其特征在于，步骤S3中，所述的风险等级为：1级，视网膜脱离；2级，玻璃体出血；3级，玻璃体脱离；4级，其它；5级，正常。


6.根据权利要求5所述的基于深度学习的眼科超声自动筛查方法，其特征在于，步骤S4中，所述的下一步诊疗提示为：1、2和3级，医生进行进一步诊断治疗；4级，观察；5级，无需进一步干预。


7.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法，其特征在于，该方法中对分割模型进行训练的方法为：
通过收集历史眼科超声图片和视频，使用标图软件对眼球进行标注，给与标签，用于训练模型分割眼球范围。


8.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法，其特征在于，该方法中对分类模型进行训练的方法为：<...

【专利技术属性】
技术研发人员：杨燕宁，陈弟，胡珊，周奕文，于薏，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42