一种识别高度近视视网膜病变的人工智能系统技术方案

本发明专利技术涉及医疗图像处理技术领域，尤其涉及一种识别高度近视视网膜病变的人工智能系统，包括：图像获取模块，用于获取待识别患者的光学相干断层扫描图像和眼底参照；第一识别模块，用于将光学相干断层扫描图像输入到高度近视视网膜病变识别模型中，判断所述光学相干断层图像是否出现病变，并得到病变类型结果；第二识别模块，用于将眼底彩照输入到高度近视视网膜病变分期模型中，判断所述眼底彩照的视网膜病变分期并得到病变分期判断结果；报告生成模块，用于根据病变类型结果和病变分期判断结果，生成诊疗建议报告。本发明专利技术能够快速、有效地识别患者的光学相干断层扫描图像和眼底彩照来进行高度近视视网膜常见病变的识别。

【技术实现步骤摘要】
一种识别高度近视视网膜病变的人工智能系统
本专利技术涉及医疗图像处理
，更具体地，涉及一种识别高度近视视网膜病变的人工智能系统。
技术介绍
目前，针对高度近视视网膜病变的检查过程为：首先眼科医生对患者进行验光及眼轴测量，判断患者是否存在高度近视及相关风险因素，其次再根据患者的光学相干断层扫描图像(OCT图像)分析判定是否存在高度近视相关的视网膜病变(包括视网膜劈裂、黄斑裂孔、视网膜脱离、脉络膜新生血管)。由高度近视视网膜病变的检查过程可见，其主要存在以下的缺点：1.实施大规模人群筛选可能性低：目前我国近视人口众多，医疗资源有限，近视患者高度6亿，其中青少年总体近视率高达55％，是当前近视的主力军，并且在所有近视人群当中高度近视病人约占21％，这类病人容易出现视网膜萎缩、劈裂、黄斑裂孔、视网膜脱离、脉络膜新生血管等并发症，从而造成视力的不可逆性损害，严重影响青壮年人群的生活水平。2.高度近视眼底表现复杂，对检查人员的条件要求高：高度近视病人视网膜萎缩严重，并发症多，对检查医生的临床经验要高，解读高度近视视网膜病变需要眼科医生经过专业的培训和较长时间经验的积累，通常社区医院或者级别较低的综合医院及体检中心不具备专业的眼底病医生，无法对这类病变做全面的检测和评估。3.高度近视患者需要终身随访：高度近视病人根据病情不同，每3-6个月需要进行一次随访观察，然而部分偏远地区和基层医院缺乏有效的医疗资源，患者需于外地综合医院随访，长期反复的奔波会给患者带来较大的负担，容易引起患者依从性降低和失访。r>4.OCT图像(光学相干断层扫描图像)包含更多信息，但影像表现更为复杂：相较于眼底彩照等其他眼底影像学检查，OCT能够显示出更多的病变信息，但图像也更为复杂，对医生的阅片要求也更高，一般的全科医生不具备OCT的阅片能力，而专科医生也需要经过较长时间的培训才能获得较高的读片准确率。于此同时，对于OCT图像的深度学习训练也对相应的人工智能模型提出了更高的要求。综上所述，由于中国高度近视人群庞大的基数和长期随访观察的需要以及基层医疗资源的限制，实施大规模高度近视视网膜病变筛查以及确保高风险病人长期有效的随访工作存在诸多困难和不便，这可能导致部分患者无法在病变早期得到准确的诊断，从而错过了最佳的治疗时机，造成了不可逆性的视力损害，最终为个人、家庭和社会带来了重大的损失。因此，实现快速、有效的高度近视视网膜病变筛查，可帮助医生在疾病早期甚至超早期对病变做出诊断，实现早发现，早诊断，早干预。同时对病人进行长期有效的随访观察，可密切监视此类病变的进展情况，预防可能发生的视力损害。并且目前市面上还没有专门针对OCT图像的深度学习模型，鉴于高度近视OCT图像的复杂性，有必要针对该情况专门训练一款高效的深度学习模型，以便能快速实现大规模人群的筛查。
技术实现思路
本专利技术旨在克服上述现有技术的至少一种不足，提供一种识别高度近视视网膜病变的人工智能系统，用于快速、有效地识别患者的光学相干断层扫描图像和眼底彩照来进行高度近视视网膜常见病变的识别。本专利技术采取的技术方案是，一种识别高度近视视网膜病变的人工智能系统，包括：图像获取模块，用于获取待识别患者的光学相干断层扫描图像和眼底彩照；第一识别模块，用于将光学相干断层扫描图像输入到高度近视视网膜病变识别模型中，识别所述光学相干断层图像是否出现病变，并得到病变类型结果；第二识别模块，用于将眼底彩照输入到高度近视视网膜病变分期模型中，判断所述眼底彩照的视网膜病变分期，并得到病变分期判断结果；报告生成模块，用于根据所述病变类型结果和所述病变分期判断结果，生成诊疗建议报告。本专利技术一种识别高度近视视网膜病变的人工智能系统，通过获取模块获取待识别患者的光学相干断层扫描图像和眼底彩照；并且通过第一图像识别模块将OCT图像输入到高度近视视网膜病变识别模型中，判断OCT图像中是否存在常见病变，并判断常见病变类型包括视网膜劈裂、黄斑裂孔、视网膜脱离和脉络膜新生血管中的一种或多种；通过第二图像识别模块将相对应的眼底彩照输入到高度近视视网膜病变分期模型，判断所输入的眼底彩照的病变分期级别；最后，报告生成模块根据OCT图像高度近视病变类型的识别结果和眼底彩照的分期结果生成对应的诊疗建议报告。本专利技术依靠人工智能深度学习的高度敏感性和准确性，对用户光学相干断层扫描图像进行分析，使得高度近视相关常见视网膜病变(视网膜劈裂、黄斑裂孔、视网膜脱离、脉络膜新生血管)的早期筛查更加准确、更智能、更便携，有利于提高筛查的效率，可帮助医生在疾病早期甚至超早期对病变做出诊断，实现早发现、早诊断、早干预，减少其导致人群视力造成不可逆的损害。除此之外，本专利技术通过将OCT图像输入到高度近视视网膜识别模型中，判断是否存在四种常见的病变类型中的一种或多种，并且四种病变类型有着不同的风险等级：视网膜劈裂为中风险，黄斑裂孔与脉络膜新生血管为高风险，视网膜脱离为危急风险；通过将眼底彩照输入到高度近视视网膜分期模型中，按照国际公认的分期标准判断眼底彩照的分期结果，分期越高代表病情越重。综合OCT图像病变类型对应的风险等级和眼底彩照的分期结果对应的病情轻重，对应生成诊疗建议报告。本专利技术对大量高度近视的OCT图像和眼底彩照专门训练的深度学习模型时，同时由资历深厚的眼科学专家进行读片，并针对病情给出权威诊疗建议，因此在图像识别过程中，根据识别结果模拟视网膜专家的决策思路为患者提供相对应的诊疗建议报告，使得无相关专业背景的患者能够进一步认识到自身视网膜病变情况，并无需专业的阅片能力，只需依靠建议性报告即能对病变做出诊断，从而实现早发现早诊断，大大地节省了检查的时间。进一步地，还包括：病变定位模块，用于根据识别所述光学相干断层扫描图像是否出现病变，当判断存在病变时，定位病变部位并生成可视化类激活图。本专利技术还包括病变定位模块，能够通过高度近视视网膜病变识别模型判断光学相干断层图像是否出现病变，并判断其病变类型，若判断为存在病变后即可通过可视化激活图定位图像的病变部位。本专利技术中的病变定位模块采用可视化类激活图，使得患者无需专业的阅片能力即可直观地对自身的病变情况做出初步的判断，从而实现尽早治疗的判断，眼底病专科医生也可参考可视化类激活图定位的病变部位，快速定位需要核实的地方，大大节省检查时间。进一步地，所述高度近视视网膜病变识别模型采用以下步骤进行训练：将多个高度近视视网膜病变的光学相干断层扫描图像样本作为样本图像集按照视网膜劈裂、黄斑裂孔、视网膜脱离、脉络膜新生血管进行分类；对分类后的样本图像集进行预处理；将预处理后的样本图像集输入到卷积神经网络进行深度学习训练，得到基于光学相干断层扫描图像的高度近视视网膜病变识别模型。本专利技术深度学习训练了基于光学相干断层扫描图像的高度近视视网膜病变识别模型，其深度学习的过程为：首先，由资历深厚的眼科学专家对大量光学相干断层扫描图像样本作为样本图像集进行读片，并依照国际公认的诊断标准对每张图像进行分类，并为每张OCT图像贴上相应的疾病标本文档来自技高网...

【技术保护点】
1.一种识别高度近视视网膜病变的人工智能系统，其特征在于，包括：/n图像获取模块，用于获取待识别患者的光学相干断层扫描图像和眼底彩照；/n第一识别模块，用于将光学相干断层扫描图像输入到高度近视视网膜病变识别模型中，识别所述光学相干断层图像是否出现病变，并得到病变类型结果；/n第二识别模块，用于将眼底彩照输入到高度近视视网膜病变分期模型中，判断所述眼底彩照的视网膜病变分期，并得到病变分期判断结果；/n报告生成模块，用于根据所述病变类型结果和所述病变分期判断结果，生成诊疗建议报告。/n

【技术特征摘要】
1.一种识别高度近视视网膜病变的人工智能系统，其特征在于，包括：
图像获取模块，用于获取待识别患者的光学相干断层扫描图像和眼底彩照；
第一识别模块，用于将光学相干断层扫描图像输入到高度近视视网膜病变识别模型中，识别所述光学相干断层图像是否出现病变，并得到病变类型结果；
第二识别模块，用于将眼底彩照输入到高度近视视网膜病变分期模型中，判断所述眼底彩照的视网膜病变分期，并得到病变分期判断结果；
报告生成模块，用于根据所述病变类型结果和所述病变分期判断结果，生成诊疗建议报告。


2.根据权利要求1所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，还包括：
病变定位模块，用于根据识别所述光学相干断层图像是否出现病变，当判断存在病变时，定位病变部位并生成可视化类激活图。


3.根据权利要求1所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述高度近视视网膜病变识别模型采用以下步骤进行训练：
将多个高度近视视网膜病变的光学相干断层扫描图像样本作为样本图像集按照视网膜劈裂、黄斑裂孔、视网膜脱离、脉络膜新生血管进行分类；
对分类后的样本图像集进行预处理；
将预处理后的样本图像集输入到卷积神经网络进行深度学习训练，得到基于光学相干断层扫描图像的高度近视视网膜病变识别模型。


4.根据权利要求3所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述对分类后的样本图像集进行预处理，包括：
对分类后的样本图像集进行裁剪处理，裁掉样本图像集的彩照部分；
将裁剪处理后的样本图像集统一大小，并统一为黑底白图。


5.根据权利要求3所述的一种识别高度近视视网膜病变的人工智能系统，其特征在于，所述将预处理后的样本图像集输入到卷积神经网络进行深度学习训练，得到基于光学相干断层扫描图像的高度近视视网膜病变识别模型，包括：
将预处理后的样本图像集分为训练集...

【专利技术属性】
技术研发人员：林浩添，李永浩，冯伟渤，赵兰琴，郭翀，
申请(专利权)人：中山大学中山眼科中心，
类型：发明
国别省市：广东;44