脑卒中风险的预测设备、方法、计算机设备及存储介质技术

本发明专利技术涉及人工智能技术领域，提供一种脑卒中风险的预测设备、方法、计算机设备及存储介质，包括：接收模块，用于获取检查者的视网膜视盘区的OCT图像；RNFL结构提取模块，用于将OCT图像输入分割模型中，得到RNFL结构的分割图像；处理模块，用于计算分割图像中RNFL结构的厚度，并根据厚度计算缺失度和平均值；脑卒中预测模块，用于将缺失度、平均值和检查者的身份信息输入脑卒中预测模型中，得到脑卒中的预测概率值。本发明专利技术一种将脑卒中分割模型、厚度计算和脑卒中风险预测模型连通，使之可以根据患者的OCT图像预测脑卒中发病概率，在拍摄眼底OCT图像的同时可以量化脑卒中风险，有效降低了医生工作强度，具有重要意义。具有重要意义。具有重要意义。

【技术实现步骤摘要】
脑卒中风险的预测设备、方法、计算机设备及存储介质


[0001]本专利技术涉及人工智能
，特别是涉及一种脑卒中风险的预测设备、方法、计算机设备及存储介质。

技术介绍

[0002]脑卒中是一种急性脑血管疾病，早期难以检测到，通常发病时已经较难治愈且伴有多种并发症。目前业内普遍通过检查者的脑CT图像、生物学指标来预测脑卒中发病概率，例如申请号为CN202010211609的专利，公开了一种基于人工智能的多维度脑卒中预防筛查方法，该方案收集三个维度的指标，训练得到脑卒中预防筛查人工智能算法模型；另一申请号为CN201910677478的专利，公开了一种基于眼部特征的脑卒中人工智能筛查方法，其利用眼底彩照，结合血糖血脂信息来预测脑卒中发病概率。
[0003]最新的医学临床研究发现，视网膜组织结构的异常是脑卒中患者较早的临床指征之一，其表现为视网膜视神经纤维层(RNFL)的平均厚度减少和缺失。但是视网膜RNFL厚度的减少和缺失，目前主要通过机器测量和医生主观阅片判断，导致识别的效率和准确率都比较低。因此，如何提出一种通过眼底光学相干断层扫描图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑卒中风险的预测设备，其特征在于，包括：接收模块，用于获取检查者的视网膜视盘区的扫描图像；视神经纤维层结构提取模块，用于将所述扫描图像输入分割模型中进行特征提取，并计算每个提取出的特征与视神经纤维层结构标准图像的相似度，选择相似度大于预设阈值的图像为视神经纤维层结构，得到视神经纤维层结构的分割图像；处理模块，用于计算所述分割图像中视神经纤维层结构的厚度，并根据所述厚度计算缺失度和平均值；脑卒中预测模块，用于将所述缺失度、所述平均值和检查者的身份信息输入脑卒中预测模型中，计算得到脑卒中的预测概率值，其中，所述身份信息包括年龄和性别。2.根据权利要求1所述的脑卒中风险的预测设备，其特征在于，所述接收模块包括：第一图像处理单元，用于对获取的所述扫描图像进行边界填充，并通过双线性插值算法，将填充后的各所述扫描图像的分辨率调整为统一大小。3.根据权利要求1所述的脑卒中风险的预测设备，其特征在于，所述视神经纤维层结构提取模块包括：第一模型训练单元，用于对所述分割模型进行预训练，预训练步骤包括：步骤一、建立分割数据集，将所述数据集按照预设比例随机划分为训练集和测试集，其中，所述数据集包括原始的扫描图像和携带标签的扫描图像；步骤二、将训练集输入预设的Unet模型中，计算得到预测值，采用dice loss损失函数计算预测值和标签值的损失值，根据所述损失值修正所述Unet模型的权重值；步骤三、重复步骤二，直到完成预设的迭代次数，选择损失值最小的模型作为最终的分割模型；步骤四、将测试集输入最终的分割模型中测试其识别精度，若所述识别精度大于预设精度，则将该最终的分割模型作为训练好的分割模型，否则，重复步骤二到步骤四。4.根据权利要求1所述的脑卒中风险的预测设备，其特征在于，所述处理模块计算所述分割图像中视神经纤维层结构的厚度的步骤包括：根据图像像素值得到分割图像的上边界和下边界；针对上边界，取其上的任意一个像素点和该像素点前后的两个像素点，计算两个像素点与该点之间的斜率的平均值，根据该点和斜率的平均值，得到与下边界的交叉点，该像素点和交叉点之间的距离即为该像素点对应的RNFL厚度；重复上述计算，得到上边界的每个像素点对应的视神经纤维层厚度，最终得到所述分割图像中整个视神经纤维层结构的厚度。5.根据权利要求4所述的脑卒中风险的预测设备，其特征在于，所述处理模块包括：第二图像处理单元，用于对所述视神经纤维层结构提取模块获取的分割图像进行处理，处理的步骤包括：使用OPENCV的contourArea函数，计算所述分割图像中非0像素值的连通域，将面积小于预设面积的连通域过滤；使用OPE...

【专利技术属性】
技术研发人员：王关政，吴海萍，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：