【技术实现步骤摘要】
本专利技术涉及图像处理领域，尤其涉及一种血液分类模型构建方法及装置。
技术介绍
1、光学相干断层扫描血管造影(optical coherence tomography angiography,octa)是一种新型的非侵入性眼底影像检查技术，可高分辨率识别视网膜及脉络膜血流信息，无需散瞳即可对活体组织视网膜脉络膜微血管循环清晰成像。
2、妊娠期是女性经历的特殊生理时期，其并发症发病率高，病因复杂，影响因素众多，定期监测妊娠期健康状况有助于降低不良妊娠结局的风险。在中国，妊娠期贫血是孕产妇常见的并发症之一，其发病率高达18％。妊娠期贫血可导致胎儿畸形、胎盘早剥、早产和产后大出血等并发症，及时检出、有效干预及规律监测对母婴健康至关重要。眼睛是唯一能够直接观察神经和血管活体情况的器官，具有易采集、无创伤和多模态的优势，是监测全身系统性疾病状态的特殊“窗口”。
3、现有的妊娠期健康监测方法，一般通过侵入性血常规检测，但这种方法需要先采集孕妇的血液标本才能进行相关分析，存在有创性，以及无法做到实时、无创监测。
技术实现思路
1、本专利技术提供了一种血液分类模型构建方法及装置，以解决现有的妊娠期健康检测需对用户有创性检测，无法做到实时无创检测的进行技术问题。
2、为了解决上述技术问题，本专利技术实施例提供了一种血液分类模型构建方法，包括：
3、获取第一数据集，对所述第一数据集进行预处理；所述第一数据集中的第一数据包括孕妇临床信息数据和贫血标签；p>
4、获取第二数据集，对第二数据集中的第二数据进行分区，并计算所述第二数据中各个区域的血管灌注密度和黄斑无灌注区域，生成第二数据对应的第一参数；所述第二数据为眼部octa数据，采集时间与血常规检查相隔1周以内；
5、根据所有第一数据和第一参数生成训练数据，根据所述训练数据和机器学习算法构建血液分类模型。
6、本专利技术根据孕妇临床信息数据、贫血标签和octa数据建立随机森林，从而构建血液分类模型，无需对用户进行有创性采样检测，可通过实时的octa检查结果对用户的血液信息进行实时无创监测，辅助提高用户孕期贫血筛查及监测效率。
7、进一步的，所述获取第一数据集，对所述第一数据集进行预处理，具体为：
8、获取孕妇临床信息数据和贫血标签，所述孕妇临床信息数据包括年龄、孕周、身高、体重、疾病史和近期血常规结果，对所述孕妇临床信息数据进行格式化处理；
9、对所述格式化处理后的孕妇临床信息数据进行异常数据处理和归一化处理。
10、进一步的，在所述对第二数据集中的第二数据进行分区之前，还包括：
11、根据预设采样周期获取第二数据集，所述第二数据集包括若干第二数据，所述第二数据为octa图像数据；
12、对所述第二数据进行标准化处理，所述标准化处理包括旋转、翻转、缩放和尺寸调整。
13、进一步的，所述对第二数据集中的第二数据进行分区，并计算所述第二数据中各个区域的血管灌注密度和黄斑无灌注区域面积，生成第二数据对应的第一参数，具体为：
14、对所述第二数据集中的第二数据进行图像处理，所述图像处理包括特征提取和二值化；
15、获取各个第二数据的第一特征点，根据所述第一特征点和预设的距离阈值对所述第二数据进行划分子区域，所述子区域包括第一子区、第二子区和第三子区；
16、确定各个子区域的边界，并计算各个子区域的周长、面积、圆度和血管灌注密度，生成第一参数。
17、进一步的，所述根据所有第一数据和第一参数生成训练数据，根据所述训练数据和机器学习算法构建血液分类模型，具体为：
18、匹配各个第一数据对应的第一参数，并生成结构化数据集；
19、根据预设的比例对所述结构化数据集进行划分，生成训练集、验证集和测试集；
20、根据随机森林和机器学习建立血液分类模型，并根据所述训练集、验证集对和测试集所述血液分类模型进行训练。
21、进一步的，在所述根据所述训练数据对所述血液分类模型进行训练之后，还包括：
22、计算所述血液分类模型的预设指标值，根据所述预设指标值对所述血液分类模型进行评估；
23、所述预设指标值包括曲线下面积、准确率、特异性、灵敏度。
24、第二方面，本专利技术提供了一种血液分类模型构建装置，包括：第一数据处理模块、第二数据处理模块和模型构建模块；
25、所述第一数据处理模块，用于获取第一数据集，对所述第一数据集进行预处理；所述第一数据集中的第一数据包括孕妇临床信息数据和贫血标签；
26、所述第二数据处理模块，用于获取第二数据集，对第二数据集中的第二数据进行分区，并计算所述第二数据中各个区域的血管灌注密度和黄斑无灌注区域面积，生成第二数据对应的第一参数；所述第二数据为眼部octa数据；
27、所述模型构建模块，用于根据所有第一数据和第一参数生成训练数据，根据所述训练数据和机器学习算法构建血液分类模型。
28、第三方面，本专利技术提供了一种基于octa贫血标签识别方法，包括：
29、应用所述的血液分类模型构建方法构建血液分类模型；
30、获取用户的octa图像数据，将所述octa图像数据输入所述血液分类模型；
31、获取所述octa图像数据对应的贫血标签。
32、第四方面，本专利技术提供了一种基于octa贫血标签识别装置，包括模型构建模块、数据输入模块和识别模块；
33、所述模型构建模块，用于应用所述的血液分类模型构建方法构建血液分类模型；
34、所述数据输入模块，用于获取用户的octa图像数据，将所述octa图像数据输入所述血液分类模型；
35、所述识别模块，用于获取所述octa图像数据对应的贫血标签。
36、第五方面，本专利技术提供了一种计算机设备，包括：处理器、通信接口和存储器，所述处理器、所述通信接口和所述存储器相互连接，其中，所述存储器存储有可执行程序代码，所述处理器用于调用所述可执行程序代码，执行所述的血液分类模型构建方法。
本文档来自技高网...【技术保护点】
1.一种血液分类模型构建方法，其特征在于，包括：
2.如权利要求1所述的血液分类模型构建方法，其特征在于，所述获取第一数据集，对所述第一数据集进行预处理，具体为：
3.如权利要求1所述的血液分类模型构建方法，其特征在于，在所述对第二数据集中的第二数据进行分区之前，还包括：
4.如权利要求1所述的血液分类模型构建方法，其特征在于，所述对第二数据集中的第二数据进行分区，并计算所述第二数据中各个区域的血管灌注密度和黄斑无灌注区域，生成第二数据对应的第一参数，具体为：
5.如权利要求1所述的血液分类模型构建方法，其特征在于，所述根据所有第一数据和第一参数生成训练数据，根据所述训练数据和机器学习算法构建血液分类模型，具体为：
6.如权利要求5所述的血液分类模型构建方法，其特征在于，在所述根据所述训练数据对所述血液分类模型进行训练之后，还包括：
7.一种血液分类模型构建装置，其特征在于，包括：第一数据处理模块、第二数据处理模块和模型构建模块；
8.一种基于OCTA贫血标签识别方法，其特征在于，包括：
<...【技术特征摘要】
1.一种血液分类模型构建方法，其特征在于，包括：
2.如权利要求1所述的血液分类模型构建方法，其特征在于，所述获取第一数据集，对所述第一数据集进行预处理，具体为：
3.如权利要求1所述的血液分类模型构建方法，其特征在于，在所述对第二数据集中的第二数据进行分区之前，还包括：
4.如权利要求1所述的血液分类模型构建方法，其特征在于，所述对第二数据集中的第二数据进行分区，并计算所述第二数据中各个区域的血管灌注密度和黄斑无灌注区域，生成第二数据对应的第一参数，具体为：
5.如权利要求1所述的血液分类模型构建方法，其特征在于，所述根据所有第一数据和第一参数生成训练数据，根据所述训练数据和机器学习算法构建血液分类模型，具体为：
【专利技术属性】
技术研发人员：林浩添，吴雨璇，吴晓航，赵兰琴，
申请(专利权)人：中山大学中山眼科中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。