【技术实现步骤摘要】
本专利技术涉及人工智能与糖尿病视网膜病变识别的交叉，尤其涉及基于流形学习的糖尿病视网膜病变识别方法、介质及系统。
技术介绍
1、糖尿病视网膜病变（diabetic retinopathy，dr）是糖尿病患者最常见的并发症之一，严重影响了患者的视力和生活质量。早期dr患者通常没有明显的症状，但进展期dr可造成黄斑水肿、新生血管形成而继发玻璃体积血甚至视网膜脱离等，视力危害性显著。加之dr病情进展的不可逆性，因此早期诊断和治疗对于预防和减轻dr病变的进展至关重要。临床中，dr的诊断主要依赖于经验丰富的眼底病专家直接对患者进行眼底检查或对患者眼底图像进行观察评估。
2、传统的眼底图像分析方法存在着诸多问题，如特征提取困难、分类准确性低等。已公开的深度学习模型（如cn116152229b一种糖尿病视网膜病变诊断模型的构建方法及诊断模型）可以从标注的数据中提取病理特征，但是存在可解释性差等不足。此外，单一的机器学习算法往往无法充分利用眼底图像中的信息，导致识别准确性不高。其次，现有方法在处理眼底图像时存在着特征选择困难、模型融合复杂等问题，限制了其在糖尿病视网膜病变识别中的应用。
3、近年来，机器学习技术在医学图像分析领域取得了显著的进展。流形学习是一种考虑数据分布特征的技术，可以有效地提取眼底图像中未标记样本的重要特征。子空间回归是一种基于子空间分解的回归方法，通过沟通局部与整体提高模型的拟合能力和泛化能力。稀疏学习是一种通过稀疏表示来提取特征的方法，可以减少冗余特征和噪声干扰。
4、因此，本专利技术
技术实现思路
1、本专利技术要解决的技术问题是提供特征提取简单、准确性高的基于流形学习的糖尿病视网膜病变识别方法、介质及系统。
2、本专利技术为了解决上述问题，所提出的技术方案为：基于流形学习的糖尿病视网膜病变识别方法，包括
3、步骤一，输入患者影像学检查结果，提取特征向量拼接形成影像学特征矩阵，标记对应图像形成检查结果矩阵，具体如下：
4、输入患者彩色眼底照相、光学相干断层成像的图像检查结果，提取颜色相关图、小波纹理、边缘方向直方图三种类型特征形成特征向量，将每幅图像的特征向量拼接，形成影像学特征矩阵，记为x，其行数为图像样本量n，列数为特征个数；将每张检查结果图像按给定的列依次做标记，对应的列分别为：微血管瘤、硬性渗出、点状出血、片状出血、软性渗出、玻璃体积血、新生血管、微血管瘤、多个出血点、纤维增生、视网膜脱离情况，符合则对应位置记为1否则记为0，形成检查结果矩阵记为y，矩阵y的行数为图像样本量n，列数为结果特征个数；
5、步骤二，输入患者的生理特征、检查检验结果，构造拉普拉斯矩阵l，具体如下：
6、生理特征、检查检验结果，具体包括：视力、年龄、性别、糖尿病家族史、糖尿病病程、糖尿病类型1/2型、是否合并糖尿病肾病、是否合并糖尿病外周神经病变、空腹血糖值；糖化血红蛋白、7个随机血糖值（早中晚三餐餐前血糖和餐后两小时以及睡前血糖）、是否注射胰岛素、是否高血脂、高血压病史。
7、构造拉普拉斯矩阵l的方法为：先将定量资料标准化到0~1范围，再使用高斯径向基函数计算高斯距离表示两例患者间的相似性，矩阵l为患者相似性矩阵按列求和再对角化的结果减去患者相似性矩阵；
8、步骤三，基于流形学习理论，使用特征矩阵和拉普拉斯矩阵，构造预测函数：
9、；
10、其中f为预测结果得分矩阵（待求），g表示映射矩阵（待求）；第1项是拉普拉斯正则化项，其中 tr()表示矩阵的迹，t表示矩阵的转置；第2项是重构损失项，衡量预测得分矩阵与原矩阵间的差距，其中u表示决策规则矩阵；第3项是子空间回归项，沟通预测结果得分矩阵f和影像学特征矩阵x，其中μ为正则化系数，||·||f表示矩阵f范数；第4项是矩阵范数项，||·||2,1表示l2,1矩阵范数；
11、步骤四，求解所述预测函数，输出最优化映射矩阵g；
12、步骤五，计算预测得分矩阵 f= xt g。
13、基于流形学习的糖尿病视网膜病变识别方法的介质，包括存储介质和处理介质；存储介质用于存储眼底图像数据和训练模型的参数，处理介质用于执行糖尿病视网膜病变识别方法中的各个步骤。
14、基于流形学习的糖尿病视网膜病变识别方法的系统，包括图像采集模块、特征提取模块、模型训练模块和识别模块；图像采集模块用于采集糖尿病患者的眼底图像数据，特征提取模块用于提取眼底图像的流形特征表示，模型训练模块用于训练优化后的预测模型，识别模块用于对新的眼底图像进行糖尿病视网膜病变的识别。
15、本专利技术的有益效果为：本专利技术融合了流形学习、子空间回归、稀疏学习等多种机器学习技术，充分利用了各自的优势，提高了模型的准确性和鲁棒性；模型可以为医生提供一个准确、可靠的辅助诊断工具，利于早期发现和治疗糖尿病视网膜病变识别，提高治疗效果和患者的生活质量。
本文档来自技高网...【技术保护点】
1.基于流形学习的糖尿病视网膜病变识别方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于流形学习的糖尿病视网膜病变识别方法，其特征在于：所述步骤一中，将每张检查结果图像按给定的列依次做标记，对应的列分别为：微血管瘤、硬性渗出、点状出血、片状出血、软性渗出、玻璃体积血、新生血管、微血管瘤、多个出血点、纤维增生、视网膜脱离情况。
3.根据权利要求1所述的基于流形学习的糖尿病视网膜病变识别方法，其特征在于：所述步骤二中，生理特征、检查检验结果，具体包括：视力、年龄、性别、糖尿病家族史、糖尿病病程、糖尿病类型1/2型、是否合并糖尿病肾病、是否合并糖尿病外周神经病变、空腹血糖值；糖化血红蛋白、7个随机血糖值、是否注射胰岛素、是否高血脂、高血压病史，所述7个随机血糖值指早中晚三餐餐前血糖值和餐后两小时以及睡前血糖值。
4.根据权利要求1所述的基于流形学习的糖尿病视网膜病变识别方法，其特征在于：所述步骤三中，预测函数为：
5.根据权利要求1所述的基于流形学习的糖尿病视网膜病变识别方法的介质，其特征在于：包括存储介质和处理介质；存储介质用
6.根据权利要求1所述的基于流形学习的糖尿病视网膜病变识别方法的系统，其特征在于：包括图像采集模块、特征提取模块、模型训练模块和识别模块；图像采集模块用于采集糖尿病患者的眼底图像数据，特征提取模块用于提取眼底图像的流形特征表示，模型训练模块用于训练优化后的预测模型，识别模块用于对新的眼底图像进行糖尿病视网膜病变的识别。
...【技术特征摘要】
1.基于流形学习的糖尿病视网膜病变识别方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于流形学习的糖尿病视网膜病变识别方法，其特征在于：所述步骤一中，将每张检查结果图像按给定的列依次做标记，对应的列分别为：微血管瘤、硬性渗出、点状出血、片状出血、软性渗出、玻璃体积血、新生血管、微血管瘤、多个出血点、纤维增生、视网膜脱离情况。
3.根据权利要求1所述的基于流形学习的糖尿病视网膜病变识别方法，其特征在于：所述步骤二中，生理特征、检查检验结果，具体包括：视力、年龄、性别、糖尿病家族史、糖尿病病程、糖尿病类型1/2型、是否合并糖尿病肾病、是否合并糖尿病外周神经病变、空腹血糖值；糖化血红蛋白、7个随机血糖值、是否注射胰岛素、是否高血脂、高血压病史，所述7个随机血糖值指早中晚三餐...
【专利技术属性】
技术研发人员：高笠雄，汤永，叶子，李朝辉，阎禹含，李雯，
申请(专利权)人：中国人民解放军总医院第三医学中心，
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。