【技术实现步骤摘要】
本专利技术涉及医疗辅助，特别是涉及一种基于深度学习的斜视诊疗辅助系统。
技术介绍
1、斜视是常见的视力障碍之一，斜视是指两眼不能同时注视目标，其典型表现即为患者的一只眼睛注视目标时，另一只眼睛发生偏斜。斜视的多发群体为儿童，是儿童时期导致视觉发育障碍的主要原因之一。
2、目前，在斜视的诊断和治疗过程中，主要是由临床医生与就诊者进行沟通，通过角膜映光检查、设备检测等操作对就诊者进行斜视方面的检查。医生基于检查情况，人为判断就诊者是否存在斜视问题、斜视的类型等，给出斜视诊断结论。
3、基于现有的斜视诊疗方式，诊断结论主要来源于医生的主观判断，诊断的准确性取决于医生的临床经验和医学知识掌握情况。然而在临床场景中，医生的经验差异及患者检查配合度等因素，容易给医生的主观诊断带来不良影响，使得诊断准确性相对较差，工作效率较低。其次，斜视属于视觉发育相关疾病，需要及早发现与治疗。基于人工筛查的方式，难以在群众中有效开展高准确性的筛查工作。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种基于深度学习的斜视诊疗辅助系统，以解决现有斜视诊疗方式中，依赖于主观判断进行诊断，诊断准确性相对较差、工作效率较低的问题。
2、为实现上述目的，本专利技术实施例提供如下技术方案：
3、一种基于深度学习的斜视诊疗辅助系统，包括：
4、请求处理单元，用于在接收到目标患者对应的评估请求的情况下，确定所述评估请求对应的评估类别标识和所述目标患者对应的诊断眼
5、请求分类单元，用于在多个预设评估类别中，确定所述评估类别标识对应的目标评估类别；所述多个预设评估类别包括斜视类型评估类别、斜视度评估类别和手术建议评估类别；
6、斜视类型评估单元，用于在所述目标评估类别为所述斜视类型评估类别的情况下，将所述诊断眼位图集合输入已部署的斜视分类预测模型，经所述斜视分类预测模型处理后，获得所述斜视分类预测模型输出的斜视类别，将该斜视类别作为所述目标患者对应的斜视类型评估结果；所述斜视分类预测模型为基于预设的斜视分类样本集和第一预训练模型构建的模型；
7、斜视度评估单元，用于在所述目标评估类别为所述斜视度评估类别的情况下，将所述诊断眼位图集合输入已部署的斜视度预测模型，经所述斜视度预测模型处理后，获得所述斜视度预测模型输出的斜视度，将该斜视度作为所述目标患者对应的斜视度评估结果；所述斜视度预测模型为基于预设的斜视度样本集和第二预训练模型构建的模型；
8、手术建议评估单元，用于在所述目标评估类别为所述手术建议评估类别的情况下，将所述诊断眼位图集合输入已部署的斜视手术建议预测模型，经所述斜视手术建议预测模型处理后，获得所述斜视手术建议预测模型输出的斜视手术建议信息，将该斜视手术建议信息作为所述目标患者对应的手术建议评估结果；所述斜视手术建议预测模型为基于预设的斜视手术建议样本集和第三预训练模型构建的模型。
9、上述的基于深度学习的斜视诊疗辅助系统，可选的，所述请求处理单元，包括：
10、图像获取子单元，用于对所述评估请求进行解析，获得所述目标患者对应的初始图像集合；所述初始图像集合包括每个所述预设诊断眼位的初始角膜映光图像；
11、图像处理子单元，用于针对每个所述预设诊断眼位的初始角膜映光图像，依据预设的预处理策略，对该预设诊断眼位的初始角膜映光图像进行图像预处理，将经过预处理的初始角膜映光图像作为该预设诊断眼位的角膜映光照片；由各个所述预设诊断眼位的角膜映光照片组成所述诊断眼位图集合。
12、上述的基于深度学习的斜视诊疗辅助系统，可选的，所述斜视分类样本集的设置过程，包括：
13、确定第一图像集；所述第一图像集包括多个第一受检者对应的图像集，每个所述第一受检者对应的图像集包括该第一受检者的多个角膜映光照片，该第一受检者的多个角膜映光照片与各个所述预设诊断眼位一一对应；
14、确定第一标签集；所述第一标签集包括每个所述第一受检者对应的斜视类别；
15、针对每个所述第一受检者对应的图像集，以该第一受检者对应的斜视类别对该图像集进行标注，将标注后的图像集作为该第一受检者对应的斜视分类样本；
16、将各个所述第一受检者对应的斜视分类样本组成所述斜视分类样本集。
17、上述的基于深度学习的斜视诊疗辅助系统，可选的，所述斜视分类预测模型的构建过程，包括：
18、对所述斜视分类样本集进行样本分类处理，获得第一训练样本集、第一验证样本集和第一测试样本集；
19、通过所述第一训练样本集对所述第一预训练模型进行迭代训练，得到经过训练的第一预训练模型；所述第一预训练模型为基于resnetxt神经网络的预训练模型；
20、通过所述第一验证样本集对所述经过训练的第一预训练模型进行验证处理，得到经过验证的第一预训练模型；
21、通过所述第一测试样本集对所述经过验证的第一预训练模型进行测试，得到第一测试结果；
22、若所述第一测试结果符合预设的第一模型要求，则将所述经过验证的第一预训练模型作为所述斜视分类预测模型。
23、上述的基于深度学习的斜视诊疗辅助系统，可选的，所述斜视度样本集的设置过程，包括：
24、确定第二图像集；所述第二图像集包括多个第二受检者对应的图像集，每个所述第二受检者对应的图像集包括该第二受检者的多个角膜映光照片，该第二受检者的多个角膜映光照片与各个所述预设诊断眼位一一对应；
25、确定第二标签集；所述第二标签集包括每个所述第二受检者对应的斜视度；
26、针对每个所述第二受检者对应的图像集，以该第二受检者对应的斜视度对该图像集进行标注，将标注后的图像集作为该第二受检者对应的斜视度样本；
27、将各个所述第二受检者对应的斜视度样本组成所述斜视度样本集。
28、上述的基于深度学习的斜视诊疗辅助系统，可选的，所述斜视度预测模型的构建过程，包括：
29、对所述斜视度样本集进行样本分类处理，获得第二训练样本集、第二验证样本集和第二测试样本集；
30、通过所述第二训练样本集对所述第二预训练模型进行迭代训练，得到经过训练的第二预训练模型；所述第二预训练模型为基于resnetxt神经网络的预训练模型；
31、通过所述第二验证样本集对所述经过训练的第二预训练模型进行验证处理，得到经过验证的第二预训练模型；
32、通过所述第二测试样本集对所述经过验证的第二预训练模型进行测试，得到第二测试结果；
33、若所述第二测试结果符合预设的第二模型要求，则将所述经过验证的第二预训练模型作为所述斜视度预测模型。
34、上述的基于深度学习的斜视诊疗辅助系统，可选的，所述斜视手术建议样本集的设置过程，包括：
35、确定第三图像集；所述本文档来自技高网...
【技术保护点】
1.一种基于深度学习的斜视诊疗辅助系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述请求处理单元，包括：
3.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视分类样本集的设置过程，包括：
4.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视分类预测模型的构建过程，包括：
5.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视度样本集的设置过程，包括：
6.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视度预测模型的构建过程，包括：
7.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视手术建议样本集的设置过程，包括：
8.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视手术建议预测模型的构建过程，包括：
9.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视分类预测模型、所述斜视
10.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视分类预测模型、所述斜视度预测模型和所述斜视手术建议预测模型采用分布式部署方式进行部署。
...【技术特征摘要】
1.一种基于深度学习的斜视诊疗辅助系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述请求处理单元，包括：
3.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视分类样本集的设置过程，包括：
4.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视分类预测模型的构建过程，包括：
5.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视度样本集的设置过程，包括：
6.根据权利要求1所述的基于深度学习的斜视诊疗辅助系统，其特征在于，所述斜视度预测模...
【专利技术属性】
技术研发人员：丁娟，田石宝，张伟，李月平，岳铭，王科磊，陈丽萍，
申请(专利权)人：天津市眼科医院，
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。