【技术实现步骤摘要】
本专利技术涉及近视检测，尤其是一种近视检测方法、系统、装置和介质。
技术介绍
1、目前，对于近视的检测，主要依赖于屈光度检测、眼轴测量、眼底彩照、光学相干断层扫描检查等多种辅助检查方式来对患者的眼睛状况进行综合检查，之后有经验的医生或者专家将根据综合检查的结果对近视或眼底病变进行评估，从而筛查出如视力不良、屈光偏离等近视问题，有助于近视的早期诊断和提前干预治疗。但是，这种方式依赖于人工评估，耗时费力，且主观性较强，精确度较低，不利于进行快速、精准的近视检测。
2、随着深度学习的发展，神经网络开始被应用于近视检测场景中。相关技术利用简单易得的检查数据，结合机器学习或神经网络，实现近视或眼底病变的风险预测，在一定程度上提高了近视检测的效率和精度。然而，在相关技术中，常用于近视检测的深度学习方法大多数以卷积神经网络为基础，这些方法所使用的网络模型的灵活性和识别速率较差，稳定性不足。此外，相关技术仅基于如眼底图像等简单易得的检查数据来实现近视的检测，却并未考虑到其他如屈光图像、光学相干断层扫描信息等多种影响近视检测的参数，这将导致近视检测的结果出现一定的误差，近视检测的精度有待进一步地提高。
技术实现思路
1、本专利技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
2、为此，本专利技术的目的在于提供一种近视检测方法、系统、装置和介质。
3、为了达到上述技术目的，本专利技术实施例所采取的技术方案包括：
4、一方面，本专利技术实施例
5、获取人眼的屈光图像、眼轴长度、眼底视频序列和光学相干断层扫描序列以及用户的基本信息和用眼自述信息作为近视相关数据；
6、对所述近视相关数据进行特征提取，得到第一特征图、第二特征图、第三特征图和第四特征图；
7、基于所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图的特征权重值，对所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行特征融合，得到特征融合图；
8、根据所述特征融合图，确定用户的近视发展等级。
9、另外，根据本专利技术上述实施例的一种近视检测方法，还可以具有以下附加的技术特征：
10、进一步地，在本专利技术的一个实施例中，所述对所述近视相关数据进行特征提取，得到第一特征图、第二特征图、第三特征图和第四特征图，包括：
11、对所述屈光图像进行特征提取，得到眼球差、眼柱差和眼轴角作为眼球特征，并对所述眼球特征、所述基本信息和所述眼轴长度进行文本拼接处理和特征提取，得到所述第一特征图；
12、利用第一神经网络模型对所述光学相干断层扫描序列进行卷积降维和特征提取，得到所述第二特征图；
13、利用第一神经网络模型对所述眼底视频序列进行卷积降维和特征提取，得到所述第三特征图；
14、利用第二神经网络模型对所述用眼自述信息进行特征提取，得到语音特征向量，并通过全连接层对所述语音特征向量进行处理，得到所述第四特征图。
15、进一步地，在本专利技术的一个实施例中，所述对所述眼球特征、所述基本信息和所述眼轴长度进行文本拼接处理和特征提取，得到所述第一特征图，包括：
16、将所述基本信息、所述眼轴长度和所述眼球特征按序拼接并存储于向量组中；
17、通过卷积提取结构对所述向量组进行特征提取，得到所述第一特征图；
18、其中，所述卷积提取结构包括：顺次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，所述第一卷积层和所述第二卷积层的后面均设置有激活函数，所述第一卷积层、所述第二卷积层和所述第三卷积层的卷积核均为二维，所述第一池化层为最大池化层，所述第二池化层为平均池化层。
19、进一步地，在本专利技术的一个实施例中，所述第一神经网络模型包括：顺次连接的三维卷积神经网络、第四卷积层、vision transformer和第五卷积层；
20、其中，所述三维卷积神经网络用于对所述眼底视频序列或所述光学相干断层扫描序列进行降维处理，并提取所述眼底视频序列或所述光学相干断层扫描序列当中的低分辨率特征，得到待处理特征图；
21、所述第四卷积层用于对所述待处理特征图进行线性重映射，得到一维向量；
22、所述vision transformer用于根据所述一维向量进行分类处理，得到类别标签；
23、所述第五卷积层用于对所述类别标签进行降维处理，得到所述第二特征图或所述第三特征图；
24、其中，所述第四卷积层的卷积核为三维，所述第五卷积层的卷积核为二维。
25、进一步地，在本专利技术的一个实施例中，所述利用第二神经网络模型对所述用眼自述信息进行特征提取，得到语音特征向量，包括：
26、利用bert模型对所述用眼自述信息进行特征提取，得到所述语音特征向量。
27、进一步地，在本专利技术的一个实施例中，所述基于所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图的特征权重值，对所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行特征融合，得到特征融合图，包括：
28、确定特征融合图的像素尺寸，并获取所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图的特征权重值；
29、对于所述特征融合图的每个像素位置，根据所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图的特征权重值，从所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图当中确定待替换特征图，将所述特征融合图的像素位置替换为所述待替换特征图的像素位置；
30、当所述特征融合图的所有像素位置均完成替换时，输出所述特征融合图。
31、进一步地，在本专利技术的一个实施例中，所述根据所述特征融合图，确定用户的近视发展等级，包括：
32、根据所述特征融合图，通过softmax函数计算得到用户的近视发展等级。
33、另一方面，本专利技术实施例提供了一种近视检测系统，包括：
34、获取模块，用于获取人眼的屈光图像、眼轴长度、眼底视频序列和光学相干断层扫描序列以及用户的基本信息和用眼自述信息作为近视相关数据；
35、第一处理模块，用于对所述近视相关数据进行特征提取，得到第一特征图、第二特征图、第三特征图和第四特征图；
36、第二处理模块，用于基于所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图的特征权重值，对所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行特征融合，得到特征融合图；
37、第三处理模块，用于根据所述特征融合图，确定用户的近视发展等级。
38、又一方面，本专利技术实施例提供了一种近视检测装置，包括：
39、至少一个处理器；
40、至少一个存储器，用于存储至少一个程序；
<本文档来自技高网...【技术保护点】
1.一种近视检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种近视检测方法，其特征在于，所述对所述近视相关数据进行特征提取，得到第一特征图、第二特征图、第三特征图和第四特征图，包括：
3.根据权利要求2所述的一种近视检测方法，其特征在于，所述对所述眼球特征、所述基本信息和所述眼轴长度进行文本拼接处理和特征提取，得到所述第一特征图，包括：
4.根据权利要求2所述的一种近视检测方法，其特征在于，所述第一神经网络模型包括：顺次连接的三维卷积神经网络、第四卷积层、Vision Transformer和第五卷积层；
5.根据权利要求2所述的一种近视检测方法，其特征在于，所述利用第二神经网络模型对所述用眼自述信息进行特征提取，得到语音特征向量，包括：
6.根据权利要求2所述的一种近视检测方法，其特征在于，所述基于所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图的特征权重值，对所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行特征融合，得到特征融合图，包括：
7.根据权利要求1
8.一种近视检测系统，其特征在于，包括：
9.一种近视检测装置，其特征在于，包括：
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于实现如权利要求1至7中任一项所述的一种近视检测方法。
...【技术特征摘要】
1.一种近视检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种近视检测方法，其特征在于，所述对所述近视相关数据进行特征提取，得到第一特征图、第二特征图、第三特征图和第四特征图，包括：
3.根据权利要求2所述的一种近视检测方法，其特征在于，所述对所述眼球特征、所述基本信息和所述眼轴长度进行文本拼接处理和特征提取，得到所述第一特征图，包括：
4.根据权利要求2所述的一种近视检测方法，其特征在于，所述第一神经网络模型包括：顺次连接的三维卷积神经网络、第四卷积层、vision transformer和第五卷积层；
5.根据权利要求2所述的一种近视检测方法，其特征在于，所述利用第二神经网络模型对所述用眼自述信息进行特征提取...
【专利技术属性】
技术研发人员：秦培武，陈嘉驹，连丽津，彭博远，陈正林，邵蕾，董力，魏文斌，彭翠仪，肖楚凡，
申请(专利权)人：首都医科大学附属北京同仁医院，
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。