[发明专利]基于随机森林的眼科病种分类识别方法、装置及介质

权利要求书

1.一种基于随机森林的眼科病种分类识别方法，应用于电子装置，其特征在于，包括：

获取眼部的多张原始OCT图像；

将所述OCT图像输入经过训练得到的病灶识别模型，通过所述病灶识别模型输出所述OCT图像上的病灶类型的概率值；

将同一只眼睛对应的所有OCT图像的病灶类型的概率值输入经过训练得到的病种分类模型，通过所述病种分类模型输出所述眼睛的病种类别的概率值；

根据所述眼睛的病种类别的概率值得到所述眼睛的病种类别。

2.根据权利要求1所述的基于随机森林的眼科病种分类识别方法，其特征在于，所述病灶识别模型为深度卷积神经网络模型，用于对单张OCT图像进行病灶类型识别；所述病种分类模型为随机森林模型，用于对眼睛进行病种类型识别。

3.根据权利要求2所述的基于随机森林的眼科病种分类识别方法，其特征在于，所述方法还包括：

训练所述深度卷积神经网络模型；

其中，所述训练所述深度卷积神经网络模型的步骤包括：

获取第一训练样本，所述第一训练样本为单张OCT图像，并对所述第一训练样本进行标注，包括标注每张OCT图像中存在的病灶类型；

利用标注好的第一训练样本训练所述深度卷积神经网络模型。

4.根据权利要求3所述的基于随机森林的眼科病种分类识别方法，其特征在于，利用标注好的第一训练样本训练所述深度卷积神经网络模型，包括：

将标注好的第一训练样本输入所述深度卷积神经网络模型；

通过所述深度卷积神经网络模型输出与所述第一训练样本对应的概率向量；

基于损失函数最小和随机梯度下降法，确定所述深度卷积神经网络模型中各个连接层的权重参数，得到训练好的深度卷积神经网络模型，作为病灶识别模型。

5.根据权利要求2所述的基于随机森林的眼科病种分类识别方法，其特征在于，所述随机森林模型包括多个决策树分类模型，其中，所述决策树分类模型包括：一个根节点、多个内部节点和多个叶节点，所述根节点包括所述决策树分类模型所有的输入特征，每个所述叶节点对应于所述决策树分类模型预测的病种类别，每个所述内部节点对应一个特征判定，判定条件为所述内部节点对应的特征是否超过相应的预设阈值。

6.根据权利要求5所述的基于随机森林的眼科病种分类识别方法，其特征在于，所述方法还包括：

训练所述随机森林模型；

其中，所述训练所述随机森林模型的步骤包括：

根据所述病灶识别模型的输出构建样本库，所述样本库包括多个样本，每个样本包括与同一只眼睛相对应的多个特征；

从所述样本库中选择多个样本分别作为第二训练样本，并标注与各个第二训练样本对应的眼睛的病种类型，构成训练集；

利用所述训练集训练所述随机森林模型。

7.根据权利要求6所述的基于随机森林的眼科病种分类识别方法，其特征在于，利用所述训练集训练所述随机森林模型，包括：

将所述第二训练样本输入所述随机森林模型中，从所述第二训练样本中分别随机抽取多个特征作为各个决策树分类模型的输入；

训练所述决策树分类模型，得到各个决策树分类模型中的参数；

将经过训练的决策树分类模型组合形成所述随机森林模型。

8.一种电子装置，其特征在于，该电子装置包括：处理器；存储器，所述存储器中包括基于随机森林的眼科病种分类识别程序，所述眼科病种分类识别程序被所述处理器执行时实现如下所述的基于随机森林的眼科病种分类识别方法的步骤：

获取眼部的多张原始OCT图像；

将所述OCT图像输入经过训练得到的病灶识别模型，通过所述病灶识别模型输出所述OCT图像上的病灶类型的概率值；

将同一只眼睛对应的所有OCT图像的病灶类型的概率值输入经过训练得到的病种分类模型，通过所述病种分类模型输出所述眼睛的病种类别的概率值；

根据所述眼睛的病种类别的概率值得到所述眼睛的病种类别。