[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

说明书

本发明属于人工智能技术领域，公开了一种基于随机森林的眼科病种分类识别方法、装置及介质，其中，方法包括：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。本发明基于病灶类型进行眼科病种类别的分类识别，增加了算法模型的可解释性，提高病种分类识别的可靠性和准确率，辅助医生对眼部疾病进行诊断。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于随机森林的眼科病种分类识别方法、装置及介质。

背景技术

光学相干断层扫描技术(Optical Coherence tomography，OCT)是一种成像技术，利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号，通过扫描，可得到生物组织二维或三维结构图像，通常基于OCT图像进行眼科疾病的筛查与辅助诊断，对眼科病种的分类识别有利于眼科疾病的辅助诊断。目前，对眼科OCT病种的分类识别通常通过深度卷积神经网络模型提取OCT图像中的特征实现，而通过深度神经网络模型所提取的特征与医生诊断图像逻辑之间存在一定差异，则通过深度神经网络模型获取的眼科病种分类识别结果与实际病种结果存在较大差异，模型可靠性较低。并且所利用的深度卷积神经网络模型需要大量的训练样本，并且，一般情况下，一只眼睛可以扫描20-30张OCT图片，虽然在图像级别能收集到较多训练样本，但在眼睛级别收集大量样本的成本比较大，使得模型训练困难，影响通过模型得到的对眼科OCT病种的分类识别结果的准确性。

发明内容

本发明提供一种基于随机森林的眼科病种分类识别方法、装置及介质，以解决现有技术中模型可靠性和准确性较低的问题。

为了实现上述目的，本发明的一个方面是提供一种基于随机森林的眼科病种分类识别方法，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。

优选地，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。

优选地，所述方法还包括：训练所述深度卷积神经网络模型，其中，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。

优选地，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。

优选地，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。