[发明专利]一种基于深度神经网络的视网膜数据采集处理方法及系统

权利要求书

1.一种基于深度神经网络的视网膜数据采集处理方法，其特征在于，包括如下步骤：

步骤1、采集患者眼底上、下、左、右、中五张图像数据；

步骤2、基于预处理规则对图像数据进行标定，生成待处理数据；

步骤3、将病例信息利用onehot编码器转换为二进制向量；

步骤4、建立深度神经网络模型；

步骤5、将所述待处理数据按照预设比例划分为训练集和测试集；

步骤6、基于所述训练集训练所述深度神经网络模型；

步骤7、将所述测试集中数据通过已经训练好的深度神经网络模型处理，得到处理后的输出结果。

2.根据权利要求1所述的一种基于深度神经网络的视网膜数据采集处理方法，其特征在于，所述步骤1，采集眼底上、下、左、右、中五张图像数据采集，具体包括：

通过相机采集每位早产儿眼底上、下、左、右、中五张眼底图像数据；

其中病例信息数据为早产儿病例数据，包括：性别、体重、孕龄、吸氧史四项。

3.根据权利要求1所述的一种基于深度神经网络的视网膜数据采集处理方法，其特征在于，所述步骤2，基于预处理规则对图像数据进行标定，生成待处理数据，具体包括：

每次检查时，按照步骤一所述的方式分别对患儿左右眼采集数张图像数据，同时采集病例信息数据，然后对每组图像数据进行是否发生ROP病变标注；在获取5张眼底图像数据后，先对其做高斯预处理，然后按照上、下、左、右、中的顺序将RGB三通道的图像按通道组合为15通道的数据；将按通道组合后的数据缩放至预设的比例。

4.根据权利要求1所述的一种基于深度神经网络的视网膜数据采集处理方法，其特征在于，所述步骤3、将病例信息利用onehot编码器转换为二进制向量，包括：

对性别、吸氧史信息，利用onehot编码器将其转换为二进制向量；对孕龄和体重的信息进行onehot编码的过程中，将孕龄、体重的连续性信息进行分段，对每个分段内的孕龄体重做onehot编码转换为二进制向量，最终将所有的病例信息向量组合成一个向量。

5.根据权利要求1所述的一种基于深度神经网络的视网膜数据采集处理方法，其特征在于，所述步骤4建立深度神经网络模型，所述深度神经网络模型包括特征提取模块、通道注意力模块、信息融合模块，其中所述特征提取模块包含一个输入层和多个卷积结构，每个所述卷机结构则由多个不同参数尺度的卷积层和池化层构成；所述的通道注意力模块，包括特征尺寸变形、特征逐元素相乘和softmax层；所述的信息融合模块包括一个特征拼接层；

其中，所述特征提取模块的输入神经节点的维度与预处理后的图像数据维度一致；再通过通道注意力模块和信息融合模块将图像特征和病例信息特征相融合，融合后的特征被进一步处理，进而得到抽象程度更高的特征。

6.根据权利要求1所述的一种基于深度神经网络的视网膜数据采集处理方法，其特征在于，所述步骤6、基于所述训练集训练所述深度神经网络模型，包括：基于旋转、裁剪、加噪声的方法对所述眼底图像数据集进行增广处理，对输入的所述经过高斯预处理的图像数据，使用按照顺序的上、下、左、右、中五张图像数据以及其三通道(RGB)灰度值，组合成15层通道数据作为深度神经网络的输入值；对输入的所述病例信息，利用onehot编码后组成拥有体重、孕龄、性别、吸氧史的4维度输入向量。

7.一种基于深度神经网络的视网膜数据采集处理系统，其特征在于，包括：

数据采集单元，用于采集病儿上、下、左、右、中五个角度的眼底图像数据，同时采集病儿性别、体重、孕龄、吸氧史四种病例信息；

数据处理单元，用于对采集的眼底图像数据做高斯预处理，然后按照上、下、左、右、中的顺序将RGB三通道的图像按通道组合为15通道的数据；将按通道组合后的数据缩放至合适的比例，对性别、吸氧史信息，利用onehot编码器将其转换为二进制向量；对孕龄和体重的信息进行onehot编码的过程中，将孕龄、体重的连续性信息进行分段，对每个分段内的孕龄体重做onehot编码转换为二进制向量，最终将所有的病例信息向量组合成一个向量；

数据集划分单元，用于按照预设比例对数据集划分为训练集和测试集；

模型建立单元，用于建立深度神经网络模型；

模型训练单元，用于基于所述训练集训练所述深度神经网络模型；

识别转换单元，将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，得到处理后的输出结果。