[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

说明书

本发明涉及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，该方法包括如下步骤：通过先采集早产儿上、下、左、右、中五个角度的眼底图像数据，以及性别、体重、孕龄、吸氧史四个病例信息数据，再基于预设规则对所述的多张眼底图像数据和病例信息数据进行标注，生成待处理的数据；接着再将所述数据按照预设比例划分为训练集和测试集；再建立拥有信息融合和通道注意力机制的深度神经网络模型；在基于所述训练集训练所述深度神经网络模型；再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，获得处理后的输出数据。

技术领域

本发明涉及图像处理、深度学习、信息融合领域，具体而言，涉及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。

背景技术

早产儿视网膜病变(Retinopathy ofprematurity,ROP)是早产儿和低体重儿发生的一种视网膜血管增生性病变，是世界发达国家儿童失明的首位原因。随着我国医疗水平的不断提高，新生儿也有了极大的发展，各种生命支持系统的改进，早产儿的存活率不断提高。伴随着早产儿存活率的提高，ROP的发生率也随之提高，由此造成的儿童盲目越来越多。在医疗条件较好的地区医院，通常的办法是利用广角数字视网膜成像系统(Retcam)对新生儿眼底进行多角度的采集观察。但在很多妇产医院，即使拥有眼底检查的设备，也很难得到专业眼科医生的意见。

发明内容

为了解决上述技术问题，本发明提供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，所述方法包括如下步骤：

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。

进一步的，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(男\女)、体重(kg)、孕龄(周)、吸氧史(有\无)四项。

进一步的，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1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。

进一步的，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。