[发明专利]一种便携式糖尿病视网膜病变诊疗仪

说明书

本发明属于眼科诊疗设备领域，具体涉及一种便携式糖尿病视网膜病变诊疗仪。本发明便携式糖尿病视网膜病变诊疗仪由检测模块、诊疗模块组成，检测模块包括血糖检测和眼底检测，眼底检测由GA‑BP神经网络分类模型对眼底图像自动分类，诊疗模块包括专家系统，其由专家系统数据库、GA‑BP神经网络诊断模型以及界面显示模块组成，检测模块的数据传递至专家系统用于诊断分析和提供治疗方案，还建立病人个人档案，能动态跟踪病情数据给出针对性的治疗方案，避免耽误病情。所述设备具有自动化程度高误诊率低、不依赖人工、能实现病人数据动态跟踪快速给出针对性治疗方案的效果。

技术领域

本发明属于一种眼科诊疗设备领域，具体涉及一种便携式糖尿病视网膜病变诊疗仪。

背景技术

随着社会信息化的快速发展，电子设备的普及率和使用率与日俱增。人们的工作生活中高度依赖电脑、手机等具有电子屏幕的设备，导致众多眼科疾病的发病率越来越高，且这种趋势越来越年轻化，眼部疾病的诊断和治疗越来越受到重视。糖尿病性视网膜病变(diabetic retinopathy，DR) 是目前比较严重的一种致盲眼病，因为患者长期的高血糖会改变血管内皮细胞功能，引起视网膜毛细血管内皮细胞色素上皮细胞间的联合被破坏，造成视网膜血管中血液渗漏和营养物质溢出，进而影响视觉。视网膜病理图像是医生诊断眼病处于哪个阶段的重要标准，正常眼底图像主要包含动脉血管、静脉血管、黄斑和视盘等结构，而DR眼底图像中常见的异常病变有微血管瘤、出血点、硬性渗出物、棉絮斑和新生血管等。对视网膜图像进行准确无误的分类是医生制定最佳治疗方案的重要依据。现有诊断和治疗方法都是根据视觉检查视网膜图像人工判断病变程度，诊断依赖医生经验，视网膜图像不同阶段之间的差异性很小，常常导致分类不清楚，容易导致误诊或不能根据个人差异进行有效治疗。

文献1（糖尿病性视网膜图像的深度学习分类方法，李琼等，《中国图象图形学报》，2018年10月第23卷第10期，第1594-1603页）分析了利用卷积神经网络的方法实现了糖尿病性视网膜图像的自动分类，对AlexNet 引进批归一化层作为视网膜的特征提取网络并采用迁移学习的训练方法对视网膜图像进行特征提取。本文方法能够有效提取视网膜的本质特征且分类性能好，有效地避免了人工提取特征和分类的局限性。但在该实验中，图像预处理、特征提取和图像分类3个阶段尚未形成一个完整连续的系统，并不能直接用来诊断和分类，并未给出快速准确的诊断方法。

文献2（糖尿病视网膜病变眼底图像分类方法，梁平等，《深圳大学学报理工版》，2017 年5月第34 卷第3 期，第291-295页）评述糖尿病视网膜病变( diabeticretinopathy，DR) 眼底图像自动分类方法的研究进展。介绍基于局部病灶的分类方法和基于全局图像的分类方法． 其中，基于局部病灶的分类方法主要是渗出物、出血点和微血管瘤病灶的检测，根据检测出的病灶类型、数量和位置等信息进行DR分类; 基于全局图像的分类方法是对图像全局特征信息进行分类。分析了常用数据集、各类方法优缺点和分类性能，指出尽管DR眼底图像自动分类已经有大量研究，但实现一个通用的DR自动分类系统在数据数量与质量、分类方法和系统性能等方面还有一定挑战。其同样并未给出明确的直接用来诊断和分类的方法，并未给出快速准确的诊断方法。

文献3（基于深度学习的医学影像诊断综述，张巧丽等，《计算机科学》，第44卷第11A期，2017年11月，第1-6页）通过对深度学习在以上病症的医学图像中的诊断分析可以看出，目前在使用深度学习的模型或者方法上存在相似性，大多采用ＣＮＮ或者其他常用的深度学习算法，或者几种算法相融合的方式来进行图像分类检测；而且现在大多数的模型都在理论阶段，还没有应用到临床中。采用无监督学习方法确实为图像分类提供了很多便利，例如可以不用人工提取特征，避免由于医生的个人因素带来的误诊情况等，但是目前该方法的研究还主要集中在发病率比较高即病人数据量比较多的病症研究中，在一些稀有病症中的研究则很少。