巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备制造方法及图纸

本申请涉及一种巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备，巨细胞病毒性视网膜炎辅助识别方法包括获取患者眼底图像，提取眼底图像中巨细胞病毒性视网膜炎参数，巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态，将巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量以根据特征向量得到分类结果。本申请根据分类结果可以识别患者是否患有巨细胞病毒性视网膜炎，从而实现巨细胞病毒性视网膜炎地精准预测，并且，操作简单，可进行多医疗中心推广甚至社区普及，改善大众医疗水平。

【技术实现步骤摘要】
巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备
本申请属于医学影像机器学习
，具体涉及一种巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备。
技术介绍
深度学习在医学影像自动诊断和筛查方面以得到快速发展，例如利用病患的广域眼底彩照诊断患者是否患有视网膜脱离、格子样变性等疾病。超广角眼底成像检查，通过自动化、友好化的方式捕获视网膜图像，可以获得比较全面的眼底图像，完善视网膜脱离的影像表现，降低视网膜脱离的漏诊、误诊率。但是从未有研究用深度学习基于病患的广域眼底彩照自动诊断巨细胞病毒性视网膜炎(cytomegalovirusretinitis，CMVR)。CMVR的确诊有赖于经验丰富的眼科医师行眼底镜检查,目前主要依靠眼底检查进行CMVR的诊断，但中国医疗分配不均匀，在高年资眼科医生相对匮乏的地区,造成部分地区病例确诊困难，并且由于缺少临床诊断率的数据，临床情况的复杂及不确定性因素，为眼科医生的诊断增加了困难。
技术实现思路
为至少在一定程度上克服CMVR的确诊有赖于经验丰富的眼科医师行眼底镜检查,目前主要依靠眼底检查进行CMVR的诊断，但中国医疗分配不均匀，在高年资眼科医生相对匮乏的地区,造成部分地区病例确诊困难，并且，由于缺少临床诊断率的数据，临床情况的复杂及不确定性因素，为眼科医生的诊断增加了困难的问题，本申请提供一种巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备。第一方面，本申请提供一种巨细胞病毒性视网膜炎辅助识别方法，包括：获取患者眼底图像；提取所述眼底图像中巨细胞病毒性视网膜炎参数，所述巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态；将所述巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量，以根据所述特征向量得到分类结果。进一步的，还包括：构建基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型；采用内部数据集对所述巨细胞病毒性视网膜炎辅助识别模型进行四倍交叉验证以训练所述巨细胞病毒性视网膜炎辅助识别模型。进一步的，所述构建基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型包括：采用InceptionResnetV2网络模型作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的基础网络模型；采用CrossEntropy损失函数作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的损失函数；根据所述损失函数得到分类结果；根据分类结果判断患者是否患有巨细胞病毒性视网膜炎。进一步的，还包括：对内部数据集中的样本进行分类；根据内部数据集中样本类别施加不同权重。进一步的，训练好的巨细胞病毒性视网膜炎辅助识别模型后，还包括：采用外部验证数据集进行外部验证；根据外部验证结果优化模型性能参数；和/或；采用前瞻性验证数据集进行前瞻性验证；根据前瞻性验证结果优化模型性能参数。进一步的，所述模型性能参数包括：准确率，敏感度，特异性和AUC值中的一个或多个。进一步的，若识别出患者患有巨细胞病毒性视网膜炎，还包括：根据训练好的巨细胞病毒性视网膜炎辅助识别模型得到对分类结果贡献的梯度；根据所述梯度生成病灶热图；将所述病灶热图与患者眼底图像叠加，根据叠加结果确定病灶位置。进一步的，所述根据所述梯度生成病灶热图，包括：获取模型输出的分类结果和卷积层输出；按照梯度链式法则根据分类结果和卷积层输出生成梯度矩阵；将梯度矩阵缩放成与原始输入图像相同分辨率再与原始输入图像叠加生成最终热图。第二方面，本申请提供一种巨细胞病毒性视网膜炎辅助识别装置，包括：获取模块，用于获取患者眼底图像；提取模块，用于提取所述眼底图像中巨细胞病毒性视网膜炎参数，所述巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态；识别模块，用于将所述巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量，以根据所述特征向量得到分类结果。进一步的，还包括：确定模块，用于根据训练好的巨细胞病毒性视网膜炎辅助识别模型确定病灶位置。第三方面，本申请提供一种电子设备，包括：一个或者多个存储器，其上存储有可执行程序；一个或者多个处理器，用于执行所述存储器中的所述可执行程序，以实现第一方面任一项所述方法的步骤。本申请的实施例提供的技术方案可以包括以下有益效果：本专利技术实施例提供的巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备，巨细胞病毒性视网膜炎辅助识别方法包括获取患者眼底图像，提取眼底图像中巨细胞病毒性视网膜炎参数，巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态，将巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量，以根据特征向量得到分类结果，根据分类结果可以识别患者是否患有巨细胞病毒性视网膜炎，从而实现巨细胞病毒性视网膜炎地精准预测，并且，操作简单，可进行多医疗中心推广甚至社区普及，改善大众医疗水平。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1为本申请一个实施例提供的一种巨细胞病毒性视网膜炎辅助识别方法的流程图。图2为本申请另一个实施例提供的一种巨细胞病毒性视网膜炎辅助识别方法的流程图。图3为本申请一个实施例提供的一种巨细胞病毒性视网膜炎辅助识别装置的功能结构图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。图1为本申请一个实施例提供的巨细胞病毒性视网膜炎辅助识别方法的流程图，如图1所示，该巨细胞病毒性视网膜炎辅助识别方法，包括：S11：获取患者眼底图像；S12：提取眼底图像中巨细胞病毒性视网膜炎参数，巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态；病灶位置包括但不限于周边型和中央型；病灶形态包括出血水肿型，颗粒型，霜样树枝状血管炎，视神经视网膜炎等。S13：将巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量以根据特征向量得到分类结果。根据分类结果可以识别出患者是否患有巨细胞病毒性视网膜炎。由于从未有研究基于病患的广域眼底彩照自动诊断CMVR，CMVR的确诊有赖于经验丰富的眼科医师行眼底镜检查,目前主要依靠眼底检查进行CMVR的诊断，但中国医疗分配不均匀，在高年资眼科医生相对匮乏的地区,造成部分地区病例确诊困难，并且本文档来自技高网...

【技术保护点】
1.一种巨细胞病毒性视网膜炎辅助识别方法，其特征在于，包括：/n获取患者眼底图像；/n提取所述眼底图像中巨细胞病毒性视网膜炎参数，所述巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态；/n将所述巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量，以根据所述特征向量得到分类结果。/n

【技术特征摘要】
1.一种巨细胞病毒性视网膜炎辅助识别方法，其特征在于，包括：
获取患者眼底图像；
提取所述眼底图像中巨细胞病毒性视网膜炎参数，所述巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态；
将所述巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量，以根据所述特征向量得到分类结果。


2.根据权利要求1所述的巨细胞病毒性视网膜炎辅助识别方法，其特征在于，还包括：
构建基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型；
采用内部数据集对所述巨细胞病毒性视网膜炎辅助识别模型进行四倍交叉验证以训练所述巨细胞病毒性视网膜炎辅助识别模型。


3.根据权利要求2所述的巨细胞病毒性视网膜炎辅助识别方法，其特征在于，所述构建基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型包括：
采用InceptionResnetV2网络模型作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的基础网络模型；
采用CrossEntropy损失函数作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的损失函数；
根据所述损失函数得到分类结果；
根据分类结果判断患者是否患有巨细胞病毒性视网膜炎。


4.根据权利要求2所述的巨细胞病毒性视网膜炎辅助识别方法，其特征在于，还包括：
对内部数据集中的样本进行分类；
根据内部数据集中样本类别施加不同权重。


5.根据权利要求1或2所述的巨细胞病毒性视网膜炎辅助识别方法，其特征在于，训练好的巨细胞病毒性视网膜炎辅助识别模型后，还包括：
采用外部验证数据集进行外部验证；
根据外部验证结果优化模型性能...

【专利技术属性】
技术研发人员：魏文斌，董力，杜葵芳，张凯，李赫妍，
申请(专利权)人：首都医科大学附属北京同仁医院，
类型：发明
国别省市：北京;11