CN110363226A - 基于随机森林的眼科病种分类识别方法、装置及介质 - Google Patents

基于随机森林的眼科病种分类识别方法、装置及介质 Download PDF

Info

Publication number
CN110363226A
CN110363226A CN201910542438.5A CN201910542438A CN110363226A CN 110363226 A CN110363226 A CN 110363226A CN 201910542438 A CN201910542438 A CN 201910542438A CN 110363226 A CN110363226 A CN 110363226A
Authority
CN
China
Prior art keywords
model
disease
training
random forest
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910542438.5A
Other languages
English (en)
Inventor
吕彬
王玥
吕传峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910542438.5A priority Critical patent/CN110363226A/zh
Publication of CN110363226A publication Critical patent/CN110363226A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

基于随机森林的眼科病种分类识别方法、装置及介质
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。
优选地，所述方法还包括：训练所述随机森林模型，其中，训练所述随机森林模型的步骤包括：根据所述病灶识别模型的输出构建样本库，所述样本库包括多个样本，每个样本包括与同一只眼睛相对应的多个特征；从所述样本库中选择多个样本分别作为第二训练样本，并标注与各个第二训练样本对应的眼睛的病种类型，构成训练集；利用所述训练集训练所述随机森林模型。
优选地，利用所述训练集训练所述随机森林模型，包括：将所述第二训练样本输入所述随机森林模型中，从所述第二训练样本中分别随机抽取多个特征作为各个决策树分类模型的输入；训练所述决策树分类模型，得到各个决策树分类模型中的参数；将经过训练的决策树分类模型组合形成所述随机森林模型。
为了实现上述目的，本发明的另一个方面是提供一种电子装置，该电子装置包括：处理器；存储器，所述存储器中包括基于随机森林的眼科病种分类识别程序，所述眼科病种分类识别程序被所述处理器执行时实现如上所述的基于随机森林的眼科病种分类识别方法的步骤。
为了实现上述目的，本发明的再一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于随机森林的眼科病种分类识别程序，所述眼科病种分类识别程序被处理器执行时，实现如上所述的基于随机森林的眼科病种分类识别方法的步骤。
相对于现有技术，本发明具有以下优点和有益效果：
本发明通过病灶识别模型得到OCT图像的病灶类型，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。
附图说明
图1为本发明所述基于随机森林的眼科病种分类识别方法的流程示意图；
图2为本发明中基于随机森林的眼科病种分类识别程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，仅仅用以解释本发明，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
图1为本发明所述基于随机森林的眼科病种分类识别方法的流程示意图，如图1所示，本发明所述基于随机森林的眼科病种分类识别方法，包括以下步骤：
步骤S1，获取眼部的多张原始OCT图像，通常会在一只眼睛的不同位置扫描多张OCT图像，以综合多张图像获取眼睛的疾病病种，本发明中不需要对原始OCT图像进行任何处理，只要保证对图像的扫描位置正确即可；
步骤S2，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；
步骤S3，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；
步骤S4，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。
本发明通过病灶识别模型与病种分类模型得到与眼睛对应的病种类别，基于病灶类别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。
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，通过深度卷积神经网络模型得到每张OCT图像上可能存在的病灶类型的概率值(概率取值0～1)，例如，输入一张OCT图像，输出为1×N的概率向量，其中，N表示OCT图像中可能存在的病灶类型的数量；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。通过随机森林模型基于整只眼睛级别进行病种分类识别，得到对应的眼睛病种类别，例如，随机森林模型的输入为1×(M·N)的一维向量，M为一只眼睛所扫描的OCT图像数量(如31张)，N为每张OCT图像中可能存在的病灶类型的数量(如预先选定的13个病灶类型)，通过将M×N的矩阵进行一维化处理获取，每个向量元素表示某张OCT图像中可能存在某种病灶征象的概率值(取值范围为0～1)，随机森林模型输出为该只眼睛属于某类病种的概率值，例如，M×N矩阵可表示为其中，PMN表示对该只眼睛扫描的第M张OCT图像中存在第N种病灶类型的概率。
通过融合深度卷积神经网络和随机森林，既利用了卷积神经网络对图像特征自动表达的优势，又利用了随机森林在处理少量样本时的模型泛化能力，从而提高整体模型的准确性及泛化性，提高眼部病种识别的准确率。
所述深度卷积神经网络包括卷积层、池化层、激活函数和全连接层等子结构。进一步地，在不同卷积核大小的卷积层之间添加跳连单元，以避免随着网络结构的加深而带来的退化现象。
本发明的一个实施例中，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，第一训练样本为单张OCT图像，训练模型时，预先收集一定量的OCT图像，与一只或多只眼睛相对应，并对所述第一训练样本进行标注，包括标注每张OCT图像(即每个第一训练样本)中存在的病灶类型，例如，包括视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣等；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，训练卷积神经网络的各个参数。
进一步地，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，表示该第一训练样本上存在的某种病灶类型的概率(取值0～1)；基于损失函数最小和随机梯度下降法(stochastic gradient descend，SGD)，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。其中，输出与一个第一训练样本对应的概率向量之后，基于随机梯度下降法，对各个连接层的权重参数进行更新，利用更新后的参数对深度卷积神经网络模型继续进行训练，基于损失函数最小确定是否结束训练，获得最终的权重参数。
本发明中选择的损失函数为二进制交叉熵(binary cross entropy)。
所述随机森林模型包括多个决策树分类模型，通过某种策略(这里采用投票法)将多个决策树结合起来，构成所述随机森林模型。利用随机森林模型可以在处理少量样本时增强模型的泛化能力。
所述决策树分类模型包括：一个根节点、多个内部节点(包括父节点和子节点)和多个叶节点，其中，所述根节点包括所述决策树分类模型所有的输入特征，其中，所述特征为一只眼睛扫描的某张OCT图像中可能存在某个病灶征象的概率值，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，判定条件为该内部节点对应的特征(是一个概率值)是否超过相应的预设阈值，根据特征判定结果将该内部节点包含的特征从父节点划分到子节点中。从根节点到每个叶节点的路径对应了一个判定测试序列，输出一个病种类别的概率，因此，在一个决策树分类模型中，包括多个判定测试序列，可输出多个病种类别的概率。
本发明的一个实施例中，根节点对应的所述决策树分类模型所有的输入特征，为从随机森林模型的输入中随机抽取的多个特征。例如，随机森林模型的输入为1×(M·N)的一维向量，将该一维向量中的向量元素随机抽取多个而构成的新向量作为决策树分类模型的输入，新向量中的每个向量元素视为一个特征，表征某张OCT图像中可能存在某种病灶征象的概率值。
本发明的一个实施例中，所述方法还包括：训练所述随机森林模型，其中，训练所述随机森林模型的步骤包括：根据所述病灶识别模型的输出构建样本库，所述样本库包括多个样本，每个样本包括与同一只眼睛相对应的多个特征，例如，所述样本为包括M·N个特征的一维向量，M为一只眼睛所扫描的OCT图像数量，N为每张OCT图像中可能存在的病灶类型的数量，所述特征该一维向量中的向量元素；从所述样本库中选择多个样本作为第二训练样本，并标注与各个第二训练样本对应的眼睛的病种类型，构成训练集，其中，标注病种类型包括糖尿病黄斑水肿、静脉栓塞、干性/湿性老年黄斑变性等；利用所述训练集训练所述随机森林模型。
本发明中的第一训练样本和第二训练样本所代表的含义不同，第一训练样本与单张OCT图像相对应，第二训练样本与一只眼睛相对应。
进一步地，利用所述训练集训练所述随机森林模型，包括：将所述第二训练样本输入所述随机森林模型中，从所述第二训练样本中分别随机抽取多个特征作为各个决策树分类模型的输入，每个决策树随机抽取的特征数量可以相同或不同；训练所述决策树分类模型，得到各个决策树分类模型中的参数；将经过训练的决策树分类模型组合形成所述随机森林模型。
本发明的一个实施例中，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，包括：统计将所述眼睛预测为各个病种类别的决策树数量；选择对应决策树数量最大的病种类别；获取选择的病种类别的概率值并输出，其中，选择的病种类别的概率值为对应的决策树数量与决策树总数量的比值。
进一步地，选择对应决策树数量最大的病种类别，包括：若对应决策树数量最大的病种类别有多个，则从多个病种类别中随机选取一个，作为所述眼睛的病种类别。
本发明的一个实施例中，统计将所述眼睛预测为各个病种类别的决策树数量之后，可以将各个病种类别对应的决策树数量进行排序，选择病种类别时，可以根据需要选择排序靠前的一个或多个决策树数量对应的病种类别，作为最终选择的病种类别，得到选择的一个或多个病种类别的概率值，相应的得到一个或多个病种类别，以供医生专家参考。
本发明所述基于随机森林的眼科病种分类识别方法应用于电子装置，所述电子装置可以是电视机、智能手机、平板电脑、计算机等终端设备。
所述电子装置包括：处理器；存储器，用于存储基于随机森林的眼科病种分类识别程序，处理器执行所述基于随机森林的眼科病种分类识别程序，实现以下的基于随机森林的眼科病种分类识别方法的步骤：
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。
所述电子装置还包括网络接口和通信总线等。其中，网络接口可以包括标准的有线接口、无线接口，通信总线用于实现各个组件之间的连接通信。
存储器包括至少一种类型的可读存储介质，可以是闪存、硬盘、光盘等非易失性存储介质，也可以是插接式硬盘等，且并不限于此，可以是以非暂时性方式存储指令或软件以及任何相关联的数据文件并向处理器提供指令或软件程序以使该处理器能够执行指令或软件程序的任何装置。本发明中，存储器存储的软件程序包括基于随机森林的眼科病种分类识别程序，并可以向处理器提供该基于随机森林的眼科病种分类识别程序，以使得处理器可以执行该基于随机森林的眼科病种分类识别程序，实现基于随机森林的眼科病种分类识别方法的步骤。
处理器可以是中央处理器、微处理器或其他数据处理芯片等，可以运行存储器中的存储程序，例如，本发明中基于随机森林的眼科病种分类识别程序。
所述电子装置还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置中处理的信息以及用于显示可视化的工作界面。
所述电子装置还可以包括用户接口，用户接口可以包括输入单元(比如键盘)、语音输出装置(比如音响、耳机)等。
在其他实施例中，基于随机森林的眼科病种分类识别程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器中，并由处理器执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。图2为本发明中基于随机森林的眼科病种分类识别程序的模块示意图，如图2所示，所述基于随机森林的眼科病种分类识别程序可以被分割为：图像获取模块1、病灶识别模块2、病种分类模块3和病种获取模块4。其中：
图像获取模块1，获取眼部的多张原始OCT图像；
病灶识别模块2，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；
病种分类模块3，将通过与同一只眼睛对应的所有OCT图像得到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；
病种获取模块4，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，通过深度卷积神经网络模型得到每张OCT图像上可能存在的病灶类型的概率值(概率取值0～1)，例如，输入一张OCT图像，输出为1×N的概率向量，其中，N表示OCT图像中可能存在的病灶类型的数量；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。通过随机森林模型基于整只眼睛级别进行病种分类识别，得到对应的眼睛病种类别，例如，随机森林模型的输入为1×(M·N)的一维向量，M为一只眼睛所扫描的OCT图像数量(如31张)，N为每张OCT图像中可能存在的病灶类型的数量(如预先选定的13个病灶类型)，通过将M×N的矩阵进行一维化处理获取，每个向量元素表示某张OCT图像中可能存在某种病灶征象的概率值(取值范围为0～1)，随机森林模型输出为该只眼睛属于某类病种的概率值，例如，M×N矩阵可表示为其中，PMN表示对该只眼睛扫描的第M张OCT图像中存在第N种病灶类型的概率。
通过融合深度卷积神经网络和随机森林，既利用了卷积神经网络对图像特征自动表达的优势，又利用了随机森林在处理少量样本时的模型泛化能力，从而提高整体模型的准确性及泛化性，提高眼部病种识别的准确率。
所述深度卷积神经网络包括卷积层、池化层、激活函数和全连接层等子结构。进一步地，在不同卷积核大小的卷积层之间添加跳连单元，以避免随着网络结构的加深而带来的退化现象。
本发明的一个实施例中，所述电子装置还包括第一训练模块，训练深度卷积神经网络模型，所述第一训练模块包括：样本标注单元，获取第一训练样本，第一训练样本为单张OCT图像，训练模型时，预先收集一定量的OCT图像，与一只或多只眼睛相对应，并对所述第一训练样本进行标注，包括标注每张OCT图像(即每个第一训练样本)中存在的病灶类型，例如，包括视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣等；神经网络模型训练单元，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，训练卷积神经网络的各个参数。
进一步地，所述神经网络模型训练单元通过下述方式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，表示该第一训练样本上存在的某种病灶类型的概率(取值0～1)；基于损失函数最小和随机梯度下降法(stochasticgradient descend，SGD)，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。其中，输出与一个第一训练样本对应的概率向量之后，基于随机梯度下降法，对各个连接层的权重参数进行更新，利用更新后的参数对深度卷积神经网络模型继续进行训练，基于损失函数最小确定是否结束训练，获得最终的权重参数。
本发明中选择的损失函数为二进制交叉熵(binary cross entropy)。
所述随机森林模型包括多个决策树分类模型，通过某种策略(这里采用投票法)将多个决策树结合起来，构成所述随机森林模型。利用随机森林模型可以在处理少量样本时增强模型的泛化能力。
所述决策树分类模型包括：一个根节点、多个内部节点(包括父节点和子节点)和多个叶节点，其中，所述根节点包括所述决策树分类模型所有的输入特征，其中，所述特征为一只眼睛扫描的某张OCT图像中可能存在某个病灶征象的概率值，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，判定条件为该内部节点对应的特征(是一个概率值)是否超过相应的预设阈值，根据特征判定结果将该内部节点包含的特征从父节点划分到子节点中。从根节点到每个叶节点的路径对应了一个判定测试序列，输出一个病种类别的概率，因此，在一个决策树分类模型中，包括多个判定测试序列，可输出多个病种类别的概率。
本发明的一个实施例中，根节点对应的所述决策树分类模型所有的输入特征，为从随机森林模型的输入中随机抽取的多个特征。例如，随机森林模型的输入为1×(M·N)的一维向量，将该一维向量中的向量元素随机抽取多个而构成的新向量作为决策树分类模型的输入，新向量中的每个向量元素视为一个特征，表征某张OCT图像中可能存在某种病灶征象的概率值。
本发明的一个实施例中，所述电子装置还包括第二训练模块，训练所述随机森林模型。所述第二训练模块包括：样本库构建单元，根据所述病灶识别模型的输出构建样本库，所述样本库包括多个样本，每个样本包括与同一只眼睛相对应的多个特征，例如，所述样本为包括M·N个特征的一维向量，M为一只眼睛所扫描的OCT图像数量，N为每张OCT图像中可能存在的病灶类型的数量，所述特征该一维向量中的向量元素；训练集构建单元，从所述样本库中选择多个样本作为第二训练样本，并标注与各个第二训练样本对应的眼睛的病种类型，构成训练集，其中，标注病种类型包括糖尿病黄斑水肿、静脉栓塞、干性/湿性老年黄斑变性等；随机森林模型训练单元，利用所述训练集训练所述随机森林模型。
进一步地，随机森林模型训练单元通过下述方式训练所述随机森林模型，包括：将所述第二训练样本输入所述随机森林模型中，从所述第二训练样本中分别随机抽取多个特征作为各个决策树分类模型的输入，每个决策树随机抽取的特征数量可以相同或不同；训练所述决策树分类模型，得到各个决策树分类模型中的参数；将经过训练的决策树分类模型组合形成所述随机森林模型。
本发明的一个实施例中，所述病种分类模块包括：统计单元，统计将所述眼睛预测为各个病种类别的决策树数量；选择单元，选择对应决策树数量最大的病种类别；概率输出单元，获取选择的病种类别的概率值并输出，其中，选择的病种类别的概率值为对应的决策树数量与决策树总数量的比值。
进一步地，选择单元在选择对应决策树数量最大的病种类别时，若对应决策树数量最大的病种类别有多个，则从多个病种类别中随机选取一个，作为所述眼睛的病种类别。
本发明的一个实施例中，所述病种分类模块还包括排序单元，在统计将所述眼睛预测为各个病种类别的决策树数量之后，将各个病种类别对应的决策树数量进行排序，选择病种类别时，可以根据需要选择排序靠前的一个或多个决策树数量对应的病种类别，作为最终选择的病种类别，得到选择的一个或多个病种类别的概率值，相应的得到一个或多个病种类别，以供医生专家参考。
本发明的一个实施例中，计算机可读存储介质可以是任何包含或存储程序或指令的有形介质，其中的程序可以被执行，通过存储的程序指令相关的硬件实现相应的功能。例如，计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此，可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括基于随机森林的眼科病种分类识别程序，所述基于随机森林的眼科病种分类识别程序被处理器执行时，实现如下的基于随机森林的眼科病种分类识别方法：
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。
本发明之计算机可读存储介质的具体实施方式与上述基于随机森林的眼科病种分类识别方法、电子装置的具体实施方式大致相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于随机森林的眼科病种分类识别方法，应用于电子装置，其特征在于，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。
2.根据权利要求1所述的基于随机森林的眼科病种分类识别方法，其特征在于，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。
3.根据权利要求2所述的基于随机森林的眼科病种分类识别方法，其特征在于，所述方法还包括：
训练所述深度卷积神经网络模型；
其中，所述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。
4.根据权利要求3所述的基于随机森林的眼科病种分类识别方法，其特征在于，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。
5.根据权利要求2所述的基于随机森林的眼科病种分类识别方法，其特征在于，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。
6.根据权利要求5所述的基于随机森林的眼科病种分类识别方法，其特征在于，所述方法还包括：
训练所述随机森林模型；
其中，所述训练所述随机森林模型的步骤包括：
根据所述病灶识别模型的输出构建样本库，所述样本库包括多个样本，每个样本包括与同一只眼睛相对应的多个特征；
从所述样本库中选择多个样本分别作为第二训练样本，并标注与各个第二训练样本对应的眼睛的病种类型，构成训练集；
利用所述训练集训练所述随机森林模型。
7.根据权利要求6所述的基于随机森林的眼科病种分类识别方法，其特征在于，利用所述训练集训练所述随机森林模型，包括：
将所述第二训练样本输入所述随机森林模型中，从所述第二训练样本中分别随机抽取多个特征作为各个决策树分类模型的输入；
训练所述决策树分类模型，得到各个决策树分类模型中的参数；
将经过训练的决策树分类模型组合形成所述随机森林模型。
8.一种电子装置，其特征在于，该电子装置包括：处理器；存储器，所述存储器中包括基于随机森林的眼科病种分类识别程序，所述眼科病种分类识别程序被所述处理器执行时实现如下所述的基于随机森林的眼科病种分类识别方法的步骤：
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。
9.根据权利要求8所述的电子装置，其特征在于，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。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于随机森林的眼科病种分类识别程序，所述眼科病种分类识别程序被处理器执行时，实现如权利要求1至7中任一项所述的基于随机森林的眼科病种分类识别方法的步骤。
CN201910542438.5A 2019-06-21 2019-06-21 基于随机森林的眼科病种分类识别方法、装置及介质 Pending CN110363226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542438.5A CN110363226A (zh) 2019-06-21 2019-06-21 基于随机森林的眼科病种分类识别方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542438.5A CN110363226A (zh) 2019-06-21 2019-06-21 基于随机森林的眼科病种分类识别方法、装置及介质

Publications (1)

Publication Number Publication Date
CN110363226A true CN110363226A (zh) 2019-10-22

Family

ID=68217526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542438.5A Pending CN110363226A (zh) 2019-06-21 2019-06-21 基于随机森林的眼科病种分类识别方法、装置及介质

Country Status (1)

Country Link
CN (1) CN110363226A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111564223A (zh) * 2020-07-20 2020-08-21 医渡云（北京）技术有限公司 传染病生存概率的预测方法、预测模型的训练方法及装置
CN112002390A (zh) * 2020-08-31 2020-11-27 南京市口腔医院 一种口腔cbct数据成像结构化管理***
CN112446876A (zh) * 2020-12-11 2021-03-05 北京大恒普信医疗技术有限公司 基于图像的抗vegf指征判别方法、装置及电子设备
CN112634226A (zh) * 2020-12-18 2021-04-09 平安科技（深圳）有限公司 头部ct图像检测装置、方法、电子设备及存储介质
WO2021114635A1 (zh) * 2020-05-13 2021-06-17 平安科技（深圳）有限公司 患者分群模型构建方法、患者分群方法及相关设备
WO2021120587A1 (zh) * 2020-05-29 2021-06-24 平安科技（深圳）有限公司 基于oct的视网膜分类方法、装置、计算机设备及存储介质
CN113349810A (zh) * 2021-05-27 2021-09-07 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测方法及装置
CN113486925A (zh) * 2021-06-07 2021-10-08 北京鹰瞳科技发展股份有限公司 模型训练方法、眼底图像生成方法、模型评估方法及装置
CN114093473A (zh) * 2021-10-28 2022-02-25 广州爱尔眼科医院有限公司 一种眼科手术病人管理***
CN114119359A (zh) * 2022-01-25 2022-03-01 北京鹰瞳科技发展股份有限公司 用于基于眼底图像的疾病演进的图像生成方法及其相关产品
CN114529857A (zh) * 2022-02-25 2022-05-24 平安科技（深圳）有限公司 用户在线状态的识别方法、装置、服务器及存储介质
CN114782337A (zh) * 2022-04-08 2022-07-22 平安国际智慧城市科技股份有限公司 基于人工智能的oct图像推荐方法、装置、设备及介质
CN117017232A (zh) * 2023-10-07 2023-11-10 牛尾医疗科技（苏州）有限公司 结合ar和固有荧光的辅助诊断***、介质和设备

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021114635A1 (zh) * 2020-05-13 2021-06-17 平安科技（深圳）有限公司 患者分群模型构建方法、患者分群方法及相关设备
WO2021120587A1 (zh) * 2020-05-29 2021-06-24 平安科技（深圳）有限公司 基于oct的视网膜分类方法、装置、计算机设备及存储介质
CN111564223B (zh) * 2020-07-20 2021-01-12 医渡云（北京）技术有限公司 传染病生存概率的预测方法、预测模型的训练方法及装置
CN111564223A (zh) * 2020-07-20 2020-08-21 医渡云（北京）技术有限公司 传染病生存概率的预测方法、预测模型的训练方法及装置
CN112002390A (zh) * 2020-08-31 2020-11-27 南京市口腔医院 一种口腔cbct数据成像结构化管理***
CN112446876A (zh) * 2020-12-11 2021-03-05 北京大恒普信医疗技术有限公司 基于图像的抗vegf指征判别方法、装置及电子设备
CN112634226A (zh) * 2020-12-18 2021-04-09 平安科技（深圳）有限公司 头部ct图像检测装置、方法、电子设备及存储介质
CN112634226B (zh) * 2020-12-18 2024-05-14 平安科技（深圳）有限公司 头部ct图像检测装置、方法、电子设备及存储介质
CN113349810B (zh) * 2021-05-27 2022-03-01 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测***及装置
CN113349810A (zh) * 2021-05-27 2021-09-07 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测方法及装置
CN113486925A (zh) * 2021-06-07 2021-10-08 北京鹰瞳科技发展股份有限公司 模型训练方法、眼底图像生成方法、模型评估方法及装置
CN114093473A (zh) * 2021-10-28 2022-02-25 广州爱尔眼科医院有限公司 一种眼科手术病人管理***
CN114119359A (zh) * 2022-01-25 2022-03-01 北京鹰瞳科技发展股份有限公司 用于基于眼底图像的疾病演进的图像生成方法及其相关产品
CN114529857A (zh) * 2022-02-25 2022-05-24 平安科技（深圳）有限公司 用户在线状态的识别方法、装置、服务器及存储介质
CN114782337A (zh) * 2022-04-08 2022-07-22 平安国际智慧城市科技股份有限公司 基于人工智能的oct图像推荐方法、装置、设备及介质
CN117017232A (zh) * 2023-10-07 2023-11-10 牛尾医疗科技（苏州）有限公司 结合ar和固有荧光的辅助诊断***、介质和设备

Similar Documents

Publication Publication Date Title
CN110363226A (zh) 基于随机森林的眼科病种分类识别方法、装置及介质
Esfahani et al. Classification of diabetic and normal fundus images using new deep learning method
CN109964235A (zh) 用于对昆虫进行视觉分类的预测模型
CN110110600A (zh) 眼部oct图像病灶识别方法、装置及存储介质
CN110399929A (zh) 眼底图像分类方法、装置以及计算机可读存储介质
CN108805860A (zh) 图像解析方法、装置、程序及深度学习算法的生成方法
CN110264443A (zh) 基于特征可视化的眼底图像病变标注方法、装置及介质
CN110327013A (zh) 眼底图像检测方法、装置及设备和存储介质
CN109145965A (zh) 基于随机森林分类模型的细胞识别方法和装置
CN110097545A (zh) 基于深度学习的眼底图像生成方法
CN109815965A (zh) 一种图像过滤方法、装置及存储介质
CN110458829A (zh) 基于人工智能的图像质控方法、装置、设备及存储介质
CN113158821B (zh) 基于多模态的眼部检测数据的处理方法、装置及终端设备
CN114392560B (zh) 虚拟场景的运行数据处理方法、装置、设备及存储介质
CN109903339A (zh) 一种基于多维融合特征的视频群体人物定位检测方法
CN110443105A (zh) 自体免疫抗体的免疫荧光影像型态识别方法
CN109390053A (zh) 眼底图像处理方法、装置、计算机设备和存储介质
CN109993187A (zh) 一种用于识别物体类别的建模方法、机器人及存储装置
CN111462093A (zh) 一种基于眼底图像进行疾病分类的方法
CN110378842A (zh) 一种图像纹理滤波方法、终端设备及存储介质
CN110427870B (zh) 眼部图片识别方法、目标识别模型训练方法及装置
Baiju et al. Diabetes Retinopathy Prediction Using Multi-model Hyper Tuned Machine Learning
US20220351377A1 (en) Automated selection of ultra-widefield angiography images
CN110415779A (zh) 保温措施有效性检测方法、装置、设备及存储介质
CN110384483A (zh) 运动平衡评估方法及计算机终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination