CN113273959A - 一种便携式糖尿病视网膜病变诊疗仪 - Google Patents

Abstract

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。

Description

一种便携式糖尿病视网膜病变诊疗仪

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。

中国专利申请号：CN 202110281472 .9公开了一种用于眼底棉绒斑图像分割的自适应超像素FCM方法，其采用了结合衍生多种群遗传算法优化出的初始聚类中心，有效避免了FCM聚类中心对聚类结果的影响，能够更高效率的解决FCM聚类中心敏感问题，从而能够准确和高效的检测出眼底图像的棉绒斑病灶，但是未考虑如何对眼底图像进行分类和给出合适诊断意见。

专利公开号：CN106488738A公开了一种眼底成像系统，其包括视网膜成像步骤和初步诊断步骤，其中在使用眼底图像作为输入时，评估算法的示例输出是存在小的红点、存在出血以及在眼底中检测到硬性渗出物。输出能够识别诊断列表和观察的组织的数量。但是未考虑如何对眼底图像进行分类和给出合适诊断意见。

中国专利申请号：CN201910133719.5公开了一种糖尿病及糖尿病视网膜病变网络防治系统,其具体公开了检测模块、读片智能诊断模块读片智能诊断模块、信息存储模块和智能防治模块，所述检测模块包括血糖检测终端和眼底检测终端，用于检测患者的血糖浓度，并为患者拍摄眼底影像图片，所述读片智能诊断模块读片智能诊断模块包括读片单元和智能诊断单元，用于对所述眼底影像图片提供专业的读片结果和诊断结果，并将眼底情况反馈给患者，所述无线传输模块用于通过无线网络传输所述血糖浓度信息、患者基本信息及眼底影像图片及其他影像图片，所述信息存储模块与所述检测模块和所述读片智能诊断模块分别连接，用于存储患者的血糖信息和眼底影像图片及其他影像图片，所述智能防治模块包括糖尿病防治单元、糖尿病视网膜病变防治单元和用户终端，用于为患者提供预防及治疗方案。但是其读片单元用于接收所述眼底影像图片，并判断视网膜、眼底血管、视神经乳头、视神经纤维、视网膜上的黄斑部，以及视网膜后的脉络膜的病变情况，根据眼底病变程度分为1、2、3、4、5五个等级，该过程依赖于人工经验，难免会有误诊的情况，且所述智能诊断单元根据糖尿病患者的患病阶段Ci、患病年限Lj、遗传概率Nm、眼底病变程度Qk和年龄Rs建立糖尿病诊断模型，f＝(Ci ,Lj ,Nm ,Qk ,Rs)，其根据经验建立的诊断模型帮助给出糖尿病视网膜病变患者的患病等级，帮助给出合理的治疗方案，但是人工经验公式是辅助诊断的一种方式，其并不一定适合所有病例，特别是特殊病例特殊情况，也容易导致误诊。

针对现有技术中基本都是通过独立的检测设备对眼部眼底图像进行拍照，这些分析结果是由医生进行分析后，得出的具体的诊断结论和治疗方案，或者根据图像诊断结果结合血糖和患病年限等得出人工经验模型的数值，从而判断属于何种糖网眼底病变等级，并不能够覆盖个别特殊病例，难以保证诊断准确率，可见现有技术主要依靠医生经验来诊断，容易出现误诊或者判断不准确等情况的产生，现有技术并无专门针对糖尿病视网膜病变的便携式诊断和治疗设备。本申请的设备可以根据各个检测模块或者输入的数据进行分析处理后直接对用户眼部疾病等级进行诊断，并且对眼部的疾病直接生成具体的治疗方案。因此能够完全脱离医生，甚至用户在家中就可以自行进行眼部的检查，并且根据个人病程发展可以根据有针对性的治疗方案。本发明便携式糖尿病视网膜病变诊疗仪由检测模块、分类模块和诊疗模块组成，本设别能对眼底图像自动分类，并通过诊断模型进行分级以及通过界面显示出对应的治疗方案，还建立病人个人档案，能动态跟踪病情数据并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。

发明内容

为解决上述技术问题，本发明提供一种便携式糖尿病视网膜病变诊疗仪，其由检测模块、分类模块、诊疗模块组成，检测模块包括血糖检测、血压监测、血脂检测、眼底检测，分类模块将眼底检测的图像由GA-BP神经网络分类模型自动分类，诊疗模块包括专家系统，其专家系统由专家系统数据库、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；

专家系统数据库中记录有大量糖尿病视网膜病变临床数据,并存储病人的个人数据，根据疾病发展阶段提供适合的治疗方案；

其中检测模块的数据传递至专家系统数据库用于诊疗分析和提供治疗方案；

其中专家数据库包括糖尿病视网膜病变的主要诊断特征，包括微血管瘤、出血点、硬性渗出物、棉绒斑和新生血管；

GA-BP神经网络诊断模型用于根据GA-BP神经网络分类模型的输出结果、血糖浓度、手动输入的数据作为基础进行诊断，并给出对应治疗方案，通过界面显示模块显示出来。

GA-BP神经网络分类模型自动分类步骤为：通过大量已知眼底图像样本对GA-BP神经网络分类模型进行训练，将眼底检测得到的眼底图像作为输入数据，通过训练好的GA-BP神经网络分类模型进行推断得出其属于糖尿病视网膜病变的种类，该种类包括糖网眼底病变I期、II期、III期、IV期、V期、VI期，其中I期、II期、III期为无增殖性单纯性病变，IV期、V期、VI期为增殖性病变。

进一步的，通过遗传算法GA这一全局优化算法对BP神经网络模型参数进行优化，其中GA参数为：种群大小25，迭代次数45，交叉概率0.42，变异概率0.20;BP神经网络采用三层网络模型，即输入层、隐含层和输出层。

进一步的，还包括对眼底图像的预处理、图像分割和特征提取，其中预处理为中值滤波预处理，随后分割出视盘和血管区域，提取其中病灶特征向量，将其作为BP神经网络的输入层数据。

进一步的，专家系统数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化，形成知识规则存入所述专家系统数据库中。

进一步的，部分手动输入的参数包括糖尿病病龄、患者年龄、视力。

进一步的，GA-BP神经网络分类模型中BP神经网络采用输入层节点数为5、隐含层节点数为8、输出层节点数为1的三层结构。

进一步的， 通过GA-BP神经网络诊断模型对患者患病程度进行诊断并给出相应的治疗方案，其中BP神经网络采用输入层节点数为7、隐含层节点数为20、输出层节点数为1的三层结构，患病程度分为四级，其中一级糖尿病视网膜病变患者的治疗方案为饮食控制+适量运动，二级糖尿病视网膜病变患者的治疗方案为药物治疗，三级级糖尿病视网膜病变患者的治疗方案为激光治疗，四级糖尿病视网膜病变患者的治疗方案为手术治疗。

进一步的，专家系统还包括建立病人个人档案，根据病程发展和数据变化给出动态有针对性的治疗方案。

进一步的，界面显示模块包括诊断结果显示和治疗方案显示。

本发明的有益效果在于：

（1）针对糖尿病视网膜病眼底图像病灶特征复杂且差异小的特点，现有技术主要采用人工判断容易误诊或难以给出准确的分类判断，本发明的设备可以将传统血糖检测、血压监测、血脂检测、眼底检测设备进行集成，大量减少病人繁琐的耗时费力的检测过程，利于病人按时进行复诊，有利于及时跟踪病人的病程发展，并能给出针对性的治疗方案；

（2）检测模块得出的数据、分类模块得到的数据以及部分手动输入的数据导入专家系统数据库，通过GA-BP神经网络诊断模型对患者患病程度进行诊断并给出相应的治疗方案，因此能够基本脱离医生，甚至用户在家中就可以自行进行眼部的检查，利于随时跟进诊疗；

（3）分类模块中对眼底图像的预处理、图像分割和自动特征提取，其中预处理为中值滤波预处理，随后分割出视盘和血管区域，提取其中病灶特征向量，将其作为BP神经网络的输入层数据，将眼底检测的图像由GA-BP神经网络分类模型自动分类，相比人工分类速度更快，且误差更小，避免分类过程由于医生经验不足造成的失误，耽误后续治疗；

（4）专家系统中诊疗模块采用遗传算法优化的BP神经网络预测模型，即GA-BP神经网络，对糖尿病视网膜病变进行分级，根据不同病人的病龄、年龄、血糖、血脂和眼底分类结果综合进行诊断，比传统主要看眼底图像即给出诊断意见更为科学和全面，能对该疾病进行分级诊断并给出针对性的治疗方案，相比人工判断或基于大数据的神经网络其准确率更高，且通过建立病人个人档案，便于及时和有效的治疗，避免延误病情和耽误最佳治疗时机；复诊后根据病人上述疾病特征的变化情况动态调整治疗方式。

具体实施方式

一种便携式糖尿病视网膜病变诊疗仪，其由检测模块、分类模块、诊疗模块组成，检测模块包括血糖检测、血压监测、血脂检测、眼底检测，分类模块将眼底检测的图像由GA-BP神经网络分类模型自动分类，诊疗模块包括专家系统，专家系统由专家系统数据库、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；

专家系统数据库中记录有大量糖尿病视网膜病变临床数据,并存储病人的个人数据，根据疾病发展阶段提供适合的治疗方案；

其中检测模块的数据传递至专家系统数据库用于诊疗分析和提供治疗方案；

其中专家数据库包括糖尿病视网膜病变的主要诊断特征，包括微血管瘤、出血点、硬性渗出物、棉绒斑和新生血管；

GA-BP神经网络诊断模型用于根据GA-BP神经网络分类模型的输出结果、血糖浓度、手动输入的数据作为基础进行诊断，并给出对应治疗方案，通过界面显示模块显示出来。

GA-BP神经网络分类模型自动分类步骤为：通过大量已知眼底图像样本对GA-BP神经网络分类模型进行训练，将眼底检测得到的眼底图像作为输入数据，通过训练好的GA-BP神经网络分类模型进行推断其属于糖尿病视网膜病变的种类，该种类包括糖网眼底病变I期、II期、III期、IV期、V期、VI期，其中I期、II期、III期为无增殖性单纯性病变，IV期、V期、VI期为增殖性病变。

进一步的，通过遗传算法GA这一全局优化算法对BP神经网络模型参数进行优化，其中GA参数为：种群大小25，迭代次数45，交叉概率0.42，变异概率0.20；BP神经网络采用三层网络模型，即输入层、隐含层和输出层。

进一步的，还包括对眼底图像的预处理、图像分割和特征提取，其中预处理为中值滤波预处理，随后分割出视盘和血管区域，提取其中病灶特征向量，将其作为BP神经网络的输入层数据。

进一步的，专家系统数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化，形成知识规则存入所述专家系统数据库中。

进一步的，部分手动输入的参数包括糖尿病病龄、患者年龄、视力。

进一步的，GA-BP神经网络分类模型中BP神经网络采用输入层节点数为5、隐含层节点数为8、输出层节点数为1的三层结构。

进一步的， 通过GA-BP神经网络诊断模型对患者患病程度进行诊断并给出相应的治疗方案，其中BP神经网络采用输入层节点数为7、隐含层节点数为20、输出层节点数为1的三层结构，患病程度分为四级，其中一级糖尿病视网膜病变患者的治疗方案为饮食控制+适量运动，二级糖尿病视网膜病变患者的治疗方案为药物治疗，三级级糖尿病视网膜病变患者的治疗方案为激光治疗，四级糖尿病视网膜病变患者的治疗方案为手术治疗。

进一步的，专家系统还包括建立病人个人档案，根据病程发展和数据变化给出动态有针对性的治疗方案。

进一步的，界面显示模块包括诊断结果显示和治疗方案显示。

专家系统运行过程如下：首先，专家系统进行知识规则的初始化。专家系统数据库将糖尿病视网膜病变专家经过大量实践和科学分析论证的临床结果进行规则化，形成知识规则存入专家系统数据库中，同时对所输入的知识规则进行样本化处理，专家系统采用正向推理，通过一定算法实现诊断结果和针对性治疗方案，结果显示给用户。

专家系统数据库主要数据包括微血管瘤、出血点、硬性渗出物、棉绒斑、新生血管、糖尿病病龄、患者年龄、视力。通过大量已知的标准数据库获取数据，眼底图像的预处理、图像分割和特征提取，其中预处理为中值滤波预处理，随后分割出视盘和血管区域，提取其中病灶特征向量，建立专家系统的知识规则化表，形成整个专家系统的基础，将其病灶数据作为BP神经网络的输入层数据，对神经网络进行训练，采用正向推理策略，根据用户通过检测单元的数据与知识规则进行匹配，通过GA-BP神经网络分类模型，推断得出其属于糖尿病视网膜病变的分类结果；随后根据不同病人的病龄、年龄、血糖、血脂和眼底分类结果采用遗传算法优化的BP神经网络预测模型，对糖尿病视网膜病变进行分级，综合进行诊断，给出分级诊断结果并给出针对性的治疗方案。

例如，某病人视力检测为0.6、55岁、糖尿病患病病龄为10年，空腹血糖：7.5mmol/L，血脂：总胆固醇6.5mmol/L，血压：150/90mmHg，获取眼底图像后，通过GA-BP神经网络分类模型得出属于糖尿病视网膜病变III期为无增殖性单纯性病变，通过该位患者确定为二级糖尿病视网膜病变患者。根据患者年龄、病龄、血糖、血压、血脂和糖尿病视网膜病变III期数据通过GA-BP神经网络诊断模型得出其属于一级糖尿病视网膜病变患者，则其治疗方案为低糖低脂饮食+适当运动+口服药物；具体而言，还包括，如果是一级糖尿病视网膜病变患者则治疗方案为饮食控制+适量运动，三级糖尿病视网膜病变患者的治疗方案为口服药物+注射胰岛素，四级糖尿病视网膜病变患者的治疗方法为口服药物+注射胰岛素+手术治疗。

专家系统还包括为患者建立完整的个人档案，有效监控糖尿病视网膜病变的发展趋势，使患者能够清楚的了解到自己的病情，以提供更加准确的治疗方案。

其中GA-BP神经网络分类模型具体运行机理如下：

遗传算法（Genetic Algorithm, GA）是1962年由美国Michigan大学的Holland根据达尔文“优胜劣汰、适者生存”的原理机理提出的，它依据孟德尔遗传变异理论，通过对群体内部染色体信息随机交换来寻求更优结构的全局优化搜索算法。遗传算法的一般流程如下：（1）确定编码方式，初始种群（包括种群规模、选择概率、交叉概率和变异概率）及适应度函数，随机生成初始种群；（2）计算个体适应度，判断是否满足收敛标准，若满足，结束计算，则输出得到最优的神经网络权值和阀值；若不满足，则转向第（3）步；（3）依据适应度高低选择个体，适应度高的个体被选中的概率较大；（4）通过对个体之间进行交叉、变异产生新个体；（5）由交叉变异产生的新个体组成的新的种群，返回到（2）步中，继续优化。通过反复比较研究得到GA基本参数及操作方式如表1所示。

表 1 GA基本参数及操作方式

BP神经网络(Back Propagation neural networks) 即前馈式误差反传播神经网络，是应用较为广泛的神经网络之一。BP网络一般包括三层网络结构，即由输入层、隐含层和输出层组成。本文采用三层网络结构。通过标准数据库进行训练和模型验证，其包括对数据库中眼底图像的预处理、图像分割和特征提取，其中预处理为中值滤波预处理，随后分割出视盘和血管区域，提取其中病灶特征向量，输入层的输入变量由微血管瘤、出血点、硬性渗出物、棉绒斑、新生血管变量组成。经过反复的网络训练学习试验后发现，当隐含层节点数为8时，模型的精度最高。隐含层选择S型函数。本文通过现场数据中的418组训练BP神经网络模型，其余100用来验证模型。模型的建立和预测通过Matlab实现，经反复比较预测值的准确率，最终的到网络最佳参数见表2所示。

表 2 BP神经网络的基本参数表

从表3看出，GA-BP神经网络分类模型对糖尿病视网膜病变的分类准确率高达92%，相对于医生人工诊断60%和BP神经网络的77%，其分类精度大大提高，可以得出结论：GA-BP神经网络分类模型的=精度最高，能够用来给实际糖尿病视网膜病变提供很好的参考，能够为后续分级和治疗提供最为准确的指导。

表 3 GA- BP神经网络和人工诊断、BP神经网络分类精度比较

其中GA-BP神经网络诊断模型诊断过程具体为：

通过反复计算比较研究得到GA基本参数及操作方式如表4所示。

表 4 GA基本参数及操作方式

其中GA-BP神经网络诊断模型中BP神经网络采用三层网络结构。通过标准数据库进行训练和模型验证。经过反复的网络训练学习试验后发现，当隐含层节点数为20时，模型的精度最高。隐含层选择S型函数。本文通过现场数据中的418组训练BP神经网络模型，其余100用来验证模型。模型的建立和预测通过Matlab实现，经反复比较预测值的准确率，最终得到最佳参数见表5所示。

表 5 BP神经网络的基本参数表

从表6看出，GA-BP神经网络诊断模型对糖尿病视网膜病变的诊断准确率高达93%，相对于医生人工诊断65%和BP神经网络的78%，其诊断精度大大提高，可以得出结论：GA-BP神经网络的诊断精度最高，能够用来给实际糖尿病视网膜病变治疗提供很好的参考。

表 6 GA- BP神经网络和人工诊断、BP神经网络诊断精度比较

专家系统还包括建立病人个人档案，根据病程发展和数据变化给出动态有针对性的治疗方案。先建立病人个人档案，其中包括病人检测获取和手动输入的重要数据，通过分类模块、诊疗模块给出具体治疗建议，并通过界面显示模块显示出来，复诊信息实时存储于个人档案，有效监控糖尿病视网膜病变的发展趋势，使患者能够清楚的了解到自己的病情，以提供更加准确的治疗方案。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种便携式糖尿病视网膜病变诊疗仪，其特征在于：由检测模块、分类模块、诊疗模块组成，检测模块包括血糖检测、血压监测、血脂检测、眼底检测，分类模块将眼底检测的图像由GA-BP神经网络分类模型自动分类，诊疗模块包括专家系统，专家系统由专家系统数据库、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；

专家系统数据库中记录有大量糖尿病视网膜病变临床数据，并存储病人的个人数据，根据疾病发展阶段提供适合的治疗方案；

其中检测模块的数据传递至专家系统数据库用于诊疗分析和提供治疗方案；

其中专家数据库包括糖尿病视网膜病变的主要诊断特征，包括微血管瘤、出血点、硬性渗出物、棉绒斑和新生血管；

GA-BP神经网络诊断模型用于根据GA-BP神经网络分类模型的输出结果、血糖浓度、血压、血脂、手动输入的数据作为输入数据进行诊断分级，并给出对应治疗方案，通过界面显示模块显示出来。

2.根据权利要求1所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：GA-BP神经网络分类模型自动分类步骤为：通过大量已知眼底图像样本对GA-BP神经网络分类模型进行训练，将眼底检测得到的眼底图像作为输入数据，通过训练好的GA-BP神经网络分类模型进行推断得出其属于糖尿病视网膜病变的种类，该种类包括糖网眼底病变I期、II期、III期、IV期、V期、VI期，其中I期、II期、III期为无增殖性单纯性病变，IV期、V期、VI期为增殖性病变。

3.根据权利要求2所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：通过遗传算法GA这一全局优化算法对BP神经网络参数进行优化，其中GA参数为：种群大小25，迭代次数45，交叉概率0.42，变异概率0.20；BP神经网络采用三层网络模型，即输入层、隐含层和输出层。

4.根据权利要求3所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：还包括对眼底图像的预处理、图像分割和特征提取，其中预处理为中值滤波预处理，随后图像分割出视盘和血管区域，提取其中病灶特征向量，将其作为BP神经网络的输入层数据。

5.根据权利要求4所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：专家系统数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化，形成知识规则存入所述专家系统数据库中。

6.根据权利要求5所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：部分手动输入的参数包括糖尿病病龄、患者年龄、视力。

7.根据权利要求1-6任一项所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：GA-BP神经网络分类模型中BP神经网络采用输入层节点数为5、隐含层节点数为8、输出层节点数为1的三层结构。

8.根据权利要求1所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：通过GA-BP神经网络诊断模型对患者患病程度进行诊断并给出相应的治疗方案，其中BP神经网络采用输入层节点数为7、隐含层节点数为20、输出层节点数为1的三层结构，患病程度分为四级，其中一级糖尿病视网膜病变患者的治疗方案为饮食控制+适量运动，二级糖尿病视网膜病变患者的治疗方案为药物治疗，三级级糖尿病视网膜病变患者的治疗方案为激光治疗，四级糖尿病视网膜病变患者的治疗方案为手术治疗。

9.根据权利要求1所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：专家系统还包括建立病人个人档案，根据病程发展和数据变化给出动态有针对性的治疗方案。

10.根据权利要求1所述的便携式糖尿病视网膜病变诊疗仪，其特征在于：界面显示模块包括诊断结果显示和治疗方案显示。