CN115281602B - 一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统 - Google Patents
一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统 Download PDFInfo
- Publication number
- CN115281602B CN115281602B CN202211222018.7A CN202211222018A CN115281602B CN 115281602 B CN115281602 B CN 115281602B CN 202211222018 A CN202211222018 A CN 202211222018A CN 115281602 B CN115281602 B CN 115281602B
- Authority
- CN
- China
- Prior art keywords
- glaucoma
- analysis
- unit
- index
- pupil
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Ophthalmology & Optometry (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Human Computer Interaction (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统,包括:参数指标获取模块,用于构建青光眼数据库,并获取青光眼参数指标;分析模型构建模块,用于基于所述青光眼参数指标以及青光眼研究动态指标,构建青光眼分析模型;瞳孔对光反射障碍分析模块,用于基于所述青光眼分析模型进行目标瞳孔的分析,确定瞳孔对光反射异常。通过构建数据库,获取参数指标并与动态指标结合,构建模型进行动态分析瞳孔变化,保证确定瞳孔的分析可靠性。
Description
技术领域
本发明涉及智能分析技术领域,特别涉及一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统。
背景技术
青光眼是全球第一位不可逆性致盲眼病,它是以进行性视网膜神经节细胞凋亡以及视敏感度降低为主要特征的视神经病变。随着发病率的增加,青光眼所造成的影响也在日渐扩大。早期诊断、早期治疗可以有效防控病情的发展,预防失明。青光眼早期出现视网膜神经节细胞的损害,通过临床观察到双眼存在不对称性的特点。
由于目前在针对青光眼进行分析的过程中是通过RAPD(随机扩增多型性DNA)测量仪器进行测量,但是,采用该方法在预示神经损害的功能检测理论时,会存在证据不足的情况,不能很好的保证对瞳孔障碍的分析可靠性。
因此,本发明提出一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统。
发明内容
本发明提供一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统,用以通过构建数据库,获取参数指标并与动态指标结合,构建模型来瞳孔进行分析,保证确定瞳孔的分析可靠性。
本发明提供一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统,包括:
参数指标获取模块,用于构建青光眼数据库,并获取青光眼参数指标;
分析模型构建模块,用于基于所述青光眼参数指标以及青光眼研究动态指标,构建青光眼分析模型;
障碍分析模块,用于基于所述青光眼分析模型进行目标瞳孔的分析,确定瞳孔障碍。
优选的,所述参数指标获取模块,包括:
标识采集单元,用于采集青光眼患者的电子病例数据、影像数据以及瞳孔测量数据,并构建对应青光眼患者的采集标识;
数据分类单元,用于按照预设标识分类方法,对所述采集标识进行数据分类;
数据库构建单元,用于根据数据分类结果,构建得到青光眼数据库。
优选的,所述参数指标获取模块,还包括:
归一化处理单元,用于对所述数据分类结果进行归一化处理,提取得到对应数据特征;
向量构建单元,用于对同个数据分类结果中的每个数据特征进行优先级设置,并基于设置结果,构建得到特征向量;
先后排序单元,用于提取每个数据分类结果中针对数据特征设置的最高优先级,并按照所述最高优先级,对所有特征向量进行先后排序;
向量组合单元,用于基于先后顺序依次输入到指标生成模型中,按照所述最高优先级与次高优先级的优先级别,对所有特征向量进行同级别划分,得到对应的向量组合,分别获取每个向量组合对应的初始指标;
指标调整单元,用于获取每个向量组合中每个特征向量的向量加权因子,对相应初始指标进行调整,得到对应的青光眼参数指标。
优选的,所述分析模型构建模块,包括:
关系集合建立单元,用于建立所述青光眼参数指标与青光眼研究动态指标的指标关系集合;
稳固性判断单元,用于确定所述指标关系集合中每个第一关系的关系稳固性,当所述关系稳固性满足稳固性标准时,将对应第一关系保留;
否则,获取不满足稳固性标准的第二关系,并分别确定每个第二关系中第一指标的第一偏向以及第二指标的第二偏向;
概率分布构建单元,用于构建所有第一偏向的第一概率分布以及构建所有第二偏向的第二概率分布;
偏向确定单元,用于确定所述第一概率分布中的第一集中偏向以及所述第二概率分布中的第二集中偏向;
关系筛选单元,用于从所述第二关系中筛选与第一集中偏向的偏向指标相关的第三关系,同时,从所述第二关系中筛选与第二集中偏向的偏向指标相关的第四关系;
保留指标确定单元,用于根据保留的第一关系、第三关系以及第四关系,得到保留指标;
初始模型构建单元,用于基于所有保留指标以与所述保留指标匹配的第一溯源参数,构建得到初始分析模型;
模型补偿单元,用于基于所述第一概率分布中的第一剩余分布以及所述第二概率分布的第二剩余分布,随机筛选散落偏向,并基于散落偏向对应的指标以及第二溯源参数,对所述初始分析模型进行差异补偿,得到青光眼分析模型。
优选的,所述障碍分析模块,包括:
记录单元,用于确定所述青光眼分析模型的分析线程以及所述分析线程上包含的分析层,且记录每个分析层对所述目标瞳孔进行分析过程中的函数参与个数;
数组构建单元,用于根据函数参与个数以及函数未参与个数,构建每个分析层的函数数组;
合格判断单元,用于通过将所述函数数组与对应的标准数组进行比较,来判断所述分析层是否分析合格;
若所有分析层都分析合格,按照每个分析层的分析结果以及对应的分析线程,确定瞳孔障碍;
若存在分析不合格的第一层,则按照所述第一层的函数比值,确定向所述第一层增设通用型函数的推荐系数;
增设判定单元,用于当所述推荐系数大于预设系数,判定推荐增设;
否则,判定不推荐增设;
第一函数增设单元,用于当判定推荐增设的通用型函数的个数为一时,确定基于所述第一层的第一增设位置,并在所述增设位置增加所述通用型函数;
第二函数增设单元,用于当判定增设的通用型函数的个数为多个时,计算每个通用型函数与所述第一层的层环境的匹配结果,并按照匹配结果,按照匹配度由高到低的顺序依次在所述第一层中设置第二增设位置,并将对应通用型函数分别增加在对应第二增设位置上;
模型优化单元,用于基于增设结果,实现对模型的分析优化。
优选的,所述分析模型构建模块,还包括:
资料爬取单元,用于构建青光眼分析模型之前,爬取历史研究资料,并分析每个历史研究资料的青光眼研究动态特征;
特征聚类单元,用于对所有青光眼研究动态特征进行特征聚类;
特征拟合单元,用于对每个聚类特征进行特征拟合,得到对应的青光眼研究动态指标。
优选的,所述合格判断单元,包括:
优选的,所述先后排序单元,包括:
其中,表示提取的对应数据分类结果中针对数据特征设置的最高优先级;表
示对应数据分类结果中第1个数据特征的优先级;表示对应数据分类结果中第2个数据
特征的优先级;表示对应数据分类结果中第m1个数据特征的优先级;max表示最大值符
号。
与现有技术相比,本申请的有益效果如下:
通过构建数据库,获取参数指标并与动态指标结合,构建模型来瞳孔进行分析,保证确定瞳孔的分析可靠性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种用于青光眼的研究动态与瞳孔障碍的分析系统的结构图;
图2为本发明实施例中双眼动态虹膜和瞳孔影像的结构图;
图3为本发明实施例中右眼白光刺激瞳孔和虹膜影像图;
图4为本发明实施例中左眼白光刺激瞳孔和虹膜影像图;
图5为本发明实施例中残差模块的结构图;
图6为本发明实施例中基于沙漏网络的瞳孔轮廓分割示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种用于青光眼的研究动态与瞳孔障碍的分析系统,如图1所示,包括:
参数指标获取模块,用于构建青光眼数据库,并获取青光眼参数指标;
分析模型构建模块,用于基于所述青光眼参数指标以及青光眼研究动态指标,构建青光眼分析模型;
障碍分析模块,用于基于所述青光眼分析模型进行目标瞳孔的分析,确定瞳孔障碍。
该实施例中,在构建青光眼数据库,并获取青光眼参数指标的过程,还可以具体实施为:
将储集青光眼患者临床电子病历数据库、影像数据库及瞳孔测量数据库,通过机器学习的方法进行深度计算,验证青光眼不同时期与RAPD的相关性,提供青光眼RAPD参数指标。
将储集青光眼患者EHRs数据库及瞳孔检测数据库进行机器学习的训练,用神经网络、回归分析、K-mean等机器学习模型进行青光眼分期(视野MD值;用卷积神经网络模型进行青光眼分级(视盘DSLL分级)。检测不同分级、不同分期青光眼患者的瞳孔变化趋势。提供青光眼患者瞳孔反射异常的不对称性参数指标及理论依据。
针对该系统的设置是可以基于智能移动终端实现的,且通过搭载的青光眼筛查AI软件(虹膜识别和瞳孔影像动态分析的青光眼筛查AI软件)来对目标瞳孔进行分析。
针对该AI软件,具体包括两种模式:
1)标准设置:
暗适应2min;10秒捕捉暗适应后的红外影像;30秒刺激,光线强度从0开始递增至50流明;重复3次,确保高质量图像录入。每次重复都需要暗适应2min;捕捉同步双眼动态虹膜和瞳孔影像数据,如图2所示。
2)单眼遮蔽设置:
暗适应2min,遮蔽单眼(先右后左);10秒捕捉暗适应后的红外影像;30秒秒刺激,光线强度从0开始递增至50流明;捕捉同步单眼(先右后左)动态虹膜和瞳孔影像数据,如图3和4所示。
且瞳孔检测指标是包括:相应幅度不对称、反应潜伏期不对称、最大收缩不对称持续时间。
针对瞳孔动态影像处理分析主要涉及以下四个内容:
1)图像获取:充分运用智能终端设备匹配,对人的整个眼部进行视频录入,同时用裂隙灯单色光斜入照射,并将拍摄到的影像传输给眼部生物特征识别系统的图像预处理软件。
2)图像处理:对获取的图像进行预处理:
(1)瞳孔定位:确定瞳孔轮廓的位置;
(2)瞳孔图像归一化:将图像中的瞳孔大小,调整到识别系统设置的固定尺寸;
(3)图像增强:针对归一化的图像,进行亮度、对比度和平滑度等处理,提高图像中瞳孔信息的识别率。
3)特征提取:采用特定的算法从瞳孔图像中提取出瞳孔大小等特征点,并对其进行编码。
4)特征匹配:将特征提取得到的特征编码与数据库中的瞳孔图像特征编码注意匹配,判断是否为相同的瞳孔,从而达到瞳孔变化的差异性。
动态影像分析关键技术:
自动瞳孔检测,其目的是判断当前视频帧中是否出现完整的瞳孔。考虑到实时处理速度的要求,拟采用轻量级卷积神经网络(Convolutional Neural Networks,CNN)在较低分辨率下对瞳孔图像进行整体分类。
平衡识别性能与计算效率,拟采用具有残差模块(Residual Block)的18层卷积神经网络(ResNet-18)。输入瞳孔/眼部图像统一归一化为宽高均为224像素的图像块。基于预训练模型,针对瞳孔图像进行网络参数精调。
残差模块的结构如图5所示,对于上一层网络的输出x,将其作为残差模块的输入,模块的输出y可表示为:
y = F(x,Wi)+x
其中F代表卷积函数,W代表卷积层权重,relu代表归一化函数。通过形式化为一个两类分类问题可以实现完整瞳孔有无的检测。瞳孔的检测可提供两种有用的信息:
1)完整瞳孔的出现可作为启动外界光刺激的触发点,通过程序控制闪光,可实现自动图像采集。
2)确定完整瞳孔的存在,可通过积分投影等简单的直方图操作迅速对瞳孔位置进行粗定位,为下一步的精确瞳孔形状分割提供初始化。
如图6所示,自动瞳孔轮廓分割。这一步骤的目标是自动获取图像中瞳孔的完整轮廓。拟采用若干控制点(landmark,图6中的左圆点)对瞳孔形状进行描述,基于编码器-解码器(Encoder-Decoder)网络架构,通过机器学习,自动获取图像中精确的瞳孔轮廓。
使用控制点对瞳孔轮廓进行建模的优势在于,控制点不仅数量固定,点之间的顺序关系也得到了保持,因此瞳孔的动态变化可直接通过同一个控制点在图像中的位置变化(图像坐标差)直接获取。
由于瞳孔与虹膜有比较明显的颜色对比,为了提高计算效率拟采用单层的沙漏网络结构(Hourglass Net,中间部分)对瞳孔轮廓进行分割。如图所示沙漏网络与传统编码-解码网络的不同之处在于额外引入的中间参数层,因此可引入所谓中继优化使得保持精度的同时,网络参数数目相对优化。
上述技术方案的有益效果是:通过构建数据库,获取参数指标并与动态指标结合,构建模型来瞳孔进行分析,保证确定瞳孔的分析可靠性。
本发明提供一种用于青光眼的研究动态与瞳孔障碍的分析系统,所述参数指标获取模块,包括:
标识采集单元,用于采集青光眼患者的电子病例数据、影像数据以及瞳孔测量数据,并构建对应青光眼患者的采集标识;
数据分类单元,用于按照预设标识分类方法,对所述采集标识进行数据分类;
数据库构建单元,用于根据数据分类结果,构建得到青光眼数据库。
该实施例中,预设表示分类方法是预先设置好的,且由于不同患者对应的青光眼的标识是不一样的,但是有些青光眼的病情是类似的,在标识上会有所体现,因此,通过对标识分类实现对数据的分类,构建得到数据库。
上述技术方案的有益效果是:通过构建每个患者的采集标识,并基于分来方法对标识进行分类进行实现对数据的分类,保证数据库中数据的有序存储,为后续进行障碍分析提供保障。
本发明提供一种用于青光眼的研究动态与瞳孔障碍的分析系统,所述参数指标获取模块,还包括:
归一化处理单元,用于对所述数据分类结果进行归一化处理,提取得到对应数据特征;
向量构建单元,用于对同个数据分类结果中的每个数据特征进行优先级设置,并基于设置结果,构建得到特征向量;
先后排序单元,用于提取每个数据分类结果中针对数据特征设置的最高优先级,并按照所述最高优先级,对所有特征向量进行先后排序;
向量组合单元,用于基于先后顺序依次输入到指标生成模型中,按照所述最高优先级与次高优先级的优先级别,对所有特征向量进行同级别划分,得到对应的向量组合,分别获取每个向量组合对应的初始指标;
指标调整单元,用于获取每个向量组合中每个特征向量的向量加权因子,对相应初始指标进行调整,得到对应的青光眼参数指标。
该实施例中,一个数据分类结果中可以是包括多个患者的信息在内的,因此,进行归一化处理的过程中,是对同类型数据进行的归一化,进行实现数据特征的获取。
该实施例中,比如,同个数据分类结果中,存在特征1、特征2、特征3、特征4等,那么按照对不同特征设置的优先级,比如特征1为0,特征2为1,特征3为4,特征4为3,此时,对应的特征向量为:[特征3 特征4 特征2 特征1],最高优先级为4。
该实施例中,指标生成模型是预先训练好的,且是按照不同特征组合以及与该组合对应的指标为样本训练得到的,因此,可以按照不同的向量组合,得到指标。
该实施例中,向量组合,比如:对特征向量1以及特征向量2进行叠额同级别划分,此时,特征向量1与特征向量2就是向量组合。
该实施例中,向量加权因子指的是对向量的附加因子,进而通过该附加因子,来确定对相应向量中特征的优化情况,进而可以实现对相应指标的优化。
比如:附加因子是对特征1进行特征差异补偿,此时,通过该特征差异来确定可以优化的情况,实现对指标的优化。
上述技术方案的有益效果是:通过对同个数据分类结果进行优先级设置,并构建特征向量,且通过优先级提取以及排序,可以保证模型对向量执行的先后顺序,保证有序进行,进而通过进行向量组合以及向量加权因子的调整,保证最后获取的青光眼参数指标的可靠性,为后续分析提供基础。
本发明提供一种用于青光眼的研究动态与瞳孔障碍的分析系统,所述分析模型构建模块,包括:
关系集合建立单元,用于建立所述青光眼参数指标与青光眼研究动态指标的指标关系集合;
稳固性判断单元,用于确定所述指标关系集合中每个第一关系的关系稳固性,当所述关系稳固性满足稳固性标准时,将对应第一关系保留;
否则,获取不满足稳固性标准的第二关系,并分别确定每个第二关系中第一指标的第一偏向以及第二指标的第二偏向;
概率分布构建单元,用于构建所有第一偏向的第一概率分布以及构建所有第二偏向的第二概率分布;
偏向确定单元,用于确定所述第一概率分布中的第一集中偏向以及所述第二概率分布中的第二集中偏向;
关系筛选单元,用于从所述第二关系中筛选与第一集中偏向的偏向指标相关的第三关系,同时,从所述第二关系中筛选与第二集中偏向的偏向指标相关的第四关系;
保留指标确定单元,用于根据保留的第一关系、第三关系以及第四关系,得到保留指标;
初始模型构建单元,用于基于所有保留指标以与所述保留指标匹配的第一溯源参数,构建得到初始分析模型;
模型补偿单元,用于基于所述第一概率分布中的第一剩余分布以及所述第二概率分布的第二剩余分布,随机筛选散落偏向,并基于散落偏向对应的指标以及第二溯源参数,对所述初始分析模型进行差异补偿,得到青光眼分析模型。
该实施例中,比如:青光眼参数指标包括:指标01、02以及03,青光眼研究动态指标包括:指标11、指标12以及指标13,此时,指标01与11、02与12、03与13、01与13、02与13,都可以是为对应的第一关系。
该实施例中,关系的稳固性指的是关系的匹配度,第一关系中的两个不同的指标越匹配,对应的匹配度越高,也就是越满足稳固性标准。
比如:保留的第一关系为:指标01与11、02与12、03与13。
第二关系为:01与13、02与13。
该实施例中,其中,01、02指的就是第一指标,13指的是第二指标。
该实施例中,偏向指的是指标本身的侧重检测,且概率分布指的不同指标的一个分布情况,比如指标13作为第二偏向,且最后构建的概率分布为指标13的,且集中偏向也为指标13的,可以根据出现的次数,来确定概率集中情况。
比如,筛选的指标01作为偏向,此时第三关系为01与13,尽可能的将合适的指标保留下。
该实施例中,在构建模型的过程中,需要根据保留的指标以及结合对应的参数来构建得到,保证模型的精度,且后续通过进行差异补偿(神经网络方法)实现的。
该实施例中,比如概率分布中包括指标01和02,此时除去指标01对应的分布后,第二剩余分布为指标02的。
该实施例中,溯源参数可以是从青光眼数据库中获取得到的。
上述技术方案的有益效果是:通过获取不同指标的关系集合,并通过判断关系稳固性,来对关系进行分析,进而来有效获取不同情况下所保留的关系,进而得到对应的指标,保证指标以及溯源参数对模型构建的有效性,为后续障碍分析提供可靠性基础。
本发明提供一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统,所述障碍分析模块,包括:
记录单元,用于确定所述青光眼分析模型的分析线程以及所述分析线程上包含的分析层,且记录每个分析层对所述目标瞳孔进行分析过程中的函数参与个数;
数组构建单元,用于根据函数参与个数以及函数未参与个数,构建每个分析层的函数数组;
合格判断单元,用于通过将所述函数数组与对应的标准数组进行比较,来判断所述分析层是否分析合格;
若所有分析层都分析合格,按照每个分析层的分析结果以及对应的分析线程,确定瞳孔障碍;
若存在分析不合格的第一层,则按照所述第一层的函数比值,确定向所述第一层增设通用型函数的推荐系数;
增设判定单元,用于当所述推荐系数大于预设系数,判定推荐增设;
否则,判定不推荐增设;
第一函数增设单元,用于当判定推荐增设的通用型函数的个数为一时,确定基于所述第一层的第一增设位置,并在所述增设位置增加所述通用型函数;
第二函数增设单元,用于当判定增设的通用型函数的个数为多个时,计算每个通用型函数与所述第一层的层环境的匹配结果,并按照匹配结果,按照匹配度由高到低的顺序依次在所述第一层中设置第二增设位置,并将对应通用型函数分别增加在对应第二增设位置上;
模型优化单元,用于基于增设结果,实现对模型的分析优化。
该实施例中,模型中包括线程1,且线程1包括分析层1、2,来记录分析层1与2在分析过程中的函数参与个数。
该实施例中,函数数组:[函数参与个数 函数未参与个数]。
该实施例中,比如:分析层1对应的函数数组[7,2],标准数据[9,0],此时来确定是否合格,主要是看未参与函数的个数是否过多,过多则不合格。
该实施例中,只有在分析层合格的基础上,才继续进行后的瞳孔障碍的确定。
该实施例中,比如分析层1不合格,则是为第一层,函数比值为7/9。
该实施例中,通用型函数指的是对障碍分析起到辅助作用的内容。
该实施例中,预设系数是预先设置好的,一般为0.3。
该实施例中,在增加增设位置的过程中,是根据第一层中预先预留的可以增设的空间,来对该增设空间来增设位置,且不同的增设空间可以增设的函数时不一样的,都可以按照匹配结果进行确定。
该实施例中,对模型的分析优化相当于是对目标瞳孔相关分析过程的优化,保证获取分析结果的精准性。
上述技术方案的有益效果是:通过对分析线程、分析层、函数参与个数等的分析,来确定瞳孔障碍,其中,通过确定不同层的推荐系数,来确定增设的个数,进行函数增设,可以有效的保证障碍分析的可靠性。
本发明提供一种用于青光眼的研究动态与瞳孔障碍的分析系统,所述分析模型构建模块,还包括:
资料爬取单元,用于构建青光眼分析模型之前,爬取历史研究资料,并分析每个历史研究资料的青光眼研究动态特征;
特征聚类单元,用于对所有青光眼研究动态特征进行特征聚类;
特征拟合单元,用于对每个聚类特征进行特征拟合,得到对应的青光眼研究动态指标。
该实施例中,历史研究资料指的是与青光眼研究有关的资料,进而可以对其中研究动态进行分析,比如,对青光眼检测的技术手段等的分析,来得到测量有效性高的特征,来作为相关指标。
上述技术方案的有益效果是:通过爬取资料进行特征分析,为获取动态指标提供基础,且通过对特征进行聚类以及拟合,便于有效的得到动态指标,为后续构建模型提供有效基础。
本发明提供一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统,所述合格判断单元,包括:
上述技术方案的有益效果是:通过计算增设系数,可以有效提高模型精度,保证分析的可靠性,为青光眼障碍分析提供基础。
本发明提供一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统,所述先后排序单元,包括:
其中,表示提取的对应数据分类结果中针对数据特征设置的最高优先级;表示
对应数据分类结果中第1个数据特征的优先级;表示对应数据分类结果中第2个数据特
征的优先级;表示对应数据分类结果中第m1个数据特征的优先级;max表示最大值符号。
上述技术方案的有益效果是:通过设置计算公式,便于有效的获取最高优先级,为后续进行指标获取提供基础。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统,其特征在于,包括:
参数指标获取模块,用于构建青光眼数据库,并获取青光眼参数指标;
分析模型构建模块,用于基于所述青光眼参数指标以及青光眼研究动态指标,构建青光眼分析模型;
障碍分析模块,用于基于所述青光眼分析模型进行目标瞳孔的分析,确定瞳孔障碍;
所述参数指标获取模块,包括:
标识采集单元,用于采集青光眼患者的电子病例数据、影像数据以及瞳孔测量数据,并构建对应青光眼患者的采集标识;
数据分类单元,用于按照预设标识分类方法,对所述采集标识进行数据分类;
数据库构建单元,用于根据数据分类结果,构建得到青光眼数据库;
所述参数指标获取模块,还包括:归一化处理单元,用于对所述数据分类结果进行归一化处理,提取得到对应数据特征;向量构建单元,用于对同个数据分类结果中的每个数据特征进行优先级设置,并基于设置结果,构建得到特征向量;
先后排序单元,用于提取每个数据分类结果中针对数据特征设置的最高优先级,并按照所述最高优先级,对所有特征向量进行先后排序;
向量组合单元,用于基于先后顺序依次输入到指标生成模型中,按照所述最高优先级与次高优先级的优先级别,对所有特征向量进行同级别划分,得到对应的向量组合,分别获取每个向量组合对应的初始指标;
指标调整单元,用于获取每个向量组合中每个特征向量的向量加权因子,对相应初始指标进行调整,得到对应的青光眼参数指标;
其中,所述分析模型构建模块,还包括:
资料爬取单元,用于构建青光眼分析模型之前,爬取历史研究资料,并分析每个历史研究资料的青光眼研究动态特征;
特征聚类单元,用于对所有青光眼研究动态特征进行特征聚类;
特征拟合单元,用于对每个聚类特征进行特征拟合,得到对应的青光眼研究动态指标。
2.如权利要求1所述的用于青光眼的研究瞳孔对光反射障碍的动态分析系统,其特征在于,所述分析模型构建模块,包括:
关系集合建立单元,用于建立所述青光眼参数指标与青光眼研究瞳孔动态指标的指标关系集合;
稳固性判断单元,用于确定所述指标关系集合中每个第一关系的关系稳固性,当所述关系稳固性满足稳固性标准时,将对应第一关系保留;
否则,获取不满足稳固性标准的第二关系,并分别确定每个第二关系中第一指标的第一偏向以及第二指标的第二偏向;
概率分布构建单元,用于构建所有第一偏向的第一概率分布以及构建所有第二偏向的第二概率分布;
偏向确定单元,用于确定所述第一概率分布中的第一集中偏向以及所述第二概率分布中的第二集中偏向;
关系筛选单元,用于从所述第二关系中筛选与第一集中偏向的偏向指标相关的第三关系,同时,从所述第二关系中筛选与第二集中偏向的偏向指标相关的第四关系;
保留指标确定单元,用于根据保留的第一关系、第三关系以及第四关系,得到保留指标;
初始模型构建单元,用于基于所有保留指标以与所述保留指标匹配的第一溯源参数,构建得到初始分析模型;
模型补偿单元,用于基于所述第一概率分布中的第一剩余分布以及所述第二概率分布的第二剩余分布,随机筛选散落偏向,并基于散落偏向对应的指标以及第二溯源参数,对所述初始分析模型进行差异补偿,得到青光眼分析模型。
3.如权利要求1基于所述的用于青光眼的研究瞳孔对光反射障碍的动态分析系统,其特征在于,所述障碍分析模块,包括:
记录单元,用于确定所述青光眼分析模型的分析线程以及所述分析线程上包含的分析层,且记录每个分析层对所述目标瞳孔进行分析过程中的函数参与个数;
数组构建单元,用于根据函数参与个数以及函数未参与个数,构建每个分析层的函数数组;
合格判断单元,用于通过将所述函数数组与对应的标准数组进行比较,来判断所述分析层是否分析合格;
若所有分析层都分析合格,按照每个分析层的分析结果以及对应的分析线程,确定瞳孔障碍;
若存在分析不合格的第一层,则按照所述第一层的函数比值,确定向所述第一层增设通用型函数的推荐系数;
增设判定单元,用于当所述推荐系数大于预设系数,判定推荐增设;
否则,判定不推荐增设;
第一函数增设单元,用于当判定推荐增设的通用型函数的个数为一时,确定基于所述第一层的第一增设位置,并在所述增设位置增加所述通用型函数;
第二函数增设单元,用于当判定增设的通用型函数的个数为多个时,计算每个通用型函数与所述第一层的层环境的匹配结果,并按照匹配结果,按照匹配度由高到低的顺序依次在所述第一层中设置第二增设位置,并将对应通用型函数分别增加在对应第二增设位置上;
模型优化单元,用于基于增设结果,实现对模型的分析优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222018.7A CN115281602B (zh) | 2022-10-08 | 2022-10-08 | 一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222018.7A CN115281602B (zh) | 2022-10-08 | 2022-10-08 | 一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115281602A CN115281602A (zh) | 2022-11-04 |
CN115281602B true CN115281602B (zh) | 2023-01-24 |
Family
ID=83833616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211222018.7A Active CN115281602B (zh) | 2022-10-08 | 2022-10-08 | 一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115281602B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578783B (zh) * | 2022-11-09 | 2023-10-31 | 北京鹰瞳科技发展股份有限公司 | 基于眼部图像进行眼部疾病识别的装置、方法及相关产品 |
CN116491917A (zh) * | 2023-06-21 | 2023-07-28 | 湖南云医链生物科技有限公司 | 一种基于大数据的用户健康诊断系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105765572A (zh) * | 2013-08-12 | 2016-07-13 | 尤尔Md公司 | 通过使用数学模型来匹配疾病和检测疾病变化的方法及装置 |
CN108806767A (zh) * | 2018-06-15 | 2018-11-13 | 中南大学 | 基于电子病历的疾病症状关联分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9554755B2 (en) * | 2014-10-13 | 2017-01-31 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for predicting early onset glaucoma |
US11071450B2 (en) * | 2016-06-29 | 2021-07-27 | Ace Vision Group, Inc. | System and methods using real-time predictive virtual 3D eye finite element modeling for simulation of ocular structure biomechanics |
-
2022
- 2022-10-08 CN CN202211222018.7A patent/CN115281602B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105765572A (zh) * | 2013-08-12 | 2016-07-13 | 尤尔Md公司 | 通过使用数学模型来匹配疾病和检测疾病变化的方法及装置 |
CN108806767A (zh) * | 2018-06-15 | 2018-11-13 | 中南大学 | 基于电子病历的疾病症状关联分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115281602A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115281602B (zh) | 一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统 | |
Chen et al. | Glaucoma detection based on deep convolutional neural network | |
CN102136024B (zh) | 生物特征识别性能测评和诊断优化系统 | |
CN111461218B (zh) | 糖网病眼底图像的样本数据标注系统 | |
CN112101424B (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
CN113889267A (zh) | 基于眼象识别的糖尿病诊断模型的构建方法和电子设备 | |
CN110393504B (zh) | 一种智能鉴毒的方法及装置 | |
Firke et al. | Convolutional neural network for diabetic retinopathy detection | |
CN106725341A (zh) | 一种增强型舌诊系统 | |
CN110956628A (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
CN116597916A (zh) | 一种基于器官芯片和深度学习的抗肿瘤化合物预后药效的预测方法 | |
CN111046978A (zh) | 一种基于StyleGANs和决策融合的皮肤镜图像识别方法 | |
CN111798404A (zh) | 基于深度神经网络的虹膜图像质量评估方法及评估系统 | |
Devi et al. | A deep transfer learning approach for identification of diabetic retinopathy using data augmentation | |
CN117237711A (zh) | 一种基于对抗学习的双模态眼底图像分类方法 | |
Zheng et al. | Rapid screening of children with autism spectrum disorders through face image classification | |
Sengar et al. | An efficient artificial intelligence-based approach for diagnosis of media haze disease | |
CN115620050A (zh) | 一种基于气候室环境下改进的YOLOv5蚜虫识别计数方法 | |
CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
Mampitiya et al. | An efficient ocular disease recognition system implementation using GLCM and LBP based multilayer perception algorithm | |
Narasimharao et al. | Enhanced Diabetic Retinopathy Detection through Convolutional Neural Networks for Retinal Image Classification | |
Abinaya et al. | Detection and Classification Of Diabetic Retinopathy Using Machine Learning–A Survey | |
Mazar Pasha et al. | Diabetic Retinopathy Severity Categorization in Retinal Images Using Convolution Neural Network. | |
Venneti et al. | Amdnet: Age-related macular degeneration diagnosis through retinal fundus images using lightweight convolutional neural network | |
Pratumgul et al. | Classification and Identification of Diabetic Retinopathy Severity Stages in Thai Patients Using Deep Learning Based Convolution Neural Networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |