视网膜血管阻塞疾病的视杆细胞异常分类方法及装置

本发明涉及人工智能，具体而言，涉及一种视网膜血管阻塞疾病的视杆细胞异常分类方法及装置。

背景技术：

1、目前，视网膜血管阻塞疾病是一种常见的眼科疾病，可导致视杆细胞的异常和视力受损。当前技术水平下，对于视网膜血管阻塞疾病的诊断和分类主要依赖于眼科临床检查数据的分析和解释。然而，现有的技术方法在视杆细胞异常分类方面存在一些问题。首先，现有的方法倾向于使用基于定性分析的主观判断来评估视杆细胞异常类型和程度，存在主观性和主观偏差。其次，这些方法通常只依赖于单一的眼科临床检查数据，无法全面考虑视杆细胞的特征及其在疾病发展阶段的变化。因此，现有技术无法提供准确且全面的视杆细胞异常分类方法。

2、基于上述现有技术的缺点，现亟需一种视网膜血管阻塞疾病的视杆细胞异常分类方法。

技术实现思路

1、本发明的目的在于提供一种视网膜血管阻塞疾病的视杆细胞异常分类方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

2、第一方面，本申请提供了一种视网膜血管阻塞疾病的视杆细胞异常分类方法，包括：

3、获取第一信息和第二信息，所述第一信息包括待检测患者的眼科临床检查数据，所述第二信息包括历史视网膜血管阻塞疾病患者的眼科临床检查数据；

4、根据所述第二信息中的光感知信号记录和动态反应数据进行特征融合处理得到融合数据集，所述融合数据集包括视杆细胞的频谱特征和疾病发展过程中的时间变化特征；

5、根据所述融合数据集和预设的机器学习数学模型构建得到视杆细胞异常分类模型；

6、根据所述视杆细胞异常分类模型对所述第一信息进行分类处理得到分类结果，所述分类结果包括视杆细胞的异常类型以及对应的异常程度。

7、第二方面，本申请还提供了视网膜血管阻塞疾病的视杆细胞异常分类装置，包括：

8、获取模块，用于获取第一信息和第二信息，所述第一信息包括待检测患者的眼科临床检查数据，所述第二信息包括历史视网膜血管阻塞疾病患者的眼科临床检查数据；

9、融合模块，用于根据所述第二信息中的光感知信号记录和动态反应数据进行特征融合处理得到融合数据集，所述融合数据集包括视杆细胞的频谱特征和疾病发展过程中的时间变化特征；

10、构建模块，用于根据所述融合数据集和预设的机器学习数学模型构建得到视杆细胞异常分类模型；

11、分类模块，用于根据所述视杆细胞异常分类模型对所述第一信息进行分类处理得到分类结果，所述分类结果包括视杆细胞的异常类型以及对应的异常程度。

12、本发明的有益效果为：

13、本发明通过将视杆细胞的频谱特征和时间变化特征相结合，充分考虑了视杆细胞在疾病发展过程中的变化规律，并通过构建机器学习模型对融合数据集进行分类处理，可以更准确地判断视杆细胞的异常类型和异常程度，从而提高分类准确性；通过综合利用了眼科临床检查数据和历史患者数据，通过特征融合处理得到综合考虑视杆细胞亮度分布特征、形态特征和响应幅度特征的判别性特征，使得分类结果更具综合性和全面性，能够更好地描述视杆细胞的异常状态。

14、本发明的其他特征和优点将在随后的说明书阐述，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实施例了解。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。

技术特征：

1.一种视网膜血管阻塞疾病的视杆细胞异常分类方法，其特征在于，包括：

2.根据权利要求1所述的视杆细胞异常分类方法，其特征在于，根据所述第二信息中的光感知信号记录和动态反应数据，进行信号处理和特征提取得到融合数据集，包括：

3.根据权利要求2所述的视杆细胞异常分类方法，其特征在于，将所述第一特征数据、所述第二特征数据和预设的眼科数据处理数学模型进行融合分析，得到融合数据集，包括：

4.根据权利要求3所述的视杆细胞异常分类方法，其特征在于，根据所述第一特征数据中的亮度分布特征和形态特征进行超像素聚类处理，包括如下步骤：

5.根据权利要求3所述的视杆细胞异常分类方法，其特征在于，所述时间序列聚类分析包括如下步骤：

6.根据权利要求5所述的视杆细胞异常分类方法，其特征在于，所述时间序列聚类分析包括如下步骤：

7.根据权利要求6所述的视杆细胞异常分类方法，其特征在于，所述相似度计算公式如下：

8.根据权利要求1所述的视杆细胞异常分类方法，其特征在于，根据所述融合数据集和预设的机器学习数学模型构建得到视杆细胞异常分类模型，包括：

9.根据权利要求1所述的视杆细胞异常分类方法，其特征在于，根据所述视杆细胞异常分类模型对所述第一信息进行分类处理得到分类结果，包括：

10.一种视网膜血管阻塞疾病的视杆细胞异常分类装置，其特征在于，包括：

技术总结
本发明提供了一种视网膜血管阻塞疾病的视杆细胞异常分类方法及装置，涉及人工智能技术领域，包括：获取第一信息和第二信息，包括待检测患者的眼科临床检查数据和历史视网膜血管阻塞疾病患者的眼科临床检查数据；根据光感知信号记录和动态反应数据进行特征融合处理得到融合数据集；根据融合数据集和预设的机器学习数学模型构建得到视杆细胞异常分类模型；根据视杆细胞异常分类模型对第一信息进行分类处理得到分类结果。本发明通过将视杆细胞的频谱特征和时间变化特征相结合，考虑了视杆细胞在疾病发展过程中的变化规律，并通过构建机器学习模型对融合数据集进行分类处理，可以更准确地判断视杆细胞的异常类型和异常程度，从而提高分类准确性。

技术研发人员：肖璇,陈婷,李莹,高翔,王发席,谢浩,李硕,刘航
受保护的技术使用者：武汉大学人民医院（湖北省人民医院）
技术研发日：
技术公布日：2024/1/15