本申請提供了一種基于人工智能的近視風險預測方法、裝置、設備以及介質，屬于人工智能技術領域。該方法包括：獲取待預測個體的眼底影像數據；對所述眼底影像數據進行分割；從分割后的眼底影像數據中提取得到所述待預測個體的眼后部鞏膜的生物力學特征；將所述生物力學特征輸入預先訓練的近視風險預測模型進行訓練，得到所述待預測個體的近視風險預測結果。采用本申請技術方案能夠無創評估個體眼后部鞏膜的生物力學特性，以基于眼后部鞏膜的生物力學特性精準預測個體的近視風險。
【技術實現步驟摘要】
本申請涉及人工智能，尤其涉及一種基于人工智能的近視風險預測方法、裝置、設備以及介質。
技術介紹
1、病理性近視不僅影響視力質量，還會顯著增加眼底病變(如視網膜脫離、脈絡膜新生血管、黃斑變性和后鞏膜葡萄腫等)的風險，甚至導致失明。而近視的發病年齡越早，其發展為病理性近視的可能性越大。
2、因此，早期預防和干預近視對于減少病理性近視的發病率至關重要。然而，相關技術針對近視的干預手段和早期預警機制主要依賴于常規眼科檢查，如屈光度測量和眼軸長度測量等等，這些檢查只能間接評估近視的進展，并不能精準預測個體的近視風險。
技術實現思路
1、本申請實施例的主要目的在于提出一種基于人工智能的近視風險預測方法、裝置、設備以及介質，通過無創評估個體眼后部鞏膜的生物力學特性，以基于眼后部鞏膜的生物力學特性精準預測個體的近視風險。
2、為實現上述目的，本申請實施例的第一方面提出了一種基于人工智能的近視風險預測方法，所述方法包括：
3、獲取待預測個體的眼底影像數據；
4、對所述眼底影像數據進行分割；
5、從分割后的眼底影像數據中提取得到所述待預測個體的眼后部鞏膜的生物力學特征；
6、將所述生物力學特征輸入預先訓練的近視風險預測模型進行訓練，得到所述待預測個體的近視風險預測結果。
7、在一些實施例中，在所述將所述生物力學特征輸入預先訓練的近視風險預測模型進行訓練之前，所述方法還包括：
8、獲取眼后部的樣本影像數據；</p>9、基于所述樣本影像數據構建算法訓練數據集；
10、基于所述算法訓練數據集和預設的順應性標簽訓練機器學習分類算法，得到近視風險預測模型。
11、在一些實施例中，所述算法訓練數據集包括高順應性訓練樣本和低順應性訓練樣本；
12、所述基于所述樣本影像數據構建算法訓練數據集，包括：
13、基于預設的三維配準算法對所述樣本影像數據進行配準；
14、針對配準后的樣本影像數據進行應變提取處理，得到所述配準后的樣本影像數據的應變大小；
15、在所述應變大小大于或者等于預設應變閾值的情況下，將所述配準后的樣本影像數據劃分為所述高順應性訓練樣本；
16、在所述應變大小小于預設應變閾值的情況下，將所述配準后的樣本影像數據劃分為所述低順應性訓練樣本。
17、在一些實施例中，所述樣本影像數據包括：基線圖像和力學加載圖像；
18、所述基于預設的三維配準算法對所述樣本影像數據進行配準，包括：
19、基于預設的三維配準算法對所述基線圖像和所述力學加載圖像進行仿射變換，得到仿射變換后的基線圖像和仿射變換后的力學加載圖像；
20、基于所述三維配準算法對所述仿射變換后的基線圖像和所述仿射變換后的力學加載圖像進行彈性變換。
21、在一些實施例中，所述針對配準后的樣本影像數據進行應變提取處理，得到所述配準后的樣本影像數據的應變大小，包括：
22、計算配準后的樣本影像數據中每個像素點的位移場；
23、計算所述位移場的偏導數，得到所述樣本影像數據中眼后部鞏膜的三維應變張量；
24、計算所述三維應變張量的范數，得到所述配準后的樣本影像數據的應變大小。
25、在一些實施例中，所述順應性標簽包括：高順應性標簽和低順應性標簽；
26、所述基于所述算法訓練數據集和預設的順應性標簽訓練機器學習分類算法，得到近視風險預測模型，包括：
27、通過預設的特征提取模型從所述高順應性訓練樣本中提取眼后部鞏膜的第一生物力學特征；
28、通過預設的特征提取模型從所述低順應性訓練樣本中提取眼后部鞏膜的第二生物力學特征；
29、將所述第一生物力學特征和所述高順應性標簽輸入機器學習分類算法對所述機器學習分類算法進行訓練，以及，將所述第二生物力學特征和所述低順應性標簽輸入所述機器學習分類算法對所述機器學習分類算法進行訓練，得到近視風險預測模型。
30、為實現上述目的，本申請實施例的第二方面提出了一種基于人工智能的近視風險預測裝置，所述裝置包括：
31、獲取模塊，用于獲取待預測個體的眼底影像數據；
32、特征提取模塊，用于對所述眼底影像數據進行分割，并從分割后的眼底影像數據中提取得到所述待預測個體的眼后部鞏膜的生物力學特征；
33、風險預測模塊，用于將所述生物力學特征輸入預先訓練的近視風險預測模型進行訓練，得到所述待預測個體的近視風險預測結果。
34、為實現上述目的，本申請實施例的第三方面提出了一種計算機設備，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現上述第一方面所述的方法。
35、為實現上述目的，本申請實施例的第四方面提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述第一方面所述的方法。
36、為實現上述目的，本申請實施例的第五方面提出了一種計算機程序產品，所述計算機程序產品存儲有計算機程序，所述計算機程序被處理器執行時實現上述第一方面所述的方法。
37、本申請提出的基于人工智能的近視風險預測方法和裝置、計算機設備及存儲介質,其通過先獲取待預測個體的眼底影像數據，然后對眼底影像數據進行分割，并從分割后的眼底影像數據中提取得到待預測個體的眼后部鞏膜的生物力學特征，最后將生物力學特征輸入預先訓練的近視風險預測模型進行訓練，從而得到待預測個體的近視風險預測結果。
38、如此，相比于僅通過屈光度測量和眼軸長度測量來間接評估近視進展的方式，本申請基于預先評估個體眼后部鞏膜的生物力學特征進行機器學習模型訓練，得到近視風險預測模型，從而針對待預測個體只需要無創獲取其眼底影像數據，并基于該眼底影像數據提取待預測個體的眼后部鞏膜的生物力學特征，就可以采用該近視風險預測模型對該生物力學特征進行訓練，得到該待預測個體的近視風險預測結果。也就是說，本申請實現了通過無創評估個體眼后部鞏膜的生物力學特性，從而基于眼后部鞏膜的生物力學特性精準預測個體的近視風險。
本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的近視風險預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在所述將所述生物力學特征輸入預先訓練的近視風險預測模型進行訓練之前，所述方法還包括：
3.根據權利要求2所述的方法，其特征在于，所述算法訓練數據集包括高順應性訓練樣本和低順應性訓練樣本；
4.根據權利要求3所述的方法，其特征在于，所述樣本影像數據包括：基線圖像和力學加載圖像；
5.根據權利要求3所述的方法，其特征在于，所述針對配準后的樣本影像數據進行應變提取處理，得到所述配準后的樣本影像數據的應變大小，包括：
6.根據權利要求3至5中任一項所述的方法，其特征在于，所述順應性標簽包括：高順應性標簽和低順應性標簽；
7.一種基于人工智能的近視風險預測裝置，其特征在于，所述裝置包括：
8.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現權利要求1至6任一項所述的基于人工智能的近視風險預測方法。
9.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的基于人工智能的近視風險預測方法。
10.一種計算機程序產品，所述計算機程序產品存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的基于人工智能的近視風險預測方法。
...
【技術特征摘要】
1.一種基于人工智能的近視風險預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在所述將所述生物力學特征輸入預先訓練的近視風險預測模型進行訓練之前，所述方法還包括：
3.根據權利要求2所述的方法，其特征在于，所述算法訓練數據集包括高順應性訓練樣本和低順應性訓練樣本；
4.根據權利要求3所述的方法，其特征在于，所述樣本影像數據包括：基線圖像和力學加載圖像；
5.根據權利要求3所述的方法，其特征在于，所述針對配準后的樣本影像數據進行應變提取處理，得到所述配準后的樣本影像數據的應變大小，包括：
6.根據權利要求3至5中任一項所述的方法，其特征在于，所述順應性標簽包括：高順應性...
【專利技術屬性】
技術研發人員：劉江，李衡，林慧燕，張玉柱，梁辰浩，李子南，
申請(專利權)人：南方科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。