本發明屬于早產兒眼底輔助篩查，尤其涉及一種早產兒眼底輔助篩查管理方法及系統?。

背景技術：

1、早產兒是在妊娠期未滿37周時出生的嬰兒，在醫學上又將早產兒分為極早產（孕齡小于28周）、非常早產（孕齡在28周到32周之間）和早產（孕齡在32周到37周之間）。

2、而對于早產兒的眼底篩查是一項非常重要的檢查，對于早產兒其妊娠期較短，其患早產兒視網膜病變的概率比較大，而嚴重的早產兒視網膜病變如果不及時治療會導致失明的嚴重后果，早期及時治療絕大部分可以保存一定有用的視力。那么胎齡越小，出生體重越輕越容易發生早產兒視網膜病變。做眼底篩查的目的是為了及時發現早產兒視網膜病變，及時給予相應的治療。

3、目前在臨床中，對于早產兒，醫生幾乎會全建議早產兒的父母進行眼底篩查，以及時篩查其中存在視網膜病變或者發現眼底的先天性異常及其他病變的早產兒，進而能夠及時給予相應的治療。但是在臨床中，并不是所有的早產兒都存在眼底異常，其中存在較大一部分的早產兒是無眼底異常，但是為了排除眼底異常，均會選擇做早產兒眼底篩查，所有的早產兒均進行眼底篩查，一方面會增加早產兒父母的經濟成本，另一方面也會增高早產兒的在做眼底篩查中的痛苦。并且在對早產兒的眼底篩查過程中，是通過醫生利用眼底鏡對眼底早產兒的眼底進行分析和判斷其是否存在眼底異常的情況，這種方式依賴于醫生的經驗，并且效率和準確率都較低。

4、因此，如何對現有的早產兒眼底篩查過程進行改進，提前篩選出需要做眼底篩查的早產兒，并借助圖像處理和分析輔助進行眼底異常的判斷，提升眼底篩查的效率和準確性，是目前亟需解決的技術問題。

技術實現思路

1、本發明的目的在于提供一種早產兒眼底輔助篩查管理方法及系統，用以對現有的早產兒眼底篩查過程進行改進，提前篩選出需要做眼底篩查的早產兒，并借助圖像處理和分析輔助進行眼底異常的判斷，提升眼底篩查的效率和準確性。

2、為解決上述技術問題，本發明采用的技術方案如下：

3、第一方面，提供一種早產兒眼底輔助篩查管理方法，包括以下步驟：

4、s1：基于大數據獲取早產兒的基礎數據以及眼底篩查數據，并進行分類得到文本數據和圖像數據；

5、s2：對文本數據和圖像數據分別進行預處理，對預處理后的文本數據和圖像數據分別進行文本特征提取和圖像特征提取；

6、s3：創建眼底異常預測模型，將提取的文本特征和圖像特征輸入眼底異常預測模型對模型進行訓練、測試和驗證；

7、s4：獲取待篩查早產兒的基礎數據并進行文本特征和圖像特征提取，將提取的文本特征和圖像特征輸入眼底異常預測模型，眼底異常預測模型對待篩查早產兒眼底異常進行預測，醫生根據預測結果確定其中需要進行眼底篩查的早產兒，并執行步驟s5；

8、s5：對待篩查早產兒的眼底圖像進行采集并預處理，輸入眼底異常預測模型進行眼底異常識別，醫生基于處理后的眼底圖像和異常識別結果進行眼底異常判斷，并給出眼底異常結果；

9、s6：將眼底異常結果及其相應的基礎數據輸入所述眼底異常預測模型，對模型進行持續優化更新。

10、優選的，所述基礎數據包括妊娠周期、性別、出生時身高體重、妊娠期各項檢查數據。

11、優選的，步驟s1中對基礎數據以及眼底篩查數據進行分類得到文本數據和圖像數據的具體過程如下：

12、s11：創建數據類型識別模型，將已標注的文本數據和圖像數據輸入所述數據類型識別模型進行模型訓練，評估數據類型識別模型性能，若滿足預設性能指標，執行步驟s12，否則重新進行模型訓練；

13、s12：將早產兒的基礎數據以及眼底篩查數據輸入訓練后的數據類型識別模型，所述數據類型識別模型對輸入數據進行數據類型識別；

14、s13：所述數據類型識別模型根據數據類型識別結果，在輸出數據中添加相應的數據類型標簽。

15、優選的，步驟s2中對文本數據進行預處理的具體過程如下：

16、s21：提取文本數據中的文字構成文本字符串，對所述文本字符串進行拆分得到詞組；

17、s22：基于所述詞組構建詞組列表，基于所述詞組列表中詞組及其頻次建立詞組與數字的映射關系，進而將詞組列表轉換成數字索引序列。

18、優選的，步驟s2中對圖像數據進行預處理的具體過程如下：

19、s23：創建濾波核并確定其尺寸和標準差，根據濾波核的尺寸和標準差生成二維矩陣，所述二維矩陣中的元素由指定的二維函數生成，所述二維函數表示如下：

20、；

21、其中，( x, y)是所述濾波核的像素點的坐標，( x0, y0)是所述濾波核中的中心像素點的坐標， σ為標準差；

22、s24：對所述二維矩陣進行歸一化處理，使所述二維矩陣中所有的矩陣元素的和為1；

23、s25：將待預處理圖像與歸一化處理后的二維矩陣進行核卷積運算，對待預處理圖像中的每個像素，獲取其與所述二維矩陣大小相同的鄰域，將所述鄰域內像素值與高斯核對應位置的元素相乘，并將乘積相加，得到的結果作為該像素新的像素值。

24、優選的，步驟s5還包括早產兒眼底篩查疼痛管理，具體過程如下：

25、s51：實時采集眼底篩查的早產兒的指定生理指標和行為數據，所述生理指標包括心率、血壓、血氧飽和度，所述行為數據包括面部表情、哭鬧頻率和時長、肢體動作；

26、s52：基于所述生理指標和行為數據并利用預設的疼痛評分策略對進行眼底篩查的早產兒進行疼痛評分，并基于疼痛評分結果對眼底篩查過程中的進行調整。

27、第二方面，提供一種早產兒眼底輔助篩查管理系統，用于實現所述的一種早產兒眼底輔助篩查管理方法，包括數據獲取模塊、數據分類模塊、預處理模塊、特征提取模塊、眼底異常預測模型和眼底圖像采集模塊，所述數據獲取模塊與數據分類模塊連接，所述數據分類模塊與預處理模塊連接，所述預處理模塊與特征提取模塊連接，所述特征提取模塊與眼底異常預測模型連接，所述眼底異常預測模型與眼底圖像采集模塊連接；

28、所述數據獲取模塊，用于基于大數據獲取早產兒的基礎數據以及眼底篩查數據；

29、所述數據分類模塊，用于對基礎數據以及眼底篩查數據進行分類得到文本數據和圖像數據；

30、所述預處理模塊，用于對文本數據和圖像數據分別進行預處理；

31、所述特征提取模塊，用于對預處理后的文本數據和圖像數據分別進行文本特征提取和圖像特征提取；

32、所述眼底異常預測模型，用于對待篩查早產兒眼底異常進行預測；

33、所述眼底圖像采集模塊，用于對待篩查早產兒的眼底圖像進行采集。

34、優選的，步驟s3中的所述眼底異常預測模型為神經網絡模型包括輸入層、處理層和輸出層，所述輸入層設有雙輸入通道，所述處理層包括輸入整合層、特征提取層、預測結果生成層和反饋鏈接層；

35、所述輸入整合層，用于對接收兩個輸入通道的輸入的數據進行初步整合；

36、所述特征提取層，用于使用不同的神經元對整合后的數據的不同特征分別進行特征提取；

37、所述預測結果生成層，用于生成對早產兒眼底異常預測結果；

38、所述反饋連接層，用于基于輸入和輸出動態調整處理層的數據處理過程。

39、優選的，所述處理層中設有若干的神經元，每個神經元設有指定的激活函數以及學習策略，所述神經元通過最大化長期獎勵調整神經元的學習策略，并使用隨機梯度下降算法更新神經元參數，實現端到端的控制優化。

40、本發明的有益效果包括：

41、本發明提供的早產兒眼底輔助篩查管理方法及系統，通過獲取已有早產兒各項數據對預測模型進行訓練后對待篩查早產兒的眼底異常進行預測，從預測結果中篩選需要進行眼底篩查的早產兒，通過采集待篩查早產兒的眼底圖像進行圖像分析是否存在眼底異常識別結果并輸出，再結合醫生的判斷，實現對現有的早產兒眼底篩查過程進行改進，提前篩選出需要做眼底篩查的早產兒，使得不再需要所有的早產兒都進行眼部處理然后獲取眼底圖像，因為在眼部處理以及眼底拍照的過程中對早產兒來說是很痛苦的，并存在一定眼底篩查借助圖像處理和分析輔助進行眼底異常的判斷，提升眼底篩查的效率和準確性。

42、首先，通過基于大數據獲取早產兒的基礎數據以及眼底篩查數據對模型進行訓練，使得眼底異常預測模型能夠學習早產兒的基礎數據與眼底異常之間的關系，再通過眼底異常預測模型對待篩查的早產兒眼底異常進行預測，使得無需對所有的早產兒進行眼底篩查，節省醫療資源，降低早產兒父母的經濟成本，同時避免早產兒在進行眼底篩查中的痛苦。

43、其次，通過模型對拍攝的眼底圖像進行眼底異常的識別，提升眼底篩查的效率，并且結合醫生的診斷避免誤篩，提升早產兒眼底篩查的準確性。

44、再次，眼底異常預測模型為神經網絡模型包括輸入層、處理層和輸出層，輸入層設有雙輸入通道，所述眼底異常預測模型的雙輸入通道，處理層設置輸入整合層、特征提取層、預測結果生成層和反饋鏈接層，能夠通過每次眼底圖像的識別進行優化更新，使得模型具備較好的泛化性和較高的準確率，為早產兒眼底篩查提供。