1.基于人工智能的糖尿病肾病患者视网膜病变图像分类方法,其特征在于:包括,采集视网膜图像并进行去噪与对比度调整,生成标准化图像;
将标准化图像输入至医学先验知识指导的生成对抗网络,利用微动脉瘤形态学参数库与出血区域纹理特征图谱进行特征约束,生成病理特征增强的视网膜图像并构建扩增训练数据集;
基于扩增训练数据集训练深度卷积神经网络,采用多尺度特征提取层识别病理特征增强的视网膜图像中的微动脉瘤及出血病变,输出包含病变分级的初始诊断结果;
基于初始诊断结果,结合临床医生实时反馈修正数据构建强化学习环境,采用灵敏度-特异度平衡因子动态调整分类决策阈值,生成优化分级参数;
加载优化分级参数,结合视网膜图像病变特征与患者生化时序数据,通过跨模态关联分析生成糖尿病视网膜病变的三级视网膜图像分类结果。
2.如权利要求1所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法,其特征在于:所述进行去噪与对比度调整是指,将视网膜图像使用高斯噪声项加入噪声,生成带噪图像,并将原始视网膜图像与对应的带噪视网膜图像配对,生成视网膜图像数据集;
采用U型卷积神经网络进行去噪训练,优化最小化去噪视网膜图像与原始视网模图像的像素差异;
基于CLAHE算法,将去噪视网膜图像分割为小块,通过直方图均衡化对每个小块处理,调整局部对比度,合并子区域的处理结果,输出对比度均衡后的视网膜图像。
3.如权利要求1所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法,其特征在于:所述生成对抗网络是指,对标准化视网膜图像进行边缘检测,通过压像素级提取微动脉瘤的边缘,提取微动脉瘤病变轮廓等距采样点,通过离散傅里叶变换保留对低频分量描述形状特征,计算形状描述符;
对出血区域纹理,采用环形邻域计算旋转不变局部二值模式,并利用可微分方向编码层捕获多向纹理特征;
基于微动脉瘤的形态特征与出血区域的纹理特征生成器采用双路特征融合架构,主干网络使用预训练的EfficientNet-B4模型,生成对抗网络。
4.如权利要求1所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法,其特征在于:所述多尺度特征提取层包括,并行设置的三种卷积核,通过通道注意力机制动态融合不同尺度的病变特征。
5.如权利要求1所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法,其特征在于:所述灵敏度-特异度平衡因子包括,根据医生反馈奖励的滑动窗口均值动态调节,通过强化学习Actor-Critic网络输出阈值调整量与评估强化学习状态向量,并进行调整分类决策阈值。
6.如权利要求1所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法,其特征在于:所述构建扩增训练数据集包括,基于医学先验知识指导的生成对抗网络合成病理特征增强的视网膜图像;
对合成图像进行空间域弹性形变处理,形变参数基于高斯分布生成随机移量,模拟病变区域的位置与形态变化;
对时间序列病理图像进行时间域插值增强,通过随机线性混合相邻时间步的图像生成中间状态,进行构建扩增训练数据集。
7.如权利要求1所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法,其特征在于:生成病理特征增强的视网膜图像包括,通过医学知识库中的标准病变视网膜图像进行实时验证;当生成图像的微动脉瘤形态或出血区域纹理与标准模板的相似度存在差异,启动动态矫正机制,调整生成器的双路特征融合权重,生成增强的视网膜图像。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述的基于人工智能的糖尿病肾病患者视网膜病变图像分类方法的步骤。