一种检测前房角狭窄或关闭疾病伴有隐匿性晶状体悬韧带松弛的方法及装置

本发明提供一种检测前房角狭窄或关闭疾病伴有隐匿性晶状体悬韧带松弛的方法及装置，通过结合3D‑CNN提取的OCT图像特征和基于集成学习的临床参数特征，构建了一个创新的多模态分类模型。在数据预处理后，使用3D‑CNN模型自动提取SS‑OCT图像的关键特征，同时，通过训练多个基机器学习模型并利用投票分类器集成这些模型的结果，对临床参数进行精确分类。最终，将图像特征与临床参数特征融合，通过联合训练3D‑CNN和MLP参数，优化特征组合，可在计算机上实现对晶状体悬韧带松弛状态的高效、准确诊断。这种方法不仅提高了计算机辅助诊断的全面性和准确性，还减少了人工判断的主观误差，为眼科医生提供了有力的辅助工具。