一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统技术方案

本发明专利技术公开了一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的检测模型，所述的检测模型为一个多分支结构、多层次融合的端到端的深度学习模型KerNet；所述计算机处理器执行所述计算机程序时实现以下步骤：获取待检测的角膜原始三维数据，输入到检测模型后进行特征提取和分类，最终输出个体所属类别为圆锥角膜、亚临床圆锥角膜或者正常。利用本发明专利技术，能够直接对个体角膜原始三维数据进行特征提取，从而能够实现高精度的圆锥角膜、亚临床圆锥角膜检出。临床圆锥角膜检出。临床圆锥角膜检出。

【技术实现步骤摘要】
一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统


[0001]本专利技术属于医学人工智能领域，尤其是涉及一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统。

技术介绍

[0002]圆锥角膜是一种常见的严重眼科疾病，可能导致不规则散光、角膜水肿甚至视力丧失。对圆锥角膜的早期发现和治疗能够有效降低治疗成本，甚至可以避免患者丧失视力。临床上，圆锥角膜可以根据角膜扩张、中央变薄、呈现锥形等特征来辨别。Pentacam HR是临床上经常使用的有力工具，能够帮助眼科医生检测和发现圆锥角膜。
[0003]随着人工智能和深度学习的发展，一些研究者尝试使用智能算法来分析Pentacam HR系统中的数据，从而辅助实现圆锥角膜、亚临床圆锥角膜的早期检测。这些方法根据所使用的数据不同主要分为两类：一类方法主要基于Pentacam HR系统中获取的计算过的指标，一类方法主要基于Pentacam HR系统中可视化得到的地形图。
[0004]如公开号为CN109036556A的中国专利文献公开了一种基于机器学习诊断圆锥角膜病例的方法，公开号为CN111160431A的中国专利文献公开了一种基于多维特征融合的圆锥角膜识别方法及装置。
[0005]然而，只有极少量研究尝试分析Pentacam HR系统中导出的角膜原始三维数据，到目前为止，仍然没有一种能够直接利用Pentacam HR系统中导出的角膜原始三维数据来对圆锥角膜和亚临床圆锥角膜进行检测的方法。

技术实现思路

[0006]本专利技术提供了一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统，能够直接对Pentacam HR系统中获取到的个体角膜原始三维数据进行特征提取，从而能够实现高精度的圆锥角膜、亚临床圆锥角膜检出。
[0007]一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的检测模型，所述的检测模型为一个多分支结构、多层次融合的端到端的深度学习模型KerNet；所述计算机处理器执行所述计算机程序时实现以下步骤：获取待检测的角膜原始三维数据，输入到训练好的检测模型后进行特征提取和分类，最终输出个体所属类别为圆锥角膜、亚临床圆锥角膜或者正常。
[0008]进一步地，所述深度学习模型KerNet的结构具体为：以五分支的卷积神经网络作为主干网络，用于接收五通道的原始数据进行特征提取；采用底层融合和顶层融合两种融合方式，对五通道的原始数据进行特征融合；其中，底层融合过程中使用空间注意力模块对特征图实现特征关注，顶层融合使用通道拼接
操作来实现特征融合；最后，经过全连接层和一个softmax层得到最后的输出。
[0009]进一步地，五分支的卷积神经网络中，每个分支网络的基本机构相同，都包含4个基本的卷积操作模块；其中，每个卷积操作模块由两个基本的级联模块构成，每个级联模块中包含两个最基本的二维卷积层操作、一个ReLU和一个BatchNormalization操作。
[0010]进一步地，底层融合的具体过程为：首先通过两个并列的全局平均池化和一个全局最大池化得到压缩后的特征图，经过拼接后通过一个二维卷积层获得注意力权重，这一权重叠加到输入的特征图，实现空间注意力机制（特征关注）；底层融合过程主要是通过相邻两个分支之间特征图进行叠加，然后作为各个分支的新的输入继续进行后续的特征提取。
[0011]进一步地，所述深度学习模型KerNet的训练过程如下：（1）获取个体的角膜原始三维数据作为样本数据，经过预处理之后，标注标签，标注后的样本数据按比例分成训练集和验证集；（2）搭建深度学习模型KerNet，对角膜原始三维数据进行特征提取和分类，输入一组训练集，分别经过五分支网络的特征提取、底层融合和顶层融合进行特征融合，输出预测结果：圆锥角膜、亚临床圆锥角膜或者正常；（3）将输出的预测结果与数据所对应的标签进行对比，运用ACC函数作为当前模型的损失，并回传到模型中，对模型中的参数进行更新，直至模型收敛；（4）当达到设定的ACC阈值或者达到指定迭代次数时，模型停止更新，训练完毕，输出结果。
[0012]训练的步骤（1）中，所述的预处理包括：对于个体的性别、年龄、视力等进行相关性分析等统计学分析，对每种类别个体（圆锥角膜、亚临床圆锥角膜和正常）的每个通道数据进行统计学分析，统计不同半径下各个通道各类样本的均值和方差分布情况，进而利用每个类别个体的每个通道数据的均值和方差对数据进行归一化。
[0013]本专利技术中，个体的角膜原始三维数据通过Pentacam HR系统获取。
[0014]Pentacam HR系统包含一个旋转Scheimpflug相机和一个角膜数据分析软件，对患者角膜进行拍摄并进行简单处理，从而获取个体角膜原始三维数据。
[0015]个体角膜原始三维数据获取流程为：使用Pentacam HR系统中的旋转Scheimpflug相机对患者进行角膜拍照。拍照后，从Pentacam HR系统批量导出该个体的角膜原始三维数据，共3个CSV文件，包含5个数字矩阵，分别是角膜前表面高度、角膜后表面高度、角膜前表面曲率、角膜后表面曲率和角膜厚度五通道数据，分别记作ELE
‑
F、ELE
‑
B、CUR
‑
F、CUR
‑
B和PAC。
[0016]进一步地，模型训练完毕后，还包括：将验证集输入训练好的模型KerNet，得到对应的分类结果；进一步得到预测准确性ACC作为模型的性能评估。
[0017]与现有技术相比，本专利技术具有以下有益效果：不同于现有方法的对Pentacam HR系统处理后的指标、图片等信息进行分析，本专利技术的深度学习模型KerNet具有多分支主干网络，引入多层融合（底层融合和顶层融合）和空间注意力机制，能够对Pentacam HR系统中获取到的个体角膜原始三维数据进行特征提取，
从而能够实现高精度的圆锥角膜、亚临床圆锥角膜检出。
附图说明
[0018]图1为本专利技术实施例的流程示意图。
[0019]图2为本专利技术实施例中深度学习模型KerNet的网络结构图。
[0020]图3a为本专利技术实施例中使用的数据例子CUR
‑
F的统计学分析结果。
[0021]图3b为本专利技术实施例中使用的数据例子CUR
‑
B的统计学分析结果。
[0022]图3c为本专利技术实施例中使用的数据例子ELE
‑
F的统计学分析结果。
[0023]图3d为本专利技术实施例中使用的数据例子ELE
‑
B的统计学分析结果。
[0024]图3e为本专利技术实施例中使用的数据例子PAC的统计学分析结果。
[0025]图4为本专利技术实施例中对模型KerNet的关注区域进行可视化的示意图。
具体实施方式
[0026]下面结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中存有训练好的检测模型，所述的检测模型为一个多分支结构、多层次融合的端到端的深度学习模型KerNet；深度学习模型KerNet的结构具体为：以五分支的卷积神经网络作为主干网络，用于接收五通道的原始数据进行特征提取；采用底层融合和顶层融合两种融合方式，对五通道的原始数据进行特征融合；其中，底层融合过程中使用空间注意力模块对特征图实现特征关注，顶层融合过程中使用通道拼接操作来实现特征融合；最后，经过全连接层和一个softmax层得到最后的输出；所述计算机处理器执行所述计算机程序时实现以下步骤：获取待检测的角膜原始三维数据，输入到训练好的检测模型后进行特征提取和分类，最终输出个体所属类别为圆锥角膜、亚临床圆锥角膜或者正常。2.根据权利要求1所述的基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统，其特征在于，五分支的卷积神经网络中，每个分支网络的基本结构相同，都包含4个卷积操作模块。3.根据权利要求2所述的基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统，其特征在于，每个卷积操作模块由两个级联模块构成，每个级联模块中包含两个二维卷积层操作、一个ReLU和一个BatchNormalization操作。4.根据权利要求1所述的基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统，其特征在于，所述底层融合的具体过程为：首先通过两个并列的全局平均池化和一个全局最大池化得到压缩后的特征图，经过拼接后通过一个二维卷积层获得注意力权重...

【专利技术属性】
技术研发人员：吴健，姚克，冯芮苇，许哲，郑向上，胡荷萍，
申请(专利权)人：浙江大学，
类型：发明
国别省市：