【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于深度元学习的角膜炎智能筛查方法。
技术介绍
1、角膜炎是指角膜发生炎症的疾病。角膜是眼睛前部透明结构，负责折射光线进入眼内。当角膜受到感染、损伤或其他刺激时，就可能发生炎症反应。角膜炎的症状包括眼部疼痛、灼热感、异物感、流泪、视力模糊等。严重的角膜炎还可能导致光敏性、角膜溃疡和失明等问题。现有对角膜炎的筛查方法包括人工筛查的方法，通过眼科医生基于病史和裂隙灯显微镜进行角膜炎筛查；以及智能辅助筛查的方法，基于裂隙灯照片，利用现有的深度学习算法构建模型进行角膜炎的自动筛查；
2、现有的智能角膜炎筛查方法，已有研究构建角膜辅助筛查模型，使其通过裂隙灯图片自动识别角膜炎，然而这种智能筛查方法的实施面临着一大难题。即深度学习系统的构建目前基本上都是基于固定的数据集，所获得的模型在此特定数据集表现良好。但是，当在真实世界遇到不同场景、不同发病率，以及不同型号设备采集的新数据集时，例如扩展到其他不同型号的裂隙灯照相机时，模型往往无法达到在原开发数据集上的水平。如果希望模型在新数据集上的表现同样良好，一般采用的方法是把原数据集与新数据集合并起来重新训练角膜辅助筛查模型，也就是需要训练集样本包含多种场景、多种型号设备采集的数据，这样势必会耗费大量的人力、物力和财力。更重要的是，当再遇到另一个与模型开发数据集特征不一样的新数据集时，其表现仍有可能降低。这就严重阻碍了这种基于单纯深度学习算法的智能筛查系统在真实世界的落地和推广。
技术实现思路
1、本专
2、现有智能角膜炎筛查方法泛化能力低，在真实世界遇到不同场景、不同发病率，以及不同型号设备时表现不理想。
3、本专利技术的目的可以通过以下技术方案实现：
4、一种基于深度元学习的角膜炎智能筛查方法，包括以下步骤：
5、采集已标注角膜分类的角膜照片，所述角膜照片包括sanyo裂隙灯角膜照片、canton裂隙灯角膜照片和移动设备角膜照片，识别并裁剪出sanyo裂隙灯角膜照片的角结膜区域图像，并对角结膜区域图像进行降噪；
6、基于深度学习分类算法convnext，联合注意力机制、代价敏感、数据增强和蒸馏方法，构建角膜辅助筛查模型basemodel，将角结膜区域图像输入所述角膜辅助筛查模型中，提取角结膜区域中角膜炎对应的眼表特征，训练所述角膜辅助筛查模型；
7、将canton裂隙灯角膜照片和移动设备角膜照片，输入训练后的角膜辅助筛查模型，联合元学习策略，提取角膜照片中角膜炎对应的眼表特征，再次训练所述角膜辅助筛查模型，根据训练结果反向传播更新模型，直至收敛。
8、作为本专利技术进一步的方案：所述角膜分类包括角膜炎、非角膜炎病变和正常角膜。
9、作为本专利技术进一步的方案：再次训练所述角膜辅助筛查模型的过程为：
10、s1：将canton裂隙灯角膜照片和移动设备角膜图片标记为泛化图片，从所述泛化图片中抽取若干个任务，每个任务包含3个角膜分类，将每个分类划分为support集和query集，在任一分类中随机抽取5张泛化图片作为该分类的support集，在任一分类的剩余泛化图片中随机抽取15张作为该分类的query集；
11、s2：对于任一分类的support集，通过特征表示f（θ）计算得到5张照片对应的5个向量，分别计算三个分类对应的5个向量的平均向量li，i∈0,1,2，将li标记为该分类的向量表示；
12、s3：对于任一分类的query集，通过特征表示f（θ）计算得到所有图片的向量表示，标记为wj，j∈1,...,45，通过下述公式计算query集中的任一图片与每个分类向量表示的相似度p；
13、；
14、其中x表示query集中的任一图片，y表示分类，τ表示相似度缩放因子，<li，wj>表示li和wj的cosine距离；
15、s4：根据query集中的任一图片与每个分类的相似度p，以及该图片已标注的分类，按分类模型损失计算交叉熵作为损失函数，反向调节角膜辅助筛查模型的参数，不断进行训练，直到query集的损失不再降低或query集的准确率不再提高为止。
16、作为本专利技术进一步的方案：将query集中任一泛化图片计算得出的相似度p最大值所对应的分类作为该泛化图片对应的分类结果。
17、作为本专利技术进一步的方案：query集中单个图片的损失函数公式为：
18、；
19、其中l表示单个图片的损失值，yc表示query集中任一图片的已标注分类，c∈1,2,3，p(y=c|x)表示图片为任一分类c的概率；
20、query集中所有图片的损失函数公式为：
21、；
22、其中，l’表示query集中所有图片损失的平均值，n表示query集中所有图片的数量，j∈1,...,45。
23、作为本专利技术进一步的方案：裁剪角膜区域图像的过程为：
24、将sanyo裂隙灯角膜照片转换为二值化图像，通过矩形边界框对二值化图像中黑色连通区域的轮廓进行框选，筛选出最大尺度大于m个像素的若干个轮廓，m为预设值，所述矩形边界框竖直方向与水平方向的比例范围为1±a：1±b，a和b为预设误差值，且a大于b；
25、在任一轮廓边缘等距标记若干个定位点，计算任一轮廓中所有定位点至轮廓形心的距离l，对于任一轮廓，计算距离l的方差lf与距离l均值la的比值k，筛选比值k低于预设阈值的轮廓，标记为圆形边界区域；
26、获取圆心位置差距低于n个像素点的若干个圆形边界区域，标记为眼球区域，将从最外围开始的第一个圆形边界区域标记为角膜区域，获取角膜区域的像素直径d，以圆心为中心点裁剪出边长为1.5d像素长度的矩形图像区域，即为角膜区域图像。
27、作为本专利技术进一步的方案：裁剪角膜区域图像的过程还包括：
28、对于任一角膜区域图像，选取其内部的非圆形白色连通区域，若存在非圆形白色连通区域，则计算非圆形白色连通区域最大尺度与角膜区域直径的比例，将含有比例大于0.2的角膜区域图像的分类标记为角膜炎。
29、作为本专利技术进一步的方案：所述降噪的过程为：
30、将所述角结膜区域图像分割为若干个重叠的图像块，对于每一个所述图像块，取该图像块周围的图像块，计算它们之间的范数并保存，随后进行非支配排序，将非支配排序中靠前的k个图像块组成矩阵，k为正整数，使用不同的λ值对矩阵的奇异值进行软阈值收缩，得到低秩矩阵，获取所述低秩矩阵的奇异值，将所述奇异值中较小的数值过滤掉，将得到的降噪图像块合并为降噪后的角结膜区域图像。
31、作为本专利技术进一步的方案：所述角膜辅助筛查模型包括信息抽取层和分类层。
32、作为本专利技术进一步的方案：所述移动设备包括但不限于智能手机、相机和平板电脑。...
【技术保护点】
1.一种基于深度元学习的角膜炎智能筛查方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，所述角膜分类包括角膜炎、非角膜炎病变和正常角膜。
3.根据权利要求2所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，再次训练所述角膜辅助筛查模型的过程为：
4.根据权利要求3所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，将query集中任一泛化图片计算得出的相似度p最大值所对应的分类作为该泛化图片对应的分类结果。
5.根据权利要求3所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，query集中单个图片的损失函数公式为：
6.根据权利要求1所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，裁剪角膜区域图像的过程为：
7.根据权利要求6所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，裁剪角膜区域图像的过程还包括：
8.根据权利要求1所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，所述降噪的过程为：
9.根据权利要求1所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，所述角膜辅助筛查模型包括信息抽取层和分类层。
10.根据权利要求1所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，所述移动设备包括但不限于智能手机、相机和平板电脑。
...【技术特征摘要】
1.一种基于深度元学习的角膜炎智能筛查方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，所述角膜分类包括角膜炎、非角膜炎病变和正常角膜。
3.根据权利要求2所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，再次训练所述角膜辅助筛查模型的过程为：
4.根据权利要求3所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，将query集中任一泛化图片计算得出的相似度p最大值所对应的分类作为该泛化图片对应的分类结果。
5.根据权利要求3所述的一种基于深度元学习的角膜炎智能筛查方法，其特征在于，query集中单个图片的损...
【专利技术属性】
技术研发人员：李中文，王阳阳，王世红，尹诗琪，
申请(专利权)人：宁波市眼科医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。