[发明专利]一种基于多维特征自适应融合的圆锥角膜识别方法和系统

权利要求书

1.一种基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，包括以下步骤：

(1)利用Pentacam眼前节成像系统拍摄并重构3D角膜曲面，获得多个独立样本的原始角膜地形图数据以及由该系统推导的经验型指数参数；

(2)由医生对每个独立样本的曲率前后表面、高度前后表面和厚度5个维度进行圆锥角膜情况综合判断标注，标签分别是0、1、2，对应于正常眼睛、亚临床眼和圆锥角膜眼；

(3)统计该系统下5个维度原始角膜地形图数据的正常尺寸、均值、方差、最值信息；

(4)基于标注数据，按固定比例对各个类别进行相同的训练集和验证集划分；

(5)利用步骤(3)中获得的统计参数，对训练集和验证集中的地形图数据进行归一化操作以及左眼的左右翻转操作；

(6)构造五维特征自适应融合的残差卷积神经网络，利用单样本的5维原始地形图数据输入网络进行分类训练，同时在网络中间层融入经验型指数参数，依次迭代所有训练样本更新模型参数直至收敛，得到训练好的模型；

(7)利用Grad-CAM可视化方式，得到三类测试样本的平均可视化信息；

(8)对于待预测的Pentacam数据，进行数据处理后输入训练好的模型，输出三个分数，选择最大分数所在的类别作为判别的类别；再将该最大分数进行反向传播得到可视化效果图。

2.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(1)中，所述的经验型指数参数包括：切向地图平均角膜散光度、后表面非球面性不对称指数、对立的扇形指数、前表面非球面性不对称指数、前房深度、角膜容积、角膜前表面的最大屈光度、下上方曲率平均值的差值、角膜中央曲率、最大前表面高度、最大后表面高度和角膜最薄点厚度。

3.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(4)中，进行训练集和验证集的划分之前，需要对数据进行随机扰动，以防相同数据的堆叠。

4.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(4)中，训练集中需维持正负样本均衡，使三类样本接近1:1:1。

5.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(6)中，所述的残差卷积神经网络的结构包括特征提取模块和分类模块，特征提取模块的第一层是单个卷积层，后四层是信道数越来越大的残差模块，每个残差模块都由2个残差块连接而成；分类模块由1个池化层和3个全连接层组成，第1个全连接层的数据由池化层的输出以及经验型指数参数数据串联而成，共同进行第一个全连接层；

其中，特征提取模块的输入为单样本的5维地形图数据，输出为对应的特征块；特征块再经由分类模块中的由全连接层和池化层，得到网络的3维分数输出。

6.根据权利要求5所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，所述的特征提取模块中，第一层是输入信道为5的卷积层，之后的每个残差模块均由核尺寸为3*3的残差块构成，残差模块的信道依次为64，128，256，512。

7.根据权利要求5所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(6)中，所述的残差卷积神经网络在进行分类训练时，训练的损失函数是Nllloss，迭代次数设置上限为20000次，每次输入一个batch的数据，计算损失并反向传播，更新模型参数，直至训练完毕，迭代过程中保存具有最佳验证效果的模型，若连续10次验证集的分类效果均处于持续下降状态，则退出当前训练，最后得到新模型。

8.一种基于多维特征自适应融合的圆锥角膜识别系统，包括：存储器，存储计算机可执行指令以及在执行所述计算机可执行指令时使用或生产的数据；处理器，与所述存储器通信连接，并配置为执行存储器存储的计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时，实现如权利要求1～7任一项所述的基于多维特征自适应融合的圆锥角膜识别方法。