[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

说明书

本发明公开了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，其中方法包括：(1)利用Pentacam眼前节成像系统获得多个独立样本的原始角膜地形图数据；(2)对上述每个独立样本的5个维度进行圆锥角膜情况综合判断标注；(3)统计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)划分训练集和验证集；(5)对训练集和验证集中的地形图数据进行处理；(6)构造五维特征自适应融合的残差卷积神经网络并训练；(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)利用训练好的模型进行预测，再将最大预测分数进行反向传播得到可视化效果图。利用本发明，可以解决实际应用中圆锥角膜识别效果不佳的问题。

技术领域

本发明属于医疗数据处理技术领域，尤其是涉及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。

背景技术

近年来，深度学习技术在各行各业迅猛发展，结合深度学习技术进行医疗辅助成为了越来越多的人努力的目标和方向。而圆锥角膜是一种缓慢发展的眼病，早期(也就是亚临床圆锥角膜)很难诊断，且没有明显临床表现，病程也因人而异，而当发展到晚期(圆锥角膜)的时候，就会出现明显的角膜扩张、中央变薄向前突出，并且呈圆锥形状，可以通过多种眼科设备进行晚期圆锥角膜的诊断。关键问题在于疾病的早期是很难诊断却可以通过隐形眼镜进行矫正的，当发展到晚期就只能通过角膜交联或角膜移植手术来治疗，严重影响正常生活。本着早发现早治疗的原则，需要利用各种手段尽早发现可疑性的圆锥角膜疾病，而利用当前热点的深度学习技术进行这方面的发现将是一项令人期待的工作。

从理论上来说，人工神经网络诞生于20世纪初期，且首次提出了多层感知器，用以执行逻辑运算功能，而后提出了神经网络学习的思想，在经历了一次衰退期后，20世纪80年代迎来了人工神经网络的复苏，直到2006年首次提出深度学习的理念，且基于深度学习的图像分类算法AlexNet在2012年的ImageNet比赛中一举夺得最佳成绩让深度学习一下子火热了起来。而且深度神经网络中的一个主要大方向就是图像分类，并且很多基于分类模型的特征模块可以转移到其他任务中进行使用。随着2012年深度学习快车的出发，硬件、数据、技术、人才等都为图像分类提供了发展潜力和技术基础。传统的图像分类算法基本都是直接处理一维问题，然后利用传统的线性或非线性的分类器或者寻找分类超平面等找出最佳的分类参数，当图像很大或数量很多时，所获得的模型泛化性很差，且分类的效果只能满足一般人物的需求，随着互联网的进步和数据量的剧增，传统方法完全不能为之做出大量的有效贡献。随着卷积神经网络的提出和发展，越来越多的实际性的问题能够用深度学习网络自适应学习的方式来辅助解决。LeNet是LeCun基于BP网络训练多层神经网络来识别手写体数字的网络，是CNN的开山之作，在手写体数字的识别上面达到了很高的精确率，且能将其用于其他一些需要浅层网络的问题中。AlexNet则是2012年提出的LeNet的加宽加深版本，且做了很多模型和优化上的改进，使得其更加试用于更加复杂的对象。GoogLeNet是来自谷歌的用于减少计算网络开销且利用了多尺度特征融合的网络，并获得了ILSVRC挑战赛冠军。另外，ResNet残差网络更是提出了一个残差模块，使得在能够提取深度特征的前提下缓解梯度消失问题，成为近几年最常用的分类网络和骨架网络之一。近年来，也有很多研究人员从各个不同的角度，包括深度、宽度、可解释性、特征提取等对网络进行改进，而针对不同的应用场景，还需要做的就是要针对不同应用场景克服不同的困难点，并选择最合适的网络进行操作。

针对圆锥角膜的识别，从整体上来说，Pentacam获得的角膜地形图包括5个维度的数据，现有技术中，在构建模型阶段，采用了不同的卷积核、不同的输入方式以及不同的中间特征融合方式进行模型的构建，力求达到最佳分类效果，其输入的单样本的5个通道的数据分别按照曲率、厚度和高度三个维度输入到不同的特征提取器，特征提取器输出的特征再进行固定的叠加融合并代入分类网络进行分类，而这种方式就是人为地将三种维度的特征进行融合，考虑到现实世界数据的多样性和丰富性，即使融合的方式是人为自主选择的最佳组合，却不能保证对于任何样本都能自适应地融合到最佳状态。

发明内容