[发明专利]基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用

权利要求书

1.基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于，包括以下步骤：

(1)：从Oculus系统收集500张原始图像；

(2)：使用labelme标记工具用多边形标记图像，将已收集的睑板腺检查原图制作为带分割标记的图像数据集，使用labelme多边形标记睑板区域及腺体；

(3)：数据转换制成数据集；

(4)：训练分割网络，使用Pytorch神经网络框架训练分割的U-Net网络，U-Net的编码器下采样4次，一共下采样16倍，对称地，其解码器也相应上采样4次，将编码器得到的高级语义特征图恢复到原图片的分辨率,除最后一层外，所有层都使用整流线性单元(ReLU)作为激活函数，ReLU激活函数定义为f(x)＝max(0,x),最后一个卷积层单独使用一个softmax函数，该函数用于获取腺体图像的每个像素的输出二值标签，Softmax函数的规定为对于每个像素，有两个可能的类别：腺体或非腺体，由于这是像素级的二值分割，有两个适用的损失函数：(i)Dice系数：交集与并集的比率，直观上更适合具有单个连续边界的最大对象,(ii)二值交叉熵：对腺体分割有用，其中，在多个未连接的组件中存在轻微的像素级偏差，交叉熵损失比Dice损失的梯度更稳定，二值交叉熵损失函数定义为综合Dice系数和二值交叉熵两个指标，使用的损失函数为L＝L_dice+λL_ce，其中λ0是自定义的权重参数；

(5)：测试验证分割效果，在获得输出的腺体分割二值图后，应用五个临床相关指标，从睑板腺获得量化睑板腺功能障碍(MGD)：腺体面积缺失率、弯曲度、宽度、长度和腺体数量，函数为

(6)：分割睑板腺图像，T＝弧长/弦长。

2.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(1)中选取了300名成年检查者，其中健康150例，MGD患者150例，总共挑选500张原始睑板腺图像数据。

3.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(4)中softmax函数的v_i表示输出层中的元素，j是类别的数目。

4.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(4)中Dice系数下标i遍历图像所有的像素点，p_i是网络预测的像素点i属于前景的概率，y_i是地面真值中像素点i是否属于前景，属于前景则y_i＝1，属于背景则y_i＝0,ε是正数值10^-8，防止除以0。

5.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(4)中二值交叉熵N是图像像素点的个数，y_i是地面真值中像素点i是否属于前景，属于前景则y_i＝1，属于背景则y_i＝0，p_i是网络预测的像素点i属于前景的概率。

6.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(5)中腺体面积缺失率(R)是非腺体面积占睑板区域总面积(S)的比率，腺体面积(S1)。

7.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(5)中扭曲度(T)为曲线长度与端点之间距离的比值。