[发明专利]基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用有效
申请号: | 202110073495.0 | 申请日: | 2021-01-20 |
公开(公告)号: | CN112885456B | 公开(公告)日: | 2022-08-16 |
发明(设计)人: | 张莹;刘小明;王烁;王漫;王姗;吴国欢 | 申请(专利权)人: | 武汉爱尔眼科医院有限公司 |
主分类号: | G16H50/20 | 分类号: | G16H50/20;G06T7/00;G06T7/11;G06T7/62;G06N3/04;G06N3/08 |
代理公司: | 武汉智嘉联合知识产权代理事务所(普通合伙) 42231 | 代理人: | 黄君军 |
地址: | 430070 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 睑板腺 量化 分析 及其 mgd 诊疗 中的 应用 | ||
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=Ldice+λLce,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vi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,pi是网络预测的像素点i属于前景的概率,yi是地面真值中像素点i是否属于前景,属于前景则yi=1,属于背景则yi=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,yi是地面真值中像素点i是否属于前景,属于前景则yi=1,属于背景则yi=0,pi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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉爱尔眼科医院有限公司,未经武汉爱尔眼科医院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110073495.0/1.html,转载请声明来源钻瓜专利网。