[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

说明书

本发明公开了基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，本发明应用深度学习量化分析睑板腺形态，为MGD的诊疗提供客观可靠的量化指标，从而实现睑板腺功能障碍的自动诊断，避免了手动分析图片的繁琐及人为因素的干扰，提高了结果的客观性；睑板腺分割可以显示多种睑板腺的形态变化，治疗前可见睑板腺有缩短、迂曲、扩张和缺失，通过睑板腺按摩或强脉冲等物理治疗后睑板腺形态变化可通过临床指标计算客观地得出具体数据变化情况，本发明可以为MGD治疗的效果提供更客观精确的评估手段。本发明具有诊断准确率和效率高，量化评估指标的优点。

技术领域

本发明涉及医疗技术领域，具体为基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用。

背景技术

睑板腺(tarsal glands)，又被称为麦氏腺(meibomian glands)，是一种眼皮睑板内的特殊皮脂腺，由腺泡细胞、中央导管、周围导管和终末导管组成，它的主要功能是分泌重要的脂质层，从而润滑睑缘并且延缓水液层的蒸发，是眼部一个重要的组织。睑板腺功能障碍(meibomian gland dysfunction，MGD)是一种慢性、弥漫性的睑板腺病变，通常表现为终末导管阻塞和(或)睑脂分泌功能异常，在临床上可能会引起泪膜异常和眼表炎性反应，是干眼的一种常见类型。

流行病学研究表明，MGD的患病率在全世界的发病率达到了20％～60％，已远远超出人们的想象。首先，随着我国科技的发展和经济的进步，电视、手机和计算机等视觉显示终端已经得到了广泛的普及，人们每天暴露于电子屏幕的时间已经远远超过了健康使用时间；其次，环境污染、药物使用和配戴隐形眼睛等也都是容易诱发干眼病的重要因素；此外，我国社会老龄化的现象日益严重，诸多因素的叠加进一步增高了MGD的患病风险和患者人数。当今社会人们对生活质量的要求逐步提升，MGD俨然已经成为影响生活质量的一大因素，所以对于睑板腺功能障碍的研究具有重要的临床和现实意义。

发明内容

本发明解决的技术问题在于克服现有技术的直接观察睑板腺腺体的形态和缺失情况会使得MGD的诊断被主观判断所主导的缺陷，提供基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用。所述基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用具有诊断准确率和效率高，量化评估指标等特点。

为实现上述目的，本发明提供如下技术方案：基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，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