论文部分内容阅读
青光眼作为全球首位不可逆性致盲眼病,严重威胁人类的视觉健康。原发性闭角型青光眼(primary angle closure glaucoma,PACG)是我国青光眼的主要类型,该疾病早期不易发觉,一般是疾病发展到中晚期,视野严重缺损时才会发觉,严重损害我国人民的视觉健康。目前我国眼科医疗资源总量不足,优质医疗资源分布不均匀,不能完全满足临床需求。眼科医疗资源的匮乏使得我国PACG筛查面临严峻挑战。随着我国人口老龄化的进程,我国的青光眼防治工作形势更加严峻。以深度学习为代表的智能辅助诊断系统能够迅速完成大量重复性的医疗活动,有望从供给侧对眼科诊疗现状进行改革,对我国青光眼疾病的防治工作具有重要意义。眼科超声生物显微镜(ultrasoundbiomocroscopy,UBM)能够直观表现前房角的形态,对闭角型青光眼诊断具有独特的优势。在健康中国和人工智能等国家战略新形势下,本文基于深度学习算法和前房角UBM图像开展了智能辅助诊断系统的研究,期望为PACG的筛查与诊治提供辅助参考信息。本文首先建立了 UBM图像数据集。高质量的临床数据集是智能辅助诊断系统研究的基础,因此从现实临床环境中采集患者的前房角UBM图像作为研究对象。采集图像的眼科医生均具有丰富的临床经验,并具有较为一致的操作规程。经过脱敏处理和严格的准入标准,最终共有2146幅房角开放图像和1642幅房角闭合图像被纳入研究。前房角闭合状态的检测是PACG诊断的重要依据。本文选用ResNet50、InceptionV3和InceptionResNetV2等神经网络作为特征提取器,并为前房角闭合状态识别任务设计了定制分类器,然后结合数据增强技术、迁移学习技术和特征融合技术,实现了前房角开闭状态的自动识别。对于房角未闭合的图像,其开放程度的定量测量是房角闭合风险评估的重要参考。本文首先基于EfficientNet网络设计了一个解剖关键点定位网络,实现了巩膜突和房角隐窝的自动定位;然后基于EfficientNet和空洞卷积模块设计了一个语义分割网络,实现了房角组织轮廓的自动分割。依据定义,自动定量计算了小梁虹膜夹角(trabecular-iris angle,TIA),房角开放距离(angle-opening distance,AOD),房角隐窝面积(angle recess area,ARA)等反映房角特征的参数。结果表明,ResNet50和InceptionResNetV2融合后的模型对于房角闭合状态识别的准确率为98.69%,敏感性为97.60%,特异性为99.53%,具有较好的识别性能。关键点定位模型对巩膜突和房角隐窝的平均定位误差分别为65.19±51.47 μm和43.32±41.23 μm,观察者内平均定位误差分别为62.42±49.04μm和41.26±38.86μm,表明关键点定位模型的性能接近于眼科专家的定位精度。房角组织分割模型的平均IoU值为97.11%,平均Dice系数为98.53%。与人工测量值相比,深度学习系统测量的 TIA500、TIA750、AOD500、AOD750、ARA500、ARA750 的变异系数分别为 5.77%、4.67%、10.76%、7.71%、16.77%和 12.70%;再现性分别为 5.77 degrees、4.56degrees、155.92μm、147.51μm、0.10mm2和 0.12 mm2;所有房角开放参数的组内相关系数均大于0.935。表明深度学习系统测量的房角开放参数和人工测量值具有良好的一致性。前房角潜在闭合机制的亚型分类有助于指导临床治疗。为了对筛查出的房角闭合和狭窄图像进行潜在闭合机制的识别,本文选用InceptionV3等神经网络作为特征提取器,并为该任务设计了定制分类器,结合数据增强、迁移学习和类别权重平衡技术,实现了前房角潜在闭合机制的自动识别。模型对潜在闭合机制的绝对匹配率为65.93%,汉明损失为0.1392,验证了深度学习识别房角潜在闭合机制的可行性。基于以上设计的多个深度学习模型,本文设计了 PACG智能辅助诊断系统。该系统基于前房角UBM图像能够快速实现前房角开闭状态的智能识别、前房角开放程度的智能定量评估以及前房角潜在闭合机制的智能识别,有助于PACG的早期筛查、诊断和管理,具有较好的临床应用前景。