基于人工智能的白内障筛查方法研究

发布时间：2020-06-08 16:35

【摘要】：晶体裂隙灯图像是白内障诊断的重要依据。有经验的医生往往根据自己的经验,观察晶体裂隙灯图像,判断白内障的严重程度。传统的基于图像的白内障分类方法首先需要人工设计特征,然后进行分类器训练,该方法效率较低且主观性强。为此,本文设计了基于卷积神经网络的白内障特征自动学习模型,该模型能够将晶体裂隙灯图像按白内障的严重程度分类,而且普遍适用于核性白内障,皮质性白内障和后囊性白内障,能够较好地为临床上白内障的诊断提供辅助信息。本文的研究内容主要分为四个部分:为了解决当前缺乏白内障图像库的问题,本课题从临床上采集了大量患有不同类型白内障的晶体裂隙灯图像,并由眼科医生根据严重程度将其分为正常晶体、早期白内障晶体及白内障晶体三类,以构建MSLPP图像库;对MSLPP图像库中的图像进行预处理,采用OTSU-Hough相结合的方法对瞳孔部分进行定位及分割,然后对分割后的图像进行光照增强和数据扩增处理;为了解决自动提取深度特征并分类的问题,本文利用ImageNet预训练过的Inception-V3模型及参数作为初始模型,并采用迁移学习的思想,改变全连接层后,用MSLPP图像库继续训练,利用交叉验证的方法不断测试模型的准确率,从而得到最终的分类模型;最后,本课题集合了前面所述的所有成果,开发了基于手机客户端的白内障筛查系统,医生能够利用装有该应用系统的手机配合手机裂隙灯采集晶体裂隙灯图像并上传,系统会对上传的图像进行预处理并自动反馈白内障、早期白内障和正常三种情况,具有较强的实用性。本文对白内障筛查模型收集到的特征进行了可视化分析,并从Accuracy、Recall、Precision和F1-meature四个角度评价模型的可靠性。为了证明白内障筛查模型受光照的影响不大,本文将模型在亮环境和暗环境下作对比。实验结果表明,模型识别准确率为94.84%,有效实现了对白内障图像的分类,可以为眼科医生提供辅助性诊断依据。
【图文】：

美国威斯康星,标准图像,白内障,不透明度

图 1.1 美国威斯康星白内障分级系统标准图像Fig. 1.1 Standard images of the US Wisconsin Cataract Grading System由此可知，提出一种新颖的自动、客观并且稳定的诊断白内障的计算机辅助必要。XuY 等[13]利用 ACHIKO-NC 数据库，以晶体不透明度分类系统 III（L

裂隙灯,手机

.1.1 图像采集白内障图像的采集主要依赖于裂隙灯。裂隙灯主要分为三种，台式裂隙灯、便携隙灯和手机裂隙灯，如图 2.1 所示。其中，，图 2.1a 为台式裂隙灯，在医院的门诊病用；图 2.1b 为手持式裂隙灯，一般由专业的医生外出筛查使用；图 2.1c 为手机裂，需配合手机摄像头使用，操作简单，携带方便，可由非专业人员使用。
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18;R776.1

【相似文献】