检索历史 清除

摘要小儿白内障是一种常见的严重危害婴幼儿视力健康发育的眼科疾病，通常发生在婴幼儿视觉发育的敏感时期。如果得不到及时有效的医学诊断和治疗，将会造成不可逆的视力损害。临床上，弥散光源影像是眼科医生诊断小儿白内障的主要介质，然而，小儿白内障具有多样性，很难直接地给出详细的病灶描述。因此，病灶的准确分析无疑是建立小儿白内障早期筛查、诊断和监测管理的关键。随着人工智能的发展，基于深度学习的分类和目标检测算法在医疗领域中得到了广泛的应用。计算机辅助自动诊断为医疗影像分析开辟了一个新的研究方向。弥散光源影像的积累也为小儿白内障病灶的自动检测提供了数据支持，使得基于计算机算法进行客观、快速、准确地小儿白内障病灶定位和识别成为了可能。<br>　　本文以国内某著名眼科医院提供的小儿白内障弥散光源影像为基础，基于深度学习的目标检测算法构建了一个小儿白内障病灶自动检测模型，并以此模型为基础进行了多个角度的病灶分级识别，实现了小儿白内障病灶的精准分析。<br>　　本文的研究内容主要包括小儿白内障病灶的自动检测和分级两部分。在病灶检测中，首先基于像素四邻域关系的降噪算法预处理小儿白内障弥散光源影像，过滤噪声；然后，提出了一种带有跳跃连接结构的FasterR-CNN目标检测算法，充分融合浅层位置信息和深层语义信息，对病灶进行了自动检测研究，有效地提升了检测的准确率。病灶分级研究主要包括病灶混浊致密性、面积和位置三个角度的分析，其中混浊致密性由检测模型可以直接得到，本文进一步对检测模型输出的结果进行阈值计算以得到病灶混浊面积和位置两个角度的分级。针对阈值和病灶复杂性存在的不确定性问题，本文提出了基于卷积神经网络和基于特征融合的病灶分级模型。基于卷积神经网络的病灶分级是采用深度卷积神经网络训练模型直接分级；基于特征融合的病灶分级首先提取颜色、纹理、形状等初级特征，然后进行多种特征融合，之后利用主成分分析对融合后的特征进行降维，最后使用Softmax进行分类。两个模型均得到了更加客观的病灶分级结果。<br>　　实验结果表明，具有一个跳跃连接结构的病灶检测模型得到了最优的性能，其在正常晶状体、患病晶状体、病灶致密和病灶非致密四个类别的检测准确率分别达到了99.8%、99.7%、90.4%和89.4%，并且具有最高的MeanIoU(0.9174)。ResNet-50深度卷积神经网络在病灶混浊面积和位置两个角度分级问题上均获得了最优的性能，其准确率分别为92.59%和91.78%。本文的病灶检测和分级研究为小儿白内障计算机辅助诊断应用于临床提供了一种可行方案，同时也为其它医学影像的研究提供了借鉴意义。