基于深度学习的前房角开闭状态自动识别

作者：王文赛; 邢恩铭; 秦鲁宁; 周盛; 杨军; 林松^*

来源：北京生物医学工程, 2021, 40(03): 221-226.

• 深度学习
• 前房角
• 超声生物显微镜
• VGG16
• 自动识别

目的基于深度学习(deep learning, DL)和前房角超声生物显微镜(ultrasound biomicroscopy,UBM)图像进行前房角开闭状态的自动识别,为原发性闭角型青光眼的临床自动诊断提供辅助分析。方法数据集为天津医科大学眼科医院采集的眼科疾病患者的前房角UBM图像,由眼科专家将UBM图像分为房角开放和房角关闭两类,按照6∶2∶2的比例随机设置训练集、验证集和测试集。为提高深度学习模型的鲁棒性和识别精度,对训练集图像随机进行了旋转、平移和反转等不影响房角形态的数据增强操作。比较VGG16、VGG19、DenseNet121、Xception和InceptionV3网络模型在本文数据集上的迁移学习结果,根据迁移学习结果对VGG16进行卷积层和全连接层的微调,用微调后的VGG16模型实现前房角开闭状态的自动识别。用接收者操作特征曲线下面积和准确率等评价指标对模型识别结果进行定量评价,用类激活热力图可视化模型识别前房角开闭状态时的主要关注区域。结果类激活热力图表明微调后的VGG16模型识别前房角开闭状态的主要关注区域为房角中心区域,与眼科专家的识别依据一致。该模型的识别准确率为96.19%,接收者操作特征曲线下面积为0.9973。结论基于深度学习和前房角UBM图像能够以较高的准确率实现前房角开闭状态的自动识别,有利于原发性闭角型青光眼自动诊断技术的发展。

• 单位
  天津医科大学眼科医院; 中国医学科学院北京协和医学院