基于深度学习的角膜炎病灶三维拓扑形态特征评估装置

本发明属于图像处理，具体涉及一种基于深度学习的角膜炎病灶三维拓扑形态特征评估装置。

背景技术：

1、角膜是一种透明的组织，其承担了人眼三分之二的屈光能力。感染性角膜炎是因病原微生物侵入角膜引发的炎症性病变，是各种感染性角膜炎症的总称，主要包括病毒性角膜炎、细菌性角膜炎、真菌性角膜炎、棘阿米巴角膜炎等，其主要诱发因素包括角膜接触镜的佩戴、眼部外伤和眼表疾病。角膜炎可引起角膜瘢痕或穿孔进而导致视觉损伤，甚至失明，是目前全球范围内致盲的第五大致病因素，占角膜盲的首位。

2、早期的诊断治疗和及时的监测调控对避免视觉损伤和致盲等角膜炎并发症的出现至关重要。目前角膜炎临床诊断金标准是角膜刮片并进行病原微生物培养，这种方法通常需要有创操作和较长的培养时间，可能导致病情的迁延和恶化。因此，早期经验性的药物治疗和病情的监测对患者更具意义。目前临床常规使用裂隙灯显微镜评估浸润位置、溃疡及浸润病灶的水平及垂直维度范围等。然而裂隙灯检查难以评估病灶三维情况，如浸润深度以及相关的角膜水肿等特征，这使得对角膜炎病灶实时变化的监测和对疗效的观测具有较大的局限性。

3、近年出现的眼前节光学相干断层扫描(anterior segment opticalcoherencetomography,asoct)是一种新型成像方式，其可通过无创的检方式显示眼前节的横断面细节，为临床医生提供基础的眼前节解剖特征及相关疾病病变特征。这种成像方式可获取角膜炎患者的基质浸润深度(infiltration thickness,it)和角膜厚度(cornealthickness，ct)等数值帮助评估炎症浸润深度，为角膜炎的临床监测和早期治疗提供了新方案。然而临床实际应用中，由于时间及人力等问题，通常只由检查者主观选取全景扫描中的一个截面进行分析，提供的信息较局限，无法提供多种客观参数上的测量，也无法进行纵向随访上的比较，一定程度上影响角膜炎的诊治。另外，针对角膜病灶的较为单一的测量主要通过检查者主观选取和判断，可能导致不同操作者之间具有较大的误差。

4、基于深度学习的图像自动分析方法具有较高的客观性、可重复性和准确性，其已被越来越广泛地应用于临床场景，并具有广阔的应用前景。在眼科领域，针对光学相关断层扫描图像的技术和算法大多集中在对眼底图像的分析，仍缺少针对角膜炎患者的眼前节光学相干断层扫描图像的病灶三维拓扑形态特征评估装置，以辅助临床医生对角膜炎的早期诊断、评估和治疗。

技术实现思路

1、鉴于上述，本发明的目的是提供一种基于深度学习的角膜炎病灶三维拓扑形态特征评估装置，使用深度卷积神经网络较精确地分割角膜及角膜炎病灶，对角膜炎病灶实现三维拓扑形态特征的自动评估分析。

2、为实现上述发明目的，实施例提供的一种基于深度学习的角膜炎病灶三维拓扑形态特征评估装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

3、获取角膜炎患者的眼前节光学相干断层扫描图像，并标注角膜炎病灶、角膜轮廓线以及两侧巩膜突，以构建图像样本集；

4、基于深度卷积神经网络构建用于分割角膜炎病灶、角膜及巩膜突的分割模型，并利用图像样本集对分割模型进行训练；

5、利用训练好的分割模型对待测的眼前节光学相干断层扫描图像进行分割，得到分割的角膜炎病灶、角膜及两巩膜突；

6、基于角膜的边界和两巩膜突建立极坐标系和参考线，基于极坐标系和参考线对角膜炎病灶和角膜进行计算，以确定角膜炎病灶三维拓扑形态特征，其中，角膜炎病灶三维拓扑形态特征包括：角膜炎浸润灶最深点角膜厚度、病灶浸润深度、病灶宽度、病灶浸润角度及病灶偏心角度。

7、优选地，所述分割模型包括上下两路分割网络，上路分割网络包括u-net网络、多层级特征增强模块(hfem)以及第一伪标签修复模块(plrm1)，其中，多层级特征增强模块的输入与到u-net网络下采样阶段的输出连接，输出与u-net网络上采样阶段的输入连接，u-net网络和hfem结合，根据包括有标注和无标注两张图样样本的图像样本对并基于多层级特征增强处理，生成第一不确定性图和图像样本对对应的两特征图，第一不确定性图和无标注图像样本对应的特征图经过拼接后输入plrm1进行伪标签修复，生成第一分割结果。下路分割网络包括至少一个由编码器和解码器组成的transformer网络和第二伪标签修复模块(plrm2)，输入的图像样本对经过transformer网络生成第二不确定性图和另外两张特征图，第二不确定性图和另外两张特征图中无标注图像样本对应的特征图经过拼接后输入plrm2进行伪标签修复，生成第二分割结果；

8、训练时，构建上路分割网络对应生成的有标注图像样本对应的特征图与真实标签之间的diceloss，作为监督标签的第一分割结果与下路分割网络中无标签图像样本对应的特征图之间的diceloss，下路分割网络对应生成的有标注图像样本对应的特征图与真实标签之间的diceloss，作为监督标签的第二分割结果与上路分割网络中无标签图像样本对应的特征图之间的diceloss，这四个diceloss共同组成分割模型的损失函数，对分割模型进行参数优化。

9、优选地，u-net网络的每层采样卷积层，下采样卷积层层数与上采样卷积层层数相等，下采样卷积层生成的特征输入至多层级特征增强模块，经过特征增强后输出的增强特征，再输入到对应上采样卷积层，即u-net网络的unet跳连接之间经过多层级特征增强模块进行特征增强；

10、多层级特征增强模块包括语义特征模块、空间注意力模块以及通道注意力模块，其中，语义特征模块用于采用不同扩张率的空洞卷积获得输入特征的上下文多尺度感受野，得到不同尺度的特征，然后将多个尺度的特征融合后分别输入至空间注意力模块以及通道注意力模块；

11、尺度大的下采样卷积层输出的特征图更关注空间特征，即在hfem中经过sa模块提取特征，尺度小的下采样卷积层特征图更关注通道特征，即在hfem中经过ca模块提取特征。

12、优选地，所述基于角膜的边界和两巩膜突建立极坐标系和参考线，包括：

13、设两巩膜突分别为点a和c，做ac中垂线交角膜的下边界于点b，做ab中垂线交ac中垂线于点o，以点o为原点建立极坐标系，在oa与oc之间，每间隔一定度数做射线作为参考线。

14、优选地，所述角膜炎浸润灶最深点角膜厚度通过以下方式计算：

15、角膜炎浸润灶最深点角膜厚度ctlow为通过角膜炎浸润灶最深点d的极坐标系参考线与角膜上下边界的两交点之间的间距，其中，角膜炎浸润灶最深点d的确定方式为：设极坐标系中参考线与角膜炎病灶下边界交点为n，则角膜炎浸润灶最深点d为当on值最小时的n点。

16、优选地，所述病灶浸润深度通过以下方式计算：

17、病灶浸润深度itlow为通过角膜炎浸润灶最深点d的极坐标系参考线与角膜上边界、角膜炎病灶下边界的两交点之间的间距。

18、优选地，所述病灶宽度通过以下方式计算：

19、病灶宽度iw为通过病灶左边缘点l的射线ol与通过病灶右边缘点r的射线or与角膜上边界交点间的曲线段长度。

20、优选地，所述病灶浸润角度通过以下方式计算：

21、病灶浸润角度ir为通过病灶左边缘点l的射线ol与通过病灶右边缘点r的射线or之间的角度值。

22、优选地，所述病灶偏心角度通过以下方式计算：

23、病灶的右偏心角度ear为通过病灶右边缘点r的射线or与ob之间的角度值；

24、病灶的左偏心角度eal为通过病灶左边缘点l的射线ol与ob之间的角度值。

25、为实现上述发明目的，实施例还提供了一种基于深度学习的角膜炎病灶三维拓扑形态特征评估装置，包括样本构建单元、模型训练单元、分割单元、特征评估单元，

26、所述样本构建单元用于获取角膜炎患者的眼前节光学相干断层扫描图像，并标注角膜炎病灶、角膜轮廓线以及两侧巩膜突，以构建图像样本集；

27、所述训练单元用于基于卷积神经网络构建用于分割角膜炎病灶、角膜及巩膜突的分割模型，并利用图像样本集对分割模型进行训练；

28、所述分割单元用于利用训练好的分割模型对待测的眼前节光学相干断层扫描图像进行分割，得到分割的角膜炎病灶、角膜及两巩膜突；

29、所述特征评估单元用于基于角膜的边界和两巩膜突建立极坐标系和参考线，基于极坐标系和参考线对角膜炎病灶和角膜进行计算，以确定角膜炎病灶三维拓扑形态特征，其中，角膜炎病灶三维拓扑形态特征包括：角膜炎浸润灶最深点角膜厚度、病灶浸润深度、病灶宽度、病灶浸润角度及病灶偏心角度。

30、与现有技术相比，本发明具有的有益效果至少包括：

31、本发明使用深度卷积神经网络对角膜炎患者的asoct图像中病灶进行像素点分割，更高效的获得角膜炎病灶分割图，为精确获得更完整病灶信息提供基础，且自动识别和分割使患者完整序列(128张asoct)图像信息的综合利用成为可能，为临床提供更精确全面的疾病信息提供技术支持。

32、本发明创立极坐标系法对角膜炎病灶进行量化，相比于手工测量方法，拥有更好的可重复性及稳定性，具有更高的科学性与准确性，且通过此方法可进一步提供目前临床无法测量的部分角膜炎病灶数值与信息，使得可用于临床决策的信息更加丰富，辅助临床诊断治疗决策的同时，为临床角膜炎诊治新标准的设立提供技术支持。