文摘

检测不到发炎圆锥形角膜(KTC)是一个迹象障碍的特点是逐渐变薄,角膜变形,角膜瘢痕。这种疾病的病理机制研究了很长时间了。近年来,这种病已经到了许多研究中心的关注,因为诊断为圆锥形角膜的人数正在上升。在这种情况下,解决方案,促进快速诊断和治疗方案都是必要的。本文的主要贡献是一种算法的实现,能够确定是否影响眼睛的角膜。KeratoDetect算法分析眼睛的角膜地形使用卷积神经网络(CNN)能够提取和学习圆锥形角膜眼的特性。结果表明,KeratoDetect算法确保高水平的性能,获得99.33%的准确性测试集的数据。KeratoDetect可以协助眼科医生快速筛查的患者,从而减少诊断错误和促进治疗。

1。介绍

角膜是眼睛的外层,表面覆盖眼睛的前面。角膜的结构和修复性能至关重要的功能:保护眼睛的内在内容,维护眼睛的形状,实现光的折射。

角膜是由蛋白质和细胞和不包含血管,与大多数在人体组织。血管的存在可能会影响其透明度,进而可能影响适当的光线折射,因此视力恶化。因为没有在角膜血管供给营养,眼泪和房水(一种水性液体)为角膜提供营养。

角膜是由五层:上皮,鲍曼层、基质、角膜后弹力层,内皮。第一层,上皮细胞层,覆盖角膜。这一层吸收氧气从眼泪和将其传递到其余的角膜。角膜也包含免费的神经末梢。检测不到发炎圆锥形角膜是一个迹象条件逐渐变薄、变形和角膜瘢痕。圆锥形角膜的病理机制已经研究了很长一段时间。遗传和环境因素与疾病相关,但近年来,一种新的理论,圆锥形角膜,可能会出现炎症组件(1]。

然而,由于许多患者过敏擦眼睛过度,尚未明确是否眼摩擦是一个圆锥形角膜病理相关因素但绝对可以增加角膜变形(2]。圆锥形角膜的特点是眼睛角膜有进步的锥形变形逐渐减少病人的视觉精度。多年来,提出了各种各样的方法来纠正这种情况,如严格以序列的隐形眼镜和巩膜的镜头,或不同的手术,以减少疾病的进展。近年来,这种病已经到了许多研究中心的关注,因为诊断为圆锥形角膜的人数不断增长,需要快速解决方案来促进诊断和治疗方案。

伊达尔戈et al。3]使用支持向量机(SVM)算法处理22个参数来区分圆锥形角膜从那些病人健康。算法流程的角膜地形参数和测量病人的眼睛。在这项研究中使用的开发环境是Weka开源软件(4]。结果显示95.2%的准确性,这代表了一个高水平的性能。根据作者,最适合KTC分类的支持向量机算法类型。从结果,减少参数不影响分类算法的性能。相反,它甚至可以提高精度在某些特定的情况下,大大减少了处理时间。最好的准确性得到只有7参数集成模型中。

Accardo et al。5)提供一个圆锥形角膜检测算法,利用神经网络(NN)。实现算法的精度达到96.4%。这个精度是通过同时使用两只眼睛的地形参数,提高了神经网络的区别的能力。

Valdes-Mas et al。6]提出的使用人工神经网络(NN)预测圆锥形角膜的进化。视觉质量评估工作中通过分析角膜曲率和散光。提出了一系列模型,最好的结果是通过一个人工神经网络基于多层感知器(MLP)。

将机器学习算法的主要好处眼科是巨大的(7]。机器学习领域是人工智能的支行,亚瑟说,“能让电脑学习没有明确的程序。”

机器学习算法的第一步是数据处理,其次是培训机制;然后,部署算法来预测新特性同时监测的准确性。算法是准备和训练后,新数据(测试数据)被送入网络。

机器学习算法有可能中断古典健康检查项目,能够提供诊断在很短的时间内帮助提高病人护理和安慰。不应忽视的一个方面是这些算法的验证,必须根据客观条件和专业计划完成。

今天et al。8)提供了一个利用人工智能自动圆锥形角膜检测算法。算法使用作为输入一组获得的地形图像使用Pentacam [9)已经被专家两类(圆锥形角膜的眼睛和nonkeratoconus眼)。该方法的缺点是,训练数据集包含少量的图像,分别为82。

四组分类器的测试:多层感知器(MLP) [10),径向基函数网络(RBFN) (11)、神经网络(NN)和支持向量机(SVM) [12]。模拟显示,分类方案的结果大致相同的结果的准确性。获得最好的精度是92.2%中的延时算法,和最低的84.42%的支持向量机算法的准确性。

在[13),一个学习算法基于神经网络,允许圆锥形角膜的诊断。从结果,最高精度达到97.33%的测试数据集。算法的主要缺点是使用大量的参数使其难以实现和测试。

Perissutti et al。14)是最早提出使用神经网络诊断圆锥形角膜。最大程度的准确性为92%。本文比较了检测相结合的方式单眼方法和双目的方法。最好的结果是通过作者从病人的双眼获得的参数在模型中使用。

Arbelaez et al。15)开发一种分类算法显示精度高的区分正常的眼睛和keratoconus-affected眼睛。该模型还包括后角膜表面参数和角膜厚度。集成这些参数的灵敏度显著提高算法在考虑亚临床圆锥角膜的诊断。分类机制可能与圆锥形角膜相关检测早期迹象时特别有用。分类器的准确性由作者开发的大约97.2%。在早期诊断圆锥形角膜疾病的预后是非常重要的。

Maeda et al。16)结合判别分析和分类树分析角膜地形数据为了诊断圆锥形角膜。机制的敏感性为89%,小于95%的SVM-type算法获得的价值。

环球航空公司等。17)考虑造型前角膜表面seventh-order泽尼克多项式和应用决策树类型来区分正常的眼睛和一个圆锥形角膜。该方法的敏感性、特异性和精确度是92%,93%,和94%,分别。

Chastang et al。18)基于数据集成的二叉决策树生成的角膜地形和取得了精度约为95%。该方法的缺点是减少输入数据集的存在(19]。总之,圆锥形角膜的算法,可以集成诊断过程如下:多层感知器(MLP),决策树(DT)卷积神经网络(CNN),径向基函数网络(RBFN)、人工神经网络(ANN)和支持向量机(SVM)。

本文结构如下:在一个简短的介绍之后,动机导致这项工作。节3,该圆锥形角膜检测算法(KeratoDetect)进行了探讨;与此同时,在节4的绩效评估KeratoDetect算法。部分5总结这项工作。这项工作的主要贡献是卷积神经网络的集成在圆锥形角膜的诊断过程。从作者的最好的知识,这种方法是第一个。在科学文献中,少量的算法(3- - - - - -18,20.)已经提出,在圆锥形角膜检测中使用机器学习技术,但没有人获得如此高水平的准确性。

2。理论背景、症状和治疗

圆锥形角膜(KTC)被发现在一般人群的比例1 2000人;此外,儿童发病率在过去的几年中显著增加。诊断为圆锥形角膜的人数正在上升,因为越来越多的人开始执行筛查诊断当激光折射手术包括地形。因此,圆锥形角膜的发病率人群中可以更大。

流行病学近年来公布的报告显示,在俄罗斯只有0.3情况下每100000人(0.0003%)报告,在印度2.3%的情况下,在以色列2.34%和2.5%在伊朗1]。通常,疾病将在第二个十年的生活和男女都和所有种族。圆锥形角膜通常影响双眼;然而,一只眼睛可能最初受到影响。

圆锥形角膜,因为结构变化引起的角膜变薄,眼压不再是由角膜提供。那里,角膜变形通过锥形形状。条件的名称是由这个发生。KTC影响这两个年轻人和老年人,所以迫切需要找到新的诊断方式,这样圆锥形角膜可以预先处理。

在先进的情况下,大多数时候,有一个重要的视觉失真,生活质量的恶化。最先进的视力矫正需要角膜移植,其中包括如排斥和感染的风险。最安全的办法是尽快正确的诊断,因此病人有机会进行治疗,减缓疾病的进展。

基本证明治疗角膜交联,旨在防止疾病进展(2]。角膜交联(CXL)治疗旨在恢复角膜基质的完整性,因此增加了圆锥形角膜阻力进展。这种治疗是最大的有效性,必须完成疾病时处于初期阶段。因此,必须正确地诊断圆锥形角膜的早期阶段,这通常青春期发病。

眼科的大量数据的连续发展,持续改进的学习算法,增加处理能力导致高涨的兴趣在眼科应用机器学习算法。

本文的主要贡献是一个名为“KeratoDetect”的算法的实现,能够确定一个眼睛患有圆锥形角膜。在图1,一个正常角膜和之间的差异受圆锥形角膜(KTC)疾病(例如,采用角膜)。

3所示。KeratoDetect:圆锥形角膜检测算法

的主要目标是实现和测试一个算法,允许圆锥形角膜检测通过促进诊断过程。该算法使用了一个卷积神经网络(CNN)。最常用的形态诊断和确认圆锥角膜是角膜地形然后由眼科医生专家解释。这些图像将考虑KeratoDetect算法的输入,在学习过程与卷积神经网络(CNN)有关。

发达的神经网络处理输入数据(例如,一个图像的像素值代表角膜地形)使用在神经元之间的连接权重。学习过程涉及的连续调整权重,以减少错误的分类和学习过程。

许多学习算法使用输入和输出之间的多层网络。这些神经网络允许的识别特征,在分类关系模式和特点。技术进步导致了这些算法的开发和改进,与他们被用在许多领域的医学与信心。

在神经网络中,卷积神经网络(CNN)是一种识别和分类图像的主要方法。cnn目前用于应用程序对象识别和人脸检测等。CNN的圆锥形角膜疾病诊断是本文实现的。

分类图片使用CNN算法包含一个图像预处理步骤。该算法分解图像在像素级别;然后获得矩阵应用于神经网络的输入。该算法使用彩色图像,大小为180×240×3像素。CNN模型假定每个图像经过一系列的内核卷积过滤器,汇聚层,并完全连接(FC)层;与此同时,分类是由使用将Softmax函数对一个对象进行分类与概率值在0和1之间。

在图2,这样一个CNN的结构。一个可以观察到输入层,公约层、汇聚层,完全连接层和输出层。

卷积层第一层执行特征提取的图像应用于网络的输入。卷积层保持像素之间的关系通过学习图像的特点,使用特定的过滤器,从而生成图像矩阵。

在图3、两个角膜地形显示;前者,眼睛受到圆锥形角膜,后者,一个健康的眼睛。颜色用于地形显示角膜高度参数的任何更改。因此,颜色如红色表明高海拔的存在(例如,可能存在的锥)。绿色或黄色等浅色显示海拔高度参数的均匀分布。

地形图使用颜色范围来确定角膜曲率数据。弯曲陡峭的地区显示在温暖的颜色,如红色和橙色,而平面弯曲区域所示冷的颜色,如绿色和蓝色(21]。地形显示彩色地图的“绝对”和“正常化”。的地形概述整个角膜的曲率。算法实现过程典型的角膜地形,将它们分为两类,具体到圆锥形角膜病理检测模式。

图4提出了集成的步骤KeratoDetect提出的算法。第一步包括图像的预处理,将应用于算法的输入。

输入图像必须具有相同的分辨率在应用卷积神经网络;因此,他们需要预处理。下一步是把图像分成三组:一个用于神经网络训练,另一个用于验证数据集,第三集将被用来测试算法在完成学习和验证过程实现的。

下一步是使用训练图像集训练神经网络。一旦获得的准确性是可以接受的,在测试图像集应用于算法的输入。最后一个参数分析和评估的精度算法能够正确分类地形分为两类:keratoconus-affected眼睛和健康的眼睛正常的地形。测试数据集的计算精度。

颜色用于地形显示角膜的高程变化的参数。因此,颜色接近红色表明锥的存在。算法实现过程局部角膜地形,将它们分为两类,具体到圆锥形角膜病理检测模式。

4所示。绩效评估的KeratoDetect

最初的问题之一,我们遇到阻碍收集大量的角膜地形,我们可以应用该算法的输入。通常,临床数据难以获得。所以,作为一个解决方案,我们综合SyntEyes KTC模型(22]。模型用于生成输入数据(如角膜地形)是随机的,允许自动生成的角膜地形(23]。

在图5、选择的地形生成的SyntEyes。

SyntEyes模型使用基线145 Scheimpflug层析x射线摄影机,也将眼睛biometry-related信息。信息处理减少集成的参数的数量紧随其后的是一个多变量高斯分析产生随机模型的圆锥形角膜(KTC)的眼睛。这个模型的结果过滤去除错误的地形模型通过自动或手动过程。圆锥形角膜的演化和特征可以通过比较研究和分析SyntEyes KTC输出与输出提供的模式,与正常的地形生成健康的眼睛,因为合成模型类似于当前的临床资料和提供的数据可以作为学习数据集成在CNN。KeratoDetect算法被开发使用1500健康的眼睛1500地形地貌和眼睛的诊断为圆锥形角膜。CNN的训练集使用1350地形。算法验证数据集包括150眼;与此同时,测试数据集将包括200只眼睛将测量的性能水平。CNN算法在Matlab软件实现24]。

图6介绍了CNN在Matlab软件中实现结构。CNN使用一个过滤器的大小3×3像素扫描过程的训练集,用于卷积层的神经元数量是16的数量(例如,过滤器)神经元连接到同一地区的输入数据集。

在回旋的层,填充特性的使用是为了创建地图的特性。在我们的例子中(3)一个过滤器,使用的填充,以确保输出空间的大小是一样的输入的大小。下一个集成层是一种归一化层,允许网络的优化正常化激活。

这一层是紧随其后的是ReLU(修正线性单元)层。这一层的目的是增加非线性每次卷积后层。这一层降低了网络的训练时间,减少CNN的敏感性。

下一层的CNN是一个马克斯池层设计的角色,将采样操作,从而消除冗余信息层。这个过程是用来增加过滤器的数量没有补充增加计算能力。马克斯池层返回的最大值定义矩形区域,使用一个跨步结合固定步长2的培训过程。网络的学习速率设置为0.01。

下一步是增加过滤器的数量从16到32和执行标准化操作ReLU层紧随其后。这些操作完成后,麦克斯池功能。这次再一次仪表使数据是喜欢以64 -神经元卷积层其次是标准化和ReLU层。

最后一层是完全连接层,所有的神经元连接到前一层神经元和交换数据。这一层结合的所有特性提取和学会了由前层确定输入数据中的模式。在这一层,所有提取的特征用于分类角膜地形。完全连接层的大小等于分类类,在我们的案例中2(一个用于圆锥形角膜的眼睛和一个正常的眼睛)。

下一层是一层Softmax决定最终使用的分类概率分类层。分类层使用一个激活函数为每个输入分配的两个类和参数计算损失。

图7显示精度参数当迭代的数量是不同的。一个时代是一组数据用于训练卷积神经网络和伴随着完整的输入数据集。通过一个时代包括21个迭代。迭代是一个神经的卷积神经网络参数更新。测试数据包括400年角膜地形,地形圆锥形角膜的眼睛,200和200正常眼睛的地形。数10时代(即。,210 iterations), we obtain an accuracy on the data test set of approximately 97.01%. The accuracy is computed for the test data set.

图8介绍了精度参数当630次迭代相当于30时代。每次迭代的梯度估计,对应于一个更新的神经网络参数。在这种情况下,开发算法的精度为97.67%的测试数据集,包括400年的地形。默认情况下,CNN网络验证每50迭代通过预测验证数据集和计算精度参数。

图9显示了CNN的损失参数。这个参数代表了整个CNN的交叉熵。当我们增加网络的准确性,可以显著减少造成的损失参数消除错误的地形分类。

图10提出了798年的精度参数迭代相当于38时代。

每次迭代都代表了一种神经网络权值的更新,从而提高网络性能。对于测试数据集,发达算法具有99.33%的准确率。显然,在这种情况下,神经网络的学习时间大大增加了。该算法允许检测圆锥形角膜怀疑眼角膜具有很高的准确性。

在图11提出损失参数的情况下,该算法的精度是99.33%。

在图12之前,最初的卷积层权重学习过程以及所示的第一个卷积层权重CNN在培训过程。这些重量是用于特征提取和进一步处理。

该算法的主要优势是,它保证了最高的性能,当我们比较获得的准确性和其他算法的准确性提出了科学文献。获得的性能水平也代表了这项工作的主要贡献。

5。结论

该算法的主要优势是,它可以作为一个集成诊断过程的一部分。从获得的结果,我们可以得出结论,提出KeratoDetect算法确保高水平的性能。这项工作的主要贡献是诊断过程的开发和集成软件帮助眼科医生助理。机器学习算法有可能中断古典医学筛查项目,能够提供诊断在很短的时间内帮助提高病人护理和安慰。本文的贡献在于应用机器学习机制圆锥形角膜疾病检测。高水平的性能可以帮助医务人员正确诊断圆锥形角膜。

因此,在眼科咨询后,应用角膜地形作为输入已训练好的神经网络,这将决定病人是否患有圆锥形角膜。通过优化参数与卷积神经网络相关联的,该算法的精度提高到99.33%的测试集,实现了算法过程局部角膜地形,将它们分为两类,具体到圆锥形角膜病理检测模式。

总之,本文筛选工具的发展基于学习算法,自动检测圆锥角膜疾病根据角膜地形。

设备执行的算法可以实现地形作为附加为了协助眼科医生快速筛查的患者。尽管结果显示高水平的性能,这种机制不能被用来作为一个独立的诊断过程,但应被视为一个额外的工具来帮助眼科医生也分析家族史等临床资料,折射,和角膜形状演化,执行灯检查。在未来,这些算法将变得更加高效和导致容易诊断圆锥角膜和角膜移植病例的减少。

数据可用性

数据结果提出了用于支持本研究的发现。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

这项工作是由罗马尼亚外交部资助研究和创新,CCCDI-UEFISCDI,项目号。pn - III - p1 - 1.2 - PCCDI - 2017 - 0776和36 PCCDI / 15.03.2018 PNCDI三世。