文摘

的目标是。缺乏基本的眼科医生在中国导致基层医院诊断翼状胬肉患者的能力。为了解决这个问题,一个intelligent-assisted轻量级翼状胬肉诊断模型提出了基于前一部分图片。方法。翼状胬肉是一种常见的,经常发生在眼科疾病,和纤维组织增生既是诊断的生物标志物和外科生物标志物。翼状胬肉的模型诊断翼状胬肉基于生物标志物。首先,436前部分图像采集;然后,两个intelligent-assisted轻量级翼状胬肉诊断模型(MobileNet 1和MobileNet 2)基于原始数据和增强数据通过转移培训学习。轻量级模型的结果与临床结果。经典的模型(AlexNet VGG16和ResNet18)也用于训练和测试,以及他们与轻量级模型结果进行了比较。188前段图像被用于测试。敏感性,特异性,F1-score,准确性,卡帕,曲线下面积(AUC), 95% CI,大小和参数评价指标在这项研究。结果。有188前部分图像,用于测试五个intelligent-assisted翼状胬肉诊断模型。的总体评价指标MobileNet2模型是最好的。敏感性,特异性,F1-score, AUC MobileNet2模型的正常前部分图像诊断分别为96.72%,98.43%,96.72%,和0976年,分别;翼状胬肉观察段前部分图像诊断的敏感性,特异性,F1-score, AUC是83.7%,90.48%,82.54%和0.872,分别;手术期间的前部分图像诊断的敏感性,特异性,F1-score, AUC是84.62%,93.50%,85.94%和0.891,分别。MobileNet2模型的k值为77.64%,准确性为85.11%,模型尺寸是13.5米,参数大小是4.2米。结论。本研究使用深度学习方法提出一个three-category智能lightweight-assisted翼状胬肉诊断模型。开发模型可以用于屏幕最初对翼状胬肉患者问题,提供合理的建议,并提供及时的推荐。它主要可以帮助医生改善翼状胬肉诊断,带来社会效益,为未来打下基础模型嵌入到移动设备。

1。介绍

翼状胬肉是一种常见的,经常发生在眼科疾病。的退化和经济增长在角膜结膜维管组织的组织,通常会导致散光和干眼睛。覆盖瞳孔区会导致视力明显下降。主要的治疗方法是手术切除(1]。翼状胬肉通常可以诊断的前部分图像(1]。前部分用裂隙灯图像数码显微镜和漫射照明方法获得的10倍的放大。专业眼科医生经常诊断眼部疾病通过查看前表面部分图像。目前,翼状胬肉疾病在中国的发病率为9.84% (2,很少有专业的眼科医生在县级和较低的医院和社区医院和其他基层医院。因此,基层医院很难满足的需要大量的翼状胬肉患者。要解决的问题是;基于前一个智能lightweight-assisted诊断模型部分图像提出了这项研究。模型可以帮助非专业眼科医生在翼状胬肉患者的主要医院作出初步诊断,帮助他们获得翼状胬肉评分(三种类型的正常,观察手术)来获得一个精确的推荐。该模型也可以嵌入到手机self-screening协助用户。一些主要的医生可能不会为翼状胬肉患者提供有效的服务,和这个模型可以帮助解决问题。

眼科学和人工智能(AI)的结合已经成为近随着人工智能的发展(3- - - - - -9]。2016年,谷歌团队提出的深度学习模型;它可以自动诊断博士通过眼底图像(10]。深度学习模型已经被大量的研究人员使用诊断[博士11- - - - - -14从那时起。除了博士,研究人员利用深度学习的方法来检测常见的眼底疾病,包括青光眼(15- - - - - -17),视网膜静脉阻塞(18,19),年龄相关性黄斑变性(20.- - - - - -22),甚至研究多个常见的眼底疾病的分类(23]。这些研究取得了良好的结果。

有许多研究使用深度学习fundus-related疾病的诊断方法,但眼表疾病的研究相对较少。翼状胬肉是一种常见的疾病眼表面。人工智能研究翼状胬肉主要是翼状胬肉检测。传统的学习方法主要是提取翼状胬肉前部分图像检测翼状胬肉的特征。相关的研究人员利用自适应非线性增强方法,支持向量机,段翼状胬肉组织检测翼状胬肉(24- - - - - -26]。近年来,研究人员如穆罕默德Asyraf Zulkifley使用神经网络,DeepLab V2,和其他深度学习的方法来检测和段翼状胬肉(27- - - - - -29日];如Zamani等人研究人员使用各种深度学习模型来执行两级检测翼状胬肉(30.]。现有研究翼状胬肉检测主要是基于两级检测基于前一部分的翼状胬肉的图像。它没有进一步确定翼状胬肉手术,这不能满足精密医学的需要。深度学习模型用于检测翼状胬肉目前主要是经典;过多的参数需要相当大的空间,不能用于移动终端或low-configuration设备。

智能lightweight-assisted翼状胬肉诊断模型的目的是通过使用转移学习在这个研究。模型检测正常图像、翼状胬肉观察时间和翼状胬肉手术期前部分图像。同时与经典模型进行比较研究和报告如下。

2。材料和方法

2.1。数据源

南京医科大学附属眼科医院为这项研究提供了前部分图像。获得的图像数字化裂隙灯显微镜的两个模型。在这项研究中,436年前部分图像被用来训练一个智能lightweight-assisted翼状胬肉诊断模型。数据集由142、144和150年前部分图像正常,翼状胬肉观察期间,分别和翼状胬肉手术期。模型试验有188图片,包括61年,62年和65年前部分图像正常状态,翼状胬肉观察期间,分别和翼状胬肉手术期。患者的性别和年龄没有限制在选择图片。病人的个人信息是所有从图像中删除以避免侵犯病人隐私。

在这项研究中,这些图像选择高质量。因此,眼科医生可以诊断图像显示是否正常的前部分或翼状胬肉。前部分图片是正常的或显示翼状胬肉。图像选择只被诊断为正常,翼状胬肉观察期或翼状胬肉手术。评分标准(31日)如下。正常的前部分图像的特征是没有明显的结膜充血或扩散,和角膜是透明的;翼状胬肉的前部分图像观测时期的特点是翼状胬肉头部组织的横向长度侵入角膜缘< 3毫米;翼状胬肉手术期间的前部分图像的特点是翼状胬肉头部组织的横向长度侵入角膜缘≥3毫米。前三种类型的部分图像被显示在图1。有两个专业眼科医生诊断前独立段图像。如果两个眼科医生的诊断结果是相同的,最终的临床诊断结果。如果两个眼科医生的诊断结果是不同的,最终的临床诊断结果是由专家给出的眼科医生。

(一)
(一)
(b)
(b)
(c)
(c)
图1
三种类型的前部分图像。

图1(一)是正常的前部分图像;图1 (b)翼状胬肉是观察期前部分图像;图1 (c)翼状胬肉手术期前部分的形象。

2.2。数据增加

训练数据的数量太小了。因此,原始图像被翻转和旋转的原始图像增强。首先,原始图像在水平方向,然后,原始图像和水平翻转图像顺时针和逆时针旋转了1°和2°,分别,所以增强图像保持原来的医疗特色。一个原始图像及其增强图像如图2。


图2
原始图像和它的增强图像。
2.3。轻量级模型训练

这项研究使用了一个MobileNet [32)模型;中使用的初始参数模型pretrained ImageNet大规模视觉识别挑战(ILSVRC) [33数据集。436原来的前部分图片和4360年前部分增强图像被用来训练两个聪明的轻量级的辅助诊断模型检测翼状胬肉分级。网络结构没有改变,只有最终的输出改为3类转移学习过程。

MobileNet是一个轻量级模型专门为移动和嵌入式终端。本研究的重点是转移MobileNet模型的学习与倒置的残余结构。它的基本网络结构主要包括卷积层,瓶颈层以及平均池层。的结构瓶颈层如图3(32),它通常包括逐点的卷积,卷积切除;步是1时,输入添加到输出。MobileNet 2所示的结构(32]。


图3
瓶颈结构。

在这项研究中,共有436个原始前部分图片和4360年前部分增强图像选择训练两个轻量级模型。图像输入两个轻量级模型 。智能lightweight-assisted诊断模型训练后获得的。

2.4。经典模型训练

AlexNet [34],VGG16 [35],ResNet18 [36三种经典的深度学习分类模型。这项研究使用了4360前部分增强图像训练三个智能classic-assisted检测翼状胬肉分级诊断模型。这三个模型的网络结构和初始参数pretrained ILSVRC [33使用数据集。网络结构没有改变,只有最终的输出改为3类转移学习过程。图片三个模型的输入 。Intelligent-assisted诊断模型训练后获得的。三个模型的结果比较轻量级模型。

服务器被用于训练和测试五个模型。电脑也被用来测试这5个模型因为基本医院通常没有服务器。服务器的硬件配置在这项研究中的应用是英特尔(R)至强(R)黄金5118 CPU、主频率为2.3 GHz,特斯拉V100显卡,32 GB的视频内存,操作系统是Ubuntu 18.04。计算机的硬件配置在这项研究中的应用是英特尔(R)的核心(TM) i5 - 4200 m CPU、主频率为2.5,增加方法GHz, NVIDIA GeForce GT 720 x,视频1 GB内存,操作系统是windows10。

2.5。统计分析

采用SPSS 22.0统计软件分析结果。精度、尺寸和参数模型、时间、敏感性,特异性,F1-score,和AUC翼状胬肉诊断模型计算正常的前部分图像,翼状胬肉观察期前部分图像,和手术期前部分图像;然后,绘制ROC曲线。专家和模型之间的一致性被kappa值评估。

3所示。结果

188前部分图像被用来测试智能lightweight-assisted翼状胬肉诊断模型基于原始数据(MobileNet 1)和增广数据(MobileNet 2)翼状胬肉。专家诊断61个图像正常前,62年翼状胬肉观察期,65年翼状胬肉手术。MobileNet 64正常图像诊断前,55翼状胬肉观察期,69年翼状胬肉手术。MobileNet 61正常图像诊断前,64年翼状胬肉观察期,63年翼状胬肉手术。两个模型的诊断结果如表所示1和2。

表1
诊断结果MobileNet 1(原始数据)。
表2
诊断结果MobileNet 1(增广数据)。

188前部分图像被用来测试的三个经典intelligent-assisted翼状胬肉诊断模型(AlexNet、VGG16 ResNet18)基于增广数据(MobileNet 2)翼状胬肉。这三个模型的诊断结果而MobileNet 1和MobileNet 2。与专家诊断的结果相比,除了ResNet18之外,其他四个模型诊断的敏感性正常前部分图片是高于90%,诊断的敏感性前部分形象翼状胬肉观察期是83.87% (AlexNet和MobileNet2),和诊断灵敏度最高的前部分形象翼状胬肉手术期为86.15% (MobileNet1)。这5个模型的特异性诊断前部分图像正常,翼状胬肉观察期,翼状胬肉手术期大多在85%以上。其中,MobileNet 2的特异性诊断前部分图像作为三年级都在90%以上,这表明,模型的误诊率很低。MobileNet 2的AUC值诊断前部分图像正常,翼状胬肉观察期间,和翼状胬肉手术时期最高的5个模型中,0.976,0.872,和0.891,分别。这5个模型的评估结果比较表3。

表3
这5个模型的评价结果。

在表3这5个模型的尺寸和参数进行了比较。MobileNet 1和MobileNet 2其中最小的尺寸和参数,分别为13.5米和4.2米。VGG16最大的尺寸和参数,分别为527米和138米。如表所示3MobileNet 2的最小空间和最少的参数和评价指标,如灵敏度、特异性,F1-score, AUC, kappa值,和准确率,仍有良好的效果。AUC, kappa值、准确性和5之间的测试时间是最好的模型。诊断前五种型号的ROC曲线段图像正常,翼状胬肉观察期间,和翼状胬肉手术期比较图4。


图4
中华民国的这5个模型正常,翼状胬肉观察期,手术时间。

次是测试一个图像基于服务器的时间;time-C意味着时间基于计算机的测试一个图像。

4所示。讨论

翼状胬肉是一种表面常见的眼部疾病,可以导致视力丧失,影响外观。它有一个更高的发病率在户外工作的人在农村和偏远地区(如渔民和农民)。为广大农村和偏远地区缺乏专业眼科医疗资源,intelligent-assisted诊断模型可以提供一个方便的方法来筛选翼状胬肉为当地的病人。它可以避免匆忙的患者去县医院或县级医院和减少他们的经济负担。此外,该模型进一步提供了促进病人的转诊治疗建议需要在基层医院的手术;它也可以合理分配医疗资源。

2012年,AlexNet模式34)分类的夺冠ILSVRC竞争。AlexNet模型的网络结构7层,而VGG模型的网络结构(3519层)和研究人员经常使用VGG 16日16层。ResNet模型(36152层),但研究人员经常使用ResNet 18 ResNet 50。模型的网络结构几乎是深,因此适合更复杂的图像特征的提取。上述模型是经典,占用了大量的空间,有很多参数。MobileNet模型是一个轻量级模型。的深度分离内核和线性卷积瓶颈被用来减少模型参数,以便占据了一个小空间。前部分图像的复杂性相对较低,所以AlexNet比三种经典模型获得更好的结果。MobileNet进一步简化基于经典模型在这些模型,获得最好的诊断结果。

MobileNet2的诊断结果综合指标最好在5模型,但其诊断的敏感性翼状胬肉观察期和翼状胬肉手术期仅为83.87%和84.62%,分别。灵敏度很低,因为训练样本的数量只有436人。虽然图像增强了十倍,更类似于原始图像增强图像。效果有所改善,但改善很小。

如表所示2,MobileNet 2模型没有诊断翼状胬肉手术期图像正常图像。只有观察翼状胬肉时期被诊断为正常的图像。大多数其他的错误诊断翼状胬肉观察期和翼状胬肉手术之间的时期。患者诊断翼状胬肉观察期和翼状胬肉手术期间被推荐去上级医院进一步确认,推荐后,得到正确的诊断。翼状胬肉观察期后被诊断为正常的前部分图像,图像模型要求用户再次诊断后获得的诊断结果正常的前部分图像或要求用户上传图像是否去看医生。如果用户怀疑诊断结果,用户可以上传图片,医生证实了诊断结果。

在这项研究中,MobileNet轻量级模型的参数只有4.2米,和模型尺寸是13.5米,适合嵌入在移动设备和嵌入式设备的离线操作。基层医疗机构的用户可以通过相机拍照的前部分,以便设备和当地医疗计算机可以同时诊断。因此,翼状胬肉筛查可以在基层医院进行。MobileNet2模型得到的训练图像的数字化裂隙灯显微镜,有一定的差距的前部分由移动设备摄像头拍摄的图像。在未来,更多的图片前段采取的移动设备的相机将收集到的改进模型,使模型更适合移动应用程序。在中国的广大农村和偏远山区有困难看医生。移动设备可以实现self-screening,方便用户随时注意他们的眼部表面健康。

5。结论

本研究使用深度学习方法提出一个three-category智能lightweight-assisted翼状胬肉诊断模型,基于放大MobileNet数据。与三种经典的深度学习模型的结果进行了比较(AlexNet, VGG16, ResNet18)。MobileNet 2模型参数最少,其总体评价指标的结果是最好的。这个模型可用于low-configuration电脑在基层医院,和它可以帮助初级医生初步屏幕翼状胬肉患者通过前部分图像的问题。它还可以及时提供合适的建议和推荐,提高初级眼科诊断水平,获得良好的社会效益。此外,体积小和轻量化模型的一些参数为未来奠定基础模型嵌入到移动设备,方便手机用户屏幕自己翼状胬肉的问题。

数据可用性

和/或使用的数据集分析在当前的研究可从相应的作者以合理的要求。

的利益冲突

所有作者声明没有利益冲突,关于这篇文章的出版。

作者的贡献

郑Bo和云纺刘本研究同样起到了推波助澜的作用。

确认

这项研究得到了国家自然科学基金(No.61906066),浙江省自然科学基金(No.LQ18F020002)科技计划项目(No.2016YZ02),湖州市委和南京企业专家团队项目。