基于UBM影像的青光眼疾病分类方法研究

作     者：张宇超 

作者单位：沈阳理工大学 

学位级别：硕士

导师姓名：张艳珠

授予年度：2023年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 100212[医学-眼科学] 0802[工学-机械工程] 10[医学] 

主      题：深度学习 UBM 房角 分类网络 

摘      要：作为当前致盲率最高的不可逆类眼病,青光眼发病潜伏期长,患病前期临床症状不明显,具有一定的隐匿性,逐渐影响患者视力,多发病于中老年人,当患者意识到视野受到伤害时,往往错过了最佳治疗时间,因此对青光眼的早期检查筛选是非常有必要的。青光眼在临床上没有直接的诊断方式,需要医生借助医疗设备对眼底,眼前端等结构进行观察判断,但是这一过程耗时耗力且具有一定的主观性。为了更好的帮助医生在临床上提供青光眼的辅助诊断,本文提出一种基于UBM影像的青光眼疾病分类方法研究,主要内容如下:1、考虑到目前医学公开数据集较少,且不符合本论文实验要求,因此本文对UBM设备的房角结构影像进行数据采集,并由专业眼科医生带领小组对其进行数据集类型正确分类。按房角结构将房角影像分为两个大类别,五个小类别,并针对部分房角结构不清晰,存在噪声的图像进行了适当的预处理,为后续实验的开展提供了充足的准备。2、本文在分类好的数据集基础上,以深度学习的分类模型为基础,提出了一种基于房角开闭状态的自动识别分类技术。由于数据集较少,因此在现有的Image Net的网络模型进行迁移学习,并针对VGG19网络进行改进,将全连接层层数以及参数进行修改,使得在对于房角开闭状态的分类精度更高。与当前的热门分类网络模型实验对比,本文的算法模型在分类性能上效果更好,也为闭角青光眼类型的进一步分类提供了参考经验。3、在成功实现房角的开闭状态识别后,对房角关闭图像按相关的青光眼类型进一步更精确的划分为包括虹膜膨隆等五类,其中包含具有代表性的同时包含虹膜萎缩和虹膜粘连的混合类型。分类难度较大,本文提出对Xception改进的闭角型青光眼的影像分类方法。房角图像之间相似性高,使用现有的Xception网络模型提出引入L2正则化的改进算法进行模型训练,通过对相关分类评价指标进行评判,证明本论文对采用的网络模型具有良好的房角闭合类型的分类效果。本文以对UBM设备采集到的房角影像为核心研究,在标准可靠的自制数据集基础上,利用深度学习的相关算法,实现了一种关于青光眼的识别分类方法。为医生在早期对于青光眼患者的临床诊断提供了辅助方法,进一步实现了智慧医疗的AI发展,具有一定的临床应用前景。