【技術實現步驟摘要】
本專利技術涉及角膜疾病和圖像處理的，尤其涉及一種圓錐角膜圖像分類方法。
技術介紹
1、圓錐角膜是一種常發于青春期的眼科疾病，其特征是角膜中央或近中央區域顯著擴張和變薄，導致視力嚴重下降，甚至失明。在進行激光原位角膜磨鑲術(laser-assistedin?situ?keratomileusis,lasik)、準分子激光角膜切削術(photorefractivekeratectomy,prk)等屈光手術前，準確評估角膜狀態至關重要。因此，提高圓錐角膜診斷的準確率已成為亟待解決的問題。pentacam?hr是臨床上經常使用的有力工具，能夠幫助眼科醫生檢測和發現圓錐角膜。
2、當前臨床主要通過醫生觀察角膜地形圖判斷圓錐角膜。一方面，醫生對角膜地形圖的主觀解讀可能因個人經驗、技能水平和判斷標準的不同而有所差異。這可能導致診斷結果的不一致性和誤診率的增加。另一方面，角膜地形圖雖然提供了角膜表面的形態信息，但僅憑醫生的主觀判斷可能難以準確識別圓錐角膜的早期或微妙變化。特別是在亞臨床階段，圓錐角膜的體征可能并不明顯，增加了診斷的難度。目前缺乏統一的圓錐角膜診斷標準，醫生在解讀角膜地形圖時可能缺乏明確的指導。這可能導致不同醫生之間的診斷結果存在差異，甚至在同一醫生的不同時間點也可能出現診斷結果的不一致。
3、注意力機制最初在自然語言處理及機器翻譯領域被引入并實現了顯著成效。隨后，在計算機視覺范疇內，也有研究者致力于探索將注意力機制融入視覺處理及卷積神經網絡中，旨在優化網絡性能。多種注意力機制，諸如空間注意力、通道注意力以
4、現有技術中，網絡模型難以充分捕捉角膜地形圖中蘊含的方向性特征，同時難以有效整合前表面軸向曲率圖、前表面高度圖、后表面高度圖以及角膜厚度圖等多種特征信息。角膜地形圖作為一種重要的眼科診斷工具，其包含了豐富的方向性特征，如角膜表面的傾斜角度、曲率變化等。然而，現有的網絡模型在處理這類數據時，往往無法準確地捕捉到這些方向性特征，導致診斷結果的準確性受到影響。
5、同時，角膜的形態學特征不僅限于單一圖像，而是需要綜合考慮前表面軸向曲率圖、前表面高度圖、后表面高度圖以及角膜厚度圖等多種圖像信息。然而，現有的網絡模型在整合這些信息時存在困難，無法有效地將它們結合起來，從而限制了模型對角膜形態學的全面理解。
6、此外，空間信息依賴也是角膜診斷中的一個重要因素。角膜的形態和特征往往與其在空間中的位置和關系密切相關。然而，現有的網絡模型在提取和利用這些空間信息依賴方面存在不足，導致模型在診斷過程中可能忽略了這些重要的信息。
技術實現思路
1、針對現有技術難以精確捕捉角膜地形圖中復雜且多樣的方向性特征，具體體現在難以識別和分析角膜表面在不同軸向上的細微曲率變化、高度起伏變化的技術問題，本專利技術提出一種基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，本專利技術通過引入并優化軸向注意力機制，同時將其與多頭自注意力機制相融合，高效地捕捉角膜地形圖中獨特的方向性特征信息，且能夠綜合考慮整個圖像的信息，提高診斷的準確性。
2、為了達到上述目的，本專利技術的技術方案是這樣實現的：
3、一種基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，包括步驟：
4、s1：利用三維眼前節分析診斷系統獲取四屈光報告圖，采用提取感興趣區域的方法對四屈光報告圖進行圖像預處理，對預處理后的四屈光報告圖進行劃分和數據增強操作并進行標簽標注得到四屈光報告圖數據集；
5、s2：構建基于多方向軸注意力機制的網絡模型，包括依次連接的圖像特征嵌入模塊、多軸編碼器和mlp分類模塊；
6、s3：將四屈光報告圖數據集輸入到構建的基于多方向軸注意力機制的網絡模型中進行訓練，得到訓練好的基于多方向軸注意力機制的網絡模型；
7、s4：將待處理的四屈光報告圖進行與步驟s1相同的圖像預處理和數據增強后輸入到訓練好的基于多方向軸注意力機制的網絡模型中進行圓錐角膜分類，得到待處理的四屈光報告圖的分類結果。
8、步驟s1所述的利用三維眼前節分析診斷系統獲取四屈光報告圖的方法為：采用pentacam系統，利用旋轉式scheimpflug攝像掃描方法圍繞眼球進行快速掃描，生成pentacam角膜地形圖，從pentacam角膜地形圖中提取四屈光報告圖。
9、步驟s1所述的進行圖像預處理的方法為：對四屈光報告圖中的圖像進行裁剪和降噪：使用opencv庫結合邊緣檢測和霍夫變換，并利用輪廓查找的方法判斷四屈光報告圖中目標輪廓的外接矩形的寬高比是否接近圓形進行圓的檢測，根據圓檢測結果，獲取檢測到的圓的圓心坐標和半徑信息，并生成roi掩碼，將生成的roi掩碼與四屈光報告圖所對應的地形熱力圖相乘，保留包含角膜信息部分；對裁剪和降噪后的四屈光報告圖進行歸一化和標準化處理；所述劃分和數據增強操作為：將預處理后的四屈光報告圖按8:1:1的比例劃分為訓練集、驗證集和測試集，利用旋轉操作對訓練集中圖像進行數據增強，驗證集和測試集的數據保存原有數據量不變；
10、標簽標注的方法為將被醫生標注為圓錐角膜的圖像作為kc組，正常角膜的圖像標注為對照組。
11、步驟s2所述多軸編碼器包括依次連接的多個淺層編碼層和多個深層編碼層，每個淺層編碼層中采用基于對角軸模擬的多方向軸向注意力機制獲取多方向特征，每個深層編碼層采用多頭自注意力機制獲取全局特征。
12、所述多個淺層編碼層為2層，每個淺層編碼層包括依次連接的基于對角軸模擬的多方向軸向注意力模塊ⅰ、重疊下采樣模塊ⅰ、基于對角軸模擬的多方向軸向注意力模塊ⅱ；
13、所述多個深層編碼塊為2層，包括第一層深層編碼層和第二層深層編碼層，第一層深層編碼層包括依次連接的重疊下采樣模塊ⅱ、多頭自注意力模塊ⅰ，第二層深層編碼層包括依次連接的塊合并模塊和多頭自注意力模塊ⅱ。
14、所述多方向軸向注意力模塊ⅰ和多方向軸向注意力模塊ⅱ中的處理過程均為：輸入特征張量經過卷積操作獲取到特征張量a，特征張量a再與輸入特征張量進行殘差連接得到特征張量x，對特征張量x進行多方向軸注意力計算后，將多方向軸注意力計算結果與特征張量x進行殘差連接，得到特征張量b，特征張量b依次經過線性操作和多層感知機，特征張量b與多層感知機輸出結果進行殘差連接后輸出最終的特征張量。
15、所述多方向軸向注意力計算的方法為：利用注意力得分計算公式分別對特征張量x進行橫軸注意力計算和縱軸注意力計算，進行模擬對角軸方向的注意力計算，將橫軸注意力計算、縱軸注意力計算和模擬對角軸方向的注意力計算的結果進行連接得到多方向軸注意力計算結果。
16、多方向本文檔來自技高網...
【技術保護點】
1.一種基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，步驟S1所述的利用三維眼前節分析診斷系統獲取四屈光報告圖的方法為：采用PENTACAM系統，利用旋轉式Scheimpflug攝像掃描方法圍繞眼球進行快速掃描，生成Pentacam角膜地形圖，從Pentacam角膜地形圖中提取四屈光報告圖。
3.根據權利要求2所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，步驟S1所述的進行圖像預處理的方法為：對四屈光報告圖中的圖像進行裁剪和降噪：使用OpenCV庫結合邊緣檢測和霍夫變換，并利用輪廓查找的方法判斷四屈光報告圖中目標輪廓的外接矩形的寬高比是否接近圓形進行圓的檢測，根據圓檢測結果，獲取檢測到的圓的圓心坐標和半徑信息，并生成ROI掩碼，將生成的ROI掩碼與四屈光報告圖所對應的地形熱力圖相乘，保留包含角膜信息部分；對裁剪和降噪后的四屈光報告圖進行歸一化和標準化處理；
4.根據權利要求3所述的基于改進深度學習自注意力
5.根據權利要求4所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，所述多個淺層編碼層為2層，每個淺層編碼層包括依次連接的基于對角軸模擬的多方向軸向注意力模塊Ⅰ、重疊下采樣模塊Ⅰ、基于對角軸模擬的多方向軸向注意力模塊Ⅱ；
6.根據權利要求5所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，所述多方向軸向注意力模塊Ⅰ和多方向軸向注意力模塊Ⅱ中的處理過程均為：輸入特征張量經過卷積操作獲取到特征張量A，特征張量A再與輸入特征張量進行殘差連接得到特征張量X，對特征張量X進行多方向軸注意力計算后，將多方向軸注意力計算結果與特征張量X進行殘差連接，得到特征張量B，特征張量B依次經過線性操作和多層感知機，特征張量B與多層感知機輸出結果進行殘差連接后輸出最終的特征張量。
7.根據權利要求6所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，所述多方向軸向注意力計算的方法為：利用注意力得分計算公式分別對特征張量X進行橫軸注意力計算和縱軸注意力計算，進行模擬對角軸方向的注意力計算，將橫軸注意力計算、縱軸注意力計算和模擬對角軸方向的注意力計算的結果進行連接得到多方向軸注意力計算結果。
8.根據權利要求7所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，多方向軸向注意力計算的公式為：
9.根據權利要求8所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，所述圖像特征嵌入模塊將輸入圖像分割成n個小塊，輸入特征張量X對應于輸入圖像；所述進行模擬對角軸方向的注意力計算的方法為：對特征張量X進行張量重組，方法為：將特征張量X平均劃分為四個象限，每個象限包含個小塊，將第二象限內的所有個小塊與第三象限內的所有個小塊進行交換，然后進行第一象限、第二象限拼接以及第三象限、第四象限拼接，得到重組特征張量，對重組特征張量執行橫軸的注意力計算得到模擬對角軸方向的注意力計算的結果。
10.根據權利要求9所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，步驟S3所述訓練的方法為：將訓練集輸入到基于多方向軸注意力機制的網絡模型，通過圖像特征嵌入模塊將輸入圖像分割成n個小塊并生成嵌入表示；利用多軸編碼器提取嵌入表示包含的局部與全局信息；利用MLP分類模塊根據局部與全局信息進行分類，并輸出最終的預測分類結果；將輸出的預測分類結果與圖像所對應的標簽進行對比，運用L1正則化結合二分類CrossEntropyLoss作為損失函數進行損失計算，將計算的損失傳到模型中，對模型中的參數進行更新，運用驗證集對模型進行驗證調整超參數，直至模型收斂。
...【技術特征摘要】
1.一種基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，步驟s1所述的利用三維眼前節分析診斷系統獲取四屈光報告圖的方法為：采用pentacam系統，利用旋轉式scheimpflug攝像掃描方法圍繞眼球進行快速掃描，生成pentacam角膜地形圖，從pentacam角膜地形圖中提取四屈光報告圖。
3.根據權利要求2所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，步驟s1所述的進行圖像預處理的方法為：對四屈光報告圖中的圖像進行裁剪和降噪：使用opencv庫結合邊緣檢測和霍夫變換，并利用輪廓查找的方法判斷四屈光報告圖中目標輪廓的外接矩形的寬高比是否接近圓形進行圓的檢測，根據圓檢測結果，獲取檢測到的圓的圓心坐標和半徑信息，并生成roi掩碼，將生成的roi掩碼與四屈光報告圖所對應的地形熱力圖相乘，保留包含角膜信息部分；對裁剪和降噪后的四屈光報告圖進行歸一化和標準化處理；
4.根據權利要求3所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，步驟s2所述多軸編碼器包括依次連接的多個淺層編碼層和多個深層編碼層，每個淺層編碼層中采用基于對角軸模擬的多方向軸向注意力機制獲取多方向特征，每個深層編碼層采用多頭自注意力機制獲取全局特征。
5.根據權利要求4所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，所述多個淺層編碼層為2層，每個淺層編碼層包括依次連接的基于對角軸模擬的多方向軸向注意力模塊ⅰ、重疊下采樣模塊ⅰ、基于對角軸模擬的多方向軸向注意力模塊ⅱ；
6.根據權利要求5所述的基于改進深度學習自注意力機制的圓錐角膜圖像分類方法，其特征在于，所述多方向軸向注意力模塊ⅰ和多方向軸向注意力模塊ⅱ中的處理過程均為：輸入特征張量經過卷積操作獲取到特征張量a，特征張量a再與輸入特征張量進行殘差連接得到特征張量x，對特征張量x進行多方向...
【專利技術屬性】
技術研發人員：任勝衛，楊凱麗，趙雨萱，周倫，徐麗妍，顧宇偉，范棋，
申請(專利權)人：河南省人民醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。