1 / 4
文档名称:

基于卷积神经网络的翼状胬肉病灶分割研究.pdf

格式:pdf   大小:3,268KB   页数:4页
下载后只包含 1 个 PDF 格式的文档,没有任何的图纸或源代码,查看文件列表

如果您已付费下载过本站文档,您可以点这里二次下载

分享

预览

基于卷积神经网络的翼状胬肉病灶分割研究.pdf

上传人:探春文档 2023/1/26 文件大小:3.19 MB

下载得到文件列表

基于卷积神经网络的翼状胬肉病灶分割研究.pdf

相关文档

文档介绍

文档介绍:该【基于卷积神经网络的翼状胬肉病灶分割研究 】是由【探春文档】上传分享,文档一共【4】页,该文档可以免费在线阅读,需要了解更多关于【基于卷积神经网络的翼状胬肉病灶分割研究 】的内容,可以使用淘豆网的站内搜索功能,选择自己适合的文档,以下文字是截取该文章内的部分文字,如需要获得完整电子版,请下载此文档到您的设备,方便您编辑和打印。国际眼科杂志2022年6月第22卷第6期
电话:029-82245**********电子信箱:IJO.******@
·智能眼科·
基于卷积神经网络的翼状胬肉病灶分割研究
,,,,
朱绍军12,方新闻12,郑博12,吴茂念12,杨卫华3
引用:朱绍军方新闻郑博等基于卷积神经网络的翼状胬肉
,,,.();NanjingEnterpriseExpertTeamProject;
病灶分割研究国际眼科杂志
.2022;22(6):1016-1019PostgraduateResearchandInnovationProjectofHuzhouUniversity
()
基金项目:国家自然科学青年基金项目浙江省1
();SchoolofInformationEngineering,HuzhouUniversity,Huzhou
自然科学基金项目南京市企业专家工作室2
();313000,ZhejiangProvince,China;ZhejiangProvinceKey
团队项目湖州师范学院年校级研究生科研创新项目
();2022LaboratoryofSmartManagementandApplicationofModern
AgriculturalResources,HuzhouUniversity,Huzhou313000,
()3
作者单位:1中国浙江省湖州市湖州师范学院信息工
(313000),ZhejiangProvince,China;BigDataLaboratoryofOphthalmic
程学院2中国浙江省湖州市浙江省现代农业资源智
;(313000),ArtificialIntelligence,theAffiliatedEyeHospitalofNanjingMedical
慧管理与应用研究重点实验室3中国江苏省南京市University,Nanjing210029,JiangsuProvince,China
;(210029),Correspondenceto
南京医科大学附属眼科医院眼科人工智能大数据实验室:Wei-
作者简介:朱绍军毕业于宁波大学工学博士讲师研究方向
,,,,:OphthalmicArtificialIntelligence,theAffiliatedEyeHospitalof
人工智能在医学领域的应用
。NanjingMedicalUniversity,Nanjing210029,JiangsuProvince,
通讯作者:杨卫华毕业于苏州大学医学博士主任医师研究
,,,,China.******@
方向智能眼科研究
:.******@:2022-01-06Accepted:2022-05-11
收稿日期修回日期
:2022-01-06:2022-05-11
Abstract
摘要AIMTostudytheprecisesegmentationofpterygium
•:
目的:通过深度卷积神经网络方法对翼状胬肉病灶进行精IesionsusingtheconvoIutionaIneuraInetworksfrom
准分割artificiaIinteIIigence.

方法:在模型结构的基础上构建METHODSThenetworkstructureofPhase-fusion
PSPNetPhase-fusion•:
网络结构用于翼状胬肉病灶的分割该网络在金PSPNetforthesegmentationofpterygiumIesionsis
PSPNet,

,
则逐步上采样减少信息丢失适合于边缘模糊的分割任networktheup-sampIingmoduIeisconnectedbehind
,,,
务将南京医科大学附属眼科医院提供的翼状胬肉眼表thepyramidpooIingmoduIewhichgraduaIIyincrease
。,
图像张分为训练集张验证集张测试集thesampIingbasedontheprincipIeofphasedincrease.
517(330)、(37)、
张其中训练集和验证集图像用于训练测试集图ThereforetheinformationIossisreduceditissuitabIe
(150),,,,


的结果conductedonthedatasetprovidedbytheAffiIiatedEye

结果:构建网络结构针对测试数据集HospitaIofNanjingMedicaIUniversitywhichincIudes
Phase-fusionPSPNet,
的翼状胬肉病灶分割单类平均交并比和平均像517ocuIarsurfacephotographicimagesofpterygiumwere
(MIOU)
素精确度分别为和翼状胬肉单类dividedintotrainingset330imagesvaIidationset
(MPA)%%;(),
交并比和像素精确度分别为和37imagesandtestset150imageswhichthe
()(),
(IOU)(PA)%trainingsetandthevaIidationsetimagesareusedfor
%。
结论:卷积神经网络可以实现翼状胬肉病灶的精准分割trainingandthetestsetimagesareonIyusedfortesting.
,,
有助于为医生进行进一步疾病诊断和手术建议提供重要ComparingresuItsofinteIIigentsegmentationandexpert
参考同时实现翼状胬肉智能诊断的可视化annotationofpterygiumIesions.
,。RESULTSPhase-fusionPSPNetnetworkstructurefor
关键词:翼状胬肉图像分割深度学****卷积神经网•:
;;;pterygiummeanintersectionoverunionMIOUand
络()
;%%
(),
DOI:.1672-
,
%and
Researchonsegmentationofpterygium()()
%respectiveIy.
,
lesionsbasedonconvolutionalneuralCONCLUSIONConvoIutionaIneuraInetworkscan
•:
networkssegmentpterygiumIesionswithhighprecisionwhichis
,
heIpfuItoprovideanimportantreferencefordoctors
121212’
Shao-JunZhu,Xin-WenFang,BoZheng,furtherdiagnosisofdiseaseandsurgicaI
12,3,,
Mao-NianWu,Wei-HuaYangrecommendationsandcanaIsovisuaIizethepterygium
,
,inteIIigentdiagnosis.
FoundationitemsKEYWORDSpterygiumimagesegmentationdeep
:NationalNaturalScienceFoundationofChina•:;;
IearningconvoIutionaIneuraInetworksPSPNet
();NaturalScienceFoundationofZhejiangProvince;;
1016
//
,,:
Tel029-82245**********EmailIJO.******@
::
Citationetal使用[24]数据集的预训练权重和随机梯度
:ZhuSJ,FangXW,ZhengB,.ResearchonVOC2012-AUG
下降优化器进行传播学****在不使用数据增强的情况下以
segmentationofpterygiumlesionsbasedonconvolutionalneural,
GuojiYankeZazhiIntEyeSci的学****率迭代轮
networks.()2022;22(6):1016-。

MobileNetV2
0引言取网络的为主干特征提取网络的
PSPNet、Resnet50
翼状胬肉是眼科常见病和多发病[1-2]是睑裂部球结[25][26][27]
,PSPNet、U-Net、DeeplabV3+、DenseDeepLabV2
膜及结膜下组织发生变性肥厚增生向角膜内发个网络作为的比较网络比较测试
、、,5Phase-fusionPSPNet,
展[3-4]胬肉呈三角形白红色[5]如果放任病情发展翼集翼状胬肉病灶智能分割和专家标注的结果翼状胬肉
,、。,。
状胬肉组织将侵犯至瞳孔区甚至全部角膜对视力造成巨病灶分割对比实验采取单类交并比
,(intersectionover
大伤害严重的甚至会造成失明[6-8]通常情况下如果平均交并比
,。,union,IOU)、(meanintersectionoverunion,
在观察期就引起足够重视病情可得到及时控制[9-11]全单类像素精确度平均像
,。MIOU)、(averageprecision,PA)、
球翼状胬肉患病率约为我国岁以上人群翼状胬素精确度个评价指标衡量
12%,40(meanaverageprecision,MPA)4
肉患病率约为患病人数近亿[12-13]且患病人翼状胬肉病灶分割模型的性能
%,,。
数还在增加然而现有的眼科医生数量无法满足日益增加和的计算公式
,IOUMIOU:
的疾病诊断需求[14]在人工智能领域很多研究已经通pg
。,ii
过深度学****技术实现疾病的分类诊断并达到约的准IOU=∩()
95%pigi1
[15-20]∪
确率在翼状胬肉的智能分类基础上本研究拟通k
。,pigi
过人工智能卷积神经网络实现翼状胬肉病变区域的精准MIOU=1∩()
k+i=pg2
分割期望可以提供病灶的范围信息辅助眼科医生开展1∑0i∪i
,,其中p表示分割后的区域g表示真实区域k表示类别
诊疗科普并为疾病的治疗提供参考信息[21]研究结果汇i,i,
,数不包括背景类是通过真实值和预测值的交集
报如下()。IOU
。比上它们的并集是通过计算每个类别的交并比
1资料和方法;MIOU

()。
附属眼科医院提供以保证数据库的专业性和多样性为指和的计算公式
,PAMPA:
导以医学标准筛选翼状胬肉眼表图像张其中k
,517,330、pii
张分别作为训练验证和测试该数据库中的所i=
37、150、。PA=∑0()
有图像均在相同环境下用同等级设备拍摄眼前节照相格kk
,3
式统一无黑边无需进行图片裁剪等预处理样本示例见pij
i=j=
,,,00
图∑∑
1。kp

MPA=1k
k+i=()

1∑pij4
j=
割翼状胬肉图像需要将现有的翼状胬肉图像进行手工标∑0
,
注准确标注出翼状胬肉组织的外部轮廓然后才可以用其中pii表示预测正确的像素数量pij表示真实类别为i
,,,
标注好的数据集对算法训练验证测试标注过程被识别为j类的像素数量是标记正确的像素占总像
、、。:(1)。PA
由眼科主任医师对名标注负责人进行关于翼状胬肉的素的比例是计算梅格雷被正确分类像素数的比例
1;MPA,
专业培训经测试合格以后正式开始标注每一张图之后求所有类的平均
,;(2)。
片由标注负责人进行手工标注标注好以后提交审核2结果
,;
另聘请眼科主任医师为审核负责人负责审核标注结本研究中个网络翼状胬肉病灶分割的结果见表
(3),61,
果是否准确若不准确则返回给标注负责人重新标注标结果表明是上述模型中效果最好
,。,Phase-fusionPSPNet
注样本见图的且改进后的比起同样使用
2。,Phase-fusionPSPNet

%、
题在模型[22]的基础上将阶段上采样理念与金字在和上也有小幅度提升其中在翼状胬肉
%,MPAPA,
塔池化模块结合构建了网络结构见单类上的上提升较大说明该模型对翼状胬肉的分
Phase-fusionPSPNet,IOU,
图输入该模型的图像首先通过[23]主干特征割效果明显提升的分割效果见
3。Resnet50。Phase-fusionPSPNet
提取网络进行特征提取得到的特征图该特图
,30×30×512,4。
征图在金字塔池化模块下以四个尺寸3讨论
1×1、2×2、3×3、6×6
进行池化虽然感受野不断增大但是造成了边缘位置信在翼状胬肉的智能分类基础上本研究构建的
,,,
息的丢失故在原本金字塔模块的上采样操作下加入了分网络结构进一步实现翼状胬肉病灶
,Phase-fusionPSPNet
阶段上采样模块该模块将的特征图先通过双的精准分割且可以提供翼状胬肉病灶的范围信息辅助
,1×1×512,,
线性插值上采样到然后将个特征图做按元素眼科医生开展诊疗时的疾病科普和手术规划为疾病的治
2×2×512,2,
相加重复上述操作直到上采样到的特征图疗提供参考信息本研究所采用的翼状胬肉病灶分割对
,30×30×512。
大小上采样结束后得到的特征图将继续堆叠到比模型均是语义分割领域中较为经典的模型其中
(b),(e),
中最后再通过卷积得到预测图该模型使用程提出了金字塔池化结构采用了
,。PythonPSPNet,U-NetEncoder-
序设计语言在框架基础上实现训练和测试在网络结构则提出了改进的空洞空间卷积
Pytorch,Decoder,Deeplab
操作系统进行采用英伟达加速卡池化金字塔结构通过对各个模型的分割结果观
Linux,TeslaV100GPU。(ASPP)。
1017
国际眼科杂志2022年6月第22卷第6期
电话:029-82245**********电子信箱:IJO.******@
图1不同的数据样本只需观察的样本需要手术的样本不同角度下的样本不同光线下的样本
A:;B:;C:;D:。
图2标注数据样本待分割图片分割结果
A:;B:。
图3Phase-fusionPSPNet网络结构。
图4Phase-fusionPSPNet分割效果专家标注结果智能分割结果
A1~H1:;A2~H2:。
表1实验结果察可以看出其他模型的不足之处
%,PSPNet(MobileNetV2)
和的主干特征提取网络提取到的特征图语义信息
Model/PerformanceMIOUIOUMPAPAU-Net
不够强中浅层与高层的特征信息融合度不
PSPNet(MobileNetV2),DeeplabV3+
够引入了前馈密集层将个前馈层
PSPNet(Resnet50)。DenseDeepLabV2,4
添加到网络底层对进行改进
U-,DeepLabV2。Choudhury
等[26]研究采用的数据库包含张翼状胬肉眼表照相
DeeplabV3+(MobileNetV2),
并以的比例划分训练数据和测试数据以的学
---3∶1,<br****速率迭代轮相较于
Phase-,Phase-fusionPSPNetDense
注原文中只有的评估结果论文相关的训练结果提升了其他指标由
:DenseDeepLabV2MIOU,DeepLabV2,%,
代码没有公开无法重复实验于该论文里没有公布所以无法比较
,。,。DenseDeepLabV2
1018
//
,,:
Tel029-82245**********EmailIJO.******@
::
虽然使用了层融合不同级别的语义信息但是当该EurJOphthalmol
;18(2):177-181
ASPP,潘雪萍黄丽丽杨卫华等优质护理在原发性翼状胬肉术后干
模型中的空洞卷积已经扩张到图像外时此时并没有获取7,,,.
,眼中的应用研究中国现代医生
;58(19):172-175
,,张秀丽杨星张明等翼状胬肉切除联合自体角膜缘结膜移植
低于本研究的8,,,.
术后绷带镜的应用国际眼科杂志
Phase-fusionPSPNet。.2019;19(5):867-869
本研究为找出适合翼状胬肉分割的图像语义分割模陶丽惠杨卫华翼状胬肉患者手术前后角膜屈光状态及角膜表
9,.
型选取图像语义分割技术不同发展阶段中的代表模型作面规则性的研究中国医药导报
,.2018;15(15):115-118
为对比模型同时选取不同的特征提取网络以保证实验的沈秋杨卫华角膜绷带镜对翼状胬肉切除联合自体结膜瓣移植
,10,.
全面性由翼状胬肉病灶分割实验结果得出在个对照术后角膜上皮愈合及疼痛的影响中国医药导报
。;14(15):
模型中为主干特征提取网络的效果最131-134
,Resnet50PSPNetetal
好该模型既拥有深层卷积网络可以提取出足够的翼状胬11WangYC,ZhaoFK,LiuQ,.Bibliometricanalysisandmapping
,IntJOphthalmol
肉病灶特征同时加入金字塔池化模块通过不同尺寸的池knowledgedomainofpterygium:2000-;14
,(6):903-914
化块保存不同层次的语义信息在赵丽珍詹研陈尚茹等新会区体检人群翼状胬肉患病率的
。Phase-fusionPSPNet12,,,.
的模型架构基础上在金字塔池化模块上添加了流行病学调查中国医药科学
.2017;7(14):174-176
PSPNet,杨梅管宇康丽华等中国岁及以上人群翼状胬肉患病率
阶段上采样模块以此深度融合不同层次的语义特征图13,,,.40
,,分析中华实验眼科杂志
;37(3):190-196
。,Phase-彭璟罗浩宇赵淦森等深度学****下的医学影像分割算法综
与年提出的相比14,,,.
fusionPSPNet2020DenseDeepLabV2,述计算机工程与应用
;57(3):44-57
%。DenseDeepLabV215GargeyaR,
虽然尽可能地保留了目标区域信息但同时也掺入了一些Ophthalmology
,;124(7):962-969
噪声信息影响了最终分割结果中etal
,。Phase-fusionPSPNet16HuangSC,ShenL,LungrenMP,.GLoRIA:Amultimodal
的阶段上采样模块添加在特征提取网络之后通过深度卷
,global-localrepresentationlearningframeworkforlabel-efficientmedical

信息ConferenceonComputerVision2021:3942-3951

17EfimenkoM,IgnatevA,
翼状胬肉的主要难点在于边缘难以准确分割既需要BMC
,recognitiontechnologiestodetectmelanomasusingneuralnetworks.
深度卷积神经网络进行特征提取同时也需要与浅层信息Bioinformatics
,2020;21(Suppl11):270
相结合本研究的改进特点主要是将大尺度跨越的上采etal
。18ZhangJP,XieYT,WuQ,.Medicalimageclassificationusing
样分阶段进行并与浅层特征图信息进行融合加强了翼状MedImageAnal
;54:10-19
,etal
胬肉的边缘信息提升了病灶分割的性能该模型效果虽19AnwarSM,MajidM,QayyumA,.Medicalimageanalysisusing
,。JMedSyst
然是上述所有模型中最好的但是观察分割结果后可以了convolutionalneuralnetworks:;42(11):226
,etal
解到翼状胬肉的边缘检测效果依然需要提高将来可以考20MaXJ,NiuYH,GuL,.Understandingadversarialattackson
,PatternRecognit
虑利用[28-30]的独特结构加强图像内各deeplearningbasedmedicalimageanalysissystems.
VisionTransformer2021;110:107332
部分的联系从而提升分割效果本研究也存在不足之etal
,。21LiN,WangT,WangRX,.Tearfilminstabilityandmeibomian
处虽然相较于其他模型有一定的提
,Phase-fusionPSPNetglanddysfunctioncorrelatewiththepterygiumsizeandthicknesspre-
升但该模型分割翼状胬肉时对其边缘的处理并没有达到JOphthalmol
,;
十分精确同时翼状胬肉单类稍低需要进一步深化2019:5935239
,IOU,etal
研究并优化分割模型后续研究拟做如下改进加大22ZhaoH,ShiJ,QiX,.Pyramidsceneparsingnetwork.
。:(1)
模型训练样本数量采集的眼前节图像也需要进一步ProceedingsoftheIEEEConferenceonComputerVisionandPattern
;(2)Recognition2017:2881-2890
规范并制定标准提升模型对于翼状胬肉边界的感知etal
;(3)23HeKM,ZhangXY,RenSQ,.Deepresiduallearningforimage
程度

综上本研究旨在通过深度学****方法实现对翼状胬肉Recognition2016:770-778
,etal
的精准分割为医生和患者提供病灶区域辅助定位在该24EveringhamM,GoolL,WilliamsCKI,.Thepascalvisualobject
,。IntJComputVis
领域不断深入研究后结合翼状胬肉分类和分割的方法有classes(VOC);88(2):303-338
,
望为翼状胬肉提供一种新型诊断工具同时提出手术与否25RonnebergerO,FischerP,-net:convolutionalnetworksfor
,

,ImageComputingandComputer-assistedIntervention2015:234-241
议合理利用医疗资源etal
,。26ChoudhuryAR,VanguriR,JambawalikarSR,.Segmentationof
参考文献
braintumorsusingDeepLabv3+.InternationalMICCAIBrainlesion
陈静李威翼状胬肉的发病机制及治疗进展现代中西医结合杂
1,..Workshop2018:154-167

2020;29(12):1364-136827AbdaniSR,ZulkifleyMA,
金玲颜智鹏陈楠等基于深度学****的翼状胬肉智能诊断系统
2,,,.
初步研究人工智能
.2021;8(3):48-55SymposiumonComputerApplications&amp;IndustrialElectronics(ISCAIE)
etal
3AnguriaP,KitinyaJ,NtuliS,.Theroleofheredityinpterygium2020:229-232
IntJOphthalmoletal
;7(3):563-57328DosovitskiyA,BeyerL,KolesnikovA,.Animageisworth16&#215;
翁铭张云杨卫华眼表综合分析仪在复发性翼状胬肉切
4,,.Oculus16words::
除联合自体角膜缘干细胞移植术后眼表功能评价中的应用眼科新
.
进展etal
2020;40(8):765-76829ZhouDQ,KangBY,JinXJ,.DeepViT:towardsdeepervision
王娟翼状胬肉不同手术方式对术后泪膜影响的研究进展国际眼
5..:
科杂志etal
2018;18(1):89-9130LiuZ,LinY,CaoY,.Swintransformer:H

最近更新