譚安祖，余曼，陳宣，胡亮

0 引言

近幾年，人們的用眼習(xí)慣隨著智能設(shè)備的發(fā)展發(fā)生了很大的改變，因此近視的人數(shù)也越發(fā)呈現(xiàn)出高增長的趨勢。據(jù)統(tǒng)計，到2020年，全球近視眼人群將突破25億，而在中國，近視眼患者在2017年時已經(jīng)高達6億，預(yù)計2020年更是會突破7億以上[1]。

準分子激光角膜屈光矯正手術(shù)（簡稱激光近視手術(shù)）經(jīng)臨床證實可以有效地矯正視力，但是并不是所有人都適合激光近視手術(shù)，其中致盲性疾病圓錐角膜更是該手術(shù)的絕對禁忌癥[2]。因為激光近視手術(shù)會加速和加重角膜病理性擴張，從而導(dǎo)致繼發(fā)性圓錐角膜。雖然中度、重度的圓錐角膜的臨床表現(xiàn)十分典型，但是早期或者亞臨床期的圓錐角膜的臨床表現(xiàn)就很不典型了，一般僅僅只表現(xiàn)為近視、散光及局部輕度前突，并且患者的角膜厚度基本上是正常的，這就大大增加了圓錐角膜早期診斷的難度[3]。

1 現(xiàn)狀分析

由于圓錐角膜的發(fā)病機制不明，且早期臨床表現(xiàn)不典型，所以臨床上不存在統(tǒng)一的權(quán)威診斷標準。目前臨床上常用的診斷方法有角膜地形圖檢測、眼前節(jié)分析系統(tǒng)、眼反應(yīng)分析儀、OCT等。

1.1 角膜地形圖檢測法

由計算機系統(tǒng)輔助的角膜地形圖檢測法是目前臨床上圓錐角膜較為常用的診斷方式。角膜地形圖是通過Placido氏盤投影原理，利用計算機實時圖像處理系統(tǒng)動態(tài)分析角膜前表面的形態(tài)和曲率的變化。在角膜地形圖中亞臨床期的圓錐角膜臨床體征如下：角膜中央的屈光度大于46.5 D，下方與上方3 mm 角膜屈光度差值大于1.26 D，雙眼角膜中央屈光度差值大于0.92 D[4]。遺憾的是角膜地形圖檢測法作為圓錐角膜病篩查標準仍然存在漏診的風險，因其有著重復(fù)性不佳、測量范圍受限的問題。

1.2 眼前節(jié)分析系統(tǒng)

1995年首個眼前節(jié)分析系統(tǒng)問世，與角膜地形圖相比，它可以獲取到角膜的前、后表面高度數(shù)據(jù)。鑒于圓錐角膜患者角膜前表面的地形圖偏心圓錐形成的擬合球面與角膜后表面地形圖圓錐形成的擬合球面相互吻合的情況，眼前節(jié)分析系統(tǒng)明顯提高了篩查亞臨床期的圓錐角膜的敏感性。篩查的敏感性將進一步提高，可能所有的圓錐角膜患者都可以被鑒別出來，但頻繁的黃色與紅色報警，也會使一部分適合做手術(shù)的患者也被排除在外，篩查的敏感性確實是升高了，但是特異性卻降低了。

1.3 眼反應(yīng)分析儀

之前診斷方式主要是依賴角膜的形態(tài)學(xué)，而眼反應(yīng)分析儀則是利用角膜的生物力學(xué)特性設(shè)計研發(fā)的。眼反應(yīng)分析儀可以在不直接接觸角膜的情況下直接作用于活體并測量獲得角膜的角膜滯后量(Corneal Hysteresis，CH)、角膜阻力因子量(Corneal Resistance Factor，CRF)和中央角膜厚度(CCT)等參數(shù)。有研究表明使用角膜地形圖診斷得出圓錐角膜為陰性的患者，用CRF指數(shù)檢出圓錐角膜真陽性的概率達到85%[5]。雖然眼反應(yīng)分析儀在圓錐角膜的早期診斷方面具有一定的診斷意義，但是眼壓和角膜厚度等元素會影響診斷的準確性，因此暫時不能作為權(quán)威的診斷標準。

1.4 光學(xué)相干斷層掃描（OCT）

OCT是利用弱相干光干涉儀的原理，獲取和處理光學(xué)信號的一種方式。在眼科領(lǐng)域，OCT主要用于獲取高分辨率的網(wǎng)膜和眼前端顯微形態(tài)結(jié)構(gòu)。因此在圓錐角膜的早期診斷方面，基于患者早期角膜呈錐形突出變薄且最薄點一般位于顳下方的特性，通過OCT更好地了解患者角膜厚度從最薄點到周邊變化的情況從而輔助診斷[6]。隨著頻域OCT(Spectral—Domain OCT，SD-OCT)技術(shù)的快速發(fā)展，掃描速度更快，軸向分辨率更高，圖像偽影更少，從而能夠獲得更清晰的視網(wǎng)膜各層的顯微形態(tài)結(jié)構(gòu)。高分辨率的圖像不僅提高了更有力的診斷依據(jù)，并且為深度學(xué)習(xí)的應(yīng)用提供了有利的前置條件。

2 卷積神經(jīng)網(wǎng)絡(luò)

目前OCT作為圓錐角膜早期診斷檢查的最佳儀器，主是通過檢測形態(tài)學(xué)改變?nèi)ネ茰y早期圓錐角膜的病變機制。傳統(tǒng)方式采用手動提取特征，需要大量人力且對先驗知識依賴性高，最終成果的泛化性欠佳。而深度學(xué)習(xí)在圖像識別領(lǐng)域有了突破性的進展，可以使用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來替代手工獲取特征[7]，故而系統(tǒng)采用了深度學(xué)習(xí)來解決OCT報告單表征學(xué)習(xí)的問題。

在圖像識別領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是目前主流的深度學(xué)習(xí)框架，它的出現(xiàn)極大地推進了計算機視覺領(lǐng)域的圖像識別能力。與其他學(xué)習(xí)框架相比，CNN需要考量的參數(shù)更少，并且識別精度更高。

CNN是一種前反饋神經(jīng)網(wǎng)絡(luò)，它是由不同種類的層所組成，其中有4種層是廣泛使用的，分別是卷積層、池化層、全連接層和損失層。它們的結(jié)構(gòu)分別是：①卷積層由濾波器所組成，這些濾波器被應(yīng)用在整個圖像捕捉局部信息；②池化層用于將圖像降采樣，它通常連接在卷積層的后面；③全連接層用于將卷積層捕捉到的局部信息統(tǒng)一，以得到全局的圖像語義信息，它通常連接在卷積層或池化層的后面，同時用于對圖像表達降維；④損失層是整個優(yōu)化模型的目標函數(shù)，用于指導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，其中Softmax損失是圖像識別網(wǎng)絡(luò)中最常使用的。

3 設(shè)計與實現(xiàn)

為了探究圓錐角膜在早期出現(xiàn)的形態(tài)學(xué)改變機制，系統(tǒng)采用超高分辨率頻域OCT，全面獲得受試者全角膜各個層次及前后表面的細微結(jié)構(gòu)信息，構(gòu)建角膜OCT圖像數(shù)據(jù)庫，并設(shè)計訓(xùn)練CNN模型，以實現(xiàn)OCT檢查報告對圓錐角膜病變的輔助診斷。

3.1 數(shù)據(jù)收集

目前在圓錐角膜圖像識別的研究領(lǐng)域尚無相應(yīng)的權(quán)威公開數(shù)據(jù)庫供使用，故系統(tǒng)收集了于2016年6月份至2017月8月期間在溫州醫(yī)科大學(xué)附屬眼視光醫(yī)院檢查的OCT報告。由于生產(chǎn)環(huán)境下圖像質(zhì)量會受到諸如鏡頭模糊、光照不均、光照不足、病變交叉等影響，故在創(chuàng)建數(shù)據(jù)庫時需要過濾到這部分干擾數(shù)據(jù)。最終收集的圖像9 121份以DICOM文件格式進行保存，其中4 850份作為訓(xùn)練數(shù)據(jù)集、4 271份作為驗證數(shù)據(jù)集。

3.2 數(shù)據(jù)預(yù)處理

從OCT設(shè)備上直接獲取的圖像存在諸多干擾因素，并不能直接用于深度學(xué)習(xí)模型的訓(xùn)練，因此需要對收集的數(shù)據(jù)集進行預(yù)處理。首先需要統(tǒng)一去除圖像黑框背景，然后進行去噪處理，最終通過灰度處理、尺寸統(tǒng)一為3 500×2 000像素將圖像作局部歸一化。

訓(xùn)練數(shù)據(jù)集中每一張圖像都由3～5位溫州醫(yī)科大學(xué)附屬眼視光醫(yī)院角膜病?？漆t(yī)生添加評估與分類注解，根據(jù)圓錐角膜病變程序進行分組歸類，如表1所示。其中分類方式參考了謝培英教授提出的臨床分型理論[8]，分為健康角膜、可疑圓錐角膜病變、輕度圓錐角膜病變等5類情況。

3.3 設(shè)計CNN模型

在數(shù)據(jù)集準備完成后，系統(tǒng)通過實驗驗證的方式選擇了VGG-16作為訓(xùn)練模型的原型。而VGG-16在傳統(tǒng)CNN基礎(chǔ)上提升了深度，其特點在于采用小尺度卷積濾波器提取圖像邊緣細節(jié)特征，減少參數(shù)個數(shù)并增加深層卷積，從而提高識別準確度[9]。

表1 角膜OCT數(shù)據(jù)集分類表Tab.1 Corneal OCT Data set classification

系統(tǒng)以VGG-16為訓(xùn)練模型原型，在此基礎(chǔ)上進行改良，如圖1所示。具體設(shè)計為將訓(xùn)練數(shù)據(jù)集作為輸入，獲取VGG-16 網(wǎng)絡(luò)中的卷積部分輸出，然后利用這部分輸出來訓(xùn)練一個全連接網(wǎng)絡(luò)，最終將已訓(xùn)練好的VGG-16網(wǎng)絡(luò)中卷積部分保留參數(shù)遷移過來，與之前預(yù)訓(xùn)練的全連接網(wǎng)絡(luò)進行對接，從而得到基于深度遷移學(xué)習(xí)模型。

圖1 CNN結(jié)構(gòu)圖Fig.1 CNN Structure diagram

3.4 優(yōu)化訓(xùn)練CNN模型

系統(tǒng)在Ubuntu14.0操作系統(tǒng)，NVIDIA GTX 1080 Ti的硬件平臺上搭建Caffe框架，進行模型的訓(xùn)練優(yōu)化。通常深度學(xué)習(xí)性能提升和優(yōu)化可以從數(shù)據(jù)、算法、算法調(diào)優(yōu)、模型融合等方面作為出發(fā)點。

在數(shù)據(jù)方面，模型的質(zhì)量很大程度上取決于訓(xùn)練數(shù)據(jù)集的質(zhì)量。本系統(tǒng)從臨床采集真實病歷圖像，并在后續(xù)系統(tǒng)的臨床應(yīng)用中不斷將新的病歷圖像反饋到數(shù)據(jù)集中，從而使模型處于不斷的學(xué)習(xí)和優(yōu)化中。

在算法方面，通過試驗多種算法最優(yōu)價的方式在理論上可以找到模型的相對最優(yōu)解，但是付出代價是數(shù)周甚至數(shù)月的時間成本。因此系統(tǒng)采用折中的方式，結(jié)合文獻查閱的基礎(chǔ)上，在AlexNet、VGG-16、ResNet等諸多簡單神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進行以70%的訓(xùn)練樣本做試驗比較，最終采用了VGG-16作為系統(tǒng)的模型原型。而采用70%測試數(shù)據(jù)集的原因在于經(jīng)過試驗，這三個模型的識別準確度的提升基本上在樣本量達到70%的時候趨于平緩。

4 結(jié)果與分析

系統(tǒng)采用深度學(xué)習(xí)的方法設(shè)計優(yōu)化CNN模型，實現(xiàn)對不同病變程度的角膜OCT圖像進行分類，其中模型在驗證數(shù)據(jù)集的實驗中最終實現(xiàn)的平均識別準確度結(jié)果如圖2所示。可以看到當訓(xùn)練樣本集占比只有10%，識別準確度只有32.19%，這是因為訓(xùn)練樣本數(shù)過少，而角膜OCT圖像的特征過多的原因。而隨著訓(xùn)練樣本集占比的升高，模型的平均識別準確度不斷提高，最后穩(wěn)定在68.61%上。

圖 2 模型識別準確度Fig.2 Accuracy of model recognition

5 應(yīng)用與反思

系統(tǒng)利用深度學(xué)習(xí)中的CNN模型實現(xiàn)對圓錐角膜早期診斷的輔助識別。實驗結(jié)果表明，該模型作為診斷輔助工具，能夠在一定程度上輔助特檢科醫(yī)師、眼科醫(yī)師診斷下達的信息，同時醫(yī)師對OCT圖像的結(jié)果再標記有助于模型訓(xùn)練出更精準的判斷。

實驗結(jié)果證明，深度學(xué)習(xí)在角膜OCT圖像的早期病變識別方面有著比較理想的效果，可以在未來的場景有著較好的應(yīng)用。不過出于安全與倫理等方面的原因，該模型并不能直接用于診斷，只能作為醫(yī)師下達診斷的一種輔助描述的工具。