基于卷积神经网络的眼球血丝诊断

吴聪 黄中勇 殷浩 刘罡

摘要：卷积神经网络在图像识别方面性能出众，其特有的多层感知器可以提取多类图片的隐式特征。提出一种基于卷积神经网络的眼球血丝诊断方法：将3类共1 500幅分辨率为32×32的眼球血丝图都转换成1 500组数值矩阵，1 200组作为训练集输入网络训练，300组作为验证集进行测试。实验表明，该应用算法可达到93.19%的训练准确率和87.57%的测试准确率。

关键词：卷积神经网络；共享权值；眼球血丝诊断

DOIDOI：10.11907/rjdk.1511613

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2016）005-0140-03

0 引言

目前，眼球血丝诊断主要依靠人工完成，不仅耗时费力，也会因医生经验不足导致误诊情况发生。如今许多医生都会结合数字化的诊断系统来进行病情诊断、分析并给出结果，然而眼球血丝诊断数字化尚处于发展期，没有进入实际应用。眼球血丝诊断的数字化研究有着良好的应用前景，不仅可以为临床诊断提供客观标准，也可以为建立中医远程诊断系统发挥作用[1]。病人可以用特定的设备拍摄自己眼部图像，再通过网络传递给数据中心进行处理而得出结果；医生可以借助诊疗辅助软件，极大地减轻自己的工作负担，提高医疗效率。

由于眼球血丝形状千变万化，加之取图设备和操作环境的不同，故图片难以分类研究。鉴于卷积神经网络[2]（Convolutional Neural Network，CNN）对复杂的几何形变具有较强的不变性且对图像处理只需较小的计算代价等优点，本文提出了一种基于CNN的眼球血丝诊断方法，克服了传统的诊断需要进行人工提取分类特征的缺点，将原始图像转变为数据作为输入，进而学习相应特征并实现精确分类。

1 理论依据

1.1 卷积神经网络

卷积神经网络归属于人工神经网络，是接近于实际的生物神经网络系统，有输入层、卷积层、下采样层、全连接层和特征输出[3]，整体结构如图1所示。CNN的输入层可直接接收如二维图像的二维视觉模式，可不需要过多的人为参与去计算原始图像的合适特征，自动从输入数据中提取特征和分类学习。实际应用中，输入层数据较为灵活，可为如彩色图像的多通道图像或者直接为图像的灰度值。

卷积层与下采样层同属于中间层。其中卷积层为特征抽取层，每层中含有多个卷积神经元（称为C元）；下采样层为特征映射层，每层中可含有多个抽样神经元（称为S元）。卷积层和下采样层中每个神经元的输入与前一层的相应区域连接，检测出相应区域特征后将特征的相应位置传输于下一层。CNN可以设定多层卷积层和下采样层，卷积层拥有多个特征平面，每个平面都由共享相同连接权值的神经元组成，并且神经元只接受对应感受野所传递的信号。因为输入样本在卷积层中进行特征提取并得到高维特征映射，但此映射不可直接作为CNN最后输出的分类特征，因此要在下采样层进行降维。下采样层上的每一个神经元也和卷积层相似，是共享相同连接权重的。相对于卷积层的神经元数目，由于下采样层是对上一卷积层相应的感受进行取均值、最值等操作，因而下采样层所需的神经元数目大量减少。全连接层可充分挖掘输出类别标签和网络最后抽取特征之间的映射关系，可连接对应问题的分类数目。CNN通过共享权值大幅缩少了需要训练的权值数量，进而对训练样本的需求大大减少。文献[4]和[5]更加详细地介绍了卷积神经网络。

卷积神经网络作为图像识别领域的研究方向，已成为研究者们关注的重点。在一些领域，如模式分类，CNN优势非常明显。该算法可以使原始图像简单处理后直接输入，避免了繁杂的图像预处理。最初提出CNN的是Hubel和Wiesel[6]，他们在对动物脑皮层进行研究后，发现了可以有效降低反馈神经网络复杂性的结构，故而提出卷积神经网络。而第一个实现神经网络的是K.Fukushima在1980年提出的新识别机。之后，该网络得到更多研究者的改进。2012年Dan Ciresan在Yann LeCun、Sven Behnke、Patrice Simard等学者的研究基础上，使卷积神经网络识别多个图像数据得到进一步的改良发展。目前，卷积神经网络发展非常迅速，孙晔等[7]利用卷积神经网络开发出了一种车标识别的方法；贾世杰等[8]将CNN应用于商品图像精细分类；吕刚[9]在对Simard网络加以改进后，大大提高了CNN多字体字符识别成功率；Jiang Qing-Ling[10]的基于CNN彩色图像边缘检测优于传统检测方法。

1.2 眼球血丝与疾病

眼球血丝与人体疾病有着非常大的关系，血丝的颜色、走向等对应着人体某个部位的病变程度，身体部位的疾病在眼球相应位置上都有反应[11]，如图2所示为典型的习惯性便秘眼血丝图。宋宁[12]在诊断慢性胃炎时发现，97.43%的慢性胃炎有两眼出现血丝脉络粗大，呈深红等症状。李珪等[13]发现89.4%的高血压病人眼球血丝脉络根部增粗、弯曲成螺旋状。龚梅芳[14]发现头痛患者眼球血丝微血管分布紊乱，血管周围有渗出或水肿现象。

由于眼球血丝没有皮肤遮盖，最能直接反应人体内脏患病情况，所以一般无假象。医生通过观察可以知道身体情况和变化，从而进行疾病的诊断和治疗。传统中医可以利用影像医学技术成果，使历史悠久的临床医学技术实现现代化发展。在这一趋势下，基于卷积神经网络的眼球血丝诊断具有一定意义。

2 实验分析

基于CNN的眼球血丝诊断是指输入病人的眼球图像来确定所患病症的过程。它在医疗辅助和医疗自动化等领域都有着非常大的实用价值，而且是CNN和模式识别等领域的关注课题。由于眼球的特殊性，例如性别、人种、年龄的不同，或者有受伤、手术等不确定因素，以及眼球成像的曝光、聚焦等问题，基于卷积神经网络的眼球血丝诊断依然具有较高的挑战性。

2.1 算法将卷积神经网络应用于眼球血丝诊断识别的方法是本文着重介绍的内容。CNN具有能提取表征力强参数的优点，故应用于血丝病症的识别是个较好的选择，具体步骤与算法如下：

对于输入层样本，每幅眼球血丝图像都经初步处理（见图3）：首先分割出具有明显反映病症特征的血丝所在区域，统一设定为32×32大小，再将分割出的血丝图进行灰度化处理，最终将每幅灰度图“数值化”处理为一个32×32的二维矩阵（“数值化”操作是对每幅灰度图共计1 024个像素分别除255.000而得出的数值）。

CNN通过结构上的局部连接、共享权值和下采样等，不仅网络规模控制得很好，而且特征能准确识别。如图4所示，对于眼球血丝识别任务，首先获取输入眼球血丝图像的局部特征，再将这些特征做多轮迭代处理以获取更高级的特征，这样最终的特征被处理成一个一维向量，该向量就是眼球血丝图像的表征，本文正是用此表征来有训练CNN。

2.2 实验

从医院获取3类眼球血丝图，包括胃病症、肺疾病和肠杂病这3类；初步分割处理后得到全部血丝图共1 500张（图5展示了部分血丝），经过灰度化处理，并“数值化”成1 500组二维数组，其中1 200组为训练组，300组为测试组。继而将训练组和测试组全部输入到网络中运行，同时进行训练和测试。关于程序的主要函数、函数参数及说明如表2所示。

卷积神经网络的权值是经过梯度下降运算得出，通过多次迭代运算继而得到理想参数。由表3分析可知，在迭代次数较少时，神经网络学习不够充分，训练所得模型不理想，因此测试准确率较低。当迭代次数达到一定程度时，网络参数得到充分训练，测试准确率上升到一个定值。然而，随着迭代次数的继续增加，测试准确率反而下降。

3 结语

本文将卷积神经网络应用于眼球血丝诊断，通过对网络的持续训练，找到眼球血丝图的最优参数，进而将参数应用于病症识别。在提升效率上，优先对图进行处理——将图转换成数值矩阵，这样可大大减少网络训练时间，整个算法的训练准确率达93.19%，测试准确率达87.57%。但本文所提出的方法也存在一些不足：分类的病症稍少，针对更多种类的病症诊断尚有待研究，因此眼球血丝图还需完善，数量和种类也需丰富。

参考文献：

[1]朱贵冬.中医“望目辨证”的数字化技术研究[D].北京：中国科学院研究生院，2006.

[2]ZEILER M D，FERGUS R.Visualizing and understanding convolutional neural networks[J].Arxiv Preprint Arxiv，2013（24）：818-833.

[3]谢剑斌，兴军亮，张立宁，等.视觉机器学习20讲[M].北京：清华大学出版社，2015.

[4]LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：2278-2324.

[5]LAWRENCE S，GILES C L，TSOI A C，et al.Face recognition：a convolutional neural-network approach[J].Neural Networks，IEEE Transactions on，1997，8（1）：98-113.

[6]HUBEL D H，WIESEL T N.Receptive fields of single neurones in the cat's striate cortex[J].The Journal of Physiology，1959，148（3）：574-591.

[7]孙晔，吴锐文.基于卷积神经网络的车标识别[J].现代计算机，2015，503（11）：84-87.

[8]贾世杰，杨东坡，刘金环.基于卷积神经网络的商品图像精细分类[J].山东科技大学学报，2014，33（6）：91-95.

[9]吕刚.基于卷积神经网络的多字体字符识别[J].浙江师范大学学报：自然科学版，2011，34（4）：425-428.

[10]JIANG QING-LING.Edge detection for color image based on CNN[J].Engineering Village，2015，2（1）：11-12.

[11]宋宁.壮医目诊诊断慢性胃炎350例观察[J].云南中医学院学报，2006（S1）：92-93.

[12]李珪，黄莉.高血压病在壮医目诊的征象观察[J].中国民族医药杂志，2007（4）：65.

[13]龚梅芳，邹季，胡世芬，等.84例头痛患者球结膜微循环和甲襞微循环研究[J].中国微循环，2002，6（4）：230-231.

[14]王今觉.望目辨证诊断学[M].北京：中国中医药出版社，2013.

（责任编辑：孙 娟）