深度学习在圆锥角膜早期诊断辅助系统中的应用实践

谭安祖，余曼，陈宣，胡亮

0 引言

近几年，人们的用眼习惯随着智能设备的发展发生了很大的改变，因此近视的人数也越发呈现出高增长的趋势。据统计，到2020年，全球近视眼人群将突破25亿，而在中国，近视眼患者在2017年时已经高达6亿，预计2020年更是会突破7亿以上[1]。

准分子激光角膜屈光矫正手术（简称激光近视手术）经临床证实可以有效地矫正视力，但是并不是所有人都适合激光近视手术，其中致盲性疾病圆锥角膜更是该手术的绝对禁忌症[2]。因为激光近视手术会加速和加重角膜病理性扩张，从而导致继发性圆锥角膜。虽然中度、重度的圆锥角膜的临床表现十分典型，但是早期或者亚临床期的圆锥角膜的临床表现就很不典型了，一般仅仅只表现为近视、散光及局部轻度前突，并且患者的角膜厚度基本上是正常的，这就大大增加了圆锥角膜早期诊断的难度[3]。

1 现状分析

由于圆锥角膜的发病机制不明，且早期临床表现不典型，所以临床上不存在统一的权威诊断标准。目前临床上常用的诊断方法有角膜地形图检测、眼前节分析系统、眼反应分析仪、OCT等。

1.1 角膜地形图检测法

由计算机系统辅助的角膜地形图检测法是目前临床上圆锥角膜较为常用的诊断方式。角膜地形图是通过Placido氏盘投影原理，利用计算机实时图像处理系统动态分析角膜前表面的形态和曲率的变化。在角膜地形图中亚临床期的圆锥角膜临床体征如下：角膜中央的屈光度大于46.5 D，下方与上方3 mm 角膜屈光度差值大于1.26 D，双眼角膜中央屈光度差值大于0.92 D[4]。遗憾的是角膜地形图检测法作为圆锥角膜病筛查标准仍然存在漏诊的风险，因其有着重复性不佳、测量范围受限的问题。

1.2 眼前节分析系统

1995年首个眼前节分析系统问世，与角膜地形图相比，它可以获取到角膜的前、后表面高度数据。鉴于圆锥角膜患者角膜前表面的地形图偏心圆锥形成的拟合球面与角膜后表面地形图圆锥形成的拟合球面相互吻合的情况，眼前节分析系统明显提高了筛查亚临床期的圆锥角膜的敏感性。筛查的敏感性将进一步提高，可能所有的圆锥角膜患者都可以被鉴别出来，但频繁的黄色与红色报警，也会使一部分适合做手术的患者也被排除在外，筛查的敏感性确实是升高了，但是特异性却降低了。

1.3 眼反应分析仪

之前诊断方式主要是依赖角膜的形态学，而眼反应分析仪则是利用角膜的生物力学特性设计研发的。眼反应分析仪可以在不直接接触角膜的情况下直接作用于活体并测量获得角膜的角膜滞后量(Corneal Hysteresis，CH)、角膜阻力因子量(Corneal Resistance Factor，CRF)和中央角膜厚度(CCT)等参数。有研究表明使用角膜地形图诊断得出圆锥角膜为阴性的患者，用CRF指数检出圆锥角膜真阳性的概率达到85%[5]。虽然眼反应分析仪在圆锥角膜的早期诊断方面具有一定的诊断意义，但是眼压和角膜厚度等元素会影响诊断的准确性，因此暂时不能作为权威的诊断标准。

1.4 光学相干断层扫描（OCT）

OCT是利用弱相干光干涉仪的原理，获取和处理光学信号的一种方式。在眼科领域，OCT主要用于获取高分辨率的网膜和眼前端显微形态结构。因此在圆锥角膜的早期诊断方面，基于患者早期角膜呈锥形突出变薄且最薄点一般位于颞下方的特性，通过OCT更好地了解患者角膜厚度从最薄点到周边变化的情况从而辅助诊断[6]。随着频域OCT(Spectral—Domain OCT，SD-OCT)技术的快速发展，扫描速度更快，轴向分辨率更高，图像伪影更少，从而能够获得更清晰的视网膜各层的显微形态结构。高分辨率的图像不仅提高了更有力的诊断依据，并且为深度学习的应用提供了有利的前置条件。

2 卷积神经网络

目前OCT作为圆锥角膜早期诊断检查的最佳仪器，主是通过检测形态学改变去推测早期圆锥角膜的病变机制。传统方式采用手动提取特征，需要大量人力且对先验知识依赖性高，最终成果的泛化性欠佳。而深度学习在图像识别领域有了突破性的进展，可以使用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征[7]，故而系统采用了深度学习来解决OCT报告单表征学习的问题。

在图像识别领域，卷积神经网络(Convolutional Neural Network，CNN)是目前主流的深度学习框架，它的出现极大地推进了计算机视觉领域的图像识别能力。与其他学习框架相比，CNN需要考量的参数更少，并且识别精度更高。

CNN是一种前反馈神经网络，它是由不同种类的层所组成，其中有4种层是广泛使用的，分别是卷积层、池化层、全连接层和损失层。它们的结构分别是：①卷积层由滤波器所组成，这些滤波器被应用在整个图像捕捉局部信息；②池化层用于将图像降采样，它通常连接在卷积层的后面；③全连接层用于将卷积层捕捉到的局部信息统一，以得到全局的图像语义信息，它通常连接在卷积层或池化层的后面，同时用于对图像表达降维；④损失层是整个优化模型的目标函数，用于指导卷积神经网络的学习，其中Softmax损失是图像识别网络中最常使用的。

3 设计与实现

为了探究圆锥角膜在早期出现的形态学改变机制，系统采用超高分辨率频域OCT，全面获得受试者全角膜各个层次及前后表面的细微结构信息，构建角膜OCT图像数据库，并设计训练CNN模型，以实现OCT检查报告对圆锥角膜病变的辅助诊断。

3.1 数据收集

目前在圆锥角膜图像识别的研究领域尚无相应的权威公开数据库供使用，故系统收集了于2016年6月份至2017月8月期间在温州医科大学附属眼视光医院检查的OCT报告。由于生产环境下图像质量会受到诸如镜头模糊、光照不均、光照不足、病变交叉等影响，故在创建数据库时需要过滤到这部分干扰数据。最终收集的图像9 121份以DICOM文件格式进行保存，其中4 850份作为训练数据集、4 271份作为验证数据集。

3.2 数据预处理

从OCT设备上直接获取的图像存在诸多干扰因素，并不能直接用于深度学习模型的训练，因此需要对收集的数据集进行预处理。首先需要统一去除图像黑框背景，然后进行去噪处理，最终通过灰度处理、尺寸统一为3 500×2 000像素将图像作局部归一化。

训练数据集中每一张图像都由3～5位温州医科大学附属眼视光医院角膜病专科医生添加评估与分类注解，根据圆锥角膜病变程序进行分组归类，如表1所示。其中分类方式参考了谢培英教授提出的临床分型理论[8]，分为健康角膜、可疑圆锥角膜病变、轻度圆锥角膜病变等5类情况。

3.3 设计CNN模型

在数据集准备完成后，系统通过实验验证的方式选择了VGG-16作为训练模型的原型。而VGG-16在传统CNN基础上提升了深度，其特点在于采用小尺度卷积滤波器提取图像边缘细节特征，减少参数个数并增加深层卷积，从而提高识别准确度[9]。

表1 角膜OCT数据集分类表Tab.1 Corneal OCT Data set classification

系统以VGG-16为训练模型原型，在此基础上进行改良，如图1所示。具体设计为将训练数据集作为输入，获取VGG-16 网络中的卷积部分输出，然后利用这部分输出来训练一个全连接网络，最终将已训练好的VGG-16网络中卷积部分保留参数迁移过来，与之前预训练的全连接网络进行对接，从而得到基于深度迁移学习模型。

图1 CNN结构图Fig.1 CNN Structure diagram

3.4 优化训练CNN模型

系统在Ubuntu14.0操作系统，NVIDIA GTX 1080 Ti的硬件平台上搭建Caffe框架，进行模型的训练优化。通常深度学习性能提升和优化可以从数据、算法、算法调优、模型融合等方面作为出发点。

在数据方面，模型的质量很大程度上取决于训练数据集的质量。本系统从临床采集真实病历图像，并在后续系统的临床应用中不断将新的病历图像反馈到数据集中，从而使模型处于不断的学习和优化中。

在算法方面，通过试验多种算法最优价的方式在理论上可以找到模型的相对最优解，但是付出代价是数周甚至数月的时间成本。因此系统采用折中的方式，结合文献查阅的基础上，在AlexNet、VGG-16、ResNet等诸多简单神经网络的基础上进行以70%的训练样本做试验比较，最终采用了VGG-16作为系统的模型原型。而采用70%测试数据集的原因在于经过试验，这三个模型的识别准确度的提升基本上在样本量达到70%的时候趋于平缓。

4 结果与分析

系统采用深度学习的方法设计优化CNN模型，实现对不同病变程度的角膜OCT图像进行分类，其中模型在验证数据集的实验中最终实现的平均识别准确度结果如图2所示。可以看到当训练样本集占比只有10%，识别准确度只有32.19%，这是因为训练样本数过少，而角膜OCT图像的特征过多的原因。而随着训练样本集占比的升高，模型的平均识别准确度不断提高，最后稳定在68.61%上。

图 2 模型识别准确度Fig.2 Accuracy of model recognition

5 应用与反思

系统利用深度学习中的CNN模型实现对圆锥角膜早期诊断的辅助识别。实验结果表明，该模型作为诊断辅助工具，能够在一定程度上辅助特检科医师、眼科医师诊断下达的信息，同时医师对OCT图像的结果再标记有助于模型训练出更精准的判断。

实验结果证明，深度学习在角膜OCT图像的早期病变识别方面有着比较理想的效果，可以在未来的场景有着较好的应用。不过出于安全与伦理等方面的原因，该模型并不能直接用于诊断，只能作为医师下达诊断的一种辅助描述的工具。