基于眼底诊断慢性病健康评估系统的研究与实现

基于眼底诊断慢性病健康评估系统的研究与实现

杨宇,黄豪,邵明硕,崔世恒,张博钧,王红

（山东协和学院计算机学院 山东 济南 250000）

作者简介：杨宇 (2002.09-)，男，山东枣庄，计算机科学与技术2020级

指导老师：王红（1982.11-），女，山东德州，副教授，研究方向：嵌入式、物联网

摘要：慢性病是指不构成传染、具有长期积累形成疾病形态损害的疾病的总称。一旦防治不及，会造成经济、生命等方面的危害。人们的重视程度从来都不及它的严重性。目前我国患慢性病人口已达4.87亿人，且出现年轻化趋势，慢性病的早诊早筛与健康评估迫在眉睫。为此，我们为实现基于已有数据与相关研究，根据眼底诊断慢性病原理来实验与研究，研发了一款眼底诊断慢性病的健康评估系统。

关键词： 眼底诊断 健康评估 慢性病

1引言

当前，我国正处于由快速老龄化向深度老龄化迈进的阶段。根据第七次全国人口普查数据显示，60岁及以上人口为26402万人，占18.70%，预计到2050年前，我国的老年人口将达到峰值4.87亿人，平均每3个人中就有1个老年人。随着我国老龄化的加深、疾病模式以及饮食结构的改变，慢性病已呈现出高发态势，数据显示我国老年人患慢性病比例高达75.23%。健康中国2030年战略特别提及国家慢病，高血压、糖尿病、动脉硬化患病人数达6亿，占我国40%，诊断、治疗、住院费用高昂。

眼底照片是观察视网膜和诊断眼底疾病的一种重要影像手段，医生可据此来分析、判断多种疾病的严重程度。用于拍摄眼底照片的眼底相机结构比较复杂，除了用于成像的镜片组等光学元件外，还包括图像处理模块、数据通信模块等部件，在拍摄用户眼底得到照片后需要将其传输至计算机中进行保存和显示。眼底相机需要与计算机配合使用，因此可称之为一种眼底检查系统，目前这种系统的应用场景普遍限制在医疗机构中。

2 技术与突破

由于视网膜中的视盘、黄斑、血管等形态结构变化与青光眼、黄斑病变、糖尿病、高血压等人体各系统疾病存在着密切联系，因此眼底图像在疾病诊断中起着非常重要的作用。国外研究学者早期就逐渐开始探索如何利用医学图像处理技术进行眼底病变的辅助诊断。眼底慢性病诊断的关键是如何精确地提取出病灶特征，然后综合病灶的类型和数量来进行疾病的分类，其中主要的挑战为：（1）眼底图像标注样本少，由于眼底图像需要具有专业领域知识的眼科医生进行标注，而医生数量有限，标注样本费时费力，特别是针对病变的眼底图像将病灶区域的像素点标记出来需要耗费大量的时间。（2）眼底图像质量较差，由于拍摄装置、拍摄环境的不同，获取的眼底图像存在曝光过度、失焦、模糊、光照不均、对比度低的问题，部分图像无法识别基本的生理结构，给后期的诊断带来较大的困难。（3）不同类别样本分布极不均衡，医学数据中大多数眼底图像为正常样本，病变图像较为稀少，不利于分类器的训练，导致神经网络陷入局部最优，影响分类精度。（4）眼底病变类别之间差别细微，主要是不同病程阶段的病灶不同；同时又由于医生拍摄的手法和环境条件不同导致相同类别的差异较大，属于细粒度分类问题。（5）眼底图像结构复杂，病灶种类繁多，形态各异不规则，分布在图像各个区域，即使是同种类型的病灶形态大小也相差较大，难以准确检测，特别是微动脉瘤十分微小，在对比度较低的眼底图像中容易被忽略。随着医学图像处理技术逐渐完善与发展，现阶段已经有许多学者对眼底变眼底图像分类进行了广泛而深入的研究。目前，眼底病变诊断方法主要包括基于传统机器学习和基于深度学习的诊断方法两大类。

团队研究了现阶段技术条件下，实现了提高产品鲁棒率与图像鉴别精度方面的技术突破。

（1）首创BENet医疗影像诊断模型

将数据集中的训练样本输入到系统，形成由贝叶斯卷积层、归一化层、激活层形成的根卷积块，再由数字信号处理卷积函数，获得由常规卷积层、归一化层、激活层构成的根卷积块，后经模块决策阶段分析形成全局平均池化层、变分全连接层，最终输出。BENet模型预测精准度比常规确定性模型提升9.95%，AUC达0.952。

EfficientNet系列是目前性能较好的CNN模型，具有参数小、计算快、无需调优化超参数等特点。通过以优化参数的形式统一调整网络深度、宽度和分辨率的关系，以达到最佳模型性能。三类参数的不同缩放系数形成了EfficinetNet系列的八种子模型：EfficientNetB0~EfficientNetB7。在这种设计思路下，EfficientNet模型能在有限的计算资源下得到最佳效果。因此该模型能较好地适应医疗诊断环境。在模型构建方面，EfficientNet模型主要由根卷积块、中间卷积块、输出卷积块组成，其中中间卷积块被称之为MBConv是EfficientNet的核心部分。MBConv的结构如图1。其中第一部分负责数据升维和特征提取；第二部分是由两个1*1卷积共同构成的注意力机制，获得权重依赖关系的系数后和第一部分输出相乘；第三部分主要负责降维，并和模块的输入共同形成残差结构，同时构成模块的整体输出。EfficientNet模型中共有七个MBConv模块。此外，根卷积块和输出卷积块是由卷积层和归一化层构成。

图1 EfficientNet中MBConv的结构

（2）自研基于多通道融合的BENet模型

基于多通道融合的BENet模型的图片处理方法。该法可以处理系统将图像数据采集的原始图像转换成RGB图像，并将RGB图像的亮度降低到小于第一亮度或提高到大于第二亮度，得到第一图像；处理系统采用HDR技术将RGB图像转换成N帧HDR图像，N帧HDR图像每帧HDR图像的亮度不同，且在RGB图像的亮度降低到小于第一亮度时N帧HDR图像的亮度均大于第一亮度，或者在RGB图像的亮度提高到大于第二亮度时N帧HDR图像的亮度均小于第二亮度；处理系统将第一图像与N帧HDR图像中任意相同位置的像素点的颜色信息融合，得到最终图像。通过这种方式，有助于提高拍摄图像的质量。

图2 图像拍摄方法与处理

（3）国内最大的慢性病眼底图像数据库+第三代AI快速学习

基于第三代AI快速学习技术，通过深度网络学习技术和计算机图形图像处理技术，对国内最大的慢性病眼底图像数据库中的眼底图像进行深度学习，获取到慢性病视网膜种类及等级数据模型。

3结语

随着经济的发展，人们生活水平不断提高，慢性疾病日益增多，促使人们对健康的关注越来越高。认识健康预知危险因素，规范健康生活方式，全方位了解身体健康数据，认清身体健康状态，对慢性病的风险进行预警、正面或负面健康评估和管理，对不良生活方式进行干预，达到降低健康风险带来的经济负担，健康评估将是一个极好的方法。社会老龄化和慢性病患者的上升以及人们对长寿的期望，健康评估在健康管理中有着非常重要的意义。

参考文献：

[1]陈超,杨冰洁,叶珂男,吕筱,徐玉乐,邵玉婷,张荣庆,毕燕龙.基于深度学习的糖尿病性视网膜病变的眼底图像辅助诊断系统[J].人工智能,2021(03):38-46.DOI:10.16453/j.cnki.ISSN2096-5036.2021.03.005.

[2]冯婷婷. 眼底病变图像辅助诊断关键技术研究与原型实现[D].电子科技大学,2021.DOI:10.27005/d.cnki.gdzku.2021.004200.

[3]张加生,张丽丽,周卫国,袁建妹,汪海洲,徐菊方,郑晓英.慢性病患者10年心脑血管疾病发病平均风险评估及其与眼底病变的关系研究[J].中国全科医学,2019,22(19):2351-2355.

项目基金：山东省大学生科学研究项目，项目名称：基于机器视觉的智能路损检测系统，项目编号：21SSR048