本發(fā)明涉及圖像處理，尤其涉及一種眼瞼緣的特征分類系統(tǒng)。

背景技術(shù)：

1、眼瞼緣是眼瞼皮膚與結(jié)膜交界的部分，保持眼瞼緣健康對于整體眼表的健康至關(guān)重要。瞼緣炎是最常見的眼部疾病之一，約有47％的眼科患者受其影響。眼瞼炎常引發(fā)瞼板腺功能障礙、干眼癥以及瞼緣角結(jié)膜炎(bkc)。bkc可能導(dǎo)致散光、角膜病變、弱視、視力喪失或角膜穿孔。因此，早期診斷和治療瞼緣炎對預(yù)防視力喪失非常重要。根據(jù)美國眼科學(xué)會的分類，瞼緣炎按解剖位置分為前瞼緣炎和后瞼緣炎。

2、近年來，深度學(xué)習(xí)在醫(yī)學(xué)圖像分割和分類方面顯示出顯著潛力。一項研究提出的基于深度學(xué)習(xí)的方法，自動且客觀地評估眼瞼的形態(tài)特征，該方法表現(xiàn)出了極高的可靠性和重復(fù)性，顯示出在眼瞼相關(guān)疾病自動診斷和遠程監(jiān)測中的巨大潛力，而另一項應(yīng)用深度學(xué)習(xí)技術(shù)分析甲狀腺相關(guān)眼病患者的眼瞼形態(tài)的研究，表明自動測量與手動測量之間有很強的一致性，暗示了深度學(xué)習(xí)在自動眼瞼形態(tài)測量中的潛在應(yīng)用。此外，使用深度學(xué)習(xí)模型對糖尿病視網(wǎng)膜病變圖像進行自動檢測和分類也取得了顯著的進展。

3、然而，這些研究普遍存在的缺陷是它們對眼瞼緣特定的細粒度特征的關(guān)注度不足，往往依賴于較寬泛、非特定的形態(tài)特征。因此，亟需一種基于深度學(xué)習(xí)的系統(tǒng)，專用于細粒度的眼瞼緣圖形分類，檢測細微特征如瞼緣發(fā)紅和瞼板腺口堵塞，填補在這一方面的技術(shù)空白。

技術(shù)實現(xiàn)思路

1、(一)要解決的技術(shù)問題

2、鑒于現(xiàn)有技術(shù)的上述缺點、不足，本發(fā)明提供一種眼瞼緣的特征分類系統(tǒng)，其解決了現(xiàn)有技術(shù)中將分割和分類視為獨立的任務(wù)，未能充分利用分割信息來輔助特征分類，導(dǎo)致分類結(jié)果的準(zhǔn)確性受限的技術(shù)問題。

3、(二)技術(shù)方案

4、為了達到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

5、本發(fā)明實施例提供一種眼瞼緣特征分類系統(tǒng)，包括：

6、眼瞼緣分割模塊，用于將接收到的原始特征圖像輸入預(yù)先設(shè)置的眼瞼緣分割模型中，獲得原始特征圖對應(yīng)的分割圖像；

7、其中，所述眼瞼緣分割模型的最后一級編碼器和所有的解碼器的輸出均經(jīng)過預(yù)先設(shè)置的3×3卷積和sigmoid函數(shù)處理，生成每個輸出對應(yīng)的顯著概率圖，并將所有顯著概率圖向上采樣至與原特征圖像大小一致后，通過級聯(lián)操作箱融合后通過1×1卷積和sigmoid函數(shù)處理，生成原始特征圖對應(yīng)的分割圖像；

8、特征分類模塊，用于將所述分割圖像輸入預(yù)先設(shè)置的特征分類模型，獲得特征分類結(jié)果；

9、所述眼瞼緣分割模型基于u2-net模型，包括編碼器、解碼器顯著性融合器，且編碼器和解碼器通過跳躍連接相連接；

10、所述特征分類結(jié)果包括眼瞼緣開口或眼瞼緣充血，以及眼瞼緣開口或眼瞼緣充血對應(yīng)的等級；

11、所述特征分類模型包括：用于提取圖像淺層次特征的淺層次特征提取單元、用于將淺層次特征提取為深層次特征的深層次特征提取單元、用于將深層次特征轉(zhuǎn)化為輸出的輸出單元和用于對輸出進行分類的分類頭。

12、可選地，所述特征分類模塊，用于將所述分割圖像輸入預(yù)先設(shè)置的特征分類模型，獲得特征分類結(jié)果，包括：

13、淺層次特征提取單元，根據(jù)預(yù)先設(shè)置的3×3卷積層將分割圖像進行圖像升維后，對其進行批歸一化處理，最后根據(jù)預(yù)先設(shè)置的swish激活函數(shù)輸出分割圖像對應(yīng)的淺層次特征圖像；

14、深層次特征提取單元，根據(jù)預(yù)先設(shè)置的移動反向殘差卷積組對淺層次特征圖像進行特征提取，獲得深層次特征圖像；

15、輸出單元，用于根據(jù)預(yù)先設(shè)置的1×1卷積層將深層次特征圖像進行降維處理后，通過預(yù)先設(shè)置的平均池化層和全連接層，獲得分割圖像所對應(yīng)的特征圖像；

16、分類頭，用于將所述特征圖像輸入預(yù)先設(shè)置的全連接層和softmax層，獲得特征分類結(jié)果。

17、可選地，所述移動反向殘差卷積組包括：依次連接的mbconv塊；

18、每個mbconv塊均用于，通過1×1升維卷積層將輸入圖像進行升維后，依次進行批歸一化處理和swish激活函數(shù)激活，獲得第一過程圖像；

19、將第一過程圖像通過k×k的深度可分離卷積層處理后，再次進行批歸一化處理和swish激活函數(shù)激活，獲得第二過程圖像，其中k為3或5；

20、將第二過程圖像通過se層處理后，經(jīng)過1×1降維卷積層、批歸一化處理后送入dropout層；

21、將dropout層的輸出和輸入圖像按照位相相加得到輸出圖像；所述輸入圖像包括淺層次特征圖像或mbconv塊的輸出圖像。

22、可選地，所述深度可分離卷積層包括深度卷積和逐點卷積；

23、則每個所述mbconv塊，將第一過程圖像通過k×k的深度可分離卷積層處理后，再次進行批歸一化處理和swish激活函數(shù)激活，獲得第二過程圖像，包括：

24、深度卷積根據(jù)預(yù)先設(shè)置的公式一對第一過程圖像的每個通道進行卷積處理，獲得第三過程圖像；

25、逐點卷積根據(jù)預(yù)先設(shè)置的公式二對第三過程圖像在通道方向上進行加權(quán)組合，獲得第二過程圖像；

26、所述公式一為：

27、

28、其中，為深度卷積操作后得到的第c個輸出通道特征圖，xc為輸入的特定通道的特征圖，wc為對應(yīng)輸入通道c的卷積核，*為卷積符號；

29、所述公式二為：

30、

31、其中，為深度卷積操作后得到的第c個輸出通道特征圖，w1×1,c為逐點卷積中1×1卷積核，對應(yīng)于第c個通道，ypointwise為逐點卷積后最終輸出圖像。

32、可選地，所述mbconv塊，將第二過程圖像通過se層處理后，經(jīng)過1×1降維卷積層、批歸一化處理后送入dropout層，包括：

33、根據(jù)預(yù)先設(shè)置的全局平均池化公式對第二過程圖像進行平均池化處理；所述平均池化公式為：

34、

35、其中，zc為第c個通道的全局平均池化結(jié)果，h和w為輸入圖像的高度和寬度，yc,i,j為輸入特征圖中第c個通道在空間位置(i，j)處的像素值；

36、隨后，將平均池化處理后的第二過程圖像輸入連續(xù)兩個全連接層，并根據(jù)預(yù)先設(shè)置的公式三對每個通道的特征進行加權(quán)；

37、所述公式三為：

38、sc＝σ(w2·relu(w1·zc))；

39、其中，sc為第c個通道的注意力權(quán)重，w1為第一個全連接層的權(quán)重矩陣，w2為第二個全連接層的權(quán)重矩陣；

40、之后，通過預(yù)先設(shè)置的公式四進行通道校準(zhǔn)后，經(jīng)過1×1降維卷積層、批歸一化處理后送入dropout層；所述公式四為：

41、

42、其中，為通道校準(zhǔn)后的輸出圖像，yc為第二過程圖像的原始值。

43、可選地，所述編碼器，用于根據(jù)預(yù)先設(shè)置的公式五和輸入數(shù)據(jù)，獲得第三過程圖像；所述公式五為：

44、y1＝relu(bn(w*x1+b))；

45、其中，w為卷積核，x1為輸入數(shù)據(jù)，b為偏置項，*為卷積操作，bn為批歸一化；

46、通過預(yù)先設(shè)置的最大池化公式，將第三過程圖像進行下采樣，獲得下采樣結(jié)果；所述最大池化公式為：

47、y2＝maxpool(x2)；

48、其中，x2為第三過程圖像，y2為下采樣后的輸出結(jié)果；

49、所述解碼器，用于根據(jù)預(yù)先設(shè)置的雙線性差值公式對接收到的數(shù)據(jù)進行上采樣，獲得上采樣結(jié)果；所述雙線性差值公式為：

50、

51、其中，(x3,y3)為解碼器接收到的數(shù)據(jù)中進行差值的位置，io,p為(x3,y3)周圍四個像素的像素值，wop為預(yù)先設(shè)置的差值權(quán)重。

52、可選地，所述系統(tǒng)還包括：預(yù)處理模塊

53、所述預(yù)處理模塊，用于對第一數(shù)據(jù)訓(xùn)練集和第二數(shù)據(jù)訓(xùn)練集中的所有圖像數(shù)據(jù)進行預(yù)處理，所述預(yù)處理包括歸一化、尺寸縮放和噪聲去除；所述第一數(shù)據(jù)訓(xùn)練集包括至少一張眼部圖像數(shù)據(jù)，以及每張眼部圖像數(shù)據(jù)對應(yīng)的掩模；所述第二數(shù)據(jù)訓(xùn)練集包括至少一張眼瞼緣分割圖像，以及每張眼瞼緣分割圖像對應(yīng)的分類結(jié)果；

54、模型訓(xùn)練模塊，用于根據(jù)預(yù)先設(shè)置的第一數(shù)據(jù)訓(xùn)練集訓(xùn)練預(yù)先構(gòu)建的眼瞼緣分割模型，獲得訓(xùn)練好的眼瞼緣分割模型；

55、根據(jù)預(yù)先設(shè)置的第二數(shù)據(jù)訓(xùn)練集訓(xùn)練預(yù)先構(gòu)建的特征分類模型，獲得訓(xùn)練好的特征分類模型。

56、可選地，所述系統(tǒng)還包括模型驗證模塊；

57、所述模型驗證模塊，用于采用預(yù)先設(shè)置的第一數(shù)據(jù)驗證集，對訓(xùn)練好的眼瞼緣分割模型進行性能評估，并根據(jù)性能評估結(jié)果調(diào)整眼瞼緣分割模型的超參數(shù)；

58、采用預(yù)先設(shè)置的第二數(shù)據(jù)驗證集，對訓(xùn)練好的特征分類模型進行性能評估，并根據(jù)性能評估結(jié)果調(diào)整特征分類模型的超參數(shù)。

59、可選地，所述系統(tǒng)還包括分類模型調(diào)整模塊；

60、所述分類模型調(diào)整模塊，用于根據(jù)負(fù)荷系數(shù)縮放策略同時縮放特征分類模型的寬度、深度和分辨率；所述負(fù)荷系數(shù)縮放策略為：

61、

62、其中，α、β、γ為縮放系數(shù)，φ為復(fù)合系數(shù)。

63、可選地，所述編碼器和解碼器均由rsu-l或rsu-4f構(gòu)成。

64、(三)有益效果

65、本發(fā)明的有益效果是：本發(fā)明的一種眼瞼緣特征分類系統(tǒng)，由于通過眼瞼緣分割模型和特征分類模型，實現(xiàn)了利用分割信息來輔助特征分類，并針對眼瞼減員的特點進行優(yōu)化，提升了在處理眼瞼緣特征時的效果。