基于深度學習的白內障自動診斷方法研究*

劉振宇，宋建聰,2

（1.沈陽工業(yè)大學信息科學與工程學院，沈陽110870；2.遼寧何氏醫(yī)學院生物醫(yī)學工程系，沈陽110163）

1 引 言

白內障是全球首要的致盲原因，白內障患者在低視力人群中占比達到47.8%[1]。傳統(tǒng)的白內障篩查方法需要患者在大型醫(yī)院由專業(yè)的眼科醫(yī)生通過裂隙燈設備采集眼部晶體圖像進行檢查，但在一些貧窮國家及地區(qū)，眼科醫(yī)生及檢查設備資源匱乏，加上當?shù)匮鄄』颊叩尼t(yī)療意識較弱，經常出現(xiàn)由于發(fā)現(xiàn)或治療不及時延誤最佳治療時機最終導致失明的情況，因此，亟需一種方便快捷的白內障自動診斷方法，為臨床的綜合治療提供依據(jù)和參考。

多年以來，國內外專家學者提出過許多方法。美國威斯康星白內障分級系統(tǒng)[2]利用了4 張標準的晶體裂隙燈圖像，并將圖像按照從1 到4 四個遞增的數(shù)字來表示白內障的嚴重程度，其中，數(shù)字越大，表示白內障病情越嚴重，在臨床診斷過程中，醫(yī)生將患者的晶體裂隙燈圖像與已分級的標準圖像作比較，從而識別出白內障嚴重程度的等級；許言午等人[3]采用ACHIKO-NC 數(shù)據(jù)庫，以威斯康星白內障分級系統(tǒng)為依據(jù)，利用群稀疏回歸算法將核性白內障圖像自動劃分等級；文獻[4]將白內障分級問題看作一個排序問題來處理，通過離散排序效果衡量標準連續(xù)化和最優(yōu)化方法達到了學習排序函數(shù)的目的。美國約翰霍普金斯大學的Fan S 等人[5]將核性白內障的分級任務視為一個分類問題，他們分析視軸上的強度分布并提取了兩個特征：核平均灰度、晶狀體后部曲線斜率，并通過最小二乘擬合方法得出疾病程度預測值。中山大學附屬醫(yī)院[6-7]的學者們于2017年提出了一個用于檢查先天性白內障的人工智能平臺CC-Cruiser，該平臺利用了476 個健康人的晶體圖像和410 個患者的晶體圖像，通過對晶體不透明區(qū)域的面積、密度及位置三個方面進行測試，準確率均可達到90%以上，但該系統(tǒng)數(shù)據(jù)庫樣本數(shù)量少，且只針對先天性白內障這種稀有病進行有效篩查，不能解決大部分白內障的診療問題。

根據(jù)以上研究，目前對于白內障的自動篩查方法雖然已有很大進展，但仍存在一些問題。一方面基于傳統(tǒng)方法的白內障分類研究主要使用人工提取預先定義的特征集，但這些預定義特征可能存在定義特征不夠完整且主觀性強的問題；另一方面，當前已公開且標注的白內障數(shù)據(jù)集所對應的白內障類型還不夠全面，僅供研究部分類型的白內障，如核性白內障或先天性白內障，導致訓練的模型不能達到全面篩查的效果。

為了解決上述問題，構建一組白內障數(shù)據(jù)集并設計了一個基于卷積神經網絡的白內障特征自動學習模型，具體流程如圖1所示。首先，為了解決當前白內障數(shù)據(jù)集缺乏的問題，收集了臨床中由裂隙燈采集的眼部晶體圖像，并由眼科醫(yī)生將其分為正常、早期白內障及白內障三類，構建MSLPP 數(shù)據(jù)集；然后對圖像進行預處理，主要操作為光照增強和數(shù)據(jù)量的擴增；最后，為了解決自動提取深度特征的問題，利用ImageNet 預訓練過的Inception-V3模型及參數(shù)，并采用遷移學習的思想進行訓練，從而得到分類模型。該系統(tǒng)完成后可實現(xiàn)通過手機APP 即能實時進行白內障篩查。

圖1 白內障特征自動學習模型流程圖

2 數(shù)據(jù)集與圖像預處理

2.1 MSLPP數(shù)據(jù)集

數(shù)據(jù)庫是實現(xiàn)深度學習系統(tǒng)的重要組成部分，高質量的數(shù)據(jù)庫可以增強系統(tǒng)篩查的準確性。但由于目前缺乏大型公開已標記的裂隙燈眼部晶體圖像數(shù)據(jù)集，因此需要構建用于白內障分類的數(shù)據(jù)集。實驗中采用的數(shù)據(jù)集為與沈陽艾洛博智能科技有限公司和沈陽何氏眼科集團合作開發(fā)，并將其命名為MSLPP（Marked Slit Lamp Picture Project）數(shù)據(jù)集。

MSLPP 數(shù)據(jù)集共包含16239 張圖片，其中白內障患者眼部樣本圖像5302 張，早期白內障患者眼部樣本圖像5400 張，正常人的眼部樣本圖像5537 張，圖像采集于2015年到2018年，來自于2864 個健康人和5532 個白內障患者。

該數(shù)據(jù)集中所收集的圖像均為裂隙燈拍攝的眼部樣本圖像，所使用的裂隙燈主要為臺式裂隙燈和手機裂隙燈，該數(shù)據(jù)庫部分樣本圖像如圖2所示。由圖可以看出，將裂隙光聚焦到瞳孔區(qū)，內部呈透明或淺黃底色即是正常的晶體，如圖2(a)所示；內部呈透明見黃底，光斑略暗即為早期白內障，如圖2(b)所示；若內部有明顯渾濁，病灶位置可見即為白內障，如圖2(c)所示。

2.2 光照增強

亮度是圖像處理過程中重點關注的部分。該數(shù)據(jù)集在采集時，由于實際篩查環(huán)境復雜多樣，所拍攝樣本圖像亮度差異大，會影響深度學習準確率，因此，需要對樣本圖像進行光照調節(jié)，突出樣本特征，減小由圖像亮度差異帶來的影響，具體做法如下：

輸入圖像被壓縮為299×299 像素，任意一點A(x,y)的三通道像素則圖像的平均像素值aˉ可表示為：

2.3 數(shù)據(jù)擴增

為了避免模型訓練時發(fā)生過擬合情況，在進行圖像預處理時，需要對樣本進行數(shù)量擴增處理，有利于改善模型的性能，提高圖像分類準確率。實驗所采用的數(shù)據(jù)擴增方式有以下三種：

1) 平移：將圖像分別向上下左右平移12 個像素點；

2) 旋轉：將圖像分別沿順/逆時針方向旋轉15°；

3) 鏡像：將圖像上下/左右方向各做鏡像一次。

圖2 MSLPP 數(shù)據(jù)集部分樣本圖像

3 模型與方法

3.1 卷積神經網絡

在實驗中，所采用的方法是卷積神經網絡（Convolutional Neural Networks,CNNs）。卷積神經網絡是一種帶有卷積結構的深度神經網絡[8]，其結構如圖3所示，主要包含卷積層、池化層和全連接層三個部分[9]。

在整個網絡中，利用卷積層和池化層提取圖像中的有效特征，在網絡中引入非線性激活函數(shù)，減少有效特征所占維度，輸出能夠表示輸入圖像的高級特征，最后，由全連接層將這些特征用于對所要篩查的輸入圖像的分類。除了上述所提到的基本網絡結構，在最后的全連接層中還增加了Dropout 策略，能夠有效避免過擬合，提高網絡泛化能力，加快網絡的訓練過程。

3.2 Inception-V3模型

通過比較 AlexNet[10]、VGG16[11]、GoogLeNet[12]等深度卷積模型，最終選用的卷積神經網絡結構是谷歌基于GoogLeNet 提出的Inception-V3 模型。該模型共有42 層網絡結構，在GoogLeNet 的基礎上，對模型的結構進行進一步的分解，將7×7、3×3 結構分解成兩個一維的卷積以加速計算，而節(jié)省下來的算力可用來加深網絡，將卷積層由原來的一個拆分為二，可以更進一步地加深網絡，進而提高網絡的非線性。

3.3 遷移學習

在醫(yī)學圖像領域，缺乏大量公開已標注的數(shù)據(jù)集是將深度學習應用于醫(yī)療圖像處理中的難題之一。在樣本不足的情況下，易導致模型訓練過程中出現(xiàn)不收斂或者所訓練出來的模型泛化能力差等一系列問題。因此，實驗采用遷移學習的方法來解決以上問題。

基于卷積神經網絡模型遷移學習的白內障分類方法流程圖如圖3所示。

圖3 遷移學習策略訓練示意圖

首先，對基于ImageNet 圖像標注的數(shù)據(jù)集，在Inception-V3 模型上進行預訓練，提取一個2048 維的特征向量。這一階段充分利用知識遷移，使用預訓練權重進行特征提取，不對Inception-V3 的權重參數(shù)進行訓練，與傳統(tǒng)方法相比，提取特征更加高效。然后，將特征向量輸入一個單層的全連接神經網絡。因為訓練好的Inception-V3 模型已經將原始的圖像抽象成更加容易分類的特征向量，因此使用一個包含Softmax 分類器的單層全連接神經網絡，再經過已分類的白內障晶體圖像訓練后即得到最終分類結果。這一階段，輸入的特征向量主要承擔對分類器的訓練任務，使得分類器能夠更好地基于已提取的特征完成場景分類。

4 實驗結果與分析

4.1 實驗數(shù)據(jù)

MSLPP 數(shù)據(jù)集共包含5302 張白內障晶體圖像、5400 張早期白內障晶體圖像和5537 張正常晶體圖像。實驗將該數(shù)據(jù)集劃分為訓練集、驗證集和測試集，在三個類別中分別隨機取出500 張作為測試集，其余樣本按6:1 的比例隨機分為訓練集和驗證集。其中，訓練集共12630 張，包含白內障4083張、早期白內障4241 張、正常4306 張；驗證集共2109 張，包含白內障 719 張、早期白內障 659 張、正常731 張。各類別下圖片具體數(shù)量如表1所示。

表1 各分類下圖片數(shù)量對比

將訓練集和驗證集數(shù)據(jù)進行擴增，測試集保持不變。擴增后，訓練集和驗證集的總數(shù)量由原來的14739 張增加到了132651 張，其中白內障患者晶體裂隙燈圖像變?yōu)?3218 張，早期白內障患者晶體裂隙燈圖像變?yōu)?4100 張，正常人的晶體裂隙燈圖像變?yōu)?5333 張。

4.2 評價方法

采用四種常用的指標來評估系統(tǒng)的性能：準確率（Accuracy）、召回率（Recall）、精確率（Precision）和F1 指標（F1_meature）。準確率是分類性能的總體度量，它是分類正確的樣本數(shù)與總樣本數(shù)之比；召回率是所有正例樣本中被分對的比例；精確率是被分為正例的樣本中實際為正例的比例；F1 指標是精確率和召回率的調和均值。它們的計算方法如下：其中，TP、TN、FP、FN 分別代表真陽性（True Positive）、

真陰性（True Negative），假陽性（False Positive）和假陰性（False Negative）的數(shù)量。以白內障樣本為例，“真陽性”意味著白內障樣本被正確分類為白內障。如果白內障樣本被錯誤地歸為其他分類，我們將其稱為“假陰性”。“真陰性”和“假陽性”的含義類似，“真陰性”意味著其他分類樣本未被錯誤地歸為白內障，而“假陽性”意味著其他分類樣本被錯誤地歸為白內障。

4.3 實驗過程與結果分析

4.3.1 訓練過程

實驗中的所有代碼都是以Keras 為前端、以TensorFlow 為后端完成的，該框架基于Ubuntu16.04（64 位）+CUDA9.1+CUDNN9.0 系統(tǒng)。采用的編程語言為Python。訓練過程如下：

1、加載去掉全連接層的Inception-V3 模型以及用ImageNet 數(shù)據(jù)集預訓練得出的權重參數(shù)；

2、在初始化后的Inception-V3 網絡上添加全連接層結構，并在全連接層中加入Dropout 策略，比率設置為0.75；

3、將除了全連接層以外的所有特征提取層凍結，然后將學習率設為0.001，利用預處理后的訓練集訓練1 個epoch，迭代550 次；

4、將所有層解凍，利用微調（fine-tune）遷移學習，繼續(xù)用MSLPP 數(shù)據(jù)集進行訓練，采用隨機梯度下降的方法，初始學習率設為0.01，訓練100 個epoch，每個 epoch 迭代 550 次，每結束一個 epoch，利用驗證集測試模型準確率，若準確率較上次提高，保存此次訓練參數(shù)，若準確率降低，則利用之前保存的參數(shù)繼續(xù)訓練。批樣本數(shù)batch_size 設置為32，動量momentum 設置為0.9。

4.3.2 實驗結果分析

模型訓練完成后，利用驗證集對模型進行驗證，其中白內障的召回率為88.24%，早期白內障的召回率為86.63%，正常的召回率為97.51%。隨后，又用訓練時模型未接觸過的測試集進行測試，測試集包含圖像共1500 張，其中醫(yī)生判定為白內障的有500 張，早期白內障500 張，正常500 張，經系統(tǒng)分類后的樣本分布情況如表2所示。

表2 測試集樣本分布情況

按照4.2 節(jié)的評價方法，系統(tǒng)的性能如表3。

表3 模型可靠性判定

由表中可知，識別正常晶體時的準確率最高，這是因為正常晶體通透性強，特征更明顯，而早期白內障的特征則較為多變，且在有些情況下與白內障和正常晶體兩個類別的區(qū)分界限不夠明確，更不容易進行區(qū)分，從而影響模型篩查的準確性。由于測試集中三個分類的圖像數(shù)量均為500 張，因此模型準確率為各類別準確率的平均值，由此可計算出，該模型的準確率為94.85%，召回率為92.27%，根據(jù)臨床使用標準，該系統(tǒng)具有實用性。同時，根據(jù)表3 還可以看出，白內障圖像錯分為正常圖像或正常圖像錯分為白內障圖像的概率為0，以最高的準確度保證了系統(tǒng)的實用性。

5 結束語

提出了基于卷積神經網絡的白內障篩查方法，利用特征遷移學習和微調遷移學習，訓練后的模型可將被檢測晶體圖像分為正常、早期白內障及白內障三類。所采用的MSLPP 數(shù)據(jù)集包含核性白內障、皮質性白內障以及后囊性白內障，并涉及多種不同光照情況，樣本具有多樣性。實驗測試表明，該模型準確率達94.84%，優(yōu)于其他現(xiàn)有的白內障篩查方法，實用性強，為臨床診斷起到了更好的輔助作用。