【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种眼睑缘的特征分类系统。
技术介绍
1、眼睑缘是眼睑皮肤与结膜交界的部分，保持眼睑缘健康对于整体眼表的健康至关重要。睑缘炎是最常见的眼部疾病之一，约有47％的眼科患者受其影响。眼睑炎常引发睑板腺功能障碍、干眼症以及睑缘角结膜炎(bkc)。bkc可能导致散光、角膜病变、弱视、视力丧失或角膜穿孔。因此，早期诊断和治疗睑缘炎对预防视力丧失非常重要。根据美国眼科学会的分类，睑缘炎按解剖位置分为前睑缘炎和后睑缘炎。
2、近年来，深度学习在医学图像分割和分类方面显示出显著潜力。一项研究提出的基于深度学习的方法，自动且客观地评估眼睑的形态特征，该方法表现出了极高的可靠性和重复性，显示出在眼睑相关疾病自动诊断和远程监测中的巨大潜力，而另一项应用深度学习技术分析甲状腺相关眼病患者的眼睑形态的研究，表明自动测量与手动测量之间有很强的一致性，暗示了深度学习在自动眼睑形态测量中的潜在应用。此外，使用深度学习模型对糖尿病视网膜病变图像进行自动检测和分类也取得了显著的进展。
3、然而，这些研究普遍存在的缺陷是它们对眼睑缘特定的细粒度特征的关注度不足，往往依赖于较宽泛、非特定的形态特征。因此，亟需一种基于深度学习的系统，专用于细粒度的眼睑缘图形分类，检测细微特征如睑缘发红和睑板腺口堵塞，填补在这一方面的技术空白。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本专利技术提供一种眼睑缘的特征分类系统，其解决了现有技
3、(二)技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5、本专利技术实施例提供一种眼睑缘特征分类系统，包括：
6、眼睑缘分割模块，用于将接收到的原始特征图像输入预先设置的眼睑缘分割模型中，获得原始特征图对应的分割图像；
7、其中，所述眼睑缘分割模型的最后一级编码器和所有的解码器的输出均经过预先设置的3×3卷积和sigmoid函数处理，生成每个输出对应的显著概率图，并将所有显著概率图向上采样至与原特征图像大小一致后，通过级联操作箱融合后通过1×1卷积和sigmoid函数处理，生成原始特征图对应的分割图像；
8、特征分类模块，用于将所述分割图像输入预先设置的特征分类模型，获得特征分类结果；
9、所述眼睑缘分割模型基于u2-net模型，包括编码器、解码器显著性融合器，且编码器和解码器通过跳跃连接相连接；
10、所述特征分类结果包括眼睑缘开口或眼睑缘充血，以及眼睑缘开口或眼睑缘充血对应的等级；
11、所述特征分类模型包括：用于提取图像浅层次特征的浅层次特征提取单元、用于将浅层次特征提取为深层次特征的深层次特征提取单元、用于将深层次特征转化为输出的输出单元和用于对输出进行分类的分类头。
12、可选地，所述特征分类模块，用于将所述分割图像输入预先设置的特征分类模型，获得特征分类结果，包括：
13、浅层次特征提取单元，根据预先设置的3×3卷积层将分割图像进行图像升维后，对其进行批归一化处理，最后根据预先设置的swish激活函数输出分割图像对应的浅层次特征图像；
14、深层次特征提取单元，根据预先设置的移动反向残差卷积组对浅层次特征图像进行特征提取，获得深层次特征图像；
15、输出单元，用于根据预先设置的1×1卷积层将深层次特征图像进行降维处理后，通过预先设置的平均池化层和全连接层，获得分割图像所对应的特征图像；
16、分类头，用于将所述特征图像输入预先设置的全连接层和softmax层，获得特征分类结果。
17、可选地，所述移动反向残差卷积组包括：依次连接的mbconv块；
18、每个mbconv块均用于，通过1×1升维卷积层将输入图像进行升维后，依次进行批归一化处理和swish激活函数激活，获得第一过程图像；
19、将第一过程图像通过k×k的深度可分离卷积层处理后，再次进行批归一化处理和swish激活函数激活，获得第二过程图像，其中k为3或5；
20、将第二过程图像通过se层处理后，经过1×1降维卷积层、批归一化处理后送入dropout层；
21、将dropout层的输出和输入图像按照位相相加得到输出图像；所述输入图像包括浅层次特征图像或mbconv块的输出图像。
22、可选地，所述深度可分离卷积层包括深度卷积和逐点卷积；
23、则每个所述mbconv块，将第一过程图像通过k×k的深度可分离卷积层处理后，再次进行批归一化处理和swish激活函数激活，获得第二过程图像，包括：
24、深度卷积根据预先设置的公式一对第一过程图像的每个通道进行卷积处理，获得第三过程图像；
25、逐点卷积根据预先设置的公式二对第三过程图像在通道方向上进行加权组合，获得第二过程图像；
26、所述公式一为：
27、
28、其中，为深度卷积操作后得到的第c个输出通道特征图，xc为输入的特定通道的特征图，wc为对应输入通道c的卷积核，*为卷积符号；
29、所述公式二为：
30、
31、其中，为深度卷积操作后得到的第c个输出通道特征图，w1×1,c为逐点卷积中1×1卷积核，对应于第c个通道，ypointwise为逐点卷积后最终输出图像。
32、可选地，所述mbconv块，将第二过程图像通过se层处理后，经过1×1降维卷积层、批归一化处理后送入dropout层，包括：
33、根据预先设置的全局平均池化公式对第二过程图像进行平均池化处理；所述平均池化公式为：
34、
35、其中，zc为第c个通道的全局平均池化结果，h和w为输入图像的高度和宽度，yc,i,j为输入特征图中第c个通道在空间位置(i，j)处的像素值；
36、随后，将平均池化处理后的第二过程图像输入连续两个全连接层，并根据预先设置的公式三对每个通道的特征进行加权；
37、所述公式三为：
38、sc＝σ(w2·relu(w1·zc))；
39、其中，sc为第c个通道的注意力权重，w1为第一个全连接层的权重矩阵，w2为第二个全连接层的权重矩阵；
40、之后，通过预先设置的公式四进行通道校准后，经过1×1降维卷积层、批归一化处理后送入dropout层；所述公式四为：
41、
42、其中，为通道校准后的输出图像，yc为第二过程图像的原始值。
43、可选地，所述编码器，用于根据预先设置的公式五和输入数据，获得第三过程图像；所述公式五为：
44、y1＝relu(bn(w*x1+b))；
45、其中，w为卷积核，x1为输入本文档来自技高网...
【技术保护点】
1.一种眼睑缘特征分类系统，其特征在于，包括：
2.根据权利要求1所述的眼睑缘特征分类系统，其特征在于，所述特征分类模块，用于将所述分割图像输入预先设置的特征分类模型，获得特征分类结果，包括：
3.根据权利要求2所述的眼睑缘特征分类系统，其特征在于，所述移动反向残差卷积组包括：依次连接的MBConv块；
4.根据权利要求3所述的眼睑缘特征分类系统，其特征在于，所述深度可分离卷积层包括深度卷积和逐点卷积；
5.根据权利要求3所述的眼睑缘特征分类系统，其特征在于，所述MBConv块，将第二过程图像通过SE层处理后，经过1×1降维卷积层、批归一化处理后送入Dropout层，包括：
6.根据权利要求1所述的眼睑缘特征分类系统，其特征在于，所述编码器，用于根据预先设置的公式五和输入数据，获得第三过程图像；所述公式五为：
7.根据权利要求1所述的眼睑缘特征分类系统，其特征在于，所述系统还包括：预处理模块
8.根据权利要求1所述的眼睑缘特征分类系统，其特征在于，所述系统还包括模型验证模块；
9.根据
10.根据权利要求1所述的眼睑缘特征分类系统，其特征在于，所述编码器和解码器均由RSU-L或RSU-4F构成。
...【技术特征摘要】
1.一种眼睑缘特征分类系统，其特征在于，包括：
2.根据权利要求1所述的眼睑缘特征分类系统，其特征在于，所述特征分类模块，用于将所述分割图像输入预先设置的特征分类模型，获得特征分类结果，包括：
3.根据权利要求2所述的眼睑缘特征分类系统，其特征在于，所述移动反向残差卷积组包括：依次连接的mbconv块；
4.根据权利要求3所述的眼睑缘特征分类系统，其特征在于，所述深度可分离卷积层包括深度卷积和逐点卷积；
5.根据权利要求3所述的眼睑缘特征分类系统，其特征在于，所述mbconv块，将第二过程图像通过se层处理后，经过1×1降维卷积层、批归一化处理后...
【专利技术属性】
技术研发人员：冯珺，周美华，接英，田磊，李傲，多伯扬，
申请(专利权)人：首都医科大学附属北京同仁医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。