一种OK镜角膜地形图佩戴情况识别分类方法

本发明属于ok镜医学智能分类，涉及一种ok镜角膜地形图佩戴情况识别分类方法。

背景技术：

1、ok镜是近视防控领域的重要抓手，ok镜片的配适、尤其是镜片的定位情况是临床关注的热点和焦点。镜片偏位可影响近视矫正效果、导致高阶像差增加，以及对比敏感度降低，并且镜片偏位量是对比敏感度的唯一解释变量。既往大量研究关注了ok镜片定位情况与眼轴增长的关系，乃至对近视控制效果的影响。其中多项研究数据支持亚临床水平的镜片偏位(偏位量≤1.5mm)可能更利于控制近视增长。而临床水平的偏位(偏位量>1.5mm、裸眼视力≤0.6、伴有视觉症状等)则是进行ok镜处方交换(重新订片)的重要依据。

2、角膜地形图(corneal topography images)是临床进行角膜形态评估、验配角膜塑形镜(orthokeratology lens,ok)、动态监测镜片定位的重要工具。临床应用中，基于placido盘来分析角膜前表面特征是最经典的方法。placido方法包括将一系列同心的黑白环投影到角膜上，并通过放置在环中心的相机捕捉它们的反射。

3、这种基于placido盘的设备可以在角膜上投射出黑色和白色的反光镜，并以4.8倍的放大率拍摄黑白或彩色偏光照片。然后将所拍摄的环与一组标准环匹配所需的放大倍数进行比较，读取角膜特定点的屈光度或曲率半径。算法是根据镜面的形变来计算角膜在每个点的屈光力。基于placido盘的角膜地形图能准确地测量角膜的屈光状态、表征角膜前表面的几何形状。

4、对于配戴ok镜的近视患者，定期采集角膜地形图来评估镜片是否偏位是主要监测方法。临床工作中，ok镜片的定位情况依赖人工判读。已有的相关工作主要关注于角膜塑形镜佩戴状态的识别方法和算法的研究，包括图像处理、特征提取、机器学习和深度学习等方面的探索。这些研究为基于深度学习的角膜塑形镜佩戴偏位、正位和未佩戴识别提供了基础和参考。然而，还有进一步的研究和发展空间，以进一步提高识别的准确性、稳定性和实用性。

技术实现思路

1、本发明的目的是提供一种ok镜角膜地形图佩戴情况识别分类方法，结合图像预处理方法，利用深度学习方法构建ok镜角膜地形图佩戴情况识别模型，高效、准确地识别ok镜角膜地形图佩戴情况。本发明将resent50模型、swintransfomrer模型以及mobilevit模型用于ok镜角膜地形图佩戴情况识别。结果表明mobilevit模型为最佳识别模型，训练准确率为92.7％。之后对mobilevit模型进行优化，经过优化后后精度提高至95.8％，探索非约束条件下模型对ok镜角膜地形图佩戴情况识别的有效性，提高识别ok镜角膜地形图佩戴情况的准确率。

2、为实现上述目的，本发明采用了以下的技术方案：

3、本发明所述的一种ok镜角膜地形图佩戴情况识别方法包括如下步骤：

4、(1)数据集采样：分别采集未佩戴ok镜的ok镜角膜地形图、佩戴ok镜后正位的ok镜角膜地形图以及佩戴ok镜后偏位的ok镜角膜地形图这三种佩戴情况图像数据集，切割裁剪左右眼图片，将处理后的数据集以8：2的比例划分，作为模型的训练集和测试集；

5、(2)数据集预处理：利用超分辨率算法对角膜地形图进行图像增强，并对图像数据集进行数据增强；

6、(3)网络模型选择：对深度学习算法进行模型选择分析，选择适用于ok镜角膜地形图佩戴情况识别的模型，并对每种网络模型的最佳结果进行比较；所述模型为resent50模型、swin transformer模型和mobilevit模型；

7、(4)模型训练：对选择的模型进行训练是指使网络模型的其他超参数和设置都保持一致，采用批量大小都为24-128，初始学习率为0.01-0.0001。

8、所述的模型为mobilevit模型。

9、所述的mobilevit模型，还包括模型优化步骤。

10、所述的模型优化为将se模块添加到mobilevit的每个transformer块中。

11、所述模型优化具体为在mobilevit的每个transformer块的multi-head self-attention层之后添加se模块，再根据层级的重要性逐层缩减通道数；首先从较低层开始缩减通道数，因较低层的特征更加基础和共享，通道数的减少对模型的影响相对较小；然后逐渐向上层进行通道缩减，以此保证在mobilevit中增加se模块仍可以保证该模型特有的轻量级特点。

12、所述步骤(4)中批量参数选为128，初始学习率参数为0.01。

13、所述数据集预处理具体如下：

14、首先利用高斯滤波对ok镜角膜地形图进行图像增强；然后利用高斯噪声和椒盐噪声对ok镜角膜地形图进行图像增强。

15、本发明获得的有益效果是：

16、本发明的目的是提供一种ok镜角膜地形图佩戴情况识别方法，结合图像预处理方法，利用深度学习方法构建ok镜角膜地形图佩戴情况识别模型，高效、准确地识别ok镜角膜地形图佩戴情况。本发明将resent50模型、swintransfomrer模型以及mobilevit模型用于ok镜角膜地形图佩戴情况识别。结果表明mobilevit模型为最佳识别模型，训练准确率为92.7％。之后对mobilevit模型进行优化，经过优化后后精度提高至95.8％，探索非约束条件下模型对ok镜角膜地形图佩戴情况识别的有效性，提高识别ok镜角膜地形图佩戴情况的准确率。采用本发明，可协助医生判断患者ok镜角膜地形图佩戴情况，减轻医生的工作负担。

技术特征：

1.一种ok镜角膜地形图佩戴情况识别方法，其特征在于，包括如下步骤：

2.根据权利要求2所述的ok镜角膜地形图佩戴情况识别方法，其特征在于，所述的模型为mobilevit模型。

3.根据权利要求1或2所述的ok镜角膜地形图佩戴情况识别方法，其特征在于，所述mobilevit模型还包括模型优化步骤。

4.根据权利要求3所述的ok镜角膜地形图佩戴情况识别方法，其特征在于，所述的模型优化为将se模块添加到mobilevit的每个transformer块中。

5.根据权利要求4所述的ok镜角膜地形图佩戴情况识别方法，其特征在于，所述模型优化具体为在mobilevit的每个transformer块的multi-head self-attention层之后添加se模块，再根据层级的重要性逐层缩减通道数；首先从较低层开始缩减通道数，因较低层的特征更加基础和共享，通道数的减少对模型的影响相对较小；然后逐渐向上层进行通道缩减，以此保证在mobilevit中增加se模块仍可以保证该模型特有的轻量级特点。

6.根据权利要求1所述的ok镜角膜地形图佩戴情况识别方法，其特征在于，所述步骤(4)中批量参数选为128，初始学习率参数为0.01。

7.根据权利要求1所述的ok镜角膜地形图佩戴情况识别方法，其特征在于，所述数据集预处理具体如下：首先利用高斯滤波对ok镜角膜地形图进行图像增强；然后利用高斯噪声和椒盐噪声对ok镜角膜地形图进行图像增强。

技术总结
本发明的一种OK镜角膜地形图佩戴情况识别分类方法，包括如下步骤：(1)采集OK镜角膜地形图三种佩戴情况图像数据集，将处理后的数据集以8：2的比例划分，作为模型的训练集和测试集；(2)使用多种图像预处理方法进行图像预处理；(3)对深度学习算法进行模型选择分析，选择MobileViT模型作为OK镜角膜地形图佩戴情况识别的模型；(4)对选择的模型进行提升效率、精度、稳定性层面的优化。本发明结合图像预处理方法，通过深度学习算法对OK镜角膜地形图佩戴情况进行预测，探索非约束条件下模型对OK镜角膜地形图三种佩戴情况识别的有效性。采用本发明利于协助医生判断患者OK镜角膜地形图佩戴情况，减轻医生的工作负担。

技术研发人员：孙建平,牛佳顺,赵武校,庄鹏燕,甘露
受保护的技术使用者：广西大学
技术研发日：
技术公布日：2024/1/16