一种基于角膜神经图像的糖尿病周围神经病变识别系统的制作方法

本发明涉及医学人工智能领域，特别是涉及一种基于角膜神经图像的糖尿病周围神经病变识别系统。

背景技术：

1、全球糖尿病患者众多，其中周围神经病变影响约50％的糖尿病患者，糖尿病是全世界周围神经病变的主要原因。它会导致神经性疼痛，影响生活质量，并可能导致足部溃疡和截肢，导致过早死亡率过高。糖尿病周围神经病变的早期诊断对于预防进展以及随后的发病率和死亡率至关重要。

2、目前糖尿病周围神经病变的筛查方法依赖于神经系统，检测影响大神经纤维的中度至重度周围神经病变。小纤维损伤的参考标准是量化表皮内神经纤维的皮肤活检，但是该方法不适合人群水平的周围神经病变筛查。

3、体内角膜共焦显微镜是一种非侵入性、快速和重复的眼科成像技术，可以量化角膜中的小神经纤维。角膜神经损失发生在亚临床糖尿病周围神经病变中，随着糖尿病周围神经病变的严重程度增长，并预测糖尿病周围神经病变事件。在糖尿病周围神经病变患者的临床试验中，角膜神经影像可检测神经纤维再生情况。然而，基底下神经丛的定量分析需要可靠地提取图像特征，这个过程依赖于操作者，且费时费力，获取更高效的方式对角膜影像分析是一个值得研究的问题。

4、随着人工智能和深度学习的发展，在医学领域，很多研究者尝试使用智能算法对影像学数据自动分割或识别。在以往的方案中，往往需要手动进行感兴趣区域的提取，后借助模型进行评判，或者直接分割出神经脉络情况。但是这些方案作为自动化任务仍然存在繁琐的流程。

5、对于角膜神经图像评估糖尿病周围神经病变的相关任务仍然不够直观与效率。直接从研究问题出发，设计出端到端的评估方案，同时保证运行效率较为高的方法，仍有待进一步研究和完善。

技术实现思路

1、本发明的目的是提供一种基于角膜神经图像的糖尿病周围神经病变识别系统，可提高糖尿病周围神经病变的识别精度及效率。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于角膜神经图像的糖尿病周围神经病变识别系统，包括存储器及处理器；所述处理器与所述存储器连接；

4、所述存储器中存储有预先训练好的分类模型；所述分类模型包括依次连接的四个特征提取网络及多层感知机；每个特征提取网络均包括依次连接的区块合并结构及swintransformer块；所述区块合并结构用于对输入的影像进行下采样；所述swin transformer块用于基于自注意力机制与滑动窗口对区块合并结构输出的影像进行特性提取；所述多层感知机用于对与其连接的特征提取网络输出的特征图进行分类预测，确定糖尿病周围神经病变类别；

5、所述处理器包括：

6、影像获取模块，用于获取待识别角膜神经影像；

7、病变识别模块，分别与所述影像获取模块及所述存储器连接，用于采用所述分类模型确定所述待识别角膜神经影像的糖尿病周围神经病变类别；所述糖尿病周围神经病变类别为伴周围神经病变的糖尿病或无周围神经病变的糖尿病或无糖尿病。

8、可选地，所述影像获取模块包括：

9、影像采集子模块，用于采集患者的5张初步角膜神经影像；其中，5张初步角膜神经影像分别为患者一只眼睛的中间部分影像、上部分影像、下部分影像、左部分影像及右部分影像；

10、预处理子模块，与所述影像采集子模块连接，用于将5张初步角膜神经影像进行尺寸统一，得到对应的5张预处理角膜神经影像；

11、叠加子模块，与所述预处理子模块连接，用于将5张预处理角膜神经影像进行叠加，得到融合角膜神经影像；

12、归一化子模块，与所述叠加子模块连接，用于对所述融合角膜神经影像的像素值进行归一化处理，得到归一化角膜神经影像；

13、滤波子模块，与所述归一化子模块连接，用于采用高斯滤波器滤除所述归一化角膜神经影像的噪声，得到待识别角膜神经影像。

14、可选地，四个特征提取网络分别为：第一特征提取网络、第二特征提取网络、第三特征提取网络及第四特征提取网络；

15、所述病变识别模块包括：

16、第一特征提取子模块，分别与所述影像获取模块及所述存储器连接，用于采用所述第一特征提取网络对所述待识别角膜神经影像进行特征提取，得到第一特征图；

17、第二特征提取子模块，与所述第一特征提取子模块连接，用于采用所述第二特征提取网络对所述第一特征图进行特征提取，得到第二特征图；

18、第三特征提取子模块，与所述第二特征提取子模块连接，用于采用所述第三特征提取网络对所述第二特征图进行特征提取，得到第三特征图；

19、第四特征提取子模块，与所述第三特征提取子模块连接，用于采用所述第四特征提取网络对所述第三特征图进行特征提取，得到第四特征图；

20、分类预测子模块，与所述第四特征提取子模块连接，用于采用所述多层感知机对所述第四特征图进行分类预测，以确定所述待识别角膜神经影像的糖尿病周围神经病变类别。

21、可选地，所述swin transformer块包括固定注意力层及滑动注意力层；

22、所述第一特征提取子模块包括：

23、下采样单元，分别与所述影像获取模块及所述存储器连接，用于采用所述第一特征提取网络的区块合并结构，按照设定间隔从所述待识别角膜神经影像中抽取多个特征图，并将多个特征图按通道拼接，得到拼接影像，对所述拼接影像依次进行拉伸、归一化及降维操作，得到下采样影像；所述拼接影像的尺度为所述待识别角膜神经影像的尺度的1/2，所述拼接影像的通道数为所述待识别角膜神经影像的通道数的4倍；所述下采样影像的通道数为所述拼接影像的通道数的1/2；

24、特征提取单元，与所述下采样单元连接，用于采用所述第一特征提取网络的swintransformer块的固定注意力层对所述下采样影像进行特征提取，得到固定特征图，采用所述第一特征提取网络的swin transformer块的滑动注意力层对所述固定特征图进行特征提取，得到第一特征图。

25、可选地，所述固定注意力层采用以下公式对所述下采样影像进行特征提取：

26、

27、

28、其中，xl-1为下采样影像，为固定中间影像，xl为固定特征图，w-msa()表示多头自注意力操作，ln()表示归一化操作，mlp()表示多层感知机结构。

29、可选地，所述滑动注意力层采用以下公式对所述固定特征图进行特征提取：

30、

31、

32、其中，xl为下采样影像，为滑动中间影像，xl+1为第一特征图，sw-msa()表示滑动窗口多头自注意力操作，ln()表示归一化操作，mlp()表示多层感知机结构。

33、可选地，所述处理器还包括：

34、训练模块，与所述存储器连接，用于基于交叉熵损失及nvidia gpu，采用训练样本集对分类模型进行训练，并将训练好的分类模型发送至所述存储器；所述训练样本集种包括多张样本角膜神经影像及各张样本角膜神经影像的糖尿病周围神经病变类别。

35、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明基于深度学习，借助角膜神经影像实现了非侵入性识别糖尿病周围神经病变的类别，提高了糖尿病周围神经病变识别的效率。建立的分类模型包括依次连接的四个特征提取网络及多层感知机，每个特征提取网络均包括依次连接的区块合并结构及swin transformer块；通过区块合并结构对输入的影像进行下采样，swin transformer块基于自注意力机制与滑动窗口对区块合并结构输出的影像进行特性提取，通过多层感知机对特征提取网络输出的特征图进行分类预测。即分类模型通过各特征提取网络对影像进行下采样，改变影像的尺度，并借助固定窗口注意力和滑动窗口注意力结构，学习不同尺度分割窗之内与不同尺度分割窗口之间的联系，进一步学习更多相关性的特征，进而提高了最终分类的准确性。