关键词:
圆锥角膜
集成神经网络
增量学习
不平衡数据
摘要:
圆锥角膜是一种进展性角膜疾病,该病多发于青春期,会造成不规则散光以及视力下降,晚期致盲需进行角膜移植,因此圆锥角膜的早期精准筛查是阻止疾病进展,避免恶化的必要条件。目前已知角膜的生物力学特性改变发生在形态学变化之前,从生物力学角度对圆锥角膜进行筛查有利于早期圆锥角膜的诊断。神经网络作为经典的分类器,与角膜生物力学参数结合能够更准确地诊断圆锥角膜。然而,随着病例数据的不断增加,为了充分利用新增数据,传统的训练方法需要对所有样本重新训练,耗时且低效。当前的研究面临的困难主要集中在如何让神经网络更好地应对不断增长的病例数据,以及如何在保持模型准确性的同时提高模型训练效率。为了解决这一问题,本文从生物力学角度出发,提出集成增量式学习的圆锥角膜分类算法,实现圆锥角膜的智能诊断。
本文主要包含以下两点内容:
(1)构建角膜特征参数数据集。本文根据角膜生物力学变化特性,采用了一种新的生物力学方法来获取角膜数据。首先,将医院提供的由Corvis ST设备采集到的角膜受力形变视频处理为图像帧后,进行一系列角膜轮廓提取操作;然后,基于提取的角膜轮廓,再计算角膜生物力学特征参数,构建实验数据集。这一方法不仅能够充分利用Corvis ST设备采集到的视频数据,而且能够准确地捕获角膜的生物力学特征,从而构建一个丰富而具有代表性的实验数据集。
(2)构建集成增量式学习模型。本文基于集成神经网络来实现圆锥角膜的增量学习,并针对其不能很好地处理不平衡数据的情况进行优化。该算法首先在划分子数据集时加入欠采样环节,根据正常角膜样本权重从大到小,选取与圆锥角膜样本数量相当的正常角膜样本,与圆锥角膜样本组成临时训练集,从而以平衡的样本训练基分类器;其次利用代价敏感思想,在权重更新阶段,优化权重更新方式,赋予圆锥角膜样本更高的错分代价,提高其权重的增长速度,使得模型更加关注圆锥角膜样本。实验结果表明,本文算法不仅获得了97%的准确率,还明显减少了训练时间和存储空间,有效提高了圆锥角膜的诊断效率。即使在角膜数据不平衡的情况下,本文算法依旧拥有96.7%的准确性、98.2%的精确度以及97.8%的召回率,均优于Learn++算法,进一步验证了本文算法在应对训练样本不断增长以及类别不平衡情况下的出色表现。
综上,本文针对早期圆锥角膜提出的增量式分类算法能够有效识别圆锥角膜,并且所需训练时间短、存储空间少,可以更高效地实现圆锥角膜的智能诊断。