利用卷积神经网络检测家族性高胆固醇血症中的角膜弓-沙特国王大学研究报告.

沙特国王大学学报利用卷积神经网络检测角膜弓用于家族性高胆固醇血症筛查Tomasz Kocejkoa，J.，Jacek Ruminskia，Magdalena Mazur-Mileckaa，Marzena Romanowska-Kocejkob，Krzysztof Chlebusb，Kang-Hyun Joca波兰格但斯克格但斯克理工大学电子、电信和信息学院，生物医学工程系b波兰格但斯克格但斯克医科大学国家家族性高胆固醇血症中心c韩国蔚山蔚山大学电气工程系阿提奇莱因福奥文章历史记录：收到2021年2021年8月6日修订2021年9月1日接受2021年9月9日网上发售保留字：图像分析决策支持系统计算机辅助诊断角膜弓检测家族性高胆固醇血症筛查A B S T R A C T家族性高胆固醇血症（FH）是一种高度未诊断的疾病。在FH患者中，早发冠状动脉疾病的发病率早期诊断和治疗对于预防心血管疾病及其并发症和延长生命至关重要。FH的临床标准之一是在患者中，特别是45岁以下的患者中出现角膜弓（CA）因此，通过检测CA，可以减少未诊断FH病例的数量。在本文中，我们提出使用卷积神经网络（CNN）自动识别角膜弓的存在为了实现这一目标，我们创建了一个包含不同阶段CA的虹膜图像数据集以及没有CA的虹膜数据集的核心包括从格但斯克国家家族性高胆固醇血症中心登记的角膜弓患者获得的图像。为了增加图像的数量，还补充了从互联网下载的这个用于训练和测试模型的数据集由近4000张图像组成为了检测摄影图像中的CA，我们测试了基于VGG16，ResNet和Inception架构的神经网络模型。最后，模型的性能进行了评估的一组图像从志愿者与自定义移动应用程序。CA检测在真实生活场景中的准确率为88%，F1评分为86版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍家族性高胆固醇血症（FH）是一种常见的常染色体显性遗传性脂质代谢疾病，其特征是血液低密度脂蛋白胆固醇（LDL-C）浓度在生命过程中升高，导致早期动脉粥样硬化和早产儿冠心病（Raal和Santos，2012）。20 - 39岁FH患者心血管疾病导致的死亡率比一般人群高100倍，早发冠状动脉疾病的发病率比一般人群高13倍（高胆固醇血症，1999）。波兰FH的患病率*通讯作者：格但斯克理工大学。电子邮件地址：tomasz. pg.edu.pl（T. Kocejko）。沙特国王大学负责同行审查估计为250个成人中有一个（Pajak等人，2016年）。Chlebus et al.（2018）估计波兰人群中有102，000例患者未确诊（近98%）。通过早期诊断、强化生活方式的改变和药物治疗，可显著降低心血管事件的发生率。在FH的临床特征中，我们区分了角膜弓、肌腱黄瘤病和黄瘤。角膜弓（CA）是在角巩膜缘形成的一种富含脂质且主要是细胞外的沉积物。角膜弓在FH人群中的患病率约为50%（Ogura等人，2016年; Pajak例如，2016年）。角膜弓反映了广泛的组织脂质沉积（Zech和Hoeg，2008），因此其存在（特别是在45岁以下的人群中）是检查脂质异常的指标（Fernández等人， 2007年）。图像处理可以帮助确定CA的存在，因此可以在指示对FH的进一步检查中发挥重要作用。大多数CA检测方法依赖于图像阈值（使用Otsu算法）和直方图操作。通常，这些运算符应用于https://doi.org/10.1016/j.jksuci.2021.09.0011319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comT.作者：J. Mazur-Milecka等人沙特国王大学学报7226虹膜的标准化图像。作者（Ramlee等人，2011;Songire和Joshi，2016）指出，与无CA虹膜的图像相反，存在CA的图像集中在较高值附近。Bhangdiya（2014）提出了类似的方法。Kumar提出利用均值、标准差、熵、偏度、峰度和支持向量机（SVM）对角膜弓进行分类。Nasution和Kusuma（2009）也提出了一种基于特征的方法，他们使用混合N特征神经网络（HNFNN）代替SVM进行分类。机器学习（ML）和面向图像的深度学习（DL）领域的快速发展使得人们能够为越来越复杂的任务找到解决方案。人工智能（AI）的发展使其对医疗应用具有吸引力，允许探索计算机算法可以改善医疗过程的新领域（Patel等人，2009; Laksanasopin等人，2015; Castaneda等人，2015年）。卷积神经网络（CNN）是视觉识别中一种很有价值的方法，在医学领域也有广泛的应用。它们在包括乳腺肿瘤检测在内的各种应用中得到广泛应用（Rouhi等人，2015）、肺图像块（Li等人，2014; Ciompi等人，2015）、皮肤癌分类（Esteva等人，2017）、放射学工作流程分诊（Titano等人，2018），ECG分析（Khamis例如，2018）或提高结膜炎分类的准确性（Li等人，2019年）。此外，神经网络被证明在器官分割方面非常有用。在他们的工作中（Zhao etal.， 2019）提出了深度学习和传统方法的组合，用于小器官分割，尽管训练数据有限，而（Wang等人，2019）展示了深度学习方法如何解决组织学图像中的腺体分割问题。Simonyan和Zisserman设计了一个CNN模型（Simonyan和Zisserman，2014）（VGG），具有16或19个权重层的更深层次的架构。的基础系统Inception模型的一个重要特征是初始层或初始块的概念，它本质上是不同内核大小的卷积层与它们 的 输 出 级 联 的 组 合 。 所 得 到 的 单 个 向 量 构 成 另 一 个 块 的 输入（Szegedy等人，2016年）。ResNet模型由所谓的残差块组成。残差块背后的想法是将数据传递到连续的层或跳过一些层并在几个步骤后馈送一个层。ResNet模型的深度网络结构旨在克服反向传播问题。寻找未确诊的患者是一项具有挑战性的任务。我们决定利用角膜弓是家族性高胆固醇血症的一个可见因素这一事实。开发可以识别眼睛的摄影图像中角膜弓的存在的算法和应用可以影响潜在患者在本文中，我们提出了一个新的模型的启发VGG架构及其应用角膜弓检测。的本研究的动机是提供一种可靠的算法和工具，用于研究CA的存在，并通过该算法和工具筛查潜在的家族性高胆固醇血症。该算法旨在处理用手机摄像头记录的图像除了算法和移动应用程序外，我们还创建了具有角膜弓的虹膜数据集本文件其余部分的结构如下：第二节介绍了方法。第三节描述了实施和测试。所取得的结果载于第四节，并在第五节讨论。第六节是全文的结论2. 方法通常，深度学习在大型图像数据集上训练时表现最好。然而，建立一个大型的医学图像数据集是相当困难的，特别是在考虑罕见的医学状况时。在我们的研究中，我们专注于检测的存在下，角膜弓的摄影图像。角膜弓一般有两种类型：老年弓和青年弓.老年弧在眼角膜周围表现为白色/发白的这种情况通常见于老年人，但可以影响所有年龄段的人，甚至在出生时出现。有时它出现在40岁以下的人身上，被称为青斑.在这些情况下，环可能是血流中高胆固醇水平的结果（Desnick等人，2001; Brewer等人，2005; Winder等人， 1998年）。2.1. 数据集收集数据集开始于在国家家族性高胆固醇血症中心（波兰格但斯克大学临床中心）获得的图像。虹膜图像采集自50名患者（34名女性，16名男性，年龄：27要求每位患者暴露其虹膜的受影响区域两次（每位患者采集示例性视图如图1所示。1.一、所有图像均由两名专家（在家族性高胆固醇血症诊所具有至少3年工作经验的心脏病学专家）拍摄为了增加虹膜图像的数量，决定用从各种互联网资源获得的图像扩展数据集我们在Google Image浏览器中查询了“cornealarcus”、“corneal juvenilis”和“corneal senilis”。检索到的图像被纳入数据集后，图像的内容和质量进行了目视检查和批准的专家。为了避免基于眼睛的极端状况（角膜弓的明显存在或虹膜的极端退化）的错误分类，将这些图像以及相同图像的不同实例从数据集中排除。结果，标记为“CA类”的数据集包含195张图像。以类似的方式生成表示健康虹膜的标记为“NO CA类”的图像的对应数据集Fig. 1.从两个不同角度拍摄的虹膜示例图像。(a)CA部分暴露。(b)CA在整个虹膜周围可见。T.作者：J. Mazur-Milecka等人沙特国王大学学报7227四分之一标准←←←←←←整个数据集包含390张图像，平均分为两类。2.2. 数据准备由于图像采集的角度不同，我们决定只提取虹膜区域。主要假设是基于医学状况而不是基于诸如肤色、睫毛等附加特征的存在来获得分类。为了检测虹膜，利用先前设计的用于瞳孔检测的算法（Kocejko等人，2009年; Kocejko和Wtorek，2013年）。瞳孔检测算法需要一些调整，如自适应阈值和用于形态学图像操作的结构元素的大小。虹膜提取算法一般由两部分组成。第一部分是瞳孔区域检测。从原始输入图像中提取V通道（YUV颜色模型）。接下来，应用高斯模糊以及侵蚀和闭合操作。通过将图像平方来增强瞳孔区域强度。接下来，应用自适应阈值假设是，虹膜边界框，并调整大小为512 × 512像素。对整个数据集进行了审查，以获得正确的虹膜估计。手动验证了错误检测到的虹膜。类似的过程应用于代表第二个，NO CA类的图像。此外，应用图像掩模将虹膜与背景分离。值得一提的是，角膜弓出现在虹膜的边界上.因此，还将掩模应用于虹膜的内部。所施加的掩模的半径为250和170像素。该算法的总体概述如图2所示。我们使用了黑色和白色的背景面具。结果，获得了具有不同背景掩模的两个数据集。重要的是要验证数据集中虹膜颜色的不同分布是否是任何图像分类问题中的重要因素。为了克服所获取图像的不同质量水平的问题，根据以下公式对所有图像进行归一化：XX-minX1最大值X-最小值X其中：Xnorm是归一化值，X是原始值，maxX，minX是图像的最大值和最小值瞳孔区域边界将由最大的入站边界表示用边界框（正方形）近似的轮廓。瞳孔中心和半径由包围盒参数表示。瞳孔检测算法的概述在算法1中给出。算法1：获取V分量2：高斯滤波（核大小：9）3：腐蚀（3x3矩形结构元件）4：形态开口（5x5椭圆形结构元素）5：强度增强（使图像平方）6：自适应阈值7：程序修改的最长段检测8：最长垂直段的起点和终点的点x;y坐标9： lvert←lengthvert 最长垂直段10：最长水平段的起点和终点的点x;y11：最长水平段的长度hor12：对于图像do13：l←获取段长度14：如果l>0： 5·lh or且l0： 9·lh or，则<15：线段起点和终点的点x;y16：对于图像中的每一列，17：l←获取段长度18：如果l> 0：5·lver 然后10：9<19：线段起点和终点的点x;y坐标20：椭圆拟合点21：围绕椭圆虹膜提取算法的第二部分依赖于检测到的瞳孔大小和位置。通过对V通道图像进行圆形Hough变换来检测虹膜候选。为了限制检测到的圆的数量，检测到的圆的可接受尺寸与在前一步骤中估计的瞳孔尺寸（边界框的参数）相关。约束条件是检测到的圆直径应在边界框的1到5个长度范围内。接着，基于从瞳孔中心到检测到的圆的中心的最小距离来选择虹膜候选。算法2中给出了虹膜检测的概述最后，将图像裁剪为算法2：虹膜检测算法1：获取V分量2：高斯滤波（核大小：9）3：补绘瞳孔区域4：大津阈值5：圆←霍夫圆检测6：对于圆中的圆做7：center←circlecenter8：dist←中心和瞳孔中心之间的距离9：如果distmindist那么<10：mindist←dist11：虹膜半径←圆半径12：中心虹膜中心13：围绕圆数据扩充程序用于增加训练阶段可用数据集的大小和多样性。每个图像在1到359度的范围内旋转9次。这样做是为了模拟CA在眼睛的不同空间位置中的存在。因此，每个数据集的大小增加到3900张图像（390张未旋转图像和9x390旋转图像）。图图3展示了每个数据集的图像示例。采用将数据分为训练集、测试集和验证集的手动程序，以避免将从同一个人获取的图像包括在训练集和验证集中，或训练集和测试集中。必须强调的是，来自互联网和诊所的图像从互联网上获取的图像分为训练集、验证集和测试集。将从诊所采集的图像存储在每例受试者的单独文件夹中（对于入组研究的每例受试者，创建单独的子文件夹以存储获得的图像）。子文件夹分为训练集、测试集和验证集.最后，将所有培训、确认和测试文件夹及其子文件夹（互联网和诊所）中的图像移动到相应的培训、确认和测试文件夹。所描述的瞳孔和虹膜检测算法使用Python3.6和OpenCV库实现。用QT C++编写了虹膜区域人工校正软件2.3. 模型架构在这项研究中，根据角膜弓存在分类问题评估了最常见的CNN架构，包括Inception v3、ResNet-50和VGG-16。的概述T.作者：J. Mazur-Milecka等人沙特国王大学学报7228图二. 虹膜检测和分离的简化图。图3.第三章。数据集中包括的图像的示例，（a）和（d）是原始图像，（b）和（e）是应用了白色掩模的归一化图像，（c）和（f）是应用了黑色掩模的归一化这些模型的设计如图4所示。这些模型在ImageNet竞赛中的表现证明了这些模型的选择是合理的。模型的最后一层是通过实验选择的，以获得最佳的分类结果。此外，在致密层之前添加批料归一化层根据Simon et al.（2016），批量归一化似乎对模型的成功训练和收敛至关重要。一般来说，具有批量归一化的网络训练速度更快，收敛速度更快。这样的网络应该产生更可靠和一致的结果。T.作者：J. Mazur-Milecka等人沙特国王大学学报7229¼¼¼¼ð Þ在FH诊所中体验每种情况）。此外，为了分析应用于原始图像的掩模的作用，专家和模型再次评估了从测试集中随机选择的具有掩模的50个图像的子集。所有实验均在NVIDIA DGX Station平台上使用Keras（v.2.2）和Ten- sorFlow（v.1.8.0）后端进行。在评估过程中支持专家的软件是用QT C++编写的（随机图像选择、图像显示和GUI小部件，以提供专家3. 手机数据采集的实现与测试在许多情况下，全科医生、内科医生和其他护理人员无法获得专业设备。与一种专用的应用程序，它们可以容易地用移动电话获取图像并通过在线分类服务处理图像。这不仅允许当前的疾病检测，而且在未来还允许长期监测变化和差异分析。为了验证这一点，我们设计了一个简单的移动应用程序用于拍摄眼睛的图像、提取虹膜和应用掩模。然后将预处理的图像传输到机器学习服务器进行分类。使用该应用程序，24名志愿者（年龄33至67岁）。进行了测试（12例CA，12没有）。在网络训练和评估阶段不使用在研究的这一部分中获得的虹膜图像。该应用程序用于在嘈杂的环境中获取图像，但在未来，它可以扩展到检测和观察CA的变化。应用程序GUI的模型如图所示。 五、4. 结果本研究中用于分析结果的指标为：召回率、特异性、精确度、F1评分和准确度。见图4。使用的架构概述：（a）Inception v3，（b）ResNet 50，（c）VGG- 16。2.4. 训练模型召回TPTPFFN专属性TN公司简介精密TP公司简介2TPð2Þð3Þð4Þ我们进行了一系列的实验来确定最佳模型，并确定应该使用哪个数据集来训练我们的模型。每个模型都训练了100多个epoch。使用以下方法来防止过拟合问题：数据分割（训练，验证和测试），交叉验证（五倍），数据增强，dropout/batch归一化和提前停止。使用回调函数允许我们在模型被认为是最好的时候保存在训练集之前，每个数据集被随机分为训练集（60%），验证集（20%）和测试集（20%）。该操作重复五次。假设来自属于测试集的患者的图像不能出现在训练和确认集中。因此，在数据分割后应用了增强程序。其他训练参数是：初始学习率为0.0001的Adam优化器和分类交叉熵损失函数。将基于CNN的分类的准确性与由我们的专家（两名工作超过3年的专家F1score¼2TP FPFP FPFN分数5分精度TP-100 TN6TPTNFPFN其中：TP-真阳性，TN-真阴性，FP-假阳性，FN-假阴性。首先，将所选模型应用于来自原始数据集的预处理图像（预增强程序）。表1示出了应用白色掩模的图像所获得的结果，而表2呈现了应用黑色掩模的图像所获得的结果在表3中给出了对在应用白色掩模的图像上训练和测试的特定网络获得的结果的分析，而表4示出了对在具有黑色掩模的图像上训练和测试的网络获得的结果为了追求最佳模型性能，使用不同的学习率值（0： 0001; 0：00001和0： 000001）训练模型。训练模型的准确度函数的值如图1和图2所示。六比八虽然我们训练了每个模型五T.作者：J. Mazur-Milecka等人沙特国王大学学报7230图五、演示如何测试CA存在的应用程序（a）模型（b）演示应用程序表1对原始数据集（无增强）在所用网络架构中获得的结果进行分析，并应用白色掩模。模型Lr.Acc.召回规格精确度F1ResNet10-40.880.940.800.860.90成立10-40.770.840.680.770.81VGG10-40.720.770.640.770.77表2对原始数据集（无增强）在所用网络架构中获得的结果进行分析，并应用黑色掩模模型Lr.Acc.召回规格精确度F1ResNet10-40.770.820.70.80.81成立10-40.770.820.700.800.81VGG10-40.750.820.670.770.79为了进一步分析，我们选择了准确度最高的那些。此外，我们将所有测试模型的所有五个训练会话的最佳准确度并列。表3和表4列出了不同模型配置获得的准确度、召回率、特异性、精密度和F1评分值。与基于神经网络的分类方法相关的挑战之一是避免基于不适当的图像特征的错误分类结果。在这种情况下，我们试图设计一个该模型将根据特定医疗条件（角膜弓）的存在对图像进行为了验证训练模型是否仅对图像质量敏感，我们计算了数据集中每个图像的信噪比（SNR） 结果示于图1。9、10和表7。为了比较，我们还计算了平均SNR和标准偏差（std.dev.）。最后，生成最佳结果的模型也在从24名志愿者获得的一组虹膜图像上进行了测试，这些图像在网络训练和评估阶段从未使用过。表3分析在应用白色掩模的情况下针对增强数据集在所利用的网络架构上获得的结果。模型Lr.Acc.召回规格精确度F1ResNet10-40.920.970.850.90.93ResNet10-50.931.00.850.890.94ResNet10-60.920.980.850.890.93成立10-40.850.950.750.810.87成立10-50.830.940.730.780.85成立10-60.810.860.740.820.84VGG10-40.810.880.730.80.84VGG10-50.810.90.70.770.83VGG10-60.810.870.740.830.85T.作者：J. Mazur-Milecka等人沙特国王大学学报7231表4分析在所使用的网络架构上获得的结果，用于应用黑色掩模的增强数据集模型Lr.Acc.召回规格精确度F1ResNet10-40.90.970.810.860.91ResNet10-50.91.00.80.850.91ResNet10-60.890.970.80.850.91成立10-40.840.90.760.830.87成立10-50.840.950.730.790.86成立10-60.810.890.720.790.84VGG10-40.840.870.780.860.87VGG10-50.850.950.740.790.86VGG10-60.80.890.710.780.83表5分析在所利用的网络架构上获得的结果，用于模拟应用白色掩模的“真实生活”场景的数据集模型Lr.Acc.召回规格精确度F1ResNet10-50.881.00.80.750.86成立10-40.881.00.80.750.86VGG10-40.830.790.90.920.85图六、使用学习率lr = 0.0001训练的比较模型的训练和验证准确度图7.第一次会议。使用学习率lr = 0.00001训练的比较模型的训练和验证准确度图8.第八条。使用学习率lr = 0.000001训练的比较模型的训练和验证准确度见图9。从分为两类的训练集中为样本图像计算的SNR值的图形表示：对这些图像进行预处理和复制，以创建两个数据集，一个用于白色掩模，一个用于黑色掩模应用。所得结果的分析如图所示。 5表示具有白色掩模的图像，6表示具有黑色掩模的图像。为了识别CNN模型是否基于正确的特征（角膜弓的存在）进行分类，我们检查了使用移动应用程序获取的所有图像的类激活图。这种技术允许与输出类相关的分数可视化-训练模型关注T.作者：J. Mazur-Milecka等人沙特国王大学学报7232见图10。从分为两类的测试集中关于（Kwas'niewska 等人，2017;Selvaraju等人， 2016）。 图图11显示了图像的哪一部分激活了特定网络的神经元。在大多数情况下，角膜弓很容易被专家识别。然而，我们想比较专家和训练好的CNN的分类结果同样，数据集中包含的图像也进行了几何归一化。实现图像掩模以聚焦于虹膜区域。图12显示了更好的专家和所选模型之间的准确性比较。5. 讨论家族性高胆固醇血症在人群中诊断不足的原因之一是它依赖于血液胆固醇水平测试，这在欧洲40岁以下的患者中不是标准的（Mach等人，2020年）。角膜弓的存在并不明确地表明患者患有家族性高胆固醇血症，但它被认为是这种疾病的指标之一（Ogura等人，2016;Pajak等人，2016; Fernández等人， 2007年）。进行的研究的假设是非常相似的，FH患者的独特部分也形成了角膜弓。早期的研究集中 在 角 膜 弓 的 检 测 上， 主 要 是基 于 手 工 制 作 的 特 征 （ 例 如 ，（ Kumar and Gunasundari ， 2016; SV and Gunasundari ，2018）。还有一些例子以移动应用程序的形式实现了这些算法。这些论文中的一些清楚地表明，角膜弓检测的未来在于机器学习（Alhasawi等人， 2018年）。在本文中，我们将基于VGG16，ResNet和Incetion v3的模型应用于角膜弓分类问题。这些体系结构被证明是在图像分类任务上的卓越表现他们的模型在ImageNet数据集上进行了预训练，可以很容易地用于微调和转移学习。在这个项目的早期阶段，当我们刚刚开始收集样本到我们的数据集时，它非常有帮助。必须强调的是，建立这样一个数据集的过程非常耗时。尽管如此，我们还是能够微调这些表7平均SNR和标准dev.为训练和测试数据集的图像计算的值。训练集测试集CA无CACA无CA平均SNR2.372.192.432.20标准差0.680.500.570.47网络，并开始研究哪种架构（顺序或具有“构建块”的架构）可以产生更好的结果。此外，这些架构适合于转换为可以部署在移动应用程序中的模型为了训练分类器，我们建立了一个数据集，在数据增强之前，它比使用的数据集大两倍多（Kumar和Gunasundari，2016;SV和Gunasundari，2018; Nasution和Kusuma，2009）。我们还开发了用于CA检测的深度学习算法以及基本的移动应用程序。诊断为高胆固醇血症的患者数量较少，限制了将这些患者纳入角膜弓检测研究的通过旋转所有图像来增强数据集，这些图像模拟了角膜弓的不同特殊位置。此外，我们基于与手持相机或智能手机（靠近眼睛）拍摄的图像相似的方式创建了我们的数据集。因此，处理后的图像不是可以从高级医疗设备中获取的高分辨率图像。意图是，这些图像类似于每个全科医生（护理人员或患者）可以用他的个人设备拍摄的图像本文提出的模型已被证明是非常成功的医疗应用解决分类问题。然而，这些模型通常应用于从专业医疗设备获取的数据集，其唯一目的是捕获精确的医学图像，例如视网膜图像（Yu等人， 2017年）。在本文中，我们在非常不可预测的条件下，对常规手机摄像头捕获的图像使用了流行的模型。由智能手机或手持相机拍摄的照片图像在分辨率、变焦和闪电方面是通用的所有这些因素都会影响分类过程，使其具有相当大的挑战性。 即使存在包含虹膜图像的数据库（Proença等人， 2009），很难找到与我们的数据集相对应的数据集。在这项研究中，我们专注于实际应用和使用神经网络在现实生活中的应用CA筛选的可能性。我们希望减少数据集中包含的图像的失真。因此，我们决定应用掩模来覆盖图像的不相关部分我们评估了使用的网络在覆盖有白色和黑色掩模的图像上的性能 结果示于图1A和1B中。 6 -8以及表3和4中。我们试图通过改变初始学习率来最小化验证损失。在所有这些之后，我们得出的结论是，在这种特殊情况下，学习率的增加并没有在验证损失方面产生我们决定通过获得的准确度和F1评分评估网络，因此在对从24名志愿者获得的图像进行的最终测试中，使用了有限数量的评估网络模型和配置表3-5 中的结果我们决定评估表6分析在所利用的网络架构上获得的结果，用于模拟应用黑色掩模的“真实生活”场景的数据集模型Lr.Acc.召回规格精确度F1ResNet10-40.830.790.90.920.85成立10-40.750.750.750.750.75VGG10-40.790.820.770.750.78T.作者：J. Mazur-Milecka等人沙特国王大学学报7233图十一岁检测到角膜弓的眼睛图像由专家标记的角膜弓的地面真实图像在（a，b，c）中呈现，而训练模型的相应类激活图在（d，e，f）中呈现，用于VGG（白色掩模）;（g，h，i）ResNet（白色掩模）;和（j，k，l）Inception（白色掩模）。使用类激活矩阵方法的网络。图11所示的结果表明，基于Inception的模型产生的结果与地面实况图像最一致，但仅在应用白色掩模时。另一方面，基于ResNet的模型虽然表现出较高的准确性和F1得分，但似乎是基于错误的特征做出决定的然而，当涉及到用黑色掩模覆盖的图像时，ResNet架构会产生更好的效果。通常，当应用白色掩模时可以获得最佳结果，因为在使用移动应用程序获取的图像上获得的结果对于覆盖有白色掩模的图像稍微好由于问题和数据集的特殊性，很难将我们的研究结果与其他类似的研究进行比较。在他们的工作中（Kumar和Gunasundari，2016; SV和Gunasundari，2018以及Nasution和Kusuma，2009），角膜弓检测的准确度分别接近0.96和0.93。它必须在-尽管这些研究集中在检测老年环甚至白内障（即使未经培训的人员也很容易注意到的非常独特的眼部在我们的研究中，我们专注于检测不太明显，因此更难以检测的青少年弓我们已经尽一切努力来建立在这项研究中使用的数据集主要是基于与青少年弓基于特征的方法可以为小数据集提供更好的结果，但是当引入新的稍微不同的数据（如角膜弓的早期）时，其性能可能降低。与基于特征的方法相比，使用神经网络的优点在于，即使新数据与数据的初始核心（角膜弓的不同阶段）略有不同，也可以将网络重新训练为所设计的网络的性能虽然图中的数据。 12表明CNN模型分类的准确性高于专家（0.98与T.作者：J. Mazur-Milecka等人沙特国王大学学报7234见图12。 由（a）人类专家（b）选择的模型执行的分类的混淆矩阵。0.90），应该强调的是，专家被要求根据预处理的数据（CNN模型训练的相同图像）做出决定当向专家呈现眼睛的整个图像（不在掩模内）时，角膜弓检测的准确性更高，接近100%准确。模型的未来迭代可能受益于处理整个眼睛（包括虹膜和巩膜）。6. 结论在我们的工作中，我们展示了另一个应用，其中基于CNN的模型可以成功地用于准确检测疾病的存在。虽然使用CNN进行对象（或特征）检测不是原创的，但CNN用于图像中的角膜弓分类的应用先前尚未报道。该项目的实际目标是设计一个移动应用程序，这将有助于检测CA的存在如前所述，在许多情况下，医生和其他护理人员无法获得专业设备。专用应用程序将提供即时评估CA存在的服务，但更重要的是，它将允许长期监测其变化和差异分析的可能性。设计可以帮助远程诊断潜在疾病的应用程序在获得医疗保健和专科医生有限的所有情况下都非常重要此外，我们还根据激活每个测试模型中的神经元的功能评估了最流行的网络值得一提的是，所选择的机器学习模型可以部署在移动终端上或作为Web服务。我们还表明，一般来说，当覆盖图像的不相关部分时，最好使用白色掩模，至少对于角膜弓分类。尽管数据集比以往的研究更大结果表明，该方法具有较高的精度和与专家决策的高度相关性，为进一步的研究奠定了良好的基础目前，我们正在努力扩大新的CA病例的数据集。扩大的数据集将允许进一步的研究集中在角膜弓定位和不同CA阶段的分类创建以高准确度对医学状况进行分类的算法为针对诸如家族性高胆固醇血症的疾病进行筛查提供了巨大的潜力，并且有望减少未诊断患者的数量。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认这项工作得到了格但斯克理工大学电子、电信和信息学院国家基金的部分支持。引用Alhasawi，Y.，Mullachery，B.，查特吉，S.，2018.使用眼睛图像非侵入性检测高血胆固醇的移动应用程序的设计。第51届夏威夷国际系统科学会议论文集。Bhangdiya，V.，2014.使用虹膜识别的胆固醇存在检测。Int. J. Technol. Sci 1（1），22-25.布鲁尔，H.，Santamarina-Fojo，S.M.，Shamburek河，2005.遗传性血脂异常。在：宾夕法尼亚州费城(Ed.)、动 脉 粥样硬化血栓形成和冠状动脉疾病。Lippincott WilliamsWilkins，pp. 55比83卡斯塔涅达角，Nalley，K.，Mannion，C.，Bhattacharyya，P.，Blake，P.，Pecora，A.，Goy，A.，苏，K.S.，2015.提高诊断准确性和实现精准医疗的临床决策支持系统。J.Clinical Bioinform. 5（1），1-16.Chlebus，K.，Cybulska，B.，Gruchaelia，M.，Smaga，A.，Kubel，K. Wojtyniak，B.，Pajkowski，M.，Jankowski，P.，兹德罗夫斯基，T. 2018.波兰门诊家族性高胆固醇血症的患病率、诊断和治疗。Kardiologia Polska=.波兰心脏杂志76（6）。乔皮，F.，de Hoop，B.，van Riel，S.J.，Chung，K.，Scholten，E.T.，Oudkerk，M.，de Jong，P.一、Prokop，M.，van Ginneken，B.，2015.使用2d视图集合和卷积神经网络开箱即用的计算机断层扫描中肺裂周结节的自动分类。医学影像分析26（1），195-202。德斯尼克河，约安努，Y.工程，C.，Scriver，C.，Beaudet，A.，希尔，W.，2001年遗传性疾病的代谢和分子基础。在：Beaude，A.L.，希尔W. S Valle，D.，Scriver，C.R.（编）。McGraw-Hill，New York，pp. 3733-3774。埃斯特瓦，A.，Kuprel，B.，诺沃亚，R.A.，高，J.，Swetter，S. M.，Blau，H.M.，Thrun，S.，2017. 使用深度神经网络对皮肤癌进行皮肤科医生级别的分类。Nature 542（7639），115-118.Fernández，A.，索罗金，A.，汤普森警局2007年 角膜弓是冠状动脉疾病的危险因素。动脉粥样硬化193（2），235-240。高胆固醇血症，F.，1999年世卫组织第二次磋商的报告 世界卫生组织，日内瓦。Khamis，H.，陈杰，Redmond，J.S.，新罕布什尔州洛弗尔，2018.利用神经网络集成从RR间期和PQRST形态检测心房颤动。在：2018年第40届IEEE医学和生物学工程学会（EMBC）年度国际会议。IEEE，pp. 5998- 6001Kocejko，T.，Bujnowski，A.，Wtorek，J.，2009. las患者的复杂人机界面。2009年第二届人类系统相互作用会议。IEEE，pp. 272比275Kocejko，T.，Wtorek，J.，2013.多显示器环境下的视线跟踪。 2013年第六届人类系统相互作用国际会议（HSI）IEEE，pp. 626- 631Kumar，S.M.，Gunasundari河，2016.基于统计特征提取和支持向量机的角膜弓诊断。工程系统中的人工智能和进化计算。施普林格，pp.481-492.Kwas'niew ska ，A.， Rumin'ski，J.，Rad，P.，2017年。 用于热人脸检测和跟踪的深度特征类激活图。2017年第10届人类系统相互作用国际会议（HSI）IEEE，pp. 41比47Laksanasopin，T.，郭，T.W.，Nayak，S.，Sridhara，A.A.，Xie，S.，Olowookere，O. O.，Cadinu，P.，孟，F.，Chee，N.H.，金，J.，等（2015年）。用于在护理点诊断传染病的智能手机加密狗。Science translational medicine，7（273）：273re1李，Q.，Cai，W.，王，X.，Zhou，Y.，（1996年），中国科学院，冯，D. D.，陈美，2014.基于卷积神经网络的医学图像分类。In：2014第13届国际T.作者：J. Mazur-Milecka等人沙特国王大学学报7235控制自动化机器人视觉会议（ICARCV）。IEEE，pp. 844- 848李伟，刘，X.，刘杰，陈佩，Wan，S.，Cui，X.，2019.提高自动编码器检测结膜炎的准确性。应用软计算81，105489。Mach，F.，Baigent，C.，Catapano，A.L.，Koskinas，K.C.，Casula，M.，巴迪蒙湖查普曼，M.J.，De Backer，G. G.，Delgado，V.，Ference，文学士，例如，2020.2019年ESC/EAS血脂异常管理指南：脂质修饰降低心血管风险：欧洲心脏病学会（ESC）和欧洲动脉粥样硬化学会（EAS）血脂异常管理工作组。EUR. Heart J. 41（1），111-188.Nasution，A.，Kusuma，W.，2009年 混合n特征神经网络在角膜环渐进性变化识别中的应用。输入：程序第四届亚洲及环太平洋生物光子研讨会（APBP） Citeseer。Ogura，M.，霍里，M.，Harada-Shiba，M.，2016年。家族性高胆固醇血症患者胆固醇外排能力与动脉粥样硬化性心血管疾病的关系。动脉炎、血栓形成和血管生物学36（1），181-188。帕雅克，A.，Szafraniec，K.，Polak，M.，Drygas，W.，Piotrowski，W.，兹德罗夫斯基，T. Jankow