基于二次谐波生成显微镜与深度学习的角膜水肿自动检测研究

当角膜水合程度超过其生理水平时，便开始显著散射光线，丧失透明度，从而损害视力。这种称为角膜水肿的病症可由多种原因引起，如角膜瘢痕、角膜感染、角膜炎症等，使其难以诊断和量化。先前的研究表明，二次谐波生成显微镜（SHG）是一种有价值的非线性光学成像工具，可非侵入性地识别和监测角膜胶原结构的变化，有望在未来的体内角膜诊断方法中发挥关键作用。然而，鉴于公开数据集和训练资源的匮乏，将此类方法转化至临床环境时，SHG数据的解释可能带来显著问题。在本工作中，我们探索使用三种深度学习模型——广受欢迎的InceptionV3和ResNet50，以及无需预训练的定制架构FLIMBA——来自动检测猪角膜SHG图像中的角膜水肿。我们讨论并评估了针对本文所处理应用特点调整的数据增强策略，并观察到基于不同架构的深度学习模型提供了互补的结果。重要的是，我们观察到在区分水肿与健康的角膜组织时，此类互补模型的联合使用将整体分类性能提升至AU-ROC=0.98。这些结果有望推广至其他诊断场景，例如不同分期角膜水肿的区分、角膜水合水平的自动提取或角膜水肿病因的自动识别，从而为基于深度学习辅助非线性光学成像的角膜诊断新方法铺平道路。