[发明专利]基于深度学习的睑板腺红外图像辅助识别系统及方法

权利要求书

1.一种基于深度学习的睑板腺红外图像辅助识别系统，其特征在于：包括客户端、服务端、数据库；

所述客户端，用于将红外摄像设备采集的睑板腺图像上传给所述服务端，并接收和显示所述服务端反馈的分析结果；

所述服务端，根据从所述客户端采集的图像，即时判断图像对应的部位以及部位特征，将分析结果反馈给所述客户端；

所述数据库，用于存储红外摄像设备采集的图像、所述服务端反馈的分析结果。

2.根据权利要求1所述的基于深度学习的睑板腺红外图像辅助识别系统，其特征在于：所述服务端包括样本数据库、Mask R-CNN卷积神经网络和Web服务模块；

所述样本数据库用于存储睑板腺图像的样本，包括合格图片库、部位库和部位特征库；所述合格图片库中存储的是拍摄清晰的高分辨率红外图像，所述部位库中存储的是对合格图片中物体形态进行部位标注的红外图像，所述部位特征库中存储的是对合格图片中的红外图像进行病变标注的图像；

所述Mask R-CNN卷积神经网络模型，包括根据合格图片库、部位库和部位特征库训练好的三个模型：判别睑板腺图像是否合格模型、部位判断模型和部位特征识别模型，分别用于判别睑板腺图像是否合格、部位判断和部位特征识别；

所述Web服务板块，用于接收所述客户端的请求，将接收到的睑板腺图像作为参数调用卷积神经网络模型进行睑板腺图像是否合格辨别、部位判断及部位特征识别的分析，将分析结果反馈给客户端。

3.权利要求2所述的基于深度学习的睑板腺红外图像辅助识别系统，其特征在于：所述部位库中存储的是对合格图片中物体形态进行部位标注的红外图像，部位包括睫毛、上睑缘、上睑缘腺、上睑结膜、上睑睑板腺腺体、下睑睑板腺腺体、下睑结膜、下睑缘腺、下睑缘。

4.权利要求2所述的基于深度学习的睑板腺红外图像辅助识别系统，其特征在于：所述部位特征库中存储的是对合格图片中的红外图像进行病变标注的图像，其中部位特征包括睑板腺结构丢失、睑板腺结构正常、睑板腺开口堵塞；睑板腺结构丢失包括上睑板腺结构丢失、下睑板腺结构丢失、睑板腺结构均丢失。

5.权利要求1-4任意一项所述的基于深度学习的睑板腺红外图像辅助识别系统，其特征在于：所述客户端包括通信模块和图像演示模块；

所述通信模块用于发送请求到服务端，及从服务端获取分析结果；

所述图像演示模块用于根据获取的分析结果，调用表示各部位的图片和部位特征的标记进行叠加展示。

6.一种基于深度学习的睑板腺红外图像辅助识别方法，其特征在于，包括以下步骤：

步骤1：客户端将红外摄像设备采集的睑板腺图像上传给所述服务端；

步骤2：服务端接收睑板腺图像作为参数，调用Mask R-CNN卷积神经网络模型进行识别分析；将分析结果反馈给客户端；

步骤3：客户端接收并显示分析结果；

步骤4：操作人员根据客户端显示的分析结果进行下一步操作。

7.根据权利要求6所述的基于深度学习的睑板腺红外图像辅助识别方法，其特征在于：步骤2中，首先判断睑板腺图像是否为合格图片，若不合格则输出分析结果为不合格；当睑板腺图像判断为合格图片后，识别该图像中的具体部位和部位特征并输出；当检测到异常部位时，启用“类激活图覆盖技术”，准确提取并储存异常部位的图像，圈出异常范围，实时显示异常的部位及范围，将分析结果反馈给客户端。

8.根据权利要求7所述的基于深度学习的睑板腺红外图像辅助识别方法，其特征在于：所述“类激活图覆盖技术”，是将输出层的权重投影回卷积特征映射来识别图像的重要区域，全局平均汇集输出最后一个卷积层每个单元的特征映射的空间平均值，计算最后一个卷积图层的特征图的加权和以获得类激活图；类激活图的颜色深度与预测的置信度正相关。

9.根据权利要求6-8任意一项所述的基于深度学习的睑板腺红外图像辅助识别方法，其特征在于：步骤4中，客户端提示存在检查部位存在异常时，根据“类激活图覆盖技术”实时显示异常部位的范围，操作者进一步详细检查提示部位，结合共聚焦检查结果观察细胞结构，以达到确诊和个体化治疗的目标。