一种基于深度学习算法的视网膜生物学年龄评价方法

摘要

本发明提供了一种基于深度学习算法的视网膜生物学年龄评价方法，包括：选取一组无慢性疾病的健康人群的眼底视网膜图像作为样本集，对样本集用时序年龄作为标签，构建为训练集；对训练集中的眼底视网膜图像进行图像预处理和数据增强；采用基于Inception‑V3的深度学习模型构造眼生物学年龄预测模型的卷积神经网络，并利用训练集对眼生物学年龄预测模型进行训练；采用基于分类激活特征图的可视化策略构建兴趣热图，对所训练眼生物学年龄预测模型针对时序年龄在视网膜图像上的“兴趣”区域进行可视化显示。本发明基于深度学习算法以及眼底视网膜图像建立无创、简单、快速的视网膜生物学年龄评价模型，能够为衰老高危人群分层和死亡风险预测提供技术支持。

说明书

技术领域

本发明涉及视网膜生物学年龄评价技术领域，特别是涉及一种基于深度学习算法的视网膜生物学年龄评价方法。

背景技术

人口老龄化给国家、社会和个人带来了巨大的负担。值得注意的是，在个体层面上，衰老速率各不相同，准确量化衰老速率对临床风险分层和有针对性的、个体化的干预极其重要。

近年来，大量的学者试图构建生物学年龄评价体系，用于定量刻画价机体衰老的进程，如组成性生物年龄、外周血DNA甲基化年龄(表观时钟)、外周血白细胞端粒长度和大脑年龄。部分生物学年龄在前瞻性队列中得到临床验证。然而，由于组成性生物年龄和端粒酶长度检查有创、表观时钟技术要求高、价格昂贵，大脑年龄要求具备MRI设备、操作复杂、成本较高等均难以在大规模人群中广泛应用。因此亟需建立无创、简易、价廉、精确的生物年龄评价体系。

视网膜是人体微血管和神经系统的窗口，而且视网膜可通过简单的眼底彩照进行实时观察。视网膜可能为衰老、死亡风险和系统性疾病风险提供有用的信息。深度学习(Deep Learning,DL)的出现为高度图像驱动的医学专业(包括眼科)的实践模式带来了巨大的变革。DL技术能够从给定的图像中自动地、全面地学习最具预测性的特征。该技术应用于基于神经影像数据预测生物学年龄，与传统的机器学习方法和回归模型相比，DL模型预测生物学年龄的准确性更高。尽管越来越多的证据显示视网膜图像在衰老研究中的独特价值，但是尚未见利用视网膜图像构建生物学年龄评价体系的研究报道。因此，基于深度卷积神经网络和视网膜图像的视网膜生物学年龄评价模型研究是值得被期待的。

发明内容

本发明的目的是提供一种基于深度学习算法的视网膜生物学年龄评价方法，基于深度学习算法以及眼底视网膜图像建立无创、简单、快速的视网膜生物学年龄评价模型，探索视网膜图像在年龄相关疾病中的预警作用，能够为衰老高危人群分层和死亡风险预测提供技术支持，并为研究衰老异质性形成机制提供新思路。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习算法的视网膜生物学年龄评价方法，包括如下步骤：

S1，选取一组无慢性疾病的健康人群的眼底视网膜图像作为样本集，对样本集用时序年龄作为标签，构建为训练集；

S2，对训练集中的眼底视网膜图像进行图像预处理和数据增强，得到标准化样本；

S3，采用基于Inception-V3的深度学习模型构造眼生物学年龄预测模型的卷积神经网络，并利用经过步骤S2处理的训练集中的标准化样本对眼生物学年龄预测模型进行训练；

S4，采用基于分类激活特征图的可视化策略构建兴趣热图，对所训练眼生物学年龄预测模型针对时序年龄在视网膜图像上的“兴趣”区域进行可视化显示。

进一步的，所述步骤S1中，无慢性疾病的健康人群，具体指，不符合下列条件的健康人群：病情一年以上、需持续护理的疾病，或限制日常生活活动的疾病，或两者兼有。

进一步的，所述步骤S2中，对训练集中的眼底视网膜图像进行图像预处理和数据增强，得到标准化样本，具体包括：

对训练集中的眼底视网膜图像进行非眼底部位噪音的无效区域裁减，保留最大可信识别区；

对裁减后的图像尺寸进行标准化处理，并将分辨率统一调整为299*299；

采用如下策略进行图像增强：1)策略一：随机水平移动0到3像素、随机旋转90度、180度和270度进行数据集扩充；2)策略二：基于局部平均色彩移除的图像预处理策略，弱化图像噪音。

进一步的，所述步骤S3中，利用经过步骤S2处理的训练集中的标准化样本对眼生物学年龄预测模型进行训练，具体包括；

采用学习速率0.002的Adam优化器进行训练，对损失函数进行自适应梯度下降，达到更好的收敛效果。

进一步的，所述步骤S3还包括：

对训练后的眼生物学年龄预测模型进行验证，验证环节包括内部验证和外部验证，采用10:1的内部交叉验证，其中，另外采集一组无慢性疾病的健康人群的眼底彩照作为验证集，进行外部验证。

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：本发明提供的基于深度学习算法的视网膜生物学年龄评价方法，基于深度学习算法建立CNN模型，对时序年龄标记的正常人群视网膜影像图片进行学习，构建眼生物学年龄预测模型，并评价其有效性；采用注意机制(soft attention)对眼生物学年龄预测模型可解释区域进行可视化；此外，在另一独立健康人群中，验证眼生物学年龄预测模型的外部有效性；本发明具有无创、简易、廉价的特点，适用于大规模人群。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于深度学习算法的视网膜生物学年龄评价方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于深度学习算法的视网膜生物学年龄评价方法，基于深度学习算法以及眼底视网膜图像建立无创、简单、快速的视网膜生物学年龄评价模型，探索视网膜图像在年龄相关疾病中的预警作用，能够为衰老高危人群分层和死亡风险预测提供技术支持，并为研究衰老异质性形成机制提供新思路。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的基于深度学习算法的视网膜生物学年龄评价方法，包括如下步骤：

S1，选取一组无慢性疾病的健康人群的眼底视网膜图像作为样本集，对样本集用时序年龄作为标签，构建为训练集；其中，无慢性疾病的健康人群，具体指，不符合下列条件的健康人群：病情一年以上、需持续护理的疾病，或限制日常生活活动的疾病，或两者兼有；

S2，对训练集中的眼底视网膜图像进行图像预处理和数据增强，得到标准化样本；具体包括：

对训练集中的眼底视网膜图像进行非眼底部位噪音的无效区域裁减，保留最大可信识别区；

对裁减后的图像尺寸进行标准化处理，并将分辨率统一调整为299*299；

采用如下策略进行图像增强：1)策略一：随机水平移动0到3像素、随机旋转90度、180度和270度进行数据集扩充；2)策略二：基于局部平均色彩移除的图像预处理策略，弱化图像噪音；

S3，采用基于Inception-V3的深度学习模型构造眼生物学年龄预测模型的卷积神经网络，并利用经过步骤S2处理的训练集中的标准化样本对眼生物学年龄预测模型进行训练；其中，采用学习速率0.002的Adam优化器进行训练，对损失函数进行自适应梯度下降，达到更好的收敛效果；

S4，采用基于分类激活特征图的可视化策略构建兴趣热图，对所训练眼生物学年龄预测模型针对时序年龄在视网膜图像上的“兴趣”区域进行可视化显示。

此外，所述步骤S3还包括：

对训练后的眼生物学年龄预测模型进行验证，验证环节包括内部验证和外部验证，采用10:1的内部交叉验证，其中，另外采集一组无慢性疾病的健康人群的眼底彩照作为验证集，进行外部验证。

传统回归、主成分分析和机器学习算法等方法，不适用于图像处理。深度卷积神经网络模型克服了这些缺陷，本发明是第一个采用深度卷积神经网络模型对大样本视网膜图像进行学习，建立眼生物学年龄预测模型的研究。

综上，本发明提供的基于深度学习算法的视网膜生物学年龄评价方法，基于深度学习算法建立CNN模型，对时序年龄标记的正常人群视网膜影像图片进行学习，构建眼生物学年龄预测模型，并评价其有效性；采用注意机制(soft attention)对眼生物学年龄预测模型可解释区域进行可视化；此外，在另一独立健康人群中，验证眼生物学年龄预测模型的外部有效性；本发明具有无创、简易、廉价的特点，适用于大规模人群。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。