阅读说明：本技术 基于卷积神经网络的晶状体浑浊程度检测方法 (Lenticular opacities degree detecting method based on convolutional neural networks ) 是由 刘振宇 宋建聪 于 2019-05-31 设计创作，主要内容包括：基于卷积神经网络的晶状体浑浊程度检测方法,该方法步骤如下：(1)、对待测图像采用光照增强法进行预处理形成预处理图像数据；(2)、将(1)步骤中的预处理图像数据代入晶状体浑浊程度检测学习模型实现检测,本发明利用ImageNet预训练过的Inception-V3模型及参数,并采用迁移学习的思想进行训练从而得到分类模型,该系统完成后可实现通过手机APP实时进行晶状体浑浊研究对比。(Lenticular opacities degree detecting method based on convolutional neural networks, the method steps are as follows: (1), to testing image using illumination enhancing method to carry out pretreatment and form preprocessing image data；(2), the preprocessing image data in (1) step is substituted into lenticular opacities degree detecting learning model and realizes detection, the Inception-V3 model and parameter that the present invention is crossed using ImageNet pre-training, and be trained to obtain disaggregated model using the thought of transfer learning, it can be achieved to pass through cell phone application real-time perfoming lenticular opacities investigation and comparison after the completion of the system.)

基于卷积神经网络的晶状体浑浊程度检测方法

技术领域

本发明提供一种基于卷积神经网络的晶状体浑浊程度检测方法，属于图像处理领域。

背景技术

晶状体浑浊程度在很多领域都可以作为一个中间参考数据，例如，通过该数据对白内障进行分析等，目前对于晶状体浑浊程度的自动分类方法已有很大进展，但仍存在一些问题。首先，现有方法大多是把分类问题作为研究重点，而对于特征提取方面，主要还是利用人工寻找特征，具有很大的主观性。而且，由于目前已公开且标注的数据集只供研究部分晶状体浑浊程度的情形，且数据量较少，导致无法使用深度学习自动提取特征，所训练的模型也无法达到普遍研究的效果。

发明内容

发明目的：

本发明提供一种基于卷积神经网络的晶状体浑浊程度检测方法，其目的是解决以往所存在的问题。

技术方案

基于卷积神经网络的晶状体浑浊程度检测方法，其特征在于：该方法步骤如下：

(1)、对待测图像采用光照增强法进行预处理形成预处理图像数据；

(2)、将(1)步骤中的预处理图像数据代入晶状体浑浊程度检测学习模型实现检测。

(2)步骤中的晶状体浑浊程度检测模型的构建方法如下：

(2.1)、构建MSLPP数据集；然后对数据集中的图像进行预处理；并将预处理的MSLPP数据集分为训练集、验证集和测试集；

(2.2)、利用(2.1)步骤中的预处理之后的图像形成的数据集进行模型训练得晶状体浑浊程度检测学习模型。

(2.1)步骤中MSLPP数据集的构建方式如下：收集临床中由裂隙灯采集的眼部晶体图像，并将其分为正常、早期晶状体浑浊及晶状体浑浊三类。

MSLPP数据集样本采集环境复杂多样，样本包含种类多样。

所述的环境复杂多样包括：亮环境、暗环境及反光情况；所述样本种类多样包括：样本针对核性晶状体浑浊、皮质性晶状体浑浊及后囊性晶状体浑浊。

(2.1)步骤中的预处理方法为：先采用光照增强法对数据集进行处理，再对光照增强法处理后的数据集利用数据扩增法处理。

光照增强法采用如下方法：

将输入图像尺寸压缩为299×299像素，设图像任意一点A(x,y)的三通道像素其中R(x,y)、G(x,y)、B(x,y)分别代表点A(x,y)中红、绿、蓝三个通道的亮度值，三个通道的亮度值范围均为0-255,则图像的平均像素值表示为：

若则图像各点像素值变为若则图像各点像素值变为若则图像各点像素值不变。

2.1)步骤的预处理中的数据扩增法有以下三种，三种方法中选择其中之一、之二或者全部：

(1)平移：将光照增强后的图像上下左右分别平移5-20个像素点(该处平移5-20个像素点均可，但本发明中采用的数据为12，且与图4中生成的图像相对应)；使得图像平移扩增至原来的倍数，该倍数为平移的次数；

(2)旋转：将光照增强后的图像顺逆旋转(选择性的，可以只顺时针一次，也可以只逆时针一次，也可以顺时针和逆时针并列各一次)5°-20°(但本发明中采用的数据为15°，且与图4中生成的图像相对应)；使得图像旋转扩增至原来的倍数，该倍数为旋转的次数；

(3)镜像：将光照增强后的图像上下左右各镜像一次，即上下翻转一次，左右翻转一次，使得图像镜像扩增至原来的倍数，该倍数为镜像的次数；

如果选择三种方法其中之二或者全部时，对图像扩增都只针对同一个光照增强后的图像进行，然后将增强后的图像一起使用。

(2.2)步骤模型训练采用卷积神经网络进行迁移学习后再利用预处理后的MSLPP数据集对迁移学习后的模型继续训练；

卷积神经网络主要分为卷积层、池化层和全连接层三个部分；最终选用的卷积神经网络结构是谷歌基于GoogLeNet提出的Inception-V3模型；

迁移学习及训练的步骤为：首先，基于ImageNet(ImageNet是一个计算机视觉系统识别项目名称，是目前世界上图像识别最大的数据库，该数据库已开源，可直接使用)图像标注的数据集，在Inception-V3模型上进行预训练，提取一个2048维的特征向量；这一阶段充分利用知识迁移，使用预训练权重进行特征提取，不对Inception-V3的权重参数进行训练；然后，将所述特征向量输入一个单层的全连接神经网络，使用一个包含Softmax分类器的单层全连接神经网络，再经过预处理后的MSLPP数据集(指的是经过眼科医生分类且标注后的图像)训练后即得到最终分类结果。

训练过程如下：(此处“训练”指的是预处理后所有的训练过程，而“再经过已分类的晶状体浑浊晶体图像训练后即得到最终分类结果”中的“训练”指的是迁移学习之后的微调参数部分的训练。步骤一二对应采用卷积神经网络进行迁移学习，步骤三四对应利用预处理后的训练集对迁移学习后的模型继续训练)

(一)加载已经去掉全连接层的Inception-V3模型以及用ImageNet数据集预训练得出的权重参数；

(二)由(一)中得到的初始化后的Inception-V3模型上添加全连接层结构，并在全连接层中加入Dropout策略(是防止模型过拟合的一种方法)，比率设置为0.75；提取一个2048维的特征向量；

(三)将除了全连接层以外的所有特征提取层冻结，然后将学习率设为0.001，利用预处理后的MSLPP数据训练集训练1个epoch，迭代550次；

(四)将所有层解冻，利用微调迁移学习，继续用MSLPP数据训练集进行训练，采用随机梯度下降的方法，初始学习率设为0.01，训练100个epoch，每个epoch迭代550次，每结束一个epoch，利用验证集测试模型准确率，若准确率较上次提高，保存此次训练参数，若准确率降低，则利用之前保存的参数继续训练。批样本数batch_size设置为32，动量momentum设置为0.9。

(批样本数batch_size是指一个bitch中所包含的样本数，是训练过程中需要设置的一个参数。)

((2)(3)(4)中所提到的数值均为训练模型时所设置的具体参数，虽然可在一定范围之内调整，但调整训练参数需要一定的技巧(根据训练集和验证集的召回率和损失函数值进行调整)，若范围内任意调整无法保证训练的结果。)

(三)步骤中冻结特征提取层只选择全连接层进行训练，应在小范围内更新权值，以免破坏预训练好的特征。

上述小范围指的是在冻结其他层、只改变全连接层的情况下，训练时模型内部的权重系数变化不大。此句是对步骤三中做法的解释说明，不是需要手动调节的参数。

基于卷积神经网络的晶状体浑浊程度检测系统，其特征在于：该系统包括图像预处理模块和检测模块；

图像预处理模块对待测图像进行预处理形成预处理图像数据；将图像预处理模块中的图像数据代入检测模块中的晶状体浑浊程度检测学习模型中实现检测；

检测模块包括MSLPP数据集构件模块、图像预处理模块和模型训练模块；

MSLPP数据集构件模块构建MSLPP数据集；然后通过图像预处理模块对数据集中的图像进行预处理；

模型训练模块对图像预处理模块预处理之后的图像形成的数据集进行模型训练得学习模型。

优点效果：

本发明提供一种基于卷积神经网络的晶状体浑浊程度检测方法，本发明设计了一个基于卷积神经网络的晶状体浑浊程度特征自动学习模型，具体流程如图1所示。首先，为了解决当前晶状体浑浊程度数据集缺乏的问题，本发明收集了临床中由裂隙灯采集的眼部晶体图像，并由眼部采样技师将其分为正常、早期状体浑浊及晶状体浑浊三类，构建MSLPP数据集；然后对图像进行预处理，主要操作为光照增强和数据量的扩增；最后，为了解决自动提取深度特征的问题，本发明利用ImageNet预训练过的Inception-V3模型及参数，并采用迁移学习的思想进行训练从而得到分类模型，该系统完成后可实现通过手机APP实时进行晶状体浑浊研究对比。

附图说明

图1为基于卷积神经网络的晶状体浑浊特征自动学习模型流程图；

图2为MSLPP数据集部分样本图像；

图3为光照增强前后对比图；

图4为数据扩增对比图；

图5为迁移学习策略训练示意图；

图6为模型可视化特征图；

图7为平移的举例示意图。平移：举例：左图为原图，右图为图片向右平移x个像素，再向下平移y个像素之后的图像。

具体实施方式

基于卷积神经网络的晶状体浑浊程度检测方法，该方法步骤如下：

(1)、对待测图像采用光照增强法进行预处理形成预处理图像数据；

(2)、将(1)步骤中的预处理图像数据代入晶状体浑浊程度检测学习模型实现检测。

(2)步骤中的晶状体浑浊程度检测模型的构建方法如下：

(2.1)、构建MSLPP数据集；然后对数据集中的图像进行预处理；并将预处理的MSLPP数据集分为训练集、验证集和测试集；

(2.2)、利用(2.1)步骤中的预处理之后的图像形成的数据集进行模型训练得晶状体浑浊程度检测学习模型。

(2.1)步骤中MSLPP数据集的构建方式如下：收集临床中由裂隙灯采集的眼部晶体图像，并将其分为正常、早期晶状体浑浊及晶状体浑浊三类。

(2.1)步骤中的预处理方法为：先采用光照增强法对数据集进行处理，再对光照增强法处理后的数据集利用数据扩增法处理。

光照增强法采用如下方法：

将输入图像尺寸压缩为299×299像素，设图像任意一点A(x,y)的三通道像素其中R(x,y)、G(x,y)、B(x,y)分别代表点A(x,y)中红、绿、蓝三个通道的亮度值，三个通道的亮度值范围均为0-255,则图像的平均像素值表示为：

若则图像各点像素值变为若则图像各点像素值变为若则图像各点像素值不变。

2.1)步骤的预处理中的数据扩增法有以下三种，三种方法中选择其中之一、之二或者全部：

(1)平移：将光照增强后的图像上下左右分别平移5-20个像素点；使得图像平移扩增至原来的倍数，该倍数为平移的次数；

(2)旋转：将光照增强后的图像顺逆旋转5°-20°；使得图像旋转扩增至原来的倍数，该倍数为旋转的次数；

(3)镜像：将光照增强后的图像上下左右各镜像一次，即上下翻转一次，左右翻转一次，使得图像镜像扩增至原来的倍数，该倍数为镜像的次数；

如果选择三种方法其中之二或者全部时，对图像扩增都只针对同一个光照增强后的图像进行，然后将增强后的图像一起使用。

(2.2)步骤模型训练采用卷积神经网络进行迁移学习后再利用预处理后的MSLPP数据集对迁移学习后的模型继续训练；

迁移学习及训练的步骤为：

第一步，基于ImageNet图像标注的数据集(是ImageNet数据集，里面包含的是自然图像)，在Inception-V3模型上进行预训练，提取一个2048维的特征向量；

第二步，将所述特征向量输入一个单层的全连接神经网络，使用一个包含Softmax分类器的单层全连接神经网络，再经过预处理后的MSLPP数据集训练后即得到最终分类结果。

第一步中在Inception-V3模型上进行预训练过程为：

(一)加载已经去掉全连接层的Inception-V3模型以及用ImageNet数据集预训练得出的权重参数；

(二)由(一)中得到的初始化后的Inception-V3模型上添加全连接层结构，并在全连接层中加入Dropout策略，比率设置为0.75；提取一个2048维的特征向量；ImageNet数据集是已经标注好的公开数据集，属于公知。

第二步中的使用一个包含Softmax分类器的单层全连接神经网络，再经过预处理后的MSLPP数据集训练后即得到最终分类结果的步骤如下：

(1)将除了全连接层以外的所有特征提取层冻结(这里只有全连接层对应的就是上面所述的单层)，然后将学习率设为0.001，利用预处理后的MSLPP数据训练集训练1个epoch，迭代550次；

(2)将所有层解冻，利用微调迁移学习，继续用MSLPP数据训练集进行训练，采用随机梯度下降的方法，初始学习率设为0.01，训练100个epoch，每个epoch迭代550次，每结束一个epoch，利用验证集测试模型准确率，若准确率较上次提高，保存此次训练参数，若准确率降低，则利用之前保存的参数继续训练。批样本数batch_size设置为32，动量momentum设置为0.9。

(三)步骤中冻结特征提取层只选择全连接层进行训练，应在小范围内更新权值，以免破坏预训练好的特征。

该系统包括图像预处理模块和检测模块；

图像预处理模块对待测图像进行预处理形成预处理图像数据；将图像预处理模块中的图像数据代入检测模块中的晶状体浑浊程度检测学习模型中实现检测；

检测模块包括MSLPP数据集构件模块、图像预处理模块和模型训练模块；

MSLPP数据集构件模块构建MSLPP数据集；然后通过图像预处理模块对数据集中的图像进行预处理；

模型训练模块对图像预处理模块预处理之后的图像形成的数据集进行模型训练得学习模型。

下面对本发明进行进一步的详细说明：

本发明设计了一个基于卷积神经网络的晶状体浑浊程度检测方法，具体流程如图1所示。首先，为了解决当前晶状体浑浊数据集缺乏的问题，本发明收集了临床中由裂隙灯采集的眼部晶体图像，并由眼科医生将其分为正常、早期晶状体浑浊及晶状体浑浊三类，构建MSLPP数据集；然后对图像进行预处理，主要操作为光照增强和数据量的扩增；最后，为了解决自动提取深度特征的问题，本发明利用ImageNet预训练过的Inception-V3模型及参数，并采用迁移学习的思想进行训练从而得到分类模型，该系统完成后可实现通过手机APP实时进行晶状体浑浊研究。并可以利用该数据作为中间数据对皮质性晶状体浑浊、核性晶状体浑浊及后囊性晶状体浑浊普遍参考适用。

数据集与图像预处理

MSLPP数据集

数据库是实现深度学习系统的重要组成部分，高质量的数据库可以增强系统筛查的准确性。但由于目前缺乏大型公开已标记的裂隙灯眼部晶体图像数据集，因此需要构建用于晶状体浑浊分类的数据集。本发明采用的数据集为与沈阳艾洛博智能科技有限公司和沈阳何氏眼科集团合作开发，并将其命名为MSLPP(Marked Slit Lamp Picture Project)的数据集。

MSLPP数据集共包含16239张图片，其中晶状体浑浊眼部样本图像5302张，早期晶状体浑浊眼部样本图像5400张，正常人的眼部样本图像5537张，图像采集于2015年到2018年，来自于2864个健康人和5532个晶状体浑浊者。

该数据集中所收集的图像均为裂隙灯拍摄的眼部样本图像，所使用的裂隙灯主要为台式裂隙灯和手机裂隙灯，该数据库部分样本图像如图2所示。由图可以看出，将裂隙光聚焦到瞳孔区，内部呈透明或浅黄底色即是正常的晶体，如图2(a)所示；内部呈透明见黄底，光斑略暗即为早期晶状体浑浊，如图2(b)所示；若内部有明显浑浊，病灶位置可见即为晶状体浑浊，如图2(c)所示。

根据眼部晶状体混浊部位的不同又分为皮质性晶状体浑浊、核性晶状体浑浊和后囊性晶状体浑浊。核性晶状体浑浊，初期核为黄色，随病情进展核的颜色逐渐加深而呈黄褐色、棕色、棕黑色甚至黑色，如图2(c)-1所示；皮质性晶状体浑浊，初期在晶状体皮质中可见到有空泡和水隙形成，水隙从周边向中央扩大，形成轮辐状混浊，晶状体周边前、后皮质出现楔形混浊，呈羽毛状，随着晶状体浑浊的深入晶状体混浊加重直至呈乳白色完全混浊，如图2(c)-2所示；后囊性晶状体浑浊，用裂隙灯显微镜检查可以看到后囊下由许多黄色小点、小空泡、结晶样颗粒构成的盘状浑浊，如图2(c)-3所示。在实际操作中，核性晶状体浑浊及皮质性晶状体浑浊比较常见，而后囊性晶状体浑浊较少。

MSLPP数据集有如下特点：

(1)样本均采自何氏眼科医院，由眼科医生利用裂隙灯设备为待筛查者拍摄其眼部晶体图像，并由何氏眼科三名主治医师进行筛查分类；

(2)样本采集环境复杂多样，亮环境、暗环境及一些反光等情况均有涉及；

(3)样本包含种类多样，可针对核性晶状体浑浊，皮质性晶状体浑浊及后囊性晶状体浑浊。

光照增强

亮度是图像处理过程中重点关注的部分。该数据集采集时，由于实际筛查环境复杂多样，所拍摄样本图像亮度差异大，会影响深度学习准确率，因此，需要对样本图像进行光照调节，突出样本特征，减小由图像亮度差异带来的影响，具体做法如下：

将输入图像尺寸压缩为299×299，设任意一点A(x,y)的三通道像素则图像的平均像素值可表示为：

若则图像各点像素值变为若则图像各点像素值变为若则图像各点像素值不变。图3为光照增强前后对比图。

数据扩增

为了避免模型训练时发生过拟合情况，在进行图像预处理时，需要对样本进行数量扩增处理，有利于改善模型的性能，提高图像分类准确率。本发明所采用的数据扩增方式有以下三种：

(1)平移：将图像上下左右分别平移12个像素点

(2)旋转：将图像顺逆旋转15°

(3)镜像：将图像上下左右各镜像一次

由于台式裂隙灯和便携式裂隙灯的光照入射方式不同，台式裂隙灯光线从右侧倾斜30°射入，晶体切面显示在裂隙光线左侧，而手持式裂隙灯光线从左侧倾斜30°射入，切面显示在光线右侧，为了消除此特征对系统产生的影响，我们在预处理中将对图片进行左右镜像处理。具体扩增前后对比图如图4所示，三行由上到下分别为晶状体浑浊、早期晶状体浑浊和正常图像的图像数量增强前后对比图。

模型与方法

卷积神经网络

本发明采用的方法是卷积神经网络，主要分为卷积层、池化层和全连接层三个部分。最终选用的卷积神经网络结构是谷歌基于GoogLeNet(ILSVRC2014,the ImageNetLarge Scale Visual Recognition Challenge of 2014比赛的冠军模型)提出的Inception-V3模型。

在整个网络中，利用卷积层和池化层提取图像中的有效特征，在网络中引入非线性激活函数，减少有效特征所占维度，输出能够表示输入图像的高级特征，最后，由全连接层将这些特征用于对所要筛查的输入图像的分类。除了上述所提到的基本网络结构，本发明还在最后的全连接层中增加了Dropout策略，能够有效避免过拟合，提高网络泛化能力，加快网络的训练过程。

迁移学习

在医学图像领域，缺乏大量公开已标注的数据集将是深度学习应用于医疗图像处理中的难题之一。在样本不足的情况下，易导致模型训练过程中出现不收敛或者所训练出来的模型泛化能力差等一系列问题。因此，本发明采用迁移学习的方法，来解决以上问题。

基于卷积神经网络模型迁移学习的晶状体浑浊分类方法流程图如图5所示。首先，基于ImageNet图像标注的数据集，在Inception-V3模型上进行预训练，提取一个2048维的特征向量。这一阶段充分利用知识迁移，使用预训练权重进行特征提取，不对Inception-V3的权重参数进行训练，与传统方法相比，提取特征更加高效。然后，将特征向量输入一个单层的全连接神经网络，因为训练好的Inception-V3模型已经将原始的图像抽象成更加容易分类的特征向量，因此使用一个包含Softmax分类器的单层全连接神经网络，再经过已分类的晶状体浑浊晶体图像训练后即得到最终分类结果。这一阶段，输入的特征向量主要承担对分类器的训练任务，使得分类器能够更好地基于已提取的特征完成分类。

实验

实验数据

MSLPP数据集共包含5302张晶状体浑浊晶体图像，5400张早期晶状体浑浊晶体图像，5537张正常晶体图像。本发明将该数据集划分训练集、验证集和测试集，其中，在三个类别中分别随机取出500张作为测试集，其余样本按6:1的比例随机分为训练集和验证集。其中，训练集共12630张，包含晶状体浑浊4083张、早期晶状体浑浊4241张、正常4306张；验证集共2109张，包含晶状体浑浊719张、早期晶状体浑浊659张、正常731张。具体各类别下图片数量如表1所示。

表1各分类下图片数量对比

将训练集和验证集数据进行扩增，测试集保持不变。扩增后，训练集和验证集的总数量由原来的14739张增加到了132651张，其中晶状体浑浊患者晶体裂隙灯图像变为43218张，早期晶状体浑浊患者晶体裂隙灯图像变为44100张，正常人的晶体裂隙灯图像变为45333张，具体各分类数量见表2。

表2扩增前后数量对比图

训练过程

本发明的所有代码都是以Keras(Keras是一个高层神经网络API，由纯Python编写而成)为前端、以TensorFlow(TensorFlow是谷歌研发的第二代人工智能学习系统)为后端完成的，该框架基于Ubuntu16.04(64位)+CUDA9.1+CUDNN9.0系统。采用的编程语言为python。

训练过程如下：

(1)加载去掉全连接层的Inception-V3模型以及用ImageNet数据集预训练得出的权重参数；

(2)在初始化后的Inception-V3网络上添加全连接层结构，并在全连接层中加入Dropout策略，比率设置为0.75；

(3)将除了全连接层以外的所有特征提取层冻结，然后将学习率设为0.001，利用预处理后的训练集训练1个epoch，迭代550次；(冻结特征提取层可以只选择全连接层进行训练，一方面能够防止过拟合，另一方面，由于在一个已训练好的模型上继续训练，故应在小范围内更新权值，以免破坏预训练好的特征)

(4)将所有层解冻，利用微调迁移学习(fine-tune)，继续用MSLPP数据集进行训练，采用随机梯度下降的方法，初始学习率设为0.01，训练100个epoch，每个epoch迭代550次，每结束一个epoch，利用验证集测试模型准确率，若准确率较上次提高，保存此次训练参数，若准确率降低，则利用之前保存的参数继续训练。批样本数batch_size设置为32，动量momentum设置为0.9。

利用quiver(针对Keras平台的一个可视化工具)将所得到的模型进行可视化，得到的特征图如图6所示。

系统评价

模型训练完成后，利用验证集对模型进行验证，其中晶状体浑浊的召回率为88.24％，早期晶状体浑浊的召回率为86.63％，正常的召回率为97.51％。随后，我们又用训练时模型未接触过的测试集进行测试，测试集包含图像共1500张，其中操作者判定为晶状体浑浊的有500张，早期晶状体浑浊500张，正常500张，经系统分类后情况如下表3所示。

本发明采用四种常用的指标来评估系统的性能：准确率Accuracy、召回率Recall、精确率Precision和F1指标F1_meature。准确率是分类性能的总体度量，它是分类正确的样本数与总样本数之比；召回率是所有正例样本中被分对的比例；精确率是被分为正例的样本中实际为正例的比例；F1指标是精确率和召回率的调和均值。它们的计算方法是：

其中，TP、TN、FP、FN分别是真阳性(true positive)，真阴性(true negative)，假阳性(false positive)和假阴性(false negative)的数量。以晶状体浑浊样本为例，“真阳性”意味着晶状体浑浊样本被正确分类为晶状体浑浊。如果晶状体浑浊样本被错误地归为其他分类，我们将其称为“假阴性”。“真阴性”和“假阳性”的含义类似，“真阴性”意味着其他分类样本未被错误地归为晶状体浑浊，而“假阳性”意味着其他分类样本被错误地归为晶状体浑浊。

按照上述测评方式，该系统的性能如下表4所示。

表4模型可靠性判定

基于卷积神经网络的晶状体浑浊程度检测系统，该系统包括图像预处理模块和检测模块；

图像预处理模块对待测图像进行预处理形成预处理图像数据；将图像预处理模块中的图像数据代入检测模块中的晶状体浑浊程度检测学习模型中实现检测；

检测模块包括MSLPP数据集构件模块、图像预处理模块和模型训练模块；

MSLPP数据集构件模块构建MSLPP数据集；然后通过图像预处理模块对数据集中的图像进行预处理；

模型训练模块对图像预处理模块预处理之后的图像形成的数据集进行模型训练得学习模型。