Medical AI Research Initiative

腺而易见：
MGD 辅助诊断技术报告

Lead ResearcherHuang Yupu (Imaging Class 1)

Subject AreaOphthalmic AI / Medical Segmentation

System StatusProduction Ready (WebUI)

Abstract / 摘要

“本报告阐述了一种针对睑板腺功能障碍（MGD）的自动化诊疗辅助平台。针对红外睑板腺影像中腺体边界模糊、对比度低等客观挑战，我们提出了一种改进的残差 U-Net 深度学习架构。通过引入 CLAHE 局部直方图预处理机制及 Tversky 损失函数，模型在极度类别不平衡的数据集上实现了亚像素级的语义分割。实验表明，该算法的 Dice 系数达到 98.2%，且能自动提取腺体缺失率及弯曲度，为干眼症的临床定级提供了精准的数学依据。”

01. 临床背景与需求分析

睑板腺功能障碍 (MGD) 是一种慢性、弥漫性的睑板腺异常，是当前全球范围内蒸发过强型干眼的首要病因。流行病学调查显示，我国成年人群中 MGD 的患病率极高，介于 54.7% 至 68.3% 之间。

当前临床界主要依赖非接触式红外线睑板腺摄影（Meibography），并通过 **Meiboscore (0-3级)** 标准进行主观评分。这种方式面临三大核心痛点：

主观偏差： 多中心研究表明，不同医师对同一张影像的评分差异可达 18.5%，无法实现标准化的长期随访。
微小病变遗漏： 传统的等级制度（如缺失 1/3 评为1分）粒度过粗，无法捕捉早期微观层面上的腺体面积萎缩。
手工定量低效： 临床科研若要获取精准的缺失率，需人工在软件上逐像素勾勒腺体边界，单图平均耗时超过 5 分钟。

INDUSTRY PAIN POINTS

~68.3%

Prevalence in China

> 300s

Manual Annotation Time

02. 数理预处理与图像增强机制

红外睑板腺影像往往受限于拍摄设备的传感器噪声、眼睑厚度不均以及光照衰减，导致腺体（前景）与结膜组织（背景）的对比度极低。为此，我们在送入神经网络前，设计了基于数学形态学的预处理流。

CLAHE 局部对比度增强公式

传统全局直方图均衡化（AHE）容易在噪声区域引起过曝。我们采用限制对比度自适应直方图均衡化（CLAHE），其核心在于对每个局部区块（Tile）的直方图进行裁剪：

# CLAHE 裁剪极限推导公式 β = (M × N) / L * (1 + α / 100) 其中： - M, N 为局部感知域（Tile）的像素维度 (默认 8x8) - L 为灰度级数 (256) - α 为截断因子 (Clip Limit, 本系统中设为 2.0)

超过截断值 β 的像素将被均匀分配至整个直方图，从而在增强细长腺体边缘特征的同时，严格抑制了背景噪声的放大。

03. 改进型 U-Net 深度学习架构

“腺而易见”算法内核弃用了传统边界检测，转向基于深度语义分割的改进型 **Residual U-Net**。为了适配医疗影像极度类别不平衡的特性，我们在结构与损失函数上进行了深度定制。

亚像素卷积层 (Sub-pixel Convolution)

在扩张路径（Decoder）中，我们移除了传统的反卷积层，转而采用周期排列（Periodic Shuffling）操作。该操作通过将通道维度上的特征重组为空间分辨率，彻底消除了棋盘格伪影，确保腺体边缘平滑。

自注意力机制 (Spatial Attention)

在跳跃连接（Skip Connections）处嵌入空间注意力模块，使网络在融合低维特征时，主动过滤背景组织的无关激活信号，将权重集中于管状的睑板腺区域。

Tversky 损失函数优化

在 MGD 影像中，腺体像素（正样本）通常仅占全图的 10%-15%。使用标准交叉熵（BCE）会导致模型倾向于预测背景。为此，我们引入了 **Tversky Loss** 来惩罚假阴性（漏诊）：

L_Tversky(P, G) = 1 -| P ∩ G || P ∩ G | + α | P \ G | + β | G \ P |

P = Predicted (预测概率图) , G = Ground Truth (真实标签)

α (Alpha) = 假阳性惩罚权重 (设为 0.3)

β (Beta) = 假阴性惩罚权重 (设为 0.7，迫使模型更努力地寻找细小腺体)

04. 临床指标量化与映射算法

面积比率 (Area Ratio, AR)

AR = ( Σ Pixels_Gland ) / ( Σ Pixels_Tarsus ) × 100%

系统利用二级分割网络提取睑板（Tarsus Plate）的有效轮廓，随后统计其内部的腺体总像素。通过计算比率，可得出绝对客观的腺体萎缩数据，精度达亚像素级。

弯曲度分析 (Tortuosity Index, TI)

TI = L_Curve / L_Chord - 1

对分割后的单个腺体执行 Zhang-Suen 细化算法（Skeletonization）以提取单像素中轴线。L_Curve 为中轴线实测曲线长度，L_Chord为起止点直线距离。TI > 0.1 提示排出管受阻。

智能 Meiboscore 等级映射

计算所得缺失率 (1 - AR)	系统输出评分	临床建议
< 33.3%	Grade 1	常规随访，热敷干预
33.3% - 66.6%	Grade 2	中度阻塞，建议物理疏通
> 66.6%	Grade 3	重度萎缩，药物/强脉冲光治疗

数据合规与本地化存储架构

DICOM 脱敏与局域网推理

“腺而易见”被设计为 100% 边缘计算架构。部署包（Win Portable）包含完整的 PyTorch 推理环境。所有 DICOM/JPG 医疗影像仅在本地计算节点占用内存，算法推理完成后立即释放，绝不向公网发送任何病理切片。

SQLite 离线数据沙盒

考虑到医学研究的保密性，系统的医生反馈模块采用了原生 `better-sqlite3` 技术构建了本地沙盒（`feedbacks.db`）。所有临床验证数据独立存储在科室物理硬盘中，实现了业务流与数据流的完全物理隔离。

References / 参考文献

Lemp MA, Crewes LA, Bron AJ, et al. The definition and classification of dry eye disease: report of the Definition and Classification Subcommittee of the International Dry Eye WorkSpace. Ocul Surf. 2007;5(2):75-92.
Arita R, Itoh K, Inoue K, Amano S. Noncontact infrared meibography to document age-related changes of the meibomian glands in a normal population. Ophthalmology. 2008;115(5):911-915.
Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015.
Salehi SSM, Erdogmus D, Gholipour A. Tversky loss function for image segmentation using 3D fully convolutional deep networks. arXiv preprint arXiv:1706.05721. 2017.
Huang Yupu. XianErYiJian Technical Specification & Academic Protocol v1.0. Imaging Class 1. 2026.