TWI689943B

TWI689943B - 智慧型淚膜破裂判讀方法及其系統

Info

Publication number: TWI689943B
Application number: TW107133903A
Authority: TW
Inventors: 蘇泰元; 劉子源; 陳敦裕
Original assignee: 元智大學
Priority date: 2018-09-26
Filing date: 2018-09-26
Publication date: 2020-04-01
Also published as: TW202013386A

Abstract

一種智慧型淚膜破裂判讀方法及其系統，淚膜穩定性是乾眼症的重要指標，其中最重要的檢測是淚膜破裂試驗，指測量淚膜維持完整到破裂所需的時間，目前使用螢光染劑評估淚膜的穩定性，並且以醫師目測判讀為主，本發明以智慧型淚膜破裂判讀系統以自動化的方式判別淚膜破裂，達到自動客觀的評估淚膜穩定的情況。

Description

智慧型淚膜破裂判讀方法及其系統

本發明係有關一種智慧型淚膜破裂判讀方法及其系統，尤指一種以自動化的方式判別淚膜破裂，達到自動客觀的評估淚膜穩定的情況。

按，乾眼症(Dry eye syndrome)是臨床眼科最為常見的疾病，佔人口比約10-15%。乾眼症的主要原因為淚水品質長期不良導致眼表受損發炎。淚膜的品質問題主要為淚膜的穩定性不足，因此醫師可由傳統的螢光淚膜穩定度試驗來評估病患的嚴重程度。檢測方式：首先使用螢光染劑滴於眼表，並經由藍色激發光使染色後淚膜產生綠色螢光，使醫師觀察淚膜表面的分布狀況評估淚膜穩定性。淚膜隨時間會逐漸降低穩定性，最後出現破裂區塊。醫師藉由破裂的時間多寡決定淚膜的穩定性，破裂所需的時間越長代表淚膜品質較佳，正常標準為大於五秒鐘，少於五秒鐘歸納為淚膜不穩定，雖然這方法在臨床上已被廣泛地使用，但非常仰賴眼科醫師的臨床上的判斷力，而且較無統一量化的標準，不同的醫師對淚膜破裂的情況可能都有不同的解讀，因此量測的重現性不高。

緣是，本發明之主要目的，係在提供一種智慧型淚膜破裂判讀方法及其系統，其分析淚膜穩定度的方法，可產生一淚膜穩定性的量化指標，是一種應用於眼科臨床的輔助檢測工具，具有客觀量化的優點。

為達上述目的，本發明所採用之步驟包含：a.提供一卷積類神經網路模型，該卷積類神經網路模型係依序由一第一卷積階段至一第N卷積階段、一全連接層及一softmax層所組成；b.分別設定一第一濾波器至一第N濾波器，而分別位在該第一卷積階段之卷積層至該第N卷積階段之卷積層上，且在該第一卷積階段之池化層係設定為最大池化與該第N-1卷積階段之池化層係設定為平均池化；c.使用一感興趣區域分割選擇一淚膜光學影像內之一破裂區、一非破裂區、一眼瞼、一睫毛或一鞏膜之感興趣圖像進行訓練，該感興趣圖像與該第一濾波器至該第N濾波器進行卷積運算，該第一濾波器至該第N濾波器可產生一第一特徵映射至一第N特徵映射，該第一特徵映射經由該第一卷積階段之池化層進行最大池化與該第N-1特徵映射經由該第N-1卷積階段之池化層進行平均池化，並以該第N特徵映射至該全連接層，使該破裂區、該非破裂區、該眼瞼、該睫毛及該鞏膜之感興趣圖像之運算結果可輸入至該全連接層；d.利用該softmax層對該全連接層所輸出該破裂區、該非破裂區、該眼瞼、該睫毛及該鞏膜之感興趣圖像進行類別標籤，並分別對應一第一預測分數、一第二預測分數、一第三預測分數、一第四預測分數及一第五預測分數，而可產生一第一分類標籤、一第二分類標籤、一第三分類標籤、一第四分類標籤及一第五分類標籤；以及e.藉由該第一分類標籤、該第二分類標籤、該第三分類標籤、該第四分類標籤及該第五分類標籤，當該淚膜光學影像隨時間變化出現該破裂區之感興趣圖像，則可偵測出一CNN淚膜破裂區域，並量化出一CNN淚膜破裂時間。

依據前揭特徵，當該CNN淚膜破裂時間越長，則淚膜越穩定；該CNN淚膜破裂時間既係藉由量化得出五秒。

依據前揭特徵，該淚膜光學影像特徵係分成穩定特徵與不穩定特徵。

依據前揭特徵，將該睫毛之感興趣圖像的模糊特徵進行訓練。

依據前揭特徵，該淚膜光學影像包括螢光、紫外線、可見光、紅外線、熱像之眼表影像其中任一所構成。

依據前揭特徵，該感興趣圖像之尺寸值為96X96像素。

依據前揭特徵，該N=5，使該第一卷積階段至該第五卷積階段及該第一濾波器至該第五濾波器，且該第一濾波器之數量值為32、尺寸值為5X5及步幅值為1；該第二濾波器之數量值為32、尺寸值為5X5及步幅值為1；該第三濾波器之數量值為64、尺寸值為5X5及步幅值為1；該第四濾波器之數量值為64、尺寸值為5X5及步幅值為1；該第五濾波器之數量值為128、尺寸值為4X4及步幅值為1。

依據前揭特徵，該第一卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該第二卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該第三卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該全連接層之濾波器之數量值為3、尺寸值為1X1及步幅值為1。

依據前揭特徵，該淚膜光學影像係分割成複數個網格，該網格之尺寸值為對應該感興趣圖像之尺寸值，並利用一擷取96X96像素之第一感興趣區域檢測該破裂區之感興趣圖像，該第一感興趣區域擴展成一擷取260X260像素之第二感興趣區域，該第二感興趣區域內設有一擷取96X96像素與步幅值為20之第三感興趣區域，該第三感興趣區域係鍵接該卷積類神經網路模型，使該第三感興趣區域分割該第二感興趣區域內之260X260像素，並輸出該破裂區之感興趣圖像的概率，再將該破裂區之感興趣圖像概率添加到一概率圖，該概率圖設定一選擇平均概率超過0.8之第四感興趣區域，該第四感興趣區域內之中心係定義為破裂的中心，使該第四感興趣區域形成一測量出該CNN淚膜破裂區域之第五感興趣區域。

依據前揭特徵，該步驟c更包括該感興趣區域在尚未分割選擇該淚膜光學影像之前，先利用該眼瞼之上眼瞼與該眼瞼之下眼瞼的距離來偵測張閉眼。

一種智慧型淚膜破裂判讀系統，包括：依據如請求項1之方法所撰寫而具有a~e步驟之CNN淚膜破裂時間測量程式；一記憶體，其內儲存該CNN淚膜破裂時間測量程式；一微處理器，係電性連接該記憶體；一影像擷取單元，係電性連接該微處理器，並擷取一人體之淚膜光學影像，使該微處理器透過該CNN淚膜破裂時間測量程式來計算該人體之淚膜光學影像之CNN淚膜破裂時間；以及一顯示單元，係電性連接該微處理器，並輸出該CNN淚膜破裂時間及該CNN淚膜破裂區域。

藉助上揭技術手段，其淚膜穩定檢測自動化標準化，可以節省臨床醫師的診察時間，並且提供客觀的淚膜穩定性指標，輔助乾眼症診斷。

a~e:步驟

10:智慧型淚膜破裂判讀系統

11:CNN淚膜破裂時間測量程式

12:記憶體

13:微處理器

14:影像擷取單元

15:顯示單元

V:淚膜光學影像

ROI(a):第一感興趣區域

ROI(b):第二感興趣區域

ROI(c):第三感興趣區域

ROI(d):第四感興趣區域

ROI(e):第五感興趣區域

(A):睫毛

(B):破裂區

(C):非破裂區

(D):鞏膜

(E):眼瞼

FC:全連接層

Conv1~Conv5:第一卷積階段至第五卷積階段

(a)、(b)、(c):淚膜破裂影像

(d)、(e)、(f):正常淚膜影像

(m):睫毛之感興趣圖像的模糊特徵

Softmax:softmax層

圖1係本發明之流程圖。

圖2係本發明卷積類神經網路模型之整體架構圖。

圖3係本發明分割圖像之樣本圖。

圖4係本發明CNN淚膜破裂時間經過之示意圖。

圖5係本發明偵測張閉眼之示意圖。

圖6係本發明CNNBUT與FTBUT之曲線圖。

圖7係本發明智慧型系統之方塊電路圖。

圖8係本發明訓練樣本之示意圖。

圖9係本發明CNN淚膜破裂時間之示意圖。

圖10係本發明睫毛之感興趣圖像的模糊特徵示意圖。

首先，請參閱圖1所示之流程圖，並配合圖2~圖3所示，本發明一種使用卷積類神經網路(CNN)篩檢乾眼症之淚膜破裂時間測量方法，係包括下列步驟：a.提供一卷積類神經網路模型，該卷積類神經網路(Convolutional Neural Networks,CNN)模型(model)係依序由一第一卷積階段至一第N卷積階段、一全連接層及一softmax層所組成。

b.分別設定一第一濾波器至一第N濾波器，而分別位在該第一卷積階段之卷積層至該第N卷積階段之卷積層上，且在該第一卷積階段之池化層係設定為最大池化與該第N-1卷積階段之池化層係設定為平均池化，本實施例中，該卷積層與該池化層之間更包括一非線性激活層(non-linear activation)及一局部歸一化層(local response normalization layers)，該非線性激活層為整流線性單元及最大池層通過用每個塊的最大值替換每個塊來對特徵映射進行下採樣，並以最大池化可以幫助減少特徵維度並實現在一定水平上的移位，縮放和旋轉的不變性，但不以此為限。

如圖2所示，其該卷積類神經網路模型共有5個卷積層(Convolutional layer,Conv)，4個池化層(Pooling layer,P)，1個全連接層(Fully-connected layer,FC)和1個softmax層，其一層的輸出是下一層的輸入，使網絡結構具有更高的容錯空間並更準確地實現數據分類，並在訓練階段，該卷積類神經網路模型之每個深度都被分別訓練以捕獲圖像組中的特定特徵，並配合表一所示，其CNN網絡架構(Architecture for CNN network)，而該N=5，使該第一卷積階段至該第五卷積階段(Conv1~Conv5)及該第一濾波器(Filter)至該第五濾波器，且該第一濾波器之數量值(number)為32、尺寸值(size)為5X5及步幅值(Stride)為1；該第二濾波器之數量值為32、尺寸值為5X5及步幅值為1；該第三濾波器之數量值為64、尺寸值為5X5及步幅值為1；該第四濾波器之數量值為64、尺寸值為5X5及步幅值為1；該第五濾波器之數量值為128、尺寸值為4X4及步幅值為1；該第一卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該第二卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該第三卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該全連接層(FC)之濾波器之數量值為3、尺寸值為1X1及步幅值為1；該第一卷積階段之卷積層至該第五卷積階段之卷積層在備註(Remark)上，亦說明邊界(Pad)將影響是否矩陣零填充(matrix zero-padded)，但不以此為限。

c.使用一感興趣區域分割選擇一淚膜光學影像(V)內之一破裂區(Break-up)(B)、一非破裂區(Non-break)(C)、一眼瞼(Eyelid)(E)、一鞏膜(Sclera)(D)或一睫毛(Eyelash)(A)之感興趣圖像進行訓練，該感興趣圖像與該第一濾波器至該第N濾波器進行卷積運算，該第一濾波器至該第N濾波器可產生一第一特徵映射至一第N特徵映射，該第一特徵映射經由該第一卷積階段之池化層進行最大池化與該第N-1特徵映射經由該第N-1卷積階段之池化層進行平均池化，並以該第N特徵映射至該全連接層(FC)，使該破裂區(B)、該非破裂區(C)、該眼瞼(E)、該鞏膜(D)及該睫毛(A)之感興趣圖像之運算結果可輸入至該全連接層(FC)，故通過卷積，這些特徵可以捕獲圖像的識別性信息，本實施例中，該感興趣圖像之尺寸值為96X96像素；該淚膜光學影像(V)特徵係分成穩定特徵與不穩定特徵；該淚膜光學影像(V)包括螢光、紫外線、可見光、紅外線、熱像之眼表影像其中任一所構成，但不以此為限。

如圖3所示，其分割圖像的樣本，亦為分成五類：該破裂區(B)、該非破裂區(C)、該眼瞼(E)、該睫毛(A)及該鞏膜(D)，將訓練分成三個子集(訓練集(Train)，驗證集(Val)和測試集(Test))，其中每個集合中的樣本數目如表2所示。在人為增加訓練樣本中之隨機移動圖像，而可避免過度擬合。

此外，該步驟c更包括該感興趣區域在尚未分割選擇該淚膜光學影像(V)之前，先利用該眼瞼(E)之上眼瞼與該眼瞼(E)之下眼瞼的距離來偵測張閉眼之方法，本實施例中，如圖5所示，其為閉眼之圖像(Close eye image)與開眼之圖像(Open eye image)係分別顯示十個之眼瞼圖像(Eyelid image)與三個之眼瞼圖像(Eyelid image)，亦可計數眼瞼圖像數量(Number of eyelidimage)，並在連續幀(Frame)得知在a區段為閉眼階段及b區段為張眼階段，但不以此為限。

d.利用該softmax層對該全連接層(FC)所輸出該破裂區(B)、該非破裂區(C)、該眼瞼(E)、該睫毛(A)及該鞏膜(D)之感興趣圖像進行類別標籤，並分別對應一第一預測分數、一第二預測分數、一第三預測分數、一第四預測分數及一第五預測分數，而可產生一第一分類標籤、一第二分類標籤、一第三分類標籤、一第四分類標籤及一第五分類標籤。

e.藉由該第一分類標籤、該第二分類標籤、該第三分類標籤、該第四分類標籤及該第五分類標籤，當該淚膜光學影像(V)隨時間變化出現該破裂區(B)之感興趣圖像，則可測量出一CNN淚膜破裂區域，並量化出一CNN淚膜破裂時間，本實施例中，當該CNN淚膜破裂時間越長，則淚膜越穩定；該CNN淚膜破裂時間既係藉由量化得出五秒，乃依據小於等於5秒的螢光淚膜破裂時間(Fluorescent tear film break-up time,FTBUT)被分類為乾眼組，超過5秒的螢光淚膜破裂時間被分類為正常組，但不以此為限。

如圖4所示，其該淚膜光學影像(V)係分割成複數個網格，該網格之尺寸值為對應該感興趣圖像之尺寸值，並利用一擷取96X96像素之第一感興趣區域(ROI(a))檢測該破裂區之感興趣圖像，該第一感興趣區域(ROI(a))擴展成一擷取260X260像素之第二感興趣區域(ROI(b))，該第二感興趣區域(ROI(c))內設有一擷取96X96像素與步幅值為20之第三感興趣區域(ROI(c))，該第三感興趣區域(ROI(c))係鍵接該卷積類神經網路模型(CNN model)，使該第三感興趣區域(ROI(c))分割該第二感興趣區域(ROI(b))內之260X260像素，並輸出該破裂區之感興趣圖像的概率，再將該破裂區之感興趣圖像概率添加到一概率圖(Probability map)，該概率圖設定一選擇平均概率超過0.8之第四感興趣區域(ROI(d))，該第四感興趣區域(ROI(d))內之中心係定義為破裂的中心(Center of break up)，使該第四感興趣區域(ROI(d))形成一測量出該卷積類神經網路之淚膜破裂區域之第五感興趣區域(ROI(e))，故檢測到該破裂區之感興趣圖像的是CNN淚膜破裂時間(CNNBUT)。

基於如此之構成，以混淆矩陣用於可視覺化實際類別與預測分類結果之間的差異。行對應於實際的類標籤，而列對應於CNN網絡模型所做的預測。矩陣中每個元素的值是使用與該列對應的類進行的預測的數量，例如，具有由該行表示的正確值。因此，對角線數值顯示了為每個類所做的正確分類的數量，而非對角線數值則顯示了所做出的錯誤。

如表三所示，其使用所提出的CNN網絡模型進行該淚膜光學影像(V)之混淆矩陣(Confusion matrix)，而總結了我們結果的混淆矩陣。該破裂區(B)、該非破裂區(C)、該眼瞼(E)、該睫毛(A)及該鞏膜(D)的準確度分別為98.3,92.3,94.6,95.6和92.8%。從混亂矩陣中，破裂組顯示98.3%的分類準確性，而未破裂組的0.38%和睫毛的1.27%被誤分類到破裂組。混淆矩陣包含關於分類系統產生的實際和預測分類的信息。數據分析顯示，CNN分類器在98%的測試集圖像中檢測到分解區域。

表四所示，其總結乾眼(Dry eye)和正常(Normal)之對照組，而N為參加人數、平均年齡(Age(year))、性別(Gender)中之M為男性與F為女性、s為秒、CNNBUT、FTBUT之參數結果。乾眼組顯示平均年齡(Age(year))顯著更高，同時FTBUT測試值顯著下降。在乾眼和正常眼組中都測試了偵測張閉眼之方法。手動選擇和所提出的方法測量的時間差異為3±0.3幀。根據所用設備的幀速率，時間差小於0.13秒。

接下來，我們分析了正常和乾眼患者中CNNBUT和FTBUT的相關性，結果顯示出顯著的相關性(Correlation)，如圖6所示(r=0.9)。受試者所建構的工作特徵(Receiver Operating Characteristic,ROC)曲線。當截斷值設定為5秒時，CNNBUT顯示可接受的敏感性(Sensitivity)和特異性(Specificity)以篩選乾眼(分別為0.83和0.95)及曲線下面積(Area Under Curve,AUC)為0.96。

如圖7所示，其一種智慧型淚膜破裂判讀系統，包括：依據如請求項1之方法所撰寫而具有a~e步驟之CNN淚膜破裂時間測量程式11；一記憶體12，其內儲存該CNN淚膜破裂時間測量程式11；一微處理器13，係電性連接該記憶體12；一影像擷取單元14，係電性連接該微處理器13，並擷取一人體之淚膜光學影像(V)，使該微處理器13透過該CNN淚膜破裂時間測量程式11來計算該人體之淚膜光學影像(V)之CNN淚膜破裂時間；以及一顯示單元15，係電性連接該微處理器13，並輸出該CNN淚膜破裂時間及該CNN淚膜破裂區域，故目前臨床主要以醫師目測判斷淚膜穩定性，本方法與目前方法的最大差異為自動產生一個客觀的淚膜穩定性指標。

如圖8所示，其淚膜破裂時間是臨床上評估淚膜穩定指標，指第一次眼睛眨眼後出現破裂所需的時間，本實施範例將卷積神經網路運用在判斷淚膜破裂時間上。包括以下步驟，首先以裂隙燈取得螢光淚膜試驗的影像，作為標準淚膜破裂測試影片。接著擷取出含有破裂特徵、無破裂特徵作為訓練樣本。圖為訓練樣本，其中(a)、(b)、(c)為淚膜破裂影像(d)、(e)、(f)為正常淚膜影像，本實施範例以六層卷積神經網路架構作為智慧型系統。待系統經由訓練程序後，即可判別淚膜是否破裂。

如圖9所示，其將睜眼後每一幀(1幀=1/24秒)的影像放入上述訓練好的卷積神經網路模組判斷，當判別出含有破裂特徵的影像，即為卷積神經網路判定得CNNBUT。這個時間越長代表淚膜越穩定。分別帶入一至六秒的淚膜影像，並經由訓練過後的智慧型系統識別是否出現破裂區域，由圖像得知第五秒已偵測破裂區域出現(白色框線標示)，因此淚膜破裂時間為五秒。本發明可自動化的判別方法可以取代醫師耗時判斷的過程，提供一個客觀方便的輔助診斷工具。此外，如圖10所示，其焦點不佳導致該睫毛之感興趣圖像錯分到別組，亦可將該睫毛之感興趣圖像的模糊特徵添加到訓練樣本，即可消除此類錯誤。

綜上所述，本發明所揭示之技術手段，確具「新穎性」、「進步性」及「可供產業利用」等發明專利要件，祈請鈞局惠賜專利，以勵創作，無任德感。

惟，上述所揭露之圖式、說明，僅為本發明之較佳實施例，大凡熟悉此項技藝人士，依本案精神範疇所作之修飾或等效變化，仍應包括在本案申請專利範圍內。

a~e:步驟

Claims

一種智慧型淚膜破裂判讀方法，其步驟，包含：a.提供一卷積類神經網路模型，該卷積類神經網路模型係依序由一第一卷積階段至一第N卷積階段、一全連接層及一softmax層所組成；b.分別設定一第一濾波器至一第N濾波器，而分別位在該第一卷積階段之卷積層至該第N卷積階段之卷積層上，且在該第一卷積階段之池化層係設定為最大池化與該第N-1卷積階段之池化層係設定為平均池化；c.使用一感興趣區域分割選擇一淚膜光學影像內之一破裂區、一非破裂區、一眼瞼、一睫毛或一鞏膜之感興趣圖像進行訓練，該感興趣圖像與該第一濾波器至該第N濾波器進行卷積運算，該第一濾波器至該第N濾波器可產生一第一特徵映射至一第N特徵映射，該第一特徵映射經由該第一卷積階段之池化層進行最大池化與該第N-1特徵映射經由該第N-1卷積階段之池化層進行平均池化，並以該第N特徵映射至該全連接層，使該破裂區、該非破裂區、該眼瞼、該睫毛及該鞏膜之感興趣圖像之運算結果可輸入至該全連接層；d.利用該softmax層對該全連接層所輸出該破裂區、該非破裂區、該眼瞼、該睫毛及該鞏膜之感興趣圖像進行類別標籤，並分別對應一第一預測分數、一第二預測分數、一第三預測分數、一第四預測分數及一第五預測分數，而可產生一第一分類標籤、一第二分類標籤、一第三分類標籤、一第四分類標籤及一第五分類標籤；以及e.藉由該第一分類標籤、該第二分類標籤、該第三分類標籤、該第四分類標籤及該第五分類標籤，當該淚膜光學影像隨時間變化出現該破裂區之感興趣圖像，則可偵測出一CNN淚膜破裂區域，並量化出一CNN淚膜破裂時間。
如請求項1所述之智慧型淚膜破裂判讀方法，其中，當該CNN淚膜破裂時間越長，則淚膜越穩定，而該CNN淚膜破裂時間既係藉由量化得出五秒。
如請求項2所述之智慧型淚膜破裂判讀方法，其中，該淚膜光學影像特徵係分成穩定特徵與不穩定特徵。
如請求項1所述之智慧型淚膜破裂判讀方法，其中，將該睫毛之感興趣圖像的模糊特徵進行訓練。
如請求項1所述之智慧型淚膜破裂判讀方法，其中，該淚膜光學影像包括螢光、紫外線、可見光、紅外線、熱像之眼表影像其中任一所構成。
如請求項1所述之智慧型淚膜破裂判讀方法，其中，該感興趣圖像之尺寸值為96X96像素。
如請求項6所述之智慧型淚膜破裂判讀方法，其中，該N=5，使該第一卷積階段至該第五卷積階段及該第一濾波器至該第五濾波器，且該第一濾波器之數量值為32、尺寸值為5X5及步幅值為1；該第二濾波器之數量值為32、尺寸值為5X5及步幅值為1；該第三濾波器之數量值為64、尺寸值為5X5及步幅值為1；該第四濾波器之數量值為64、尺寸值為5X5及步幅值為1；該第五濾波器之數量值為128、尺寸值為4X4及步幅值為1。
如請求項7所述之智慧型淚膜破裂判讀方法，其中，該第一卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該第二卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該第三卷積階段之池化層之濾波器之尺寸值為3X3及步幅值為2；該全連接層之濾波器之數量值為3、尺寸值為1X1及步幅值為1。
如請求項6所述之智慧型淚膜破裂判讀方法，其中，該淚膜光學影像係分割成複數個網格，該網格之尺寸值為對應該感興趣圖像之尺寸值，並利用一擷取96X96像素之第一感興趣區域檢測該破裂區之感興趣圖像，該第一感興趣區域擴展成一擷取260X260像素之第二感興趣區域，該第二感興趣區域內設有一擷取96X96像素與步幅值為20之第三感興趣區域，該第三感興趣區域係鍵接該卷積類神經網路模型，使該第三感興趣區域分割該第二感興趣區域內之260X260像素，並輸出該破裂區之感興趣圖像的概率，再將該破裂區之感興趣圖像概率添加到一概率圖，該概率圖設定一選擇平均概率超過0.8之第四感興趣區域，該第四感興趣區域內之中心係定義為破裂的中心，使該第四感興趣區域形成一測量出該CNN淚膜破裂區域之第五感興趣區域。
如請求項1所述之智慧型淚膜破裂判讀方法，其中，該步驟c更包括該感興趣區域在尚未分割選擇該淚膜光學影像之前，先利用該眼瞼之上眼瞼與該眼瞼之下眼瞼的距離來偵測張閉眼。
一種智慧型淚膜破裂判讀系統，包括：依據如請求項1之方法所撰寫而具有a~e步驟之CNN淚膜破裂時間測量程式；一記憶體，其內儲存該CNN淚膜破裂時間測量程式；一微處理器，係電性連接該記憶體；一影像擷取單元，係電性連接該微處理器，並擷取一人體之淚膜光學影像，使該微處理器透過該CNN淚膜破裂時間測量程式來計算該人體之淚膜光學影像之CNN淚膜破裂時間；以及一顯示單元，係電性連接該微處理器，並輸出該CNN淚膜破裂時間及該CNN淚膜破裂區域。