CN105488350B - 基于反应扩散模型的三维脉络膜新生血管生长预测方法 - Google Patents
基于反应扩散模型的三维脉络膜新生血管生长预测方法 Download PDFInfo
- Publication number
- CN105488350B CN105488350B CN201510868723.8A CN201510868723A CN105488350B CN 105488350 B CN105488350 B CN 105488350B CN 201510868723 A CN201510868723 A CN 201510868723A CN 105488350 B CN105488350 B CN 105488350B
- Authority
- CN
- China
- Prior art keywords
- growth
- image
- cnv
- reaction
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000005590 Choroidal Neovascularization Diseases 0.000 title claims abstract description 65
- 206010060823 Choroidal neovascularisation Diseases 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009792 diffusion process Methods 0.000 title claims abstract description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 47
- 201000010099 disease Diseases 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 210000001525 retina Anatomy 0.000 claims description 20
- 210000003161 choroid Anatomy 0.000 claims description 12
- 230000002207 retinal effect Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000001225 therapeutic effect Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 3
- 208000002367 Retinal Perforations Diseases 0.000 claims description 3
- 206010038897 Retinal tear Diseases 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 238000002651 drug therapy Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000033379 Chorioretinopathy Diseases 0.000 description 1
- 201000002563 Histoplasmosis Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 206010029113 Neovascularisation Diseases 0.000 description 1
- 208000034038 Pathologic Neovascularization Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 230000002491 angiogenic effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 208000001309 degenerative myopia Diseases 0.000 description 1
- 230000004340 degenerative myopia Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
本发明公开了一种基于反应扩散模型的三维脉络膜新生血管生长预测方法，包括以下步骤：图像预处理、网格化、建模、参数训练、生长预测。本发明融合了刚性配准、ISO2Mesh网格化方法、反应扩散模型、多项式数据拟合法等步骤，预测结果具有较高的准确性，能够有效的预测疾病的发展趋势，对于临床相关眼科疾病的诊断与治疗能起到重要的辅助作用。
Description
技术领域
本发明涉及一种基于反应扩散模型的三维脉络膜新生血管生长预测方法，尤其是对SD-OCT(频域光学相干断层成像)的视网膜图像中的病变区域的生长预测方法，属于视网膜图像处理技术领域。
背景技术
脉络膜新生血管(choroid neovascularization,CNV)又称视网膜下新生血管，是来自脉络膜的病理性新生血管。CNV是发达国家老年人视力损害的主要原因之一，可发生于许多眼底疾病，如年龄相关性黄斑变性、中心性渗出性脉络膜视网膜病变、特发性脉络膜新生血管、病理性近视黄斑变性、眼组织胞浆菌病综合征等多种眼内疾病，因CNV管壁通透性较高，易出血和渗出，久之则形成瘢痕，造成黄斑部损伤，严重影响中心视力，甚至致盲。SD-OCT技术已经成为无损评估视网膜疾病的一种强有力的工具，它能提供快速的、高分辨率的、显示视网膜内部分层的三维图像，为临床眼科医生对疾病的诊断和治疗提供了帮助。在视网膜OCT图像中可以清晰的分辨出CNV病变区域的大小、形状、位置。在药物治疗的作用下，因病人体质不同，CNV疾病区域的生长和萎缩也不同，如果能够准确的预测CNV疾病区域的生长，就能辅助临床给予合适的药物治疗，然而目前还没有通过OCT图像对CNV进行生长预测的技术。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种基于反应扩散模型的三维脉络膜新生血管生长预测方法，借助科学研究方法明确脉络新生血管疾病区域的位置和大小，来协助医生对脉络膜新生血管疾病进行预判断，帮助临床眼科专家为病人提供更好的治疗方案。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于反应扩散模型的三维脉络膜新生血管生长预测方法，其特征在于，包括以下步骤：
(1)图像预处理：进行不同时间点OCT图像间的配准以及CNV疾病区域、外视网膜层、内视网膜层、脉络膜层的分割；
(2)网格化：采用ISO2Mesh网格化方法，将分割出来的外视网膜层、内视网膜层、脉络膜层、CNV疾病区域分别进行三角剖分，创建四面体网格；
(3)建模：对CNV疾病区域用反应扩散模型进行建模，模拟出疾病区域的生长变化过程；
(4)参数训练：依据重叠精度准则来创建目标函数，通过目标函数来寻找每个时间点的最优生长参数；
(5)生长预测：用多项式拟合方法对CNV生长参数进行拟合，得到生长曲线，将预测出来的图像与真实图像对比得到预测准确率。
所述步骤(1)图像预处理包括配准和分割：
(a)OCT图像配准
采用刚性变换对三维OCT图像进行配准，即通过平移、旋转和反转把一幅图像中的点(x,y,z)变换到点(x′,y′,z′)；本发明试验中共用到两个病人的数据，每月采一次OCT图像，共11个月，故要对22个时间点的数据进行配准。
(b)OCT图像分割
在医生的监督下，将视网膜分割为外视网膜层，内视网膜层、脉络膜层和CNV疾病区域四个部分。
所述步骤(2)中ISO2Mesh网格化方法是一种基于二值图像或者灰度图像的网格生成方法，包括原始图像处理、表面网格提取、表面重采样、多尺度或自适应四面体网格生成。
所述步骤(3)建模具体是指，在三维视网膜OCT图像中的CNV疾病区域用反应扩散建模来模拟CNV疾病的生长以及对周围视网膜组织的侵害；
f＝ρu(1-u) (2)
u代表脉络膜新生血管分布密度，t是时间，f是源项，代表CNV疾病的生长，ρ是CNV疾病的生长参数，C是扩散系数，代表视网膜边界，表示单位向量，a是治疗系数。
然后用有限元的方法将连续方程离散化，用来解反应扩散的偏微分方程。
所述步骤(4)参数训练具体是指，假设扩散能力不变，即CNV疾病在脉络膜层的扩散速率cn，与在内视网膜层和外视网膜层的扩散速率ci是一个常数，但是脉络膜新生血管(CNV)的生长速率在变，即寻找最优的θ*＝{ci,cn,ρ}，令ρ1,ρ2…ρ10是分别对应时间点t1,t2…t10的生长参数，那么参数θ描述为θ＝{ci,cn,ρ1,ρ2…ρ10}，依据重叠精度准则来创建目标函数如下
其中，w系数取1/2，Ii+1是用来验证的实际图像，Ii,θ是在图像Ii的基础上用参数θ预测出来的图像。
所述步骤(5)生长预测具体是指，得到最优的参数后，将10个时间点的生长参数{ρ1,ρ2…ρ10}按如下公式进行拟合，得到生长曲线，
ρ＝a·t4+b·t3+c·t2+d·t+e (5)
其中，a,b,c,d,e是生长系数。
脉络新生血管疾病的生长参数曲线是基于最小方差来拟合得到的，用它来预测第11个时间点的生长参数。
有益效果：本发明提供的基于反应扩散模型的三维脉络膜新生血管生长预测方法，具有可行性和有效性的针对脉络膜新生血管，对于脉络膜新生血管疾病的临床诊断与药物治疗起到重要的辅助作用。本发明融合了刚性配准、ISO2Mesh网格化方法、反应扩散模型、多项式数据拟合法等步骤，预测结果具有较高的准确性，能够有效的预测疾病的发展趋势，对于临床相关眼科疾病的诊断与治疗能起到重要的辅助作用。
附图说明
图1为图像预处理结果：(a)原图像(b)分割后图像，分割出来的梭形区域为CNV疾病区域，OCT图像从上至下依次分割成外视网膜层、内视网膜层和脉络膜层；
图2为网格化处理结果(a)网格化视网膜图像(b)三角剖分后的三维CNV疾病区域(c)生长建模的三维后处理切片图像；
图3为本发明治疗方案中药物注射的时间，向上箭头标记的是注射药物的时间点；
图4为病人的CNV生长参数拟合曲线图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明基于反应扩散模型的三维脉络膜新生血管生长预测方法主要包括5个步骤：图像预处理、网格化、建模、参数训练、生长预测。具体描述如下：
(1)图像预处理
图像预处理主要包括以下两个步骤：配准和分割
(a)OCT图像配准
采用刚性变换对三维OCT图像进行配准，即通过平移、旋转和反转把一幅图像中的点(x,y,z)变换到点(x′,y′,z′)。本发明试验中共用到两个病人的数据，每月采一次OCT图像，共11个月，故要对22个时间点的数据进行配准。
(b)OCT图像分割
在经验丰富的医生的监督下，将视网膜分割为外视网膜层，内视网膜层、脉络膜层和CNV疾病区域四个部分，分割结果如图1所示。
(2)网格化
ISO2Mesh是一种基于二值图像或者灰度图像的网格生成方法，包括原始图像处理、表面网格提取、表面重采样、多尺度或自适应四面体网格生成等一系列建网步骤。本发明采用ISO2Mesh网格化方法，将分割出来的三维的外视网膜层、内视网膜层、脉络膜层、CNV疾病区域分别进行三角剖分，创建四面体网格，结果如图2所示。
(3)建模
反应扩散模型是一种考虑扩散、迁移和增长的模型。本发明首次在三维视网膜OCT图像中的CNV疾病区域用反应扩散建模来模拟CNV疾病的生长以及对周围视网膜组织的侵害。
f＝ρu(1-u) (2)
u代表脉络膜新生血管分布密度，t是时间，f是源项，代表CNV疾病的生长，ρ是CNV疾病的生长参数，C是扩散系数，代表视网膜边界，表示单位向量，a是治疗系数。本方法中用两个给予不同治疗方案的病人进行试验，治疗方案如图3所示，假设a为常数，试验得到a＝0.02。然后用有限元的方法将连续方程离散化，用来解反应扩散的偏微分方程。
(4)参数训练
在本发明中，假设扩散能力不变，即CNV疾病在脉络膜层的扩散速率cn，与在内视网膜层和外视网膜层的扩散速率ci是一个常数，但是脉络膜新生血管(CNV)的生长速率在变，即寻找最优的θ*＝{ci,cn,ρ}，令ρ1,ρ2…ρ10是分别对应时间点t1,t2…t10的生长参数，那么参数θ就可以描述为θ＝{ci,cn,ρ1,ρ2…ρ10}，依据重叠精度准则来创建目标函数如下
其中，w系数取1/2，Ii+1是用来验证的实际图像，Ii,θ是在图像Ii的基础上用参数θ预测出来的图像。
(5)生长预测
得到最优的参数后，我们将这10个时间点的生长参数{ρ1,ρ2…ρ10}按如下公式进行拟合，得到生长曲线，如图4所示。
ρ＝a·t4+b·t3+c·t2+d·t+e (5)
公式中，a,b,c,d,e是生长系数。脉络新生血管疾病的生长参数曲线是基于最小方差来拟合得到的，用它来预测第11个时间点的生长参数。
(6)实验结果
对CNV疾病区域分割，以一个专家手动分割结果作为金标准与本方法预测出来的图像进行对比。采用真阳性率TPVF、假阳性率FPVF以及戴斯系数作为评估方法的客观指标，计算如下：
其中Ii+1是用来验证的实际图像的所有像素点集合，Ii,θ是预测出来的图像的所有像素点集合。实验结果表明，本方法平均真阳性率为78.74％，平均假阳性率为20.51％，平均戴斯系数为79.03％
表1预测结果准确率
| Patient 1 | Patient 2 | |
| TPVF(％) | 81.09 | 76.39 |
| FPVF(％) | 19.36 | 21.67 |
| Dice(％) | 80.91 | 77.14 |
至此，一种适用于脉络膜新生血管疾病生长预测的方法已经实现并进行了验证。本发明融合了刚性配准、ISO2Mesh网格化方法、反应扩散模型、多项式数据拟合法等步骤，预测结果具有较高的准确性，能够有效的预测疾病的发展趋势，对于临床相关眼科疾病的诊断与治疗能起到重要的辅助作用。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于反应扩散模型的三维脉络膜新生血管生长预测方法，其特征在于，包括以下步骤：
(1)图像预处理：进行不同时间点OCT图像间的配准以及CNV疾病区域、外视网膜层、内视网膜层、脉络膜层的分割；
(2)网格化：采用ISO2Mesh网格化方法，将分割出来的外视网膜层、内视网膜层、脉络膜层、CNV疾病区域分别进行三角剖分，创建四面体网格；
(3)建模：对CNV疾病区域用反应扩散模型进行建模，模拟出疾病区域的生长变化过程；
在三维视网膜OCT图像中的CNV疾病区域用反应扩散建模来模拟CNV疾病的生长以及对周围视网膜组织的侵害；
f＝ρu(1-u) (2)
u代表脉络膜新生血管分布密度，t是时间，f是源项，代表CNV疾病的生长，ρ是CNV疾病的生长参数，c是扩散系数，代表视网膜边界，表示单位向量，a是治疗系数；
(4)参数训练：依据重叠精度准则来创建目标函数，通过目标函数来寻找每个时间点的最优生长参数；
(5)生长预测：用多项式拟合方法对CNV生长参数进行拟合，得到生长曲线，将预测出来的图像与真实图像对比得到预测准确率。
2.根据权利要求1所述的基于反应扩散模型的三维脉络膜新生血管生长预测方法，其特征在于，所述步骤(1)图像预处理包括配准和分割：
(a)OCT图像配准
采用刚性变换对三维OCT图像进行配准，即通过平移、旋转和反转把一幅图像中的点(x,y,z)变换到点(x′,y′,z′)；
(b)OCT图像分割
在医生的监督下，将视网膜分割为外视网膜层，内视网膜层、脉络膜层和CNV疾病区域四个部分。
3.根据权利要求2所述的基于反应扩散模型的三维脉络膜新生血管生长预测方法，其特征在于：所述步骤(2)中ISO2Mesh网格化方法是一种基于二值图像或者灰度图像的网格生成方法，包括原始图像处理、表面网格提取、表面重采样、多尺度或自适应四面体网格生成。
4.根据权利要求1所述的基于反应扩散模型的三维脉络膜新生血管生长预测方法，其特征在于：所述步骤(4)参数训练具体是指，假设扩散能力不变，即CNV疾病在脉络膜层的扩散速率cn，与在内视网膜层和外视网膜层的扩散速率ci是一个常数，但是脉络膜新生血管(CNV)的生长速率在变，即寻找最优的θ*＝{ci,cn,ρ}，令ρ1,ρ2…ρ10是分别对应时间点t1,t2…t10的生长参数，那么参数θ描述为θ＝{ci,cn,ρ1,ρ2…ρ10}，依据重叠精度准则来创建目标函数如下：
其中，w系数取1/2，Ii+1是用来验证的实际图像，Ii,θ是在图像Ii的基础上用参数θ预测出来的图像；真阳性率TPVF、假阳性率FPVF以及戴斯系数Dice作为评估方法的客观指标，计算如下：
5.根据权利要求4所述的基于反应扩散模型的三维脉络膜新生血管生长预测方法，其特征在于：所述步骤(5)生长预测具体是指，得到最优的参数后，将多个时间点的生长参数按如下公式进行拟合，得到生长曲线，
ρ＝a·t4+b·t3+c·t2+d·t+e (5)
其中，a,b,c,d,e是生长系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510868723.8A CN105488350B (zh) | 2015-12-02 | 2015-12-02 | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510868723.8A CN105488350B (zh) | 2015-12-02 | 2015-12-02 | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105488350A CN105488350A (zh) | 2016-04-13 |
| CN105488350B true CN105488350B (zh) | 2018-07-10 |
Family
ID=55675325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510868723.8A Active CN105488350B (zh) | 2015-12-02 | 2015-12-02 | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105488350B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106558030B (zh) * | 2016-11-15 | 2020-04-03 | 苏州大学 | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 |
| CN106844994B (zh) * | 2017-02-09 | 2020-02-11 | 苏州比格威医疗科技有限公司 | 本构模型与有限元结合的脉络膜新生血管生长预测方法 |
| CN106934761A (zh) * | 2017-02-15 | 2017-07-07 | 苏州大学 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
| CN110175977B (zh) * | 2019-04-01 | 2021-01-08 | 苏州比格威医疗科技有限公司 | 三维脉络膜新生血管生长预测方法、装置及定量分析方法 |
| CN111353973B (zh) * | 2020-02-11 | 2021-01-01 | 中国医学科学院肿瘤医院 | 一种基于淋巴结医学影像的识别方法和识别装置 |
-
2015
- 2015-12-02 CN CN201510868723.8A patent/CN105488350B/zh active Active
Non-Patent Citations (5)
| Title |
|---|
| An image-driven parameter estimation problem for a reaction–diffusion glioma growth model with mass effects;Cosmina Hogea et al;《Journal of Mathematical Biology》;20080630;第56卷(第6期);793-825 * |
| Kidney Tumor Growth Prediction by Coupling Reaction-Diffusion and Biomechanical Model;Xinjian Chen et al;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20130131;第60卷(第1期);正文第Ⅱ节第A-E小节、第Ⅲ节、图2、图3、图4（c）、（f） * |
| Realistic Simulation of the 3-D Growth of Brain Tumors in MR Images Coupling Diffusion With Biomechanical Deformation;Olivier Clatz et al;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20051031;第24卷(第10期);1334-1346 * |
| 光学相干层析视网膜成像系统研究;王玲;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20080815;第2008年卷(第8期);正文第1.2.1节-1.2.2节 * |
| 基于有限元模型的肿瘤细胞生长的模拟计算及并行化研究;严艳南;《中国优秀硕士学位论文全文数据库信息科技辑》;20150115;第2015年卷(第1期);I138-14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105488350A (zh) | 2016-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105488350B (zh) | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 | |
| US11844570B2 (en) | System and methods using real-time predictive virtual 3D eye finite element modeling for simulation of ocular structure biomechanics | |
| Song et al. | Time-periodic characteristics in the morphology of idiopathic central serous chorioretinopathy evaluated by volume scan using spectral-domain optical coherence tomography | |
| Norman et al. | Dimensions of the human sclera: thickness measurement and regional changes with axial length | |
| CN110517235B (zh) | 一种基于GCS-Net进行OCT图像脉络膜自动分割方法 | |
| Moriyama et al. | Topographic analyses of shape of eyes with pathologic myopia by high-resolution three-dimensional magnetic resonance imaging | |
| Garretson et al. | Vitrectomy for a symptomatic lamellar macular hole | |
| Kuo et al. | Correction of ocular shape in retinal optical coherence tomography and effect on current clinical measures | |
| Williams et al. | Reconstruction of 3D surface maps from anterior segment optical coherence tomography images using graph theory and genetic algorithms | |
| JP2014527434A (ja) | 光干渉断層法におけるフィーチャの動き補正及び正規化 | |
| Lago et al. | Patient-specific simulation of the intrastromal ring segment implantation in corneas with keratoconus | |
| CN107945169B (zh) | 一种冠状动脉影像分析方法 | |
| Ito et al. | Mapping posterior vitreous detachment by optical coherence tomography in eyes with idiopathic macular hole | |
| Tanaka et al. | Extreme thinning or loss of inner neural retina along the staphyloma edge in eyes with pathologic myopia | |
| CN110378877A (zh) | 基于深度卷积网络模型的sd-oct图像cnv病变检测方法 | |
| Huang et al. | Defocus-induced spatial changes in choroidal thickness of chicks observed by wide-field swept-source OCT | |
| Chuangsuwanich et al. | How myopia and glaucoma influence the biomechanical susceptibility of the optic nerve head | |
| Kanzler et al. | Inertial sensor based gait analysis discriminates subjects with and without visual impairment caused by simulated macular degeneration | |
| Tan et al. | Automatic feature extraction of optical coherence tomography for lamina cribrosa detection | |
| WO2019193362A3 (en) | Determining a clinical outcome for a subject suffering from a macular degenerative disease | |
| Liu et al. | A curriculum learning-based fully automated system for quantification of the choroidal structure in highly myopic patients | |
| Zhang et al. | Tooth visualization in vowel production MR images for three-dimensional vocal tract modeling | |
| Tran et al. | Seeing the hidden lamina: effects of exsanguination on the optic nerve head | |
| Choi et al. | Measurement of orbital volume from facial CT scans using a semi-automatic computer program | |
| KR101647254B1 (ko) | 얼굴전산화단층촬영이미지을 이용한 안와용적 측정법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170810 Address after: 215011 No. 209 Chuk Yuen Road, Suzhou hi tech Development Zone, Jiangsu, Suzhou Applicant after: Suzhou were Medical Technology Co. Ltd. Address before: 215000 Suzhou Industrial Park, Jiangsu Road, No. 199 Applicant before: Soochow University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Prediction of three-dimensional choroidal neovascularization based on reaction-diffusion model Effective date of registration: 20220520 Granted publication date: 20180710 Pledgee: Suzhou high tech Industrial Development Zone sub branch of Bank of Communications Co.,Ltd. Pledgor: SUZHOU BIGVISION MEDICAL TECHNOLOGY Co.,Ltd. Registration number: Y2022320010152 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |