CN113177038B - 一种视网膜神经纤维层数据校正方法、装置及电子设备 - Google Patents

一种视网膜神经纤维层数据校正方法、装置及电子设备 Download PDF

Info

Publication number
CN113177038B
CN113177038B CN202110447123.XA CN202110447123A CN113177038B CN 113177038 B CN113177038 B CN 113177038B CN 202110447123 A CN202110447123 A CN 202110447123A CN 113177038 B CN113177038 B CN 113177038B
Authority
CN
China
Prior art keywords
rnfl
peak
thickness
subject
compensation amount
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
Application number
CN202110447123.XA
Other languages
English (en)
Other versions
CN113177038A (zh
Inventor
王亚星
张青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tongren Hospital
Original Assignee
Beijing Tongren Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Tongren Hospital filed Critical Beijing Tongren Hospital
Priority to CN202110447123.XA priority Critical patent/CN113177038B/zh
Publication of CN113177038A publication Critical patent/CN113177038A/zh
Application granted granted Critical
Publication of CN113177038B publication Critical patent/CN113177038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请提供一种视网膜神经纤维层数据校正方法、装置及电子设备，该方法包括：获取受试者的RNFL实测数据及受试者属性信息；受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；根据受试者属性信息，确定各RNFL实测数据对应的补偿量；利用各RNFL实测数据对应的补偿量，对RNFL实测数据进行校正，得到对应的目标RNFL数据。上述方案提供的方法，通过根据受试者实际的身体状况，对测得的原始RNFL实测数据进行校正，以得到符合受试者实际情况的目标RNFL数据，提高了RNFL数据的可靠性，为提高RNFL分布判断结果的准确性奠定了基础。

Description

一种视网膜神经纤维层数据校正方法、装置及电子设备
技术领域
本申请涉及数据处理技术领域，尤其涉及一种视网膜神经纤维层数据校正方法、装置及电子设备。
背景技术
目前，光学相干断层扫描(Optical Coherence Tomography，简称：OCT)是视网膜神经纤维层(Retinal Nerve Fibre Layer，简称：RNFL)成像的主要手段，通过测量RNFL数据，对RNFL缺损进行评估，进而判断当前受试者RNFL分布是否正常。
但是，由于受某些身体因素的影响，RNFL分布实际正常的受试者的实测RNFL数据也可能偏离正常值，即目前测得的RNFL数据的可靠性较低，不利于保障RNFL分布判断结果的准确性。
发明内容
本申请提供一种视网膜神经纤维层数据校正方法、装置及电子设备，以解决现有技术测得的RNFL数据的可靠性较低等缺陷。
本申请第一个方面提供一种视网膜神经纤维层数据校正方法，包括：
获取受试者的RNFL实测数据及受试者属性信息；其中，所述受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；
根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量；
利用所述各RNFL实测数据对应的补偿量，对所述RNFL实测数据进行校正，以得到对应的目标RNFL数据。
可选的，所述RNFL实测数据至少包括颞上峰厚度、鼻上峰厚度、颞下峰厚度、颞下峰厚度与颞上峰厚度比、颞上峰位置、鼻上峰位置、颞下峰位置及颞上峰与颞下峰之间的夹角度数，所述获取受试者的RNFL实测数据，包括：
获取所述受试者的RNFL扫描图像；
从所述RNFL扫描图像对应的上半视野0°-120°中筛选颞上峰厚度，将所述颞上峰厚度对应的视野度数，确定为所述颞上峰位置；
从所述RNFL扫描图像对应的上半视野120°-180°中筛选鼻上峰厚度，将所述鼻上峰厚度对应的视野度数，确定为所述鼻上峰位置；
从所述RNFL扫描图像对应的下半视野250°-360°中筛选颞下峰厚度；将所述颞下峰厚度对应的视野度数，确定为所述颞下峰位置。
可选的，当所述RNFL实测数据包括颞上峰厚度、鼻上峰厚度和颞下峰厚度时，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的年龄、性别和眼轴长度，确定颞上峰厚度补偿量；
根据所述受试者的眼轴长度、Gamma弧宽度和Beta弧宽度，确定鼻上峰厚度补偿量；
根据所述受试者的年龄和眼轴长度，确定颞下峰厚度补偿量。
可选的，当所述RNFL实测数据包括颞下峰厚度与颞上峰厚度比时，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的黄斑视盘夹角度数、性别和Gamma弧宽度，确定颞下峰厚度与颞上峰厚度比补偿量。
可选的，当所述RNFL实测数据包括颞上峰位置和颞下峰位置时，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的性别、眼轴长度和Bruchs膜开口平均直径，分别确定颞上峰位置补偿量和颞下峰位置补偿量。
可选的，当所述RNFL实测数据包括颞上峰与颞下峰之间的夹角度数时，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的性别、眼轴长度和Beta弧宽度，确定颞上峰与颞下峰之间的夹角度数补偿量。
可选的，还包括：
根据所述目标RNFL数据与预设的标准RNFL数据之间的对比结果，判断所述受试者的RNFL分布是否正常，并输出对应的判断结果。
本申请第二个方面提供一种视网膜神经纤维层数据校正装置，包括：
获取模块，用于获取受试者的RNFL实测数据及受试者属性信息；其中，所述受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；
计算模块，用于根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量；
校正模块，用于利用所述各RNFL实测数据对应的补偿量，对所述RNFL实测数据进行校正，以得到对应的目标RNFL数据。
可选的，所述RNFL实测数据至少包括颞上峰厚度、鼻上峰厚度、颞下峰厚度、颞下峰厚度与颞上峰厚度比、颞上峰位置、鼻上峰位置、颞下峰位置及颞上峰与颞下峰之间的夹角度数，所述获取模块，具体用于：
获取所述受试者的RNFL扫描图像；
从所述RNFL扫描图像对应的上半视野0°-120°中筛选颞上峰厚度，将所述颞上峰厚度对应的视野度数，确定为所述颞上峰位置；
从所述RNFL扫描图像对应的上半视野120°-180°中筛选鼻上峰厚度，将所述鼻上峰厚度对应的视野度数，确定为所述鼻上峰位置；
从所述RNFL扫描图像对应的下半视野250°-360°中筛选颞下峰厚度；将所述颞下峰厚度对应的视野度数，确定为所述颞下峰位置。
可选的，当所述RNFL实测数据包括颞上峰厚度、鼻上峰厚度和颞下峰厚度时，所述计算模块，具体用于：
根据所述受试者的年龄、性别和眼轴长度，确定颞上峰厚度补偿量；
根据所述受试者的眼轴长度、Gamma弧宽度和Beta弧宽度，确定鼻上峰厚度补偿量；
根据所述受试者的年龄和眼轴长度，确定颞下峰厚度补偿量。
可选的，当所述RNFL实测数据包括颞下峰厚度与颞上峰厚度比时，所述计算模块，具体用于：
根据所述受试者的黄斑视盘夹角度数、性别和Gamma弧宽度，确定颞下峰厚度与颞上峰厚度比补偿量。
可选的，当所述RNFL实测数据包括颞上峰位置和颞下峰位置时，所述计算模块，具体用于：
根据所述受试者的性别、眼轴长度和Bruchs膜开口平均直径，分别确定颞上峰位置补偿量和颞下峰位置补偿量。
可选的，当所述RNFL实测数据包括颞上峰与颞下峰之间的夹角度数时，所述计算模块，具体用于：
根据所述受试者的性别、眼轴长度和Beta弧宽度，确定颞上峰与颞下峰之间的夹角度数补偿量。
可选的，所述装置还包括：
判断模块，用于根据所述目标RNFL数据与预设的标准RNFL数据之间的对比结果，判断所述受试者的RNFL分布是否正常，并输出对应的判断结果。
本申请第三个方面提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请技术方案，具有如下优点：
本申请提供的视网膜神经纤维层数据校正方法、装置及电子设备，通过获取受试者的RNFL实测数据及受试者属性信息；其中，受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；根据受试者属性信息，确定各RNFL实测数据对应的补偿量；利用各RNFL实测数据对应的补偿量，对RNFL实测数据进行校正，以得到对应的目标RNFL数据。上述方案提供的视网膜神经纤维层数据校正方法，通过根据受试者实际的身体状况，对测得的原始RNFL实测数据进行校正，以得到符合受试者实际情况的目标RNFL数据，提高了RNFL数据的可靠性，为提高RNFL分布判断结果的准确性奠定了基础。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例基于的视网膜神经纤维层数据校正系统的结构示意图；
图2为本申请实施例提供的一种视网膜神经纤维层数据校正方法的流程示意图；
图3为本申请实施例提供的另一种视网膜神经纤维层数据校正方法的流程示意图；
图4为本申请实施例提供的视网膜神经纤维层数据校正装置的结构示意图；
图5为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先对本申请所涉及的名词进行解释：
Gamma弧，Beta弧：在医学领域，视盘旁萎缩弧通常是通过不同的检查手段分为α区、β区、γ区和δ区四种类型，每种类型的影像及组织学特征及相关性都有差异，本申请中的Gamma弧具体指γ区视盘旁萎缩弧，Beta弧具体指β区视盘旁萎缩弧。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
对于现有技术，由于受某些身体因素的影响，RNFL分布实际正常的受试者的实测RNFL数据也可能偏离正常值，即目前测得的RNFL数据的可靠性较低，不利于保障RNFL分布判断结果的准确性。
针对上述问题，本申请实施例提供的视网膜神经纤维层数据校正方法、装置及电子设备，通过获取受试者的RNFL实测数据及受试者属性信息；其中，受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；根据受试者属性信息，确定各RNFL实测数据对应的补偿量；利用各RNFL实测数据对应的补偿量，对RNFL实测数据进行校正，以得到对应的目标RNFL数据。上述方案提供的视网膜神经纤维层数据校正方法，通过根据受试者实际的身体状况，对测得的原始RNFL实测数据进行校正，以得到符合受试者实际情况的目标RNFL数据，提高了RNFL数据的可靠性，为提高RNFL分布判断结果的准确性奠定了基础。
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明实施例进行描述。
首先，对本申请所基于的视网膜神经纤维层数据校正系统的结构进行说明：
本申请实施例提供的视网膜神经纤维层数据校正方法、装置及电子设备，适用于对已测得的RNFL实测数据进行校正。如图1所示，为本申请实施例基于的视网膜神经纤维层数据校正系统的结构示意图，主要包括数据采集装置和用于对RNFL实测数据进行校正的视网膜神经纤维层数据校正装置。具体地，由数据采集装置采集受试者的RNFL实测数据和受试者属性信息，并将采集到的内容发送至视网膜神经纤维层数据校正装置，由视网膜神经纤维层数据校正装置对得到的RNFL实测数据进行进一步的数据校正，以得到目标RNFL数据。
本申请实施例提供了一种视网膜神经纤维层数据校正方法，用于对已测得的RNFL实测数据进行校正。本申请实施例的执行主体为电子设备，比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于进行数据校正的电子设备。
如图2所示，为本申请实施例提供的一种视网膜神经纤维层数据校正方法的流程示意图，该方法包括：
步骤201，获取受试者的RNFL实测数据及受试者属性信息。
其中，受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径。
需要说明的是，传统的RNFL的算法配置文件将健康眼RNFL轮廓定义为颞侧双峰型，颞侧双峰的分布及其厚度受到年龄、性别、眼轴长度、视神经乳头构型及视网膜血管等因素的影响，个体间存在较大的变异性。并且，近视本身也可以引起广泛性RNFL缺损，在近视眼中，尤其是高度近视眼，由于眼轴较长、视盘构型变化及视网膜变薄，RNFL的个体分布变异更为明显。因此，本申请实施例为了克服这些干扰因素所造成的影响，在获取受试者的RNFL实测数据的同时，还获取受试者属性信息。
其中，受试者属性信息也可以根据实际情况进行扩展，具体的扩展内容本申请实施例不做限定。
步骤202，根据受试者属性信息，确定各RNFL实测数据对应的补偿量。
具体地，可以根据受试者属性信息，对RNFL数据干扰程度进行预估，并对预估结果量化为补偿量。
其中，RNFL数据干扰程度的预估过程和后续的量化过程可以通过大量的实验结果来确定。具体可通过对大量受试者的RNFL实测数据和受试者属性信息进行统计和分析，得到可以用于计算各RNFL实测数据的补偿量的多元回归模型。
步骤203，利用各RNFL实测数据对应的补偿量，对RNFL实测数据进行校正，以得到对应的目标RNFL数据。
具体地，可以按照预设的RNFL数据校正规则，对RNFL实测数据进行校正。
其中，RNFL数据校正规则也可以根据上述统计结果和分析结果来确定。此外，为了进一步提高RNFL数据校正效率，也可以将所确定的RNFL数据校正规则耦合至上述多元回归模型，以使该多元回归模型在得到输入内容(受试者的RNFL实测数据及受试者属性信息)后，输出校正后的目标RNFL数据。
在上述实施例的基础上，RNFL实测数据至少包括颞上峰厚度、鼻上峰厚度、颞下峰厚度、颞下峰厚度与颞上峰厚度比、颞上峰位置、鼻上峰位置、颞下峰位置及颞上峰与颞下峰之间的夹角度数。
为了提高原始数据(上述RNFL实测数据)的获取效率和可靠性，作为一种可实施的方式，在一实施例中，获取受试者的RNFL实测数据，包括：获取受试者的RNFL扫描图像；从RNFL扫描图像对应的上半视野0°-120°中筛选颞上峰厚度，将颞上峰厚度对应的视野度数，确定为颞上峰位置；从RNFL扫描图像对应的上半视野120°-180°中筛选鼻上峰厚度，将鼻上峰厚度对应的视野度数，确定为鼻上峰位置；从RNFL扫描图像对应的下半视野250°-360°中筛选颞下峰厚度；将颞下峰厚度对应的视野度数，确定为颞下峰位置。
具体地，在得到受试者的RNFL扫描图像后，定位N个(如768个)等距点，相邻等距点之间的位置差为360°/N。进一步对RNFL扫描图像进行区域划分，即上半视野0°-120°定义为颞上峰厚度检测区，上半视野120°-180°定义为鼻上峰厚度检测区，下半视野250°-360°定义为颞下峰厚度检测区。根据各检测区中的等距点对应的厚度值，分别确定颞上峰厚度、鼻上峰厚度和颞下峰厚度，并将各等距点对应的位置(视野角度)，分别确定为颞上峰位置、鼻上峰位置和颞下峰位置。
进一步地，颞下峰厚度与颞上峰厚度比可以根据颞下峰厚度和颞上峰厚度来确定。颞上峰与颞下峰之间的夹角(Kappa角)度数可以根据颞上峰位置与颞下峰位置来确定，其中，Kappa角的顶点位于视盘中心。
需要说明的是，对于受试者属性信息中的黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径，也可以从受试者的RNFL扫描图像中提取，具体提取方式可以参考现有技术，本申请实施例不做限定。
具体地，在一实施例中，当RNFL实测数据包括颞上峰厚度、鼻上峰厚度和颞下峰厚度时，根据受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：根据受试者的年龄、性别和眼轴长度，确定颞上峰厚度补偿量；根据受试者的眼轴长度、Gamma弧宽度和Beta弧宽度，确定鼻上峰厚度补偿量；根据受试者的年龄和眼轴长度，确定颞下峰厚度补偿量。
其中，颞上峰厚度补偿量可以基于如下公式计算：
颞上峰厚度补偿量＝0.34-3×年龄(年)-4.488×性别(男性为1/女性为2)-3.276×眼轴长度(毫米)
鼻上峰厚度补偿量可以基于如下公式计算：
鼻上峰厚度补偿量＝3.453×眼轴长度(毫米)-0.023×Gamma弧宽度(微米)-0.012×Beta弧宽度(微米)
颞下峰厚度补偿量可以基于如下公式计算：
颞下峰厚度补偿量＝0.34-4×年龄(年)-3.189×眼轴长度(毫米)
需要说明的是，本申请实施例中各补偿量计算公式中的常数和系数的具体值均是经过实验统计和分析确定的。在未来的实际应用中，也可以结合实际情况对其进行调整。
具体地，在一实施例中，当RNFL实测数据包括颞下峰厚度与颞上峰厚度比时，可以根据受试者的黄斑视盘夹角度数、性别和Gamma弧宽度，确定颞下峰厚度与颞上峰厚度比补偿量。
其中，颞下峰厚度与颞上峰厚度比补偿量可以基于如下公式计算：
颞下峰厚度与颞上峰厚度比补偿量＝0.004×黄斑视盘夹角度数(度)-0.031×性别(男性为1/女性为2)-7.928×10-5×Gamma弧宽度(微米)
具体地，在一实施例中，当RNFL实测数据包括颞上峰位置和颞下峰位置时，可以根据受试者的性别、眼轴长度和Bruchs膜开口平均直径，分别确定颞上峰位置补偿量和颞下峰位置补偿量。
其中，颞上峰位置补偿量可以基于如下公式计算：
颞上峰位置补偿量＝1.936×性别(男性为1/女性为2)-2.28×眼轴长度(毫米)-0.007×Bruchs膜开口平均直径(微米)
颞下峰位置补偿量可以基于如下公式计算：
颞下峰位置补偿量＝2.749×性别(男性为1/女性为2)-3.154×眼轴长度(毫米)-0.007×Bruchs膜开口平均直径(微米)
具体地，在一实施例中，当RNFL实测数据包括颞上峰与颞下峰之间的夹角度数时，可以根据受试者的性别、眼轴长度和Beta弧宽度，确定颞上峰与颞下峰之间的夹角度数补偿量。
其中，颞上峰与颞下峰之间的夹角度数补偿量可以基于如下公式计算：
颞上峰与颞下峰之间的夹角度数补偿量＝4.740×性别(男性为1/女性为2)-4.469×眼轴长度(毫米)-0.012×Beta弧宽度(微米)
进一步地，在一实施例中，在确定各RNFL实测数据对应的补偿量后，可以对RNFL实测数据与对应的补偿量进行差值计算，将得到的差值确定为该RNFL实测数据对应的目标RNFL数据。即目标RNFL数据＝RNFL实测数据-补偿量。
进一步地，在一实施例中，如图3所示，为本申请实施例提供的另一种视网膜神经纤维层数据校正方法的流程示意图，该方法还包括：
步骤301，根据目标RNFL数据与预设的标准RNFL数据之间的对比结果，判断受试者的RNFL分布是否正常，并输出对应的判断结果。
需要说明的是，标准RNFL数据来源于健康眼RNFL分布形态数据库，表示RNFL分布正常的情况下对应的RNFL数据。
具体地，当目标RNFL数据与该标准RNFL数据之间偏差程度较大时，即比对结果为不匹配，则确定该受试者的RNFL分布异常，反之，则正常。其中，偏差程度的评判标准可以由评判人员自主设定，本申请实施例不做限定。
由于在本申请实施例中，参与评判的RNFL数据是经过上述校正方法校正后的目标RNFL数据，克服了多种干扰因素所造成的影响，为辅助评判人员提高判断结果的准确性奠定了基础。
本申请实施例提供的视网膜神经纤维层数据校正方法，通过获取受试者的RNFL实测数据及受试者属性信息；其中，受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；根据受试者属性信息，确定各RNFL实测数据对应的补偿量；利用各RNFL实测数据对应的补偿量，对RNFL实测数据进行校正，以得到对应的目标RNFL数据。上述方案提供的视网膜神经纤维层数据校正方法，通过根据受试者实际的身体状况，对测得的原始RNFL实测数据进行校正，以得到符合受试者实际情况的目标RNFL数据，提高了RNFL数据的可靠性，为提高RNFL分布判断结果的准确性奠定了基础。并且，通过采用划分检测区的方式采集RNFL数据，提高了RNFL实测数据的获取效率和可靠性。
本申请实施例提供了一种视网膜神经纤维层数据校正装置，用于执行上述实施例提供的视网膜神经纤维层数据校正方法。
如图4所示，为本申请实施例提供的视网膜神经纤维层数据校正装置的结构示意图。该视网膜神经纤维层数据校正装置40包括获取模块401、计算模块402和校正模块403。
其中，获取模块，用于获取受试者的RNFL实测数据及受试者属性信息；其中，受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；计算模块，用于根据受试者属性信息，确定各RNFL实测数据对应的补偿量；校正模块，用于利用各RNFL实测数据对应的补偿量，对RNFL实测数据进行校正，以得到对应的目标RNFL数据。
具体地，在一实施例中，RNFL实测数据至少包括颞上峰厚度、鼻上峰厚度、颞下峰厚度、颞下峰厚度与颞上峰厚度比、颞上峰位置、鼻上峰位置、颞下峰位置及颞上峰与颞下峰之间的夹角度数，获取模块，具体用于：
获取受试者的RNFL扫描图像；
从RNFL扫描图像对应的上半视野0°-120°中筛选颞上峰厚度，将颞上峰厚度对应的视野度数，确定为颞上峰位置；
从RNFL扫描图像对应的上半视野120°-180°中筛选鼻上峰厚度，将鼻上峰厚度对应的视野度数，确定为鼻上峰位置；
从RNFL扫描图像对应的下半视野250°-360°中筛选颞下峰厚度；将颞下峰厚度对应的视野度数，确定为颞下峰位置。
具体地，在一实施例中，当RNFL实测数据包括颞上峰厚度、鼻上峰厚度和颞下峰厚度时，计算模块，具体用于：
根据受试者的年龄、性别和眼轴长度，确定颞上峰厚度补偿量；
根据受试者的眼轴长度、Gamma弧宽度和Beta弧宽度，确定鼻上峰厚度补偿量；
根据受试者的年龄和眼轴长度，确定颞下峰厚度补偿量。
具体地，在一实施例中，当RNFL实测数据包括颞下峰厚度与颞上峰厚度比时，计算模块，具体用于：
根据受试者的黄斑视盘夹角度数、性别和Gamma弧宽度，确定颞下峰厚度与颞上峰厚度比补偿量。
具体地，在一实施例中，当RNFL实测数据包括颞上峰位置和颞下峰位置时，计算模块，具体用于：
根据受试者的性别、眼轴长度和Bruchs膜开口平均直径，分别确定颞上峰位置补偿量和颞下峰位置补偿量。
具体地，在一实施例中，当RNFL实测数据包括颞上峰与颞下峰之间的夹角度数时，计算模块，具体用于：
根据受试者的性别、眼轴长度和Beta弧宽度，确定颞上峰与颞下峰之间的夹角度数补偿量。
具体地，在一实施例中，装置还包括：
判断模块，用于根据目标RNFL数据与预设的标准RNFL数据之间的对比结果，判断受试者的RNFL分布是否正常，并输出对应的判断结果。
关于本实施例中的视网膜神经纤维层数据校正装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本申请实施例提供的视网膜神经纤维层数据校正装置，用于执行上述实施例提供的视网膜神经纤维层数据校正方法，其实现方式与原理相同，不再赘述。
本申请实施例提供了一种电子设备，用于执行上述实施例提供的视网膜神经纤维层数据校正方法。
如图5所示，为本申请实施例提供的电子设备的结构示意图。该电子设备50包括：至少一个处理器51和存储器52；
存储器存储计算机执行指令；至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上实施例提供的视网膜神经纤维层数据校正方法。
本申请实施例提供的一种电子设备，用于执行上述实施例提供的视网膜神经纤维层数据校正方法，其实现方式与原理相同，不再赘述。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上任一实施例提供的视网膜神经纤维层数据校正方法。
本申请实施例的包含计算机可执行指令的存储介质，可用于存储前述实施例中提供的视网膜神经纤维层数据校正方法的计算机执行指令，其实现方式与原理相同，不再赘述。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (9)

1.一种视网膜神经纤维层数据校正方法，其特征在于，包括：
获取受试者的RNFL实测数据及受试者属性信息；其中，所述受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；
根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量；
利用所述各RNFL实测数据对应的补偿量，对所述RNFL实测数据进行校正，以得到对应的目标RNFL数据；
其中，当所述RNFL实测数据包括颞上峰厚度、鼻上峰厚度和颞下峰厚度时，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的年龄、性别和眼轴长度，确定颞上峰厚度补偿量；
根据所述受试者的眼轴长度、Gamma弧宽度和Beta弧宽度，确定鼻上峰厚度补偿量；
根据所述受试者的年龄和眼轴长度，确定颞下峰厚度补偿量。
2.根据权利要求1所述的方法，其特征在于，所述RNFL实测数据至少包括颞上峰厚度、鼻上峰厚度、颞下峰厚度、颞下峰厚度与颞上峰厚度比、颞上峰位置、鼻上峰位置、颞下峰位置及颞上峰与颞下峰之间的夹角度数，所述获取受试者的RNFL实测数据，包括：
获取所述受试者的RNFL扫描图像；
从所述RNFL扫描图像对应的上半视野0°-120°中筛选颞上峰厚度，将所述颞上峰厚度对应的视野度数，确定为所述颞上峰位置；
从所述RNFL扫描图像对应的上半视野120°-180°中筛选鼻上峰厚度，将所述鼻上峰厚度对应的视野度数，确定为所述鼻上峰位置；
从所述RNFL扫描图像对应的下半视野250°-360°中筛选颞下峰厚度；将所述颞下峰厚度对应的视野度数，确定为所述颞下峰位置。
3.根据权利要求1所述的方法，当所述RNFL实测数据包括颞下峰厚度与颞上峰厚度比时，其特征在于，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的黄斑视盘夹角度数、性别和Gamma弧宽度，确定颞下峰厚度与颞上峰厚度比补偿量。
4.根据权利要求1所述的方法，当所述RNFL实测数据包括颞上峰位置和颞下峰位置时，其特征在于，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的性别、眼轴长度和Bruchs膜开口平均直径，分别确定颞上峰位置补偿量和颞下峰位置补偿量。
5.根据权利要求1所述的方法，当所述RNFL实测数据包括颞上峰与颞下峰之间的夹角度数时，其特征在于，所述根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量，包括：
根据所述受试者的性别、眼轴长度和Beta弧宽度，确定颞上峰与颞下峰之间的夹角度数补偿量。
6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：
根据所述目标RNFL数据与预设的标准RNFL数据之间的对比结果，判断所述受试者的RNFL分布是否正常，并输出对应的判断结果。
7.一种视网膜神经纤维层数据校正装置，其特征在于，包括：
获取模块，用于获取受试者的RNFL实测数据及受试者属性信息；其中，所述受试者属性信息包括性别、年龄、眼轴长度、黄斑视盘夹角度数、Gamma弧宽度、Beta弧宽度和Bruchs膜开口平均直径；
计算模块，用于根据所述受试者属性信息，确定各RNFL实测数据对应的补偿量；
校正模块，用于利用所述各RNFL实测数据对应的补偿量，对所述RNFL实测数据进行校正，以得到对应的目标RNFL数据；
其中，当所述RNFL实测数据包括颞上峰厚度、鼻上峰厚度和颞下峰厚度时，所述计算模块，具体用于：
根据所述受试者的年龄、性别和眼轴长度，确定颞上峰厚度补偿量；
根据所述受试者的眼轴长度、Gamma弧宽度和Beta弧宽度，确定鼻上峰厚度补偿量；
根据所述受试者的年龄和眼轴长度，确定颞下峰厚度补偿量。
8.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至6任一项所述的方法。
CN202110447123.XA 2021-04-25 2021-04-25 一种视网膜神经纤维层数据校正方法、装置及电子设备 Active CN113177038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110447123.XA CN113177038B (zh) 2021-04-25 2021-04-25 一种视网膜神经纤维层数据校正方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110447123.XA CN113177038B (zh) 2021-04-25 2021-04-25 一种视网膜神经纤维层数据校正方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113177038A CN113177038A (zh) 2021-07-27
CN113177038B true CN113177038B (zh) 2022-02-18

Family

ID=76925071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110447123.XA Active CN113177038B (zh) 2021-04-25 2021-04-25 一种视网膜神经纤维层数据校正方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113177038B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114376504B (zh) 2022-03-22 2022-08-19 汕头大学·香港中文大学联合汕头国际眼科中心 一种视网膜神经纤维层数据分析方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109528155A (zh) * 2018-11-19 2019-03-29 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法
CN111508606A (zh) * 2020-05-28 2020-08-07 首都医科大学附属北京同仁医院 一种青光眼诊断系统
CN112465772A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8801187B1 (en) * 2010-12-23 2014-08-12 Carl Zeiss Meditec, Inc. Methods to reduce variance in OCT analysis of the macula
US20150019136A1 (en) * 2012-02-21 2015-01-15 The Regents Of The University Of California Systems and methods for determining retinal ganglion cell populations and associated treatments

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109528155A (zh) * 2018-11-19 2019-03-29 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法
CN111508606A (zh) * 2020-05-28 2020-08-07 首都医科大学附属北京同仁医院 一种青光眼诊断系统
CN112465772A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"OCT测量健康人眼底视盘—黄斑夹角的研究";王淑霞;《中国优秀硕士学位论文数据库（电子期刊）》;20091130;第E073-21页 *

Also Published As

Publication number Publication date
CN113177038A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
US10441163B2 (en) Ophthalmic diagnosis support apparatus and ophthalmic diagnosis support method
Hosseini et al. Measurement of the optic disc vertical tilt angle with spectral-domain optical coherence tomography and influencing factors
Fleming et al. Automated assessment of diabetic retinal image quality based on clarity and field definition
US8128229B2 (en) RNFL measurement analysis
US20100123875A1 (en) Method of fitting rigid gas-permeable contact lenses from high resolution imaging
US20240074658A1 (en) Method and system for measuring lesion features of hypertensive retinopathy
Milbratz et al. Multiple radial midpupil lid distances: a simple method for lid contour analysis
Almazroa et al. Optic disc segmentation for glaucoma screening system using fundus images
Aquino Establishing the macular grading grid by means of fovea centre detection using anatomical-based and visual-based features
US20130128222A1 (en) Methods and Systems to Measure Corneal Epithelial Thickness and Power, Stromal Thickness, Subepithelial Corneal Power and Topography for Disease Diagnosis
US20160012575A1 (en) Image processing apparatus and image processing method
Chan et al. Diagnostic performance of the ISNT rule for glaucoma based on the Heidelberg retinal tomograph
CN114078120B (zh) 用于检测脊柱侧弯的方法、设备和介质
CN113177038B (zh) 一种视网膜神经纤维层数据校正方法、装置及电子设备
Elze et al. Ametropia, retinal anatomy, and OCT abnormality patterns in glaucoma. 1. Impacts of refractive error and interartery angle
Pardon et al. Custom optical coherence tomography parameters for distinguishing papilledema from pseudopapilledema
CN106446805B (zh) 一种眼底照中视杯的分割方法及系统
RU2667314C1 (ru) Определение центрирования линзы на глазу по измерениям оптического волнового фронта
Ghassabi et al. The fovea-BMO axis angle and macular thickness vertical asymmetry across the temporal raphe
Yadav et al. Optic nerve head three-dimensional shape analysis
Xu et al. Three-dimensional diabetic macular edema thickness maps based on fluid segmentation and fovea detection using deep learning
CN116030042A (zh) 一种针对医生目诊的诊断装置、方法、设备及存储介质
Tălu et al. Characterization of human retinal vessel arborisation in normal and amblyopic eyes using multifractal analysis
Turner et al. Comparison of Javal-Schiøtz keratometer, Orbscan IIz and Pentacam topographers in evaluating anterior corneal topography
Hidalgo-Aguirre et al. Automatic segmentation of the optic nerve head for deformation measurements in video rate optical coherence tomography

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant