CN113558564B - 一种基于单纯高度近视数据库构建的数据处理系统 - Google Patents

一种基于单纯高度近视数据库构建的数据处理系统 Download PDF

Info

Publication number
CN113558564B
CN113558564B CN202111117917.6A CN202111117917A CN113558564B CN 113558564 B CN113558564 B CN 113558564B CN 202111117917 A CN202111117917 A CN 202111117917A CN 113558564 B CN113558564 B CN 113558564B
Authority
CN
China
Prior art keywords
high myopia
thickness
deep learning
learning model
layer
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
CN202111117917.6A
Other languages
English (en)
Other versions
CN113558564A (zh
Inventor
林凤彬
陈士达
张秀兰
宋云河
王培源
陈美玲
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.)
Zhongshan Ophthalmic Center
Original Assignee
Zhongshan Ophthalmic Center
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 Zhongshan Ophthalmic Center filed Critical Zhongshan Ophthalmic Center
Priority to CN202111117917.6A priority Critical patent/CN113558564B/zh
Publication of CN113558564A publication Critical patent/CN113558564A/zh
Application granted granted Critical
Publication of CN113558564B publication Critical patent/CN113558564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Ophthalmology & Optometry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于单纯高度近视数据库构建的数据处理系统，包括：数据处理模块，用于获取高度近视病例的OCT二维扫描图像，并基于所述OCT二维扫描图像，获取高度近视病例的厚度数据；数据库构建模块，用于获取单纯高度近视病例的检查信息，以构建单纯高度近视厚度数据库；模型构建模块，用于将所述单纯高度近视厚度数据库作为训练集进行学习，以构建深度学习模型，使深度学习模型能自动识别出异常的厚度数据；数据录入模块，用于录入待判断患者的临床信息，所述临床信息至少包括待判断患者的姓名、年龄、性别和厚度数据；报告生成模块，用于提取所述临床信息，传输到深度学习模型中，以获取所述待判断患者为单纯高度近视的概率，并生成分析报告。

Description

一种基于单纯高度近视数据库构建的数据处理系统
技术领域
本发明涉及眼部参数处理的技术领域，更具体地，涉及一种基于单纯高度近视数据库构建的数据处理系统。
背景技术
高度近视是指近视度数在600度（-6.00D）及以上的屈光不正状态。高度近视由于眼轴增长眼内解剖结构变化，更易并发开角型青光眼，报道显示其发病率是正常人的6倍。
光学相干断层成像术（Optical Coherence tomography, OCT）是一种类似于B超、能提供高分辨率的活体视网膜断层图像的光学成像技术。报道证实OCT通过测量神经纤维层厚度可以区分正常眼与青光眼，是青光眼诊断的重要辅助工具。但OCT目前在高度近视合并青光眼中的诊断价值却有限，其主要原因在于：
1）高度近视眼轴增长本身可引起视网膜脉络膜厚度的变化，易与青光眼导致的厚度改变相混淆；
2）在利用OCT辅助判断这类疾病时，正常眼轴厚度数据库不再适用，而目前又缺乏各年龄阶段标准的高度近视视网膜脉络膜厚度数据库作为参考。
因此亟需建立一套高度近视数据库，并基于该高度近视数据库构建数据处理系统，以作为高度近视合并青光眼、视网膜疾病、葡萄膜炎等这类人群筛查的参考。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷（不足），提供一种基于单纯高度近视数据库构建的数据处理系统，用于解决高度近视且合并了其它眼部疾病的筛查问题。
为解决上述的技术问题，本发明采取的技术方案是：
一种基于单纯高度近视数据库构建的数据处理系统，包括：
数据处理模块，用于获取高度近视病例的OCT二维扫描图像，并基于所述OCT二维扫描图像，获取高度近视病例的厚度数据；所述厚度数据包括视网膜脉络膜各层的平均厚度、上下鼻颞4个象限的厚度，以及12个钟点的厚度；
数据库构建模块，用于获取单纯高度近视病例的检查信息，所述检查信息至少包括年龄、性别、等效球镜度数、眼轴长度和厚度数据；以构建单纯高度近视厚度数据库；
模型构建模块，用于将所述单纯高度近视厚度数据库作为训练集进行学习，以构建深度学习模型，使深度学习模型能自动识别出异常的厚度数据；
数据录入模块，用于录入待判断患者的临床信息，所述临床信息至少包括待判断患者的姓名、年龄、性别和厚度数据；
报告生成模块，用于提取所述临床信息，传输到深度学习模型中，以获取所述待判断患者为单纯高度近视的概率，并生成分析报告。
高度近视人群按类型进行分类，可分为单纯高度近视人群和合并了其它眼部疾病的高度近视人群。其中，合并了其它眼部疾病的高度近视人群具体为：除了高度近视外，还患有其它的眼部疾病的人群，例如患有：青光眼、视网膜疾病或葡萄膜炎等眼部疾病。本技术方案中，通过获取单纯高度近视病例的检查信息，获得一套涵盖了不同年龄段的单纯高度近视病例的厚度数据库，以作为训练集，构建深度学习模型，从而使深度学习模块能自动识别出异常的厚度数据。因此，当将待判断患者的临床信息输入到深度学习模型时，深度学习模型即可根据单纯高度近视厚度数据库中的检查信息，分析待判断患者为单纯高度近视的概率，从而生成分析报告，以协助筛查高度近视的患者为单纯高度近视人群还是合并了其它眼部疾病的高度近视人群。
进一步地，还包括：
数据收集模块，用于获取高度近视病例的检查信息，得到验证集和测试集；
模型测试调整模块，用于将验证集和测试集输入深度学习模型中，对深度学习模型进行测试，并调整深度学习模型。
本技术方案中，数据收集模块获取的验证集和测试集为事先确定高度近视类型的病例信息，通过模型测试调整模块将验证集和测试集输入到深度学习模型中，对深度学习模型进行测试，以便判断深度学习模型的准确度，在准确度未能达到要求时，及时调整深度学习模型，从而使深度学习模型能得到判断高度近视类型的准确度要求。
进一步地，所述数据处理模块包括：
图像获取单元，用于获取高度近视病例的OCT二维扫描图像；
平均厚度测量单元，用于通过深度卷积神经网络，自动分割所述OCT图像的视网膜脉络膜各层，并计算视网膜脉络膜各层平均厚度；
象限厚度测量单元，用于获取高度近视病例视网膜脉络膜各层的上下鼻颞4个象限的厚度；
钟点厚度测量单元，用于获取高度近视病例视网膜脉络膜各层12个钟点的厚度。
数据处理模块具体用于给数据库构建模块、数据录入模块和数据收集模块中，所需获取检查信息/临床信息的病例/患者提供厚度数据。数据处理模块获取厚度数据的具体操作为：首先获取病例/患者的OCT二维扫描图像，再基于OCT二维扫描图像，利用人工智能技术，对视网膜脉络膜各层的平均厚度、上下鼻颞4个象限的厚度，以及12个钟点的厚度进行测量，以获得厚度数据。
进一步地，所述平均厚度测量单元，具体用于通过深度卷积神经网络，对所述病例的OCT二维扫描图像进行图像分割以及像数级的分类，得到视乳头区和黄斑区的各层，进而计算出各层的平均厚度。
进一步地，所述视乳头区包括RNFL层和脉络膜层；
所述黄斑区包括GCIPL层、GCC层和脉络膜层；
所述异常的厚度数据包括视乳头区和黄斑区异常的厚度值。
具体地，视乳头区的RNFL层为神经纤维层，黄斑区的GCIPL层为视神经节细胞-内丛状层，GCC层为神经节细胞复合体层。
进一步地，所述检查信息还包括病史、眼压、角膜厚度、前房深度、眼底照片和视野报告。
进一步地，所述数据库构建模块用于获取单纯高度近视病例的信息，具体为：
所述数据库构建模块用于获取高度近视病例，通过分析所述高度近视病例的病史、眼底照片和视野报告，以排除所述高度近视病例中合并了除了高度近视以外的其它眼部疾病的病例，得到单纯高度近视病例。
进一步地，所述待判断患者的临床信息还包括等效球镜度数和眼轴长度。
具体地，待判断患者的临床信息中，姓名、年龄、性别和厚度数据具体以OCT报告的形式呈现。而报告生成模块中，设有平台界面，该平台界面设有上传条目，用于上传OCT报告，以便将OCT报告中的数值，传输到深度学习模型中判断。
优选地，该平台界面设有填写条目，该填写条目至少包括有用于填写等效球镜度数和眼轴长度的条目，以便进一步输入待判断患者的等效球镜度数和眼轴长度，传输给深度学习模型中进行判断，提高判断的准确度。
更优选地，该填写条目还设有用于填写姓名、性别和年龄等信息的条目，以传输到深度学习模型中进行判断，提高判断的准确度。
进一步地，所述报告生成模块用于生成分析报告；具体为：
所述报告生成模块用于在所述分析报告上显示所述待判断患者为单纯高度近视的概率，所述概率的高低通过不同的颜色进行区分显示；其中，第一种颜色表示概率值k的取值为：95%≤k≤100%；第二种颜色表示概率值k的取值为：5%≤k＜95%；第三种颜色表示概率值k的取值为：1%≤k＜5%；第四种颜色表示概率值k的取值为：0%≤k＜1%。
进一步地，所述模型测试调整模块具体用于：
将验证集和测试集输入深度学习模型中，对深度学习模型进行测试，计算所述深度学习模型的AUC值；
若所述AUC值＞0.85，判断所述深度学习模型能达到自动识别出异常的厚度数据的准确度要求，否则，判断所述深度学习模型不能达到自动识别出异常的厚度数据的准确度要求；
根据所述深度学习模型是否能达到所述准确度要求，调试所述深度学习模型。
其中，AUC是衡量机器学习优劣的一种性能指标，被定义为ROC曲线下与坐标轴围成的面积。ROC曲线全称为受试者工作特征曲线，它是根据一系列不同的二分类方式，以真阳性率为纵坐标，假阳性率为横坐标绘制的曲线。其中，AUC的取值范围在0.5和1之间。AUC越接近1.0，则说明检测方法真实性越高；等于0.5时，则真实性最低，无应用价值。
与现有技术相比，本发明的有益效果为：
本发明通过建立一套涵盖了不同年龄段的单纯高度近视厚度数据库，以构建深度学习模型，从而通过该深度学习模型，快速分辨待判断患者异常的厚度数据，从而得到待判断患者为单纯高度近视的概率，以协助医护人员筛查和评估高度近视患者为单纯高度近视人群还是合并了其它眼部疾病的高度近视人群，从而提高了评估的准确度和效率，还有利于实行大规模的高度近视人群的筛查。
附图说明
图1为本发明的模块结构示意图。
图2为本发明的数据处理模块的单元结构示意图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1所示，本实施例公开了一种基于单纯高度近视数据库构建的数据处理系统，包括：
数据处理模块10，用于获取高度近视病例的OCT二维扫描图像，并基于所述OCT二维扫描图像，获取高度近视病例的厚度数据；所述厚度数据包括视网膜脉络膜各层的平均厚度、上下鼻颞4个象限的厚度，以及12个钟点的厚度。
数据库构建模块20，用于获取单纯高度近视病例的检查信息，所述检查信息至少包括年龄、性别、等效球镜度数、眼轴长度和厚度数据；以构建单纯高度近视厚度数据库。
具体地，所述单纯高度近视病例的厚度数据通过数据处理模块10获取，所述数据处理模块10通过获取单纯高度近视病例的OCT二维扫描图像，从而基于该OCT图像，获取单纯高度近视病例的厚度数据。其中，厚度数据包括视网膜脉络膜各层的平均厚度、上下鼻颞4个象限的厚度，以及12个钟点的厚度。
模型构建模块30，用于将所述单纯高度近视厚度数据库作为训练集进行学习，以构建深度学习模型，使深度学习模型能自动识别出异常的厚度数据。
数据收集模块40，用于获取高度近视病例的检查信息，得到验证集和测试集。
具体地，在构建了深度学习模型后，还需判断深度学习模型的准确度是否符合要求。因此，本发明中，通过在所得到的深度学习模型中输入验证集和测试集，来判断所得到的深度学习模型的准确度是否符合要求。
具体地，本发明通过数据收集模块40获取高度近视病例的检查信息，得到验证集和测试集。其中，数据收集模块40获取的高度近视病例为已确定高度近视类型的病例。该高度近视类型分为单纯高度近视和合并了其它疾病的高度近视病例。所述合并了其它疾病的高度近视病例，是指除了高度近视外，还患有其它的眼部疾病的病例。例如，除了高度近视外，患有青光眼、视网膜疾病或葡萄膜炎等眼部疾病的病例。
其中，数据收集模块40获取的高度近视病例的检查信息也至少包括年龄、性别、等效球镜度数、眼轴长度和厚度数据。具体地，数据收集模块40获取的高度近视病例的厚度数据也是通过数据处理模块10获取，所述数据处理模块10通过获取高度近视病例的OCT二维扫描图像，从而基于该OCT图像，获取高度近视病例的厚度数据。其中，厚度数据包括视网膜脉络膜各层的平均厚度、上下鼻颞4个象限的厚度，以及12个钟点的厚度。
模型测试调整模块50，用于将验证集和测试集输入深度学习模型中，对深度学习模型进行测试，并调整深度学习模型。
具体地，在得到验证集和测试集后，通过将验证集和测试集输入深度学习模型中，对深度学习模型进行测试，从而可以得到深度学习模型的AUC值。该AUC值表示所得到的深度学习模型的准确度。本发明中，当AUC值＞0.85，判断所述深度学习模型能达到自动识别出异常的厚度数据的准确度要求，否则，判断所述深度学习模型不能达到自动识别出异常的厚度数据的准确度要求。若深度学习模型不能达到上述的准确度要求，则深度学习模型进行调试，重新验证/测试，直到深度学习模型达到准确度的要求。
数据录入模块60，用于录入待判断患者的临床信息，所述临床信息至少包括待判断患者的姓名、年龄、性别和厚度数据。
报告生成模块70，用于提取所述临床信息，传输到深度学习模型中，以获取所述待判断患者为单纯高度近视的概率，并生成分析报告。
具体地，报告生成模块70用于在所述分析报告上显示所述待判断患者为单纯高度近视的概率，所述概率的高低通过不同的颜色进行区分显示；其中，第一种颜色表示概率值k的取值为：95%≤k≤100%；第二种颜色表示概率值k的取值为：5%≤k＜95%；第三种颜色表示概率值k的取值为：1%≤k＜5%；第四种颜色表示概率值k的取值为：0%≤k＜1%。
如图2所示，本实施例中，优选地，数据处理模块10包括：
图像获取单元11，用于获取高度近视病例的OCT二维扫描图像；
平均厚度测量单元12，用于通过深度卷积神经网络，自动分割所述OCT二维扫描图像的视网膜脉络膜各层，并计算视网膜脉络膜各层平均厚度；
象限厚度测量单元13，用于获取高度近视病例视网膜脉络膜各层的上下鼻颞4个象限的厚度；
钟点厚度测量单元14，用于获取高度近视病例视网膜脉络膜各层12个钟点的厚度。
具体地，数据处理模块10所获取的高度近视病例，既可以是单纯高度近视病例，也可以是合并了其它眼部疾病的高度近视病例。
进一步地，平均厚度测量单元12，具体用于通过深度卷积神经网络，对所述病例的OCT二维扫描图像进行图像分割以及像数级的分类，得到视乳头区和黄斑区的各层，进而计算出各层的平均厚度。
其中，所述视乳头区包括RNFL层和脉络膜层；RNFL层为神经纤维层
所述黄斑区包括GCIPL层、GCC层和脉络膜层；GCIPL层为视神经节细胞-内丛状层，GCC层为神经节细胞复合体层。
所述异常的厚度数据包括视乳头区和黄斑区异常的厚度值。
进一步地，所述检查信息还包括了病史、眼压、角膜厚度、前房深度、眼底照相和视野阅片。
进一步地，所述数据库构建模块20可以通过以下过程获取单纯高度近视病例的信息：
所述数据库构建模块20通过分析所述高度近视病例的病史、眼底照相和视野阅片，以排除所述高度近视病例中合并了除了高度近视以外的其它眼部疾病的病例，得到单纯高度近视病例。
进一步地，所述待判断患者的临床信息还包括等效球镜度数和眼轴长度。
具体地，待判断患者的临床信息中，姓名、年龄、性别和厚度数据具体以OCT报告的形式呈现。而报告生成模块70中，设有平台界面，该平台界面设有上传条目，用于上传OCT报告，以便将OCT报告中的数值，传输到深度学习模型中判断。
优选地，该平台界面设有填写条目，该填写条目至少包括有用于填写等效球镜度数和眼轴长度的条目，以便进一步输入待判断患者的等效球镜度数和眼轴长度，传输给深度学习模型中进行判断，提高判断的准确度。
更优选地，该填写条目还设有用于填写姓名、性别和年龄等信息的条目，以传输到深度学习模型中进行判断，提高判断的准确度。
本技术方案中，通过获取单纯高度近视病例的检查信息，获得一套涵盖了不同年龄段的单纯高度近视病例的厚度数据库，以作为训练集，构建深度学习模型，从而使深度学习模块能自动识别出异常的厚度数据。因此，当将待判断患者的临床信息输入到深度学习模型时，深度学习模型即可根据单纯高度近视厚度数据库中的检查信息，分析待判断患者为单纯高度近视的概率，从而生成分析报告，以协助筛查高度近视的患者为单纯高度近视人群还是合并了其它眼部疾病的高度近视人群。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，包括：
数据处理模块，用于获取高度近视病例的OCT二维扫描图像，并基于所述OCT二维扫描图像，获取高度近视病例的厚度数据；所述厚度数据包括视网膜脉络膜各层的平均厚度、上下鼻颞4个象限的厚度，以及12个钟点的厚度；所述视网膜脉络膜各层具体为视网膜各层和脉络膜层；所述视网膜脉络膜各层包括视乳头区和黄斑区的各层；所述视乳头区的各层包括RNFL层和脉络膜层；所述黄斑区的各层包括GCIPL层、GCC层和脉络膜层；
数据库构建模块，用于获取单纯高度近视病例的检查信息，所述检查信息至少包括年龄、性别、等效球镜度数、眼轴长度和厚度数据；以构建单纯高度近视厚度数据库；
模型构建模块，用于将所述单纯高度近视厚度数据库作为训练集进行学习，以构建深度学习模型，使深度学习模型能自动识别出异常的厚度数据；
数据录入模块，用于录入待判断患者的临床信息，所述临床信息至少包括待判断患者的姓名、年龄、性别和厚度数据；
报告生成模块，用于提取所述临床信息，传输到深度学习模型中，以获取所述待判断患者为单纯高度近视的概率，并生成分析报告。
2.根据权利要求1所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，还包括：
数据收集模块，用于获取高度近视病例的检查信息，得到验证集和测试集；
模型测试调整模块，用于将验证集和测试集输入深度学习模型中，对深度学习模型进行测试，并调整深度学习模型。
3.根据权利要求1所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述数据处理模块包括：
图像获取单元，用于获取高度近视病例的OCT二维扫描图像；
平均厚度测量单元，用于通过深度卷积神经网络，自动分割所述OCT二维扫描图像的视网膜脉络膜各层，并计算视网膜脉络膜各层平均厚度；
象限厚度测量单元，用于获取高度近视病例视网膜脉络膜各层的上下鼻颞4个象限的厚度；
钟点厚度测量单元，用于获取高度近视病例视网膜脉络膜各层12个钟点的厚度。
4.根据权利要求3所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述平均厚度测量单元，具体用于通过深度卷积神经网络，对所述病例的OCT二维扫描图像进行图像分割以及像数级的分类，得到视乳头区和黄斑区的各层，进而计算出各层的平均厚度。
5.根据权利要求4所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述异常的厚度数据包括视乳头区和黄斑区异常的厚度值。
6.根据权利要求2所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述检查信息还包括病史、眼压、角膜厚度、前房深度、眼底照片和视野报告。
7.根据权利要求6所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述数据库构建模块用于获取单纯高度近视病例的信息，具体为：
所述数据库构建模块用于获取高度近视病例，通过分析所述高度近视病例的病史、眼底照片和视野报告，以排除所述高度近视病例中合并了除了高度近视以外的其它眼部疾病的病例，得到单纯高度近视病例。
8.根据权利要求2所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述待判断患者的临床信息还包括等效球镜度数和眼轴长度。
9.根据权利要求1所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述报告生成模块用于生成分析报告；具体为：
所述报告生成模块用于在所述分析报告上显示所述待判断患者为单纯高度近视的概率，所述概率的高低通过不同的颜色进行区分显示；其中，第一种颜色表示概率值k的取值为：95%≤k≤100%；第二种颜色表示概率值k的取值为：5%≤k＜95%；第三种颜色表示概率值k的取值为：1%≤k＜5%；第四种颜色表示概率值k的取值为：0%≤k＜1%。
10.根据权利要求2所述的一种基于单纯高度近视数据库构建的数据处理系统，其特征在于，所述模型测试调整模块具体用于：
将验证集和测试集输入深度学习模型中，对深度学习模型进行测试，计算所述深度学习模型的AUC值；
若所述AUC值＞0.85，判断所述深度学习模型能达到自动识别出异常的厚度数据的准确度要求，否则，判断所述深度学习模型不能达到自动识别出异常的厚度数据的准确度要求；
根据所述深度学习模型是否能达到所述准确度要求，调试所述深度学习模型。
CN202111117917.6A 2021-09-23 2021-09-23 一种基于单纯高度近视数据库构建的数据处理系统 Active CN113558564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111117917.6A CN113558564B (zh) 2021-09-23 2021-09-23 一种基于单纯高度近视数据库构建的数据处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111117917.6A CN113558564B (zh) 2021-09-23 2021-09-23 一种基于单纯高度近视数据库构建的数据处理系统

Publications (2)

Publication Number Publication Date
CN113558564A CN113558564A (zh) 2021-10-29
CN113558564B true CN113558564B (zh) 2021-12-07

Family

ID=78174165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111117917.6A Active CN113558564B (zh) 2021-09-23 2021-09-23 一种基于单纯高度近视数据库构建的数据处理系统

Country Status (1)

Country Link
CN (1) CN113558564B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117238514B (zh) * 2023-05-12 2024-05-07 中山大学中山眼科中心 一种人工晶状体屈光力预测方法、系统、设备及介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9241626B2 (en) * 2013-03-14 2016-01-26 Carl Zeiss Meditec, Inc. Systems and methods for improved acquisition of ophthalmic optical coherence tomography data
EP3376939B1 (en) * 2015-11-18 2022-05-11 University Of Louisville Research Foundation, Inc. Automated methods for the objective quantification of retinal characteristics by retinal region and diagnosis of retinal pathology
CN109528155B (zh) * 2018-11-19 2021-07-13 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
KR102329468B1 (ko) * 2018-12-12 2021-11-24 사회복지법인 삼성생명공익재단 인공지능을 이용한 안질환 진단 방법 및 시스템
EP3763280A1 (de) * 2019-07-11 2021-01-13 Carl Zeiss Vision International GmbH Bestimmung einer veränderung eines refraktionsfehlers eines auges
CN112053321A (zh) * 2020-07-30 2020-12-08 中山大学中山眼科中心 一种识别高度近视视网膜病变的人工智能系统
CN112545452B (zh) * 2020-12-07 2021-11-30 南京医科大学眼科医院 高度近视眼底病变图像识别装置

Also Published As

Publication number Publication date
CN113558564A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
Thompson et al. A deep learning algorithm to quantify neuroretinal rim loss from optic disc photographs
CN110010219A (zh) 光学相干层析图像视网膜病变智能检测系统及检测方法
Yang et al. Automatic identification of myopia based on ocular appearance images using deep learning
CN104605811A (zh) 眼科设备和比较层厚度的方法
JP2013501553A (ja) 緑内障の組み合わせ解析
Chan et al. Diagnostic performance of the ISNT rule for glaucoma based on the Heidelberg retinal tomograph
Zheng et al. Detection of referable horizontal strabismus in children's primary gaze photographs using deep learning
Alexandrescu et al. Confocal scanning laser ophthalmoscopy in glaucoma diagnosis and management
CN112233087A (zh) 一种基于人工智能的眼科超声疾病诊断方法和系统
CN112446860B (zh) 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法
CN112053321A (zh) 一种识别高度近视视网膜病变的人工智能系统
CN114343563A (zh) 一种多模态融合辅助干眼诊断和分型的方法、装置及系统
CN114694236A (zh) 一种基于循环残差卷积神经网络的眼球运动分割定位方法
CN113558564B (zh) 一种基于单纯高度近视数据库构建的数据处理系统
CN111402184B (zh) 一种实现远程眼底筛查和健康服务的方法和系统
TWI742782B (zh) 視網膜分層厚度檢測模型之建立方法、視網膜分層厚度檢測系統、眼部照護裝置、視網膜分層厚度檢測方法及失智症評估和預測方法
McIlwaine et al. Reduced cone density is associated with multiple sclerosis
US20240062378A1 (en) Quality control method and quality control system for data annotation on fundus image
CN111259743B (zh) 一种近视图像深度学习识别模型训练方法及系统
CN112869706A (zh) 一种基于深度学习的双视野眼底图像融合方法
Mostafa et al. Diagnosis of Glaucoma from Retinal Fundus Image Using Deep Transfer Learning
CN113781381A (zh) 一种识别慢性肾病图像的系统
CN113011286B (zh) 基于视频的深度神经网络回归模型的斜视判别方法及系统
Zhou et al. An artificial intelligence model for the simulation of visual effects in patients with visual field defects
Cheng et al. [Retracted] Visual Corneal Photomechanical Analysis Is Combined with the Pentacam Correlation Index for the Diagnosis of Cone Corneas at Different Stages of Progression

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