CN113781380B - 一种鉴别视神经脊髓炎和原发性开角型青光眼的系统 - Google Patents

一种鉴别视神经脊髓炎和原发性开角型青光眼的系统 Download PDF

Info

Publication number
CN113781380B
CN113781380B CN202010506771.3A CN202010506771A CN113781380B CN 113781380 B CN113781380 B CN 113781380B CN 202010506771 A CN202010506771 A CN 202010506771A CN 113781380 B CN113781380 B CN 113781380B
Authority
CN
China
Prior art keywords
angle glaucoma
primary open
open angle
neuromyelitis optica
fundus
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
CN202010506771.3A
Other languages
English (en)
Other versions
CN113781380A (zh
Inventor
林浩添
张夏茵
肖辉
邱伟
刘春新
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 CN202010506771.3A priority Critical patent/CN113781380B/zh
Publication of CN113781380A publication Critical patent/CN113781380A/zh
Application granted granted Critical
Publication of CN113781380B publication Critical patent/CN113781380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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]
    • 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
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A61B3/1225—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes using coherent radiation
    • A61B3/1233—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes using coherent radiation for measuring blood flow, e.g. at the retina
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/30—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)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Hematology (AREA)
  • Quality & Reliability (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，包括：图像采集模块；参数获取模块，用于根据患有视神经脊髓炎和患有原发性开角型青光眼的眼底光学相干断层扫描血管图像获得诊断参数；函数生成模块，用于利用所述诊断参数计算Fisher判别的分类函数系数，并根据所述分类函数系数分别生成视神经脊髓炎和原发性开角型青光眼的Fisher判别函数；比较判定模块，用于将待鉴别的眼底光学相干断层扫描血管图像的诊断参数分别代入Fisher判别函数中，比较两个函数值大小，若视神经脊髓炎的函数值大于原发性开角型青光眼的函数值，则判定为视神经脊髓炎，否则判定为原发性开角型青光眼。本发明提高两种疾病的准确率，同时有助于患者减少检查项目和检查时间。

Description

一种鉴别视神经脊髓炎和原发性开角型青光眼的系统
技术领域
本发明涉及临床诊断技术领域，更具体地，涉及一种鉴别视神经脊髓炎和原发性开角型青光眼的系统。
背景技术
视神经脊髓炎(NMOSD)是一种中枢神经系统的自身免疫性炎症性疾病，发病率为每10万人0.5-4.4例，其特点是反复发作的视神经炎和脊髓炎，患者视力预后差。青光眼作为最常见的不可逆性致盲眼病，影响全球7000多万人，其中80％以上为原发性开角型青光眼(POAG)。这两种疾病在光学相干断层扫描(OCT)检查时，最常见的视网膜异常都是视乳头旁视网膜神经纤维层(pRNFL)和黄斑神经节细胞-内丛状层(GC-IPL)变薄。
对于视神经脊髓炎(NMOSD)和原发性开角型青光眼(POAG)，通常鉴别诊断这两种疾病都需要眼科医生结合详细病史，视力、视野、血清抗体，神经影像学等多种检查结果进行综合判断，对于部分发病症状不明显或者病史记录不确切的患者，普通眼科医生难以区分，因此要求眼科医生的专业水平高，确诊耗时长，并且需要患者投入昂贵的检查费用。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷，提供一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，用于提高区别视神经脊髓炎和原发性开角型青光眼两种疾病的准确率，同时有助于患者减少检查项目和检查时间。
本发明采取的技术方案是，
一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，包括：
图像采集模块，用于采集患有视神经脊髓炎和患有原发性开角型青光眼的眼底光学相干断层扫描血管图像；
参数获取模块，用于根据患有视神经脊髓炎和患有原发性开角型青光眼的眼底光学相干断层扫描血管图像，获得诊断参数，所述诊断参数包括眼底结构参数、血流参数和黄斑中心无血管区面积FAZ，所述眼底结构参数包括视乳头旁神经纤维层颞侧及下方的平均厚度TIpRNFL、黄斑神经节细胞层-内丛状层鼻侧厚度N GC-IPL和垂直杯盘比verticalC/D；
函数生成模块，用于利用所述诊断参数计算Fisher判别的分类函数系数，并根据所述分类函数系数分别生成视神经脊髓炎和原发性开角型青光眼的Fisher判别函数；
比较判定模块，用于将待鉴别的眼底光学相干断层扫描血管图像的诊断参数分别代入所述视神经脊髓炎和原发性开角型青光眼的Fisher判别函数中，得到两个函数值，并比较两个函数值大小，若视神经脊髓炎的函数值大于原发性开角型青光眼的函数值，则判定所述待鉴别的眼底光学相干断层扫描血管图像为患有视神经脊髓炎，否则判定为所述待鉴别的眼底相干断层扫描血管图像为患有原发性开角型青光眼。
本发明一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，具体包括图像采集模块、参数获取模块、函数生成模块和比较判定模块，通过多个模块实现鉴别视神经脊髓炎和原发性开角型青光眼的过程为：首先，通过图像采集模块采集患有视神经脊髓炎和患有原发性开角型青光眼患者的眼底光学相干断层扫描血管图像，其次，根据图像采集模块采集到的眼底光学相干断层扫描血管图像获取诊断参数，所述诊断参数包括眼底结构参数、血流参数和黄斑中心无血管区面积FAZ，所述眼底结构参数包括视乳头旁神经纤维层颞侧及下方的平均厚度TIpRNFL、黄斑神经节细胞层-内丛状层鼻侧厚度N GC-IPL和垂直杯盘比verticalC/D，并通过函数生成模块，将获取到的诊断参数代入计算Fisher判别的分类函数系数，根据计算得到的Fisher判别分类函数系数生成视神经脊髓炎和原发性开角型青光眼的Fisher判别函数，最后，将待鉴别的患者眼底光学相干断层扫描血管图像的诊断参数分别代入到视神经脊髓炎和原发性开角型青光眼的Fisher判别函数中，分别得到两个函数值，判断两个函数值的大小情况，若待鉴别眼底光学相干断层扫描血管图像诊断参数代入视神经脊髓炎的Fisher判别函数后得到的函数值大于代入原发性开角型青光眼的Fisher判别函数后得到的函数值，则判定待鉴定的眼底光学相干断层扫描血管图像为患有视神经脊髓炎，若待鉴别眼底光学相干断层扫描血管图像诊断参数代入视神经脊髓炎的Fisher判别函数后得到的函数值小于代入原发性开角型青光眼的Fisher判别函数后得到的函数值，则判定待鉴定的眼底光学相干断层扫描血管图像为患有原发性开角型青光眼。通过本发明一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，采用眼底光学相干断层扫描血管图像能够得到并对患者眼底的结构和血管分析，并获取精准的诊断参数，实现较高的鉴别准确率，同时能够根据诊断参数生成Fisher判别函数，采用统一的Fisher判别函数对多个待鉴别的眼底光学相干断层扫描血管图像进行鉴别，大大降低了人力成本和时间成本，操作简便，对医生的专业水平要求降低，并且有效地帮助患者减少检查时间和检查费用。
进一步地，包括：
准确率计算模块，采用接受者操作特征曲线下方面积计算所述诊断参数的准确率。
本发明一种鉴别视神经脊髓炎和原发性开角型青光眼的系统还包括准确率计算模块，准确率计算模块通过MedCalc软件(MedCalc，Ver.19.0；MedCalc Software Ltd,Ostend,Belgium)生成接受者操作特征曲线。通过接受者操作特征曲线下方面积(AUC)计算诊断参数的准确率，其中，AUC(Area Under Curve)是衡量学习器优劣的一种性能指标，通过ROC(receiver operating characteristic curve)曲线下与各部分的面积求和而得，ROC曲线全称为接受者操作特征曲线，是根据一系列不同的二分类方式(分界值或决定阀)，以真阳性率(敏感性)为纵坐标，假阳性率(1-特异性)为横坐标绘制的曲线，因此ROC曲线一般都处于y＝x这条直线的上方，所以AUC的取值范围在0.5和1.0之间，AUC越接近1.0，检测方法真实性越高，AUC等于0.5时，则真实性最低，无应用价值。本发明中使用的ROC曲线将真正例率和假证例率以图示方法结合在一起，是检测准确性的综合代表，从而能够通过采用AUC方法计算诊断参数的准确率，简单直观，通过图示即可观察诊断参数的准确性。
进一步地，所述准确率计算模块，具体包括：
将所述诊断参数组合成综合诊断指标，并采用接受者操作特征曲线下方面积计算综合诊断指标的准确率。
本发明通过准确率计算模块，将从多张患有视神经脊髓炎和原发性开角型青光眼的眼底光学相干断层扫描血管图像中得到的诊断参数组合成诊断指标，根据组合成的诊断指标采用接受者操作特征曲线下方面积(AUC)计算综合诊断指标的准确率，并且还可以进一步使用Delong方法比较AUC的准确率。本发明通过将诊断参数组合成综合诊断指标，通过综合诊断指标进一步更加准确地判断其数据的精准程度，有助于提高系统对鉴别两种疾病的准确性。
进一步地，将所述诊断参数组合成综合诊断指标，包括：
将眼底结构参数和血流参数进行组合，将眼底结构参数、血流参数和黄斑中心无血管区面积进行组合、将特定眼底结构参数、血流参数和黄斑中心无血管区面积进行组合形成多个综合诊断指标。
本发明中将诊断参数组合成综合诊断指标，更进一步地包括：将眼底结构参数和血流参数进行组合，将眼底结构参数、血流参数和黄斑中心无血管区面积进行组合、将特定眼底结构参数、血流参数和黄斑中心无血管区面积进行组合从而形成包括眼底结构参数在内的四个综合诊断指标，其中，特定眼底结构参数是指眼底结构参数中的一种或多种结构参数。本发明在鉴别视神经脊髓炎和原发性开角型青光眼两种疾病中，将眼底结构参数与血流参数联合应用比仅使用眼底结构参数显著提高了诊断准确率，并且选择特定的眼底结构参数结合血流参数和黄斑中心无血管区面积后也能显示出更好的诊断能力。
进一步地，所述血流参数为浅表毛细血管丛血管密度Whole VD。
本发明中通过眼底光学相干断层扫描血管成像设备能够获取眼底结构参数中的视乳头旁神经纤维层颞侧及下方的平均厚度(TI pRNFL)，黄斑神经节细胞层-内丛状层鼻侧厚度(N GC-IPL)和垂直杯盘比(verticalC/D)，血流参数具体为浅表毛细血管丛血管密度(Whole VD)，其中，对于视神经脊髓炎和原发性开角型青光眼这两种疾病在光学相干断层扫描(OCT)检查时，最常见的视网膜异常都是视乳头旁视网膜神经纤维层(pRNFL)和黄斑神经节细胞-内丛状层(GC-IPL)变薄，垂直杯盘比变大，因此在对诊断参数进行准确率计算时，通常选择眼底结构参数中的特定结构参数与血流参数和黄斑中心无血管区面积(FAZ)进行组合成综合诊断指标，对于视神经脊髓炎(NMOSD)选用颞侧pRNFL和鼻侧GC-IPL，对于原发性开角型青光眼(POAG)选用下方pRNFL和鼻侧GC-IPL，结合垂直C/D，VD和FAZ后显示出更好的诊断能力。
进一步地，所述图像采集模块，具体包括：
采用光学相干断层扫描血管成像设备对采集者的眼底图像进行扫描，扫描过程中采集者的目光集中在光学相干断层扫描血管成像设备的光标中心，且保持眼睛静止。
本发明系统通过眼底光学相干断层扫描血管图像来鉴别视神经脊髓炎和原发性开角型青光眼两种疾病情况，因此需要采用高分辨光学相干断层扫描血管成像设备对采集者的眼底进行扫描，并且在扫描过程中采集者的目光要集中在设备的光标中心，并在尽可能地保持静止，只有在每次扫描结束后，为了保持角膜润滑，才允许眨眼，并视情况使用适量的人工泪液。本发明在采集过程中尽可能地排除外界影响因素的干扰，保持所采集到的眼底光学相干断层扫描血管图像的准确性高。
进一步地，通过SPSS软件计算Fisher判别的分类函数系数，并根据所述分类函数系数生成生成Fisher判别函数。
本发明中所有的统计分析均采用SPSS软件进行，SPSS是世界上最早采用图形菜单驱动界面的统计软件它将几乎所有的功能都以统一、规范的界面展现出来，使用Windows的窗口方式展示各种管理和分析数据方法的功能，对话框展示出各种功能选择项。SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类，每类中又分好几个统计过程，比如回归分析中又分线性回归分析、曲线估计、Logistic回归、Probit回归、加权估计、两阶段最小二乘法、非线性回归等多个统计过程，而且每个过程中又允许用户选择不同的方法及参数。本发明中为了调整组间年龄、性别差异和纳入双眼间的相关性，在整个分析过程中使用了广义估计方程(GEE)。采用Logistic回归将诊断参数组合成综合诊断指标。本发明采用SPSS生成Fisher判别函数，对操作者来说操作简易，而且操作界面极为友好，分析结果清晰、直观、易学易用。
进一步地，采用显著性检验的方法对接受者操作特征曲线下方面积进行评价。
本发明所提到的显著性检验(significance test)就是事先对总体(随机变量)的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设(备择假设)是否合理，即判断总体的真实情况与原假设是否有显著性差异。或者说，显著性检验要判断样本与总体所做的假设之间的差异是纯属机会变异，还是由所做的假设与总体真实情况之间不一致所引起的。显著性检验是针对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。本发明通过接受者操作特征曲线计算综合诊断指标的准确率，并对不同综合诊断指标计算出的接受者操作特征曲线下方面积进行显著性采用显著性检验，其中，P值小于0.05认为存在显著性差异。
进一步地，所述视神经脊髓炎(NMOSD)的Fisher判别函数为：NMOSD＝-36.991+0.147*TIpRNFL+0.282*NGC-IPL+42.619*verticalC/D+1.016*Whole VD+19.036*FAZ；原发性开角型青光眼(POAG)的Fisher判别函数：POAG＝-51.208+0.04*TIpRNFL+0.438*NGC-IPL+54.161*verticalC/D+1.195*Whole VD+22.506*FAZ。
本发明通过多个视神经脊髓炎和原发性开角型青光眼的眼底光学相干断层扫描血管图像所获得的诊断参数和Fisher判别函数的计算过程求得视神经脊髓炎的Fisher判别函数和原发性开角型青光眼的Fisher判别函数分别是NMOSD＝-36.991+0.147*TIpRNFL+0.282*NGC-IPL+42.619*verticalC/D+1.016*Whole VD+19.036*FAZ；原发性开角型青光眼(POAG)的Fisher判别函数：POAG＝-51.208+0.04*TIpRNFL+0.438*NGC-IPL+54.161*verticalC/D+1.195*Whole VD+22.506*FAZ，并将待鉴别患者的眼底相干断层扫描血管图像的诊断参数代入到上述两个判别函数即可通过比较函数值的大小得出待鉴别患者图像的患病情况。本发明基于以上两个Fisher判别函数能够鉴别多个待鉴别患者光学相干断层扫描血管图像的是视神经脊髓炎还是原发性开角型青光眼的区分情况，大大降低了人力成本和时间成本，操作简便，有效地减少检查时间和费用。
与现有技术相比，本发明的有益效果为：通过本发明一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，采用眼底光学相干断层扫描血管图像能够得到并对患者眼底的结构和血管分析，并获取精准的诊断参数，实现较高的鉴别准确率，同时能够根据诊断参数生成Fisher判别函数，采用统一的Fisher判别函数对多个待鉴别的眼底光学相干断层扫描血管图像进行鉴别，大大降低了人力成本和时间成本，操作简便，对医生的专业水平要求降低，并且有效地帮助患者减少检查时间和检查费用。
附图说明
图1为本发明实施例系统的结构图。
图2为本发明实施例眼底结构和血流测量模式图。
图3为NMOSD组和POAG组的眼底结构和血流参数的比较图。
图4为NMOSD组和POAG组的ROC曲线图。
具体实施方式
光学相干断层扫描技术(Optical CoherenceTomography，简称OCT)是近年来发展较快的一种最具发展前途的新型层析成像技术，特别是生物组织活体检测和成像方面具有诱人的应用前景，已在眼科、牙科和皮肤科的临床诊断中应用，近年来已得到了迅速的发展。它利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号，通过扫描，可得到生物组织二维或三维结构图像。它可用于眼后段结构(包括视网膜、视网膜神经纤维层、黄斑和视盘)的活体上查看、轴向断层以及测量，是特别用作帮助检测和管理眼疾的诊断设备。OCT是超声的光学模拟品，但其轴向分辨率取决于光源的相干特性，可达10um且穿透深度几乎不受眼透明屈光介质的限制，可观察眼前节，又能显示眼后节的形态结构，在眼内疾病尤其是视网膜疾病的诊断，随访观察及治疗效果评价等方面具有良好的应用前景。本发明实施例中OCT成像使用的使蔡司高分辨光学相干断层扫描血管成像设备(Cirrus 5000,version 10.0；Zeiss Meditec,California,theUnited States)，波长840nm，A超扫描速率68000次/秒，选择扫描模式为：视盘结构“opticdisc cube 200×200scan”，黄斑结构“macular cube with 512x 128scan”，黄斑血流“6×6mm scan pattern”。
实施例
如图1所示为，一种鉴别视神经脊髓炎和原发性开角型青光眼的系统的结构图，包括图像采集模块、参数获取模块、函数生成模块、比较判定模块，其中，
图像采集模块，用于采集患有视神经脊髓炎和患有原发性开角型青光眼的眼底光学相干断层扫描血管图像；
优选地，所述图像采集模块，具体包括：
采用光学相干断层扫描血管成像设备对采集者的眼底图像进行扫描，扫描过程中采集者的目光集中在光学相干断层扫描血管成像设备的光标中心，且保持眼睛静止。
具体地，在实际采集患有视神经脊髓炎(NMOSD)和患有原发性开角型青光眼(POAG)的眼底光学相干断层扫描血管图像样本数据的过程为：对NMOSD患者(n＝124人，208只眼)，POAG患者(n＝102人，124只眼)和健康对照组(n＝62人，90只眼)进行OCT扫描检查，扫描过程中采集者的目光集中在设备的光标中心，并尽可能保持静止，只有在每次扫描后，为了保持角膜润滑，才允许眨眼，并视情况使用适量的人工泪液。另外，所有患者和健康对照组的排除标准为：(1)被诊断患有其他全身性疾病的受试者；(2)高度近视或远视；(3)明显的介质混浊；(4)年龄<18岁；纳入健康对照组的标准是无NMOSD或POAG家族史，眼压<21mmHg，无眼压升高史，视盘正常，视网膜边缘和pRNFL完整，视野正常。
具体地，如图2所示为眼底结构和血流测量模式图：a，b，c.是使用OCT测量眼底结构和血管的模式图；视乳头旁视网膜神经纤维层(pRNFL)厚度分为4个区，黄斑神经节细胞内丛状层(GC-IPL)厚度分为6个区，黄斑区浅层微血管(macular microvasculature)密度分为9个区。d，e，f.是来自NMOSD患者的典型图像；g，h，i.是来自POAG患者的典型图像；j，k，l.来自健康对照组的典型图像。图中缩写如下：NMOSD：视神经脊髓炎；POAG：原发性开角型青光眼；pRNFL：视乳头旁视网膜神经纤维层；GC-IPL，神经节细胞-内丛状层；S：上方；I：下方；N：鼻侧；NI：鼻下方；NS：鼻上方；T：颞侧；TI：颞下方；TS：颞上方；S-O：上方外侧；T-O：颞侧外侧；I-O:下方外侧；N-O:鼻侧外侧；S-I:上方内侧；T-I:颞侧内侧；I-I:下方内侧；N-I:鼻侧内侧；C:中央。
参数获取模块，用于根据患有视神经脊髓炎和患有原发性开角型青光眼的眼底光学相干断层扫描血管图像，获得诊断参数，所述诊断参数包括眼底结构参数、血流参数和黄斑中心无血管区面积FAZ，所述眼底结构参数包括视乳头旁神经纤维层颞侧及下方的平均厚度TIpRNFL、黄斑神经节细胞层-内丛状层鼻侧厚度N GC-IPL和垂直杯盘比verticalC/D；
优选地，所述血流参数为浅表毛细血管丛血管密度Whole VD。
函数生成模块，用于利用所述诊断参数计算Fisher判别的分类函数系数，并根据所述分类函数系数分别生成视神经脊髓炎和原发性开角型青光眼的Fisher判别函数；
优选地，通过SPSS软件计算Fisher判别的分类函数系数，并根据所述分类函数系数生成Fisher判别函数。
优选地，利用上述获得的诊断参数进行Fisher判别并获得视神经脊髓炎的Fisher判别函数：NMOSD＝-36.991+0.147*TIpRNFL+0.282*NGC-IPL+42.619*verticalC/D+1.016*Whole VD+19.036*FAZ；开角型青光眼的Fisher判别函数：POAG＝-51.208+0.04*TIpRNFL+0.438*NGC-IPL+54.161*verticalC/D+1.195*Whole VD+22.506*FAZ。其中，视神经脊髓炎和原发性开角型青光眼的Fisher判别分类函数系数如表1所示，
表1分类函数系数
具体地，生成Fisher判别函数的详细理论步骤为：
从两个总体中抽取具有p个指标的样品观测数据，借助于方差分析的思想构造一个线性判别函数：
C(Y)＝C1Y1+C2Y2+...+CpYp＝C′Y， (1)
其中系数C1，……，Cp确定的原则是使两组间的组间离差最大，而每个组的组内离差最小。当建立了判别式以后，对一个新的样品值，我们可以将他的p个指标值代人判别式中求出Y值，然后与判别临界值比较，就可以将该样品归类。设有2个总体G1，G2，其均值和协方差矩阵分别是μ1，μ2和∑1，∑2。可以证明，Fisher判别函数系数
C＝(∑1+∑2)-1(μ1-μ2). (2)
若总体均值与方差未知，可通过样本进行估计。
设从第一个总体G1取得n1个样本，从第二个总体G2取得n2个样本，记两组样本均值分别为样本离差阵为S(1)，S(2)。显然，μ1，μ2的无偏估计为/>(∑1+∑2)-1的估计有两种方式。
第一种估计方式是分别估计
判别函数为
第二种估计方式是联合估计
于是判别函数
当n1＝n2时，两种方法是等价的；当n1与n2相差不大时，两种方法近似；当n1与n2相差很大时两种方法相差较远，采用较多的是第二种方法。
具体地，本发明实施例中采用SPSS(SPSS，ver.22.0；SPSS Inc.，Chicago，IL，USA)软件生成NMOSD和POGA的Fisher判别函数的操作步骤为：首先，打开spss软件并对应打开样本数据，样本数据是指通过眼底光学相干断层扫描血管图像获取到的多个视神经脊髓炎和原发性开角型青光眼的综合诊断指标的样本数据；其次，将数据加载到spss软件后，依次点击菜单栏上的“分析-分类-判别”；然后，调出Fisher判别分析参数输入液面，并选择对应的分组变量标签，完成分组变量和自变量输入，点击“统计量”勾选“Fisher和未标准化”；最后，点击“分类”勾选“个案结果”其他默认即可，再点击“保存”全部勾选，设置好全部参数后，点击“确定”即可运行分类，即能得到如表1所述的视神经脊髓炎和原发性开角型青光眼的Fisher判别函数的分类函数系数，通过分类函数系数即可得到生成对应的Fisher判别函数。
比较判定模块，用于将待鉴别的眼底光学相干断层扫描血管图像的诊断参数分别代入所述视神经脊髓炎和原发性开角型青光眼的Fisher判别函数中，得到两个函数值，并比较两个函数值大小，若视神经脊髓炎的函数值大于原发性开角型青光眼的函数值，则判定所述待鉴别的眼底光学相干断层扫描血管图像为患有视神经脊髓炎，否则判定为所述待鉴别的眼底相干断层扫描血管图像为患有原发性开角型青光眼。
优选地，还包括准确率计算模块，采用接受者操作特征曲线下方面积计算所述诊断参数的准确率。
优选地，将所述诊断参数组合成综合诊断指标，并采用接受者操作特征曲线下方面积计算综合诊断指标的准确率。
优选地，将所述诊断参数组合成综合诊断指标包括：
将眼底结构参数和血流参数进行组合，将眼底结构参数、血流参数和黄斑中心无血管区面积进行组合、将特定眼底结构参数、血流参数和黄斑中心无血管区面积进行组合形成多个综合诊断指标。
具体地，对多个诊断参数组合成综合诊断指标的过程为：
通过将NMOSD组和POAG组进行比较，可以得到两组眼底结构和血流参数的比较：NMOSD组和POAG组pRNFL平均厚度相当(NMOSD：2.28±19.89μm，POAG：4.54±16.58μm，P＝0.126)。NMOSD组鼻上象限GC-IPL明显变薄(P＝0.007)，POAG组鼻下象限和颞下象限GC-IPL明显降低(P＝0.016，P<0.0001)。此外，如图3所示，与POAG组相比，NMOSD组在所有9个象限的黄斑部VD和PD均显著降低。
因此，为了区分NMOSD组及POAG组，OCT结构参数(pRNFL平均厚度，垂直C/D，GC-IPL平均厚度)与血流参数VD联合应用比仅使用结构参数显著提高了诊断准确率(NMOSD：＝0.0003，POAG：＝0.0354)。NMOSD选用颞侧pRNFL和鼻侧GC-IPL，POAG选用下方pRNFL和鼻侧GC-IPL，结合垂直C/D，VD和FAZ后显示出更好的诊断能力(NMOSD：＝0.0054，AUC范围0.917～0.966；POAG：＝0.0498，AUC范围0.943～0.989)。
具体地，对综合诊断指标计算准确率的过程为：
本发明实施例中通过AUC计算诊断参数的准确率(AUC为1.0表示完全鉴别，AUC为0.5表示偶然鉴别，P值＜0.05被认为有统计学意义)，更进一步地，为了比较不同诊断参数组合的诊断能力，使用DeLong方法比较AUC(DeLong方法可参考文献：DeLong ER,DeLongDM,Clarke-Pearson DL.Comparing the areas under two or more correlatedreceiver operating characteristic curves:a nonparametric approach.Biometrics1988；44:837-45.)。其中，主要是利用MedCalc软件(MedCalc，Ver.19.0；MedCalc SoftwareLtd,Ostend,Belgium)生成接受者操作特征曲线(ROC)，并对不同综合诊断指标计算出的接受者操作特征曲线下方面积(AUC)进行显著性检验。
具体地，MedCalc软件是一款医学专用的统计计算机软件，在研究医学领域有较为广泛的应用，软件用图形化的界面直观明了的显示所统计的结果，本发明通过MedCalc软件生成AUC的操作过程为：首先，打开MedCalc软件，并输入分析样本数据，样本数据是指通过眼底光学相干断层扫描血管图像获取到的多个视神经脊髓炎和原发性开角型青光眼的综合诊断指标，其中第一列用0和1表示分组，第二列输入数据；其次，依次点击“Statistics”-“ROC curve”-"ROC curve analysis...”，弹出界面，并选择对应的分组；最后，点击ok即弹出两个界面，一个是计算得到的ROC曲线，横坐标表示1-特异性，纵坐标表示灵敏度，另一个界面是具体的参数信息，主要是曲线下面积AUC和灵敏度及特异性的百分比。具体地，如图4所示为利用MedCalc软件得到的视神经脊髓炎和原发性开角型青光眼的ROC曲线图。
如表2所示为，利用多个综合诊断指标得出多个数据来鉴别NMOSD患者和POAG患者的准确性：
表2利用综合诊断指标鉴别NMOSD患者和POAG患者的准确性
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)

1.一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，包括：
图像采集模块，用于采集患有视神经脊髓炎和患有原发性开角型青光眼的眼底光学相干断层扫描血管图像；
参数获取模块，用于根据患有视神经脊髓炎和患有原发性开角型青光眼的眼底光学相干断层扫描血管图像，获得诊断参数，所述诊断参数包括眼底结构参数、血流参数和黄斑中心无血管区面积FAZ，所述眼底结构参数包括视乳头旁神经纤维层颞侧及下方的平均厚度TIpRNFL、黄斑神经节细胞层-内丛状层鼻侧厚度N GC-IPL和垂直杯盘比verticalC/D；
函数生成模块，用于利用所述诊断参数计算Fisher判别的分类函数系数，并根据所述分类函数系数分别生成视神经脊髓炎和原发性开角型青光眼的Fisher判别函数；
比较判定模块，用于将待鉴别的眼底光学相干断层扫描血管图像的诊断参数分别代入所述视神经脊髓炎和原发性开角型青光眼的Fisher判别函数中，得到两个函数值，并比较两个函数值大小，若视神经脊髓炎的函数值大于原发性开角型青光眼的函数值，则判定所述待鉴别的眼底光学相干断层扫描血管图像为患有视神经脊髓炎，否则判定为所述待鉴别的眼底相干断层扫描血管图像为患有原发性开角型青光眼。
2.根据权利要求1所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，包括：
准确率计算模块，采用接受者操作特征曲线下方面积计算所述诊断参数的准确率。
3.根据权利要求2所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，所述准确率计算模块，具体包括：
将所述诊断参数组合成综合诊断指标，并采用接受者操作特征曲线下方面积计算综合诊断指标的准确率。
4.根据权利要求3所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，将所述诊断参数组合成综合诊断指标，包括：
将眼底结构参数和血流参数进行组合，将眼底结构参数、血流参数和黄斑中心无血管区面积进行组合、将特定眼底结构参数、血流参数和黄斑中心无血管区面积进行组合形成多个综合诊断指标。
5.根据权利要求4所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，所述血流参数为浅表毛细血管丛血管密度Whole VD。
6.根据权利要求4所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，所述特定眼底结构参数，具体包括：
对于患有视神经脊髓炎的眼底光学相干断层扫描血管图像的特定眼底结构参数为视乳头旁神经纤维层颞侧厚度、黄斑神经节细胞层内丛状层鼻侧厚度和垂直杯盘比，对于患有原发性开角型青光眼的眼底光学相干断层扫描血管图像的特定眼底结构参数为视乳头旁神经纤维层下方厚度、黄斑神经节细胞层内丛状层鼻侧厚度和垂直杯盘比。
7.根据权利要求1所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，所述图像采集模块，具体包括：
采用光学相干断层扫描血管成像设备对采集者的眼底图像进行扫描，扫描过程中采集者的目光集中在光学相干断层扫描血管成像设备的光标中心，且保持眼睛静止。
8.根据权利要求1所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，通过SPSS软件计算Fisher判别的分类函数系数，并根据所述分类函数系数生成Fisher判别函数。
9.根据权利要求2所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，采用显著性检验的方法对接受者操作特征曲线下方面积进行评价。
10.根据权利要求5所述的一种鉴别视神经脊髓炎和原发性开角型青光眼的系统，其特征在于，所述视神经脊髓炎NMOSD的Fisher判别函数为：NMOSD＝-36.991+0.147*TIpRNFL+0.282*NGC-IPL+42.619*verticalC/D+1.016*Whole VD+19.036*FAZ；原发性开角型青光眼POAG的Fisher判别函数：POAG＝-51.208+0.04*TIpRNFL+0.438*NGC-IPL+54.161*verticalC/D+1.195*Whole VD+22.506*FAZ。
CN202010506771.3A 2020-06-05 2020-06-05 一种鉴别视神经脊髓炎和原发性开角型青光眼的系统 Active CN113781380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010506771.3A CN113781380B (zh) 2020-06-05 2020-06-05 一种鉴别视神经脊髓炎和原发性开角型青光眼的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010506771.3A CN113781380B (zh) 2020-06-05 2020-06-05 一种鉴别视神经脊髓炎和原发性开角型青光眼的系统

Publications (2)

Publication Number Publication Date
CN113781380A CN113781380A (zh) 2021-12-10
CN113781380B true CN113781380B (zh) 2023-09-29

Family

ID=78834231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010506771.3A Active CN113781380B (zh) 2020-06-05 2020-06-05 一种鉴别视神经脊髓炎和原发性开角型青光眼的系统

Country Status (1)

Country Link
CN (1) CN113781380B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101778593A (zh) * 2007-06-15 2010-07-14 南加州大学 通过光学相干断层照相的用于诊断视神经疾病的视网膜地形图图案分析
RU2603300C1 (ru) * 2015-10-09 2016-11-27 Ирина Витальевна Воробьева Способ прогнозирования прогрессирования открытоугольной глаукомы в сочетании с диабетической ретинопатией у пациентов с сахарным диабетом
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101778593A (zh) * 2007-06-15 2010-07-14 南加州大学 通过光学相干断层照相的用于诊断视神经疾病的视网膜地形图图案分析
RU2603300C1 (ru) * 2015-10-09 2016-11-27 Ирина Витальевна Воробьева Способ прогнозирования прогрессирования открытоугольной глаукомы в сочетании с диабетической ретинопатией у пациентов с сахарным диабетом
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张平 ; .光学相干断层扫描相关参数及所构建的判别函数在可疑青光眼中的诊断价值.山东医药.2013,(第11期),全文. *

Also Published As

Publication number Publication date
CN113781380A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
Blumenthal et al. Assessment of the retinal nerve fiber layer in clinical trials of glaucoma neuroprotection
Banister et al. Can automated imaging for optic disc and retinal nerve fiber layer analysis aid glaucoma detection?
Swindale et al. Automated analysis of normal and glaucomatous optic nerve head topography images
Garway-Heath et al. Quantitative evaluation of the optic nerve head in early glaucoma
Bathija et al. Detection of early glaucomatous structural damage with confocal scanning laser tomography
JP7078948B2 (ja) 眼科情報処理システム、眼科情報処理方法、プログラム、及び記録媒体
Huang et al. Development and comparison of automated classifiers for glaucoma diagnosis using Stratus optical coherence tomography
JP5923445B2 (ja) 緑内障の組み合わせ解析
Kauppi Eye fundus image analysis for automatic detection of diabetic retinopathy
Nath et al. Techniques of glaucoma detection from color fundus images: A review
EP4025114A1 (en) Machine learning methods for creating structure-derived visual field priors
Racette et al. Combining functional and structural tests improves the diagnostic accuracy of relevance vector machine classifiers
CN113243887B (zh) 一种老年黄斑变性智能诊疗仪
Alexandrescu et al. Confocal scanning laser ophthalmoscopy in glaucoma diagnosis and management
Consejo et al. Keratoconus detection based on a single Scheimpflug image
Asrani et al. Correlation among retinal thickness, optic disc, and visual field in glaucoma patients and suspects: a pilot study
CN113129267A (zh) 一种基于视网膜分层数据的oct图像检测方法及系统
Ajaz et al. A review of methods for automatic detection of macular edema
Naveed et al. Clinical and technical perspective of glaucoma detection using OCT and fundus images: a review
Chen et al. Applications of artificial intelligence and deep learning in glaucoma
Salam et al. A review analysis on early glaucoma detection using structural features
CN113781381B (zh) 一种识别慢性肾病图像的系统
CN113781380B (zh) 一种鉴别视神经脊髓炎和原发性开角型青光眼的系统
Huang et al. Rule extraction for glaucoma detection with summary data from StratusOCT
CN113273959B (zh) 一种便携式糖尿病视网膜病变诊疗仪

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