CN113781381A - 一种识别慢性肾病图像的系统 - Google Patents
一种识别慢性肾病图像的系统 Download PDFInfo
- Publication number
- CN113781381A CN113781381A CN202010507825.8A CN202010507825A CN113781381A CN 113781381 A CN113781381 A CN 113781381A CN 202010507825 A CN202010507825 A CN 202010507825A CN 113781381 A CN113781381 A CN 113781381A
- Authority
- CN
- China
- Prior art keywords
- chronic kidney
- kidney disease
- function
- parameters
- 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.)
- Granted
Links
Images
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
-
- 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
- A61B3/13—Ophthalmic microscopes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种识别慢性肾病图像的系统,包括:图像采集模块,采集患有慢性肾病患者和健康人群的眼底光学相干断层扫描血管图像;参数获取模块,根据采集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,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慢性肾病和健康人群的Fisher判别函数;比较判定函数模块,将待识别患者的诊断参数分别代入所述慢性肾病和健康人群的Fisher判别函数中,得到两个函数值,并比较两个函数值大小,若慢性肾病的Fisher判别函数的函数值大于健康人群的Fisher判别函数的函数值,则判定为患有慢性肾病的图像,否则判定为健康状态的图像。本发明识别准确率高,有助于患者减少检查项目和时间。
Description
技术领域
本发明涉及临床医学技术领域,更具体地,涉及一种识别慢性肾病图像的系统。
背景技术
慢性肾病是指各种原因引起的肾脏结构或者功能异常时间≥3个月,包括出现肾脏损伤标志(白蛋白、尿沉渣异常、肾小管相关病变、组织学检查异常及影像学检查异常)或有肾移植病史,伴或不伴肾小球滤过率(GFR)下降;或不明原因的GER下降(<60ml/min) ≥3个月。近年来慢性肾病的患病率有明显上升趋势,不仅严重影响患者的生活质量,而且明显增加国民经济负担以及死亡风险,慢性肾病的防治已成为世界各国所面临的重要公共卫生问题。
通过研究发现肾脏和眼在解剖结构、胚胎发育以及生理和致病机制之间有大量重叠,因此眼病和肾脏疾病存在着密切关系。但是目前,慢性肾病的筛查诊断多通过尿液检查,血液检查,B超,肾活检等,而往往忽略了患者的眼部情况改变状况。现有技术中存在的主要问题是忽略了慢性肾病患者眼底的可能性病变情况,并且对眼底进行多项检查时需要配有多项设备以及多个专业检验人员,检查耗时长且检查费用高昂。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷,提供一种识别慢性肾病图像的系统,用于对患者眼底的结构和血管进行扫描并分析,获得较高的准确率,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,
一种识别慢性肾病图像的系统,包括:
图像采集模块,用于采集患有慢性肾病患者和健康人群的眼底光学相干断层扫描血管图像;参数获取模块,用于根据采集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和血流参数,所述眼底结构参数包括视乳头旁神经纤维层鼻侧厚度NpRNFL、黄斑神经节细胞层-内丛状层鼻侧上方厚度NS 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慢性肾病和健康人群的Fisher判别函数;
比较判定模块,用于将根据待识别患者的眼底光学相干断层扫描血管图像获得的诊断参数分别代入所述慢性肾病和健康人群的Fisher判别函数中,得到两个函数值,并比较两个函数值大小,若慢性肾病的Fisher判别函数的函数值大于健康人群的Fisher判别函数的函数值,则判定所述待识别患者的眼底光学相干断层扫描血管图像为患有慢性肾病的图像,否则判定为所述待识别的眼底相干断层扫描血管图像为健康状态的图像。
本发明一种识别慢性肾病图像的系统,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,通过多个模块实现识别慢性肾病图像的过程为:首先,通过图像采集模块采集患有慢性肾病患者和健康人群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和血流参数,所述眼底结构参数包括视乳头旁神经纤维层鼻侧厚度NpRNFL、黄斑神经节细胞层-内丛状层鼻侧上方厚度NS 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,根据计算分别得到的慢性肾病的Fisher判别分类函数系数和健康人群的Fisher判别分类函数系数对应生成慢性肾病和健康人群的Fisher判别函数,最后,将根据待识别的患者的眼底光学相干断层扫描血管图像所获得的诊断参数分别代入到慢性肾病和健康人群的Fisher判别函数中,得到两个函数值,通过比较判定模块判断两个函数值的大小情况,若慢性肾病的Fisher判别函数的函数值大于健康人群的Fisher判别函数的函数值,则判定待识别的患者眼底光学相干断层扫描血管图像为患有慢性肾病的图像,若慢性肾病的Fisher判别函数的函数值小于健康人群的Fisher判别函数的函数值,则判定待识别的患者眼底光学相干断层扫描血管图像为健康状态的图像。通过本发明一种识别慢性肾病图像的系统,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,获取精准的诊断参数,实现较高的识别准确率,同时能够根据诊断参数生成Fisher判别函数,采用统一的Fisher判别函数对多个待识别的眼底光学相干断层扫描血管图像进行识别,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交底,并且有效地帮助患者减少检查时间和费用。
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。
本发明一种识别慢性肾病图像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(简称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曲线下与各部分的面积求和而得,ROC曲线(receiver operating characteristic curve)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。本发明利用MedCalc软件生成接受者操作特征曲线,通过接受者操作特征曲线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,将从多张患有慢性肾病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,有助于提高系统对识别慢性肾病的准确性。
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,将特定眼底结构参数和血流参数进行组合形成多个综合诊断指标。
本发明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,将特定眼底结构参数和血流参数进行组合从而形成包括眼底结构参数在内的三个综合诊断指标,其中,特定眼底结构参数是指眼底结构中的特定部位的参数。本发明在识别慢性肾病图像的过程中,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。
进一步地,所述特定眼底结构参数,具体包括:对于患有慢性肾病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鼻侧厚度、黄斑神经节细胞层内丛状层鼻侧上方厚度和垂直杯盘比。
本发明采用眼底光学相干断层扫描血管成像设备能够测量眼底结构和血管,眼底结构包括视乳头视网膜神经纤维层(pRNFL)厚度、黄斑神经节细胞内丛状层(GC-IPL)厚度,血管包括黄斑区浅层微血管(macular microvasculature)密度。经观察发现,慢性肾病组平均 pRNFL厚度变薄,其中上方,鼻侧,颞侧变薄明显;垂直C/D更小;黄斑区GC-IPL全区域变薄;黄斑区VD和PD全区域减少,黄斑中心FAZ大小正常。因此,为了区分慢性肾病组和健康对照组,眼底光学相干断层扫描的结构参数与血流参数联合应用比仅使用结构参数显著提高了诊断准确率,因此慢性肾病选用鼻侧pRNFL和鼻侧上方GC-IPL,结合垂直C/D和 VD后AUC值提高但无显著性差异。
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识别慢性肾病图像,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,所述慢性肾病的Fisher判别函数为:慢性肾病=-182.010-0.045*NpRNFL +1.497*NS GC-IPL+17.673*verticalC/D+13.367*Whole VD;所述健康人群的Fisher判别函数为:健康=-202.313-0.024*NpRNFL+1.473*NS GC-IPL+22.671*verticalC/D+ 14.408*Whole VD。
本发明通过多个慢性肾病患者和健康人群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慢性肾病的Fisher判别函数和健康人群Fisher 判别函数分别是慢性肾病=-182.010-0.045*NpRNFL+1.497*NS GC-IPL+17.673*verticalC/D+13.367*Whole VD;健康=-202.313-0.024*NpRNFL+1.473*NS GC-IPL+ 22.671*verticalC/D+14.408*Whole VD,并将待识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识别患者图像慢性肾病的患病情况。本发明基于以上两个Fisher判别函数能够识别多个待识别患者光学相干断层扫描血管图像的慢性肾病的患病情况,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:通过本发明一种识别慢性肾病图像的系统,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,获取精准的诊断参数,实现较高的识别准确率,同时能够根据诊断参数生成Fisher判别函数,采用统一的Fisher判别函数对多个待识别的眼底光学相干断层扫描血管图像进行识别,能够有效地识别慢性肾病患病情况,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交底,并且有效地帮助患者减少检查时间和费用。
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为本发明实施例中慢性肾病的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,一种识别慢性肾病图像的系统的结构图,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,用于采集患有慢性肾病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,在实际采集患有慢性肾病患者的眼底光学相干断层扫描血管图像的样本数据的过程为:对慢性肾病患者患者(n=91人,179只眼)和健康对照组(n=62人,90只眼)进行OCTA检查,主要观察指标为视乳头旁视神经纤维层厚度(pRNFL),垂直杯盘比(vertical C/D),黄斑神经节细胞层-内丛状层厚度(GC-IPL)、浅表毛细血管丛血管密度(VD)和灌注密度(PD)和黄斑中心无血管区(FAZ)面积,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。并使用曲线下面积(AUC)计算诊断能力。
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。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,用于根据采集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和血流参数;
优选地,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NS GC-IPL和垂直杯盘比verticalC/D,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慢性肾病和健康人群的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判别并获得慢性肾病的Fisher判别函数:所述慢性肾病的Fisher判别函数为:慢性肾病=-182.010-0.045*NpRNFL+1.497*NSGC-IPL +17.673*verticalC/D+13.367*Whole VD;所述健康人群的Fisher判别函数为:健康=-202.313 -0.024*NpRNFL+1.473*NS GC-IPL+22.671*verticalC/D+14.408*WholeVD。其中,慢性肾病和健康人群的Fisher判别分类函数系数如表1所示,
表1.利用综合诊断指标进行Fisher判别的分类函数系数
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。
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慢性肾病和健康人群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所述的慢性肾病和健康人的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,用于将根据待识别患者的眼底光学相干断层扫描血管图像获得的诊断参数分别代入所述慢性肾病和健康人群的Fisher判别函数中,得到两个函数值,并比较两个函数值大小,若慢性肾病的Fisher判别函数的函数值大于健康人群的Fisher判别函数的函数值,则判定所述待识别患者的眼底光学相干断层扫描血管图像为患有慢性肾病的图像,否则判定为所述待识别的眼底相干断层扫描血管图像为健康状态的图像。
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,将特定眼底结构参数和血流参数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:
通过分析可知慢性肾病组平均pRNFL厚度变薄(P=0.013),其中上方,鼻侧,颞侧变薄明显(分别是P=0.038,P<0.0001,P=0.042);垂直C/D更小(P<0.0001);黄斑区GC-IPL 全区域变薄;黄斑区VD和PD全区域减少,黄斑中心FAZ大小正常。
因此,为了区分慢性肾病组与健康对照组,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 (P=0.0003)。慢性肾病组选用鼻侧pRNFL和鼻侧上方GC-IPL结合垂直C/D和VD后AUC 值提高但无显著性差异。
具体地,对综合诊断指标计算准确率的过程为:
本发明实施例中利用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,其中,主要是利用MedCalc软件(MedCalc,Ver.19.0;MedCalcSoftware Ltd,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慢性肾病的综合诊断指标,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 curveanalysis...”,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3所示为利用MedCalc 软件得到的慢性肾病的ROC曲线图。
如表2所示为,利用多个综合诊断指标鉴别NMOSD患者和POAG患者的准确性:
表2.利用综合诊断指标识别慢性肾病患者的准确性
95%置信区间显示在AUC下方。P值为所在列参数与左侧一列参数诊断AUC的比较。
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)
1.一种识别慢性肾病图像的系统,其特征在于,包括:
图像采集模块,用于采集患有慢性肾病患者和健康人群的眼底光学相干断层扫描血管图像;
参数获取模块,用于根据采集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和血流参数,所述眼底结构参数包括视乳头旁神经纤维层鼻侧厚度NpRNFL、黄斑神经节细胞层-内丛状层鼻侧上方厚度NS 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慢性肾病和健康人群的Fisher判别函数;
比较判定模块,用于将根据待识别患者的眼底光学相干断层扫描血管图像获得的诊断参数分别代入所述慢性肾病和健康人群的Fisher判别函数中,得到两个函数值,并比较两个函数值大小,若慢性肾病的Fisher判别函数的函数值大于健康人群的Fisher判别函数的函数值,则判定所述待识别患者的眼底光学相干断层扫描血管图像为患有慢性肾病的图像,否则判定为所述待识别的眼底相干断层扫描血管图像为健康状态的图像。
2.根据权利要求1所述的一种识别慢性肾病图像的系统,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所述的一种识别慢性肾病图像的系统,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所述的一种识别慢性肾病图像的系统,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,将特定眼底结构参数和血流参数进行组合形成多个综合诊断指标。
5.根据权利要求4所述的一种识别慢性肾病图像的系统,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所述的一种识别慢性肾病图像的系统,其特征在于,所述特定眼底结构参数,具体包括:
对于患有慢性肾病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鼻侧厚度、黄斑神经节细胞层内丛状层鼻侧上方厚度和垂直杯盘比。
7.根据权利要求1所述的一种识别慢性肾病图像的系统,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所述的一种识别慢性肾病图像的系统,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1所述的一种识别慢性肾病图像的系统,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所述的一种识别慢性肾病图像的系统,其特征在于,所述慢性肾病的Fisher判别函数为:慢性肾病=-182.010-0.045*NpRNFL+1.497*NS GC-IPL+17.673*verticalC/D+13.367*Whole VD;所述健康人群的Fisher判别函数为:健康=-202.313-0.024*NpRNFL+1.473*NS GC-IPL+22.671*verticalC/D+14.408*Whole VD。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507825.8A CN113781381B (zh) | 2020-06-05 | 2020-06-05 | 一种识别慢性肾病图像的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507825.8A CN113781381B (zh) | 2020-06-05 | 2020-06-05 | 一种识别慢性肾病图像的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781381A true CN113781381A (zh) | 2021-12-10 |
CN113781381B CN113781381B (zh) | 2023-09-26 |
Family
ID=78834249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010507825.8A Active CN113781381B (zh) | 2020-06-05 | 2020-06-05 | 一种识别慢性肾病图像的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781381B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305321A (zh) * | 2022-03-15 | 2022-04-12 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种测量视网膜血管壁厚度的方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120150029A1 (en) * | 2008-12-19 | 2012-06-14 | University Of Miami | System and Method for Detection and Monitoring of Ocular Diseases and Disorders using Optical Coherence Tomography |
CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
CN111222361A (zh) * | 2018-11-23 | 2020-06-02 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和系统 |
-
2020
- 2020-06-05 CN CN202010507825.8A patent/CN113781381B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120150029A1 (en) * | 2008-12-19 | 2012-06-14 | University Of Miami | System and Method for Detection and Monitoring of Ocular Diseases and Disorders using Optical Coherence Tomography |
CN111222361A (zh) * | 2018-11-23 | 2020-06-02 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和系统 |
CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305321A (zh) * | 2022-03-15 | 2022-04-12 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种测量视网膜血管壁厚度的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113781381B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Medeiros et al. | From machine to machine: an OCT-trained deep learning algorithm for objective quantification of glaucomatous damage in fundus photographs | |
Zhang et al. | A survey on computer aided diagnosis for ocular diseases | |
JP5923445B2 (ja) | 緑内障の組み合わせ解析 | |
US10052016B2 (en) | Automated clinical evaluation of the eye | |
Mookiah et al. | Application of different imaging modalities for diagnosis of diabetic macular edema: a review | |
CN109528155B (zh) | 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 | |
Fazio et al. | In vivo optic nerve head mechanical response to intraocular and cerebrospinal fluid pressure: imaging protocol and quantification method | |
US20120150029A1 (en) | System and Method for Detection and Monitoring of Ocular Diseases and Disorders using Optical Coherence Tomography | |
Bayer et al. | Detection of optic neuropathy in glaucomatous eyes with normal standard visual fields using a test battery of short-wavelength automated perimetry and pattern electroretinography | |
CN104398234A (zh) | 一种基于专家系统的眼表综合分析仪 | |
Nath et al. | Techniques of glaucoma detection from color fundus images: A review | |
CN110875092A (zh) | 一种基于远程眼底筛查的健康大数据服务方法和系统 | |
Alexandrescu et al. | Confocal scanning laser ophthalmoscopy in glaucoma diagnosis and management | |
CN113243887B (zh) | 一种老年黄斑变性智能诊疗仪 | |
US20210259546A1 (en) | Portable system for identifying potential cases of diabetic macular oedema using image processing and artificial intelligence | |
CN113129267A (zh) | 一种基于视网膜分层数据的oct图像检测方法及系统 | |
Naveed et al. | Clinical and technical perspective of glaucoma detection using OCT and fundus images: a review | |
Ajaz et al. | A review of methods for automatic detection of macular edema | |
CN113781381B (zh) | 一种识别慢性肾病图像的系统 | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
Frampton et al. | Accuracy of fundus autofluorescence imaging for the diagnosis and monitoring of retinal conditions: a systematic review | |
CN111402184B (zh) | 一种实现远程眼底筛查和健康服务的方法和系统 | |
WO2012112675A2 (en) | Layer-by-layer quantification of the remodeling of the human fovea in neurodegerative disease | |
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 | |
Vyas et al. | A comprehensive survey on image modality based computerized dry eye disease detection techniques |
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 |