CN115049655A - 一种小鼠模型视网膜病灶分布分析方法 - Google Patents
一种小鼠模型视网膜病灶分布分析方法 Download PDFInfo
- Publication number
- CN115049655A CN115049655A CN202210971164.3A CN202210971164A CN115049655A CN 115049655 A CN115049655 A CN 115049655A CN 202210971164 A CN202210971164 A CN 202210971164A CN 115049655 A CN115049655 A CN 115049655A
- Authority
- CN
- China
- Prior art keywords
- focus
- center
- mouse
- distribution
- lesion
- 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
- 210000001525 retina Anatomy 0.000 title claims abstract description 58
- 238000010172 mouse model Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 230000003902 lesion Effects 0.000 claims abstract description 80
- 230000002207 retinal effect Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims description 14
- 210000004204 blood vessel Anatomy 0.000 claims description 10
- 210000003733 optic disk Anatomy 0.000 claims description 9
- 238000012353 t test Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 208000017442 Retinal disease Diseases 0.000 abstract description 12
- 206010038923 Retinopathy Diseases 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 6
- 238000010171 animal model Methods 0.000 abstract description 4
- 238000003703 image analysis method Methods 0.000 abstract description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 42
- 238000012014 optical coherence tomography Methods 0.000 description 35
- 210000001508 eye Anatomy 0.000 description 22
- 238000005259 measurement Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 210000005252 bulbus oculi Anatomy 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 241000699670 Mus sp. Species 0.000 description 4
- 238000011813 knockout mouse model Methods 0.000 description 4
- 210000001957 retinal vein Anatomy 0.000 description 4
- 210000004126 nerve fiber Anatomy 0.000 description 3
- 238000011746 C57BL/6J (JAX™ mouse strain) Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000004220 fundus oculi Anatomy 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000002189 macula lutea Anatomy 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 210000002445 nipple Anatomy 0.000 description 2
- 108091008695 photoreceptors Proteins 0.000 description 2
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- 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
-
- 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
- A61B3/14—Arrangements specially adapted for eye photography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/42—Evaluating a particular growth phase or type of persons or animals for laboratory research
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种小鼠模型视网膜病灶分布分析方法,包括:基于OCT扫描小鼠后极部眼底,获取小鼠后极部眼底病灶图像;基于小鼠后极部眼底病灶图像获取病灶分布坐标;基于病灶分布坐标构建病灶分布规律坐标图;基于病灶分布规律坐标图获取病灶象限分布情况并计算统计各象限病灶数量。该方法整合了小鼠模型视网膜病灶的横断面分层信息(OCT)和象限位置分布信息(眼底照相),较全面地反映了小鼠视网膜病灶的位置情况。本发明提出的方法为视网膜病变的动物模型研究提供一种合适的图像分析方法。
Description
技术领域
本发明属于生物医学技术领域,特别是涉及一种小鼠模型视网膜病灶分布分析方法。
背景技术
视网膜疾病的研究中常用到小鼠模型。对小鼠模型视网膜表型特征的研究常采用的影像学方法是光学相干断层扫描(OCT)。根据视频杂志JoVE中发表的有关OCT在视网膜病变小鼠模型中的应用的论文描述(ISSN:1940-087X),OCT是一种可为组织提供活体高分辨率和横断面成像的成像技术,尤其适用于视网膜的无创检查。另外,OCT可以用于量化一些重要的生物标志物,如视网膜厚度和视网膜神经纤维层厚度,被广泛应用于眼科诊疗,作为诊断、随访和治疗视网膜疾病患者的重要工具。OCT还可以为了解视网膜疾病的发病机制提供线索,除了应用于临床诊疗外,还可以用于动物研究。在动物研究中,虽然病理学是形态学特征的金标准,但OCT拥有活体内无创成像和纵向随访的优势,有利于观察视网膜病变发生和发展的过程。而且在视网膜病变动物模型的研究中,OCT的表现是与组织病理学密切相关的。在生物医学研究中,小鼠是最常用的动物。然而,由于小鼠眼球体积小,给OCT成像带来了技术上的挑战。论文1940-087X已利用文字、图片及视频详细介绍了如何利用OCT对小鼠的视网膜进行检查,包括如何发现视网膜病灶、如何分析视网膜病灶的形态特征以及如何测量视网膜厚度。
专利CN201310357899.8公开了一种活体小鼠视网膜多参数测量的方法,该方法使用OCT仪扫描小鼠视网膜眼底图像,采用高清单线扫描模式得到小鼠全视网膜的断层图像并测得小鼠视网膜上各层的厚度;采用视网膜容积模式测得小鼠视网膜9个子区域的平均厚度和容积,并三维重建小鼠视网膜的形态;采用视盘扫描模式获得视网膜神经纤维层的连续厚度数据。但是该方法主要针对的是视网膜厚度和整体形态的分析,并没有视网膜病灶的针对性分析方法。
专利CN201910188403.6利用深度学习模型中的卷积神经网络算法构建分类器,实现视网膜病变的分类,并利用图像分割算法实现对病灶的提取和视网膜分层。但是这种方法需要一定的研究条件,尤其是需要人工智能实验平台。在临床诊疗的现实工作中,并不是所有的医疗单位都具备这样的条件。而在动物模型的实验研究中,更难具备这样的研究条件。对于动物实验,这种方法成本过高,可操作性差。
由于小鼠视网膜无黄斑,因而在眼底拍照时小鼠无法固视,眼底照中视网膜旋转的方向也不固定。在小鼠视网膜病变的研究中,病灶的精确定位较困难。由于OCT呈现的是视网膜的横断面情况,通过对视网膜病变小鼠模型的OCT检查我们可以判断出视网膜上某个病灶侵犯视网膜的哪个分层。然而,单有横断面信息并不能反映病灶的整体位置特征。目前也缺乏一种简易直观的分析方法可以结合病变的横断面信息和象限分布信息。在小鼠视网膜病变模型的研究中,目前未发现利用OCT数据和眼底照反映视网膜病灶分布规律的分析方法。
发明内容
本发明的目的是提供一种小鼠模型视网膜病灶分布分析方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种小鼠模型视网膜病灶分布分析方法,包括:
基于OCT扫描小鼠后极部视网膜,获取小鼠后极部视网膜病灶图像;
基于所述小鼠后极部视网膜病灶图像获取病灶分布坐标;
基于所述病灶分布坐标构建病灶分布规律坐标图;
基于所述病灶分布规律坐标图获取视网膜分层分布情况并计算统计病灶分布象限;
基于所述视网膜分层分布情况统计病灶数量。
可选地,基于OCT扫描获取小鼠后极部眼底病灶图像视网膜的过程包括:
基于OCT的扫描位置获取扫描线与标记点;
以经过视乳头水平方向或垂直方向的扫描线作为起始进行扫描,以一个所述标记点的宽度移动扫描线并按照上方-下方-鼻侧-颞侧的顺序进行密集扫描,观察是否有病灶;
发现病灶时,将所述标记点移动到病灶后摄取图片。
可选地,若扫描到的病灶较大,或连续扫描到同一个病灶时,则摄取小鼠后极部视网膜OCT图像上病灶特征最明显处的图片。
可选地,所述病灶分布坐标数据包括病灶所在的视网膜分层与病灶中心坐标,基于所述小鼠后极部眼底病灶图像获取病灶分布坐标的过程包括:
基于所述小鼠后极部眼底病灶图像获取并标记病灶所在的视网膜分层;
测量所述小鼠后极部眼底病灶图像中病灶中心与视乳头中心之间的直线距离;所述视乳头中心为小鼠后极部的中心;
测量所述小鼠后极部眼底病灶图像中病灶中心到视乳头中心连线与底边之间的角度,其中所述底边为上方视网膜中最直最粗且无分支的血管;
构建坐标系,基于病灶中心与视乳头中心之间的直线距离与病灶中心到视乳头中心连线与底边之间的角度获取病灶中心坐标。
可选地,基于病灶中心与视乳头中心之间的直线距离与病灶中心到视乳头中心连线与底边之间的角度获取病灶中心坐标的过程包括:
将视乳头中心作为坐标0点,将病灶中心与视乳头中心之间的直线距离、病灶中心到视乳头中心连线与底边之间的角度代入正弦公式与余弦公式,分别计算病灶中心到视乳头中心连线投影到所述坐标系x轴及y轴上的值获取所述病灶中心坐标。
可选地,基于所述病灶分布坐标数据构建病灶分布规律坐标图的过程包括:
将视网膜分层设置为分类变量,对视网膜分层情况进行分类标记,用数字编号表示;基于每一个病灶的x轴坐标、y轴坐标和视网膜分层编号生成病灶分布规律坐标图。
可选地,基于所述病灶分布规律坐标图获取视网膜分层分布情况并计算统计病灶分布象限的过程包括:
基于IF函数工具计算病灶坐标所在的象限并记录,若象限中无病灶发生,则记录为0;当病灶位于第一象限时,记录为1,位于第二象限时记录为2,位于第三象限时记录为3,位于第四象限时记录为4,位于坐标轴时记录为5;
将记录结果按照眼别、鼠型、位置进行分类整理,采用t检验进行统计分析,生成分布象限直方图。
可选地,基于所述视网膜分层分布情况统计病灶数量的过程包括:
根据OCT中病灶累计的视网膜分层情况,基于t检验分别统计病灶数量,生成病灶数量直方图。
本发明的技术效果为:
本发明提到的方法只需测量两个参数:一个是cSLO眼底照上病灶与视乳头中心的距离,一个是病灶中心—视乳头中心连线与上方视网膜静脉形成的角度。根据这两个参数,通过两线平行,内错角相等的定理及三角函数规律,得到了病灶的坐标,实现了病灶中心点的坐标标记。将病灶坐标与病灶累及的视网膜分层结合,推演出一个坐标图,直观地呈现出视网膜病灶的分布规律。这种方法整合了小鼠模型视网膜病灶的横断面分层信息(OCT)和象限位置分布信息(眼底照相),较全面地反映了小鼠视网膜病灶的位置情况。本发明提出的方法为视网膜病变的动物模型研究提供一种合适的图像分析方法。
本发明中提到的角度测量方法解决了拍照时小鼠眼球旋转致视网膜方向不固定的问题。由于小鼠视网膜无黄斑,因而在眼底拍照时小鼠无法固视,眼底照中视网膜旋转的方向也不固定。因为上述问题,小鼠视网膜病灶的精确定位较困难。在每个小鼠的上方视网膜都有一条血管,具备粗、直和无分支的特点,与其他血管不同,易于分辨。此血管为上方视网膜静脉。本发明采用这条血管进行定位,将其作为角度测量的底边和坐标图中的y轴,使角度测量难度降低,病灶定位有了参照。
另外,本发明根据坐标中x值、y值与0的关系设计IF函数公式,本发明提到的方法仅根据两个参数推算的病灶坐标,就可实现对病灶位置的快速归类和标记,进而可对各象限中出现的病灶数量进行统计分析。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例在OCT中发现的视网膜病灶在眼底图中的坐标(x,y)推算思路图;
图2为本发明实施例中的病灶-视乳头连线与x轴坐标形成直角三角形在不同象限∠E与∠A的关系图;
图3为本发明实施例中的Robo4 KO小鼠右眼视网膜病灶分布规律坐标图;
图4为本发明实施例中的Robo4 KO小鼠左眼视网膜病灶分布规律坐标图;
图5为本发明实施例中的C57BL/6J小鼠右眼视网膜病灶分布规律坐标图;
图6为本发明实施例中的C57BL/6J小鼠左眼视网膜病灶分布规律坐标图;
图7为本发明实施例中的为实验组与对照组各象限病灶数量的比较结果直方图;
图8为本发明实施例中实验组与对照组OCT图像上受累视网膜分层中病灶数量的比较结果直方图;
图9为本发明实施例中的小鼠模型视网膜病灶分布分析方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图9所示,本实施例中提供一种小鼠模型视网膜病灶分布分析方法:
OCT图像的获取要求:本方法所分析的图像是由罗兰小动物眼底成像系统的OCT扫描模式生成的。要求获取小鼠后极部眼底图像,以视乳头为中心,区分眼别;在实时对应的眼底照片上有标记OCT扫描位置的标记线;标记线上有点状记号标记OCT图像上的病灶位置;以经过视乳头水平方向(或垂直方向)的扫描线作为起始扫描,以一个标记点的宽度移动扫描线并对每一个象限进行密集扫描,观察是否有病灶;如发现病灶,将标记点移动到病灶后摄取图片;如遇病灶较大,连续扫描到同一个病灶的时候,则选择OCT图像上病灶特征最明显处拍摄的图片进行分析;选择图片分析时,同一个眼球只需选择一个方向扫描线扫描的图片进行分析即可(因为水平扫描线扫描结果与垂直扫描线扫描结果是重复的,两者可以作为参照或补充,但分析时只需一种即可)。图像获取方法可参考论文1940-087X。
数据获取方法:
1.记录OCT图像中病灶所在的视网膜分层:根据OCT的视网膜分层(视网膜神经纤维层RNFL、神经节细胞层GCL、内丛状层IPL、内核层INL、外丛状层OPL、外核层ONL、外界膜ELM、光感受器内节IS、光感受器外节OS、RPE-Bruch膜复合体),记录病灶跨越的视网膜分层,将结果记录到EXCEL表中,并用数字编号标记不同的视网膜分层。
2.测量眼底照片上病灶中心与视乳头中心之间的直线距离:打开Image-ProPlus,导入cSLO-OCT图,点开Measurements窗口,选择直线测量按钮,测量cSLO图像中的标尺长度(Pixels),继续用直线测量工具测量病灶标记点与视乳头中心的距离(Pixels),数据记录到EXCEL表格中。根据标尺长度换算长度数据,使长度单位为μm。
3.在眼底照片上,以上方视网膜最直最粗且无分支的血管(上方视网膜静脉)作为底边,测量病灶中心—视乳头中心连线与底边之间的角度:打开Image-Pro Plus,导入cSLO-OCT图,点开Measurements窗口,选择角度测量按钮;找出上方视网膜最直最粗且无分支的血管,沿着这条血管的走行方向,先在走行方向的远端点击鼠标(不松开)后拉向视乳头中心,在视乳头中心处松开鼠标画出底边;在视乳头中心处点击鼠标(不松开)后拉向病灶标记点,在病灶标记点处松开鼠标画出斜边;读取图像上或Measurements窗口中的角度值,将角度数据记录到EXCEL表格中。
4)画坐标:水平方向x轴与垂直方向y轴,用y轴代表上方视网膜静脉走行方向(即:上方最直最粗且无分支的血管,待测角的底边);以病灶中心(点A)到视乳头中心(点B)连线为斜边(记录为AB);以视乳头中心(点B)作为坐标0点;y轴与AB之间的角度代表病灶中心—视乳头中心连线与底边之间的角度,记为∠E;根据斜边AB的长度值(斜边长度记为c,单位μm),在EXCEL表格中利用正弦公式(sinE=SIN(E/180*PI()),x= c×sinE)及余弦公式(cosE=COS(E/180*PI()),y= c×cosE)分别计算AB投影到x轴及y轴上的值,从而得到病灶中心(点A)的坐标(x,y)。
结果呈现方法:
1.分布规律-坐标箱图:打开IBM SPSS Statistics21.0(SPSS Inc, Chicago,IL),建立三个变量(视网膜分层、x轴坐标值、y轴坐标值);将视网膜分层设置为分类变量,对视网膜分层情况进行分类标记,用数字编号表示。在数据输入界面中,输入每一个病灶的x轴坐标、y轴坐标和视网膜分层编号。点击“图形(G)”,选择“图表构建程序”,在弹出的窗口中选择“基本元素”,在“选择轴”中双击选择“二维坐标”,将“变量(V)”栏中的x轴坐标值变量拉到编辑区的“是否为X轴”中,将y轴坐标值变量拉到编辑区的“是否为Y轴”中。可在“元素属性”窗口的“轴标签”中添加x轴和y轴的注释或名称。在“基本元素”栏的“选择元素”中选择“点图”并拉动至编辑区中。在“组/点ID”下勾选“分组/堆栈变量(G)”项,见编辑区中出现“设置颜色”方框。将“变量(V)”栏中的视网膜分层分类变量拉入“设置颜色”方框中。可在“标题/脚注”、“元素属性”窗口中对题目、副标题、颜色等进行修改。点击“确定”,箱图将在输出窗口中生成。双击箱图,弹出“图表编辑器”,点击“向X轴添加参考线”图标,在“属性”窗口中修改“参考线”位置为0.0,在“线”中修改参考线的属性。点击“向Y轴添加参考线”图标,在“属性”窗口中修改“参考线”位置为0.0,在“线”中修改参考线的属性。在“图标编辑器”的“元素”栏中选择“总计拟合线”,在弹出的“属性”窗口中选择“Loess (O)”,可修改“要拟合的点的百分比(P)”,在“线”一栏中修改拟合线的属性。点击“应用”,关闭“图表编辑器”,可从输出窗口中导出图片。
以上方法生成的坐标图可直观显示标记视网膜分层的不同颜色圆圈在不同视网膜象限中的分布情况。由于左眼与右眼眼底图的鼻侧与颞侧方向相反,需将左眼与右眼图像分开制作。
2.象限分布统计:
在EXCEL表格中,利用IF函数工具计算病灶坐标所在象限,函数公式为:
IF(AND(x="None",y="None"),0,IF(AND(x>0,y>0),1,IF(AND(x>0,y<0),2,IF(AND(x<0,y<0),3,IF(AND(x<0,y>0),4,IF(OR(x=0,y=0),5))))))。
如果象限中无病灶发生,记录为0;将病灶位于第一象限记录为1,位于第二象限记录为2,位于第三象限记录为3,位于第四象限记录为4,位于坐标轴时记录为5。将结果按照眼别、鼠型、位置进行分类整理,采用t检验进行统计分析,通过绘图软件SigmaPlot 12.5(Systat Software, Inc., San Jose, CA)生成直方图。由于左眼与右眼眼底图的鼻侧与颞侧方向相反,需将左眼与右眼数据分开统计。
3.视网膜分层分布统计:
根据OCT中病灶累及的视网膜分层情况分别统计病灶数量(无需区分眼别,只区分实验组和对照组),利用t检验进行统计,通过绘图软件SigmaPlot 12.5 (SystatSoftware,Inc.,San Jose,CA)生成直方图。
实施例二
如图1-8所示,本实施例中提供一种小鼠模型视网膜病灶分布分析方法的应用实例:
利用罗兰小动物眼底成像系统对Robo4基因敲除小鼠(Robo4 KO)进行OCT扫描,对照组为C57 BL/6J,月龄均为1.5m,每组6只小鼠,获得存在高反射病灶的OCT图像。
cSLO图中的黄点对应OCT图中绿色垂直线经过视网膜的位置,绿线经过高反射病灶边缘。视网膜高反射病灶位于内核层到外丛状层的位置(INL-OPL),自定义数字编号进行记录,如记录为“3”。
打开Image-Pro Plus,导入cSLO-OCT图,点开Measurements窗口,选择直线测量按钮,量得cSLO图像中200μm的标尺长为96 Pixels,继续测量病灶标记点与视乳头中心的距离,为453.9273 Pixels,记录到EXCEL表中,转化为斜边长c:945.681875μm。
在cSLO上寻找上方视网膜最直最粗且无分支的血管作为参照(底边)。在Measurements窗口中选择角度测量按钮,先在参照血管的远端点击鼠标(不松开),沿着大致走行方向拉向视乳头中心,在视乳头中心处松开鼠标画出底边。在视乳头中心处点击鼠标(不松开)后拉向病灶标记点,在病灶标记点处松开鼠标画出斜边。图像上及Measurements窗口中均显示测量值为125.006°,记为∠E,记录到EXCEL表中。
在EXCEL表中推算病灶(A)的坐标。利用正弦公式(sinE=SIN(E/180*PI())算得sinE为0.819091975,利用三角函数规律(x= c×sinE)算得横坐标为774.6004347;类似的,用余弦公式(cosE=COS(E/180*PI())算得cosE为-0.573662215,用三角函数规律(y= c×cosE)算得纵坐标为-542.5019587;病灶坐标为(774.6004347,-542.5019587),位于第2象限,位置记为“2”。
用同样的方法对所有存在高反射病灶的OCT图像进行分析,获得所有病灶的坐标,并做记录。
打开IBM SPSS Statistics 21.0 (SPSS Inc, Chicago, IL),输入所有病灶的视网膜分层、横坐标值、纵坐标值。点击“图形(G)”,选择“图表构建程序”,在弹出的窗口中选择“基本元素”,在“选择轴”中双击选择“二维坐标”,将“变量(V)”栏中的横坐标值变量拉到编辑区的“是否为X轴”中,将纵坐标值变量拉到编辑区的“是否为Y轴”中。在“元素属性”窗口对“轴标签”进行修改。在“基本元素”栏的“选择元素”中选择“点图”并拉动至编辑区中。在“组/点ID”下勾选“分组/堆栈变量(G)”项,将“变量(V)”栏中的视网膜分层分类变量拉入“设置颜色”方框中。在“标题/脚注”、“元素属性”窗口中添加标题。点击“确定”,生成箱图。双击箱图,弹出“图表编辑器”,点击“向X轴添加参考线”图标,在“属性”窗口中修改“参考线”位置为0.0,在“线”中修改参考线的属性。点击“向Y轴添加参考线”图标,在“属性”窗口中修改“参考线”位置为0.0,在“线”中修改参考线的属性。在“图标编辑器”的“元素”栏中选择“总计拟合线”,在弹出的“属性”窗口中选择“Loess (O)”,在“线”一栏中修改拟合线的属性。点击“应用”,关闭“图表编辑器”,导出图片。
分别对两组小鼠的右眼及左眼视网膜病灶分布图进行比较(图3-6),结果显示Robo4基因敲除小鼠的病灶显著增多,病灶主要集中在下方的象限中。
将EXCEL表中的数据按照眼别、鼠型、位置进行分类整理,统计出每个眼球各个象限的病灶数量,数据录入绘图软件SigmaPlot 12.5 (Systat Software, Inc., San Jose,CA)中,点击“Analyze”,采用“Multiple t test”对每一行数据分别进行统计,生成直方图(图7)。结果显示在右眼第2、3象限及左眼第1、2、3象限,Robo4基因敲除小鼠的视网膜病灶显著增多。
将EXCEL表中的数据按照鼠型、病灶所在视网膜分层进行分类整理,统计出每个眼球受累视网膜分层中的病灶数量,数据录入绘图软件SigmaPlot 12.5 (Systat Software,Inc., San Jose, CA)中,点击“Analyze”,采用“Multiple t test”对每一行数据分别进行统计,生成直方图(图8)。结果显示在OPL-ONL、ONL-IS、ONL-OS、INL-ONL、ONL、OPL的分层上Robo4基因敲除小鼠的视网膜病灶显著增多。病灶主要累及的视网膜分层为外核层及外丛状层。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种小鼠模型视网膜病灶分布分析方法,其特征在于,包括以下步骤:
基于OCT扫描小鼠后极部视网膜,获取小鼠后极部视网膜病灶图像;
基于所述小鼠后极部视网膜病灶图像获取病灶分布坐标;
基于所述病灶分布坐标构建病灶分布规律坐标图;
基于所述病灶分布规律坐标图获取视网膜分层分布情况并计算统计病灶分布象限;
基于所述视网膜分层分布情况统计病灶数量。
2.根据权利要求1所述的小鼠模型视网膜病灶分布分析方法,其特征在于,基于OCT扫描小鼠后极部视网膜的过程包括:
基于OCT的扫描位置获取扫描线与标记点;
以经过视乳头水平方向或垂直方向的扫描线作为起始进行扫描,以一个所述标记点的宽度移动扫描线并按照上方-下方-鼻侧-颞侧的顺序进行密集扫描,观察是否有病灶;
发现病灶时,将所述标记点移动到病灶后摄取图片。
3.根据权利要求2所述的小鼠模型视网膜病灶分布分析方法,其特征在于,若扫描到的病灶较大,或连续扫描到同一个病灶时,则摄取小鼠后极部视网膜OCT图像上病灶特征最明显处的图片。
4.根据权利要求1所述的小鼠模型视网膜病灶分布分析方法,其特征在于,所述病灶分布坐标数据包括病灶所在的视网膜分层与病灶中心坐标,基于所述小鼠后极部眼底病灶图像获取病灶分布坐标的过程包括:
基于所述小鼠后极部眼底病灶图像获取并标记病灶所在的视网膜分层;
测量所述小鼠后极部眼底病灶图像中病灶中心与视乳头中心之间的直线距离;所述视乳头中心为小鼠后极部的中心;
测量所述小鼠后极部眼底病灶图像中病灶中心到视乳头中心连线与底边之间的角度,其中所述底边为上方视网膜中最直最粗且无分支的血管;
构建坐标系,基于病灶中心与视乳头中心之间的直线距离与病灶中心到视乳头中心连线与底边之间的角度获取病灶中心坐标。
5.根据权利要求4所述的小鼠模型视网膜病灶分布分析方法,其特征在于,基于病灶中心与视乳头中心之间的直线距离与病灶中心到视乳头中心连线与底边之间的角度获取病灶中心坐标的过程包括:
将视乳头中心作为坐标0点,将病灶中心与视乳头中心之间的直线距离、病灶中心到视乳头中心连线与底边之间的角度代入正弦公式与余弦公式,分别计算病灶中心到视乳头中心连线投影到所述坐标系x轴及y轴上的值获取所述病灶中心坐标。
6.根据权利要求1所述的小鼠模型视网膜病灶分布分析方法,其特征在于,基于所述病灶分布坐标数据构建病灶分布规律坐标图的过程包括:
将视网膜分层设置为分类变量,对视网膜分层情况进行分类标记,用数字编号表示;基于每一个病灶的x轴坐标、y轴坐标和视网膜分层编号生成病灶分布规律坐标图。
7.根据权利要求1所述的小鼠模型视网膜病灶分布分析方法,其特征在于,基于所述病灶分布规律坐标图获取视网膜分层分布情况并计算统计病灶分布象限的过程包括:
基于IF函数工具计算病灶坐标所在的象限并记录,若象限中无病灶发生,则记录为0;当病灶位于第一象限时,记录为1,位于第二象限时记录为2,位于第三象限时记录为3,位于第四象限时记录为4,位于坐标轴时记录为5;
将记录结果按照眼别、鼠型、位置进行分类整理,采用t检验进行统计分析,生成分布象限直方图。
8.根据权利要求1所述的小鼠模型视网膜病灶分布分析方法,其特征在于,基于所述视网膜分层分布情况统计病灶数量的过程包括:
根据OCT中病灶累计的视网膜分层情况,基于t检验分别统计病灶数量,生成病灶数量直方图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971164.3A CN115049655B (zh) | 2022-08-15 | 2022-08-15 | 一种小鼠模型视网膜病灶分布分析方法 |
US18/309,855 US11839428B1 (en) | 2022-08-15 | 2023-05-01 | Method for analyzing distribution of retinal lesions in mouse model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971164.3A CN115049655B (zh) | 2022-08-15 | 2022-08-15 | 一种小鼠模型视网膜病灶分布分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049655A true CN115049655A (zh) | 2022-09-13 |
CN115049655B CN115049655B (zh) | 2022-11-11 |
Family
ID=83166811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210971164.3A Active CN115049655B (zh) | 2022-08-15 | 2022-08-15 | 一种小鼠模型视网膜病灶分布分析方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11839428B1 (zh) |
CN (1) | CN115049655B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017142491A (ja) * | 2016-02-10 | 2017-08-17 | 株式会社リコー | 画像表示装置及び画像表示方法 |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
CN110163844A (zh) * | 2019-04-17 | 2019-08-23 | 平安科技(深圳)有限公司 | 眼底病灶检测方法、装置、计算机设备及存储介质 |
CN110490860A (zh) * | 2019-08-21 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 糖尿病视网膜病变识别方法、装置及电子设备 |
CN113222038A (zh) * | 2021-05-24 | 2021-08-06 | 北京安德医智科技有限公司 | 基于核磁图像的乳腺病灶分类和定位方法及装置 |
US20210312596A1 (en) * | 2017-12-21 | 2021-10-07 | Nikon Corporation | Image processing device, image processing program, image processing method, and imaging device |
US20210330393A1 (en) * | 2020-04-23 | 2021-10-28 | Johnson & Johnson Surgical Vision, Inc. | Using real-time images for augmented-reality visualization of an ophthalmology surgical tool |
CN114334124A (zh) * | 2021-11-23 | 2022-04-12 | 浙江大学 | 一种基于深度神经网络的病理性近视检测系统 |
CN114581375A (zh) * | 2022-01-27 | 2022-06-03 | 大连东软教育科技集团有限公司 | 一种无线胶囊内窥镜病灶自动检测方法、装置及存储介质 |
CN114782337A (zh) * | 2022-04-08 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的oct图像推荐方法、装置、设备及介质 |
-
2022
- 2022-08-15 CN CN202210971164.3A patent/CN115049655B/zh active Active
-
2023
- 2023-05-01 US US18/309,855 patent/US11839428B1/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017142491A (ja) * | 2016-02-10 | 2017-08-17 | 株式会社リコー | 画像表示装置及び画像表示方法 |
US20210312596A1 (en) * | 2017-12-21 | 2021-10-07 | Nikon Corporation | Image processing device, image processing program, image processing method, and imaging device |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
CN110163844A (zh) * | 2019-04-17 | 2019-08-23 | 平安科技(深圳)有限公司 | 眼底病灶检测方法、装置、计算机设备及存储介质 |
CN110490860A (zh) * | 2019-08-21 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 糖尿病视网膜病变识别方法、装置及电子设备 |
US20210330393A1 (en) * | 2020-04-23 | 2021-10-28 | Johnson & Johnson Surgical Vision, Inc. | Using real-time images for augmented-reality visualization of an ophthalmology surgical tool |
CN113222038A (zh) * | 2021-05-24 | 2021-08-06 | 北京安德医智科技有限公司 | 基于核磁图像的乳腺病灶分类和定位方法及装置 |
CN114334124A (zh) * | 2021-11-23 | 2022-04-12 | 浙江大学 | 一种基于深度神经网络的病理性近视检测系统 |
CN114581375A (zh) * | 2022-01-27 | 2022-06-03 | 大连东软教育科技集团有限公司 | 一种无线胶囊内窥镜病灶自动检测方法、装置及存储介质 |
CN114782337A (zh) * | 2022-04-08 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的oct图像推荐方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
ALEX CAZAÑAS-GORDÓN ET AL.: "Ensemble Learning Approach to Retinal Thickness Assessment in Optical Coherence Tomography", 《IEEE ACCESS》 * |
HAOYU CHEN ET AL.: "Application of Optical Coherence Tomography to a Mouse Model of Retinopathy", 《PUBMED》 * |
丁英姿 等: "基于弱监督的改进型GoogLeNet在DR检测中的应用", 《计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
US11839428B1 (en) | 2023-12-12 |
CN115049655B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861830B2 (en) | Image analysis | |
KR102543875B1 (ko) | 의료용 화상 처리 장치, 의료용 화상 처리 방법, 컴퓨터 판독가능 매체, 및 학습 완료 모델 | |
Mendonça et al. | PH 2-A dermoscopic image database for research and benchmarking | |
Abràmoff et al. | Retinal imaging and image analysis | |
CN104271031B (zh) | Oct血管造影数据的分析和可视化 | |
US10136812B2 (en) | Optical coherence tomography apparatus for selectively visualizing and analyzing vascular network of choroidal layer, and image-processing program and image-processing method for the same | |
US8699774B2 (en) | Image processing apparatus, control method thereof, and program | |
JP6038799B2 (ja) | 光干渉断層法を用いた3d網膜分離検出 | |
US9418423B2 (en) | Motion correction and normalization of features in optical coherence tomography | |
US8687863B2 (en) | Image processing apparatus, control method thereof and computer program | |
US8923578B2 (en) | Devices and methods for assessing changes in corneal health | |
US9898818B2 (en) | Automated measurement of changes in retinal, retinal pigment epithelial, or choroidal disease | |
WO2016167001A1 (ja) | 眼科画像表示装置及び眼科撮影装置 | |
JP7260884B2 (ja) | 三次元(3d)超音波画像の処理 | |
JP7374615B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Verikas et al. | Advances in laryngeal imaging | |
Abràmoff | Image processing | |
Patil et al. | Caries detection using multidimensional projection and neural network | |
CN115049655B (zh) | 一种小鼠模型视网膜病灶分布分析方法 | |
Tom et al. | Automated detection of Schlemm's canal in spectral-domain optical coherence tomography | |
Xu | Automated delineation and quantitative analysis of blood vessels in retinal fundus image | |
Li | Computational Methods for Enhancements of Optical Coherence Tomography | |
Hill | Segmentation of oral optical coherence tomography with deep learning | |
CN106231989B (zh) | 眼的成像的改进以及与眼的成像有关的改进 | |
Nair et al. | Facial scan change detection |
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 |