CN116965768B - 一种自动定量分析眼内前房炎症程度的系统 - Google Patents
一种自动定量分析眼内前房炎症程度的系统 Download PDFInfo
- Publication number
- CN116965768B CN116965768B CN202310828727.8A CN202310828727A CN116965768B CN 116965768 B CN116965768 B CN 116965768B CN 202310828727 A CN202310828727 A CN 202310828727A CN 116965768 B CN116965768 B CN 116965768B
- Authority
- CN
- China
- Prior art keywords
- anterior chamber
- area
- region
- analysis
- inflammation
- 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
Links
- 210000002159 anterior chamber Anatomy 0.000 title claims abstract description 135
- 206010061218 Inflammation Diseases 0.000 title claims abstract description 41
- 230000004054 inflammatory process Effects 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 206010053781 Anterior chamber cell Diseases 0.000 claims abstract description 51
- 210000004087 cornea Anatomy 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 206010054765 Anterior chamber inflammation Diseases 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 29
- 238000011002 quantification Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000013256 coordination polymer Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 101000901617 Notophthalmus viridescens Homeobox protein DLX-3 Proteins 0.000 claims description 3
- 229940079593 drug Drugs 0.000 abstract 1
- 239000003814 drug Substances 0.000 abstract 1
- 238000012014 optical coherence tomography Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 206010052127 Anterior chamber flare Diseases 0.000 description 4
- 206010046851 Uveitis Diseases 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 206010014801 endophthalmitis Diseases 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
-
- 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
- A61B3/117—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for examining the anterior chamber or the anterior chamber angle, e.g. gonioscopes
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Ophthalmology & Optometry (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种自动定量分析眼内前房炎症程度的系统，包括：图像输入模块用于输入眼内前房结构的AS‑OCT图像，包括SS‑OCT图像和SD‑OCT图像；图像分割模块用于利用基于卷积神经网络的语义分割模型对SS‑OCT图像或SD‑OCT图像进行分割，得到前房区域或角膜区域；区域定位模块用于依据前房区域或角膜区域选取分析区域；特征定量模块用于采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，还用于采用前房闪辉定量算法基于分析区域进行前房闪辉定量计算；结果输出模块用于输出前房细胞和前房闪辉的定量结果，该系统作为方便快捷和客观精准的工具来评估前房炎症程度，从而更好地指导临床用药。
Description
技术领域
本发明属于眼科诊疗设备技术领域，具体涉及一种自动定量分析眼内前房炎症程度的系统。
背景技术
客观定量分析前房炎症对于评估眼内炎症性疾病(如：葡萄膜炎、青光眼、眼内炎、内眼术后炎症等)的严重性以及进展至关重要。而准确、迅速地评估眼内前房炎症程度可以指导临床医生及时选择合适的治疗方案。目前临床上广泛应用SUN(Standardization ofUveitis Nomenclature，SUN)分级系统评估眼内前房炎症程度，此评估系统是医生利用裂隙灯观察前房细胞以及闪辉程度进行评估分析，为一种主观分级系统，存在观察者之间的差异性，不同临床经验的医生会评估出较大差异的结果。此外，SUN分级系统为粗略的等级分析系统，而不是一种精确的连续定量分析系统，对于炎症的轻微变化难以评估出来。另外，用于观察的裂隙灯照明系统不同，对于前房细胞以及闪辉的观察也会存在较大的差异性。因此，临床上亟需一种客观定量分析前房炎症的系统或设备。随着近年来光学影像技术的迅速发展，也出现了一些用于客观定量分析前房炎症的设备，如激光细胞-闪辉光度测量仪。但较多研究发现激光细胞-闪辉光度测量仪的前房细胞计数准确性远低于闪辉的准确性，因而此设备难以在临床上广泛应用。
近年来眼前段光学相干断层扫描仪(Anterior Segment Optical CoherenceTomography，AS-OCT)作为一种无创性的检测手段，开始在临床上被越来越多用于检测前房炎症程度。相较于第一代AS-OCT，时域OCT(TD-OCT)，目前临床上使用的两大类OCT，频域OCT(Spectral Domain OCT，SD-OCT)以及扫频源OCT(Swept Source OCT，SS-OCT)具有更好的扫描范围以及清晰度，可清晰地扫描眼内前房的结构。既往已有研究证实这两类AS-OCT用于客观定量评估前房炎症的有效性。然而，这些研究的客观定量评估方法多为手动计数前房细胞，自动计数的方法则缺乏准确性且仅能识别一种AS-OCT设备的图像，对于市面上不同型号和类型的AS-OCT图像无法做到统一及标准化。此外，对于前房闪辉这一项评估前房炎症的重要观察指标，目前缺乏自动识别及定量的方法。
文献1(Automated Analysis of Anterior Chamber Inflammation bySpectral-Domain Optical Coherence Tomography,Sharma S,et al.Ophthalmology,2015,122(7):1464-70)开发了一种自动定量分析频域OCT(Spectral Domain OCT，SD-OCT)图像前房细胞个数的系统，然而该系统仅能识别一种型号的SD-OCT图像，对于其他类型的AS-OCT图像无法识别及分析，且该系统只能分析计数前房细胞个数，对于前房闪辉这一评估前房炎症的重要观察指标无法定量分析。
文献2(Automated Quantitative Analysis of Anterior SegmentInflammation Using Swept-Source Anterior Segment Optical CoherenceTomography:A Pilot Study,Keino H,et al.Diagnostics(Basel),2022,12(11).)阐述了一种自动定量分析扫频源OCT(Swept Source OCT，SS-OCT)图像前房细胞个数的方法，但该方法也仅能识别及分析一种型号的SS-OCT图像，无法识别及分析其他类型的AS-OCT图像。此外，该方法选取前房5×5pixel区域进行评估，该区域较小，容易导致细胞少计数，且当细胞形态较大时也可能被划分进多个5×5pixel区域，进而导致重复计数。同样，该方法缺乏对前房闪辉这一重要观察指标的定量分析。
发明内容
本发明的目的是提供一种自动定量分析眼内前房炎症程度的系统，实现对SS-OCT图像和SD-OCT图像进行前房炎症程度的自动定量分析，并对前房细胞和前房闪辉这两个反映前房炎症程度的指标进行全面评估。
为实现上述发明目的，本发明提供的技术方案如下：
本发明实施例提供的一种自动定量分析眼内前房炎症程度的系统，包括图像输入模块、图像分割模块、区域定位模块、特征定量模块和结果输出模块；
所述图像输入模块用于输入眼内前房结构的AS-OCT图像，AS-OCT图像包括SS-OCT图像和SD-OCT图像；
所述图像分割模块用于利用基于卷积神经网络的语义分割模型对SS-OCT图像或SD-OCT图像进行分割，得到前房区域或角膜区域；
所述区域定位模块用于依据前房区域或角膜区域选取分析区域；
所述特征定量模块用于采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，还用于采用前房闪辉定量算法基于分析区域进行前房闪辉的定量计算；
所述结果输出模块用于输出前房细胞和前房闪辉的定量结果。
优选地，所述语义分割模型采用U-net模型。
所述依据前房区域或角膜区域选取分析区域，包括：
对于前房区域，遍历整个前房区域，找出紧贴角膜后边缘的所有边缘点坐标，存入第一列表，基于第一列表中边缘点生成位于前房区域中心的矩形框作为第一分析区域，最后在SS-OCT图像上选取一个矩形对比框作为第一对比区域；
对于角膜区域，遍历整个角膜区域，找出紧贴角膜后边缘的所有边缘点坐标，存入第二列表，基于第二列表中边缘点生成位于前房区域中心的矩形框作为第二分析区域，最后在SD-OCT图像上选取两个矩形对比框作为第二对比区域和第三对比区域。
所述基于第一列表中边缘点生成位于前房区域中心的矩形框作为第一分析区域，包括：
对于SS-OCT图像，从第一列表中选择前房区域最外侧两个边缘点形成连线作为参考线，在前房区域中心生成矩形框，该矩形框的长边平行于参考线，且一条长边的两端点为前房区域的两边缘点。
所述基于第二列表中边缘点生成位于前房区域中心的矩形框作为第二分析区域，包括：
对于SD-OCT图像，在前房区域中心生成矩形框，该矩形框的长边平行于图像边界，且一条长边的两端点为角膜后边缘的两边缘点。
所述采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，包括：
在分析区域中，将像素值高于设置阈值的像素点作为前房细胞的高反射点，所有在设置距离范围内的高反射点为一簇相邻高反射点，将每一簇相邻高反射点视为一个前房细胞，将设置距离范围外的每一个单独的高反射点分别视为一个前房细胞，由此实现前房细胞的定量识别，得到前房细胞的个数。
所述采用前房闪辉定量算法基于分析区域进行前房闪辉的定量计算，包括：对于SS-OCT图像，前房闪辉ARI的定量计算为：
公式中，nBox1和nBox2分别代表第一分析区域Box1和第一对比区域Box2的像素点个数，Box1-CP代表第一分析区域中所有高反射点，高反射点为像素值高于设置阈值的像素点，nCP代表高反射点个数，PVi和PVj代表高反射点i和像素点j的像素值。
所述采用前房闪辉定量算法基于分析区域进行前房闪辉的定量计算，包括：对于SD-OCT图像，前房闪辉ARI的定量计算为：
公式中，nBox3、nBox4和nBox5分别代表第二分析区域、第二对比区域和第三对比区域的像素点个数，Box3-CP代表第二分析区域中所有高反射点，高反射点为像素值高于设置阈值的像素点，nCP代表高反射点个数，PVi、PVj和PVk分别代表高反射点i、像素点j和像素点k的像素值。
为实现上述发明目的，本发明实施例还提供了一种自动定量分析眼内前房炎症程度的系统，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，利用上述本发明实施例提供的自动定量分析眼内前房炎症程度的系统实现眼内前房炎症程度的自动定量分析。
为实现上述发明目的，本发明实施例还提供了一种计算机可读的存储介质，所述存储介质上存储有计算机程序，所述计算机程序使用计算机时，利用上述本发明实施例提供的自动定量分析眼内前房炎症程度的系统实现眼内前房炎症程度的自动定量分析。
与现有技术相比，本发明具有的有益效果至少包括：
(1)基于卷积神经网络技术开发了一种自动识别及定量分析眼内前房炎症程度的系统，能够同时对前房细胞和前房闪辉两个重要指标进行自动定量分析，更加方便快捷、客观精准。
(2)采用本发明提供的自动定量分析系统可以识别并分析目前临床上常用的两大类AS-OCT图像：SS-OCT图像以及SD-OCT图像，临床应用范围更广。
附图说明
为了更清楚地说明本发明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做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的自动定量分析眼内前房炎症程度的系统的结构示意图；
图2是本发明实施例提供的利用U-net分割SS-OCT图像前房区域的示意图；
图3是本发明实施例提供的对SS-OCT图像进行区域定位的示意图；
图4是本发明实施例提供的利用U-net分割SD-OCT图像角膜区域的示意图；
图5是本发明实施例提供的对SD-OCT图像进行区域定位的示意图；
图6是本发明实施例1提供的利用自动定量分析系统分析SS-OCT(CASIA1)图像前房炎症程度的示意图；
图7是本发明实施例2提供的利用自动定量分析系统分析SS-OCT(CASIA2)图像前房炎症程度的示意图；
图8是本发明实施例3提供的利用自动定量分析系统分析SD-OCT(Visante)图像前房炎症程度的示意图；
图9是本发明实施例提供的两种SS-OCT图像和一种SD-OCT图像的诊断性检验ROC曲线示意图；
图10是本发明实施例提供的自动定量分析眼内前房炎症程度的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
本发明的发明构思为：针对现有技术中自动定量分析系统无法识别及分析不同类型AS-OCT图像，且只能自动定量分析前房细胞指标，无法自动定量分析前房闪辉指标来判断前房炎症程度的问题，本发明实施例提供了一种自动定量分析眼内前房炎症程度的系统，实现对SS-OCT图像和SD-OCT图像中的前房细胞和前房闪辉两个指标的自动定量分析。
图1是本发明实施例提供的自动定量分析眼内前房炎症程度的系统的结构示意图。如图1所示，实施例提供了一种自动定量分析眼内前房炎症程度的系统100，包括图像输入模块110、图像分割模块120、区域定位模块130、特征定量模块140和结果输出模块150。
实施例中，图像输入模块110用于输入眼内前房结构的AS-OCT图像，目前临床上使用的AS-OCT图像主要包括SS-OCT图像和SD-OCT图像。
实施例中，图像分割模块120用于利用基于卷积神经网络的语义分割模型对SS-OCT图像或SD-OCT图像进行分割，得到前房区域或角膜区域。
语义分割模型为采用U-net模型，具体为：对于SS-OCT图像，利用U-net对前房区域进行分割，分割结果如图2所示；对于SD-OCT图像，利用U-net对角膜区域进行分割，分割结果如图4所示。
实施例中，区域定位模块130用于依据前房区域或角膜区域选取分析区域。对于前房区域，遍历整个前房区域，找出紧贴角膜后边缘的所有边缘点坐标，存入第一列表，基于第一列表中边缘点生成位于前房区域中心的矩形框作为第一分析区域，最后在SS-OCT图像上选取一个矩形对比框作为第一对比区域。其中，基于第一列表中边缘点生成位于前房区域中心的矩形框作为第一分析区域，包括：对于SS-OCT图像，从第一列表中选择前房区域最外侧两个边缘点形成连线作为参考线，在前房区域中心生成矩形框，该矩形框的长边平行于参考线，且一条长边的两端点为前房区域的两边缘点。
需要说明的是，角膜后边缘具体指角膜区域和前房区域相重合的边，边缘点是指在角膜后边缘上的所有坐标点。
具体地，如图3所示，对于SS-OCT图像，区域定位模块130在操作时，首先遍历整个前房区域，找出紧贴角膜后边缘的所有边缘点坐标并存入第一列表；其次遍历整个第一列表，从第一列表中选择位于前房区域最外侧的边缘点E和边缘点F，两点连线作为参考线EF；遍历整个第一列表，找出端点A和端点B，需满足的条件为线段AB长度为4mm(433像素)，且线段AB与参考线EF平行；然后遍历整个前房区域，找出端点C和端点D，需满足的条件为线段AC和线段BD的长度为2mm(216.5像素)；将端点A、端点B、端点C和端点D连接成矩形，作为第一分析区域(Box1)；最后，框定一个以SS-OCT图像中坐标(10，10)为左上顶点，且尺寸为2×1mm(216.5×108.25像素)的区域为第一对比区域(Box2)。
对于角膜区域，遍历整个角膜区域，找出紧贴角膜后边缘的所有边缘点坐标，存入第二列表，基于第二列表中边缘点生成位于前房区域中心的矩形框作为第二分析区域，最后在SD-OCT图像上选取两个矩形对比框作为第二对比区域和第三对比区域。其中，基于第二列表中边缘点生成位于前房区域中心的矩形框作为第二分析区域，包括：对于SD-OCT图像，在前房区域中心生成矩形框，该矩形框的长边平行于图像边界，且一条长边的两端点为角膜后边缘的两边缘点。
具体地，如图5所示，对于SD-OCT图像，区域定位模块130在具体操作时，首先遍历整个角膜区域，找出紧贴角膜后边缘的所有边缘点坐标并存入第二列表；其次遍历整个第二列表，从第二列表中找出端点A和端点B，需满足的条件为线段AB长度为4mm(328像素)，线段AB与SD-OCT图像下边界平行；然后确定端点C和端点D，满足条件为端点C在X轴的坐标值为端点A在X轴的坐标值加164，端点C在Y轴的坐标值等于端点A在Y轴的坐标值，端点D在X轴的坐标值为端点B在X轴的坐标值加164，端点D在Y轴的坐标值等于端点B在Y轴的坐标值；将端点A、端点B、端点C和端点D连接成矩形，作为第二分析区域(Box3)；最后，在SD-OCT图像的左上角框定一个以坐标(10，250)为左上顶点，且尺寸为0.5mm×0.25mm(40×20像素)的区域作为第二对比区域(Box4)，在SD-OCT图像的右上角框定一个以坐标(766，250)为左上顶点，且尺寸为0.5mm×0.25mm(40×20像素)的区域作为第三对比区域(Box5)。
实施例中，特征定量模块140用于采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，还用于采用前房闪辉定量算法基于分析区域进行前房闪辉的定量计算。
采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，包括：在从前房区域或角膜区域提取的分析区域中，将像素值高于设置阈值(例如阈值＝70)的像素点作为前房细胞的高反射点，所有在设置距离范围内(例如)的高反射点为一簇相邻高反射点，将每一簇相邻高反射点视为一个前房细胞，将设置距离范围外的每一个单独的高反射点分别视为一个前房细胞，由此实现前房细胞的定量识别，得到前房细胞的个数。
对于SS-OCT图像，采用前房闪辉定量算法基于分析区域进行前房闪辉ARI的定量计算为：
公式中，nBox1和nBox2分别代表第一分析区域Box1和第一对比区域Box2的像素点个数，Box1-CP代表第一分析区域中所有高反射点，高反射点为像素值高于设置阈值的像素点，nCP代表高反射点个数，PVi和PVj代表高反射点i和像素点j的像素值；
对于SD-OCT图像，采用前房闪辉定量算法基于分析区域进行前房闪辉ARI的定量计算为：
公式中，nBox3、nBox4和nBox5分别代表第二分析区域、第二对比区域和第三对比区域的像素点个数，Box3-CP代表第二分析区域中所有高反射点，高反射点为像素值高于设置阈值的像素点，nCP代表高反射点个数，PVi、PVj和PVk分别代表高反射点i、像素点j和像素点k的像素值。
实施例中，结果输出模块150用于输出前房细胞和前房闪辉的定量结果。
实施例1
基于上述具体实施方式，利用本自动定量分析系统分析SS-OCT(CASIA1)图像前房炎症程度。如图6(a)所示，利用前房区域内第一分析区域的高反射点(图中的圆圈)个数，反映前房细胞个数；如图6(b)所示，利用前房区域内第一分析区域与左上角第一对比区域的房水-空气相对强度指数，反映前房闪辉程度；如图6(c)和(d)所示，本自动定量分析系统分析SS-OCT(CASIA1)图像所得高反射点个数以及房水-空气相对强度指数与金标准SUN分级系统具有强相关性。
实施例2
基于上述具体实施方式，利用本自动定量分析系统分析SS-OCT(CASIA2)图像前房炎症程度。如图7(a)所示，利用前房区域内第一分析区域的高反射点(图中的圆圈)个数，反映前房细胞个数；如图7(b)所示，利用前房区域内第一分析区域与左上角第一对比区域的房水-空气相对强度指数，反映前房闪辉程度；如图7(c)和(d)所示，本自动定量分析系统分析SS-OCT(CASIA2)图像所得高反射点个数以及房水-空气相对强度指数与金标准SUN分级系统具有强相关性。
实施例3
基于上述具体实施方式，利用本自动定量分析系统分析SD-OCT(Visante)图像前房炎症程度。如图8(a)所示，利用前房区域内第二分析区域的高反射点(图中的圆圈)个数，反映前房细胞个数；如图8(b)所示，利用前房区域内第二分析区域与左上角第二对比区域及右上角第三对比区域的房水-空气相对强度指数，反映前房闪辉程度；如图8(c)和(d)所示，本自动定量分析系统分析SD-OCT(Visante)图像所得高反射点个数以及房水-空气相对强度指数与金标准SUN分级系统具有强相关性。
定量分析两种SS-OCT图像(CASIA1，Tomey；CASIA2，Tomey)以及一种SD-OCT图像(Visante OCT，ZEISS)中分别代表前房细胞以及前房闪辉的两个参数：高反射点数(Hyperreflective Dots，Dots)以及房水-空气相对强度指数(Aqueous-to-air RelativeIntensity Index，ARI index)对于诊断活动性前葡萄膜炎的价值，分析结果如图9所示，诊断性检验ROC(Receiver Operating Characteristic，ROC)曲线显示本发明自动定量分析的两个参数在三种AS-OCT图像中，对于诊断活动性前葡萄膜炎均具有良好的诊断价值，尤其是Dots这一参数的诊断价值更高：在三种图像中的ROC曲线下面积(the Area Under theReceiver Operating Characteristic Curve，AUC)分别为AUC(CASIA1)＝0.78(0.72-0.85)、AUC(CASIA2)＝0.92(0.86-0.98)、AUC(Visante)＝0.88(0.82-0.94)。
基于以上三个实施例，将利用本发明系统得到的结果与目前临床上广泛应用的金标准SUN分级系统得到的结果进行对比，结果显示本自动定量分析系统分析上述三种AS-OCT图像所得高反射点数(Dots)以及房水-空气相对强度指数(ARI index)与金标准SUN分级系统得到的结果具有强相关性，证明了本发明系统的测试结果的准确性。
基于同样的发明构思，实施例还提供了一种自动定量分析眼内前房炎症程度的系统，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，利用上述本发明实施例提供的自动定量分析眼内前房炎症程度的系统实现眼内前房炎症程度的自动定量分析，如图10所示，包括以下步骤：
S1，利用图像输入模块110输入眼内前房结构的AS-OCT图像，包括SS-OCT图像和SD-OCT图像；
S2，利用图像分割模块120将基于卷积神经网络的语义分割模型对SS-OCT图像或SD-OCT图像进行分割，得到前房区域或角膜区域；
S3，利用区域定位模块130依据前房区域或角膜区域选取分析区域；
S4，利用特征定量模块140采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，并采用前房闪辉定量算法基于分析区域进行前房闪辉的定量计算；
S5，利用结果输出模块150输出前房细胞和前房闪辉的定量结果。
基于同样的发明构思，实施例还提供了一种计算机可读的存储介质，所述存储介质上存储有计算机程序，所述计算机程序使用计算机时，利用上述本发明实施例提供的自动定量分析眼内前房炎症程度的系统实现眼内前房炎症程度的自动定量分析。
需要说明的是，上述实施例提供的自动定量分析眼内前房炎症程度的系统和计算机可读的存储介质，均属于同一构思，其具体实现过程详见自动定量分析眼内前房炎症程度的系统实施例，这里不再赘述。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种自动定量分析眼内前房炎症程度的系统，其特征在于，包括图像输入模块、图像分割模块、区域定位模块、特征定量模块和结果输出模块；
所述图像输入模块用于输入眼内前房结构的AS-OCT图像，AS-OCT图像包括SS-OCT图像和SD-OCT图像；
所述图像分割模块用于利用基于卷积神经网络的语义分割模型对SS-OCT图像或SD-OCT图像进行分割，得到前房区域或角膜区域；
所述区域定位模块用于依据前房区域或角膜区域选取分析区域；
所述特征定量模块用于采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，还用于采用前房闪辉定量算法基于分析区域进行前房闪辉的定量计算，其中，采用前房闪辉定量算法基于分析区域进行前房闪辉的定量计算，包括：
对于SS-OCT图像，前房闪辉ARI的定量计算为：
公式中，nBox1和nBox2分别代表第一分析区域Box1和第一对比区域Box2的像素点个数，Box1-CP代表第一分析区域中所有高反射点，高反射点为像素值高于设置阈值的像素点，nCP代表高反射点个数，PVi和PVj代表高反射点i和像素点j的像素值；
对于SD-OCT图像，前房闪辉ARI的定量计算为：
公式中，nBox3、nBox4和nBox5分别代表第二分析区域、第二对比区域和第三对比区域的像素点个数，Box3-CP代表第二分析区域中所有高反射点，高反射点为像素值高于设置阈值的像素点，nCP代表高反射点个数，PVi、PVj和PVk分别代表高反射点i、像素点j和像素点k的像素值；
所述结果输出模块用于输出前房细胞和前房闪辉的定量结果。
2.根据权利要求1所述的自动定量分析眼内前房炎症程度的系统，其特征在于，所述语义分割模型采用U-net模型。
3.根据权利要求1所述的自动定量分析眼内前房炎症程度的系统，其特征在于，所述依据前房区域或角膜区域选取分析区域，包括：
对于前房区域，遍历整个前房区域，找出紧贴角膜后边缘的所有边缘点坐标，存入第一列表，基于第一列表中边缘点生成位于前房区域中心的矩形框作为第一分析区域，最后在SS-OCT图像上选取一个矩形对比框作为第一对比区域；
对于角膜区域，遍历整个角膜区域，找出紧贴角膜后边缘的所有边缘点坐标，存入第二列表，基于第二列表中边缘点生成位于前房区域中心的矩形框作为第二分析区域，最后在SD-OCT图像上选取两个矩形对比框作为第二对比区域和第三对比区域。
4.根据权利要求3所述的自动定量分析眼内前房炎症程度的系统，其特征在于，所述基于第一列表中边缘点生成位于前房区域中心的矩形框作为第一分析区域，包括：
对于SS-OCT图像，从第一列表中选择前房区域最外侧两个边缘点形成连线作为参考线，在前房区域中心生成矩形框，该矩形框的长边平行于参考线，且一条长边的两端点为前房区域的两边缘点。
5.根据权利要求3所述的自动定量分析眼内前房炎症程度的系统，其特征在于，所述基于第二列表中边缘点生成位于前房区域中心的矩形框作为第二分析区域，包括：
对于SD-OCT图像，在前房区域中心生成矩形框，该矩形框的长边平行于图像边界，且一条长边的两端点为角膜后边缘的两边缘点。
6.根据权利要求1所述的自动定量分析眼内前房炎症程度的系统，其特征在于，所述采用前房细胞定量算法基于分析区域进行前房细胞的定量识别，包括：
在分析区域中，将像素值高于设置阈值的像素点作为前房细胞的高反射点，所有在设置距离范围内的高反射点为一簇相邻高反射点，将每一簇相邻高反射点视为一个前房细胞，将设置距离范围外的每一个单独的高反射点分别视为一个前房细胞，由此实现前房细胞的定量识别，得到前房细胞的个数。
7.一种自动定量分析眼内前房炎症程度的系统，包括存储器和处理器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于当执行所述计算机程序时，利用权利要求1-6任一项所述的自动定量分析眼内前房炎症程度的系统实现眼内前房炎症程度的自动定量分析。
8.一种计算机可读的存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序使用计算机时，利用权利要求1-6任一项所述的自动定量分析眼内前房炎症的程度系统实现眼内前房炎症程度的自动定量分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828727.8A CN116965768B (zh) | 2023-07-07 | 2023-07-07 | 一种自动定量分析眼内前房炎症程度的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828727.8A CN116965768B (zh) | 2023-07-07 | 2023-07-07 | 一种自动定量分析眼内前房炎症程度的系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116965768A CN116965768A (zh) | 2023-10-31 |
| CN116965768B true CN116965768B (zh) | 2024-01-19 |
Family
ID=88474143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310828727.8A Active CN116965768B (zh) | 2023-07-07 | 2023-07-07 | 一种自动定量分析眼内前房炎症程度的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116965768B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
| CN110123263A (zh) * | 2019-06-18 | 2019-08-16 | 李寿庆 | 急性前葡萄膜炎虹膜及睫状体形态变化观察方法 |
| CN113195563A (zh) * | 2018-12-28 | 2021-07-30 | 株式会社尼德克 | 软质眼内透镜材料和软质眼内透镜 |
| CN113299396A (zh) * | 2021-07-15 | 2021-08-24 | 中山大学中山眼科中心 | 一种便携式青光眼睫状体综合征诊疗仪 |
| CN113966236A (zh) * | 2019-04-03 | 2022-01-21 | 再生生物股份有限公司 | 眼睛病状的基因疗法 |
| CN115137287A (zh) * | 2022-01-13 | 2022-10-04 | 中山大学中山眼科中心 | 一种裂隙灯的控制系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011082314A2 (en) * | 2009-12-30 | 2011-07-07 | Brockman Holdings Llc | System, device, and method for determination of intraocular pressure |
| US9445713B2 (en) * | 2013-09-05 | 2016-09-20 | Cellscope, Inc. | Apparatuses and methods for mobile imaging and analysis |
| US9610010B2 (en) * | 2014-09-03 | 2017-04-04 | The Cleveland Clinic Foundation | Systems and methods for analysis of ocular inflammation |
| US11969215B2 (en) * | 2019-12-05 | 2024-04-30 | Alcon Inc. | System and method for integrated visualization camera and optical coherence tomography |
-
2023
- 2023-07-07 CN CN202310828727.8A patent/CN116965768B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
| CN113195563A (zh) * | 2018-12-28 | 2021-07-30 | 株式会社尼德克 | 软质眼内透镜材料和软质眼内透镜 |
| CN113966236A (zh) * | 2019-04-03 | 2022-01-21 | 再生生物股份有限公司 | 眼睛病状的基因疗法 |
| CN110123263A (zh) * | 2019-06-18 | 2019-08-16 | 李寿庆 | 急性前葡萄膜炎虹膜及睫状体形态变化观察方法 |
| CN113299396A (zh) * | 2021-07-15 | 2021-08-24 | 中山大学中山眼科中心 | 一种便携式青光眼睫状体综合征诊疗仪 |
| CN115137287A (zh) * | 2022-01-13 | 2022-10-04 | 中山大学中山眼科中心 | 一种裂隙灯的控制系统 |
Non-Patent Citations (4)
| Title |
|---|
| Automated Analysis of Anterior Chamber Inflammation by Spectral Domain Optical Coherence Tomography;Sharma S;《Ophthalmology》;第1-6页 * |
| Automatic Angle-Closure Glaucoma Screening Based on the Localization of Scleral Spur in Anterior Segment OCT;Panming Li;《2020 IEEE 17th International Symposium on Biomedical Imaging》;第1-5页 * |
| 白内障乳化术前应用非甾体类抗炎药预防黄斑囊样水肿的临床观察;陆寒;《河北医药》;第1008-1013页 * |
| 高度近视患者超声乳化白内障吸出手术后视网膜黄斑区的光相干断层扫描检查;程冰;《中华眼底病杂志》;第26-28段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116965768A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10441163B2 (en) | Ophthalmic diagnosis support apparatus and ophthalmic diagnosis support method | |
| US9055892B2 (en) | Systems and methods for improved ophthalmic imaging | |
| JP6226510B2 (ja) | 画像処理システム、処理方法及びプログラム | |
| CN103006174B (zh) | 图像处理设备、眼科摄像设备和图像处理方法 | |
| US20210177253A1 (en) | Systems and methods for improved anterior segment oct imaging | |
| US10368735B2 (en) | Method and system for three-dimensional thickness mapping of corneal micro-layers and corneal diagnoses | |
| US10149610B2 (en) | Methods and systems for automatic detection and classification of ocular inflammation | |
| US20130039557A1 (en) | Motion correction and normalization of features in optical coherence tomography | |
| US9775510B2 (en) | Methods to reduce variance in OCT analysis of the macula | |
| US9060711B2 (en) | Automated detection of uveitis using optical coherence tomography | |
| JP6526145B2 (ja) | 画像処理システム、処理方法及びプログラム | |
| US20190209006A1 (en) | Segmentation-based corneal mapping | |
| Yao et al. | Generic features for fundus image quality evaluation | |
| Baghdasaryan et al. | Analysis of ocular inflammation in anterior chamber—involving uveitis using swept-source anterior segment OCT | |
| Stegmann et al. | Automatic assessment of tear film and tear meniscus parameters in healthy subjects using ultrahigh-resolution optical coherence tomography | |
| CN116965768B (zh) | 一种自动定量分析眼内前房炎症程度的系统 | |
| Lu et al. | Parapapillary atrophy and optic disc region assessment (PANDORA): retinal imaging tool for assessment of the optic disc and parapapillary atrophy | |
| Prakasam et al. | Characteristic quantities of corneal epithelial structures in confocal laser scanning microscopic volume data sets | |
| Alonso-Caneiro et al. | Use of focus measure operators for characterization of flood illumination adaptive optics ophthalmoscopy image quality | |
| Llorens-Quintana et al. | Unified approach to tear film surface analysis with high-speed videokeratoscopy | |
| Zhou et al. | Finer cornea characterization with improved spatial resolution in corvis ST | |
| US20240127446A1 (en) | Semi-supervised fundus image quality assessment method using ir tracking | |
| Chen et al. | Automated Image Quality Assessment for Anterior Segment Optical Coherence Tomograph | |
| Patterson et al. | Improving the repeatability of topographic height measurements in confocal scanning laser imaging using maximum-likelihood deconvolution | |
| Cardenas-Morales et al. | Validation of a Semiautomatic Optical Coherence Tomography Digital Image Processing Algorithm for Estimating the Tear Meniscus Height |
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 |