CN117099130A - 用于检测脉管结构的方法和系统 - Google Patents
用于检测脉管结构的方法和系统 Download PDFInfo
- Publication number
- CN117099130A CN117099130A CN202280022793.XA CN202280022793A CN117099130A CN 117099130 A CN117099130 A CN 117099130A CN 202280022793 A CN202280022793 A CN 202280022793A CN 117099130 A CN117099130 A CN 117099130A
- Authority
- CN
- China
- Prior art keywords
- vascular
- oct
- interest
- layer
- vessel
- 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.)
- Pending
Links
- 230000002792 vascular Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims description 69
- 238000012014 optical coherence tomography Methods 0.000 claims abstract description 118
- 230000002207 retinal effect Effects 0.000 claims abstract description 22
- 238000002583 angiography Methods 0.000 claims abstract description 14
- 210000004126 nerve fiber Anatomy 0.000 claims abstract description 12
- 210000001525 retina Anatomy 0.000 claims abstract description 9
- 230000001537 neural effect Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 17
- 201000010099 disease Diseases 0.000 claims description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 abstract description 51
- 208000010412 Glaucoma Diseases 0.000 description 51
- 239000010410 layer Substances 0.000 description 47
- 238000005259 measurement Methods 0.000 description 38
- 210000005036 nerve Anatomy 0.000 description 15
- 230000000007 visual effect Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 230000004410 intraocular pressure Effects 0.000 description 10
- 230000004807 localization Effects 0.000 description 8
- 210000002445 nipple Anatomy 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 206010030348 Open-Angle Glaucoma Diseases 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 201000006366 primary open angle glaucoma Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 210000003994 retinal ganglion cell Anatomy 0.000 description 6
- 208000022873 Ocular disease Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001739 density measurement Methods 0.000 description 4
- 230000005750 disease progression Effects 0.000 description 4
- 230000007717 exclusion Effects 0.000 description 4
- 210000004498 neuroglial cell Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 206010061818 Disease progression Diseases 0.000 description 3
- 210000003050 axon Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000004770 neurodegeneration Effects 0.000 description 3
- 208000015122 neurodegenerative disease Diseases 0.000 description 3
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 206010061323 Optic neuropathy Diseases 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010832 independent-sample T-test Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 210000003733 optic disk Anatomy 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OOGJQPCLVADCPB-HXUWFJFHSA-N tolterodine Chemical compound C1([C@@H](CCN(C(C)C)C(C)C)C=2C(=CC=C(C)C=2)O)=CC=CC=C1 OOGJQPCLVADCPB-HXUWFJFHSA-N 0.000 description 2
- 229960004045 tolterodine Drugs 0.000 description 2
- BDIAUFOIMFAIPU-UHFFFAOYSA-N valepotriate Natural products CC(C)CC(=O)OC1C=C(C(=COC2OC(=O)CC(C)C)COC(C)=O)C2C11CO1 BDIAUFOIMFAIPU-UHFFFAOYSA-N 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 201000002862 Angle-Closure Glaucoma Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 206010012667 Diabetic glaucoma Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013103 analytical ultracentrifugation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003161 choroid Anatomy 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 239000003889 eye drop Substances 0.000 description 1
- 229940012356 eye drops Drugs 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000011503 in vivo imaging Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000013557 nattō Nutrition 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 208000020911 optic nerve disease Diseases 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004287 retinal location Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training 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
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Hematology (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及在受试者的组织的光学相干断层扫描(OCT)图像数据中检测脉管结构的系统，该OCT图像数据包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据，该系统包括分割OCT扫描数据来定位组织中的感兴趣的层；由OCTA扫描数据产生正面脉管网络图；将来自正面脉管网络图的一个或多个脉管区域投射到OCT扫描数据的横截面图像中的感兴趣的层上，以界定一个或多个感兴趣区域(ROI)，其中，各个ROI由脉管区域和感兴趣的层之间的交汇处界定；并在一个或多个ROI中识别脉管对象。在优选实施方式中，该组织是视网膜，从感兴趣的层去除血管，并且确定视网膜神经纤维层(RNFL)厚度。
Description
技术领域
本公开总体涉及用于检测脉管结构的方法和系统，例如在通过光学相干断层扫描获得的视网膜图像数据中。
背景技术
青光眼，世界上成年人不可逆转失明的主要原因，是一种以视网膜神经节细胞(RGC)及它们的轴突逐渐退化为特征的眼部疾病。RGC对视觉非常重要，RGC的丧失导致视神经盘的结构改变和与逐渐的视野丧失有关的视乳头周围的视网膜神经纤维层(RNFL)变薄。
患有早期青光眼的患者可能没有意识到视野丧失，直到疾病的后期阶段，此时RGC已经永久受损并对视觉有不良影响。
RNFL变薄可以指示青光眼中的RGC丧失，并且研究已经表明使用光学相干断层扫描(OCT)进行RNFL厚度测量对青光眼进展的早期检测和监护的潜力。OCT是干涉测量技术，能够用于含有神经部分和脉管部分的视网膜结构的体内成像。RNFL厚度测量包括神经部分和脉管部分。然而，脉管部分的包含可能潜在影响评估青光眼的厚度测量和图像处理操作。
使用OCT血管造影(OCT-A)可以无创地可视化和量化脉管部分。脉管评估形成了检测和评估青光眼进展的重要部分。特别地，与那些正常的眼睛相比，青光眼的视乳头周围血管密度更低，而且与视野和疾病严重性密切相关。此外，在晚期原发性开角型青光眼(POAG)中，视乳头周围毛细血管密度的降低与视野严重程度的增加有显著关联。
光学相干断层扫描图像使临床医生能够进行眼睛的底层结构或其他生物组织的体内评估，以检测病理变化。它也允许基线和后续扫描之间的量化评估，以监护疾病进展并确定合适的干预措施。当进行这种测量时，该OCT扫描被分割并且量化了某些层的厚度。这些层由包括神经、血管、神经胶质细胞和其他结构的不同成分组成。然而，兴趣通常指向神经细胞的数量，其是一些疾病中神经元死亡的生物标志物，例如青光眼、糖尿病性视网膜病变或其他大脑神经退行性疾病，例如阿尔茨海默病。
传统的量化测量不考虑影响组织测量的可视性和诊断准确性的脉管结构。血管在结构厚度测量中的影响可以显著影响厚度剖面的可视性。因此，在进行结构测量时，例如在对患有眼部疾病的患者进行视网膜结构测量时，仍然需要考虑组织中的血管。
OCT中用于检测和分割血管的传统方法包括在横截面OCT扫描上自适应二值化方法的应用、在横截面OCT扫描中创建阴影图来确定侧血管位置，然后使用活动形状模型法分割血管，并通过跟踪投射到外视网膜上的光学阴影来在横截面OCT扫描中检测血管轴向边缘，并人工调整不正确的轴向边缘。然而，这些传统的方法只应用于横截面OCT扫描，并且血管定位极大地依赖于光学阴影伪影的出现。因此，只有具有显著阴影的较大血管可能被检测到，而具有更不明显阴影的更小的血管不足以被检测，导致脉管部分的代表性不足。
需要的是克服或减轻以上描述问题中的至少一个，或者至少提供有用的用于检测脉管结构的替代性系统或方法。
总结
第一方面，本公开提供了一种在受试者组织的OCT图像数据中检测脉管结构的方法，该OCT图像数据包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据，该方法包括：
分割OCT扫描数据来定位组织中的感兴趣的层；
由OCTA扫描数据生成正面脉管网络图；
将来自正面脉管网络图的一个或多个脉管区域投射到OCT扫描数据的横截面图像中的感兴趣的层上，来界定一个或多个感兴趣区域(ROI)，其中，各个ROI由脉管区域和感兴趣的层之间的交汇处界定；以及
在一个或多个ROI中识别脉管对象。
在一些实施方式中，该组织为受试者的视网膜。
该脉管对象可以通过ROI中的形状拟合、霍夫变换或流域变换识别。
该方法的一些实施方式包括从感兴趣的层移除脉管对象，来产生感兴趣的层的一个或多个非脉管部分的图像。该一个或多个非脉管部分可以包含神经部分。
在该方法的一些实施方式中，所述分割使用卷积神经网络进行。该卷积神经网络可为U-Net。
该方法的一些实施方式包括基于脉管对象和/或一个或多个非脉管部分的图像确定一个或多个临床参数。
在一些实施方式中，正面脉管图中的一个或多个脉管区域位于乳头周围区域。该一个或多个临床参数可包括乳头周围视网膜神经纤维层(RNFL)厚度。
在一些实施方式中，根据疾病模型选择该感兴趣的层。
第二方面，本公开提供了一种在受试者组织的OCT图像数据中检测脉管结构的系统，该OCT图像数据包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据，该系统包含与机器可读的存储器通信的至少一个处理器，所述机器可读的存储器上具有存储的指令，以引起至少一个处理器执行本文公开的方法。
第三方面，本公开提供了一种非暂态计算机可读的存储器，具有存储的处理器可执行的指令，以引起至少一个处理器执行本文公开的方法。
第四方面，本公开提供了一种用于在受试者组织的OCT图像数据中检测脉管结构的系统，该系统包括：至少一个处理器；处理器能访问的存储器，该存储器包含能被所述处理器执行的程序代码：
接收包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据的OCT图像数据；
分割OCT扫描数据来定位组织中的感兴趣的层；
由OCTA扫描数据生成正面脉管网络图；
将来自正面脉管网络图的一个或多个脉管区域投射到OCT扫描数据的横截面图像中的感兴趣的层上，来界定一个或多个感兴趣区域(ROI)，其中，各个ROI由脉管区域和感兴趣层之间的交汇处界定；以及
在一个或多个ROI中识别脉管对象。
附图说明
根据现有技术，现在将要描述在视网膜图像数据中检测脉管结构的系统和方法的一些实施例，仅以非限制性的实施例的方式，并参考附图，其中：
图1展示了用于检测脉管结构的方法的流程图。
图2为在OCT数据中检测脉管部分的框图的概述。
图3展示了来自正面OCT(第一行)和OCTA(第二行)的图像与相应的正面脉管图(右)。
图4是使用正面OCTA脉管网络图(顶部)和相应的视乳头周围OCTA图像(底部)的横向血管定位示意图。
图5阐明了感兴趣层中神经部分-脉管部分的分离。
图6展示了(a)基于半横向范围(r)和确定的区域质心(Cx，Cy)生成的单血管掩模(mask)V(圆形)；(b)对每个血管ROI进行拟合圆形模型生成的圆形血管掩模；(c)使用训练的U-Net模型获得的二值化RNFL分割；和(d)二值化的RNFL图像，具有用圆形血管掩模掩盖RNFL分割来排除的血管。
图7展示了公开方法在用于青光眼诊断基于OCT图像分析中的具体应用的实施例。
图8(a)展示了使用大津法(Otsu)阀值产生的移除血管的RNFL图像。
图8(b)展示了来自OCTA乳头扫描的分割RNFL图像，以及像素值的直方图。
图8(c)展示了使用图8(b)的直方图界定的截止点的移除血管的RNFL图像。
图9展示了青光眼诊断中移除血管和未移除血管时乳头周围厚度测量之间的ROC曲线的对比。
图10展示了用于检测脉管结构的系统。
图11展示了公开方法在用于青光眼诊断基于OCT、OCTA图像分析中的具体应用的其他实施例。
图12为用于青光眼检测的接受者操作特征(ROC)曲线。
具体实施方式
以下描述的是在OCT扫描中定位感兴趣的层中血管和为进一步分析和建模而区分神经部分和脉管部分的框架。实施方式可包括三个主要步骤：获得并预处理OCT/OCTA图像；深度-分辨(resolved)脉管位置；并分割神经部分-脉管部分。图1展示了由图10中的系统1000执行的从神经纤维层中分割血管的工艺的流程图。该系统1000包括与储存器/存储器1030通信的至少一个处理器1010。该储存器1030包含OCT图像数据210和程序代码(NuVAS程序代码1032)来处理OCT图像数据210，并通过执行图1的流程图的方法阐明的步骤来检测脉管结构。
从OCT数据中进行量化结构测量包括脉管结构的影响，其可能影响测量的可视性并且混淆患者疾病的监护和识别。OCT血管造影(OCTA)技术使脉管结构的细节可视化，有助于患有眼部疾病病人的脉管变化的检测和量化。
该公开的框架结合了来自OCTA的脉管信息和来自OCT的结构数据，来检测和移除脉管结构的影响，为更高的诊断准确性在OCT中对组织变化生成更好的组织测量。这对确保厚度测量中的变化是归因于病理变化而不被血管的存在而混淆是重要的。
本公开的实施方式具有以下特征和/或优势中的一个或多个：
得移除血管的结构测量的全自动方法；
使用多视点技术原位定位大容量血管，该技术结合不同的视点来优化血管结构的检测；
通过移除脉管结构的混淆影响，移除血管的测量使能够更好地测量感兴趣的组织。
本公开的一些实施例涉及在OCT和OCTA中区分脉管部分和神经部分的框架。该公开的框架在此被称为神经-脉管分离器(NuVAS)。图1和图2的流程图例举了NuVAS框架的各种步骤。NuVAS包含深度学习方法和生物激发图像处理来自动确定组织层(包括视网膜组织层)中血管的作用并调节临床相关的指标来解释这些作用。NuVAS框架的流程如下图2所示。这个方法为眼部和脑部神经退行性疾病的检测提供了改进的诊断性能。分离的神经部分和脉管部分使得用于神经性和全身性疾病预测的复杂建模方法，例如深度学习技术的改进。
如图1中的步骤110，OCT图像数据包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据210，通过系统1000被接受或获得。如图2所示，在分割血管和神经部分之前，该体(volumetric)OCT数据210被用于生成正面血管图218和在步骤120中检测感兴趣的层。该体OCT信息包含一组关于受试者组织的A-扫描(折射率变化的深度信息)。该正面血管图包含脉管信息，其通过从体OCT数据中竖直投射血管自动生成。
用于产生正面血管图的其他方法是通过利用在相同的视网膜位置(图2中的214和图1中的步骤130)上获得的连续横断截面OCT扫描之间的信号幅度去相关。这种方法也被称作OCT血管造影(OCTA)。血管中的脉管流动导致更高的去相关，而固态组织导致更低的去相关值。这种相关值的不同使得OCT血管造影的生成，展示视网膜中的脉管网络。该检测脉管网络可以进一步使用图像处理技术，例如自适应阈值来二值化，以提取脉管信息并生成正面血管图。图3展示了表层上脉管网络的OCT(图像310)和OCTA(图像320)图像的实施例，以及对应生成的正面血管图(图像330是基于图像310的图，并且图像340是基于图像320的图)
为了在轴向的特定区域内分离神经部分(包括血管)，需要依赖疾病模型识别感兴趣的层。层检测(图2中的216和220以及图1中的步骤120)包括根据提取的特征将OCT图像聚集到数个连贯子区域的处理。然后该层可以使用图像处理技术或先进技术，例如卷积网络来从体OCT数据中自动分割。U-Net是一种神经网络架构，可以采用其解决生物医学图像分割的问题。该网络合并了卷积网络架构和非卷积架构，来输出不同层的语义分割。以人工划分层作为基础事实进行模型训练。在从OCT中获得分割的感兴趣层后，该OCTA信号被获得的分割掩盖，以分离感兴趣层中的脉管部分。
其后，从正面血管图中提取的特定区域中的血管进一步被竖直投射到横截面图像上并与分割的感兴趣层相结合，以在图1的步骤140中在层中划分单个血管。图4阐明了使用正面OCTA血管图和对应的乳头周围的方案的脉管定位法。图像410中的圆形代表着圆形扫描方案。使用界定了血管的横向范围的OCTA图像420中的竖直柱412将OCTA图中检测的血管投射到乳头周围。
在一个实施例中，如图5中所阐明的，指示图(脉管分布图510)中脉管结构存在的感兴趣区域被竖直投射到OCTA横截面图520的对应位置，并与用来脉管定位的检测的视网膜层分割相结合。这个被作为ROI中形状拟合(shape fitting)。具体来说，在OCTA横截面图像中，每个血管的该信号的横向范围都由竖直脉管投影确定，而轴向范围受到分割视网膜层的上限和下限限制。使用这些范围，包含每个血管的ROI被横向和轴向限制。对血管形状采用圆形模型。每个ROI中血管的深度分辨定位都从受限制的OCTA信号的质心确定，而管径从来自脉管网络图中的竖直投影的横向范围判断。使用这些参数，圆形脉管模型可以对每个ROI进行拟合。也可被采用其他形状。可选地，也可使用其他图像处理技术，例如可使用基于霍夫变换(Hough Transform)或流域变换(Watershed Transform)的图像处理技术。最后，该拟合的血管被从分割的视网膜中分割开，来从神经部分(图像540、542)中分割脉管部分(图像530、532)，从中生成了用于疾病诊断和建模的测量和参数，作为如图1流程图中步骤160的一部分。
深度分辨脉管定位的进一步细节参考图6(a)至图6(d)中所阐明的。
如图6(a)中描述的，每个8连接的血管区域的质心(Cx，Cy)是基于脉管定位自动确定的，如图像510和520中例举的。该公开的实施方式是在乳头周围扫描垂直于血管，而且分割的RNFL包含整个血管的横截面的假设下操作的。使用圆方程创建圆形血管掩模V：
Vi＝[Mh-Cy,i]2+[Mw-Cx,i]2<r2 (1)
其中i是第i个血管区域，r是圆形血管的半径，其由半横向范围界定，Mh和Mw指的是基于乳头周围OCT扫描生成的网格的高度和宽度。生成圆形血管掩模的实施例如图6(b)所示。
其后，这些生成的圆形脉管掩模被从神经层中排除，如图6(d)所示。使用图6(d)的神经层数据计算被称为RNFL厚度RT和血管厚度VT比的两个结构参数，来比较与年龄的相关性。沿着圆形扫描的包括脉管部分的RNFL厚度在A-扫描中取平均值，来获得每只眼睛的平均RNFL厚度值RTave：
其中N是如图6(c)所示的二值化RNFL分割中的体积总数，tn指的是在第n个A-扫描中的分割RNFL厚度。该排除了脉管部分的RNFL的厚度也使用(2)计算，并记作RTave,nv，用于后续分析。此外，该实施方式计算了排除只在OCT扫描(RTave,nm)中可见的主要血管后的RNFL厚度，作为进一步比较。该主要血管是基于OCT扫描，从检测血管区域中人工选择的。
随后，该实施方式对所有眼睛计算血管相对于RNFL横截面积VT比。这个参数被界定为总血管面积和排除血管之前的RNFL面积的比，如以下计算：
其中Vi是具有使用(1)计算的圆形血管掩模，I是该RNFL中的圆形血管掩模总数，Rarea是的排除血管之前的RNFL面积，使用(4)计算。
其中w是乳头周围横截面扫描的宽度，RTi是每个A-扫描中的RNFL厚度。
在分割后，脉管部分和神经部分有可能应用于临床诊断和疾病监护和治疗。脉管部分对视网膜疾病，例如糖尿病视网膜病变和青光眼的诊断是重要的，而神经部分使得医生能够识别疾病进展中的结构变化并提供早期干预。对这些提取成分进行进一步预处理，来获得量化和客观的指标，例如血管密度、血管尺寸和视网膜层的结构厚度，其可以改善临床诊断。除了生成有用的临床参数，这两种分离的部分也可以用作更高水平的特征，来为眼部和神经退行性疾病建模构建新的学习特征。神经部分和脉管部分都可以作为两个单独的层输入深度卷积神经网络，来建立疾病进展模型并预测个体风险。
根据本公开的实施方式进行了研究，来为青光眼进展监护生成移除血管的视网膜神经纤维层(RNFL)厚度。本公开的一些实施方式应用在青光眼诊断情境中，具体来说是应用于乳头周围视网膜神经纤维层(RNFL)厚度测量。青光眼是一种进行性的视神经病变，导致视网膜神经调节细胞和丧失和RNFL变薄。被界定为绕视神经头周围的圆形区域的乳头周围RNFL厚度测量已经用在青光眼诊断和监护中。然而，传统的测量不能够区分神经纤维轴突和视网膜脉管结构。该公开的实施方式使得在测量RNFL厚度时能够排除脉管结构的影响，特别是在测量青光眼的轴向损失时。图7展示了使用本公开实施方式处理来获得移除血管的RNFL厚度测量的处理流程图。
可从如下所示的视盘中心的体OCT扫描提取乳头周围的RNFL。首先竖直投射(图像730和740)体数据(图像720的数据)，以在用自动确定的视盘中心界定的视盘边界处产生二维正面视角。
然后从本体中提取以视盘为中心的直径3.46mm的乳头周围的横截面扫描(图像770)。为了降低信号噪音并改善RNFL边界的可视性，该生成的乳头周围的扫描与在直径3.44mm和3.46mm处的两个另外的乳头周围的扫描取平均。使用基于U-Net的卷积神经网络而不是应用过滤器或预处理技术将该RNFL层从产生的平均图像中自动分割。使用基于U-Net网络的优势是其融合了卷积网络架构和非卷积架构来输出兴趣层的语义分割，使得在分辨率降低时提取大量特征而不会损失空间信息。该训练的模型采用横截面OCT扫描(图像770)的输入图像，其首先被调整尺寸为512×512并生成二值化的乳头周围RNFL分割(图像790)，其用于掩盖横截面OCTA扫描。
通过应用自适应阈值方法对对应的正面OCTA图像710进行二值化，来提取脉管信息并生成图像720的正面血管图。在之后，提取圆形扫描周围的血管(距离视盘中心3.46mm)并竖直投影到图像730中阐明的横截面平面中。然后将其与分割的乳头周围的RNFL结合，来在层内划分单个血管。在这之后，通过从层中移除圆形拟合的血管获得移除血管的RNFL(图像759)。测量移除血管的RNFL的厚度来评估诊断性能，这是之后将讨论的。
评估本公开提出的NuVAS方法的诊断准确性，并与生成血管移除的RNFL剖面其他方法相比较，其使用采用波长1050nm、扫描速度100,000A-扫描/s和6mm×6mm成像方案、以视盘为中心的Plex Elite 9000OCT系统(Carl Zeiss Meditec，美国)成像的343只眼睛的数据集。343只眼睛的数据集中，250只临床诊断为青光眼，93只为健康眼。
还评估了用于血管提取的两个替代的方法，也在以下阐明：
1.大津法(Otsu)：通过对OCTA信号数据应用大津阈值法检测血管，然后并从OCT分割乳头周围RNFL中移除。产生的移除血管的RNFL图像如图8(a)所示。
2.基于直方图：基于OCTA横截面乳头周围扫描中的像素强度值的直方图检测血管。在OCTA中，由于更高的去相关值，血管像素具有更高的强度。基于在图像中的强度范围分布，根据经验地选择最佳阈值(即15及以下的直方，图8(b))来区别RNFL中的血管。然后将这些选定的结构从分割的乳头周围RNFL中排除，来生成移除血管RNFL的图像，如图8(c)所示。
使用接受者操作特征(ROC)曲线分析来评估不同方法的诊断性能，并使用ROC(AUC)指标下的面积进行比较。图9展示了在区分青光眼与非青光眼之间有无移除血管的乳头周围的RNFL厚度测量ROC曲线。结果显示，用于对RNFL的标准临床测量(曲线906)的诊断准确性是AUC0.91。通过使用根据本公开的方法，该移除血管的RNFL获得了AUC0.94(曲线908)的诊断准确性，并且与两种替代的方法(曲线902为大津法血管提取，曲线904为基于直方图血管提取)相比更高。因此，本公开的方法展示了改进的诊断性能，并且可能更好地帮助医生检测和监护青光眼进展。
疾病监护的传统临床方法是在视网膜中对结构变化进行直接测量而不考虑血管的出现。血管的存在影响临床评估的准确性。公开的NuVAS框架比常规临床实践相具有以下优势：
改进了识别眼部状况的早期阶段时的诊断准确性，且没有血管对结构改变的影响；
降低了结构改变的可视性，以更好地眼部疾病进展监护；
提取体脉管信息，可以在眼部和全身性疾病中用于诊断目的。
使用NuVAS的研究
研究人群
从2018年7月至2019年6月，对包含健康的受试者和患有POAG的受试者进行横截面研究，来评估本公开系统和方法的有效性。
临床测试
所有参与者经受了全面的眼睛测试，包括使用分辨率图(LogMAR图，TheLighthouse，NY)最小角度的对数、自动量测折射法进行最相关的视力的评估，用Goldman眼压计、OCT和OCT-A图像眼内压测量。成像前滴入1％托品酰胺(托品酰胺滴眼液)滴液来扩大瞳孔。采用使用24-2瑞典交互式阈值算法(Humphrey视野分析仪，卡尔蔡司医疗科技有限公司，都柏林，加州)的标准自动视野检查评估视野。如果固定损失小于33％并且假阳性和假阴性误差均小于20％，该视野检查被认为是可靠的。
POAG眼睛基于临床诊断来界定，包括伴随视野丧失的青光眼视神经损害(界定为青光眼导致的神经视网膜边缘丧失，竖直杯盘比大于0.7或眼间不对称大于0.2和/或缺口)的存在、角镜上的开角、青光眼半视野检查超出正常范围和青光眼视神经病变的继发性原因的缺失。
OCT/OCT-A图像获得和扫描方案
使用商用扫频光源OCT(SS-OCT)系统(PLEX Elite 9000,卡尔蔡司医疗科技有限公司，都柏林，加州，美国)获得OCT和OCTA图像，可调谐中心波长为1050nm，扫描频率为100kHz。每只眼睛以视神经头为中心经历6×6mm场的视场成像方案。每个获得的体扫描由500个横截面图像组成，每个图像由500个A-扫描组成。使用光学微血管造影(OMAG)技术将获得该深度分辨的血管造影信号形成OCT-A图像。图像质量可以由熟练的评分员人工评估。信号强度低于6的低质量图像，剧烈运动或阴影伪影被从分析中排除。
视乳头周围的RNFL分割
获得的OCT扫描输出到MATLAB(Mathworks公司，纳蒂克，马塞诸塞州，美国)并重新建立成三维OCT体。这些体的正面投影被用于划分视盘边界并自动确定视神经头中心(ONH)(图11，图像1110、1120)。以ONH为中心，该实施方式对每个获得的OCT扫描(图11，图像1112、1122)生成视乳头周围的RNFL横截面图像，并使用基于U-Net21的卷积神经网络进行自动分割。对于每个分割的视乳头周围的RNFL，该实施方式计算平均RNFL厚度(RNFLT)指标。
视乳头周围的RNFL中的脉管部分和神经部分
由内限定膜(ILM)和内丛状层(IPL)界定的浅毛细血管丛(SCP)从审查软件PLEXElite 9000审查软件(卡尔蔡司医疗科技有限公司，都柏林，加州，美国)中获得。然后从SCP的最大投射中生成正面OCT-A图像，用于进一步脉管部分的提取(图11，图像1130和1140)。该实施方式在正面OCT图像中应用自适应阈值法来二值化脉管信息。
从二值化的脉管图中提取沿着圆形扫描的脉管结构并竖直投影到视乳头周围的RNFL横截面图像上的对应位置。最后，该竖直投影的脉管横截面图和视乳头周围的RNFL分割相结合来定位单独的血管。基于OCT扫描的可视性选择大血管，毛细血管是排除大血管后OCT-A扫描中剩余的脉管结构。
该RNFL主要由胶质细胞和血管覆盖的RGC轴突组成。在排除了检测的血管成分(包括大血管和毛细血管)后，剩下的分割的视乳头周围的RNFL被认为是神经部分(图11，图像1132和1142)。计算另外的两个厚度标准：排除大血管后的平均RNFL厚度(LVRT；移除大血管的RNFL厚度)，以及排除所有血管后的平均RNFL厚度(AVRT；移除所有血管的RNFL厚度)。此外，计算视乳头周围的REFL的三个脉管指标：大血管的总面积(TLVA；总的大脉管面积)、总毛细血管面积(TCA；总毛细血管面积)和所有血管总面积(TVA；总脉管面积)。
统计分析
描述性统计包括正态分布变量的均值和标准差。独立样本t检验也用于比较正常眼和青光眼的年龄、眼内压(IOP)、球当量(SE)、视野平均偏差(MD)和OCT信号强度的不同。χ2测试可以用于分类变量。进行Pearson相关性分析来评估计算的指标(RNFLT、LVRT、AVRT、TLVA、TCA和TVA)与临床变量之间的相关性。该计算的指标纳入逻辑回归分析，以评估脉管部分在青光眼诊断性能上的影响。该研究使用接受者操作特征(ROC)曲线评估了RNFLT、LVRT、AVRT、AVRT+TLAV、AVRT+TCA和AVRT+TLVA+TCA在区分正常眼和青光眼上的性能，并采用DeLong等在“Comparing the areas under two or more correlated receiveroperating characteristic curves:a nonparametric approach.Biometrics.1988；44(3):837-845”中提出的方法比较了ROC曲线下面积(AUCs)。为了避免由于每个参与者的眼间相关性造成的偏差，AUC的95％的CIs使用非参数自举重采样程序计算(N＝1000个样本)，每个参与者作为重采样单位。所有数据分析都用商用分析软件Stata版本16.0(StataCorp)进行。P值低于0.05被认为是具有统计学差异。
研究结果
符合纳入和排除标准的213名参与者的总计325只眼睛被纳入这个分析。在325只眼睛中，有43名对照组个体的75只眼睛和179名患有POAG的患者的250只眼睛。研究参与者的人口学特征见表1。正常眼和青光眼组的平均年龄分别为56±14.2岁和64±12.7岁。患有青光眼患者的平均视野的平均偏差为-3.65±3.14dB。青光眼组与正常组在年龄、眼内压(IOP)和OCT信号强度上具有显著差异(P<0.001)。组别之间球形当量(SE)(P＝0.284)、收缩压(P＝0.756)和舒张压(P＝0.202)没有显著差异。
计算了RNFLT、LVRT、AVRT、TLVA、TCA和TVA，并且这些指标的分布在图2中阐明。进行Pearson相关性分析来确定生物特征变量(年龄、收缩压、舒张压和IOP)和计算指标(RNFLT,LVRT,AVRT,TLVA,TCA and TVA)之间的相关性。表2展示了每组中每个指标的相关性。在正常组中，移除所有血管的(AVRT)降低的平均RNFL厚度显示出与增加的年龄显著相关(r＝-0.383,P<0.001)。对于正常眼，TCA与增加的年龄(r＝0.394,P<0.001)和更高的收缩压(r＝0.277,P＝.016)正相关。在其他四个计算参数(RNFLT、LVRT、TLVA和TVA)和生物特征变量之间没有明显的相关性。在青光眼的眼睛中，平均RNFL厚度(r＝-0.200,P＝0.002)、移除大血管的平均RNFL厚度(r＝-0.255,P<0.001)和移除所有血管的平均RNFL厚度(r＝-0.256,P<0.001)显示出于增加的年龄相关。大血管和所有血管的总脉管面积的两个指标与所有生物特征变量不显著相关。在青光眼中，TCA显示出与增加的IOP正相关(r＝0.136,P＝0.032)。
该研究评估了青光眼中所有计算的指标和视野平均偏差之间的相关性。所有的五个指标与增加的视野丧失的严重性相关，与所有血管移除(AVRT)的平均RNFL厚度具有最高的相关性(r＝0.319,P<0.001)。包括大血管和毛细血管(TVA)的总脉管面积也与视野平均偏差具有适中的相关性(r＝0.204,P＝0.001)。TCA和视野丧失之间没有显著差异(r＝0.003,P＝0.967)。
表1.正常眼和青光眼组的人口统计学特征、生物特征变量和OCT信号强度
缩写：NA，不适用；SD，标准偏差
aP值对连续变量采用独立样本t检验，对分类变量采用χ2检验获得。
表2.正常眼和青光眼中计算指标、生物特征变量和OCT信号强度之间个体相关性的总结
/>
缩写：RNFLT，RNFL厚度；LVRT，移除大血管的RNFL厚度；AVRT，移除所有血管的RNFL厚度；TLVA，总大血管面积；TCA，总毛细血管面积；TVA：总血管面积；NA，不适用。
a相关性有统计学意义(P<0.05)。
图12阐明了区分正常眼和青光眼中，在不同水平的血管移除下各种RNFL厚度的ROC曲线。RNFLT和LVRT的AUC相似(AUC：0.91[95％CI,0.86-0.94]和AUC：0.92[95％ CI,0.87-0.95])，而RNFLT和LVRT在AUC上没有差异(P＝0.263)。相反地，与RNFLT和LVRT相比，AVRT具有更高的诊断性能(AUC:0.94[95％ CI,0.90-0.96])。AVRT与RNFLT的AUC之间(P<0.001)、AVRT与LVRT的AUC之间的差异均有统计学意义(P<0.001)。为了评估在区分正常眼和青光眼时大血管和毛细血管的影响，该研究增加了TLVA和TCA对AVRT的逻辑回归分析。当TLVA(AUC:0.94[95％ CI,0.90-0.96])或TCA(AUC:0.95[95％ CI 0.91-0.97])单独与AVRT一起使用时，性能上没有显著改善。相反地，在回归模型中向AVRT中同时添加TLVA和TCA显著改善了诊断性能(AUC:0.95[95％CI 0.92-0.97])。
研究分析
该研究使用OCT和OCT-A评估了在健康眼和青光眼中，在不同的血管移除水平下视乳头周围RNFL厚度测量的诊断潜力。该研究首先评估了在健康眼和青光眼中生物特征变量和我们计算的指标之间的相关性。从视乳头周围的RNFL中移除脉管部分后，健康的眼睛中测量的RNFL厚度的神经部分与年龄显著相关(r＝-0.38,P<0.001)。这由Chua等人的工作“Compensation of retinal nerve fibre layer thickness as assessed usingoptical coherence tomography based on anatomical confounders.Br JOphthalmol.2020；104(2):282-290”和Patel等人的“Retinal nerve fiber layerassessment:area versus thickness measurements from elliptical scans centeredon the optic nerve.Investigative ophthalmology&visual science.2011；52(5):2477-2489”支持，其中使用OCT展示没有大血管时年龄对RNFL厚度的影响。该研究证明了在青光眼中包括脉管部分，的测量的视乳头周围的RNFL厚度与年龄由最大的负相关(r＝-0.256,P<0.001)。可能的原因是血管和RGC对视乳头周围的RNFL厚度具有直接贡献。Hood等人的“Blood vessel contributions to retinal nerve fiber layer thicknessprofiles measured with optical coherence tomography.J Glaucoma.2008；17(7):519-528”显示，大血管尺寸的变化相对较小，但是血管的贡献可以对青光眼患者做出显著贡献并导致功能性RGC的不准确评估。该研究也与本工作相一致，显示总大血管面积与视野的丧失显著相关。此外，RGC的丧失可以归因于衰老和青光眼进展。因此，当分析由于青光眼的视乳头周围的RNFL厚度变化时，对厚度测量中与年龄相关的下降进行校正是很重要的。
逻辑回归分析表明脉管部分，尤其是毛细血管，在诊断性能上起到重要作用。结果显示测量的RNFL厚度的神经部分具有AUC0.94的更好诊断性能。
当回归分析中将大血管的总面积和毛细血管面积与测量的RNFL厚度的神经部分相结合，诊断准确性显著改善到AUC 0.95(P<0.05)。这清晰地证明了脉管部分对青光眼中视乳头周围RNFL厚度测量分辨能力的影响，并表明脉管部分可以被认为是独立于神经部分。
视乳头周围的RNFL主要包括大血管、毛细管和RGC。该神经部分由RGC和神经胶质组成，其可以使用OCT可视化。在OCT扫描中，也可以明显地观察大血管，但是毛细血管不那么明显。大多数之前的工作使用OCT研究大血管对视乳头周围的RNFL厚度测量的贡献。Patel等人的“Retinal nerve fiber layer assessment:area versus thicknessmeasurements from elliptical scans centered on the optic nerve”显示，非人类灵长类动物的眼睛的上下区域中RNFL厚度的血管贡献最大，并证明了移除主要血管可以导致RNFL神经部分更好的测量。在一项使用OCT测量180个人类受试者的研究中，Ye等人的“Impact of segmentation errors and retinal blood vessels on retinal nervefibre layer measurements using spectral-domain optical coherence tomography”描述了一项对大血管在RNFL厚度测量影响上的工作并表明了RNFL厚度测量可以有效影响这些血管的可信性，尤其是在严重的青光眼中RNFL变薄时。然而，这些工作中没有从RNFL中排除视乳头周围的毛细血管并且没有评估它的贡献。
作为OCT的功能扩展，OCT-A提供了视网膜和眼脉络膜中脉管流动的信息，而不需要进行静脉染料注射。在早期工作中，Richter等的“Peripapillary microvasculature inthe retinal nerve fiber layer in glaucoma by optical coherence tomographyangiography:focal structural and functional correlations and diagnosticperformance.Clin Ophthalmol.2018；12:2285-2296”证明了使用OCT-A正面图像对视乳头周围血管参数的诊断性能，并表明它们优于在黄斑区计算的血管参数。Rao等人的“Diagnostic ability of peripapillary vessel density measurements of opticalcoherence tomography angiography in primary open-angle and angle-closureglaucoma.British Journal of Ophthalmology.2017；101(8):1066-1070”也评估了青光眼的不同视乳头区域中的视乳头周围血管密度测量的诊断性能并发现改性能优良，尤其是在下颞区域。该血管密度测量还被发现与RNFL厚度测量相当。然而，该血管密度测量是基于视乳头周围圆形OCT扫描方案。当前的研究使用OCT-A提供的眼部灌注信息来确认视乳头周围的血管，以在视乳头周围RNFL中更好地分割脉管部分和神经部分。
该研究还评估了计算的指标和IOP的相关性。没有发现IOP和大多数计算的指标，包括RNFLT之间的相关性。这可以归因于青光眼受试者中控制IOP的持续治疗。该研究进一步表明减少的视野平均偏差与降低的视乳头周围RNFL厚度显著相关。
该研究有一些局限。第一，不同水平血管的提取依赖于OCT和OCT-A图像的质量。由移动和介质不透明性导致的低图像质量是常见的并且可以导致血管的可视性。因此，在进行分割前进行图像质量检查对确保OCT和OCT-A图像是必要的。青光眼的严重性剖面受限于严重的病例数。这个研究的大部分参与者具有的视野平均偏差大于-6dB，因此需要对更多严重的青光眼进行进一步评估。由于神经部分也由神经胶质组成，其不应该被认为是RGC丧失的一部分，注意这一点是值得的，这会影响厚度测量。最后，由于这个研究的横截面性质，青光眼中脉管部分和神经部分的因果关系是无法评估的。
该研究基于RNFL厚度测量和脉管面积评估了青光眼中在视乳头周围RNFL中脉管部分和神经部分的诊断性能。我们发现在区分健康眼和青光眼时，没有脉管部分的视乳头周围的RNFL厚度测量比有脉管部分时表现得更好。该诊断性能可以通过纳入脉管面积改善。神经和脉管部分的分割使得更好地了解由于年龄或疾病的神经元成分的变化。该脉管部分也和视野丧失相关，并应该在青光眼的诊断评估中被考虑。
对于本领域技术人员来说，许多修改是明显的，而不脱离本发明的范围。
在这个说明书中，除非情境另有需要，词语“包含”，和变式“包含”和“包含”，会被理解暗示包括所述的整数或步骤或多个整数或多个步骤，但不排除任何其他整数或步骤或多个整数或多个步骤。
这个说明书中对任何先前的出版物(或从中提取的信息)或已了解的任何事物的引用，都不是而且不应该被作为承诺或承认或任何形式的建议，该先前的出版物(或从中提取的信息)或已了解的事物形成了本说明书涉及的努力领域的共同常识的一部分。
Claims (20)
1.一种用于在受试者组织的OCT图像数据中检测脉管结构的系统，所述系统包括：
至少一个处理器；
处理器能访问的存储器，所述存储器包含能被所述处理器执行的程序代码，以：
接收包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据的OCT图像数据；
分割OCT扫描数据来定位组织中的感兴趣的层；
由OCTA扫描数据生成正面脉管网络图；
将来自正面脉管网络图的一个或多个脉管区域投射到OCT扫描数据的横截面图像中的感兴趣的层上，来界定一个或多个感兴趣的区域(ROI)，其中，各个ROI由脉管区域和感兴趣层之间的交汇处界定；以及
在一个或多个ROI中识别脉管对象。
2.根据权利要求1所述的系统，其中，所述脉管对象通过ROI中的形状拟合、霍夫变换或流域变换来识别。
3.根据权利要求1或权利要求2所述的系统，其中，所述处理器进一步配置为从所述感兴趣的层移除所述脉管对象，来生成所述感兴趣的层的一个或多个非脉管部分的图像。
4.根据权利要求1至3中任一项所述的系统，其中，所述处理器进一步配置为基于识别的脉管对象和/或一个或多个非脉管部分的图像来确定一个或多个临床参数。
5.根据权利要求1至4中任一项所述的系统，其中，所述组织为受试者的视网膜，并且所述正面脉管图中的一个或多个脉管区域位于乳头周围区域。
6.根据引用权利要求4的权利要求5所述的系统，其中，所述一个或多个临床参数包括乳头周围视网膜神经纤维层(RNFL)厚度。
7.根据前述权利要求中任一项所述的系统，其中，处理器进一步配置为根据疾病模型选择感兴趣的层。
8.一种在受试者组织的OCT图像数据中检测脉管结构的方法，所述OCT图像数据包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据，所述方法包括：
分割OCT扫描数据来定位组织中的感兴趣的层；
由OCTA扫描数据生成正面脉管网络图；
将来自正面脉管网络图的一个或多个脉管区域投射到OCT扫描数据的横截面图像中的感兴趣的层上，来界定一个或多个感兴趣区域(ROI)，其中，各个ROI由脉管区域和感兴趣的层之间的交汇处界定；以及
在一个或多个ROI中识别脉管对象。
9.根据权利要求8所述的方法，其中，所述组织为受试者的视网膜。
10.根据权利要求8或权利要求9所述的方法，其中，所述脉管对象通过ROI中的形状拟合、霍夫变换或流域变换识别。
11.根据权利要求8至10中任一项所述的方法，包括从感兴趣的层中移除脉管对象，来生成感兴趣的层的一个或多个非脉管部分的图像。
12.根据权利要求11所述的方法，其中，所述一个或多个非脉管部分包括神经元部分。
13.根据权利要求8至12中任一项所述的方法，其中，使用卷积神经网络进行所述分割。
14.根据权利要求12所述的方法，其中，所述卷积神经网络为U-Net。
15.根据权利要求8至14中任一项所述的方法，包含基于识别的脉管对象和/或所述一个或多个非脉管部分的图像来确定一个或多个临床参数。
16.根据权利要求9或依赖于此的任意描述所述的方法，其中，所述正面脉管图中的一个或多个脉管区域位于乳头周围区域。
17.根据引用权利要求15的权利要求16所述的方法，其中，所述一个或多个临床参数包括乳头周围视网膜神经纤维层(RNFL)厚度。
18.根据权利要求8至17中任一项所述的方法，其中，根据疾病模型选择所述感兴趣的层。
19.一种用于在受试者组织的OCT图像数据中检测脉管结构的系统，所述OCT图像数据包含光学相干断层扫描(OCT)扫描数据和OCT血管造影(OCTA)扫描数据，所述系统包含与机器可读的存储器通信的至少一个处理器，所述机器可读的存储器上具有存储的指令，以引起至少一个处理器执行根据权利要求8至18中任一项所述的方法。
20.非暂态计算机可读的存储器，具有存储的处理器可执行的指令，以引起至少一个处理器执行根据权利要求8至18中任一项所述的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SG10202100558X | 2021-01-19 | ||
| SG10202100558X | 2021-01-19 | ||
| PCT/SG2022/050018 WO2022159032A1 (en) | 2021-01-19 | 2022-01-19 | Methods and systems for detecting vasculature |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117099130A true CN117099130A (zh) | 2023-11-21 |
Family
ID=82549190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280022793.XA Pending CN117099130A (zh) | 2021-01-19 | 2022-01-19 | 用于检测脉管结构的方法和系统 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20240090760A1 (zh) |
| EP (1) | EP4281931A1 (zh) |
| JP (1) | JP2024504321A (zh) |
| CN (1) | CN117099130A (zh) |
| WO (1) | WO2022159032A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024089642A1 (en) * | 2022-10-26 | 2024-05-02 | Medios Technologies Pte Ltd | System and method for detecting glaucoma |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016109750A1 (en) * | 2014-12-30 | 2016-07-07 | Optovue, Inc. | Methods and apparatus for retina bloodvessel assesment with oct angiography |
| US11432719B2 (en) * | 2019-03-14 | 2022-09-06 | Oregon Health & Science University | Visual field simulation using optical coherence tomography and optical coherence tomographic angiography |
-
2022
- 2022-01-19 JP JP2023543442A patent/JP2024504321A/ja active Pending
- 2022-01-19 EP EP22742957.8A patent/EP4281931A1/en active Pending
- 2022-01-19 CN CN202280022793.XA patent/CN117099130A/zh active Pending
- 2022-01-19 US US18/262,003 patent/US20240090760A1/en active Pending
- 2022-01-19 WO PCT/SG2022/050018 patent/WO2022159032A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| EP4281931A1 (en) | 2023-11-29 |
| JP2024504321A (ja) | 2024-01-31 |
| US20240090760A1 (en) | 2024-03-21 |
| WO2022159032A1 (en) | 2022-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hormel et al. | Artificial intelligence in OCT angiography | |
| Borrelli et al. | Topographic analysis of the choriocapillaris in intermediate age-related macular degeneration | |
| US10194866B2 (en) | Methods and apparatus for reducing artifacts in OCT angiography using machine learning techniques | |
| Haleem et al. | Automatic extraction of retinal features from colour retinal images for glaucoma diagnosis: a review | |
| Baroni et al. | Towards quantitative analysis of retinal features in optical coherence tomography | |
| Lee et al. | Three-dimensional evaluation of the lamina cribrosa using spectral-domain optical coherence tomography in glaucoma | |
| EP3568059B1 (en) | Method and system for three-dimensional thickness mapping of corneal micro-layers and corneal diagnoses | |
| Raman et al. | Proposed retinal abnormality detection and classification approach: Computer aided detection for diabetic retinopathy by machine learning approaches | |
| WO2018116321A2 (en) | Retinal fundus image processing method | |
| US9060711B2 (en) | Automated detection of uveitis using optical coherence tomography | |
| US20220151568A1 (en) | Supervised machine learning based multi-task artificial intelligence classification of retinopathies | |
| Hassan et al. | Automated retinal edema detection from fundus and optical coherence tomography scans | |
| US20190209006A1 (en) | Segmentation-based corneal mapping | |
| Heisler et al. | Deep learning vessel segmentation and quantification of the foveal avascular zone using commercial and prototype OCT-A platforms | |
| EP3417401B1 (en) | Method for reducing artifacts in oct using machine learning techniques | |
| CN117099130A (zh) | 用于检测脉管结构的方法和系统 | |
| WO2019157113A1 (en) | Segmentation-based corneal mapping | |
| Ruggeri et al. | Analysis of corneal images for the recognition of nerve structures | |
| Garg et al. | Semi-automated algorithm using directional filter for the precise quantification of non-perfusion area on widefield swept-source optical coherence tomography angiograms | |
| Stankiewicz et al. | Volumetric segmentation of human eye blood vessels based on OCT images | |
| Pathan et al. | A methodological review on computer aided diagnosis of glaucoma in fundus images | |
| Girard et al. | 3D structural analysis of the optic nerve head to robustly discriminate between papilledema and optic disc drusen | |
| Linderman | Quantifying the Retinal Vasculature in Development and Disease | |
| Mayer | Automated glaucoma detection with optical coherence tomography | |
| Alam | Quantitative Analysis and Automated Classification of Retinal Images |
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 |