CN117796757A - 视网膜octa图像分析方法及系统 - Google Patents
视网膜octa图像分析方法及系统 Download PDFInfo
- Publication number
- CN117796757A CN117796757A CN202311845153.1A CN202311845153A CN117796757A CN 117796757 A CN117796757 A CN 117796757A CN 202311845153 A CN202311845153 A CN 202311845153A CN 117796757 A CN117796757 A CN 117796757A
- Authority
- CN
- China
- Prior art keywords
- octa
- retina
- image
- measurement
- blood flow
- 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
- FCKYPQBAHLOOJQ-UHFFFAOYSA-N Cyclohexane-1,2-diaminetetraacetic acid Chemical compound OC(=O)CN(CC(O)=O)C1CCCCC1N(CC(O)=O)CC(O)=O FCKYPQBAHLOOJQ-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 210000001525 retina Anatomy 0.000 title claims abstract description 63
- 238000003703 image analysis method Methods 0.000 title claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 86
- 230000017531 blood circulation Effects 0.000 claims abstract description 70
- 201000010099 disease Diseases 0.000 claims abstract description 70
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000007477 logistic regression Methods 0.000 claims abstract description 36
- 238000000611 regression analysis Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010191 image analysis Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 21
- 208000017442 Retinal disease Diseases 0.000 claims description 17
- 238000000556 factor analysis Methods 0.000 claims description 17
- 230000002207 retinal effect Effects 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 210000004204 blood vessel Anatomy 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 208000003098 Ganglion Cysts Diseases 0.000 description 3
- 208000005400 Synovial Cyst Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000002189 macula lutea Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004281 retinal morphology Effects 0.000 description 2
- 208000005590 Choroidal Neovascularization Diseases 0.000 description 1
- 206010060823 Choroidal neovascularisation Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 208000002367 Retinal Perforations Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 208000029233 macular holes Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 208000004644 retinal vein occlusion Diseases 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000006496 vascular abnormality Effects 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种视网膜OCTA图像分析方法及系统，系统包括数据获取模块、数据处理模块和数据分析模块。首先，数据获取模块可以对视网膜OCTA图像进行测量，得到视盘盘周放射状小血管血流密度、浅层小血管血流密度等血流特征参数的测量数据。然后，数据处理模块可以采用Logistic回归分析算法对根据患者的视网膜OCTA图像测量得到的测量数据进行分析，剔除混杂因素干扰的血流特征参数，从而获得与视网膜疾病相关的疾病特征因素。最后，数据分析模块可以采用lasso回归分析算法对与视网膜疾病相关的疾病特征因素对应的测量数据进行回归分析，筛选出用于疾病预测的变量特征，并基于变量特征对应的测量数据构建起用于视网膜疾病预测的列线图。
Description
技术领域
本发明涉及图像分析技术领域，具体涉及一种视网膜OCTA图像分析方法及系统。
背景技术
眼底异常是不可逆性视力损伤的重要原因之一。根据2022年爱康集团与鹰瞳Airdoc联合发布的《三百万体检人群健康蓝皮书》，2018年7月至2022年4月期间参与人工智能眼底照相疾病风险评估的3105439人中，眼底异常患者76.2％，其中男性异常占所有男性受检者的77.3％，女性异常占所有女性受检者的75.1％。眼底异常主要表现为视网膜血管异常、黄斑变性、视盘视神经等，其中的视网膜类疾病占比尤为突出。
视网膜形态的精确判断是视网膜疾病诊断的前提条件。目视网膜形态诊断有彩色眼底照相、光学相干成像、血管荧光造影等。其中彩色眼底照相的人工智能诊断技术已经成熟，但眼底照相只能进行平面成像，无法观测视网膜横断面成像结构，以及视网膜内部细微病变的形态学改变。
因OCT在黄斑裂孔、脉络血管新生等视网膜疾病的诊断过程中具有重要的临床价值，眼底光学相干成像技术(OCT)目前已经成为眼科视网膜疾病筛查和诊断的重要工具和手段。眼底视网膜疾病的诊断严重依赖临床医生经验，因临床经验不足引起的误诊、漏诊时常发生，将人工智能与OCT图像结合在眼部疾病诊断中的应用具有重要的临床意义。
目前虽然已有研究将OCT的眼底检查的数据通过人工智能算法进行识别与诊断，但是其辅助诊断是基于视网膜图像识别和机器学习算法实现的，通过视网膜形态学的改变提取特征诊断和预测疾病。并未考虑眼底血流循环等因素的影响，眼底血流的改变对眼底疾病的诊断具有较高的特异性和灵敏性，能够较早的发现糖尿病视网膜病变、视网膜静脉阻塞和青光眼等疾病。
发明内容
针对现有技术存在的不足，本发明提出一种视网膜OCTA图像分析方法及系统，可以对视网膜的OCTA图像进行分析，具体技术方案如下：
第一方面，提供了一种视网膜OCTA图像分析方法，在第一方面的第一种可实现方式中，包括：
获取视网膜的OCTA扫描图像，并对该OCTA扫描图像进行测量，得到视网膜的各项血流特征参数对应的测量数据；
采用Logistic回归分析算法对所有测量得到的测量数据进行分析，确定与视网膜疾病相关的疾病特征因素；
根据所述疾病特征因素对应的测量数据，采用lasso回归分析算法筛选出用于疾病预测的变量特征，并构建起用于视网膜疾病预测的列线图。
结合第一方面的第一种可实现方式，在第一方面的第二种可实现方式中，获取视网膜的OCTA扫描图像，包括：
对获取到的OCTA扫描图像的图像质量进行效验，响应于获取到的OCTA扫描图像的图像质量低于预设阈值，重新获取视网膜的OCTA扫描图像。
结合第一方面的第一种可实现方式，在第一方面的第三种可实现方式中，对OCTA扫描图像进行测量，包括：
分别根据各项血流特征参数对所述OCTA扫描图像进行测量区域划分，分别得到各项血流特征参数对应的各个测量区域；
分别采用相应的测量方法对各项血流特征参数对应的各个测量区域进行测量，分别得出各项血流特征参数对应的测量数据。
结合第一方面的第一种可实现方式，在第一方面的第四种可实现方式中，采用Logistic回归分析算法对所有测量得到的测量数据进行分析，包括：
采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定所有血流特征参数中差异性低于阈值的相关特征因素；
采用Logistic回归分析算法对所有相关特征因素的测量数据进行多因素特征分析，确定与视网膜疾病相关的疾病特征因素。
结合第一方面的第一种可实现方式，在第一方面的第五种可实现方式中，采用lasso回归分析算法筛选出用于疾病预测的变量特征，包括：采用以下函数作为目标函数：
yi为因变量的观测值，xij是自变量的观测值，βj是自变量对因变量的回归系数，λ是正规化参数。
第二方面，提供了一种视网膜OCTA图像分析系统，在第二方面的第一种可实现方式中，包括：
数据获取模块，配置为获取视网膜的OCTA扫描图像，并对该OCTA扫描图像进行测量，得到视网膜的各项血流特征参数对应的测量数据；
数据处理模块，配置为采用Logistic回归分析算法对所有测量得到的测量数据进行分析，确定与视网膜疾病相关的疾病特征因素；
数据分析模块，配置为根据所述疾病特征因素对应的测量数据，采用lasso回归分析算法筛选出用于疾病预测的变量特征，并构建起用于视网膜疾病预测的列线图。
结合第二方面的第一种可实现方式，在第二方面的第二种可实现方式中，所述数据获取模块包括：
图像效验单元，配置为对获取到的OCTA扫描图像的图像质量进行效验，响应于获取到的OCTA扫描图像的图像质量低于预设阈值，重新获取视网膜的OCTA扫描图像。
结合第二方面的第一种可实现方式，在第二方面的第三种可实现方式中，所述数据获取模块包括：
图像处理单元，配置为分别根据各项血流特征参数对所述OCTA扫描图像进行测量区域划分，分别得到各项血流特征参数对应的各个测量区域；
参数测量单元，配置为分别采用相应的测量方法对各项血流特征参数对应的各个测量区域进行测量，分别得出各项血流特征参数对应的测量数据。
结合第二方面的第一种可实现方式，在第二方面的第四种可实现方式中，所述数据处理模块包括：
单因素分析单元，配置为采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定所有血流特征参数中差异性低于阈值的相关特征因素；
多因素分析单元，配置为采用Logistic回归分析算法对所有相关特征因素的测量数据进行多因素特征分析，确定与视网膜疾病相关的疾病特征因素。
结合第二方面的第一种可实现方式，在第二方面的第五种可实现方式中，所述数据分析模块采用以下函数作为lasso回归分析算法的目标函数：
yi为因变量的观测值，xij是自变量的观测值，βj是自变量对因变量的回归系数，λ是正规化参数。
有益效果：采用本发明的视网膜OCTA图像分析方法及系统，通过视网膜OCTA图像可以测量得到视盘盘周放射状小血管血流密度、浅层小血管血流密度等血流特征参数的测量数据，采用Logistic回归分析算法对根据患者的视网膜OCTA图像测量得到的测量数据进行分析，可以剔除混杂因素干扰的血流特征参数，从而获得与视网膜疾病相关的疾病特征因素。再采用lasso回归分析算法对与视网膜疾病相关的疾病特征因素对应的测量数据进行回归分析，可以筛选出用于疾病预测的变量特征，并基于变量特征对应的测量数据可以构建起用于视网膜疾病预测的列线图。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明一实施例提供的视网膜OCTA图像分析方法的流程图；
图2为本发明一实施例提供的视网膜OCTA图像分析系统的系统图；
图3为本发明一实施例提供的视网膜OCTA图像分析系统的系统图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
如图1所示的视网膜OCTA图像分析方法的流程图，该分析方法包括：
步骤1、获取视网膜的OCTA扫描图像，并对该OCTA扫描图像进行测量，得到视网膜的各项血流特征参数对应的测量数据；
步骤2、采用Logistic回归分析算法对所有测量得到的测量数据进行分析，确定与视网膜疾病相关的疾病特征因素；
步骤3、根据所述疾病特征因素对应的测量数据，采用lasso回归分析算法筛选出用于疾病预测的变量特征，并构建起用于视网膜疾病预测的列线图。
具体而言，首先，可以对视网膜OCTA图像进行测量，得到视盘盘周放射状小血管血流密度、浅层小血管血流密度等血流特征参数的测量数据。然后，可以采用Logistic回归分析算法对根据患者的视网膜OCTA图像测量得到的测量数据进行分析，剔除混杂因素干扰的血流特征参数，从而获得与视网膜疾病相关的疾病特征因素。最后，可以采用lasso回归分析算法对与视网膜疾病相关的疾病特征因素对应的测量数据进行回归分析，筛选出用于疾病预测的变量特征，并基于变量特征对应的测量数据构建起用于视网膜疾病预测的列线图。
在本实施例中，可选的，获取视网膜的OCTA扫描图像，包括：
对获取到的OCTA扫描图像的图像质量进行效验，响应于获取到的OCTA扫描图像的图像质量低于预设阈值，重新获取视网膜的OCTA扫描图像。
在步骤1中，可以通过OCTA扫描设备对患者的黄斑及视盘进行扫描，从而采集到患者黄斑及视盘的OCTA扫描图像。现有的OCTA扫描设备自带有图像质量评估模块，可以对采集到的OCTA扫描图像的图像质量进行评估。在获取OCTA扫描图像时，可以根据OCTA扫描设备得出的图像质量结果对获取的OCTA扫描图像进行效验，如果获取到的OCTA扫描图像的图像质量低于预设阈值，则需要重新通过OCTA扫描设备对患者眼底进行扫描，从而确保获取到的OCTA扫描图像的图像质量，确保后续分析结果的精度。
在本实施例中，可选的，对OCTA扫描图像进行测量，包括：
分别根据各项血流特征参数对所述OCTA扫描图像进行测量区域划分，分别得到各项血流特征参数对应的各个测量区域；
分别采用相应的测量方法对各项血流特征参数对应的各个测量区域进行测量，分别得出各项血流特征参数对应的测量数据。
具体而言，在步骤1中，对OCTA扫描图像进行测量时，可以按照各项血流特征参数对应的测量区域划分方式分别对OCTA扫描图像进行划分，从而得到各血流特征参数对应的测量区域。
比如，在测量神经节细胞层厚度和内丛状层厚度时，可以以黄斑区中心凹为中心分别绘制小椭圆(横直径1.2mm，竖直径1mm)和大椭圆(横直径4.8mm，竖直径4mm)，对包围区域按照60度进行等分划分为6个测量区域。
在测量视盘血流密度时，可以以视盘中心为中心，分别绘制两个直径分别为2mm和4mm的同心圆，按照改良的Garway-heath将区域分成8块测量区域。
在得到各项血流特征参数对应的区域划分结果后，可以采用与各项血流特征参数对应的测量方法对各测量区域进行测量，从而得到相应的血流特征参数的测量数据。如，可以采用节细胞复合体环形量化方法测量神经节细胞层厚度和内丛状层厚度。
在本实施例中，可选的，采用Logistic回归分析算法对所有测量得到的测量数据进行分析，包括：
采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定所有血流特征参数中差异性低于阈值的相关特征因素；
采用Logistic回归分析算法对所有相关特征因素的测量数据进行多因素特征分析，确定与视网膜疾病相关的疾病特征因素。
具体而言，首先，可以采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定各项血流特征参数对应的差异性，并将各项血流特征参数对应的差异性值与阈值进行比较，从中选取出低于阈值的相关特征因素。然后，再次采用Logistic回归分析算法对选出的相关特征因素的测量数据使用glm函数进行多因素分析，从而得到剔除混杂因素干扰的疾病特征因素。
在本实施例中，采用Logistic回归分析算法进行分析包括，通过基于不同患者根据OCTA扫描图像测量得到的各项血流特征参数的测量数据，构建起的训练集训练得到的Logistic回归模型。该Logistic回归模型的具体训练步骤属于本领域的常规技术手段，此次不再赘述。在训练Logistic回归模型的过程中，可以通过AIC衡量Logistic回归模型的拟合优良性。AIC是衡量统计模型拟合优良性的一种标准，从一组可供选择的模型中选择最佳模型时，可以选择AIC最小的模型。
应理解，本实施例仅以Logistic回归分析算法进行举例说明，但本发明并不仅限于此，还可以采用其他分类算法对各项血流特征参数的测量数据进行分析，如主成成分分析、随机森林等算法等，
在本实施例中，可选的，采用lasso回归分析算法筛选出用于疾病预测的变量特征，包括：采用以下函数作为目标函数：
yi为因变量的观测值，xij是自变量的观测值，βj是自变量对因变量的回归系数，λ是正规化参数。
具体而言，可以采集多名患者的测量数据构建起训练集，将训练集中的样本输入上述的训练好的Logistic回归模型中，从而得到各个样本对应的Logistic多因素分析结果。基于所有样本的Logistic多因素分析结果对lasso回归模型进行训练，最后拟合得到适合于视网膜疾病预测的预测模型，并筛选出模型系数不为零的疾病特征参数作为变量特征，以此构建起用于视网膜疾病预测的列线图。
应理解，本实施例仅以lasso回归分析算法进行举例说明，但本发明并不仅限于此，还可以采用其他分析方法筛选变量特征和预测疾病类型，如支持向量机。
如图2所示的视网膜OCTA图像分析系统的系统框图，该分析系统包括：
数据获取模块，配置为获取视网膜的OCTA扫描图像，并对该OCTA扫描图像进行测量，得到视网膜的各项血流特征参数对应的测量数据；
数据处理模块，配置为采用Logistic回归分析算法对所有测量得到的测量数据进行分析，确定与视网膜疾病相关的疾病特征因素；
数据分析模块，配置为根据所述疾病特征因素对应的测量数据，采用lasso回归分析算法筛选出用于疾病预测的变量特征，并构建起用于视网膜疾病预测的列线图。
具体而言，分析系统是由数据获取模块、数据处理模块和数据分析模块组成。其中，数据获取模块可以对视网膜OCTA图像进行测量，得到视盘盘周放射状小血管血流密度、浅层小血管血流密度等血流特征参数的测量数据。数据处理模块可以采用Logistic回归分析算法对根据患者的视网膜OCTA图像测量得到的测量数据进行分析，剔除混杂因素干扰的血流特征参数，从而获得与视网膜疾病相关的疾病特征因素。数据分析模块可以采用lasso回归分析算法对与视网膜疾病相关的疾病特征因素对应的测量数据进行回归分析，筛选出用于疾病预测的变量特征，并基于变量特征对应的测量数据构建起用于视网膜疾病预测的列线图。
在本实施例中，可选的，如图3所示，所述数据获取模块包括：
图像效验单元，配置为对获取到的OCTA扫描图像的图像质量进行效验，响应于获取到的OCTA扫描图像的图像质量低于预设阈值，重新获取视网膜的OCTA扫描图像。
具体而言，数据获取模块包括图像效验单元，该图像效验单元可以根据OCTA扫描设备得出的图像质量结果对获取的OCTA扫描图像进行效验，如果获取到的OCTA扫描图像的图像质量低于预设阈值，则数据获取单元可以重新通过OCTA扫描设备对患者眼底进行扫描，从而确保获取到的OCTA扫描图像的图像质量，确保后续分析结果的精度。
在本实施例中，可选的，所述数据获取模块包括：
图像处理单元，配置为分别根据各项血流特征参数对所述OCTA扫描图像进行测量区域划分，分别得到各项血流特征参数对应的各个测量区域；
参数测量单元，配置为分别采用相应的测量方法对各项血流特征参数对应的各个测量区域进行测量，分别得出各项血流特征参数对应的测量数据。
具体而言，所述数据获取模块还包括图像处理单元和参数测量单元，其中，图像处理单元可以对通过图像效验单元效验的OCTA扫描图像进行处理，按照各项血流特征参数对应的测量区域划分方式分别对OCTA扫描图像进行划分，从而得到各血流特征参数对应的测量区域。
参数测量单元可以在得到图像处理单元发送的区域划分结果后，采用与各项血流特征参数对应的测量方法对各测量区域进行测量，从而得到相应的血流特征参数的测量数据。
在本实施例中，可选的，所述数据处理模块包括：
单因素分析单元，配置为采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定所有血流特征参数中差异性低于阈值的相关特征因素；
多因素分析单元，配置为采用Logistic回归分析算法对所有相关特征因素的测量数据进行多因素特征分析，确定与视网膜疾病相关的疾病特征因素。
具体而言，所述数据处理模块包括单因素分析单元和多因素分析单元，其中，单因素分析单元可以采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定各项血流特征参数对应的差异性，并将各项血流特征参数对应的差异性值与阈值进行比较，从中选取出低于阈值的相关特征因素。多因素分析单元，可以采用Logistic回归分析算法对单因素分析单元选出的相关特征因素的测量数据使用glm函数进行多因素分析，从而得到剔除混杂因素干扰的疾病特征因素。
在本实施例中，可选的，所述数据分析模块采用以下函数作为lasso回归分析算法的目标函数：
yi为因变量的观测值，xij是自变量的观测值，βj是自变量对因变量的回归系数，λ是正规化参数。
数据分析模块可以根据数据处理模块处理得到的多名患者对应的Logistic多因素分析结果构建训练集。并基于训练集中所有样本的Logistic多因素分析结果对lasso回归模型进行训练，拟合得到适合于视网膜疾病预测的预测模型，并筛选出模型系数不为零的疾病特征参数作为变量特征，以此构建起用于视网膜疾病预测的列线图。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种视网膜OCTA图像分析方法，其特征在于，包括：
获取视网膜的OCTA扫描图像，并对该OCTA扫描图像进行测量，得到视网膜的各项血流特征参数对应的测量数据；
采用Logistic回归分析算法对所有测量得到的测量数据进行分析，确定与视网膜疾病相关的疾病特征因素；
根据所述疾病特征因素对应的测量数据，采用lasso回归分析算法筛选出用于疾病预测的变量特征，并构建起用于视网膜疾病预测的列线图。
2.根据权利要求1所述的视网膜OCTA图像分析方法，其特征在于，获取视网膜的OCTA扫描图像，包括：
对获取到的OCTA扫描图像的图像质量进行效验，响应于获取到的OCTA扫描图像的图像质量低于预设阈值，重新获取视网膜的OCTA扫描图像。
3.根据权利要求1所述的视网膜OCTA图像分析方法，其特征在于，对OCTA扫描图像进行测量，包括：
分别根据各项血流特征参数对所述OCTA扫描图像进行测量区域划分，分别得到各项血流特征参数对应的各个测量区域；
分别采用相应的测量方法对各项血流特征参数对应的各个测量区域进行测量，分别得出各项血流特征参数对应的测量数据。
4.根据权利要求1所述的视网膜OCTA图像分析方法，其特征在于，采用Logistic回归分析算法对所有测量得到的测量数据进行分析，包括：
采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定所有血流特征参数中差异性低于阈值的相关特征因素；
采用Logistic回归分析算法对所有相关特征因素的测量数据进行多因素特征分析，确定与视网膜疾病相关的疾病特征因素。
5.根据权利要求1所述的视网膜OCTA图像分析方法，其特征在于，采用lasso回归分析算法筛选出用于疾病预测的变量特征，包括：采用以下函数作为目标函数：
yi为因变量的观测值，xij是自变量的观测值，βj是自变量对因变量的回归系数，λ是正规化参数。
6.一种视网膜OCTA图像分析系统，其特征在于，包括：
数据获取模块，配置为获取视网膜的OCTA扫描图像，并对该OCTA扫描图像进行测量，得到视网膜的各项血流特征参数对应的测量数据；
数据处理模块，配置为采用Logistic回归分析算法对所有测量得到的测量数据进行分析，确定与视网膜疾病相关的疾病特征因素；
数据分析模块，配置为根据所述疾病特征因素对应的测量数据，采用lasso回归分析算法筛选出用于疾病预测的变量特征，并构建起用于视网膜疾病预测的列线图。
7.根据权利要求6所述的视网膜OCTA图像分析系统，其特征在于，所述数据获取模块包括：
图像效验单元，配置为对获取到的OCTA扫描图像的图像质量进行效验，响应于获取到的OCTA扫描图像的图像质量低于预设阈值，重新获取视网膜的OCTA扫描图像。
8.根据权利要求6所述的视网膜OCTA图像分析系统，其特征在于，所述数据获取模块包括：
图像处理单元，配置为分别根据各项血流特征参数对所述OCTA扫描图像进行测量区域划分，分别得到各项血流特征参数对应的各个测量区域；
参数测量单元，配置为分别采用相应的测量方法对各项血流特征参数对应的各个测量区域进行测量，分别得出各项血流特征参数对应的测量数据。
9.根据权利要求6所述的视网膜OCTA图像分析系统，其特征在于，所述数据处理模块包括：
单因素分析单元，配置为采用Logistic回归分析算法对所有测量得到的测量数据进行单因素特征分析，确定所有血流特征参数中差异性低于阈值的相关特征因素；
多因素分析单元，配置为采用Logistic回归分析算法对所有相关特征因素的测量数据进行多因素特征分析，确定与视网膜疾病相关的疾病特征因素。
10.根据权利要求6所述的视网膜OCTA图像分析系统，其特征在于，所述数据分析模块采用以下函数作为lasso回归分析算法的目标函数：
yi为因变量的观测值，xij是自变量的观测值，βj是自变量对因变量的回归系数，λ是正规化参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845153.1A CN117796757A (zh) | 2023-12-29 | 2023-12-29 | 视网膜octa图像分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845153.1A CN117796757A (zh) | 2023-12-29 | 2023-12-29 | 视网膜octa图像分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117796757A true CN117796757A (zh) | 2024-04-02 |
Family
ID=90429486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311845153.1A Pending CN117796757A (zh) | 2023-12-29 | 2023-12-29 | 视网膜octa图像分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117796757A (zh) |
-
2023
- 2023-12-29 CN CN202311845153.1A patent/CN117796757A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Le et al. | Transfer learning for automated OCTA detection of diabetic retinopathy | |
| González-López et al. | Comparative diagnostic accuracy of ganglion cell-inner plexiform and retinal nerve fiber layer thickness measures by Cirrus and Spectralis optical coherence tomography in relapsing-remitting multiple sclerosis | |
| Lisboa et al. | Diagnosing preperimetric glaucoma with spectral domain optical coherence tomography | |
| JP5832744B2 (ja) | 光干渉断層撮影による視神経障害の診断のための網膜マップ（ｍａｐｓ）のパターン解析 | |
| Banister et al. | Can automated imaging for optic disc and retinal nerve fiber layer analysis aid glaucoma detection? | |
| Hood et al. | Detecting glaucoma with only OCT: Implications for the clinic, research, screening, and AI development | |
| Nagpal et al. | A review of diabetic retinopathy: Datasets, approaches, evaluation metrics and future trends | |
| CN106214120A (zh) | 一种青光眼的早期筛查方法 | |
| KR20200105920A (ko) | 조직의 바이오마커 정량화를 위한 방법 및 시스템 | |
| Yao et al. | Generic features for fundus image quality evaluation | |
| Shao et al. | Quantitative assessment of fundus tessellated density and associated factors in fundus images using artificial intelligence | |
| CN107811609B (zh) | 一种脑老化评估系统 | |
| Vujosevic et al. | Standardization of optical coherence tomography angiography imaging biomarkers in diabetic retinal disease | |
| Shigueoka et al. | Predicting age from optical coherence tomography scans with deep learning | |
| CN116705326A (zh) | 一种终末期肾病疗效评估与并发症风险预测系统 | |
| Lee et al. | Macular ganglion cell-inner plexiform layer thickness prediction from red-free fundus photography using hybrid deep learning model | |
| Bali et al. | Analysis of Deep Learning Techniques for Prediction of Eye Diseases: A Systematic Review | |
| Tong et al. | Clinical evaluations of macular structure-function concordance with and without Drasdo displacement | |
| Rakhmetulayeva et al. | IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK FOR PREDICTING GLAUCOMA FROM FUNDUS IMAGES. | |
| CN117796757A (zh) | 视网膜octa图像分析方法及系统 | |
| McIlwaine et al. | Reduced cone density is associated with multiple sclerosis | |
| Kanakatte et al. | A decision support system for retinal image defect detection | |
| TWI742782B (zh) | 視網膜分層厚度檢測模型之建立方法、視網膜分層厚度檢測系統、眼部照護裝置、視網膜分層厚度檢測方法及失智症評估和預測方法 | |
| CN111374632B (zh) | 视网膜病变检测方法、装置及计算机可读存储介质 | |
| CN113781381A (zh) | 一种识别慢性肾病图像的系统 |
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 |