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 PDF

Info

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
Application number
CN202311845153.1A
Other languages
English (en)
Inventor
张和华
魏安海
邹杨成
聂瑞
杨利
黄靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Peoples Liberation Army Army Specialized Medical Center
Original Assignee
Chinese Peoples Liberation Army Army Specialized Medical Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Peoples Liberation Army Army Specialized Medical Center filed Critical Chinese Peoples Liberation Army Army Specialized Medical Center
Priority to CN202311845153.1A priority Critical patent/CN117796757A/zh
Publication of CN117796757A publication Critical patent/CN117796757A/zh
Pending legal-status Critical Current

Links

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
    • A61B3/12—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
    • 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
    • A61B3/1241—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 specially adapted for observation of ocular blood flow, e.g. by fluorescein angiography
    • 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
    • G06T7/0002—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Hematology (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • 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

视网膜OCTA图像分析方法及系统
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。
CN202311845153.1A 2023-12-29 2023-12-29 视网膜octa图像分析方法及系统 Pending CN117796757A (zh)

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)

Similar Documents

Publication Publication Date Title
Le et al. Transfer learning for automated OCTA detection of diabetic retinopathy
Lisboa et al. Diagnosing preperimetric glaucoma with spectral domain optical coherence tomography
Mwanza et al. Glaucoma diagnostic accuracy of ganglion cell–inner plexiform layer thickness: comparison with nerve fiber layer and optic nerve head
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
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
Banister et al. Can automated imaging for optic disc and retinal nerve fiber layer analysis aid glaucoma detection?
CN107811609B (zh) 一种脑老化评估系统
JP2021510810A (ja) 組織のバイオマーカを定量化するための方法及びシステム
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
CN106214120A (zh) 一种青光眼的早期筛查方法
Vujosevic et al. Standardization of optical coherence tomography angiography imaging biomarkers in diabetic retinal disease
CN116705326A (zh) 一种终末期肾病疗效评估与并发症风险预测系统
Shigueoka et al. Predicting age from optical coherence tomography scans with deep learning
Bali et al. Analysis of deep learning techniques for prediction of eye diseases: A systematic review
Phu et al. Application of pattern recognition analysis to optimize hemifield asymmetry patterns for early detection of glaucoma
Lee et al. Macular ganglion cell-inner plexiform layer thickness prediction from red-free fundus photography using hybrid deep learning model
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.
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
CN116919639A (zh) 一种可视清洗方法、系统及其可视清洗器
CN117796757A (zh) 视网膜octa图像分析方法及系统
CN115381402A (zh) 一种基于光学相干断层扫描的阿尔茨海默病早期诊断体系
Kanakatte et al. A decision support system for retinal image defect 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