RU2496404C1 - Способ диагностики патологии зрительного нерва - Google Patents
Способ диагностики патологии зрительного нерва Download PDFInfo
- Publication number
- RU2496404C1 RU2496404C1 RU2012140944/14A RU2012140944A RU2496404C1 RU 2496404 C1 RU2496404 C1 RU 2496404C1 RU 2012140944/14 A RU2012140944/14 A RU 2012140944/14A RU 2012140944 A RU2012140944 A RU 2012140944A RU 2496404 C1 RU2496404 C1 RU 2496404C1
- Authority
- RU
- Russia
- Prior art keywords
- optic nerve
- diagnosis
- patient
- neural networks
- damage
- Prior art date
Links
Images
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
Изобретение относится к медицине. При осуществлении способа первоначально формируют по всем патологиям с разными степенями поражения зрительного нерва представительную выборку больных с установленным диагнозом, получают данные клинических обследований каждого из больного из этой выборки. У каждого больного производят съемку диска зрительного нерва. Полученные изображения обрабатывают и определяют параметры распределения трех основных цветов в изображении диска зрительного нерва. По этим данным и данным клинических обследований создают и обучают ряд нейронных сетей для определения причины и степени поражения зрительного нерва. Затем у пациента проводят аналогичные обследования. Вектор параметров распределения трех основных цветов в изображении зрительного нерва и данные клинического обследования пациента подаются на вход ансамбля ранее обученных нейронных сетей, задействованных по выбранному алгоритму постановки диагнозов патологий зрительного нерва, и, в зависимости от выходов нейронных сетей ансамбля, осуществляют формирование диагноза патологии зрительного нерва. Изобретение позволяет повысить точность диагностики различных патологий глазного нерва и обеспечить возможности постановки более сложного диагноза, учитывающего как причины заболевания, так и степень поражения зрительного нерва. 3 ил., 1 пр., 1 табл.
Description
Изобретение относится к области медицинских информационных систем, а именно к скрининговым системам диагностики, разрабатываемым на основе нейросетевых технологий, может быть использовано при построении автоматизированной диагностической аппаратуры патологии зрительного нерва.
Известен способ диагностики (патент РФ 2134054), при котором диагностика патологии зрительного нерва заключена:
- в получении изображения глазного дна пациента;
- в обработке изображения глазного дна пациента и построении расчетных диаграмм распределения трех основных цветов по N-градациям яркости;
- в сравнении полученных параметров диаграмм распределения трех основных цветов с усредненными параметрами эталонных диаграмм распределения трех основных цветов последовательно для каждой из патологий;
- в выборе патологии по максимуму подобия критериев расчетных диаграмм распределения трех основных цветов в изображении глазного дна исследуемого пациента критериям усредненных эталонных диаграммам распределения трех основных цветов известных патологий. В случае частичного совпадения параметров диагноз определяется по сумме параметров, наиболее близко совпадающих с параметрами усредненных диаграмм, принятых за эталон. При этом выдается список предполагаемых диагнозов.
Однако с помощью данного метода обследования, как правило, окончательный диагноз устанавливается врачом из списка предполагаемых диагнозов, в котором находятся три или более диагноза заболевания, в том числе один и тот же диагноз, но с различной степенью поражения зрительного нерва.
Техническим результатом является повышение точности диагностики различных патологий глазного нерва и обеспечение возможности постановки более сложного диагноза, учитывающего как причины заболевания, так и степень поражения зрительного нерва.
Технический результат достигается тем, что в способе диагностики патологии зрительного нерва, заключающемся в выборе патологии по максимуму подобия параметров расчетных диаграмм распределения трех основных цветов в изображении диска зрительного нерва исследуемого пациента параметрам усредненных эталонных диаграмм распределения трех основных цветов известных патологий, согласно изобретению первоначально формируют по всем патологиям с разными степенями поражения зрительного нерва представительную выборку больных с установленным диагнозом, получают данные клинических обследований каждого больного из этой выборки (~240 параметров), у каждого больного производят съемку диска зрительного нерва, полученные изображения обрабатывают и определяют параметры распределения трех основных цветов в изображении диска зрительного нерва, по этим данным и данным клинических обследований создают и обучают ряд нейронных сетей для определения причины и степени поражения зрительного нерва, затем у пациента проводят аналогичные обследования, вектор параметров распределения трех основных цветов в изображении зрительного нерва и данные клинического обследования пациента подаются на вход ансамбля ранее обученных нейронных сетей, задействованных по выбранному алгоритму постановки диагнозов патологий зрительного нерва, и, в зависимости от выходов нейронных сетей ансамбля, осуществляют формирование диагноза патологии зрительного нерва.
Алгоритм постановки диагнозов патологий зрительного нерва приведен в таблице.
На Фиг.1 приведена структурная схема формирования диагноза патологии зрительного нерва, на Фиг.2 приведено цифровое изображение диска зрительного нерва пациента А, на Фиг.3 приведен результат компьютерной обработки цифрового изображения диска зрительного нерва пациента А.
Способ осуществляется следующим образом.
Производится съемка глазного дна пациента с помощью фундус-камеры, оснащенной цифровым фотоаппаратом или видеоадаптером на базе пассивной зарядовой связи матрицы. Пациент обследуется сидя, подбородком и лбом опираясь о подголовник. Взгляд пациента фиксируется на специальную вспыхивающую точку, позиция которой контролируется врачом для получения четкого изображения глазного дна.
Для осуществления способа по всем патологиям с разными степенями поражения зрительного нерва предварительно формируют представительную выборку больных, с установленным диагнозом, подтвержденным другими методами диагностики (визометрией, периметрией и др.). Проводят клинические обследования каждого пациента, производят съемку глазного дна, полученные изображения диска зрительного нерва обрабатывают и определяют параметры распределения трех основных цветов в изображении диска зрительного нерва. На базе полученных данных и данных других клинических обследований пациента создают и обучают нейронные сети 1-5 (Фиг.1).
Идея использования нейронных сетей возникла в результате попыток смоделировать поведение живых существ, воспринимающих воздействие внешней среды и обучающихся на собственном опыте.
Ключевым понятием нейронных сетей является понятие модели нейрона - модели специальных нервных клеток способных воспринимать, преобразовывать и распространять сигналы.
Нейрон имеет несколько каналов ввода информации - дендриты, и один канал вывода информации - аксон. Аксоны нейрона соединяются с дендритами других нейронов с помощью синапсов. Через синапсы сигнал передается другим нейронам, которые, в свою очередь, могут возбуждаться или, наоборот, оказываться в состоянии торможения.
Объединенные между собой нейроны образуют нейронную сеть, с математической точки зрения задающую сложное многомерное преобразование, собранное из простейших преобразователей.
Любая нейронная сеть состоит из входного слоя независимых переменных и выходного слоя, нелинейно зависимого от значений входных переменных, т.е. нейронная сеть имеет так называемую архитектуру.
Текущее состояние отдельного нейрона определяется формулой
где w(i,0) - пороговое значение возбуждения или активации. Нейрон возбуждается, когда суммарный уровень сигналов, пришедших в него, превышает пороговое значение возбуждения;
w(i,j) - вес синаптических связей, положительные значения соответствуют возбуждающим синапсам, отрицательные значения - тормозящим синапсам;
x(j), j=1, 2, … N - входные сигналы, подаваемые на нейрон. Преобразование сигнала производится следующим образом.
а) последовательно для каждого нейрона сети вычисляется значение активации;
б) берется взвешенная сумма выходов элементов предыдущего слоя и вычитается пороговое значение;
в) затем значение активации преобразуется с помощью передаточной функции;
г) в результате получается выход нейрона, поступающий на вход нейронов, с которыми он связан.
В настоящее время создание и обучение нейронных сетей осуществляется специальным программным обеспечением (ПО).
В это ПО загружаются статистическая информация I(m,n), сформированная на основе представительной выборки больных с установленным диагнозом, данные клинических обследований каждого из больного, параметры изображения диска зрительного нерва и соответствующие этим статистическим данным коды диагнозов F(k).
Где m - количество параметров, полученных при обработке данных для одного больного;
n - количество наблюдений в выборке;
k - количество кодов диагнозов.
Оператор ПО определяет тип нейронных сетей, которые могут быть использованы для решения задачи классификации, их количество и качество их обучения, и дает команду для начала работы по созданию нейронных сетей.
Вначале для обучения нейронных сетей вся статистическая информация I(m,n) (по каждому коду диагнозов F(k) отдельно) разбивается на две части:
обучающую и контрольную выборку. Контрольная выборка, в свою очередь, тоже делится на две части - контрольную и тестовую выборки.
Первоначально для обучения на вход нейронной сети подается обучающая выборка с известными результатами, т.е. величины I(m,n) ⇒F(k). Специальное ПО, меняя синаптические веса и значения порога активации для каждого нейрона, тип нейронных сетей и количество используемых нейронов, находит как можно более точное приближение функции F(k).
По контрольной выборке - экзаменуется построенная сеть. При этом определяется ошибка обучения, и если ошибка обучения превышает заданную, то вновь производится изменение синаптических весов и значений порогов активации или производится изменение типа и архитектуры сети.
По тестовой выборке, не участвующей в процессе создания и настройки сети, осуществляется окончательный экзамен качества построенной сети, когда результат, полученный с помощью созданной и обученной нейронной сети, сравнивается с известным диагнозом.
В процессе создания и обучения нейронной сети осуществляется и оптимизация используемой статистической информации I(m,n) с исключением из нее неинформативных параметров.
Таким образом, создается и обучается нейронная сеть 1, предназначенная для решения задачи классификаций патологий на группы.
Обучив первую сеть, разделяющую болезни на группы, аналогичным образом обучают и сети, производящие внутригрупповую классификацию. Для их обучения берутся болезни только соответствующих групп.
Для определения причины поражения зрительного нерва для каждой патологии создается и обучается своя нейронная сеть типа 2 или 4.
Для определения степени поражения зрительного нерва для каждой патологии создается и обучается своя нейронная сеть типа 3 или 5. Для диагностики патологии зрительного нерва проводят клиническое обследование пациента, производят съемку глазного дна, полученное изображение диска зрительного нерва пациента обрабатывают аналогичным образом - определяют параметры распределения трех основных цветов. Вектор параметров распределения трех основных цветов в изображении зрительного нерва и данных клинического обследования пациента подается на вход нейронной сети 1.
В зависимости от выхода нейронной сети 1, а также других нейронных сетей, задействованных по выбранному алгоритму постановки диагнозов патологий зрительного нерва, и блок формирования диагноза окончательно формирует диагноз патологии зрительного нерва.
После того как все нейронные сети, составляющие ансамбль, обучены, создаются условия для формирования сложного диагноза с причинами и степенью поражения зрительного нерва.
Пример 1: Пациент А. 21 год. Пациент А. обследован по предложенному способу.
На Фиг.2 приведено цифровое изображение диска зрительного нерва пациента А.
На Фиг.3 приведен результат компьютерной обработки цифрового изображения диска зрительного нерва пациента А.
В процессе компьютерной обработки цифрового изображения диска зрительного нерва пациента А. обученная нейронная сеть 1, предназначенная для решения задачи классификаций патологий на группы, формирует диагноз «Глаукома».
Качество построенной нейронной сети 1, проверенное в процессе обучения по тестовой выборке, не участвующей в процессе создания и настройки сети, характеризуется вероятностью 0,94 правильной постановки диагноза (результат по тестовой выборке, полученный с помощью нейронной сети 1, сравнивается с известным диагнозом).
Нейронная сеть типа 3, обученная для диагноза «Глаукома» и предназначенная для определения стадии поражения зрительного нерва, формирует диагноз «Глаукома 3 СТ» («Глаукома 3 стадии»).
Качество построенной нейронной сети 3 для диагноза «Глаукома», проверенное в процессе обучения по тестовой выборке, не участвующей в процессе создания и настройки сети, характеризуется вероятностью 0,92 правильной постановки диагноза 3-й стадии глаукомы.
Поставленный диагноз подтвержден данными клинических обследований пациента.
Таблица | |||
№ | Наименование диагноза | Причина | Степень |
1 | Норма | Норма | |
Норма H | |||
Норма M | |||
2 | Миопия | слабой степени | |
средней степени | |||
высокой степени | |||
3 | Гиперметропия | слабой степени | |
средней степени | |||
высокой степени | |||
4 | Аномалии зрительного нерва | друзы 3H | |
колобома 3H | |||
миелиновые волокна | |||
другие | |||
5 | Застойный диск зрительного нерва | начальный | |
умеренно выраженный | |||
выраженный | |||
8 | Новообразования зрительного нерва | ||
9 | Атрофия зрительного нерва при патологии центральной нервной системы | вследствие черепно-мозговой травмы или травмы орбиты | слабой степени |
средней степени | |||
тяжелой степени | |||
при демиелинизирующих процессах ЦНС | |||
при новообразованиях головного мозга | |||
при поражении сосудов головного мозга | |||
вследствие нейроинфекций | слабой степени | ||
средней степени | |||
высокой степени | |||
10 | Атрофия зрительного нерва при патологии сетчатки | при абиотрофии сетчатки | |
при центральной и периферической дистрофии сетчатки | |||
11 | Атрофия зрительного нерва при патологии сосудов глаза | вследствие острых оптических нейропатий (ПИН, окклюзия ЦАС, тромбоз ЦВС и ветвей) | |
вследствие хронических оптических нейропатий | |||
12 | Острая оптическая нейропатия | Оптическая нейропатия сосудистого генеза | передняя ишемическая оптическая нейропатия |
задняя ишемическая оптическая нейропатия | |||
оптическая нейропатия при тромбозах ЦВС и ветвей | |||
оптическая нейропатия при окклюзиях ЦАС и ветвей | |||
Оптическая нейропатия токсического генеза | |||
Оптическая нейропатия эндокринная | |||
Оптическая нейропатия диабетическая | |||
13 | Хроническая оптическая нейропатия | Нейропатия оптическая сосудистого генеза при диабете | |
Нейропатия оптическая сосудистого генеза при гипертонической болезни | |||
Нейропатия оптическая сосудистого генеза при атеросклерозе | |||
14 | Неврит зрительного нерва | ||
15 | Глаукома | Глаукома 1 стадии | |
Глаукома 2 стадии | |||
Глаукома 3 стадии | |||
Глаукома 4 стадии |
Claims (1)
- Способ диагностики патологии зрительного нерва, заключающийся в выборе патологии по максимуму подобия параметров расчетных диаграмм распределения трех основных цветов в изображении диска зрительного нерва исследуемого пациента параметрам усредненных эталонных диаграмм распределения трех основных цветов известных патологий, отличающийся тем, что формирование диагноза, причины и степени поражения зрительного нерва осуществляется с использованием ансамбля нейронных сетей, для обучения которых первоначально формируют по всем патологиям с разными степенями поражения зрительного нерва представительную выборку больных с установленным диагнозом, получают данные клинических обследований каждого больного из этой выборки, у каждого больного производят съемку диска зрительного нерва, полученные изображения обрабатывают и определяют параметры распределения трех основных цветов в изображении диска зрительного нерва, эти данные используются для обучения нейронных сетей, составляющих ансамбль, первая нейронная сеть ансамбля определяет диагноз группы, к какой относится патология, и задействует другие нейронные сети, обученные определять причины поражения зрительного нерва в этой группе, или задействует нейронные сети, обученные определять степень поражения зрительного нерва при данной патологии, в зависимости от выбранного алгоритма формирования диагноза задействуются оба типа указанных нейронных сетей, выходы нейронных сетей подают на блок формирования диагноза, для определения причины и степени поражения зрительного нерва у впервые обследуемого больного проводят аналогичные обследования, вектор параметров распределения трех основных цветов в изображении зрительного нерва подают на вход созданного ансамбля обученных нейронных сетей и задействованных по выбранному алгоритму постановки диагнозов патологий зрительного нерва и, в зависимости от выходов нейронных сетей, формируется диагноз с причиной и степенью поражения зрительного нерва у обследуемого больного.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2012140944/14A RU2496404C1 (ru) | 2012-09-26 | 2012-09-26 | Способ диагностики патологии зрительного нерва |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2012140944/14A RU2496404C1 (ru) | 2012-09-26 | 2012-09-26 | Способ диагностики патологии зрительного нерва |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2496404C1 true RU2496404C1 (ru) | 2013-10-27 |
Family
ID=49446564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2012140944/14A RU2496404C1 (ru) | 2012-09-26 | 2012-09-26 | Способ диагностики патологии зрительного нерва |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2496404C1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2565467C1 (ru) * | 2014-10-22 | 2015-10-20 | Федеральное государственное бюджетное учреждение "Научно-исследовательский институт глазных болезней" Российской академии медицинских наук (ФГБУ "НИИГБ" РАМН) | Способ диагностики диабетической полинейропатии |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2134054C1 (ru) * | 1998-10-27 | 1999-08-10 | Межотраслевой научно-технический комплекс "Микрохирургия глаза" | Способ диагностики патологии зрительного нерва |
WO2004036220A1 (en) * | 2002-10-18 | 2004-04-29 | Rescom Gmbh | Diagnosis of glaucoma by complex autoantibody repertoires in body fluids |
RU2430350C1 (ru) * | 2009-12-23 | 2011-09-27 | Федеральное государственное учреждение "Межотраслевой научно-технический комплекс "Микрохирургия глаза" имени академика С.Н. Федорова Федерального агентства по высокотехнологичной медицинской помощи" | Локальная компьютерная офтальмомикрохирургическая сеть антиглаукоматозного лечения |
US20120230564A1 (en) * | 2009-11-16 | 2012-09-13 | Jiang Liu | Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data |
-
2012
- 2012-09-26 RU RU2012140944/14A patent/RU2496404C1/ru not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2134054C1 (ru) * | 1998-10-27 | 1999-08-10 | Межотраслевой научно-технический комплекс "Микрохирургия глаза" | Способ диагностики патологии зрительного нерва |
WO2004036220A1 (en) * | 2002-10-18 | 2004-04-29 | Rescom Gmbh | Diagnosis of glaucoma by complex autoantibody repertoires in body fluids |
US20120230564A1 (en) * | 2009-11-16 | 2012-09-13 | Jiang Liu | Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data |
RU2430350C1 (ru) * | 2009-12-23 | 2011-09-27 | Федеральное государственное учреждение "Межотраслевой научно-технический комплекс "Микрохирургия глаза" имени академика С.Н. Федорова Федерального агентства по высокотехнологичной медицинской помощи" | Локальная компьютерная офтальмомикрохирургическая сеть антиглаукоматозного лечения |
Non-Patent Citations (1)
Title |
---|
Gustavo Santos-Garcia et al. Using Artificial Neural Networks to Identify Glaucoma Stages, The Mystery of Glaucoma, September, 2011. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2565467C1 (ru) * | 2014-10-22 | 2015-10-20 | Федеральное государственное бюджетное учреждение "Научно-исследовательский институт глазных болезней" Российской академии медицинских наук (ФГБУ "НИИГБ" РАМН) | Способ диагностики диабетической полинейропатии |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kwasigroch et al. | Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy | |
CN107423571B (zh) | 基于眼底图像的糖尿病视网膜病变识别系统 | |
Khan et al. | Cataract detection using convolutional neural network with VGG-19 model | |
Sertkaya et al. | Diagnosis of eye retinal diseases based on convolutional neural networks using optical coherence images | |
Wang et al. | Learning two-stream CNN for multi-modal age-related macular degeneration categorization | |
US11062444B2 (en) | Artificial intelligence cataract analysis system | |
CN112869697A (zh) | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 | |
CN111403029B (zh) | 一种提高评估质量的信息处理方法及装置 | |
Zou et al. | Artificial neural network to assist psychiatric diagnosis | |
Serener et al. | Geographic variation and ethnicity in diabetic retinopathy detection via deeplearning | |
CN116705326A (zh) | 一种终末期肾病疗效评估与并发症风险预测系统 | |
DE112022003919T5 (de) | Automatische erfassung und differenzierung von zystischen pankreasläsionen mit endoskopischer ultrasonographie | |
Triyadi et al. | Deep learning in image classification using vgg-19 and residual networks for cataract detection | |
Sharma et al. | Harnessing the Strength of ResNet50 to Improve the Ocular Disease Recognition | |
Martins et al. | Use of artificial intelligence in ophthalmology: a narrative review | |
RU2496404C1 (ru) | Способ диагностики патологии зрительного нерва | |
Ou et al. | M 2 LC-Net: A multi-modal multi-disease long-tailed classification network for real clinical scenes | |
Paunksnis et al. | The use of information technologies for diagnosis in ophthalmology | |
Biswas et al. | Estimating risk levels and epidemiology of diabetic retinopathy using transfer learning | |
Xia et al. | Eye Disease Diagnosis and Fundus Synthesis: A Large-Scale Dataset and Benchmark | |
CN112991333B (zh) | 一种内窥镜手术中基于语音分析的图像处理方法及系统 | |
KR20220102672A (ko) | 딥러닝 기반 두꺼운 맥락막 질환 진단 방법, 장치 및 프로그램 | |
Liu et al. | Improved PSP-net segmentation network for automatic detection of neovascularization in color fundus images | |
Venneti et al. | Amdnet: Age-related macular degeneration diagnosis through retinal fundus images using lightweight convolutional neural network | |
Van Eenwyk et al. | Artificial intelligence techniques for automatic screening of amblyogenic factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20140927 |