CN113243887B - 一种老年黄斑变性智能诊疗仪 - Google Patents
一种老年黄斑变性智能诊疗仪 Download PDFInfo
- Publication number
- CN113243887B CN113243887B CN202110803738.1A CN202110803738A CN113243887B CN 113243887 B CN113243887 B CN 113243887B CN 202110803738 A CN202110803738 A CN 202110803738A CN 113243887 B CN113243887 B CN 113243887B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- treatment
- macular degeneration
- module
- age
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Hematology (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Optics & Photonics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明属于眼科诊疗设备领域,具体涉及一种老年黄斑变性智能诊疗***。本发明的老年黄斑变性智能诊疗***由检测模块、无线传输模块、特征提取模块、诊疗模块组成,检测模块包括眼底OCT、眼底荧光素血管造影FFA、脉络膜血管造影、中心视力检测、血糖检测、血压检测,由特征提取模块对眼底图像自动提取特征,检测模块得到的数据无线传输模块传输至诊疗模块,诊疗模块包括数据库、GA‑BP神经网络诊断模型以及界面显示模块组成,还建立病人个人数据文档,能动态跟踪病情数据给出针对性的治疗方案,避免耽误病情。所述***具有误诊率低、不依赖人工、就近检测、能实现病人数据动态跟踪的效果。
Description
技术领域
本发明属于一种眼科诊疗设备领域,具体涉及一种老年黄斑变性智能诊疗仪。
背景技术
随着社会信息化的快速发展,电子设备的普及率和使用率与日俱增。人们的工作生活中高度依赖电脑、手机等具有电子屏幕的设备,导致众多眼科疾病的发病率越来越高,眼部疾病的诊断和治疗越来越受到重视。视网膜疾病中的老年黄斑变性(Age-relatedMacular Degeneration, AMD)已经成为影响老年人健康和生活质量的主要疾病之一,是45岁以上常见致盲的主要原因,临床上,AMD分为两种类型,即渗出型(又称湿性)和非渗出型(又称萎缩型),渗出型临床特征是黄斑部脉络膜新生血管(CNV)、浆液性视网膜色素上皮(RPE)脱离、渗出、出血以及瘢痕形成。视网膜病理图像是医生诊断眼病处于哪个阶段的重要标准,正常眼底图像主要包含动脉血管、静脉血管、黄斑和视盘等结构,常见的视网膜OCT图像有三种采集模式:黄斑中心,视神经***中心,以及包括前两个区域的大视野。为了实现高性能的自动化计算机辅助诊断***,对视网膜OCT图像首先进行采集区域以及是否正常的识别与分类是十分必要的,可以使得后续的视网膜OCT图像分割与分类更高效。对视网膜图像进行准确无误的分类是医生制定最佳治疗方案的重要依据。现有诊断和治疗方法都是根据视觉检查视网膜图像人工判断病变程度,诊断依赖医生经验,视网膜图像不同阶段之间的差异性很小,常常导致分类不清楚,容易导致误诊或不能根据个人差异进行有效治疗。
文献1(湿性老年黄斑变性长期随诊与电子计算机图像测量,***等,《中华眼底病杂志》,1994(01):1-3)研究了视力、眼底及眼底荧光血管造影的表现。用电子计算机图像分析仪对视网膜下新生血管膜及色素上皮的改变进行了测量。其简单的对20例初诊和复诊的病例图像进行测量对比,对视网膜新生血管膜的面积等进行定性的分析,但是其研究处于图像分析的初级阶段,没有考虑如何分割和提取特征,并与大数据进行对比。
文献2(渗出型老年黄斑变性的吲哚菁绿血管造影图像特征,陈松等,《眼科研究》2003(04):428-430)探讨渗出型老年黄斑变性(AMD)吲哚菁绿血管造影(ICGA)与荧光素眼底血管造影(FFA)比较的图像特征。方法对52例65眼渗出型AMD患者进行了眼底彩色照相、FFA和ICGA检查。 结果渗出型AMD的65眼中,ICGA诊断为典型性脉络膜新生血管(CNV)有33眼,占50.8%,FFA诊断为典型性CNV有8眼,占11.6%;FFA诊断为隐匿性CNV的35眼中,ICGA诊断为边界清楚或欠清楚的斑状CNV有22眼;合并黄斑出血39眼中,FFA不能发现的CNV而ICGA能发现共5眼;FFA诊断为瘢痕染色的7眼中,有2眼在ICGA中发现CNV;ICGA发现CNV的供养血管(feeding vessel)有3眼。结论 ICGA比FFA发现CNV诊断率高,准确地显示黄斑出血所掩盖的CNV,ICGA有助于发现CNV的供养血管。其也指出ICGA仍有50%隐匿性CNV未能明确发现典型的CNV,有些病变的显示不如FFA清楚。其主要讨论两种造影方法对渗出型AMD诊断率的影响,没有考虑如何利用人工智能技术进行分割和提取特征,并与大数据进行对比,有针对性的给出诊断意见。
文献3(老年黄斑变性频域光学相干断层图像分割研究,张天桥等,《湖南大学学报(自然科学版)》,2017 年10月第44 卷第10 期,第150-156页):提出了一种分割老年黄斑变性视网膜频域光学相干断层图像的方法。其采用现有的三层分割方法对AMD的SD-OCT图像进行分析,采用基于费舍尔判别分析原理的边缘检测进行初定位.其次,采用曲率计算方法对玻璃膜疣进行检测,最后,依据相邻边缘点间的相关性,利用卡尔曼滤波进行快速和准确的分割。最终得到比现有技术更快的速度和准确性。其主要聚焦分割技术效率和准确性的提升,并未给实际的AMD诊断和治疗进行大数据研究,未考虑如何针对不同患病分类进行针对治疗。
文献4(基于深度学习的医学影像诊断综述,张巧丽等,《计算机科学》,第44卷第11A期,2017年11月,第1-6页)通过对深度学习在以上病症的医学图像中的诊断分析可以看出,目前在使用深度学习的模型或者方法上存在相似性,大多采用CNN或者其他常用的深度学习算法,或者几种算法相融合的方式来进行图像分类检测;而且现在大多数的模型都在理论阶段,还没有应用到临床中。采用无监督学习方法确实为图像分类提供了很多便利,例如可以不用人工提取特征,避免由于医生的个人因素带来的误诊情况等,但是目前该方法的研究还主要集中在发病率比较高即病人数据量比较多的病症研究中,在一些稀有病症中的研究则很少。
中国专利申请号:CN 201710793834.6公开了一种不依赖于层分割基于深度投票模型的SD-OCT图像地图状萎缩GA病变分割方法,通过采用深度网络模型表达三维数据中的复杂数据结构,在少量训练样本的前提下,突破了传统方法对于图像层分割依赖的瓶颈,同时突破了传统方法对于不同来源数据的敏感性,获得了较为理想的效果,大幅提高了GA病变的分割精度,对于老年黄斑变性疾病的预防和诊断具有重要的实际意义。深度网络包含五层,分别为输入层、三层无监督的稀疏自编码器Sparse Autoencoder以及一个输出层(Softmax分类器,区分GA区域与非GA区域);对于一个大小为512×128×1024的三维数据,将大小为512×128的二维投影图像上的每一个像素点视为一个样本,且每一个样本具有1024维特征,结合标记结果,随机选取十万个正样本即GA病变像素和十万个负样本即正常组织像素构成一个模型的训练集,从而构建深度网络的输入。输出将深度特征分为GA病变和非GA病变两类。最后,使用投票决策策略来改进十个训练模型的分割结果。本发明以SD-OCT视网膜图像作为输入,通过深度网络模型表达三维输入,生成二维的地图状萎缩病变分割图像。但是其仅仅对GA和非GA图像进行了分类,并未更为细致的考虑AMD的不同类别,特别是典型的渗出型AMD,更未考虑不同病人相关生理指标对老年黄斑变性治疗方案的差异化。
中国专利申请号:CN 202010790150 .2公开了一种眼底彩照图像分级方法、装置,包括:获取原始图像,对所述原始图像进行增强处理,获得目标图像;对所述原始图像和所述目标图像进行色彩处理,分别获得第一处理图像和第二处理图像;采用预训练的分级模型对所述第一处理图像和所述第二处理图像进行处理,获得目标分级结果。分级标签包括轻中度老年黄斑变性、重度老年黄斑变性、轻中度糖网、重度糖网、豹纹状眼底、病理性近视。具体分级算法为先分别对第一处理图像和第二处理图像分别采用第一卷积网络和第二卷积网络进行分级预测,而后将第一处理图像和第二处理图像进行特征融合后进行分级预测,最后将上述各个分级预测获得的分级结果进行融合,获得目标分级结果。但是其分级过程复杂,且在眼底图像全图尺度进行,其处理效率偏低,噪音较多,模型适用种类偏多,模型训练精度有待验证,且分级标签未考虑干性或湿性老年黄斑变性的区分,更未考虑不同病人相关生理指标对老年黄斑变性治疗方案的差异化。
中国专利申请号:CN 201811516615 .4公开了一种基于三维卷积神经网络的视网膜OCT图像分类方法,采用了基于C3D卷积神经网络的改进的VinceptionC3D网络,能够对黄斑中心、视神经***中心、大视野视网膜三维OCT三维图像正常/非正常自动分类,为后续的视网膜OCT图像分割与分析提高效率奠定基础。其仅仅是初步对图像进行六种分类,但是未考虑如何对眼底图像的病变程度进行分类和如何根据不同人群特点给出合适的诊断意见。
专利公开号:CN106488738A公开了一种眼底成像***,其包括视网膜成像步骤和初步诊断步骤,其中在使用眼底图像作为输入时,评估算法的示例输出是存在小的红点、存在出血以及在眼底中检测到硬性渗出物。输出能够识别诊断列表和观察的组织的数量。但是未考虑如何对眼底图像进行分类和给出合适诊断意见。
中国专利申请号:CN201910442076.2公开了一种智能眼底激光手术辅助诊断***,包括激光稳像及治疗装置1、数据控制装置2和图像显示装置3,数据控制装置2包括激光控制模块21、成像控制模块22和图像数据采集模块23;将眼底影像通过数据处理装置4进行图像处理和分析,例如通过特征提取模块42提取眼底影像中的疾病特征数据,利用数据分析匹配模块45进行比对运算,与已知的病例特征模板库44中储存的疾病特征数据进行匹配,将匹配运算的结果储存在第二数据库43中,如果匹配度超过设定的阈值,则给出相应的辅助诊断结论,然后通过诊断报告生成模块46生成辅助诊断报告。所述辅助诊断报告的主要内容,包括术前诊断方案、术中靶标的确定方案和术后治疗效果预测结果等内容。较佳地,还包括深度学习模块47,用于根据采集到的患者眼底影像数据结合从所述眼底影像中提取的疾病特征数据进行大量的数据训练,通过自动执行数据分析匹配运算(采用数据模糊匹配算法),给出可供医学专家参考的匹配运算结果。针对的病例为糖尿病视网膜变性,老年黄斑变性等。其仅仅是根据成像***得到的数据对眼底图像信息进行提取和比对,并未考虑患者的疾病相关特征,且仅仅是笼统的概括了采用数据匹配算法,即可诊断疾病并给出诊断意见,并未公开了算法和匹配过程,且主要是进行激光治疗,并未考虑疾病的发展阶段给出的治疗方式的差异。
针对现有技术中基本都是通过独立的检测设备对眼部眼底图像进行拍照或是对某一种OCT分割技术或不同荧光造影对比的研究,这些分析结果是由医生进行分析后,得出的具体的诊断结论和治疗方案,少部分研究可以简单的利用成像***得到的结果与模板库进行匹配,诊断出是否符合老年黄斑变性的特征,其并未给出具体方法,难以验证模型准确性,也并不能够覆盖个别特殊病例,且考虑AMD的可能影响因素众多,比如遗传、免疫异常、高血压等,单纯从眼底图片难以准确的考量病人疾病特征和治疗方式,更难考虑个体随着年龄增长对疾病发展造成的影响,现有技术主要依靠医生经验来诊断,容易出现误诊或者判断不准确等情况的产生,常常与老年性玻璃膜疣、脉络膜色素瘤、中心性渗出性脉络膜视网膜病变或外伤性脉络视网膜病变混淆,现有技术并无专门针对老年黄斑变性的智能诊断和治疗设备。
本申请的老年黄斑变性智能诊疗***可以根据检测模块得到的图像进行病灶特征提取,并形成标准的数据,和相关检测以及手动输入的数据一起,通过诊疗模块分析处理后直接对用户老年黄斑变性疾病分级,并直接生成具体的治疗方案。因此能够完全脱离医生,甚至用户在家中就可以自行进行眼部的检查,并且根据个人病程发展可以根据有针对性的治疗方案。本发明老年黄斑变性智能诊疗***能对检测图像自动提取病灶特征,并通过诊断模型进行分级以及通过界面显示出对应的治疗方案,所述***支持患者于就近医疗机构检测,通过无线传输上传数据,避免医疗资源紧张造成的不便,还建立病人个人档案,能动态跟踪病情数据并给出针对性的治疗方案,避免耽误病情。所述***具有自动化程度高误诊率低、不依赖人工、能实现病人数据动态跟踪快速给出针对性治疗方案的效果。
发明内容
为解决上述技术问题,本发明提供一种老年黄斑变性智能诊疗***,由检测模块、无线传输模块、特征提取模块、诊疗模块组成,检测模块包括眼底OCT检测、眼底荧光素血管造影FFA、脉络膜血管造影、中心视力检测、血糖检测、血压检测,检测模块包括眼底OCT、眼底荧光素血管造影FFA、脉络膜血管造影、中心视力检测、血糖检测、血压检测,由特征提取模块对OCT、眼底荧光素血管造影FFA、脉络膜血管造影自动提取特征,检测模块得到的数据无线传输模块传输至特征提取模块,并将特征提取数据导入诊疗模块,诊疗模块包括数据库、GA-BP神经网络诊断模型以及界面显示模块组成,还建立病人个人数据文档,能动态跟踪病情数据给出针对性的治疗方案。
进一步的,眼底OCT检测、脉络膜血管造影分别为SD-OCT、吲哚青绿血管造影ICGA。
进一步的,特征提取模块包括分别对眼底OCT、眼底荧光素血管造影FFA、脉络膜血管造影的预处理、图像分割和特征提取,其中预处理为中值滤波预处理,图像分割黄斑和血管区域,特征提取得到玻璃膜疣、进行性色素上皮RPE萎缩或脱离、地图状萎缩、黄斑部脉络新生血管典型性CNV、黄斑部脉络新生血管隐匿性CNV、浆液性视网膜色素上皮RPE脱离、渗出、水肿、出血以及瘢痕病灶特征,提取病灶特征向量,将其作为诊疗模块的部分输入数据。
进一步的,GA-BP神经网络诊断模型诊断步骤为:通过大量已知的眼底图像样本对GA-BP神经网络诊断模型进行训练,将检测模块得到的图像进行特征提取得到病灶特征向量数据以及中心视力、血糖、血压数据,存储于数据库中,通过训练好的GA-BP神经网络诊断模型进行推断得出其老年黄斑变性分级类别。
进一步的,通过GA-BP神经网络诊断模型对患者患病程度进行诊断后给出相应的治疗方案,老年黄斑变性分级类别分为五级,其中一级为早期干性老年黄斑变性,二级为晚期干性老年黄斑变性,三级为早期湿性老年黄斑变性,四级为中期湿性老年黄斑变性,五级为晚期湿性老年黄斑变性;一级的治疗方案为口服抗氧化药物+维生素,二级的治疗方案为口服抗氧化药物+抑制炎症药物+低强度激光治疗,三级的治疗方案为注射抗VEGF药物+激光治疗或光动力疗法,四级的治疗方案为注射抗VEGF药物+手术治疗,五级的治疗方案为玻璃体切割手术+口服维生素。
进一步的,数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化,形成知识规则存入所述数据库中。
进一步的,部分手动输入的参数包括患者年龄、患病年龄、遗传因子,其中遗传因子根据三代内老年性黄斑变性患病比例来定义。
进一步的,通过遗传算法GA这一全局优化算法对BP神经网络模型参数进行优化,其中GA参数为:种群大小22,迭代次数40,交叉概率0.42,变异概率0.20;BP神经网络采用三层网络模型,即输入层、隐含层和输出层。
进一步的,GA-BP神经网络诊断模型中BP神经网络采用输入层节点数为15、隐含层节点数为25、输出层节点数为1的三层结构。
进一步的,界面显示模块包括诊断结果显示和治疗方案显示。
本发明的有益效果在于:
(1)针对老年黄斑变性眼底图像病灶特征复杂且差异小的特点,并且其影响因素众多,现有技术主要采用人工判断容易误诊或难以给出准确的分类判断,本发明的设备可以将传统血糖检测、血压监测、中心视力检测、眼底检测设备进行集成,大量减少病人繁琐的耗时费力的检测过程,利于病人按时进行复诊,有利于及时跟踪病人的病程发展,并能给出针对性的治疗方案;
(2)检测模块得出的数据通过特征提取得到病灶特征数据,结合检测模块血糖、血压、中心视力检测以及部分手动输入的数据导入数据库,通过GA-BP神经网络诊断模型对患者患病程度进行诊断并给出相应的治疗方案,因此能够基本脱离医生,甚至用户在家中就可以自行进行眼部的检查,通过无线传输模块可实现就近检测,数据即可上次至***,减少就医拥挤,便于按时复诊;
(3)特征提取模块中对眼底图像的预处理、图像分割和自动特征提取,能自动快速地提取其中病灶特征向量,将其作为BP神经网络的输入层数据,由GA-BP神经网络诊断模型自动分级,相比人工分类速度更快,且误差更小,避免分类过程由于医生经验不足造成的失误,耽误后续治疗;结合不同病人的病龄、年龄、血糖、血压和遗传因子综合进行诊断,给出分级诊断结果并给出针对性的治疗方案,相比人工判断或基于大数据的神经网络其准确率更高,且相对于传统主要根据眼底图像进行诊断更为全面和科学,且通过建立病人个人档案,便于及时和有效的治疗,避免延误病情和耽误最佳治疗时机;复诊后根据病人上述疾病特征的变化情况动态调整治疗方式。
具体实施方式
一种老年黄斑变性智能诊疗***,由检测模块、无线传输模块、特征提取模块、诊疗模块组成,检测模块包括眼底OCT检测、眼底荧光素血管造影FFA、脉络膜血管造影、中心视力检测、血糖检测、血压检测,检测模块包括眼底OCT、眼底荧光素血管造影FFA、脉络膜血管造影、中心视力检测、血糖检测、血压检测,由特征提取模块对OCT、眼底荧光素血管造影FFA、脉络膜血管造影自动提取特征,检测模块得到的数据无线传输模块传输至特征提取模块,并将特征提取数据导入诊疗模块,诊疗模块包括数据库、GA-BP神经网络诊断模型以及界面显示模块组成,还建立病人个人数据文档,能动态跟踪病情数据给出针对性的治疗方案。
进一步的,眼底OCT检测、脉络膜血管造影分别为SD-OCT、吲哚青绿血管造影ICGA。
进一步的,特征提取模块包括分别对眼底OCT、眼底荧光素血管造影FFA、脉络膜血管造影的预处理、图像分割和特征提取,其中预处理为中值滤波预处理,图像分割黄斑和血管区域,特征提取得到玻璃膜疣、进行性色素上皮RPE萎缩或脱离、地图状萎缩、黄斑部脉络新生血管典型性CNV、黄斑部脉络新生血管隐匿性CNV、浆液性视网膜色素上皮RPE脱离、渗出、水肿、出血以及瘢痕病灶特征,提取病灶特征向量,将其作为诊疗模块的部分输入数据。
进一步的,GA-BP神经网络诊断模型诊断步骤为:通过大量已知的眼底图像样本对GA-BP神经网络诊断模型进行训练,将检测模块得到的图像进行特征提取得到病灶特征向量数据以及中心视力、血糖、血压数据,存储于数据库中,通过训练好的GA-BP神经网络诊断模型进行推断得出其老年黄斑变性分级类别。
进一步的,通过GA-BP神经网络诊断模型对患者患病程度进行诊断后给出相应的治疗方案,老年黄斑变性分级类别分为五级,其中一级为早期干性老年黄斑变性,二级为晚期干性老年黄斑变性,三级为早期湿性老年黄斑变性,四级为中期湿性老年黄斑变性,五级为晚期湿性老年黄斑变性;一级的治疗方案为口服抗氧化药物+维生素,二级的治疗方案为口服抗氧化药物+抑制炎症药物+低强度激光治疗,三级的治疗方案为注射抗VEGF药物+激光治疗或光动力疗法,四级的治疗方案为注射抗VEGF药物+手术治疗,五级的治疗方案为玻璃体切割手术+口服维生素。
进一步的,数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化,形成知识规则存入所述数据库中。
进一步的,部分手动输入的参数包括患者年龄、患病年龄、遗传因子,其中遗传因子根据三代内老年性黄斑变性患病比例来定义。
进一步的,通过遗传算法GA这一全局优化算法对BP神经网络模型参数进行优化,其中GA参数为:种群大小22,迭代次数40,交叉概率0.42,变异概率0.20;BP神经网络采用三层网络模型,即输入层、隐含层和输出层。
进一步的,GA-BP神经网络诊断模型中BP神经网络采用输入层节点数为16、隐含层节点数为25、输出层节点数为1的三层结构。
进一步的,界面显示模块包括诊断结果显示和治疗方案显示。
运行过程如下:首先,进行知识规则的初始化。数据库将老年黄斑变性现有的经过专家实践和科学分析论证的临床结果进行规则化,形成知识规则存入数据库中,同时对所输入的知识规则进行样本化处理,采用正向推理,通过一定算法实现诊断结果和针对性治疗方案,结果显示给用户。
数据库主要数据包括玻璃膜疣、进行性色素上皮RPE萎缩或脱离、地图状萎缩、黄斑部脉络新生血管典型性CNV、黄斑部脉络新生血管隐匿性CNV、浆液性视网膜色素上皮RPE脱离、渗出、水肿、出血、瘢痕、病龄、年龄、中心视力、遗传因子、血糖、血压。通过大量经过专家认证的临床数据,通过特征提取模块对眼底图像进行预处理、图像分割和特征提取,其中预处理为中值滤波预处理,图像分割采用现有技术中分割技术,比如基于卷积神经网络的分割法等,分割出玻璃膜疣、进行性色素上皮RPE萎缩或脱离、地图状萎缩、黄斑部脉络新生血管典型性CNV、黄斑部脉络新生血管隐匿性CNV、浆液性视网膜色素上皮RPE脱离、渗出、水肿、出血以及瘢痕病灶特征,提取病灶特征向量,建立数据库的知识规则化表,将其作为GA-BP神经网络的输入层数据,对神经网络进行训练,采用正向推理策略,根据用户通过检测单元的数据以及手动输入的数据与知识规则进行匹配,通过GA-BP神经网络诊断模型,推断得出其属于老年黄斑病变的分级结果并给出针对性的治疗方案。
例如,某病人中心视力检测为0.5、55岁、老年黄斑变性病龄为10年,空腹血糖:7.0mmol/L,血压:150/90mmHg,遗传因子为0.4,获取眼底SD-OCT检测、眼底荧光素血管造影FFA、脉络膜血管造影ICGA图像后,经过特征提取模块得到病灶特征向量,通过GA-BP神经网络诊断模型推断得出属于三级老年黄斑变性,其治疗方案为注射抗VEGF药物+激光治疗或光动力疗法;具体而言,还包括,一级的治疗方案为口服抗氧化药物+维生素,二级的治疗方案为口服抗氧化药物+抑制炎症药物+低强度激光治疗,四级的治疗方案为注射抗VEGF药物+手术治疗,五级的治疗方案为玻璃体切割手术+口服维生素。。
还包括为患者建立完整的个人档案,有效监控老年黄斑变性的发展趋势,使患者能够清楚的了解到自己的病情,以提供更加准确的治疗方案。
其中GA-BP神经网络诊断模型具体运行机理如下:
遗传算法(Genetic Algorithm, GA)是1962年由美国Michigan大学的Holland根据达尔文“优胜劣汰、适者生存”的原理机理提出的,它依据孟德尔遗传变异理论,通过对群体内部染色体信息随机交换来寻求更优结构的全局优化搜索算法。遗传算法的一般流程如下:(1)确定编码方式,初始种群(包括种群规模、选择概率、交叉概率和变异概率)及适应度函数,随机生成初始种群;(2)计算个体适应度,判断是否满足收敛标准,若满足,结束计算,则输出得到最优的神经网络权值和阀值;若不满足,则转向第(3)步;(3)依据适应度高低选择个体,适应度高的个体被选中的概率较大;(4)通过对个体之间进行交叉、变异产生新个体;(5)由交叉变异产生的新个体组成的新的种群,返回到(2)步中,继续优化。通过反复比较研究得到GA基本参数及操作方式如表1所示。
表 1 GA基本参数及操作方式
BP神经网络(Back Propagation neural networks) 即前馈式误差反传播神经网络,是应用较为广泛的神经网络之一。BP网络一般包括三层网络结构,即由输入层、隐含层和输出层组成。本文采用三层网络结构。通过已有大量经过专家论证的数据进行训练和模型验证,首先由特征提取模块对数据库中眼底图像的预处理、图像分割和特征提取,提取其中病灶特征向量,输入层的输入变量由玻璃膜疣、进行性色素上皮RPE萎缩或脱离、地图状萎缩、黄斑部脉络新生血管典型性CNV、黄斑部脉络新生血管隐匿性CNV、浆液性视网膜色素上皮RPE脱离、渗出、水肿、出血、瘢痕、病龄、年龄、中心视力、遗传因子、血糖、血压变量组成。经过反复的网络训练学习试验后发现,当隐含层节点数为25时,模型的精度最高。隐含层选择S型函数。本文通过现场数据中的320组训练BP神经网络模型,其余800用来验证模型。模型的建立和预测通过Matlab实现,经反复比较预测值的准确率,最终的到网络最佳参数见表2所示。
表 2 BP神经网络的基本参数表
从表3看出,GA-BP神经网络对老年黄斑变性的诊断准确率高达91%,相对于医生人工诊断63%和BP神经网络的73%,其诊断精度大大提高,可以得出结论:GA-BP神经网络的诊断精度最高,能够用来给实际老年黄斑变性提供很好的参考,能够为后续治疗提供最为准确的指导。
表 3 GA- BP神经网络和人工诊断、BP神经网络诊断精度比较
其中还包括,建立病人个人档案,其中包括病人通过检测模块获取和手动输入的数据,通过特征提取模块、诊疗模块给出具体诊断和治疗建议,并通过界面显示模块显示出来,复诊信息实时存储于个人档案,有效监控疾病的发展趋势,使患者能够清楚的了解到自己的病情,以提供更加准确的治疗方案。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种老年黄斑变性智能诊疗***,其特征在于:由检测模块、无线传输模块、特征提取模块、诊疗模块组成,检测模块包括眼底OCT、眼底荧光素血管造影FFA、脉络膜血管造影、中心视力检测、血糖检测、血压检测,由特征提取模块对OCT、眼底荧光素血管造影FFA、脉络膜血管造影自动提取病灶特征,检测模块得到的数据无线传输模块传输至特征提取模块,并将特征提取数据导入诊疗模块,诊疗模块包括数据库、GA-BP神经网络诊断模型以及界面显示模块,还建立病人个人数据文档,能动态跟踪病情数据给出针对性的治疗方案;
特征提取模块包括分别对眼底OCT、眼底荧光素血管造影FFA、脉络膜血管造影的预处理、图像分割和特征提取,其中预处理为中值滤波预处理,图像分割黄斑和血管区域,特征提取得到玻璃膜疣、进行性色素上皮RPE萎缩或脱离、地图状萎缩、黄斑部脉络新生血管典型性CNV、黄斑部脉络新生血管隐匿性CNV、浆液性视网膜色素上皮RPE脱离、渗出、水肿、出血以及瘢痕病灶特征,提取病灶特征向量,将其作为诊疗模块的部分输入数据;
GA-BP神经网络诊断模型诊断步骤为:将检测模块得到的图像进行特征提取得到病灶特征向量数据结合中心视力、血糖、血压数据,以及部分手动输入的参数,存储于数据库中,对GA-BP神经网络诊断模型进行训练,通过训练好的GA-BP神经网络诊断模型进行推断得出老年黄斑变性分级类别;
部分手动输入的参数包括患者年龄、患病年龄、遗传因子,其中遗传因子根据三代内老年性黄斑变性患病比例来定义;
通过GA-BP神经网络诊断模型对患者患病程度进行诊断后给出相应的治疗方案,老年黄斑变性分级类别分为五级,其中一级为早期干性老年黄斑变性,二级为晚期干性老年黄斑变性,三级为早期湿性老年黄斑变性,四级为中期湿性老年黄斑变性,五级为晚期湿性老年黄斑变性;一级的治疗方案为口服抗氧化药物+维生素,二级的治疗方案为口服抗氧化药物+抑制炎症药物+低强度激光治疗,三级的治疗方案为注射抗VEGF药物+激光治疗或光动力疗法,四级的治疗方案为注射抗VEGF药物+手术治疗,五级的治疗方案为玻璃体切割手术+口服维生素。
2.根据权利要求1所述的老年黄斑变性智能诊疗***,其特征在于:眼底OCT检测、脉络膜血管造影分别为SD-OCT、吲哚青绿血管造影ICGA。
3.根据权利要求2所述的老年黄斑变性智能诊疗***,其特征在于:数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化,形成知识规则存入所述数据库中。
4.根据权利要求1所述的老年黄斑变性智能诊疗***,其特征在于:通过遗传算法GA这一全局优化算法对BP神经网络模型参数进行优化,其中GA参数为:种群大小22,迭代次数40,交叉概率0.42,变异概率0.20;BP神经网络采用三层网络模型,即输入层、隐含层和输出层。
5.根据权利要求1-4任一项所述的老年黄斑变性智能诊疗***,其特征在于: GA-BP神经网络诊断模型中BP神经网络采用输入层节点数为15、隐含层节点数为25、输出层节点数为1的三层结构。
6.根据权利要求1所述的老年黄斑变性智能诊疗***,其特征在于:界面显示模块包括诊断结果显示和治疗方案显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803738.1A CN113243887B (zh) | 2021-07-16 | 2021-07-16 | 一种老年黄斑变性智能诊疗仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803738.1A CN113243887B (zh) | 2021-07-16 | 2021-07-16 | 一种老年黄斑变性智能诊疗仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113243887A CN113243887A (zh) | 2021-08-13 |
CN113243887B true CN113243887B (zh) | 2021-10-22 |
Family
ID=77180476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110803738.1A Active CN113243887B (zh) | 2021-07-16 | 2021-07-16 | 一种老年黄斑变性智能诊疗仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113243887B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113768461B (zh) * | 2021-09-14 | 2024-03-22 | 北京鹰瞳科技发展股份有限公司 | 一种眼底图像分析方法、***和电子设备 |
TWI786862B (zh) * | 2021-10-01 | 2022-12-11 | 明達醫學科技股份有限公司 | 自動眼睛檢測裝置及自動眼睛檢測方法 |
CN116434960B (zh) * | 2023-06-13 | 2023-10-13 | 中国人民解放军总医院 | 一种心源性休克临床决策支持***、设备及可存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8712505B2 (en) * | 2010-11-11 | 2014-04-29 | University Of Pittsburgh-Of The Commonwealth System Of Higher Education | Automated macular pathology diagnosis in three-dimensional (3D) spectral domain optical coherence tomography (SD-OCT) images |
WO2015013632A1 (en) * | 2013-07-26 | 2015-01-29 | The Regents Of The University Of Michigan | Automated measurement of changes in retinal, retinal pigment epithelial, or choroidal disease |
CN108305241B (zh) * | 2017-09-06 | 2021-12-28 | 南京理工大学 | 基于深度投票模型的sd-oct图像ga病变分割方法 |
CN108272434B (zh) * | 2017-12-07 | 2020-06-19 | 柯鑫 | 对眼底图像进行处理的方法及装置 |
CN109903848A (zh) * | 2019-03-04 | 2019-06-18 | 北京大学人民医院(北京大学第二临床医学院) | 关节周围骨折临床智能决策支持*** |
CN109920547A (zh) * | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
CN110037650A (zh) * | 2019-03-26 | 2019-07-23 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 基于卷积神经网络的视网膜oct异常图像分类方法 |
CN110033861B (zh) * | 2019-03-26 | 2021-03-23 | 西安交通大学 | 适用于octa图像的血管及黄斑无血管区定量分析方法及*** |
CN110378877A (zh) * | 2019-06-24 | 2019-10-25 | 南京理工大学 | 基于深度卷积网络模型的sd-oct图像cnv病变检测方法 |
CN110400289B (zh) * | 2019-06-26 | 2023-10-24 | 平安科技(深圳)有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
-
2021
- 2021-07-16 CN CN202110803738.1A patent/CN113243887B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113243887A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113243887B (zh) | 一种老年黄斑变性智能诊疗仪 | |
CN107423571B (zh) | 基于眼底图像的糖尿病视网膜病变识别*** | |
Zhang et al. | A survey on computer aided diagnosis for ocular diseases | |
Huang et al. | Glaucoma detection using adaptive neuro-fuzzy inference system | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
Girard et al. | Artificial intelligence and deep learning in glaucoma: current state and future prospects | |
Hallett et al. | Deep learning based unsupervised and semi-supervised classification for keratoconus | |
Ovreiu et al. | Early detection of glaucoma using residual networks | |
Singh et al. | Collaboration of features optimization techniques for the effective diagnosis of glaucoma in retinal fundus images | |
Hassan et al. | CDC-Net: Cascaded decoupled convolutional network for lesion-assisted detection and grading of retinopathy using optical coherence tomography (OCT) scans | |
Gupta et al. | An efficient model for detection and classification of internal eye diseases using deep learning | |
Zeng et al. | Automated detection of diabetic retinopathy using a binocular siamese-like convolutional network | |
Khalil et al. | A study to identify limitations of existing automated systems to detect glaucoma at initial and curable stage | |
CN113273959B (zh) | 一种便携式糖尿病视网膜病变诊疗仪 | |
Vyas et al. | A survey on automated eye disease detection using computer vision based techniques | |
Thanh et al. | A real-time classification of glaucoma from retinal fundus images using AI technology | |
Nugroho et al. | Convolutional neural network for classifying retinal diseases from OCT2017 dataset | |
Marginean et al. | Low-dimensional Representation of OCT Volumes with Supervised Contrastive Learning | |
Santos-García et al. | Using artificial neural networks to identify glaucoma stages | |
Chaudhary et al. | Glaucoma detection using cross validation algorithm: A comparitive evaluation on rapidminer | |
Mani et al. | An automated hybrid decoupled convolutional network for laceration segmentation and grading of retinal diseases using optical coherence tomography (OCT) images | |
Shuxian | Design of Postoperative Visual Acuity Prediction Program Based on Machine Learning before Cataract Surgery | |
CN117877692B (zh) | 一种视网膜病变个性化差异分析方法 | |
CN113781380B (zh) | 一种鉴别视神经脊髓炎和原发性开角型青光眼的*** | |
Kaur et al. | Diabetic retinopathy detection system (DRDS); A novel GUI based approach for diabetic retinopathy 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |