CN113397475B - 基于oct图像的阿尔茨海默症风险的预测方法、***及介质 - Google Patents

基于oct图像的阿尔茨海默症风险的预测方法、***及介质 Download PDF

Info

Publication number
CN113397475B
CN113397475B CN202110839696.7A CN202110839696A CN113397475B CN 113397475 B CN113397475 B CN 113397475B CN 202110839696 A CN202110839696 A CN 202110839696A CN 113397475 B CN113397475 B CN 113397475B
Authority
CN
China
Prior art keywords
thickness
choroidal
segmentation
retinal
retina
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
Application number
CN202110839696.7A
Other languages
English (en)
Other versions
CN113397475A (zh
Inventor
张成奋
吕彬
王关政
吕传峰
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110839696.7A priority Critical patent/CN113397475B/zh
Publication of CN113397475A publication Critical patent/CN113397475A/zh
Application granted granted Critical
Publication of CN113397475B publication Critical patent/CN113397475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B3/14—Arrangements specially adapted for eye photography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Developmental Disabilities (AREA)
  • Psychology (AREA)

Abstract

本申请涉及基于OCT图像的阿尔茨海默症风险的预测方法、***及介质。所述方法包括：向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码；向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码；检测黄斑中心凹位置；计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。本申请采用Unet网络结构进行视网膜和脉络膜分割和厚度测量，准确度高，构建多因素的患病风险预测模型，能提供更可靠的预测阿尔茨海默症患者的结果。

Description

基于OCT图像的阿尔茨海默症风险的预测方法、***及介质
技术领域
本申请涉及阿尔茨海默症预测技术领域，更为具体来说，本申请涉及基于OCT图像的阿尔茨海默症风险的预测方法、***及介质。
背景技术
阿尔茨海默症(Alzheimer's Disease,AD)是一种由神经***变性引发的进行性痴呆症状，老年者发病率较高，亦称老年痴呆。阿尔茨海默症的临床表现以记忆障碍、认知功能障碍、精神症状以及人格与行为方面的异常为主，其起病缓慢且具有隐匿性，可引起一系列神经精神症状，严重影响着老年患者的身心健康与生活质量。随着我国人口不断的老龄化，AD发病率有逐年增加的趋势。
然而随着改善认知功能药物的出现，早期治疗干预AD症变得十分重要。目前，通过影像学PET扫描检测技术虽然可以在早期诊断病情，但是这种方法由于非常昂贵，很难大面积普及。而另一种通过认知功能筛查量表进行检查的方法，则会受到年龄、教育、性别等的影响，此外躯体状况不佳、情绪障碍、意识不清、受试者不配合等因素均会影响认知检查的结果。
近年来大量研究表明，可以通过眼部视网膜的变化进行阿尔茨海默症的早期检查。与正常人眼相比，AD患者的视网膜和脉络膜会变薄，因此可以将视网膜和脉络膜的相关量化指标作为AD诊断和预测的标志物。光学相干断层扫描(OCT)技术是一种非侵入性的、无创的高精度眼底成像技术，它可以提供高分辨率的视网膜横断面图像。现有的基于OCT图像进行视网膜量化指标提取的方法主要为手动和半自动提取，然而两种方法都存在操作复杂和提取精度不高的缺陷，其结果难以满足用于阿尔茨海默症患病风险预测的精度需求。
发明内容
基于上述问题，本发明目的在于将视网膜和脉络膜的相关量化指标作为阿尔茨海默症诊断和预测的标志物，以黄斑中心凹位置视网膜厚度、脉络膜厚度、年龄、性别等相关指标在Logistic回归模型的基础上，构建多因素的阿尔茨海默症患病风险等级模型。
为实现上述技术目的，本申请提供了一种基于OCT图像的阿尔茨海默症风险的预测方法，包括以下步骤：
向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码；
向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码；
检测黄斑中心凹位置；
计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。
具体地，所述视网膜分割模型和所述脉络膜分割模型均采用Unet网络，所述Unet网络将通道和空间信息混合在一起来提取信息特征。所述Unet网络将通道和空间信息混合在一起来提取信息特征，包括：
对输入Unet网络的眼底OCT图像进行特征提取，获得眼底OCT图像特征图；
对所述眼底OCT图像特征图进行两层卷积操作；
经过两层卷积操作后的结果分别进行空间注意力机制处理和通道注意力机制处理，其中，所述机制处理为特征重标定；
对处理后的特征图进行元素相加，且将所述元素相加后结果与输入步骤中所获得的眼底OCT图像特征图进行残差连接；
最后将残差连接后结果通过ReLu激活函数进行激活。
更具体地，所述Unet网络包括编码层、瓶颈层、解码层和分类器。编码层用于提取图像语义特征，编码层还包括池化层，所述池化层用于实现下采样，扩大神经元感受野以获取高阶语义信息。瓶颈层包括两个卷积层，用于编码器和解码器之间的过渡。解码器包含反卷积层，用于特征重构，而反卷积与池化层用于实现下采样相反可实现上采样，以提高特征图分辨率。分类器包括1*1卷积层和soft-max层，用于产生估计前后背景的概率图，其中1*1卷积的作用是进行通道降维，而soft-max层用于逐像素计算类别概率值。所有卷积层都使用批归一化处理，可以防止梯度暴涨或消失。最后网络经过soft-max层分类器后输出概率图谱，定义OCT图像中哪一个属于视网膜区域，哪一个属于脉络膜区域。
进一步地，将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级的方法为：
Figure BDA0003178372730000041
其中，β0至β4为训练参数，可以在模型训练过程中或后续应用过程中加以优化，x(CT1)、x(CT2)、x(age)、x(sex)分别表示视网膜厚度、脉络膜厚度、年龄和性别。
优选地，所述检测黄斑中心凹位置的方法为：
利用形态学变换与连通域计算提取出视网膜血管主干；
在OCT图像中选取图像中灰度最高的的预设百分比的视盘感兴趣候选域；
在所述视盘感兴趣候选域筛选出距离所述视网膜血管主干的最近亮区作为备用区域；
识别出所述备用区域的视盘中心和视盘半径，在此基础上建立黄斑区域；
在所述黄斑区域建立灰度等高线，确定黄斑中心凹位置。
选择性地，所述视网膜分割模型的训练步骤为：
获取OCT图像训练样本；
配置所述视网膜分割模型的编码层、瓶颈层、解码层和分类器参数；
初始化所述视网膜分割模型的迭代次数；
定义所述视网膜分割模型的损失函数；
将所述OCT图像训练样本输入到所述视网膜分割模型中进行训练；
当训练达到预设迭代次数，终止训练。
再选择性地，所述脉络膜分割模型的训练步骤为：
获取OCT图像训练样本；
配置所述脉络膜分割模型的编码层、瓶颈层、解码层和分类器参数；
初始化所述脉络膜分割模型的迭代次数；
定义所述脉络膜分割模型的损失函数；
将所述OCT图像训练样本输入到所述脉络膜分割模型中进行训练；
当训练达到预设迭代次数，终止训练。
本发明第二方面提供了一种基于OCT图像的阿尔茨海默症风险的预测***，所述***包括：
获取模块，用于获得视网膜区域的分割掩码和脉络膜区域的分割掩码；
检测模块，用于检测黄斑中心凹位置；
计算厚度模块，用于计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
等级预测模块，用于将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。
本发明第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如下步骤：
向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码；
向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码；
检测黄斑中心凹位置；
计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。
本发明第四方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如下步骤：
向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码；
向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码；
检测黄斑中心凹位置；
计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。
本申请的有益效果为：本发明的方法采用Unet网络进行视网膜和脉络膜分割和厚度测量，具有准确度高、鲁棒性高、速度快的优点，在训练过程中可以接受任意尺寸的OCT图像，不用要求所有的训练图像和测试图像具有相同的尺寸，同时其操作过程更加简易，采用端到端的处理方式，能避免由于使用像素块而带来的重复存储和计算卷积的问题，可以大大减少内存的开销和感受野，提高了对视网膜区域和脉络膜区域提取的语义层次。构建以黄斑中心凹位置视网膜厚度、脉络膜厚度、年龄、性别等多因素的患病风险预测模型，能够提供更可靠的预测阿尔茨海默症患者的结果。
附图说明
图1示出了本申请一示例性实施例的方法流程示意图；
图2示出了本申请一示例性实施例的***结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下，将参照附图来描述本申请的实施例。但是应该理解的是，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。对于本领域技术人员来说显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本申请发生混淆，对于本领域公知的一些技术特征未进行描述。
应予以注意的是，这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本申请的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
现在，将参照附图更详细地描述根据本申请的示例性实施例。然而，这些示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施例。附图并非是按比例绘制的，其中为了清楚表达的目的，可能放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
实施例1：
本实施例实施了一种基于OCT图像的阿尔茨海默症风险的预测方法，如图1所示，包括以下步骤：
S101、向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码；
S102、向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码；
S103、检测黄斑中心凹位置；
S104、计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
S105、将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。
视网膜分割模型和脉络膜分割模型均采用一种改进的Unet网络结构，避免了梯度***的问题，简化了学习目标和难度，加快了网络收敛的速度。这里的卷积运算将通道和空间信息混合在一起来提取信息特征，而注意力机制能关注于某个维度提取有意义的特征。在本申请中注意力机制能提取到视网膜和脉络膜的特征。所述Unet网络将通道和空间信息混合在一起来提取信息特征，包括：对输入Unet网络的眼底OCT图像进行特征提取，获得眼底OCT图像特征图；对所述眼底OCT图像特征图进行两层卷积操作；经过两层卷积操作后的结果分别进行空间注意力机制处理和通道注意力机制处理；对处理后的特征图进行元素相加，且将所述元素相加后结果与输入步骤中所获得的眼底OCT图像特征图进行残差连接；最后将残差连接后结果通过ReLu激活函数进行激活。
其中空间注意力机制依据每个像素位置的贡献进行特征重标定，通过1*1卷积和Sigmoid激活函数计算每个像素位置的贡献得到单通道空间注意力掩码，再将空间注意力掩码U与特征图X进行元素相乘。而通道注意力机制依据每个通道的贡献进行特征重标定，依次通过全局平均池化层，1*1卷积和Sigmoid激活函数，对通道依赖性编码得到通道注意力掩码，再将通道注意力掩码与特征图进行元素相乘。
所述改进的Unet网络包括编码层、瓶颈层、解码层和分类器。编码层用于提取图像语义特征，编码层还包括池化层，所述池化层用于实现下采样，扩大神经元感受野以获取高阶语义信息。瓶颈层包括两个卷积层，用于编码器和解码器之间的过渡。解码器包含反卷积层，用于特征重构，而反卷积与池化层用于实现下采样相反可实现上采样，以提高特征图分辨率。分类器包括1*1卷积层和soft-max层，用于产生估计前后背景的概率图，其中1*1卷积的作用是进行通道降维，而soft-max层用于逐像素计算类别概率值。所有卷积层都使用批归一化处理，可以防止梯度暴涨或消失。最后网络经过soft-max层分类器后输出概率图谱，定义OCT图像中哪一个属于视网膜区域，哪一个属于脉络膜区域。视网膜区域的分割掩码和脉络膜区域的分割掩码分别为视网膜分割模型和脉络膜分割模型输出的结果，其尺寸与输入图像分辨率相同，其值为0或1，0表示非视网膜或脉络膜区域，1表示视网膜或脉络膜区域。当然本申请是需要将眼底OCT图像输入到训练好的视网膜分割模型和脉络膜分割模型，而在训练过程中，OCT图像样本按预设比例分为训练样本和验证样本，输入所述训练样本进行训练，每训练一次就用所述验证样本进行验证，当迭代次数达到预设次数时，终止训练。采用改进的Unet网络结构，可以接受任意尺寸的输入图像，不用要求所有的训练图像和测试图像具有相同的尺寸，同时其操作过程更加简易，采用端到端的处理方式，避免由于使用像素块而带来的重复存储和计算卷积的问题，可以大大减少内存的开销和感受野，提高了对视网膜区域和脉络膜区域提取的语义层次。
近年来大量研究表明，可以通过眼部视网膜的变化进行阿尔茨海默症的早期检查。与正常人眼相比，阿尔茨海默症患者的视网膜和脉络膜会发生变薄，因此可以将视网膜和脉络膜的相关量化指标作为阿尔茨海默症诊断和预测的标志物。通过正常人群和60岁以上人群患阿尔茨海默症情况的随访数据，以黄斑中心凹位置视网膜厚度、脉络膜厚度、年龄、性别等相关指标对人群进行分组。视网膜后极部有一直径约2mm的浅漏斗状小凹陷区，称为黄斑，这是由于该区含有丰富的叶黄素而得名。其中央有一小凹为黄斑中心凹，黄斑区无血管，但因色素上皮细胞中含有较多色素，因此在检眼镜下颜色较暗，黄斑中心凹位置可见反光点，称为中心凹反射，它是视网膜上视觉最敏锐的部位。优选地，所述检测黄斑中心凹位置的方法为：利用形态学变换与连通域计算提取出视网膜血管主干；在OCT图像中选取图像中灰度最高的的预设百分比的视盘感兴趣候选域；在所述视盘感兴趣候选域筛选出距离所述视网膜血管主干的最近亮区作为备用区域；识别出所述备用区域的视盘中心和视盘半径，在此基础上建立黄斑区域；在所述黄斑区域建立灰度等高线，确定黄斑中心凹位置。其中，所述预设百分比优选为百分之一。
本申请考虑到老年人的脉络膜厚度会随年龄增长而自然减小，因此在Logistic回归模型的基础上，构建多因素的阿尔茨海默症患病风险等级模型。
阿尔茨海默症患病风险等级模型的公式如下：
Figure BDA0003178372730000121
其中，β0至β4为训练参数，可以在模型训练过程中或后续应用过程中加以优化，x(CT1)、x(CT2)、x(age)、x(sex)分别表示视网膜厚度、脉络膜厚度、年龄和性别。Logistic回归模型是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就可以为胃癌患病指数，自变量就可以包括如年龄、性别、饮食习惯、幽门螺杆菌感染等等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素，同时根据该权值可以根据危险因素预测一个人患癌症的可能性。本申请中用以黄斑中心凹位置视网膜厚度、脉络膜厚度、年龄、性别等重要性的多源因子作为logistic回归模型的参数，作为可变换的实施方式，当然本申请也可以加入其他指标，比如躯体状况不佳、情绪障碍、意识不清、受试者不配合等因素均会不同程度地影响阿尔茨海默症患病预测结果，在模型不断优化的情况下，可以考虑加入其它参数并赋予不一样的权重。特别地，在上述Risk模型达到较好的拟合效果时，能够提供更可靠的预测阿尔茨海默症患者的结果，解决阿尔茨海默症医疗领域的技术难题。
另外，本申请中的视网膜分割模型和脉络膜分割模型均是训练好的，对所述视网膜分割模型的训练步骤为：获取OCT图像训练样本；配置编码层、瓶颈层、解码层和分类器参数；初始化迭代次数；定义损失函数；将所述OCT图像训练样本输入到所述视网膜分割模型中训练；训练达到预设迭代次数，终止训练。对所述脉络膜分割模型的训练步骤为：获取OCT图像训练样本；配置编码层、瓶颈层、解码层和分类器参数；初始化迭代次数；定义损失函数；将所述OCT图像训练样本输入到所述脉络膜分割模型中训练；训练达到预设迭代次数，终止训练。
实施例2：
本实施例实施了一种基于OCT图像的阿尔茨海默症风险的预测方法，包括：
第一步，向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码。
具体地，训练视网膜分割模型的步骤为：获取OCT图像训练样本；配置所述视网膜分割模型的编码层、瓶颈层、解码层和分类器参数；初始化所述视网膜分割模型的迭代次数；定义所述视网膜分割模型的损失函数；将所述OCT图像训练样本输入到所述视网膜分割模型中进行训练；当训练达到预设迭代次数，终止训练。
获取OCT图像训练样本；配置编码层、瓶颈层、解码层和分类器参数；初始化迭代次数；定义损失函数；将所述OCT图像训练样本输入到所述视网膜分割模型中训练；训练达到预设迭代次数，终止训练。
具体地，视网膜分割模型采用一种改进的Unet网络结构，包括编码层、瓶颈层、解码层和分类器。编码层用于提取图像语义特征，编码层还包括池化层，所述池化层用于实现下采样，扩大神经元感受野以获取高阶语义信息。瓶颈层包括两个卷积层，用于编码器和解码器之间的过渡。解码器包含反卷积层，用于特征重构，而反卷积与池化层用于实现下采样相反可实现上采样，以提高特征图分辨率。分类器包括1*1卷积层和soft-max层，用于产生估计前后背景的概率图，其中1*1卷积的作用是进行通道降维，而soft-max层用于逐像素计算类别概率值。所有卷积层都使用批归一化处理，可以防止梯度暴涨或消失。视网膜区域的分割掩码为视网膜分割模型输出的结果，其尺寸与输入图像分辨率相同，其值为0或1，0表示非视网膜，1表示是视网膜区域。
第二步，向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码。
具体地，训练脉络膜分割模型的步骤为：获取OCT图像训练样本；配置所述脉络膜分割模型的编码层、瓶颈层、解码层和分类器参数；初始化所述脉络膜分割模型的迭代次数；定义所述脉络膜分割模型的损失函数；将所述OCT图像训练样本输入到所述脉络膜分割模型中进行训练；当训练达到预设迭代次数，终止训练。
具体地，脉络膜分割模型采用一种改进的Unet网络结构，包括编码层、瓶颈层、解码层和分类器。编码层用于提取图像语义特征，编码层还包括池化层，所述池化层用于实现下采样，扩大神经元感受野以获取高阶语义信息。瓶颈层包括两个卷积层，用于编码器和解码器之间的过渡。解码器包含反卷积层，用于特征重构，而反卷积与池化层用于实现下采样相反可实现上采样，以提高特征图分辨率。分类器包括1*1卷积层和soft-max层，用于产生估计前后背景的概率图，其中1*1卷积的作用是进行通道降维，而soft-max层用于逐像素计算类别概率值。所有卷积层都使用批归一化处理，可以防止梯度暴涨或消失。脉络膜区域的分割掩码分别为脉络膜分割模型输出的结果，其尺寸与输入图像分辨率相同，其值为0或1，0表示非脉络膜区域，1表示是脉络膜区域。
第三步，检测黄斑中心凹位置。
检测黄斑中心凹位置的方法可采用以下步骤：利用形态学变换与连通域计算提取出视网膜血管主干；在OCT图像中选取图像中灰度最高的的预设百分比的视盘感兴趣候选域；在所述视盘感兴趣候选域筛选出距离所述视网膜血管主干的最近亮区作为备用区域；识别出所述备用区域的视盘中心和视盘半径，在此基础上建立黄斑区域；在所述黄斑区域建立灰度等高线，确定黄斑中心凹位置。其中，所述预设百分比优选为百分之一。
第四步，计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度。
第五步，将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。
进一步地，阿尔茨海默症患病风险等级模型的公式如下：
Figure BDA0003178372730000151
其中，β0至β4为训练参数，可以在模型训练过程中或后续应用过程中加以优化，x(CT1)、x(CT2)、x(age)、x(sex)分别表示视网膜厚度、脉络膜厚度、年龄和性别。构建以黄斑中心凹位置视网膜厚度、脉络膜厚度、年龄、性别等多因素的患病风险预测模型，能够提供更可靠的预测阿尔茨海默症患者的结果。
实施例3：
本实施例实施了一种基于OCT图像的阿尔茨海默症风险的预测***，如图2所示，包括：
获取模块301，用于获得视网膜区域的分割掩码和脉络膜区域的分割掩码；
检测模块302，用于检测黄斑中心凹位置；
计算厚度模块303，用于计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
等级预测模块304，用于将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级。
其中，检测模块302的工作原理为：利用形态学变换与连通域计算提取出视网膜血管主干；在OCT图像中选取图像中灰度最高的的预设百分比的视盘感兴趣候选域；在所述视盘感兴趣候选域筛选出距离所述视网膜血管主干的最近亮区作为备用区域；识别出所述备用区域的视盘中心和视盘半径，在此基础上建立黄斑区域；在所述黄斑区域建立灰度等高线，确定黄斑中心凹位置。其中，所述预设百分比优选为百分之一。
等级预测模块304的工作方法为：
Figure BDA0003178372730000171
其中，β0至β4为训练参数，x(CT1)、x(CT2)、x(age)、x(sex)分别表示视网膜厚度、脉络膜厚度、年龄和性别。Logistic回归模型是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断、经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就可以为胃癌患病指数，自变量就可以包括如年龄、性别、饮食习惯、幽门螺杆菌感染等等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素，同时根据该权值可以根据危险因素预测一个人患癌症的可能性。本申请中用以黄斑中心凹位置视网膜厚度、脉络膜厚度、年龄、性别等重要性的多源因子作为logistic回归模型的参数，作为可变换的实施方式，当然作为可变换的实施方式，本申请也可以加入其他指标，比如躯体状况不佳、情绪障碍、意识不清、受试者不配合等因素，来优化等级预测模块。可以在训练等级预测模块过程中附加新的指标，优化各参数和权重。
优选地，对所述基于OCT图像的阿尔茨海默症风险的预测***的各模块需进行整体训练，选择训练数据集；初始化迭代次数与参数；定义模型的损失函数；将所述训练数据集输入到视网膜分割模型和脉络膜分割模型中进行训练；在训练过程中验证目标类别的正确性，不断调整模型的参数，在减小过拟合的条件下提高精度；当迭代次数达到预设次数时，终止训练。OCT图像数据集采集医院临床病例中的OCT图像，由多年从事眼底分析专家标记而来，数据格式优选为DICOM格式。为配合网络训练，还要对OCT图像进行预处理，调整窗宽、窗位使得OCT图像清晰显示，将图像尺寸缩小为256*256以增大每个批次训练图片的数量，采用水平翻转将训练集数据扩充为两倍使得网络训练更充分，对图像进行归一化处理，以加速所述模型的收敛。
接下来请参考图3，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的基于OCT图像的阿尔茨海默症风险的预测方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述基于OCT图像的阿尔茨海默症风险的预测方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于OCT图像的阿尔茨海默症风险的预测方法与***出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于OCT图像的阿尔茨海默症风险的预测方法对应的计算机可读存储介质，请参考图4，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的基于OCT图像的阿尔茨海默症风险的预测方法。
所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
需要说明的是：在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于OCT图像的阿尔茨海默症风险的预测***，其特征在于，所述***包括：
获取模块，用于获得视网膜区域的分割掩码和脉络膜区域的分割掩码；
检测模块，用于检测黄斑中心凹位置；
计算厚度模块，用于计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
等级预测模块，用于将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级；
其中，检测模块在实现检测黄斑中心凹位置时执行：
利用形态学变换与连通域计算提取出视网膜血管主干；
在OCT图像中选取图像中灰度最高的预设百分比的视盘感兴趣候选域；
在所述视盘感兴趣候选域筛选出距离所述视网膜血管主干的最近亮区作为备用区域；
识别出所述备用区域的视盘中心和视盘半径，在此基础上建立黄斑区域；
在所述黄斑区域建立灰度等高线，确定黄斑中心凹位置；
其中，等级预测模块在实现将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级时执行：
Figure FDA0004182227870000021
其中，β0至β4为训练参数，x(CT1)、x(CT2)、x(age)、x(sex)分别表示视网膜厚度、脉络膜厚度、年龄和性别。
2.根据权利要求1所述的基于OCT图像的阿尔茨海默症风险的预测***，其特征在于，获取模块在获得视网膜区域的分割掩码时通过向训练好的视网膜分割模型输入眼底OCT图像获得，获取模块在获得脉络膜区域的分割掩码时通过向训练好的脉络膜分割模型输入眼底OCT图像获得。
3.根据权利要求2所述的基于OCT图像的阿尔茨海默症风险的预测***，其特征在于，所述视网膜分割模型和所述脉络膜分割模型均采用Unet网络，所述Unet网络将通道和空间信息混合在一起来提取信息特征。
4.根据权利要求3所述的基于OCT图像的阿尔茨海默症风险的预测***，其特征在于，所述Unet网络将通道和空间信息混合在一起来提取信息特征，包括：
对输入Unet网络的眼底OCT图像进行特征提取，获得眼底OCT图像特征图；
对所述眼底OCT图像特征图进行两层卷积操作；
经过两层卷积操作后的结果分别进行空间注意力机制处理和通道注意力机制处理，其中，所述机制处理为特征重标定；
对处理后的特征图进行元素相加，且将所述元素相加后结果与输入步骤中所获得的眼底OCT图像特征图进行残差连接；
最后将残差连接后结果通过ReLu激活函数进行激活。
5.根据权利要求2所述的基于OCT图像的阿尔茨海默症风险的预测***，其特征在于，所述视网膜分割模型的训练步骤为：
获取OCT图像训练样本；
配置所述视网膜分割模型的编码层、瓶颈层、解码层和分类器参数；
初始化所述视网膜分割模型的迭代次数；
定义所述视网膜分割模型的损失函数；
将所述OCT图像训练样本输入到所述视网膜分割模型中进行训练；
当训练达到预设迭代次数，终止训练。
6.根据权利要求2所述的基于OCT图像的阿尔茨海默症风险的预测***，其特征在于，所述脉络膜分割模型的训练步骤为：
获取OCT图像训练样本；
配置所述脉络膜分割模型的编码层、瓶颈层、解码层和分类器参数；
初始化所述脉络膜分割模型的迭代次数；
定义所述脉络膜分割模型的损失函数；
将所述OCT图像训练样本输入到所述脉络膜分割模型中进行训练；
当训练达到预设迭代次数，终止训练。
7.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行：
向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码；
向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码；
检测黄斑中心凹位置；
计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级；
其中，将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级的方法为：
Figure FDA0004182227870000041
其中，β0至β4为训练参数，x(CT1)、x(CT2)、x(age)、x(sex)分别表示视网膜厚度、脉络膜厚度、年龄和性别；
其中，所述检测黄斑中心凹位置的方法为：
利用形态学变换与连通域计算提取出视网膜血管主干；
在OCT图像中选取图像中灰度最高的预设百分比的视盘感兴趣候选域；
在所述视盘感兴趣候选域筛选出距离所述视网膜血管主干的最近亮区作为备用区域；
识别出所述备用区域的视盘中心和视盘半径，在此基础上建立黄斑区域；
在所述黄斑区域建立灰度等高线，确定黄斑中心凹位置。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行：
向训练好的视网膜分割模型输入眼底OCT图像，获得视网膜区域的分割掩码；
向训练好的脉络膜分割模型输入眼底OCT图像，获得脉络膜区域的分割掩码；
检测黄斑中心凹位置；
计算黄斑中心凹位置视网膜分割掩码和脉络膜分割掩码上下边界的距离，得到相应位置的视网膜厚度和脉络膜厚度；
将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级；
其中，将所述网膜厚度、所述脉络膜厚度及拍摄眼底OCT图像者的年龄、性别信息输入到优化的多指标Logistic回归模型，得到阿尔茨海默症患病风险等级的方法为：
Figure FDA0004182227870000051
其中，β0至β4为训练参数，x(CT1)、x(CT2)、x(age)、x(sex)分别表示视网膜厚度、脉络膜厚度、年龄和性别；
其中，所述检测黄斑中心凹位置的方法为：
利用形态学变换与连通域计算提取出视网膜血管主干；
在OCT图像中选取图像中灰度最高的预设百分比的视盘感兴趣候选域；
在所述视盘感兴趣候选域筛选出距离所述视网膜血管主干的最近亮区作为备用区域；
识别出所述备用区域的视盘中心和视盘半径，在此基础上建立黄斑区域；
在所述黄斑区域建立灰度等高线，确定黄斑中心凹位置。
CN202110839696.7A 2021-07-23 2021-07-23 基于oct图像的阿尔茨海默症风险的预测方法、***及介质 Active CN113397475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110839696.7A CN113397475B (zh) 2021-07-23 2021-07-23 基于oct图像的阿尔茨海默症风险的预测方法、***及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110839696.7A CN113397475B (zh) 2021-07-23 2021-07-23 基于oct图像的阿尔茨海默症风险的预测方法、***及介质

Publications (2)

Publication Number Publication Date
CN113397475A CN113397475A (zh) 2021-09-17
CN113397475B true CN113397475B (zh) 2023-06-06

Family

ID=77687537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110839696.7A Active CN113397475B (zh) 2021-07-23 2021-07-23 基于oct图像的阿尔茨海默症风险的预测方法、***及介质

Country Status (1)

Country Link
CN (1) CN113397475B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114052675B (zh) * 2021-11-18 2023-08-22 广东电网有限责任公司 一种基于融合注意力机制的脉搏异常判别方法及***
CN116563647B (zh) * 2023-07-05 2023-09-12 深圳市眼科医院(深圳市眼病防治研究所) 年龄相关性黄斑病变图像分类方法及装置
CN116994100B (zh) * 2023-09-28 2023-12-22 北京鹰瞳科技发展股份有限公司 模型训练方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103228200A (zh) * 2010-10-25 2013-07-31 史提芬·维杜纳 阿兹海默症、脑部创伤、黄斑变性与复数神经退化失调及眼病的诊断、预防以及预后侦测视网膜中淀粉样蛋白的装置与方法
CN111565624A (zh) * 2017-11-27 2020-08-21 雷蒂斯派克股份有限公司 用于阿尔茨海默氏病病理的高光谱图像指导的raman眼科成像仪
WO2020259209A1 (zh) * 2019-06-26 2020-12-30 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9872647B2 (en) * 2015-04-17 2018-01-23 The Curators Of The University Of Missouri Detection of early stage alzheimer's disease and mild cognitive impairment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103228200A (zh) * 2010-10-25 2013-07-31 史提芬·维杜纳 阿兹海默症、脑部创伤、黄斑变性与复数神经退化失调及眼病的诊断、预防以及预后侦测视网膜中淀粉样蛋白的装置与方法
CN111565624A (zh) * 2017-11-27 2020-08-21 雷蒂斯派克股份有限公司 用于阿尔茨海默氏病病理的高光谱图像指导的raman眼科成像仪
WO2020259209A1 (zh) * 2019-06-26 2020-12-30 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

Also Published As

Publication number Publication date
CN113397475A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN110120047B (zh) 图像分割模型训练方法、图像分割方法、装置、设备及介质
CN113397475B (zh) 基于oct图像的阿尔茨海默症风险的预测方法、***及介质
Li et al. Fully automated detection of retinal disorders by image-based deep learning
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
Gegundez-Arias et al. A new deep learning method for blood vessel segmentation in retinal images based on convolutional kernels and modified U-Net model
US11263747B2 (en) Detecting avascular areas using neural networks
Ryu et al. A deep learning model for identifying diabetic retinopathy using optical coherence tomography angiography
Fang et al. Adam challenge: Detecting age-related macular degeneration from fundus images
JP2020518915A (ja) 自動眼底画像分析用のシステムおよび方法
Mahmoud et al. An automatic detection system of diabetic retinopathy using a hybrid inductive machine learning algorithm
WO2022028127A1 (zh) 基于人工智能的病理图像处理方法、装置、电子设备及存储介质
Akil et al. Detection of retinal abnormalities in fundus image using CNN deep learning networks
Xiao et al. Automatic non-proliferative diabetic retinopathy screening system based on color fundus image
CN111862009A (zh) 一种眼底oct图像的分类方法及计算机可读存储介质
US11974811B2 (en) Detecting avascular and signal reduction areas in retinas using neural networks
Liu et al. Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets
Jiang et al. MFI-Net: A multi-resolution fusion input network for retinal vessel segmentation
CN112967778A (zh) 基于机器学习的炎症性肠病精准用药方法及***
Richardson et al. Artificial intelligence in dementia
Wang et al. Assessment of stroke risk using MRI-VPD with automatic segmentation of carotid plaques and classification of plaque properties based on deep learning
Jayachandran et al. Multi-dimensional cascades neural network models for the segmentation of retinal vessels in colour fundus images
Li et al. AMD-Net: Automatic subretinal fluid and hemorrhage segmentation for wet age-related macular degeneration in ocular fundus images
Rasheed et al. DDLSNet: A novel deep learning-based system for grading funduscopic images for glaucomatous damage
Sampson et al. Evaluation of focus and deep learning methods for automated image grading and factors influencing image quality in adaptive optics ophthalmoscopy
Yojana et al. OCT layer segmentation using U-Net semantic segmentation and RESNET34 encoder-decoder

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