一种基于卷积循环神经网络的AS-OCT图像的房角分类方法技术

本发明专利技术公开一种基于卷积循环神经网络的AS

【技术实现步骤摘要】
一种基于卷积循环神经网络的AS
‑
OCT图像的房角分类方法


[0001]本专利技术涉及一种基于深度学习的AS
‑
OCT图像的分类方法，属于图像处理领域，不仅可以从单张AS
‑
OCT图像中判断开角和闭角型青光眼，还可以从AS
‑
OCT图像序列中识别动态特征，进而实现准确的开、窄和粘连ACA分类。

技术介绍

[0002]青光眼、白内障和糖尿病视网膜病变合称致盲的“三大杀手”。据统计，在全球范围内，青光眼是第二大致盲性眼科疾病，致盲率仅次于白内障。不仅如此，青光眼也是世界上首位不可逆的眼科疾病，其中，70％青光眼患者将最终失去光明，成为盲人。青光眼的不可逆转性是因为青光眼疾病会导致一系列视神经受损，从而造成视力逐渐衰退或完全丧失的眼疾病。青光眼通常以眼压骤然升高、眼底视神经萎缩和视力大幅度下降作为其显著的生理特征。然而，对于青光眼患者而言，当发现视力大幅下降、很难看清事物时，患者往往已经处于病情的晚期阶段，视野缺损极度严重，病情不可复原。因此，早期的青光眼诊断和治疗对于减缓患者病情的恶化、逆转眼疾的进展十分关键。
[0003]根据眼睛内部前房角(Anterior chamber angle，ACA)的大小，青光眼可分为两种疾病类型：原发性开角型青光眼(Primary open angle glaucoma，POAG)和原发性闭角型青光眼(Primary angle
‑
closure glaucoma，PACG)。POAG是一种由小梁网机能逐渐亢进导致的青光眼；PACG是亚洲的一种主要形式的青光眼，其中虹膜和角膜之间狭窄的ACA阻塞了房水的引流通道，导致眼压升高，导致视神经损害。由于PACG病程较长，发病隐匿，起病初期不易觉察，早期临床诊断困难，因此，ACA的成像和对ACA的准确评估对诊断、及时治疗和减少不可逆视力丧失的风险至关重要。目前为止，原发性青光眼的诊断及评估依赖于房角镜、前节光学相干断层扫描(Anterior Segment Optical Coherence Tomography，AS
‑
OCT)、超声生物显微镜等检查技术和裂隙灯显微镜检查等检查技术。AS
‑
OCT技术是一种无接触、无创的前段结构横断面观察技术，如图1中(a)所示，它能提供角膜、虹膜、ACA等前段结构的清晰横断面；图1中(b)和(c)分别表示一个开的ACA和两个闭合的ACA。
[0004]近年来，利用AS
‑
OCT图像自动地将青光眼分为开、闭角型的研究已经得到开展，准确的角度评估可为指导青光眼不同阶段的临床治疗提供快速诊断工具。目前，Foster等人根据病理过程中提出了一种新的分类方法：国际区域性流行病学眼科学会(International Society of Geographical and Epidemiological Ophthalmology，ISGEO)分类系统。该系统将原发性闭角青光眼分为3个子阶段[9]：可疑原发性前房角关闭(Primary Angle Closure Suspect，PACS)、原发性前房角关闭(Primary Angle Closure，PAC)和PACG。
[0005](1)PACS阶段是指前房角隐窝处房角宽度异常狭窄，其周边虹膜的位置靠近但未接触到小梁网，容易导致原发性前房角关闭。
[0006](2)PAC阶段是前房角隐窝处房角宽度狭窄，并且出现周边虹膜阻塞小梁网的现象：如虹膜周边前粘连、虹膜萎缩、眼压升高等，也具有视乳头、视网膜神经纤维层等视神经损伤的发展趋势。
[0007](3)PACG阶段是指PAC阶段发生了视乳头、视网膜神经纤维层等视神经的损伤。
[0008]根据ISGEO分类系统，临床医生认为原发性闭角型青光眼的疾病发展过程为：先从PACS发展到原发性角闭合(PAC)，再到PACG。具体地说，眼科医生将具有更窄但不接触或不粘连的ACA的眼睛定义为PACS，如图1中(c1)所示；将完全闭合或阻塞的ACA的眼睛称为PAC/PACG，临床上称这种形式的ACA为房角粘连，如图1中(c2)所示。由于房角粘连导致小梁虹膜接触(Trabecular iriscontact，TIC)的存在，因此TIC是确定闭合角诊断的关键特征。PACS期间的手术治疗可以打开周边虹膜和小梁网之间的任何不牢固的粘连。这可能避免或减轻进展为PACG时出现的永久性粘连。因此，准确诊断PACS和PACG，评估周边虹膜与小梁网的动态粘连，是临床医生进一步制定治疗方案的基础。因此，根据AS
‑
OCT将ACA分为开放型、狭窄型和粘连型，对指导青光眼不同阶段的临床治疗具有重要意义。
[0009]目前，ACA角度评估的金标准是用房角镜观察ACA。房角镜检查分为静态和动态房角镜检查。静态检查是指在眼睛没有任何压力的情况下，确定前房室的角度是否关闭。相比之下，动态检查是指故意施加一定程度的压力，以确定静态检查发现的闭合角是窄角还是粘连。眼科医生将房角镜逆时针方向移动，每15
°
做一次标注，标注准确描述了该15
°
扇形区ACA的闭合程度。图2的左图显示了一个示例，其中3
‑
4点钟扇形区域和12
‑
1点钟扇形区域表示这些ACA的手动标注分别为完全闭合角和窄角，而其余ACA为开放角。然而，房角镜检查需要房角镜和病人眼睛之间直接接触，这对病人来说是不舒服的，并且可能使ACA变形，导致错误的结果。
[0010]近年来，所有现有的自动方法都停留在研究开角和闭角的二分类工作。基于AS
‑
OCT成像的开角、窄角和粘连的自动分类很少被探索，虽然它在了解疾病进展方面具有潜在的意义。这是因为仅基于一幅静态AS
‑
OCT图像可能很难区分窄角和全闭角区域。本专利技术受到动态房角镜原理的启发，介绍了一种多序列深度网络，该网络能够从一系列AS
‑
OCT图像中识别出有区别的特征，通过学习在两种不同光照条件下(明亮和黑暗)采集的AS
‑
OCT数据的时间和空间表示来对ACA区域进行分类。以提高从全闭合角和窄角分类的性能。

技术实现思路

[0011]本专利技术提出的算法借助于AS
‑
OCT成像技术，例如由CASIA
‑
2 AS
‑
OCT机器(日本Tomey公司)提供的在15
°
扇形区内捕获11次连续扫描的AS
‑
OCT成像技术，基于深度学习技术将整个3D眼前节结构处理成二维图像序列进行分析。
[0012]本专利技术实现上述目的的技术方案如下：
[0013]一种基于卷积循环神经网络的AS
‑
OCT图像的房角分类方法，其特征在于包括如下步骤：
[0014]1)分别采集黑暗和明亮光照条件下的AS
‑
OCT图像，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积循环神经网络的AS
‑
OCT图像的房角分类方法，其特征在于包括如下步骤：1)分别采集黑暗和明亮光照条件下的AS
‑
OCT图像，得到两个AS
‑
OCT图像序列；2)使用全局扫描对齐方法分别对两个AS
‑
OCT图像序列进行对齐操作；3)采用深度学习分割算法对虹膜进行分割，由虹膜根部确定ACA区域，分别得到黑暗和明亮光照条件下ACA区域的AS
‑
OCT图像序列；4)构建卷积循环神经网络，分别将黑暗和明亮光照条件下ACA区域的AS
‑
OCT图像序列输入卷积循环神经网络，提取二维图像特征，并对两种光照条件下的二维图像特征序列进行动态分析，最后将两种光照条件下获得的动态特征融合并进行ACA分类。2.如权利要求1所述的基于卷积循环神经网络的AS
‑
OCT图像的房角分类方法，其特征在于步骤1)具体包括如下步骤：首先定义一个平移量(Δx，Δy)，其中Δx为水平方向平移，Δy为垂直方向平移，并应用于所有连续的OCT扫描；假设B
i
是参考扫描图像，B
i
与其先前的扫描图像B
i
‑1对齐，使用迭代搜索方法从相邻点迭代搜索进行B
i
和B
i
‑1之间的对齐，直到B
i
和B
i
‑1之间的差达到稳定值，即：假设一个将目标函数最小化的平移量(Δx，Δy)，如下所示：3.如权利要求2所述的基于卷积循环神经网络的AS
‑
OCT图像的房角分类方法，其特征在于所述迭代搜索方法为diamond搜索，采用两种搜索模式，第一种模式是由9个相邻点组成的大型迭代菱形搜索模式LDSP，第二种模式是由5个相邻点组成的小菱形搜索模式SDSP；首先采用LDSP进行搜索，直到B
i
和B
i
‑1之间的差达到最小值；然后使用SDSP进行搜索，确定B
i
和B
i
‑1之间的最佳匹配，即最小差的位置。4.如权利要求1所述的基于卷积循环神经网络的AS
‑
OCT图像的房角分类方法，其特征在于步骤2)采用U
‑
Net算法对虹膜区域进行分割，虹膜根部由分割后的虹膜区域的最左侧或最右侧像素定位得到，虹膜根部为ACA区域的中心。5.如权利要求1所述的基于卷积循环神经网络的AS
...

【专利技术属性】
技术研发人员：郝华颖，赵一天，蒋珊珊，李飞，张秀兰，刘江，
申请(专利权)人：中国科学院宁波材料技术与工程研究所中山大学中山眼科中心，
类型：发明
国别省市：