【技术实现步骤摘要】
SDOCT模态DR与RVO的水肿生物标志物发现方法
[0001]本专利技术属于标志物分析
,特别是一种深度学习引导的SDOCT糖尿病性视网膜病变(DR)与视网膜静脉阻塞(RVO)图像黄斑水肿的生物标志物发现方法。
技术介绍
[0002]黄斑水肿为视网膜黄斑区域的积聚液体,可能会导致中度至严重的视力障碍。黄斑水肿可发生于多种临床疾病中,如糖尿病性视网膜病变(DR)、视网膜静脉阻塞(RVO)、老年性黄斑变性和病理性近视等。本专利技术主要关注DR和RVO这两种,它们是发达国家劳动年龄人口视力丧失的两个主要原因。此外,预计在未来30年内,DR和RVO的患病率将大大增加,这将对患者和医疗系统带来沉重的社会经济负担。
[0003]频域光学相干断层成像(SDOCT)技术是一种快速、非侵入式的成像技术,它能够获得高分辨率的三维视网膜图像,并有效地呈现视网膜各组织层的结构及病变的临床病理特征。临床实验表明SDOCT图像能够定量分析视网膜黄斑水肿,是观察黄斑水肿形态特征的最佳成像模态。
[0004]近年来,出现了一些有效的黄斑水肿治疗方法,如抗血管内皮生长因子anti
‑
VEGF治疗和地塞米松眼内植入物。但是,一些黄斑水肿病例对这些治疗的反应不佳,而且黄斑水肿特征与其治疗反应之间的关系仍不清楚,因为黄斑水肿的成因复杂且病理机制尚未被完全理解。目前,大多数研究都集中在发现与DR和RVO患者视力相关的术后因素上。然而,很少有研究试图找到可区分DR和RVO的生物标志物,这意味着黄斑水肿的成因尚未得到充分
【技术保护点】
【技术特征摘要】
1.SDOCT模态DR与RVO的水肿生物标志物发现方法,其特征在于,所述方法包括以下步骤:步骤1,采集糖尿病性视网膜病变DR与视网膜静脉阻塞RVO的SDOCT视网膜图像;所述SDOCT为频域光学相干断层成像;步骤2,构建并训练对DR和RVO的SDOCT视网膜图像进行自动分类的深度分类模型;步骤3,对于训练好的深度分类模型,利用特征可视化技术获取该模型在分类决策中的关注区域;步骤4,统计所述关注区域在视网膜中的分布情况;步骤5,根据所述分布情况,发现区分DR与RVO的生物标志物。2.根据权利要求1所述的SDOCT模态DR与RVO的水肿生物标志物发现方法,其特征在于,步骤2中深度分类模型采用深度三维分类模型。3.根据权利要求2所述的SDOCT模态DR与RVO的水肿生物标志物发现方法,其特征在于,步骤2所述构建并训练对DR和RVO的SDOCT视网膜图像进行自动分类的深度分类模型,具体过程包括:步骤2
‑
1,构建深度分类模型f
θ
,该模型包括依次连接的输入层、残差连接层以及输出层;其中,输入层包括两个三维卷积、批归一化层和ReLU激活操作,用于将特征图通道数由1依次增加到16与32,两个三维卷积的卷积核大小分别为1
×7×
7与3
×1×
1,步长分别为1
×2×
2与1
×1×
1;残差连接层包括四个顺序连接的残差块,残差块输出特征图的通道数依次为32、64、128与256,每个残差块包括两个三维卷积块、批归一化层和ReLU激活操作,每个三维卷积块包括卷积核大小分别为1
×3×
3和3
×1×
1的两个三维卷积操作;将每个残差块的输入以及输入经过卷积操作后的结果进行求和,实现残差连接操作,将求和结果作为残差块的最终输出;其中,第一个残差块不对特征图进行下采样操作,其余三个残差块均对特征图进行两倍下采样操作,下采样操作由大小为1
×3×
3、步长为1
×2×
2与大小为3
×1×
1、步长为2
×1×
1的两个三维卷积实现;输出层包括一个全局平均池化操作与一个全连接层,用于输出最终的分类结果;步骤2
‑
2,基于步骤1采集的图像构建五折交叉验证数据集,包括训练集和测试集;步骤2
‑
3,选取受试者工作特征曲线下面积AUC作为评判模型分类性能指标,同时选取交叉熵损失对分类模型进行监督训练,具体表示为L
ce
:其中,N为每个批量的大小,y
i
表示第i个输入数据的标签,DR为0类,RVO为1类,p
i
表示第i个输入数据预测为DR类的概率;步骤2
‑
4,利用训练集对深度分类模型f
θ
进行训练,直至达到预设训练次数阈值,获得训练好的深度分类模型。4.根据权利要求3所述的SDOCT模态DR与RVO的水肿生物标志物发现方法,其特征在于,步骤2
‑
4在训练过程中,还包括对每幅二维视网膜图像B
‑
scan进行四倍下采样,且在垂直方
向上不进行下采样操作。5.根据权利要求4所述的SDOCT模态DR与RVO的水肿生物标志物发现方法,其特征在于,步骤2<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。