SDOCT模态DR与RVO的水肿生物标志物发现方法技术

本发明专利技术公开了一种SDOCT模态DR与RVO的水肿生物标志物发现方法。该方法首先利用收集的SDOCT数据训练深度学习模型，对两种不同视网膜疾病的SDOCT图像进行自动分类。然后利用特征可视化技术，将深度模型在分类决策中的的关注区域以热力图的形式展现，并统计深度模型关注区域的分布情况，据此提出潜在的新的生物标志物以区分该两种疾病，新的生物标志物包括视网膜外层(外界膜(ELM)，椭圆体带(EZ)以及视网膜色素上皮(RPE))断裂率、遮挡率、平均灰度等一组量化特征。最后，对这些量化特征进行统计学分析，将具有强统计学差异(p值小于0.001)的特征作为最终新发现的生物标志物。特征作为最终新发现的生物标志物。特征作为最终新发现的生物标志物。

【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探索。由于这两种疾病的病理生理学不同，因此DR和RVO之间的黄斑水肿形态应该存在差异。如果能找到与黄斑水肿发病机制相关的生物标志物，并进一步观察它是否能反映注射疗效，这可能有助于阐明疾病的病理生理学，从而有助于预测治疗反应并减少不必要的治疗。因此，着力于发现黄斑水肿的疾病特异性(即DR还是RVO)特征，以提升对这两种视网膜疾病的病理机制的理解对后期更好的个体化治疗方案具有重要意义。

技术实现思路

[0005]本专利技术的目的在于提供一种糖尿病性视网膜病变和视网膜静脉阻塞SDOCT图像中黄斑水肿的生物标志物发现方法。
[0006]实现本专利技术目的的技术解决方案为：SDOCT模态DR与RVO的水肿生物标志物发现方法，所述方法包括以下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]步骤4，统计所述关注区域在视网膜中的分布情况；
[0011]步骤5，根据所述分布情况，发现区分DR与RVO的生物标志物。
[0012]进一步地，步骤2中深度分类模型采用深度三维分类模型。
[0013]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：
[0014]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；
[0015]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；
[0016]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；
[0017]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；
[0018]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；
[0019]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
：
[0020][0021]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；
[0022]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。
[0023]进一步地，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。
[0024]进一步地，步骤2
‑
4在训练过程中，还包括在每一轮训练中对输入数据进行数据增广。
[0025]进一步地，步骤3所述对于训练好的深度分类模型，在每折交叉实验的测试集中进行模型验证，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，具体为：
[0026]通过梯度类激活图Grad
‑
CAM获得深度分类模型的注意力图，具体过程包括：
[0027]对于全局平均池化前的最深层图像特征图A∈R
(d,h,w,n)
，其中d,h,w,n分别表示特征图的深、高、宽与通道数，梯度类激活图M
c
表示为：
[0028][0029][0030]其中，c为类别，c∈{1,2}，l
c
为深度模型对c类输入的输出，A
i
为第i个通道的特征图，为第i个通道的特征图中位于(e,a,b)处的像素点；
[0031]将梯度类激活图M
c
上采样至原始SDOCT体数据大小，并采用伪彩色图的方式叠加至原始SDOCT图像，显示出深度分类模型的注意力图，由此获得深度分类模型在分类决策中的关注区域。
[0032]进一步地，步骤4所述统计所述关注区域在视网膜中的分布情况，具体包括：
[0033]筛选出深度分类模型预测正确的分类结果进行类激活图统计；...

【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<...

【专利技术属性】
技术研发人员：陈强，陶余晖，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：