基于光学相干断层扫描分割的地图样萎缩预后预测的制作方法
本说明书总体针对对地图样萎缩 (ga) 进展的预测。更具体地,本描述提供用于使用深度学习和光学相干断层扫描 (oct) 图像的分割来预测地图样萎缩病灶在未来时间点处的生长区 (rog) 的方法和系统。
背景技术:
1、年龄相关性黄斑变性 (amd) 是 50 岁或以上患者视力丧失的主要原因。地图样萎缩 (ga) 是 amd 的晚期形式。ga 是视网膜的变性,并且可能妨碍日常活动,诸如,例如驾驶、阅读等。ga 的特征在于脉络膜毛细血管、视网膜色素上皮 (rpe) 和光感受器的进行性和不可逆丢失。ga 进展因患者而异,并且目前还不存在广泛接受的用于预防或减缓 ga进展的治疗。因此,评估个体患者的 ga 进展对于研究 ga 和开发有效的治疗可能很重要。
2、光学相干断层扫描 (oct) 可提供视网膜的详细扫描,以帮助比过去可能更早地发现视网膜疾病进展和其他眼科问题。为了调查罹患例如 amd 或 ga 时视网膜的恶化程度,视网膜的 oct 图像(例如,时域光学相干断层扫描 (td-oct) 或频域光学相干断层扫描 (sd-oct) 图像)可以被获取并被用于标识可能与不同退行性疾病水平(例如,amd、ga)相关联的特征。sd-oct 是成像技术,其中光以各种光学频率射向视网膜,并且其中反射光被收集以经由作为频率函数检测到的干涉测量信号来捕获视网膜的二维或三维高分辨率横截面图像。在 sd-oct 图像中捕获的不同特征可以经由视网膜分割来标识,并被用于确定视网膜疾病的严重度,这可能帮助指导疾病的诊断和/或治疗。然而,用于提取、理解和/或解释此类特征的当前可用技术可能会受到冗长的困扰和/或易出错。因此,视网膜疾病调查过程的繁琐性质可能是疾病的诊断和/或治疗的限制因素。因此,期望具有认识到并且考虑到这些问题的一种或多种方法和/或系统。
技术实现思路
1、在一个或多个实施例中,提供一种用于预测未来地图样萎缩 (ga) 病灶生长的基于计算机的方法。接收与第一时间点(例如,第一时刻)相关联的受试者的视网膜的光学相干断层扫描 (oct) 体积。在一个或多个实施例中,由处理器通过网络接收 oct 体积。在一个或多个实施例中,使用处理器实现的分割模型用于生成对应于 oct 体积的分割体积,该分割体积包括多个三维 (3d) 区段。该多个 3d 区段中的至少一个 3d 区段表示包括两个或更多个元素的视网膜元素。该两个或更多个元素中的每个元素为层元素或病理元素。对于该多个 3d 区段的每个 3d 区段,由处理器生成图输出。使用图输出,由处理器为对应的一组生物标志物特征计算与视网膜相关联的一组生物标志物值。使用处理器实现的预测系统用于使用该组生物标志物值或图输出中的至少一者来生成预测输出,该预测输出预测视网膜中的地图样萎缩 (ga) 病灶相对于第一时间点之后的未来时间点(例如,未来时刻)的进展。
2、在一个或多个实施例中,系统包括一个或多个数据处理器;以及非暂时性计算机可读存储介质,该非暂时性计算机可读存储介质包含指令,这些指令当在一个或多个数据处理器上执行时使该一个或多个数据处理器进行本文所描述的方法中的任一种或多种或其部分。
3、在一个或多个实施例中,提供有形地体现在非暂时性机器可读存储介质中的计算机程序产品,该计算机程序产品包括指令,这些指令被配置成使一个或多个数据处理器进行本文所描述的方法中的任一种或多种或其部分。
1.一种基于计算机的方法,其包括:
2. 根据权利要求 1 所述的方法,其中所述 oct 体积经由网络接口通过所述网络从oct 成像系统接收,并且其中经由使用所述处理器实现的所述分割模型来生成所述分割体积包括:
3. 根据权利要求 1 或权利要求 2 所述的方法,其中所述图输出包括针对所述多个3d 区段中的 3d 区段的厚度图或强度投影图中的至少一者。
4. 根据权利要求 1 至 3 中任一项所述的方法,其中所述图输出包括对应于由所述多个 3d 区段表示的视网膜元素或视网膜元素的组合的厚度图或强度投影图中的至少一者。
5. 根据权利要求 4 所述的方法,其中所述一组生物标志物值是通过对应于由所述多个 3d 区段表示的视网膜元素或视网膜元素的组合的所述强度投影图的后处理来计算的。
6. 根据权利要求 1 至 5 中任一项所述的方法,其中所述预测系统包括深度学习模型或统计模型中的至少一者。
7. 根据权利要求 1 至 6 中任一项所述的方法,其中所述预测输出包括预测的生长图像,所述预测的生长图像指示在所述第一时间点与所述未来时间点之间的所述 ga 病灶的生长。
8. 根据权利要求 1 至 7 中任一项所述的方法,其中所述预测输出包括针对所述 ga病灶的预测的生长速率,并且其中所述预测输出包括至少一个特征,所述至少一个特征与将会从所述受试者的所述视网膜的眼底自发荧光 (faf) 图像手动导出的对应特征强烈相关。
9. 根据权利要求 1 至 8 中任一项所述的方法,其中所述一组生物标志物特征包括丢失面积、平均厚度、ga 病灶计数、病灶到达边界的长度、基于形状的特征、基于形态的特征中的至少一者。
10. 根据权利要求 1 至 9 中任一项所述的方法,其中由所述多个 3d 区段中的 3d区段表示的所述视网膜元素包括内界膜 (ilm) 和视网膜神经纤维层 (rnfl)。
11. 根据权利要求 1 至 10 中任一项所述的方法,其中由所述多个 3d 区段中的 3d区段表示的所述视网膜元素包括神经节细胞层 (gcl) 和内丛状层 (ipl)。
12. 根据权利要求 1 至 11 中任一项所述的方法,其中由所述多个 3d 区段中的 3d区段表示的所述视网膜元素包括内核层 (inl) 和外丛状层 (opl)。
13. 根据权利要求 1 至 12 中任一项所述的方法,其中由所述多个 3d 区段中的 3d区段表示的所述视网膜元素包括外界膜 (elm) 和肌样体带 (mz)。
14. 根据权利要求 1 至 13 中任一项所述的方法,其中由所述多个 3d 区段中的 3d区段表示的所述视网膜元素包括亨勒纤维层 (hfl) 和外核层 (onl)。
15. 根据权利要求 1 至 14 中任一项所述的方法,其中由所述多个 3d 区段中的 3d区段表示的所述视网膜元素包括椭圆体带 (ez) 和交错带 (iz)。
16. 根据权利要求 1 至 5 中任一项所述的方法,其中由所述多个 3d 区段中的 3d区段表示的所述视网膜元素为玻璃膜疣+ 类,其在玻璃膜疣存在时包括玻璃膜疣和布鲁赫氏膜并且在 rpe 不存在时包括布鲁赫氏膜。
17. 根据权利要求 1 至 16 中任一项所述的方法,其中经由使用所述处理器实现的所述预测系统来生成所述预测输出包括:
18. 根据权利要求 1 至 17 中任一项所述的方法,其中所述分割模型包括语义分割模型。
19. 根据权利要求 1 至 18 中任一项所述的方法,其中所述多个 3d 区段包括:包括两个或更多个元素的第一视网膜元素和包括两个或更多个元素的第二视网膜元素。
20. 根据权利要求 1 至 19 中任一项所述的方法,其中所述多个 3d 区段包括至少三个视网膜元素,所述至少三个视网膜元素中的每一个包括两个或更多个元素。
21. 根据权利要求 1 至 20 中任一项所述的方法,其进一步包括由所述处理器生成所计算的一组生物标志物值与一组视网膜测量结果之间的一组相关性。
22. 一种系统,其包括:
23. 一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品,其包括指令,所述指令被配置成使一个或多个数据处理器进行根据权利要求 1 至 21 中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com