用于创建结构导出的视场先验的机器学习方法与流程

技术特征：
1.一种用于定制视场测试的方法，包括：为患者选择视场测试，所选视场测试具有一个或多个可定义光强度的测试点；获得所述患者的视网膜的生物测量信息；至少部分地基于所述生物测量信息，导出针对所选视场测试的一个或多个所选测试点的相应阈值灵敏度值，每个阈值灵敏度值是预计所述患者以预定成功率看清的光强测量值；并且当对所述患者应用所选视场测试时，使用所导出的阈值灵敏度值确定一个或多个所选测试点的起始强度值。2.根据权利要求1所述的方法，其中，所述生物测量信息至少部分地基于视网膜图像。3.根据权利要求2所述的方法，其中：通过特定成像装置使用特定的成像模态来捕获所述视网膜图像；并且所述成像模态为灰度图、彩色图、红外图、视网膜层厚度图、眼底照相技术、光学相干断层扫描oct、多普勒oct、oct血管造影、和荧光素血管造影中的一者。4.根据权利要求3所述的方法，其中，导出针对所选视场测试的一个或多个所选测试点的所述相应阈值灵敏度值还基于所述特定成像装置的用于特定的所述成像模态的患者年龄特定标准数据。5.根据权利要求2至4中的一项或多项所述的方法，其中，所述阈值灵敏度值的导出至少部分地基于非图像患者特定数据，所述非图像患者特定数据包括患者年龄、民族、和病史中的一者或多者。6.根据权利要求2至5中的一项或多项所述的方法，其中，所述视网膜图像是眼底图像。7.根据权利要求2至5中的一项或多项所述的方法，其中，所述视网膜图像是光学相干断层扫描oct图像。8.根据权利要求7所述的方法，其中，所述oct图像包括正面图像、b扫描图像和体积图像中的一者或多者。9.根据权利要求1至8中的一项或多项所述的方法，其中，该导出至少部分地由机器学习系统提供。10.根据权利要求9所述的方法，其中，所述机器学习系统基于线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、k最近邻、k均值、随机森林、维度降低、和梯度提升中的一者或多者。11.根据权利要求9所述的方法，其中，所述机器学习系统至少部分地建立在包括经训练的神经网络的计算系统内。12.根据权利要求11所述的方法，其中，所述经训练的神经网络的训练包括：收集多个训练数据对，每个训练数据对包括训练输入数据和对应的训练输出数据，所述训练输入数据包括测试患者的视网膜的生物测量信息，并且所述训练输出数据包括来自被给予给所述测试患者的特定视场测试的测试结果；针对所述每个训练数据对，将所述每个训练数据对的所述训练输入数据作为输入提交给神经网络，并且从所述神经网络提供所述每个训练数据对的对应视场测试结果，作为目标输出。13.根据权利要求12所述的方法，其中，所述生物测量信息包括所述测试患者的所述视
网膜的oct扫描。14.根据权利要求12和13中的一项或多项所述的方法，其中，所述训练输入数据包括所述测试患者的身体特征、所述测试患者的人口统计学的标准生物测定数据、和所述测试患者的人口统计学的标准函数数据中的一者或多者。15.根据权利要求14所述的方法，其中：所述身体特征包括所述测试患者的年龄、种族、和病史中的一者或多者；所述标准生物测定数据包括用于所述测试患者的人口统计学的视网膜神经纤维层rnfl厚度、和神经节细胞内丛状层gcipl厚度中的一者或多者；并且所述标准函数数据包括用于所述测试患者的人口统计学的所述特定视场测试的一个或多个标准化初始化参数。16.根据权利要求12至15中的一项或多项所述的方法，其中，所述训练输入数据还包括先验功能视场测试结果和客观视野检查测试结果中的一者或多者。17.根据权利要求11至16中的一项或多项所述的方法，其中，所述经训练的神经网络包括全连接神经网络、卷积神经网络、前馈神经网络、递归神经网络、模块化神经网络、和u-net中的一者或多者。18.根据权利要求11至17中的一项或多项所述的方法，其中：所述经训练的神经网络包括第一类型的第一神经网络，所述第一神经网络与不同于所述第一类型的第二类型的第二神经网络串联；并且用包括图像数据的第一训练输入数据训练所述第一神经网络和所述第二神经网络中的一者，并且用不包括图像数据的第二训练输入数据训练所述第一神经网络和所述第二神经网络中的另一者。19.根据权利要求1至18中的一项或多项所述的方法，其中，所选视场测试是静态自动视野检查测试、动态视野检查测试、和倍频视野检查测试中的一者。20.根据权利要求1至18中的一项或多项所述的方法，其中，所述视场测试是瑞典交互式阈值算法sita、快速sita、更快速sita、和任何基于所述sita的视觉测试中的一者。21.根据权利要求1至15和17至20中的一项或多项所述的方法，其中，针对一个或多个所选测试点的所述相应阈值灵敏度值的导出排除了对所述患者的先验功能视场测试结果的使用。22.根据权利要求1至21中的一项或多项所述的方法，其中，针对所选视场测试的一个或多个所选测试点的所述相应阈值灵敏度值的导出至少部分地基于先前导出的vf测试预测，所述vf测试预测本身基于在比当前获得的所述患者的所述视网膜的所述生物测量信息更早的日期取得的所述患者的所述视网膜的历史生物测量信息。23.一种用于定制功能视场测试的系统，包括：电子处理器；视野计，用于对患者应用视场测试，所述视场测试具有一个或多个可定义光强度的测试点；非暂时性计算机可读存储装置，存储软件指令，所述软件指令在由处理器执行时，使所述电子处理器：获得所述患者的视网膜的生物测量信息；并且
至少部分地基于所述生物测量信息来确定针对所述视场测试的一个或多个所选测试点的相应阈值灵敏度值，每个阈值灵敏度值是预计所述患者以预定成功率看清的光强测量值；其中，当对所述患者应用所述视场测试时，所述视野计使用所确定的阈值灵敏度值确定一个或多个所选测试点的起始强度值。24.根据权利要求23所述的系统，其中，所述生物测量信息至少部分地基于用眼科成像系统获取的视网膜图像。25.根据权利要求23和24中的一项或多项所述的系统，其中，所述电子处理器是机器学习系统的用于确定所述相应阈值灵敏度值的部分。26.根据权利要求23至25中的一项或多项所述的系统，其中，机器学习系统基于线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、k最近邻、k均值、随机森林、维度降低、和梯度增强中的一者或多者。27.根据权利要求23至25中的一项或多项所述的系统，其中，机器学习系统至少部分地建立在包括经训练的神经网络的计算系统内。28.根据权利要求27所述的系统，其中，所述经训练的神经网络的训练包括：收集多个训练数据对，每个训练数据对包括训练输入数据和对应的训练输出数据，所述训练输入数据包括测试患者的视网膜的生物测量信息，并且所述训练输出数据包括来自被给予给所述测试患者的特定视场测试的测试结果；针对所述每个训练数据对，将所述每个训练数据对的所述训练输入数据作为输入提交给神经网络，并且从所述神经网络提供所述每个训练数据对的对应视场测试结果作为目标输出。29.根据权利要求28所述的系统，其中，所述生物测量信息包括所述测试患者的所述视网膜的oct扫描。30.根据权利要求28和29中的一项或多项所述的系统，其中，所述训练输入数据包括所述测试患者的身体特征、所述测试患者的人口统计学的标准生物测定数据、和所述测试患者的人口统计学的标准函数数据中的一者或多者。31.根据权利要求30所述的系统，其中：所述身体特征包括所述测试患者的年龄、种族、和病史中的一者或多者；所述标准生物测定数据包括用于所述测试患者的人口统计学的视网膜神经纤维层rnfl厚度、和神经节细胞内丛状层gcipl厚度中的一者或多者；并且所述标准函数数据包括用于所述测试患者的人口统计学的所述特定视场测试的一个或多个标准化初始化参数。32.根据权利要求28至31中的一项或多项所述的系统，其中，所述训练输入数据还包括一个或多个先验功能视场测试结果。33.根据权利要求27至32中的一项或多项所述的系统，其中，所述经训练的神经网络包括全连接神经网络、卷积神经网络、前馈神经网络、递归神经网络、模块化神经网络、和u-net中的一者或多者。34.根据权利要求27至33中的一项或多项所述的系统，其中：所述经训练的神经网络包括第一类型的第一神经网络，所述第一神经网络与不同于所
述第一类型的第二类型的第二神经网络串联；并且用包括图像数据的第一训练输入数据训练所述第一神经网络和所述第二神经网络中的一者，并且用不包括图像数据的第二训练输入数据训练所述第一神经网络和所述第二神经网络中的另一者。35.根据权利要求23至34中的一项或多项所述的系统，其中，所述视场测试是静态自动视野检查测试、动态视野检查测试和倍频视野检查测试中的一者。36.根据权利要求23至34中的一项或多项所述的系统，其中，所述视场测试是瑞典交互式阈值算法sita、快速sita、更快速sita、和任何基于所述sita的视觉测试中的一者。37.根据权利要求23至31和33至36中的一项或多项所述的系统，其中，对所述相应阈值灵敏度值的确定排除了对所述患者的先验功能视场测试结果的使用。38.根据权利要求23至37中的一项或多项所述的系统，其中，针对所选视场测试的一个或多个所选测试点的所述相应阈值灵敏度值的确定还基于先前确定的阈值灵敏度值，所述先前确定的阈值灵敏度值本身基于在比当前获得的所述患者的所述视网膜的所述生物测量信息更早的日期取得的所述患者的所述视网膜的历史生物测量信息。

技术总结
用于定制视场(VF)测试的系统使用对视网膜图像(12A、12C、12D)训练的机器学习模型(15)，该视网膜图像(12A、12C、12D)包括光学相干断层扫描(OCT)、光学相干断层扫描血管造影(OCTA)、眼底和/或荧光素血管造影图像。在操作中，在准备对患者进行特定的VF测试(13)时，将患者的视网膜图像提交给当前机器模型，该机器模型通过合成患者的VF预测来进行响应。合成的VF可用于在对患者进行特定的VF测试之前优化特定的VF测试。特定的VF测试。特定的VF测试。


技术研发人员：加里
受保护的技术使用者：卡尔蔡司医疗技术股份公司
技术研发日：2020.09.04
技术公布日：2022/4/22