从视网膜光学纹理分析（rota）图估计视野敏感度的方法和系统与流程-k8凯发

本申请总体上涉及视网膜成像技术，包括使用深度学习技术来基于视网膜的横截面扫描图像或相关的经算法处理的图像估计患者眼睛的视野敏感度(visual fieldsensitivity)的方法和系统。

背景技术：

0、背景

1、诸如青光眼(glaucoma)的眼病经常导致视野缺损(visual field losse)，这对患者的生活质量产生不利影响。光学相干断层扫描(oct)为确定人眼的视神经和黄斑的结构完整性提供了客观的凯发k8ag旗舰厅真人平台的解决方案，而视野检查测试(perimetry test)被应用于检测眼睛视野中的实际功能缺陷。视野检查测试在青光眼、非青光眼性视神经病变、黄斑疾病和许多神经系统疾病的诊断评估中已经变得不可或缺。这种视野检查测试通常被标准化用于视野检查，并提供有价值的信息来评估人眼功能损伤的程度。视野检查测试可以系统地测量患者眼睛的视野中各种位置处的不同光敏感度。然而，视野检查测试必须由验光师管理，并且要求患者在整个测试期间以主观的方式迅速和正确地对视野刺激(perimetric stimuli)做出反应，使得不同患者之间的测量结果不一致。使用更有效、客观和一致的机制来评估患者的视觉功能并检测视野缺陷将是有益的。

技术实现思路

0、概述

1、所公开的实施例包括用于应用机器学习来基于视网膜内层的视网膜光学纹理分析(rota)图估计眼睛的视野敏感度的系统和方法。视网膜包括多个视网膜内层(例如，视网膜神经纤维层(rnfl)、神经节细胞层(gcl)和内丛状层(ipl))。根据由oct设备捕获的视网膜的横截面扫描图像生成rota图，并且该rota图包括关于视网膜内层中的任何一个或一个或更多个相邻视网膜内层的组合的组织组成和光密度的信息。rota图由经训练的深度神经网络(例如，卷积神经网络(cnn))进一步处理，以估计眼睛的视野敏感度。深度神经网络可用于逼近输入变量的任何连续函数，并且可以提供比预定义的曲线模型更好的相关性模型。在一些实施例中，使用包括多对rota图和对应的视野敏感度的训练数据集来训练深度神经网络。使用视野检查测试测量视野敏感度，并在训练深度神经网络的过程中应用该视野敏感度作为基础事实(ground truth)。利用经训练的深度神经网络，即使不进行个体视野检查测试，也可以基于输入rota图来确定眼睛的视野敏感度。通过这些方式，经由rota绘制和后处理从基于oct的扫描图像中有效和准确地确定视野敏感度，这是高度自动化的，并且很少或不涉及验光师或患者的干预。

2、在一个方面，在计算机系统中实现了一种用于评估患者眼睛的视野的方法。该方法包括获得由oct设备捕获的视网膜的多个横截面扫描图像。视网膜具有视网膜内层。该方法还包括根据该多个横截面扫描图像生成视网膜内层的视网膜光学纹理分析(rota)图。rota图包括多个像素，并且rota图的每个像素对应于相应的签名值(signature value)s(也称为光学纹理签名值s)，该签名值s提供关于视网膜内层在相应视网膜位置处的组织组成和光密度的信息。该方法还包括应用机器学习模型来处理视网膜内层的rota图，以确定视网膜的视野敏感度。在一些实施例中，视网膜的视野敏感度包括以下中的一项或更多项：(1)一个或更多个局部视野敏感度值，每个值对应于不同的选定视野位置的局部敏感度水平；(2)指示视网膜的选定区域的区域敏感度水平的一个或更多个区域视野敏感度指数；以及(3)指示视网膜的整体敏感度水平的一个或更多个全局视野敏感度指数。

3、根据本申请的另一方面，一种计算机系统包括一个或更多个处理单元、存储器和存储在存储器中的多个程序。当由一个或更多个处理单元执行时，这些程序使得计算机系统执行如上所述的用于监测患者眼睛的视野的方法。

4、根据本申请的另一方面，非暂时性计算机可读存储介质存储多个程序，该多个程序用于由具有一个或更多个处理单元的计算机系统执行。当由一个或更多个处理单元执行时，这些程序使得计算机系统执行如上所述的用于监测患者眼睛的视野的方法。

技术特征：

1.一种用于评估患者眼睛的视野的计算机实现的方法，包括：

2.根据权利要求1所述的方法，其中，根据所述多个横截面扫描图像生成所述视网膜内层的所述rota图包括：

3.根据权利要求1或2所述的方法，其中，所述视网膜的视野敏感度包括以下中的一项或更多项：

4.根据权利要求3所述的方法，其中，与每个局部视野敏感度值相关联的相应视野位置对应于在所述视网膜的被扫描部分内的视网膜位置或者在所述视网膜的被扫描部分外部的视网膜位置。

5.根据权利要求1-4中任一项所述的方法，其中，应用所述机器学习模型以处理所述视网膜内层的所述rota图以确定视野敏感度包括：

6.根据权利要求1-5中任一项所述的方法，其中，根据多个视野测试图案中选定的一个，所述视网膜的视野敏感度包括对应于预定义数量的视野位置的预定义数量的局部视野敏感度值。

7.根据权利要求1-6中任一项所述的方法，其中，所述机器学习模型是深度神经网络(dnn)模型，并且包括以下中的一项或更多项：

8.根据权利要求1-7中任一项所述的方法，其中：

9.根据权利要求8所述的方法，还包括：

10.根据权利要求1-9中任一项所述的方法，其中，所述视野敏感度包括一个或更多个局部视野敏感度值，并且所述方法还包括：

11.根据权利要求1-10中任一项所述的方法，还包括：

12.根据权利要求1-11中任一项所述的方法，其中，所述视野敏感度包括一个或更多个局部视野敏感度值，并且所述方法还包括：

13.根据权利要求12所述的方法，还包括基于所提取的特征系列中每个特征的相应权重，视觉上突出显示与所述视野敏感度相关的一组一个或更多个视网膜神经纤维束的轨迹，包括：

14.根据权利要求1-13中任一项所述的方法，还包括：

15.根据权利要求14所述的方法，其中：

16.根据权利要求14所述的方法，其中：

17.根据权利要求14所述的方法，其中，所述机器学习模型是包括多个并行dnn头和集成网络的多头深度神经网络(dnn)模型，所述集成网络包括一个或更多个全连接层，并且应用所述机器学习模型包括：

18.根据权利要求1-17中任一项所述的方法，其中，所述视野敏感度包括对应于一个或更多个视野位置的一个或更多个局部视野敏感度值，所述方法还包括：

19.根据权利要求1-18中任一项所述的方法，其中，所述视网膜内层是以下项之一：视网膜神经纤维层、神经节细胞层、内丛状层、所述视网膜神经纤维层和所述神经节细胞层的组合、所述神经节细胞层和所述内丛状层的组合、或所述视网膜神经纤维层、所述神经节细胞层和所述内丛状层的组合。

20.根据权利要求1-19中任一项所述的方法，其中，所述oct设备位于场地，所述方法还包括：

21.根据权利要求1-19中任一项所述的方法，其中，所述oct设备位于场地，并且所述方法还包括：

22.一种计算机系统，包括：

23.一种非暂时性计算机可读介质，其上存储有指令，当由计算机系统的一个或更多个处理器执行时，所述指令使得所述一个或更多个处理器执行根据权利要求1-21中任一项所述的方法。

技术总结
公开的技术使用深度学习技术评估患者眼睛的视野。计算机系统获得由光学相干断层扫描(oct)设备捕获的视网膜的多个横截面扫描图像。视网膜具有视网膜内层。根据多个横截面扫描图像生成视网膜内层的视网膜光学纹理分析(rota)图。rota图包括多个像素，并且该rota图的每个像素对应于相应的光学纹理签名值s，该签名值s提供关于视网膜内层在相应视网膜位置处的组织组成和光密度的信息。计算机系统应用机器学习模型来处理视网膜内层的rota图，以确定视网膜的视野敏感度。

技术研发人员：梁启信,林嘉毅
受保护的技术使用者：目达智能诊断有限公司
技术研发日：
技术公布日：2024/2/8