[发明专利]眼底造影图像无灌注区自动识别及激光光凝区域推荐算法

说明书

本发明属于智能医疗技术领域，具体涉及一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法。针对目前国内外研究未利用AI技术对FFA图像进行无灌注区定量分析，本发明使用55°视野图像的眼底荧光造影机标注RVO患者视网膜无灌注区面积，结合AI强大高效的影像分析判断能力及临床大数据处理能力，追踪RVO患者的自然病程、治疗及预后，实现眼底造影图像的无灌注区面积精准定量分析，并可为激光手术提供规划，且能智能规避视盘黄斑区域。

技术领域

本发明属于智能医疗技术领域，具体涉及一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法。

背景技术

视网膜静脉系统中血栓形成或因炎症而造成相应静脉发生梗阻称为视网膜静脉阻塞(Retinal Vein Occlusion，RVO)，它是仅次于糖尿病视网膜病变的第二大最常见的视网膜血管性疾病，也是造成视力丧失的重要原因。临床上根据阻塞发生部位不同，RVO可分为视网膜中央静脉阻塞(Central Retinal Vein Occlusion，CRVO)及视网膜分支静脉阻塞(Branch Retinal Vein Occlusion，BRVO)。

眼底荧光血管造影(fundus fluorescence angiography，FFA)可用于评估RVO血管阻塞范围、缺血程度和黄斑水肿的类型，是评估视网膜循环状态的重要工具和金标准。缺血性RVO定义，在CRVO为伴有10个视盘面积(disc areas，DA)以上的无灌注区(non-perfusion areas，NPA)，BRVO为伴有5个DA以上的无灌注区。临床上明确分型的重要意义在于缺血型和非缺血型RVO在自然病程、处理方法、治疗的反应及预后方面均不同，而分型的关键在于无灌注区面积的定量分析，因此无灌注区面积的自动识别对于RVO的病情分析及治疗方案选择都是至关重要的。

人工智能简称AI(Artificial Intelligence)是计算机科学的分支，一种能够模拟人类智能行为和思维过程的系统。最早于1956年由被誉为“人工智能之父”的美国人约翰麦卡锡在达特茅斯会议上首次提出。近年来AI在生产生活各个领域的突破主要来自深度学习(Deep Learning)技术，源于人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，是人工智能的核心技术。其概念由被称为“神经网络之父”的Hinton于2006年提出。2012年Hinton教授的研究团队研发的多层卷积神经网络结构，突破性的将图像识别错误率大大降低。这一革命性的技术，让神经网络深度学习飞速跃入了医疗领域。随着大数据时代的到来和计算机硬件的巨大进步，深度学习技术尤其是卷积神经网络，在图像分类、分割、检测等很多任务中相对传统模式识别方法优势显著。

AI+医学影像，是将人工智能技术具体应用在医学影像的诊断上，已报道人工智能涉及了X线、CT、MRI、病理、超声等多种医疗影像，涉及的病种也越来越广，在提高影像判读效率、提高病变诊断准确率方面有着人类无法比拟的优势。基于眼部影像学图像分析是AI在眼科领域应用的关键点。2016年顶级医学期刊JAMA报道，Google团队研发的人工智能诊断技术，根据眼底照片快速诊断糖尿病视网膜病变，灵敏度及特异度均在90％以上，诊断能力已达专家水平。其筛查糖尿病视网膜病变的能力已达专家级。其后，各国研究者基于对眼底彩照、眼前节彩照、OCT及静态视野等眼科影像学图片进行分析处理，利用AI的深度学习算法，对先天性白内障诊治方案、湿性年龄相关性黄斑变性治疗决策、青光眼、早产儿视网膜视网膜病变、孔源性视网膜脱离等方面都有文献报道。但是，目前在视网膜静脉阻塞的FFA影像方面研究未见报道。

发明内容

基于目前国内外研究未利用AI技术对FFA图像进行无灌注区定量分析，本发明使用55°视野图像的眼底荧光造影机标注RVO患者视网膜无灌注区面积，结合AI强大高效的影像分析判断能力及临床大数据处理能力，追踪RVO患者的自然病程、治疗及预后，实现眼底造影图像的无灌注区面积精准定量分析，并可为激光手术提供规划，且能智能规避视盘黄斑区域。

为了达到上述目的，本发明采用了下列技术方案：