视网膜图像分析方法和装置制造方法及图纸

本申请提供了诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法和装置。

【技术实现步骤摘要】
【国外来华专利技术】视网膜图像分析方法和装置优先权本申请要求2011年4月7日提交的美国临时专利申请第61/473,027号和2012年1月20日提交的美国临时专利申请第61/588,815号的优先权，特此通过援引将所述申请的内容整体并入本文。
本申请通常涉及用于诊断和/或预测疾病的存在、进展和/或治疗效果的方法和装置。具体而言，本申请涉及诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法和装置。
技术介绍
视网膜彩色图像是全身中直接检查血管及其病理变化的唯一方式。其不仅能反映视网膜疾病，还能反映诸如中风的系统性疾病的风险。大量流行病学研究表明，许多与长期高血压和/或糖尿病相关的视网膜特征与中风的发生率或流行相关。所检测的这些视网膜特征包括视网膜血管直径、小动脉-小静脉交叉压迫(arteriole-venulenipping)、视网膜病等。然而，还存在能为中风患者分类提供更多信息的新的视网膜特征，如血管曲折度、血管不对称性。此外，视网膜特征的相互联系也为非中风患者与中风患者的划分提供了非常重要的信息。我们在临床研究中已经证明，利用视网膜血管曲折度和不对称性以及视网膜特征的相互联系的结果有助于非中风患者与中风患者的划分。除了我们为中风分类手动检测的新的视网膜信息以外，基于分形分析(fractalanalysis)、高阶谱分析(highorderspectralanalysis)以及统计学纹理分析的计算机化自动化分析系统也可以根据对视网膜彩色图像的分析进行非中风患者与中风患者的划分。由自动化系统所获取的数据与临床视网膜特征和其相互联系的关联性良好。利用这种关联性，我们证明，自动化分析系统所能获取的临床重要的特征优于且高于手动操作所能获得的特征。利用可能的临床解释，可以将此扩展至其它眼病。视网膜病变已被证实与许多疾病相关，包括系统性疾病和眼病，所述系统性疾病例如中风、高血压、糖尿病，心血管疾病(包括冠心病和脑血管疾病)，所述眼病例如青光眼、由于早产而导致的视网膜病、视神经乳头水肿、黄斑裂孔以及年龄相关性黄斑退变。许多重要的眼病以及系统性疾病能在视网膜中表现出来。心血管疾病在视网膜中以多种方式表现出来。高血压和动脉粥样硬化使视网膜动脉和静脉直径的比发生变化，所述比称为A/V比。A/V比降低(例如动脉变细以及静脉变宽)与中风风险增加相关[b1]。最近的研究还表明，视网膜动脉和静脉体系的分支模式具有分形特征[b2]。例如，PattonN、AslamT等人认为，视网膜血管图像分析是脑血管疾病的潜在筛查工具。他们提到，分形学提供了视网膜血管树的天然的、全局的、综合的描述，这是因为分形学同时考虑到视网膜血管直径的变化和分支模式的变化。MainsterM.A.和DaxerA.提供了与视网膜血管特征相关的其它研究，他们指出，视网膜动脉和静脉模式的分形维数为1.62+0.05和1.7+0.07，还指出，在视神经盘或视神经盘附近具有新血管形成(NVD)时的视网膜血管模式的分形维数为约1.8，相比之下，对照组为约1.7[b3-4]。然而，MacGillivaryT.J.、DoubalF.N.等人比较了人视网膜血管系统的单分形分析和多重分形分析，并且他们认为，对于检测视网膜血管系统的小变化，多重分形方法更有效。因此，有理由认为，人视网膜血管系统的单分形分析和多重分形分析都是有必要的。因此，相比于经典几何学，分形几何学为眼的解剖学提供了全局性的且更准确的描述。分形模式能表征血管模式如何跨越视网膜，并因此能够提供有关血管模式和视网膜疾病之间关系的信息。最近，HsuW.、LeeM.L.以及WongT.Y.开发了用于自动分析视网膜图像的平台(专利技术)，其包括自动追踪视网膜图像中一个或多个血管的一个或多个路径，并且由此获得的信息可以用于形成医学疾病状态的诊断[b5]。他们还开发了自动化视网膜图像分析系统和/或利用分形分析技术提供诸如高血压的疾病的风险预测。然而，与其它方法相比，追踪血管的方法非常依赖于视网膜图像的质量。同时，限定区域的血管测量在实际应用中缺少灵活性，即图像中的视神经盘必须位于图像的中间，因此如果视神经盘未被置于中间，则可能无法涵盖所有有用信息。此外，某些有用(或部分有用)的非视网膜血管系统相关信息可能会丢失，且更重要的是，几乎所有视网膜图像分析都忽略了血管测量的因子和/或与诸如高阶谱(HOS)和纹理分析有关风险因子的其它因子之间交互作用的效果。AcharyaR.和ChuaC.K.等人已经发现，应用HOS的非线性特征更适合形状检测，因此他们应用这种技术来鉴定糖尿病视网膜病分期[b6]。DobrescuR.和DobrescuM等人应用基于纹理分析和分形分析联合的方法来检测皮肤病变的恶性增殖[b7]。然而，直到现在，仍然没有利用视网膜图像、基于其特征的复合性(即形状、强度、方向性等交互作用)来提供疾病风险预测的综合技术/方法。我们开发了利用视网膜图像的疾病自动检测系统。我们首先由彩色图像产生与糖尿病视网膜病、中风和/或其它疾病相关的所有可能风险因子。这包括来自强度变化方面的一些特征(例如高阶谱、熵等)，以及来自灰度共生矩阵(或Haralick)以及游程长度矩阵纹理特征的一些特征。例如，我们之前用新血管形成检测进行的视网膜血管模式研究已经证明，在某些高阶谱特征和与血管形状相关的特征之间存在很多显著的交互作用。其次，我们存储了所有产生的因子，并应用惩罚监督逻辑回归(penalizedsupervisedlogisticregression)来减少维数(或使用随机森林法(randomforestapproach)来提取重要特征)。该过程用于产生与中风和其它疾病相关的潜在重要特征。接下来我们应用利用广泛线性模型(MIGLM)的多模型推导来选择能产生所有可能的因子以及它们的成对交互作用的最佳模型。最后，我们应用随机森林法评价中风分类性能。利用惩罚监督逻辑回归和MIGLM的优势在于它们的交互式作用保持性质。随机森林法是在高维空间中进行非线性分类的值得考虑的合适方法[b8]。专利技术概述在本文所公开的一方面，提供了诊断和/预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法，包括如下步骤：(a)从所述个体获得视网膜眼底图像；(b)将所述图像转化成灰度图像和/或从所述图像提取血管，从而获得灰度图像和/或血管图像；(c)对所述灰度图像和/或血管图像进行1项或至少2项或更多项分析，并产生一个或多个因子，其中所述1项或至少2项或更多项分析选自：分形分析，统计学纹理分析，高阶谱分析，异常模式分析，及以上的任意组合；以及(d)将由步骤(c)所获得的一个或多个因子与对照的一个或多个因子进行比较，所述因子的改变指示所述个体中疾病的存在、进展和/或治疗效果。在另一方面，提供了产生与个体中视网膜图像改变相关的一个或多个因子的方法，包括如下步骤：(a)从所述个体获得视网膜眼底图像；(b)将所述图像转化为灰度图像和/或从所述图像提取血管，从而获得灰度图像和/或血管图像；以及(c)对所述灰度图像和/或血管图像进行1项或至少2项或更多项分析，并产生一个或多个因子，其中所述1项或至少2项或更多项分析选自：分形分析，统计学纹理分析，高阶谱分析，本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】2011.04.07 US 61/473,027;2012.01.20 US 61/588,8151.用于诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的装置，包括：用于从所述个体获得视网膜眼底图像的图像获取模块；用于将所述图像转化为灰度图像和/或从所述图像获得血管，从而获得所述灰度图像和/或血管图像的转化模块；分析模块，包括用于对灰度图像和/或血管图像进行分析并产生一个或多个因子的统计学纹理分析子模块，其中所述统计学纹理分析子模块被设置为能执行灰度共生矩阵(GLCM)和/或游程长度矩阵(RLM)来获得纹理特征，所述纹理特征包括标准化均匀性、标准化熵、标准化对比度、标准化四阶矩以及标准化游程百分比。2.如权利要求1所述的装置，其中所述分析模块还包括选自以下的1个或2个或3个子模块：分形分析子模块，高阶谱分析子模块，和异常模式分析子模块，用于对灰度图像和/或血管图像进行分析并产生一个或多个因子。3.如权利要求1所述的装置，其中所述装置还包括比较模块，其用于将从所述分析模块获得的因子与对照的因子进行比较。4.如权利要求1所述的装置，其中所述疾病选自糖尿病、心血管疾病、青光眼、早产、视神经乳头水肿、黄斑裂孔和年龄相关性黄斑退变。5.如权利要求1所述的装置，其中所述疾病是高血压、冠心病或脑血管疾病。6.如权利要求1所述的装置，其中所述疾病是中风。7.如权利要求1所述的装置，其中所述疾病是中风，且所述分析模块包括统计学纹理分析子模块和以下中的至少一种子模块：分形分析子模块，高阶谱分析子模块和异常模式分析子模块，用于对灰度图像和/或血管图像进行分析并产生一个或多个因子。8.如权利要求1所述的装置，其中所述疾病是糖尿病，且所述分析模块包括统计学纹理分析子模块和以下中的至少一种子模块：分形分析子模块，高阶谱分析子模块和异常模式分析子模块，用于对灰度图像和/或血管图像进行分析并产生一个或多个因子。9.如权利要求1所述的装置，其中所述转化模块被设置为能执行数学形态学运算和/或二元树复数小波变换技术。10.如权利要求2所述的装置，其中所述分形分析子模块被设置为能执行复数小波方法。11.如权利要求10所述的装置，其中所述分形分析子模块被设置为能执行复数小波领袖多重分形分析。12.如权利要求2所述的装置，其中所述分形分析子模块被设置为能执行多重分形谱分析。13.如权利要求2所述的装置，其中所述分形分析子模块所产生的因子选自SumAverage、ClusterShade、豪斯多夫维数以及以上的任意组合。14.如权利要求2所述的装置，其中所述高阶谱分析子模块产生的高阶谱HOS特征包括100级的熵1HOS特征、160级的熵2HOS特征，40、140和160级的熵3HOS特征，40、140、160和180级的熵相HOS特征，0、20、40、60、100、120、140、160以及180级的熵幅度HOS特征。15.如权利要求2所述的装置，其中所述异常模式分析子模块被设置为能执行基于小波变换的小波算法。16.如权利要求15所述的装置，其中所述异常模式分析子模块被设置为能执行二元树复数小...

【专利技术属性】
技术研发人员：徐仲锳，李作为，李青，
申请(专利权)人：香港中文大学，
类型：
国别省市：