[发明专利]宽场自发荧光图像中患有年龄相关性黄斑变性的患者中地理萎缩模式分割与分类

说明书

一种用于识别眼底自发荧光图像中地理萎缩(GA)表型模式的自动分割和识别系统/方法。混合过程将监督式像素分类器与主动轮廓算法相结合。经训练的机器学习模型(例如SVM或U‑Net)提供初始GA分割/分类，并且其后是Chan‑Vese主动轮廓算法。然后分析GA分割区域的交界区的几何规律性和光强度规律性。至少部分地从这些参数确定GA表型。

技术领域

本发明整体涉及眼科自发荧光图像领域。更具体地，其涉及眼底自发荧光图像中发现的地理萎缩(geographic atrophy，地图状萎缩)区域的分类。

背景技术

年龄相关性黄斑变性(AMD)是工业化国家老年人群失明的最常见原因。地理萎缩(GA)是AMD的一种晚期形式，其特征是光感受器、视网膜色素上皮(RPE)和脉络膜毛细血管层的丧失。估计全球有500万人受到地理萎缩的影响。GA可导致不可逆的视觉功能丧失，并且是约20％的AMD严重视力障碍的原因。迄今为止没有批准的治疗方法来阻碍GA的进展。然而，近年来，在了解GA发病机制方面取得的进展已导致临床试验中的多种潜在疗法。尽管如此，早期识别GA进展对于减缓其影响至关重要。

已显示，异常眼底自发荧光(FAF)图像的不同表型模式有助于识别GA进展。因此，识别GA病变及其表型可能是确定AMD疾病进展和临床诊断的重要因素。使用医务人员目视检查GA病变及其表型的FAF图像是有效的，但耗时。已经开发了一些分割算法来帮助评估GA病变，但其中许多算法是半自动的，需要手动输入来分割GA病变。

本发明的一个目的是提供一种用于量化(quantification)医学图像中GA病变及其表型模式的全自动方法。

本发明的另一个目的是增强GA病变分割算法，其具有识别和分类不同表型模式的能力。

本发明的另一个目的是提供一种用于自动分割和识别宽场FAF图像中GA表型模式的架构(framework)。

发明内容

在一种用于分类(例如识别)眼睛中地理萎缩(GA)的系统/方法中满足了上述目的。例如，GA区域(例如眼底或正面图像中的GA分割)可以被识别为“弥散(diffused)”表型或“带状(banded)”表型。这两种表型均已根据经验确定为高进展率地理萎缩的指示。该系统可以包括眼科诊断装置，诸如用于生成/捕获眼科图像的眼底成像仪或光学相干断层扫描(OCT)装置。替代地，眼科诊断装置可以体现为使用计算机网络(例如互联网)从数据存储访问预先存在的眼科图像的计算机系统。眼科诊断装置用于获取眼底图像。优选地，该图像是眼底自发荧光(FAF)图像，因为在此类图像中GA病变通常更容易辨认。

然后将获取的图像提交给自动GA识别过程，以识别(例如分割)图像中的GA区域。本GA分割方法是完全自动化的，并且可以基于深度学习神经网络。GA分割还可以基于两阶段分割过程，例如将监督式分类器(或像素/图像分割)与主动轮廓算法相结合的混合过程。监督式分类器优选地是机器学习(ML)模型，并且可以实现为支持向量机(SVM)或深度学习神经网络，优选地U-Net型卷积神经网络。这种第一阶段分类器/分割ML模型识别图像中的初始GA区域(病变)，并将结果馈送到主动轮廓算法(active counter algorithm)以进行第二阶段分割。主动轮廓算法可以实现为改进的Chase-Vese分割算法，其中将在第一阶段识别的初始GA区域用作Chase-Vese分割中的起点(例如初始轮廓)。结果是获取的图像的稳健的GA分割。