视网膜血管性疾病光学相干断层成像图像的自动分层研究

作者：许毓鹏; 杜宇辰; 陈凤娥^*

来源：上海交通大学学报 (医学版), 2019, 39(06): 614-613.

• 视网膜血管性疾病
• 光学相干断层成像
• 自动分析算法
• 机器学习
• 计算机视觉

目的·使用无监督机器学习的方法对视网膜血管性疾病的光学相干断层成像(optical coherence tomography,OCT)图像进行分层研究,并与机器内置分层方法比较。方法·标准化采集50例病理性近视脉络膜新生血管(myopic choroidal neovascularization,mCNV)患者以及20例糖尿病性黄斑水肿(diabetic macular edema,DME)患者的OCT图像资料。由专业医师手工标记分层信息建立标准。提出一种基于层间能量最小化的视网膜多层分割方法,将其结果与OCT机器内置分层方法的结果进行比较。利用无标记边界位置误差验证分层方法的准确性。结果·基于层间能量最小化的分层方法将每位患者的视网膜分为5层:内界膜层、神经纤维层下层、外核层上层、椭圆体带上层和Bruch’s层。该方法在整体数据集的平均无标记边界位置误差为(4.831±7.015)μm。在mCNV组视网膜各层的平均无标记边界位置误差为(4.839±16.819)μm,而在DME组视网膜各层的平均无标记边界位置误差为(5.048±9.986)μm,均远低于OCT机器内置分层方法的结果 [mCNV组为(13.638±58.024)μm,DME组为(14.796±45.342)μm]。该方法在视网膜各层分层的准确性均高于OCT机器内置方法。结论·基于层间能量最小化的分层方法可用于不同类型视网膜血管性疾病OCT图像的分层,结果明显优于机器内置分层方法,可拓展用于其他类型视网膜血管性疾病的分层。

• 单位
  上海交通大学