论文部分内容阅读
【目的】探索人工智能在视网膜静脉阻塞(RVO)患者眼底荧光血管造影(FFA)阅片中的应用价值,为RVO患者的临床管理提供人工智能解决方案。首先建立基于RVO患者FFA影像图片的人工智能深度学习神经网络模型,使其自动识别并定量分析无灌注区,自动定位视盘与黄斑位置。其次利用所建人工智能模型定量分析视网膜中央静脉阻塞(CRVO)无灌注区面积与发生新生血管并发症的关系,为CRVO分型诊断提供可靠有效的预测指标。最后利用该模型定位视网膜分支静脉阻塞(BRVO)需激光治疗的具体区域,指导其临床精准靶向激光治疗。【方法】本课题分三部分进行:第一部分建立RVO患者FFA图像深度学习神经网络模型,第二部分及第三部分分别研究其在CRVO及BRVO中的应用价值。1、以海德堡HRA+OCT多功能眼底影像诊断仪55°视野镜头下以黄斑为中心的FFA图像为研究对象,通过前期预实验测试确定图像分割任务为无灌注区、视盘及黄斑。选取170张RVO患眼的FFA图像用于无灌注区分割模型的构建,对170张图像进行标注及预处理后,按照8:1:1比例随机分配为训练集136张、验证集17张、测试集17张。选取505张后极部FFA图像用于视盘黄斑定位模型的构建,对505张图像进行标注及预处理后,按照8:1:1比例随机分配为训练集404张、验证集50张、测试集51张。以全卷积神经网络U-Net网络为框架建立了针对3种目标任务的人工智能图像分割模型。以像素精度(PA)及交并比(Io U)作为无灌注区识别的评价指标,以模型预测的视盘及黄斑中心位置与其实际位置之间的距离作为评价视盘黄斑定位指标。选取同一设备同一视野镜头下正常眼底的红外线图像583张,标注其视盘区域,经统计分析得出正常眼底FFA图像的视盘面积值。2、2017年1月至2018年12月经确诊并行FFA检查的CRVO患者343例343只眼病历资料及FFA图像纳入本研究。追溯其自发病之日起至少12个月发生新生血管事件的风险。利用Photoshop软件对其中行FFA改良五视野检查的327例327只眼CRVO患者图像进行拼图处理。应用所建的基于深度学习的RVO模型,定量分析55°视野后极部FFA图像及改良五视野拼图下的无灌注区面积,采用ROC曲线评价无灌注区面积对CRVO发生新生血管事件的诊断价值,根据约登指数的最大值得出新生血管事件发生的最佳临界值。3、2018年3月至2018年6月经确诊并行FFA检查的50例BRVO患眼的55°视野后极部FFA图像纳入本研究。应用所建的基于深度学习的RVO模型,对所有纳入的BRVO患眼的后极部FFA图像进行无灌注区自动识别,并定位其视盘及黄斑位置。参照治疗增殖性糖尿病视网膜病变(PDR)时全视网膜激光光凝(PRP)的激光禁区,根据自动定位的视盘及黄斑位置确定激光治疗禁区。自动识别的无灌注区范围减去激光治疗禁区即为模型自动预测的需要激光治疗的无灌注区范围。由眼底病专家对模型预测的激光治疗范围进行评估来确定其与实际需要治疗范围是否一致。【结果】1、模型的预测能力:所建模型对无灌注区识别的PA平均值为0.988,Io U平均值为0.909。模型预测的视盘中心与实际视盘中心的距离为11.783±5.657像素。模型预测的黄斑中心与实际黄斑中心的距离为7.616(4.472,13.892)像素。平均每张图像的预测时间约为3.4秒。2、CRVO无灌注区与新生血管事件的关系:55°镜头单视野下FFA图像中,343只CRVO患眼中有26只眼发生了新生血管事件,发生率为7.58%。无灌注区面积诊断CRVO发生新生血管事件的曲线下面积(AUC)为0.889,最佳临界值为20.997DA,灵敏度为0.808,特异度为0.946。改良五视野拼图中,327只CRVO患眼中有23只眼发生了新生血管事件,发生率为7.03%。无灌注区面积诊断CRVO发生新生血管事件的AUC为0.921,最佳临界值为80.834DA,灵敏度为0.783,特异度为0.947。3、模型预测BRVO激光治疗区域的准确性:模型对该50例BRVO图像无灌注区识别的PA为0.911±0.067,Io U为0.875(0.819,0.917)。模型预测的视盘中心与实际视盘中心的距离为15.657±8.061像素。模型预测的黄斑中心与实际黄斑中心的距离为7.343(0,14.079)像素。模型对50例BRVO图像的激光治疗范围预测结果中,有47张图像预测范围与实际需要治疗范围一致,占94%;3张图像预测范围与实际需要治疗范围不一致,占6%。【结论】1、应用全卷积神经网络U-Net网络结构搭建了基于FFA影像图片的识别并定量RVO无灌注区、定位视盘及黄斑中心位置的人工智能深度学习模型。测试结果显示模型性能优秀。2、人工智能与CRVO患者FFA图像的结合可为其分型诊断提供决策依据。55°视野镜头下后极部无灌注区>20DA或改良五视野拼图下无灌注区>80DA可作为CRVO缺血分型的阈值标准。3、人工智能与BRVO患者FFA图像的结合可为临床激光光凝无灌注区划定具体治疗范围,为临床精准靶向激光治疗提供人工智能解决方案。