SDOCT模态DR与RVO的水肿生物标志物发现方法

sdoct模态dr与rvo的水肿生物标志物发现方法
技术领域
1.本发明属于标志物分析技术领域，特别是一种深度学习引导的sdoct糖尿病性视网膜病变(dr)与视网膜静脉阻塞(rvo)图像黄斑水肿的生物标志物发现方法。


背景技术：

2.黄斑水肿为视网膜黄斑区域的积聚液体，可能会导致中度至严重的视力障碍。黄斑水肿可发生于多种临床疾病中，如糖尿病性视网膜病变(dr)、视网膜静脉阻塞(rvo)、老年性黄斑变性和病理性近视等。本发明主要关注dr和rvo这两种，它们是发达国家劳动年龄人口视力丧失的两个主要原因。此外，预计在未来30年内，dr和rvo的患病率将大大增加，这将对患者和医疗系统带来沉重的社会经济负担。
3.频域光学相干断层成像(sdoct)技术是一种快速、非侵入式的成像技术，它能够获得高分辨率的三维视网膜图像，并有效地呈现视网膜各组织层的结构及病变的临床病理特征。临床实验表明sdoct图像能够定量分析视网膜黄斑水肿，是观察黄斑水肿形态特征的最佳成像模态。
4.近年来，出现了一些有效的黄斑水肿治疗方法，如抗血管内皮生长因子anti-vegf治疗和地塞米松眼内植入物。但是，一些黄斑水肿病例对这些治疗的反应不佳，而且黄斑水肿特征与其治疗反应之间的关系仍不清楚，因为黄斑水肿的成因复杂且病理机制尚未被完全理解。目前，大多数研究都集中在发现与dr和rvo患者视力相关的术后因素上。然而，很少有研究试图找到可区分dr和rvo的生物标志物，这意味着黄斑水肿的成因尚未得到充分探索。由于这两种疾病的病理生理学不同，因此dr和rvo之间的黄斑水肿形态应该存在差异。如果能找到与黄斑水肿发病机制相关的生物标志物，并进一步观察它是否能反映注射疗效，这可能有助于阐明疾病的病理生理学，从而有助于预测治疗反应并减少不必要的治疗。因此，着力于发现黄斑水肿的疾病特异性(即dr还是rvo)特征，以提升对这两种视网膜疾病的病理机制的理解对后期更好的个体化治疗方案具有重要意义。


技术实现要素：

5.本发明的目的在于提供一种糖尿病性视网膜病变和视网膜静脉阻塞sdoct图像中黄斑水肿的生物标志物发现方法。
6.实现本发明目的的技术解决方案为：sdoct模态dr与rvo的水肿生物标志物发现方法，所述方法包括以下步骤：
7.步骤1，采集糖尿病性视网膜病变dr与视网膜静脉阻塞rvo的sdoct视网膜图像；所述sdoct为频域光学相干断层成像；
8.步骤2，构建并训练对dr和rvo的sdoct视网膜图像进行自动分类的深度分类模型；
9.步骤3，对于训练好的深度分类模型，利用特征可视化技术获取该模型在分类决策中的关注区域；
10.步骤4，统计所述关注区域在视网膜中的分布情况；
11.步骤5，根据所述分布情况，发现区分dr与rvo的生物标志物。
12.进一步地，步骤2中深度分类模型采用深度三维分类模型。
13.步骤2所述构建并训练对dr和rvo的sdoct视网膜图像进行自动分类的深度分类模型，具体过程包括：
14.步骤2-1，构建深度分类模型f
θ
，该模型包括依次连接的输入层、残差连接层以及输出层；
15.其中，输入层包括两个三维卷积、批归一化层和relu激活操作，用于将特征图通道数由1依次增加到16与32，两个三维卷积的卷积核大小分别为1
×7×
7与3
×1×
1，步长分别为1
×2×
2与1
×1×
1；
16.残差连接层包括四个顺序连接的残差块，残差块输出特征图的通道数依次为32、64、128与256，每个残差块包括两个三维卷积块、批归一化层和relu激活操作，每个三维卷积块包括卷积核大小分别为1
×3×
3和3
×1×
1的两个三维卷积操作；将每个残差块的输入以及输入经过卷积操作后的结果进行求和，实现残差连接操作，将求和结果作为残差块的最终输出；其中，第一个残差块不对特征图进行下采样操作，其余三个残差块均对特征图进行两倍下采样操作，下采样操作由大小为1
×3×
3、步长为1
×2×
2与大小为3
×1×
1、步长为2
×1×
1的两个三维卷积实现；
17.输出层包括一个全局平均池化操作与一个全连接层，用于输出最终的分类结果；
18.步骤2-2，基于步骤1采集的图像构建五折交叉验证数据集，包括训练集和测试集；
19.步骤2-3，选取受试者工作特征曲线下面积auc作为评判模型分类性能指标，同时选取交叉熵损失对分类模型进行监督训练，具体表示为l
ce
：
[0020][0021]
其中，n为每个批量的大小，yi表示第i个输入数据的标签，dr为0类，rvo为1类，pi表示第i个输入数据预测为dr类的概率；
[0022]
步骤2-4，利用训练集对深度分类模型f
θ
进行训练，直至达到预设训练次数阈值，获得训练好的深度分类模型。
[0023]
进一步地，步骤2-4在训练过程中，还包括对每幅二维视网膜图像b-scan进行四倍下采样，且在垂直方向上不进行下采样操作。
[0024]
进一步地，步骤2-4在训练过程中，还包括在每一轮训练中对输入数据进行数据增广。
[0025]
进一步地，步骤3所述对于训练好的深度分类模型，在每折交叉实验的测试集中进行模型验证，利用特征可视化技术获取该模型在分类决策中的关注区域，具体为：
[0026]
通过梯度类激活图grad-cam获得深度分类模型的注意力图，具体过程包括：
[0027]
对于全局平均池化前的最深层图像特征图a∈r
(d,h,w,n)
，其中d,h,w,n分别表示特征图的深、高、宽与通道数，梯度类激活图mc表示为：
[0028]
[0029][0030]
其中，c为类别，c∈{1,2}，lc为深度模型对c类输入的输出，ai为第i个通道的特征图，为第i个通道的特征图中位于(e,a,b)处的像素点；
[0031]
将梯度类激活图mc上采样至原始sdoct体数据大小，并采用伪彩色图的方式叠加至原始sdoct图像，显示出深度分类模型的注意力图，由此获得深度分类模型在分类决策中的关注区域。
[0032]
进一步地，步骤4所述统计所述关注区域在视网膜中的分布情况，具体包括：
[0033]
筛选出深度分类模型预测正确的分类结果进行类激活图统计；
[0034]
依据内界膜ilm、外丛状层opl和布鲁赫膜bm，将视网膜区域分为视网膜内层、外层与整层；所述内层为ilm至opl区域，外层为opl至bm区域，整层为ilm至bm区域；
[0035]
统计关注区域在视网膜内层、外层与整层的分布情况。
[0036]
进一步地，步骤5所述根据所述分布情况，发现区分dr与rvo的生物标志物，具体包括：
[0037]
步骤5-1，针对关注区域分布最多的视网膜内层或外层或整层区域，统计该区域中的层断裂率、层遮挡率与平均灰度特征；
[0038]
某区域中视网膜层断裂率、层遮挡率以及平均灰度特征的定义分别为：
[0039][0040][0041]
average grayvalue＝mean(grayvalue[layer
first
：layer
last
])
[0042]
其中，disrupted_layer_num为某层视网膜出现层断裂的图像帧数，obscured_layer_num为某层视网膜出现层遮挡的图像帧数，total_layer_num为一个sdoct体数据中所有帧数，mean表示求平均值操作，grayvalue[layer
first
：layer
last
]表示某区域中第一层layer
first
至最后一层layer
last
间视网膜区域的灰度值；
[0043]
步骤5-2，计算各特征的显著性差异p值，选择具有强显著性差异(p值＜0.001)的特征作为区分dr与rvo的生物标志物。
[0044]
本发明与现有技术相比，其显著优点为：
[0045]
(1)本发明首次给出了一种深度学习指导的糖尿病性视网膜病变与视网膜静脉阻塞sdoct图像中黄斑水肿的生物标志物发现方法，突破了现有技术研究。
[0046]
(2)本发明提取了一组新的临床特征，具体为视网膜外层(外界膜(elm)，椭圆体带(ez)以及视网膜色素上皮(rpe))的断裂率、遮挡率以及灰度，为后续医学研究提供重要参考依据。
[0047]
下面结合附图对本发明作进一步详细描述。
附图说明
[0048]
图1是一个实施例中黄斑水肿的生物标志物发现方法的流程图。
[0049]
图2是一个实施例中深度模型进行疾病分类的关注区域，其中图2中的(a)至(d)分别为rvo体数据，rvo体数据与关注区域，rvo体数据其中一帧b-scan，rvo体数据其中一帧b-scan与关注区域；图2中的(e)至(h)分别为dr体数据，dr体数据与关注区域，dr体数据其中一帧b-scan，dr体数据其中一帧b-scan与关注区域。
[0050]
图3是一个实施例中sdoct视网膜图像层分割结果与视网膜外层断裂与遮挡的示意图，其中图3中的(a)为视网膜内外层示意图，图3中的(b)为外界膜(elm)，椭圆体带(ez)以及视网膜色素上皮(rpe)示意图，图3中的(c)与(d)分别为视网膜外层(elm，ez与rpe)断裂与遮挡示意图。
[0051]
图4是一个实施例中深度模型关注区域的统计结果图，其中图4中的(a)和(b)分别为深度模型在dr与rvo体数据中关注区域的分布情况。
[0052]
图5是一个实施例中视网膜外层(elm，ez与rpe)断裂与遮挡的统计分析结果图，其中图5中的(a)-(e)表示dr与rvo体数据中带有断裂或遮挡的视网膜外层的样本占比情况，依次为带有elm层断裂、ez层断裂、elm层遮挡、ez层遮挡以及rpe层遮挡体数据的占比，图5中的(f)-(j)为外层断裂率与遮挡率的分布直方图，依次为elm层断裂率、ez层断裂率、elm层遮挡率、ez层遮挡率以及rpe层遮挡率的直方图。需要注意的是，由于在dr与rvo组中没有观察到rpe层断裂的现象，所以rpe层的断裂率没有进行展示。此外，仅将带有断裂或遮挡视网膜外层的样本在直方图中进行统计。
[0053]
图6是一个实施例中elm层至rpe层之间灰度值的统计分析结果图，分别以散点图(a)、直方图(b)以及箱线图(c)的方式进行展示。
具体实施方式
[0054]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0055]
在一个实施例中，提出了一种深度学习引导的sdoct糖尿病性视网膜病变dr与视网膜静脉阻塞rvo图像黄斑水肿的生物标志物发现方法，结合图1，包括以下步骤：
[0056]
步骤1，采集糖尿病性视网膜病变dr与视网膜静脉阻塞rvo的sdoct视网膜图像。
[0057]
这里，采用现有的oct成像设备(carl zeiss meditec)对视网膜图像进行采集。如图2所示，sdoct视网膜图像体数据的尺寸为1024
×
512
×
128，分别对应视网膜黄斑中央附近2mm(轴向z)
×
6mm(水平方向x)
×
6mm(垂直方向y)的区域，每个sdoct体数据共包含128幅二维视网膜图像(b-scan,xz平面)，其尺寸大小为1024
×
512。
[0058]
步骤2，构建并训练对dr和rvo的sdoct视网膜图像进行自动分类的深度分类模型。具体过程包括：
[0059]
步骤2-1，构建分类模型f
θ
，该模型包括依次连接的输入层、残差连接层以及输出层，共包含18层卷积层、1个全连接层和1个全局池化层，深度模型具体参数如表1所示。
[0060]
表1分类模型参数表
[0061][0062]
其中，输入层包含两个三维卷积-批归一化层-relu激活操作，将特征图通道数由1依次增加到16与32，卷积核大小分别为1
×7×
7与3
×1×
1(顺序依次对应特征图的深度、高度和宽度方向)，步长分别为1
×2×
2与1
×1×
1；
[0063]
残差连接层包含四个顺序连接的残差块，残差块输出特征图的通道数依次为32、64、128与256，每个残差块包含两个三维卷积块-批归一化层-relu激活操作，每个三维卷积块包含一个1
×3×
3和3
×1×
1的两个三维卷积操作，将每个残差块的输入以及输入经过卷积操作的结果进行求和，实现残差连接操作，将求和结果作为残差块的最终输出。第一个残差块不对特征图进行下采样操作(深度、高度与宽度方向)，后三个残差块均对特征图进行两倍下采样操作，下采样操作由大小为1
×3×
3、步长为1
×2×
2与大小为3
×1×
1、步长为2
×1×
1的两个三维卷积实现；
[0064]
输出层包含一个全局平均池化操作与一个全连接层，输出最后的分类结果。
[0065]
步骤2-2，依据病人独立原则构建五折交叉验证数据集，即训练集中存在的病人不会出现在测试集中，并按4:1的比例随机划分sdoct体数据，分别作为训练集和测试集。
[0066]
步骤2-3，选取受试者工作特征曲线下面积(auc)作为评判模型分类性能指标，选取交叉熵损失对分类模型进行监督训练，具体表示为：
[0067][0068]
其中，n为每个批量的大小，yi表示输入数据的标签，dr为0类，rvo为1类，pi表示输入数据预测为dr类的概率。
[0069]
步骤2-4，利用训练集对分类模型进行训练，直至达到预设训练次数阈值，获得训练好的深度分类模型。
[0070]
这里，选取在测试集上auc值最高的模型作为每一折实验最终模型。
[0071]
这里，考虑硬件因素的限制，在训练阶段，将每幅b-scan下采样至266
×
138(四倍下采样)，为保留三维信息，本发明在垂直方向不进行下采样操作，得到的体数据大小为266
×
138
×
128。
[0072]
这里，在训练阶段，在每一轮训练中对输入数据进行数据增广。优选地，本发明采取的数据增广方式为随机裁剪与随机旋转，进一步将下采样后的sdoct体数据随机裁剪至256
×
128
×
128大小，并沿着xz平面从-15
°
至15
°
随机选取一角度对体数据进行旋转。
[0073]
本发明在每折进行100轮次模型训练，小批量大小选择为4，优化器选择为adam优化器，学习率保持为0.0005。在测试阶段，直接将原始sdoct体数据下采样至256
×
128
×
128大小，而不进行额外的数据增广方式。
[0074]
步骤3，对于已训练好的深度模型，在每折交叉实验的测试集中进行模型验证，利用特征可视化技术获取模型在分类决策中的关注区域。
[0075]
本发明采取梯度类激活图grad-cam，以得到深度模型的注意力图。
[0076]
具体地：对于全局平均池化前的最深层图像特征图a∈r
(d,h,w,n)
，其中d,h,w,n分别表示特征图的深、高、宽与通道数，梯度类激活图mc(c为类别，c∈{1,2})可表示为：
[0077][0078][0079]
其中，lc为深度模型对c类输入的输出，为第i个通道的特征图上位于(e，a，b)处的像素点。
[0080]
将梯度类激活图mc上采样至原始sdoct体数据大小，并采用伪彩色图的方式叠加至原始sdoct图像，显示出深度模型的注意力图，如图2(b)，(d)，(f)，(h)所示。
[0081]
步骤4，对步骤3所获得的模型关注区域进行统计。由于类激活图结果与模型预测类别相关，而深度模型可能会错误预测分类结果，因此本发明中仅对模型预测正确的分类结果进行类激活图统计。如图3(a)所示，依据内界膜(ilm)、外丛状层(opl)和布鲁赫膜(bm)，将视网膜区域分为视网膜内层(ilm至opl区域)、外层(opl至bm区域)与整层(ilm至bm区域)，统计关注区域在视网膜内层、外层与整层的分布情况，统计结果如图4所示。
[0082]
步骤5，根据步骤4获得的深度模型关注区域统计结果，发现可区分dr与rvo的潜在生物标志物，包括断裂率、遮挡率、平均灰度等一组量化特征。
[0083]
根据统计结果，发现深度模型大多关注于视网膜外层。本发明据此进一步统计视网膜外层(外界膜(elm)，椭圆体带(ez)以及视网膜色素上皮(rpe))断裂率、遮挡率与灰度等特征在这两种疾病上的差异，特征定性描述在图3中展示。定量统计上述特征后，采取非参数检验方法mann-whitney u test计算显著性差异p值，以体现新发现的生物标志物在dr与rvo间存在差异性，统计分析结果在图5和图6中展示(p值小于0.05认为有显著性差异，小于0.001认为具有强显著性差异)。
[0084]
某一视网膜层的断裂率定义为一个sdoct体数据中出现层断裂的图像帧数与所有帧数的比值，类似地，视网膜层的遮挡率定义为一个sdoct体数据中出现层遮挡的图像帧数与所有帧数的比值。某一层视网膜断裂率(disrupted rate)、遮挡率(obscured rate)以及平均灰度(average grayvalue)特征具体定义为：
[0085][0086][0087]
average grayvalue＝mean(grayvalue[elm：rpe])
[0088]
其中，disrupted_layer_hum为某层视网膜出现层断裂的图像帧数，obscured_layer_hum为某层视网膜出现层遮挡的图像帧数，total_layer_hum为一个体数据中所有帧数，mean表示求平均值操作，grayvalue[elm：rpe]表示elm层至rpe层间视网膜区域的灰度值。
[0089]
作为一种具体示例，在其中一个实施例中，对本发明进行进一步验证说明。
[0090]
本发明以sdoct视网膜体数据作为输入，采用深度学习模型和统计分析手段对糖尿病性视网膜病变dr和视网膜静脉阻塞rvo进行黄斑水肿的生物标志物发现。
[0091]
本实施例，通过oct成像设备采集到的sdoct视网膜体数据大小为1024
×
512
×
128，图2中的(a)和(e)分别为rvo和dr的一个sdoct体数据，图2中的(c)和(g)分别为来自该两个体数据的一帧b-scan。图3中的(a)为视网膜三层层分割结果，从上到下三层分别为内界膜(ilm)，外丛状层(opl)和布鲁赫膜(bm)，此三层将视网膜区域(tr)分为视网膜内层(ir)和视网膜外层(or)。
[0092]
将三维sdoct体数据输入至深度分类模型进行模型训练，模型训练完成后，利用特征可视化技术对模型分类决策依据进行可视化。如图2中的(b)和(f)所示，分类模型关注于视网膜外层结构，在图2中的(d)和(h)中进一步给出了模型在二维层面的关注区域可视化结果。接着，对模型的关注区域进行统计分析，统计结果如图4所示，可以发现深度模型在分类决策过程中更多地关注于视网膜外层，其中模型关注85％的dr组体数据的视网膜外层，69％的rvo体数据的视网膜外层。
[0093]
基于深度模型的关注区域，本发明进一步统计视网膜的一组临床参数，如视网膜外层(外界膜(elm)，椭圆体带(ez)以及视网膜色素上皮(rpe))断裂率、遮挡率与灰度。elm，ez以及rpe的层分割结果如图3中的(b)所示，层断裂和层遮挡的定性描述分别如图3中的(c)和(d)所示。层断裂和层遮挡的定量分析比较如图5所示，可以发现elm层以及ez层的断裂在dr组和rvo组中不具有显著性差异，p值分别为0.246和0.734，而elm、ez以及rpe层的遮挡在dr组和rvo组中具有显著性差异，p值均小于0.001；在rvo组中外三层遮挡情况更严重。elm层至rpe层的平均灰度统计如图6所示，本发明发现此特征在dr组和rvo组间具有显著差异，p值小于0.001；在rvo组中平均灰度较dr组相比较低。最终，选取elm层、ez层以及rpe层遮挡与elm层至rpe层平均灰度作为可区分dr和rvo的新生物标志物。
[0094]
综上，本发明基于深度学习模型关注区域的分布情况，发现新的生物标志物并提取出一组临床特征，经统计方法进行验证以及筛选，证实了筛选后的特征在dr和rvo中具有显著性差异，验证了本发明提出的基于深度学习模型指导dr和rvo黄斑水肿生物标志物发
现的可行性。
[0095]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，所述方法包括以下步骤：步骤1，采集糖尿病性视网膜病变dr与视网膜静脉阻塞rvo的sdoct视网膜图像；所述sdoct为频域光学相干断层成像；步骤2，构建并训练对dr和rvo的sdoct视网膜图像进行自动分类的深度分类模型；步骤3，对于训练好的深度分类模型，利用特征可视化技术获取该模型在分类决策中的关注区域；步骤4，统计所述关注区域在视网膜中的分布情况；步骤5，根据所述分布情况，发现区分dr与rvo的生物标志物。2.根据权利要求1所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤2中深度分类模型采用深度三维分类模型。3.根据权利要求2所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤2所述构建并训练对dr和rvo的sdoct视网膜图像进行自动分类的深度分类模型，具体过程包括：步骤2-1，构建深度分类模型f
θ
，该模型包括依次连接的输入层、残差连接层以及输出层；其中，输入层包括两个三维卷积、批归一化层和relu激活操作，用于将特征图通道数由1依次增加到16与32，两个三维卷积的卷积核大小分别为1
×7×
7与3
×1×
1，步长分别为1
×2×
2与1
×1×
1；残差连接层包括四个顺序连接的残差块，残差块输出特征图的通道数依次为32、64、128与256，每个残差块包括两个三维卷积块、批归一化层和relu激活操作，每个三维卷积块包括卷积核大小分别为1
×3×
3和3
×1×
1的两个三维卷积操作；将每个残差块的输入以及输入经过卷积操作后的结果进行求和，实现残差连接操作，将求和结果作为残差块的最终输出；其中，第一个残差块不对特征图进行下采样操作，其余三个残差块均对特征图进行两倍下采样操作，下采样操作由大小为1
×3×
3、步长为1
×2×
2与大小为3
×1×
1、步长为2
×1×
1的两个三维卷积实现；输出层包括一个全局平均池化操作与一个全连接层，用于输出最终的分类结果；步骤2-2，基于步骤1采集的图像构建五折交叉验证数据集，包括训练集和测试集；步骤2-3，选取受试者工作特征曲线下面积auc作为评判模型分类性能指标，同时选取交叉熵损失对分类模型进行监督训练，具体表示为l
ce
：其中，n为每个批量的大小，y
i
表示第i个输入数据的标签，dr为0类，rvo为1类，p
i
表示第i个输入数据预测为dr类的概率；步骤2-4，利用训练集对深度分类模型f
θ
进行训练，直至达到预设训练次数阈值，获得训练好的深度分类模型。4.根据权利要求3所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤2-4在训练过程中，还包括对每幅二维视网膜图像b-scan进行四倍下采样，且在垂直方
向上不进行下采样操作。5.根据权利要求4所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤2-4在训练过程中，还包括在每一轮训练中对输入数据进行数据增广。6.根据权利要求5所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，所述数据增广的方式包括随机裁剪和随机旋转。7.根据权利要求3所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤3所述对于训练好的深度分类模型，利用特征可视化技术获取该模型在分类决策中的关注区域，具体为：通过梯度类激活图grad-cam获得深度分类模型的注意力图，具体过程包括：对于全局平均池化前的最深层图像特征图a∈r
(d,h,w,n)
，其中d,h,w,n分别表示特征图的深、高、宽与通道数，梯度类激活图m
c
表示为：表示为：其中，c为类别，c∈{1,2}，l
c
为深度模型对c类输入的输出，a
i
为第i个通道的特征图，为第i个通道的特征图中位于(e,a,b)处的像素点；将梯度类激活图m
c
上采样至原始sdoct体数据大小，并采用伪彩色图的方式叠加至原始sdoct图像，显示出深度分类模型的注意力图，由此获得深度分类模型在分类决策中的关注区域。8.根据权利要求2所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤4所述统计所述关注区域在视网膜中的分布情况，具体包括：筛选出深度分类模型预测正确的分类结果进行类激活图统计；依据内界膜ilm、外丛状层opl和布鲁赫膜bm，将视网膜区域分为视网膜内层、外层与整层；所述内层为ilm至opl区域，外层为opl至bm区域，整层为ilm至bm区域；统计关注区域在视网膜内层、外层与整层的分布情况。9.根据权利要求8所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤5所述根据所述分布情况，发现区分dr与rvo的生物标志物，具体包括：步骤5-1，针对关注区域分布最多的视网膜内层或外层或整层区域，统计该区域中的层断裂率、层遮挡率与平均灰度特征；某区域中视网膜层断裂率、层遮挡率以及平均灰度特征的定义分别为：某区域中视网膜层断裂率、层遮挡率以及平均灰度特征的定义分别为：average grayvalue＝meab(grayvalue[layer
first
:layer
last
])其中，disrupted_layer_num为某层视网膜出现层断裂的图像帧数，obscured_layer_num为某层视网膜出现层遮挡的图像帧数，total_layer_num为一个sdoct体数据中所有帧
数，mean表示求平均值操作，grayvalue[layer
first
:layer
last
]表示某区域中第一层layer
first
至最后一层layer
last
间视网膜区域的灰度值；步骤5-2，计算各特征的显著性差异p值，选择p值＜0.001的特征作为区分dr与rvo的生物标志物。10.根据权利要求9所述的sdoct模态dr与rvo的水肿生物标志物发现方法，其特征在于，步骤5-2具体采用非参数检验方法mann-whitney u test计算显著性差异p值。

技术总结
本发明公开了一种SDOCT模态DR与RVO的水肿生物标志物发现方法。该方法首先利用收集的SDOCT数据训练深度学习模型，对两种不同视网膜疾病的SDOCT图像进行自动分类。然后利用特征可视化技术，将深度模型在分类决策中的的关注区域以热力图的形式展现，并统计深度模型关注区域的分布情况，据此提出潜在的新的生物标志物以区分该两种疾病，新的生物标志物包括视网膜外层(外界膜(ELM)，椭圆体带(EZ)以及视网膜色素上皮(RPE))断裂率、遮挡率、平均灰度等一组量化特征。最后，对这些量化特征进行统计学分析，将具有强统计学差异(p值小于0.001)的特征作为最终新发现的生物标志物。特征作为最终新发现的生物标志物。特征作为最终新发现的生物标志物。


技术研发人员：陈强 陶余晖
受保护的技术使用者：南京理工大学
技术研发日：2023.07.06
技术公布日：2023/10/11