首页  /   科学研究  /   医疗  /   正文

视网膜静脉阻塞研究

2019-10-21 09:56:25 来源:SIBD

以常见眼底病视网膜静脉阻塞为主要研究方向,开展疾病AI辅助诊断、无灌注区自动分割、中央静脉阻塞自动分型等研究

视网膜静脉阻塞(retinal vein occlusion,RVO)是常见的致盲原因之一,是发生率仅次于糖尿病性视网膜病变的视网膜血管病。阻塞可分为中央静阻(CRVO)和分支静阻(BRVO),以分支阻塞更为常见,而分支阻塞又可分为主干分支及黄斑分支,如何借助AI技术辅助诊断RVO病例是本课题的研究重点。目前缺血型RVO定义在CRVO为伴有10DA以上的无灌注区(NPA),BRVO为伴有5DA以上的NPA。临床上明确分型的意义在于缺血型和非缺血型在自然病程、处理方法、治疗的反应及预后方面均不同。这种常用分型标准在患者管理方面存在明显缺陷,亦有人提出CRVO为>30DA或后极部>10DA作为分型阈值更合理,但该结论需要进一步论证。本课题的主体研究方案如图所示。

1.jpg


具体研究内容:

1)RVO辅助诊断

通过利用深度学习、大数据、图形图像学等技术,对眼底彩照进行辅助诊断,自动将患者眼底彩照分为正常、中央静阻、分支静阻三类,若为分支静阻则继续细分为主干分支或者是黄斑分支。在分类的同时可给出病灶如出血、硬渗等的位置,为医生缺乏地区的眼底筛查提供了可靠的技术支持。

2.jpg

2)分型阈值

通过造影图像大数据分析优化当前的中央静阻分型阈值,避免激光过度治疗。

3)造影无灌注区识别

应用深度神经网络模型,通过大量造影图像进行模型优化。该技术可定量分析造影图像的无灌注区面积,为缺血非缺血分型提供了基础,同时也为患者的治疗效果提供了量化支持。该模型同时可识别视盘、黄斑位置,可在激光治疗时自动避开关键区域。

3.jpg

从左至右依次为原图、真实标注、模型预测