特发性黄斑裂孔的人工智能诊断研究

发布时间：2020-12-12 01:46

　　目的利用计算机图像特征识别和特征参数提取算法实现特发性黄斑裂孔的人工智能诊断。方法收集2018年5月至8月在西安市第四医院眼科诊断为特发性黄斑裂孔患者48例（48眼）和同期健康志愿者48人（48眼）眼底光学相干断层扫描（optical coherence tomography,OCT）图像。通过对收集的OCT图像进行人工智能学习,利用图像处理和特征识别判断技术,提取能够区别正常人眼和特发性黄斑裂孔患眼的特征参数,在此基础上得到诊断的初始阈值。对2018年9-12月于西安市第四医院眼科诊断为特发性黄斑裂孔的患者73例（73眼）和正常51人（51眼）的OCT图像进行1～124随机编号后,使用计算机程序逐一进行处理,对处理后图像进行特征参数提取,然后将特征参数和阈值进行比较。结果经计算得到训练样本中正常人OCT图像特征参数为9,特发性黄斑裂孔患者OCT图像特征参数为23,初始阈值为16。经过计算机智能诊断,124例随机图像中73例OCT特征参数最小值为16.8,最大值为27.5,平均值为23.4,特征参数均大于阈值;51人随机图像OCT特征参数最小值为2.8,最大值为14.7,平均值为8.3... 

【文章来源】：眼科新进展. 2019年11期 第1040-1043页 北大核心

【文章页数】：4 页

【部分图文】：

待测试OCT图像提取的特征参数以及诊断结果

【参考文献】：
期刊论文
[1]特发性黄斑裂孔诊治进展[J]. 付维,樊芳,贾志旸.  眼科新进展. 2018(10)
[2]关注人工智能时代的眼科学发展[J]. 赵家良.  中华眼科杂志. 2018 (09)
[3]基于形态学去噪的兔眼相干光断层成像中角膜形态自动识别[J]. 牛璐洁,贾博奇,张梦诗,武博,李林,张楠.  北京生物医学工程. 2017(05)
[4]不同类型黄斑裂孔周边视网膜变性的比较[J]. 秦廷玉,高莎莎,王文战.  眼科新进展. 2017(09)
[5]Area and volume ratios for prediction of visual outcome in idiopathic macular hole[J]. Xing-Yun Geng,Hui-Qun Wu,Jie-Hui Jiang,Kui Jiang,Jun Zhu,Yi Xu,Jian-Cheng Dong,Zhuang-Zhi Yan.  International Journal of Ophthalmology. 2017(08)
[6]特发性黄斑裂孔OCT影像与术后早期视力恢复的相关性研究[J]. 陈勇,刘向玲,宋子宣,陈立新,蔺静静,王娇娇.  眼科新进展. 2017(03)
[7]Predicting anatomical results of surgical treatment of idiopathic macular hole[J]. Alexander A.Shpak,Dmitry O.Shkvorchenko,Ilias Kh.Sharafetdinov,Olga A.Yukhanova.  International Journal of Ophthalmology. 2016(02)
[8]基于自适应阈值的改进Canny边缘检测方法[J]. 张帆,彭中伟,蒙水金.  计算机应用. 2012(08)
[9]基于改进Canny算子的图像边缘检测算法[J]. 王小俊,刘旭敏,关永.  计算机工程. 2012(14)
[10]图像边缘检测算法的比较与展望[J]. 任民宏.  中国科技信息. 2007(10)



本文编号：2911624