發(fā)布時間：2020-12-12 01:46

　　目的利用計算機圖像特征識別和特征參數提取算法實現特發(fā)性黃斑裂孔的人工智能診斷。方法收集2018年5月至8月在西安市第四醫(yī)院眼科診斷為特發(fā)性黃斑裂孔患者48例（48眼）和同期健康志愿者48人（48眼）眼底光學相干斷層掃描（optical coherence tomography,OCT）圖像。通過對收集的OCT圖像進行人工智能學習,利用圖像處理和特征識別判斷技術,提取能夠區(qū)別正常人眼和特發(fā)性黃斑裂孔患眼的特征參數,在此基礎上得到診斷的初始閾值。對2018年9-12月于西安市第四醫(yī)院眼科診斷為特發(fā)性黃斑裂孔的患者73例（73眼）和正常51人（51眼）的OCT圖像進行1～124隨機編號后,使用計算機程序逐一進行處理,對處理后圖像進行特征參數提取,然后將特征參數和閾值進行比較。結果經計算得到訓練樣本中正常人OCT圖像特征參數為9,特發(fā)性黃斑裂孔患者OCT圖像特征參數為23,初始閾值為16。經過計算機智能診斷,124例隨機圖像中73例OCT特征參數最小值為16.8,最大值為27.5,平均值為23.4,特征參數均大于閾值;51人隨機圖像OCT特征參數最小值為2.8,最大值為14.7,平均值為8.3... 

【文章來源】：眼科新進展. 2019年11期 第1040-1043頁 北大核心

【文章頁數】：4 頁

【部分圖文】：

待測試OCT圖像提取的特征參數以及診斷結果

【參考文獻】：
期刊論文
[1]特發(fā)性黃斑裂孔診治進展[J]. 付維,樊芳,賈志旸.  眼科新進展. 2018(10)
[2]關注人工智能時代的眼科學發(fā)展[J]. 趙家良.  中華眼科雜志. 2018 (09)
[3]基于形態(tài)學去噪的兔眼相干光斷層成像中角膜形態(tài)自動識別[J]. 牛璐潔,賈博奇,張夢詩,武博,李林,張楠.  北京生物醫(yī)學工程. 2017(05)
[4]不同類型黃斑裂孔周邊視網膜變性的比較[J]. 秦廷玉,高莎莎,王文戰(zhàn).  眼科新進展. 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]特發(fā)性黃斑裂孔OCT影像與術后早期視力恢復的相關性研究[J]. 陳勇,劉向玲,宋子宣,陳立新,藺靜靜,王嬌嬌.  眼科新進展. 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]基于自適應閾值的改進Canny邊緣檢測方法[J]. 張帆,彭中偉,蒙水金.  計算機應用. 2012(08)
[9]基于改進Canny算子的圖像邊緣檢測算法[J]. 王小俊,劉旭敏,關永.  計算機工程. 2012(14)
[10]圖像邊緣檢測算法的比較與展望[J]. 任民宏.  中國科技信息. 2007(10)



本文編號：2911624