脉络膜新生血管(CNV)的自动化检测的制作方法

脉络膜新生血管(cnv)的自动化检测
1.相关申请的交叉引用
2.本技术要求2020年12月4日提交的美国临时专利申请第63/121,723号的优先权和权益，该美国临时专利申请名为“脉络膜新生血管的自动化检测(cnv)(automated detection of choroidal neovascularization(cnv))”，该美国临时专利申请特此以全文引用的方式并入，如同在下文中完整阐述并用于所有适用目的。
技术领域
3.本技术涉及脉络膜新生血管(cnv)的检测，更具体地涉及使用光学相干断层扫描(oct)成像数据对眼睛中的cnv的自动化检测。
4.前言
5.年龄相关黄斑变性(amd)是50岁和以上患者视力损失的主要原因。某些患有amd的患者可能发展成脉络膜新生血管(cnv)，其中起源于眼睛的脉络膜层的新的异常血管生长到视网膜中，并且将液体从血液渗漏到视网膜中。在进入视网膜后，液体可能会立即扭曲患者的视力。随着时间的推移，液体可能损害视网膜本身，例如，通过导致视网膜中光感受器的损失。不幸的是，目前没有办法预测cnv的发展。因此，需要检测和跟踪cnv进展的方法。


技术实现要素：

6.在一个或多个实施例中，提供了一种用于检测年龄相关黄斑变性晚期的方法。接收视网膜的光学相干断层扫描(oct)成像数据。使用oct成像数据，经由机器学习系统来检测视网膜中脉络膜新生血管(cnv)的存在。
7.在一个或多个实施例中，提供了一种用于检测年龄相关黄斑变性晚期的方法。接收视网膜的光学相干断层扫描(oct)成像数据。oct成像数据经预处理以形成oct输入。使用oct输入，经由机器学习系统来检测视网膜中脉络膜新生血管(cnv)的存在。
附图说明
8.为了更完整地理解本文所公开的原理及其优点，现参考以下结合附图进行的描述，在附图中：
9.图1是根据各种实施例的脉络膜新生血管(cnv)检测系统的框图。
10.图2是根据各种实施例的用于检测视网膜中的年龄相关黄斑变性晚期的过程的流程图。
11.图3是根据各种实施例的用于检测视网膜中的年龄相关黄斑变性晚期的另一个过程的流程图。
12.图4是根据各种实施例的用于检测视网膜中的年龄相关黄斑变性晚期的另一个过程的流程图。
13.图5是显示使用图1的cnv检测系统的基于来自多个受试者的大量测试图像的多个接受者操作曲线(roc)的图。
14.图6是根据各种实施例的计算机系统的框图。
15.图7示出了根据各种实施例的可以用于实现深度学习神经网络的示例神经网络。
16.应当理解，附图不一定按比例绘制，图中的对象也不一定相对于彼此按比例绘制。附图是旨在清楚和理解本文公开的设备、系统和方法的各种实施例的描绘。在可能的情况下，将在整个附图中使用相同的附图标记来指代相同或相似的部分。此外，应当理解，附图不旨在以任何方式限制本教导的范围。
具体实施方式
17.i.概述
18.年龄相关黄斑变性(amd)是会模糊受试者的中心视力的眼部疾病，并且当衰老导致部分视网膜(诸如黄斑)损害时而发生。amd可以是干性的(通常称为萎缩性amd)或湿性amd(通常称为晚期新生血管性amd)。湿性amd是由于眼睛中的异常血管的生长而发生的。这些起源于脉络膜的新血管经常渗漏液体(例如，来自血液或红细胞的液体)，弄湿视网膜并且最终损害视网膜的某些部分，诸如黄斑。这种情况通常被称为脉络膜新生血管(cnv)，其不仅可以由amd引起，还可以由其他原因引起，诸如，例如病理性近视、眼组织胞浆菌病、眼外伤(例如血管样条纹)、漆裂纹和葡萄膜炎(严重的眼部炎症)。
19.检测cnv对于为患者生成个性化治疗方案、减轻视网膜损伤和了解患者的amd发病机制来说可能是重要的。检测cnv可能涉及使用多种方法，包括光学相干断层扫描(oct)、荧光素、icg血管造影术，以及医学专业oct观察到的视敏度下降，特别是一种成像技术，其中将光对准生物样品(例如，生物组织)并且从该生物样品的特征反射的光被收集以捕获生物样品的二维或三维高分辨率横截面图像。
20.人们普遍认为，与视网膜相关的液体(例如，视网膜内液体、视网膜下液体、视网膜下色素上皮液等)可以是cnv的准确可靠的标志。因此，准确可靠地检测这种液体的方法可以充当cnv的准确可靠的标志。oct图像能够使此类液体可见，并且因此，受试者oct图像中的液体存在可以用作受试者视网膜中的cnv的标志。然而，人工评分员对oct图像的手动分析可能非常耗时并且容易出错。因此，需要可以使用oct成像数据自动检测cnv的方法和系统。
21.本实施例旨在利用oct成像数据的有益特性来努力改进cnv疾病的检测。特别地，本实施例包括人工智能(ai)，以及特别是机器学习和深度学习系统，其自动分析oct成像数据并且基于分析的oct成像数据对cnv疾病进行分类。这些学习系统至少可以像人工分析一样准确地对cnv疾病进行分类，但提供的分析比当前方法更快、更经济，尤其是在处理大型数据集时。此外，使用学习系统进行的分析和诊断能够在学习系统内保留以前的数据，并且折回此类数据以永久提高自动化cnv分析的准确性和速度，并且允许对cnv进展进行前瞻性预测。因此，本公开的方法和系统允许使用用于检测cnv疾病的学习系统(例如，神经网络系统)进行oct成像数据的经改进和自动化分析。
22.本公开提供了使用oct成像数据对患者眼睛中的cnv疾病进行自动化检测的系统和方法。在一个实施例中，例如，本公开提供了使用神经网络系统分析oct成像数据的系统和方法。也就是说，例如，神经网络系统可以接收oct成像数据并且生成cnv疾病分类结果，与手动检测或甚至使用静态算法的检测相比，该结果可以是更加准确和信息丰富的。这可
能是因为使用神经网络系统被训练来不断优化目的参数，从而提高检测精度。此外，可以在网络内添加、移除或操作模块和/或方框，以集中分析oct成像数据的关键部分、合并损失函数、增强oct成像数据(通过例如旋转、平移和翻转)、减小模型尺寸(例如速度)和自动重新校准通道特征响应。
23.神经网络系统可以包括但不限于卷积神经网络(cnn)系统、深度学习系统(例如，u-net深度学习神经网络、y-net深度学习神经网络等)等。如上所讨论，利用神经网络系统分析oct图像的此类系统和方法有助于cnv疾病的准确检测，同时通过将所述结果重新合并回神经网络系统中而定期允许分析准确度随时间持续提高。
24.例如，可以通过折叠有关具体目的区域(诸如眼睛上的视网膜色素上皮层)的数据，使用神经网络系统对oct成像数据进行预处理。折叠关于目的区域的oct成像数据包括折叠关于患者眼睛的视网膜色素上皮(rpe)层的oct成像数据，朝向rpe层展平一个或多个oct图像和/或裁剪rpe层周围的多个像素。这与对oct成像数据的特定部分的分析(例如，中央b扫描图)相结合，允许增强对oct数据的集中分析，并且降低分析所需的处理能力，从而减少分析时间。
25.认识到并考虑到能够提供上述改进的方法和系统的重要性和实用性，本说明书描述了用于使用oct成像数据进行cnv的自动化检测的各种实施例。更特别地，本说明书描述了用于使用oct成像数据和机器学习系统(例如，神经网络系统)准确可靠地检测视网膜中cnv的方法和系统的各种实施例。
26.ii.定义
27.本公开不限于这些示例性实施例和应用，也不限于示例性实施例和应用的操作方式或本文描述的方式。此外，附图可能显示简化或局部视图，并且附图中元件的尺寸可能被夸大或不成比例。
28.此外，当本文中使用术语“在
……
上”、“附接到”、“连接到”、“耦合到”或类似词语时，一个元件(例如，部件、材料、层、基板等)可以“在另一元件上”、“附接到另一元件”、“连接到另一元件”或“耦合到另一元件”，而不管一个元件是直接在另一元件上、直接附接到另一元件、直接连接到另一元件或直接耦合到另一元件，还是在一个元件与另一元件之间存在一个或多个中间元件。此外，在提及元件列表(例如，元素a、b、c)的情况下，此类提及旨在包括单独列出的任何一种元件、少于所有列出的元件的任何组合和/或所有列出的元件的组合。规范中的章节划分仅为便于审查，并不限制所讨论元件的任何组合。
29.术语“受试者”可以指临床试验的个体、正在接受治疗的人、正在接受抗癌治疗的人、正在接受缓解或恢复监测的人、正在接受预防性健康分析的人(例如，由于其病史)或任何其他目的人或患者。在各种情况下，“受试者”和“个体”在本文可以互换使用。
30.除非另有定义，否则与本文所描述的本教导结合使用的科学和技术术语应具有本领域普通技术人员通常理解的含义。此外，除非上下文另有要求，否则单数术语应包括复数，而复数术语应包括单数。通常，本文描述了与化学、生物化学、分子生物学、药理学和毒理学结合使用的命名法和技术，这些命名法和技术是本领域中众所周知和常用的那些。
31.如本文所用，“基本上”是指足以达到预期目的。因此，术语“基本上”允许相对于绝对或完美状态、尺寸、测量、结果等的微小、无关紧要的变化，如本领域普通技术人员所期望的，但不会明显影响整体性能。当用于数值或可表示为数值的参数或特性时，“基本上”是指
百分之十以内。
32.如本文所用，关于数值或可以表示为数值的参数或特征使用的术语“约”意味着在数值的百分之十内。例如，“约50”意味着在45到55范围内的值，包括端值。
33.术语“复数个(ones)”意味着多于一个。
34.如本文所用，术语“多个”可以是2、3、4、5、6、7、8、9、10个或更多。
35.如本文所用，术语“一组”是指一个或多个。例如，一组项目包括一个或多个项目。
36.如本文所用，短语
“……
中的至少一个”在与项目列表一起使用时表示可以使用所列项目中的一个或多个的不同组合，并且可能仅需要列表中的一个项目。项目可以是特定的对象、事物、步骤、操作、过程或类别。换言之，
“……
中的至少一个”是指列表中可以使用的任何项目组合或项目数量，但并非列表中的所有项目都是必需的。例如但非限制性地，“项目a、项目b或项目c中的至少一个”指项目a；项目a和项目b；项目b；项目a、项目b和项目c；项目b和项目c；或项目a和c。在一些情况下，“项目a、项目b或项目c中的至少一个”是指但不限于项目a中的两个、项目b中的一个和项目c中十个；项目b中的四个和项目c中的七个；或某种其他合适的组合。
37.如本文所用，“模型”可以包括一种或多种算法、一种或多种数学技术、一种或多种机器学习算法或者它们的组合。
38.如本文所用，“机器学习”包括使用算法来解析数据、从中学习，然后对世界上的某事做出确定或预测的实践。机器学习使用可以从数据中学习，而无需依赖基于规则的编程的算法。
39.如本文所用，“人工神经网络”或“神经网络”(nn)可以指模拟一组互连的人工神经元的数学算法或计算模型，其基于连接主义计算方法而处理信息。神经网络(其也可以称为神经网)可以使用线性单元、非线性单元或两者的一个或多个层来预测针对接收输入的输出。除了输出层之外，一些神经网络还包括一个或多个隐藏层。每个隐藏层的输出可以用作网络中下一层的输入，即下一个隐藏层或输出层。网络的每一层可以根据相应一组参数的当前值从接收输入生成输出。在各种实施例中，对“神经网络”的引用可以是对一个或多个神经网络的引用。
40.神经网络可以通过两种方式处理信息；当神经网络正在训练时，神经网络处于训练模式，以及当神经网络将所学知识付诸实践时，神经网络处于推理(或预测)模式。神经网络可以通过反馈过程(例如，反向传播)进行学习，该反馈过程允许网络调整中间隐藏层中各个节点的权重因子(修改其行为)，以便输出与训练数据的输出相匹配。换句话说，神经网络通过被提供训练数据(学习实例)进行学习并且最终学习如何获得正确的输出，即使其呈现为具有新的输入范围或输入集。神经网络可以包括例如但不限于前馈神经网络(fnn)、递归神经网络(rnn)、模块化神经网络(mnn)、卷积神经网络(cnn)、残差神经网络(resnet)、常微分方程神经网络(neural-ode)、挤压和激发嵌入神经网络、mobilenet或其他类型的神经网络中的至少一者。
41.如本文所用，“深度学习”可以指使用多层人工神经网络从输入数据(诸如图像、视频、文本等)自动学习表示，而无需人类提供的知识，以在诸如物体检测/识别、语音识别、语言翻译等任务中提供高度准确的预测。
42.如本文所用，“体素”是具有图形信息的三维实体(诸如三维扫描或图像)的规则网
格的单位体积元素(例如，体积像素)。
43.iii.cnv的自动化检测
44.图1为根据各种实施例的cnv评估系统100的框图。cnv评估系统100用于检测受试者视网膜中的cnv活动，包括例如cnv疾病的存在或其随时间的进展。cnv疾病可以表征为复杂和进行性疾病，诸如新生血管性年龄相关黄斑变性(namd)。cnv活动可以包括起源于眼睛的脉络膜层的异常血管生长到视网膜中，以及液体从血液渗漏到视网膜中。在这种情况下，进入视网膜的液体可能会扭曲受试者的视力并且损害视网膜本身，例如，通过导致视网膜中的光感受器的损失。
45.如图1所示，cnv评估系统100包括计算平台102、数据存储器104和显示系统106。计算平台102可以采取各种形式。在一个或多个实施例中，计算平台102包括单个计算机(或计算机系统)或相互通信的多个计算机。在其他实例中，计算平台102采用云计算平台、移动计算平台(例如，智能手机、平板电脑等)或它们的组合的形式。
46.数据存储器104和显示系统106各自与计算平台102通信。在一些实例中，数据存储器104、显示系统106或两者可以被认为是计算平台102的一部分或以其它方式与其成一体。因此，在一些实例中，计算平台102、数据存储器104和显示系统106可以是相互通信的单独部件，但是在其它实例中，这些部件的一些组合可以集成在一起。
47.如图1所示，cnv评估系统100包括图像处理器108，该图像处理器可以使用硬件、软件、固件或它们的组合来实现。在一个或多个实施例中，图像处理器108在计算平台102中实现。
48.在各种实施例中，可以使用cnv评估系统100执行用于执行cnv疾病检测的方法，如关于图1所描述的。该方法可以经由如下cnv评估系统100以输入图像进行处理开始。图像处理器108接收图像输入109进行处理。在一个或多个实施例中，图像输入109包括针对受试者或人的视网膜的oct成像数据110。oct成像数据110可以包括例如视网膜的一个或多个高分辨率oct图像。在一个或多个实施例中，图像输入109包括由相同成像装置生成或来自多个装置的图像。在各种实施例中，oct成像数据110可以包括具有相同分辨率或不同分辨率、相同尺寸或不同尺寸(例如，就像素而言)或者相同颜色深度或不同颜色深度(例如，6位、8位、10位、12位等)的图像。在一个或多个实施例中，oct成像数据110中的任何图像都可以是未配准图像。在其他实施例中，oct成像数据110中的任何图像都可以是配准图像。
49.在各种实施例中，图像处理器108使用cnv检测系统112处理图像输入109，以检测受试者的视网膜中的cnv的存在。cnv检测系统112可以采用利用基于整个申请中所公开的实施例的一个或多个神经网络的机器学习。在所公开的方法中使用的一个或多个神经网络可以包括任何数量的神经网络或神经网络的组合。在一个或多个实施例中，cnv检测系统112可以包括卷积神经网络(cnn)系统，该cnn系统包括一个或多个神经网络。在本文的公开中，cnv检测系统112的一个或多个神经网络可以包括例如但不限于前馈神经网络(fnn)、递归神经网络(rnn)、模块化神经网络(mnn)、卷积神经网络(cnn)、残差神经网络(resnet)、常微分方程神经网络(neural-ode)、挤压和激发嵌入神经网络、mobilenet或其他类型的神经网络中的至少一者。在各种实施例中，一个或多个神经网络可以是深度学习神经网络。在各种实施例中，cnv检测系统112可以包括至少一个挤压和激发(se)嵌入神经网络。
50.在一个或多个实施例中，图像处理器108生成指示是否已检测到视网膜中cnv的存
在的输出114。例如，输出114可以是指示cnv存在于视网膜中的概率的概率值。概率值可以是从0到100之间的任何值，并且可以伴随误差幅度或不确定数(例如，正值或负值)。在一些实例中，输出114可以是表示cnv存在于或该cnv不存在于视网膜中的二元输出。在又其他实例中，输出114可以是指示从oct成像数据110检测到的与视网膜相关联的液体的量的值。指示液体的量的值可以是数值，和/或可以伴随有测量单位，诸如，例如纳升、微升等或任何其他合适的测量单位。
51.图2是根据各种实施例的用于检测视网膜中的年龄相关黄斑变性晚期的过程200的流程图。该晚期可以是例如脉络膜新生血管(cnv)。在各种实施例中，使用关于图1中描述的cnv评估系统100来实现过程200。
52.如图2所示，步骤202包括接收患者的视网膜的光学相干断层扫描(oct)成像数据。oct成像数据可以包括一个或多个oct图像，诸如关于如图1所描述的关于oct成像数据110所描述的那些图像，并且因此将不进一步详细描述。
53.步骤204包括使用oct成像数据，经由机器学习系统来检测视网膜中脉络膜新生血管(cnv)的存在。在一个或多个实施例中，步骤204通过检测与视网膜相关的液体来执行。与视网膜相关的液体可以包括例如但不限于视网膜内液、视网膜下液和视网膜下色素上皮液。用于检测cnv存在的机器学习系统可以包括例如神经网络系统。神经网络系统可以采用深度学习神经网络系统的形式。在一些实施例中，神经网络系统可以包括前馈神经网络(fnn)、递归神经网络(rnn)、模块化神经网络(mnn)、卷积神经网络(cnn)、残差神经网络(resnet)、常微分方程神经网络(neural-ode)、挤压和激发嵌入神经网络、mobilenet或其他类型的神经网络中的一者或多者。在各种实施例中，一个或多个神经网络可以是深度学习神经网络。在各种实施例中，一个或多个神经网络可以包括挤压和激发(se)嵌入神经网络。
54.在各种实施例中，可以在例如cnv阳性oct图像和cnv阴性oct图像两者上训练神经网络系统。在一些实施例中，当cnv阳性oct图像的数量不同于cnv阴性oct图像的数量时，用加权交叉熵损失函数训练神经网络模型。加权交叉熵损失函数可以当在训练期间调整模型权重时使用，以使输入与目标之间的损失最小化。在各种实施例中，加权交叉熵损失函数在数据集不平衡(阳性对阴性)的情况下是有帮助的，因为模型将更多地关注来自代表性不足的类别的损失。
55.步骤206包括生成指示已经检测到视网膜中cnv的存在的输出。该输出(其可以是图1中的输出114)可以采用各种形式。例如，输出可以是指示cnv活动存在于视网膜内的概率的概率值。概率值可以是介于0与100之间的数值。概率值可以伴随着误差幅度或不确定数。在各种实施例中，输出是表示cnv存在于或不存在于视网膜中的二元输出。在各种实施例中，步骤206可以使用如本公开的各种实施例中描述的机器学习系统来实现。
56.图3是根据各种实施例的用于检测视网膜中的年龄相关黄斑变性晚期的过程300的流程图。该晚期可以是例如脉络膜新生血管(cnv)。在各种实施例中，使用关于图1中描述的cnv评估系统100来实现过程300。
57.步骤302包括接收患者的视网膜的光学相干断层扫描(oct)成像数据。oct成像数据可以包括一个或多个oct图像，诸如关于如图1所描述的关于oct成像数据110所描述的那些图像，并且因此将不进一步详细描述。
58.一旦接收到oct成像数据，过程300进行到步骤304，其包括预处理oct成像数据以形成oct输入。在一些实施例中，oct成像数据的预处理可以包括选择oct成像数据的捕获视网膜的视网膜色素上皮(rpe)层的一部分作为oct输入。作为一个实例，预处理可以包括朝向视网膜的rpe层展平oct图像并且选择oct图像的包括视网膜的rpe层、rpe层上方的第一区域和/或rpe层下方的第二区域的一部分。
59.步骤306包括使用oct输入，经由机器学习系统来检测视网膜中脉络膜新生血管(cnv)的存在。用于检测cnv存在的机器学习系统可以包括例如神经网络系统。神经网络系统可以采用深度学习神经网络系统的形式。在一些实施例中，神经网络系统可以包括前馈神经网络(fnn)、递归神经网络(rnn)、模块化神经网络(mnn)、卷积神经网络(cnn)、残差神经网络(resnet)、常微分方程神经网络(neural-ode)、挤压和激发嵌入神经网络、mobilenet或其他类型的神经网络中的一者或多者。在各种实施例中，一个或多个神经网络可以是深度学习神经网络。在各种实施例中，一个或多个神经网络可以包括挤压和激发(se)嵌入神经网络。
60.在一个或多个实施例中，机器学习系统包括经训练以检测视网膜中的液体的神经网络系统，其中液体的存在指示cnv的存在。液体可以包括例如但不限于视网膜内液、视网膜下液、视网膜下色素上皮液或它们的组合。
61.在一个或多个实施例中，可以基于在步骤306中cnv的存在的检测来生成输出。该输出(与图1中的输出114相同或基本相似)可以采用各种形式。例如，输出可以是指示cnv活动存在于视网膜内的概率的概率值。概率值可以是介于0与100之间的数值。概率值可以伴随着误差幅度或不确定数。在各种实施例中，输出是表示cnv存在于或不存在于视网膜中的二元输出。
62.图4是根据各种实施例的示例过程400的流程图。根据各种实施例，过程400可以用于检测视网膜中的年龄相关黄斑变性晚期。该晚期可以是例如脉络膜新生血管(cnv)。在各种实施例中，使用关于图1中描述的cnv评估系统100来实现过程400。
63.如所示的，过程400的步骤402包括接收患者眼睛的oct成像数据。oct成像数据可以包括一个或多个oct图像，诸如关于图1所描述的关于oct成像数据110所描述的那些图像。
64.一旦接收到oct成像数据，过程400进行到步骤404，其包括折叠关于目的区域的oct成像数据，以形成oct输入。在各种实施例中，折叠oct成像数据包括折叠关于患者眼睛的视网膜色素上皮(rpe)层的oct成像数据，以形成oct输入。在各种实施例中，折叠oct成像数据包括朝向rpe层展平oct成像数据中的一个或多个oct图像。在各种实施例中，折叠oct成像数据包括裁剪rpe层周围的多个像素。
65.如图4所示，过程400进行到步骤406，其包括针对脉络膜新生血管形成(cnv)疾病的存在分析oct输入。
66.一旦oct输入被分析，过程400进行到步骤408，其包括使用oct输入检测患者眼睛中cnv疾病的存在。在各种实施例中，检测cnv疾病的存在包括使用oct输入检测患者眼睛中的视网膜液，其中视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。
67.在各种实施例中，使用机器学习系统执行检测患者眼睛中cnv疾病的存在。在一些
实施例中，使用包括重新校准模块的机器学习系统执行检测cnv疾病的存在。在一些实施中，经由嵌入在机器学习系统上的挤压和激发模块执行检测cnv疾病的存在。在各种实施中，用于检测cnv的存在的机器学习系统可以包括例如神经网络系统。神经网络系统可以采用深度学习神经网络系统的形式。在一些实施例中，神经网络系统可以包括前馈神经网络(fnn)、递归神经网络(rnn)、模块化神经网络(mnn)、卷积神经网络(cnn)、残差神经网络(resnet)、常微分方程神经网络(neural-ode)、挤压和激发嵌入神经网络、mobilenet或其他类型的神经网络中的一者或多者。在各种实施例中，一个或多个神经网络可以是深度学习神经网络。在各种实施例中，一个或多个神经网络可以包括挤压和激发(se)嵌入神经网络。
68.在一个或多个实施例中，机器学习系统包括经训练以检测视网膜中的液体的神经网络系统，其中液体的存在指示cnv的存在。液体可以包括例如但不限于视网膜内液、视网膜下液、视网膜下色素上皮液或它们的组合。
69.在一个或多个实施例中，可以基于在步骤406中cnv的存在的检测来生成输出。基于步骤406的检测生成的该输出与图1中的输出114相同或基本相似，并且因此可以采用各种形式。在一些实施例中，输出可以是指示cnv活动存在于视网膜内的概率的概率值。概率值可以是介于0与100之间的数值。概率值可以伴随着误差幅度或不确定数。在各种实施例中，输出是表示cnv存在于或不存在于患者眼睛中或患者眼睛的视网膜中的二元输出。
70.图5是显示使用cnv检测方法或系统(诸如，例如图1的cnv评估系统100)的基于来自多个受试者的大量测试图像的多个接收者操作曲线(roc)的图500。图500表明深度学习(dl)神经网络(利用dl算法的dl模型)，诸如图1的cnv检测系统中使用的神经网络，可以基于oct成像数据(例如oct成像数据110)上的视网膜解剖结构的变化来准确检测cnv疾病活动。尽管dl神经网络生成在图500中显示的曲线，但是关于cnv检测系统112描述的其他神经网络也可以用于生成在图500中显示的相同或相似的曲线。dl模型在来自102名受试者的1,706张图像的测试集上进行了评估，并且取得了0.81
±
0.012的接收者操作曲线下面积(auroc)，其中准确度为0.76
±
0.027，灵敏度为0.66
±
0.028，并且特异性为0.83
±
0.029。
71.在生成图5的图500时，评估了总共8,527张oct图像。oct图像是从评估了雷珠单抗在新生血管性年龄相关黄斑变性(namd)方面的harbor试验(临床试验注册号：nct00891735)的按需治疗(prn)组获得的。研究眼睛中的疾病活动(例如，cnv疾病的存在或不存在)可以定义为oct上的液体(例如，视网膜内液、视网膜下液或视网膜下色素上皮液)，或者在受试者的视敏度相比上次访视下降≥5个字母的情况下而被定义。在一些情况下，疾病活动也可以仅通过oct上与潜在cnv相关的视网膜液的存在来定义，而不要求相对于上次访视减少≥5个字母。在这个访视子组中，从zeiss cirrus机器收集1024
×
512
×
128体素的研究眼睛oct扫描图并且朝向视网膜色素上皮(rpe)层将其展平，并且裁剪为rpe上方384像素和下方128像素。为了适应用于研究的计算机系统的图形处理单元(gpu)存储器限制，选择中央15个b扫描图作为代表。因此，到网络的每个扫描图的输入尺寸为512
×
512
×
15。总共使用了来自521名受试者的8,527个扫描图。其中3,618个来自病眼并且4,909个没有疾病。使用分层抽样将它们以4:1的比例分成训练集和测试集。仅使用训练集应用五折交叉验证来优化参数。挤压和激发(se)嵌入神经网络模型(利用mobilenet)被设计以对患有和不患有cnv疾病的眼睛进行分类。mobilenet使用深度可分离卷积大大减小了模型尺寸，并且
se模块通过自适应重新校准通道特征响应做出贡献。由于每个类中的样品数量不平衡，因此使用加权交叉熵作为损失函数。在一些情况下，在模型/神经网络的训练期间应用数据增强，包括旋转、平移和/或翻转。
72.根据本文公开的各种实施例，描述了用于检测脉络膜新生血管形成(cnv)疾病的方法。在各种实施例中，可以使用诸如图1的cnv评估系统100的系统来执行该方法的各种处理步骤。该方法包括：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的oct成像数据，以形成oct输入；针对脉络膜新生血管(cnv)疾病的存在分析oct输入；并且使用oct输入检测患者眼中的cnv疾病的存在。
73.在该方法的各种实施例中，检测cnv疾病的存在包括使用oct输入检测患者眼睛中的视网膜液，其中视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。
74.在该方法的各种实施例中，折叠oct成像数据包括折叠关于患者眼睛的视网膜色素上皮(rpe)层的oct成像数据，以形成oct输入。在各种实施例中，折叠oct成像数据包括朝向rpe层展平oct成像数据中的一个或多个oct图像。在各种实施例中，折叠oct成像数据包括裁剪rpe层周围的多个像素。
75.在该方法的各种实施例中，使用包括重新校准模块的机器学习系统执行检测cnv疾病的存在。在各种实施例中，经由嵌入在机器学习系统上的挤压和激发模块执行检测cnv疾病的存在。
76.根据本文公开的各种实施例，脉络膜新生血管形成(cnv)疾病的自动化检测可以由示例系统(诸如关于图1描述的cnv评估系统100)执行。在各种实施例中，该系统包括非暂时性存储器；和硬件处理器，该硬件处理器与非暂时性存储器耦接并且配置成从非暂时性存储器读取指令以使该系统执行操作。例如，cnv评估系统100可以用于接收患者眼睛的光学相干断层扫描(oct)成像数据，诸如oct成像数据110。进一步，图1的cnv评估系统100可以用于处理。例如，cnv评估系统100的图像处理器108可以用于使用机器学习系统(诸如cnv检测系统112)来处理图像输入109。处理的一些非限制性实例可以包括折叠关于目的区域的oct成像数据，以形成oct输入。
77.在各种实施例中，神经网络系统(诸如cnv评估系统100的cnv检测系统112)可以用于针对患者眼睛中cnv疾病的存在分析oct输入和/或使用oct输入检测患者眼睛中cnv疾病的存在。用于分析oct输入的神经网络系统可以包括任意数量的神经网络或神经网络的组合。在一些实施例中，神经网络系统可以采取包括一个或多个神经网络的卷积神经网络的形式。在一些实施例中，神经网络系统可以包括前馈神经网络(fnn)、递归神经网络(rnn)、模块化神经网络(mnn)、卷积神经网络(cnn)、残差神经网络(resnet)、常微分方程神经网络(neural-ode)、挤压和激发嵌入神经网络、mobilenet或其他类型的神经网络中的任何一者。在各种实施例中，神经网络系统可以是深度学习神经网络或挤压和激发(se)嵌入神经网络。
78.在该系统的各种实施例中，检测cnv疾病的存在包括使用oct输入检测患者眼睛中的视网膜液，其中视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。在该系统的各种实施例中，折叠oct成像数据包括折叠关于患者的视网膜色素上皮(rpe)层的oct成像数据，以形成oct输入。在该系统的各种实施例中，折叠oct成像数据包括
朝向rpe层展平oct成像数据的oct图像。在该系统的各种实施例中，折叠oct成像数据包括裁剪rpe层周围的多个像素。
79.在该系统的各种实施例中，用于检测cnv疾病的存在的机器学习系统可以包括重新校准模块。在各种实施例中，经由嵌入在机器学习系统上的挤压和激发模块执行检测cnv疾病的存在。
80.根据本文公开的各种实施例，描述了其上存储有计算机可读指令的非暂时性计算机可读介质。非暂时性计算机可读介质包括可执行以使计算机系统执行操作的计算机可读指令。在各种实施例中，可以使用cnv检测系统(诸如，例如关于图1所描述的cnv评估系统100)来执行操作。该操作的计算机可读指令包括：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的oct成像数据，以形成oct输入；针对cnv疾病的存在分析oct输入；并且使用oct输入检测患者眼睛中cnv疾病的存在。
81.在各种实施例中，检测cnv疾病的存在包括使用oct输入检测患者眼睛中的视网膜液，其中视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。
82.在各种实施例中，折叠oct成像数据包括折叠关于患者的视网膜色素上皮(rpe)层的oct成像数据，以形成oct输入。在各种实施例中，折叠oct成像数据包括朝向rpe层展平oct成像数据的oct图像。在各种实施例中，折叠oct成像数据包括裁剪rpe层周围的多个像素。在各种实施例中，经由嵌入在机器学习系统上的挤压和激发模块执行检测cnv疾病的存在。
83.iv.计算机实现的系统
84.图6是根据各种实施例的计算机系统的框图。计算机系统600可以是上文图1中描述的计算平台102的一种实现的示例。在一个或多个实例中，计算机系统600可以包括总线602或用于传递信息的其它通信机制，以及与总线602耦接用于处理信息的处理器604。在各种实施例中，计算机系统600还可以包括存储器(其可以是随机存取存储器(ram)606或其他动态存储装置)，该存储器耦接到总线602用于确定要由处理器604执行的指令。存储器还可以用于在执行要由处理器604执行的指令期间存储临时变量或其它中间信息。在各种实施例中，计算机系统600可以进一步包括耦接到总线602的用于存储针对处理器604的静态信息和指令的只读存储器(rom)608或其他静态存储装置。可以提供存储装置610(诸如磁盘或光盘)并将其耦接到总线602以用于存储信息和指令。
85.在各种实施例中，计算机系统600可以经由总线602耦接到显示器612(诸如阴极射线管(crt)或液晶显示器(lcd))用于向计算机使用者显示信息。包括字母数字键和其它键的输入装置614可以耦接到总线602，用于将信息和命令选择传递到处理器604。另一类型的用户输入装置是光标控制616(诸如鼠标、操纵杆、轨迹球、手势输入装置、基于注视的输入装置或光标方向键)，用于将方向信息和命令选择传递到处理器604并用于控制显示器612上的光标移动。该输入装置614通常在两个轴线(第一轴线(例如，x)和第二轴线(例如，y))上具有两个自由度，其允许该装置指定平面中的位置。然而，应当理解，本文也设想了允许三维(例如，x、y和z)光标移动的输入装置614。
86.与本教导的某些实施一致，结果可以由计算机系统600响应于处理器604执行包含在ram 606中的一个或多个指令的一个或多个序列而提供。此类指令可以从另一计算机可读介质或计算机可读存储介质(诸如存储装置610)读取进ram 606。包含在ram 606中的指
令序列的执行可以使处理器604执行本文描述的过程。替代性地，可以使用硬接线电路系统来代替软件指令或与软件指令结合来实现本教导。因此，本教导的实施不限于硬件电路系统和软件的任何特定组合。
87.如本文所用，术语“计算机可读介质”(例如，数据存储、数据存储器、存储装置、数据存储设备等)或“计算机可读存储介质”是指参与向处理器604提供指令以供执行的任何介质。此类介质可以采取多种形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质的实例可以包括但不限于光盘、固态硬盘、磁盘(诸如存储器装置610)。易失性介质的实例可以包括但不限于动态存储器，诸如ram 606。传输介质的实例可以包括但不限于同轴电缆、铜线和光纤，包括构成总线602的线。
88.常见形式的计算机可读介质包括：例如，软盘、可折叠盘、硬盘、磁带或任何其他磁性介质；cd-rom、任何其他光学介质；穿孔卡、纸带、任何其它具有孔图案的物理介质；ram、prom和eprom、flash-eprom、任何其它存储器芯片或盒；或计算机可以读取的任何其它有形介质。
89.除了计算机可读介质之外，指令或数据也可以作为信号而提供在包括在通信设备或系统中的传输介质上，以将一个或多个指令序列提供给计算机系统600的处理器604以供执行。例如，通信设备可以包括具有指示指令和数据的信号的收发器。指令和数据被配置为使一个或多个处理器实现本文公开中概述的功能。数据通信传输连接的表示性实例可以包括但不限于电话调制解调器连接、广域网(wan)、局域网(lan)、红外数据连接、nfc连接、光通信连接等。
90.应当认识到，本文描述的方法、流程图、图和随附的公开内容可以使用计算机系统600作为独立装置或在诸如云计算网络等共享计算机处理资源的分布式网络上实现。
91.根据应用，本文描述的方法可以通过各种方式来实现。例如，这些方法可以在硬件、固件、软件或它们的任何组合中实现。针对硬件实现，处理单元可以在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理装置(dspd)、可编程逻辑装置(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、电子装置、设计用于执行本文描述的功能的其他电子单元、或其组合内实现。
92.在各种实施例中，本教导的方法可以实现为固件和/或软件程序以及以诸如c、c++、python等传统编程语言编写的应用程序。如果实现为固件和/或软件，则本文描述的实施例可以在非暂时性计算机可读介质上实现，其中存储程序以使计算机执行上述方法。应当理解，本文描述的各种引擎可以提供在计算机系统上，诸如计算机系统600，其中根据任一个存储器部件ram 606、rom 608或存储装置610或其组合提供的指令以及经由输入装置614提供的用户输入，处理器604将执行由这些引擎提供的分析和确定。
93.v.人工神经网络
94.图7示出了根据本公开的各种实施例的可以用于实现基于计算机的模型的示例神经网络。例如，神经网络700可以用于实现cnv评估系统100的cnv检测系统112。如图所示，人工神经网络700包括三个层，即输入层702、隐藏层704和输出层706。层702、704和706中的每个层可以包括一个或多个节点。例如，输入层702包括节点708-714，隐藏层704包括节点716-718，并且输出层706包括节点722。在此示例中，层中的每个节点都连接到相邻层中的每个节点。例如，输入层702中的节点708连接到隐藏层704中的两个节点716、718。类似地，
隐藏层中的节点716连接到输入层702中的所有节点708-714和输出层706中的节点722。尽管对于人工神经网络700仅展示了一个隐藏层，但是已设想，用于实现神经网络系统(诸如cnv评估系统100的cnv检测系统112)的人工神经网络700可以根据必要或需要包括尽可能多的隐藏层。
95.在此实例中，人工神经网络700接收一组输入值(输入1-4)并且产生输出值(输出5)。输入层702中的每个节点可以与不同的输入值相对应。例如，当人工神经网络700用于实现神经网络系统(诸如cnv评估系统100的cnv检测系统112)时，输入层702中的每个节点可以对应于oct成像数据110的不同属性。
96.在一些实施例中，隐藏层704中的每个节点716-718生成表示，该表示可以包括基于从节点708-714接收的输入值来产生值的数学计算(或算法)。数学计算可以包括将不同的权重分配给从节点708-714接收的数据值中的每一者。节点716和718可以包括分配给来自节点708-714的数据变量的不同算法和/或不同权重，使得节点716-718中的每一者可以基于从节点708-714接收的相同输入值来产生不同值。在一些实施例中，初始分配给节点716-718中的每一者的特征(或输入值)的权重可以是随机生成的(例如，使用计算机随机产生器)。输出层706中的节点722可以使用由节点716和718生成的值来产生用于人工神经网络700的输出值。当人工神经网络700用于实现神经网络系统(诸如cnv评估系统100的cnv检测系统112)时，由人工神经网络700产生的输出值可以包括输出114。
97.可以通过使用训练数据来训练人工神经网络700。例如，本文的训练数据可以是来自oct成像数据110的一组图像。通过向人工神经网络700提供训练数据，可以训练(调整)隐藏层704中的节点716-718，使得基于训练数据来在输出层706中产生最优输出。通过连续提供不同组的训练数据，并且在人工神经网络700的输出不正确时(例如，在生成包括不正确的ga病变节段的分割掩膜时)对人工神经网络700进行惩罚，可以训练(调整)人工神经网络700(且具体地，隐藏层704中的节点的表示)以提高其在数据分类方面的性能。调整人工神经网络700可以包括调整与隐藏层704中的每个节点相关联的权重。
98.尽管以上论述涉及作为机器学习的示例的人工神经网络，但是应当理解，其他类型的机器学习方法也可以适用于实现本公开的各个方面。例如，支持向量机(svm)可以用于实现机器学习。svm是用于分类和回归的一组相关监督学习方法。svm训练算法(可以是非概率二元线性分类器)可以构建预测新示例是属于一个类别还是属于另一类别的模型。作为另一示例，贝叶斯网络可以用于实现机器学习。贝叶斯网络是一种非循环概率图形模型，它用有向非循环图(dag)表示一组随机变量和其条件独立性。贝叶斯网络可以呈现一个变量与另一变量之间的概率关系。另一示例是机器学习引擎，它采用决策树学习模型来进行机器学习过程。在一些情况下，决策树学习模型可以包括分类树模型以及回归树模型。在一些实施例中，机器学习引擎采用梯度提升机(gbm)模型(例如，xgboost)作为回归树模型。其他机器学习技术可以用于实现机器学习引擎，例如经由随机森林或深度神经网络。出于简单的原因，其他类型的机器学习算法未在本文中详细论述，并且应当理解，本公开不限于特定类型的机器学习。
99.vi.结论
100.尽管结合各种实施例描述了本教导，但本教导并不旨在限于此类实施例。相反，本教导涵盖本领域技术人员将理解的各种替代、修改和等同物。
101.例如，上面描述的流程图和框图展示了各种方法和系统实施例的可能实现方式的架构、功能和/或操作。流程图或框图中的每个方框可以表示模块、节段、功能、操作或步骤的一部分或者它们的组合。在实施例的一些替代性的实施中，方框中标注的一个或多个功能可以不按图中标注的顺序发生。例如，在某些情况下，连续显示的两个方框可以基本上同时执行。在其他情况下，方框可以以相反的顺序执行。进一步，在一些情况下，可以添加一个或多个方框以替换或补充流程图或框图中的一个或多个其他方框。
102.因此，在描述各种实施例时，说明书可能已将方法和/或过程呈现为特定的步骤序列。然而，如果该方法或过程不依赖于本文所述的特定步骤顺序，则该方法或过程不应限于列出的特定步骤序列，并且本领域技术人员可以很容易理解，这些序列可以是不同的，并且仍然保持在各种实施例的精神和范围内。
103.vii.实施例陈述
104.实施例1：一种方法，其包括：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的oct成像数据，以形成oct输入；针对脉络膜新生血管(cnv)疾病的存在分析oct输入；并且使用oct输入检测患者眼中cnv疾病的存在。
105.实施例2：根据实施例1所述的方法，其中检测cnv疾病的存在包括使用oct输入检测患者眼睛中的视网膜液，其中视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。
106.实施例3：根据实施例1或2所述的方法，其中折叠oct成像数据包括折叠关于患者眼睛的视网膜色素上皮(rpe)层的oct成像数据，以形成oct输入。
107.实施例4：根据实施例3所述的方法，其中折叠oct成像数据包括朝向rpe层展平oct成像数据中的一个或多个oct图像。
108.实施例5：根据实施例3或4所述的方法，其中折叠oct成像数据包括裁剪rpe层周围的多个像素。
109.实施例6：根据实施例1至5中任一项所述的方法，其中使用包括重新校准模块的机器学习系统执行检测cnv疾病的存在。
110.实施例7：根据实施例1至6中任一项所述的方法，其中经由嵌入在机器学习系统上的挤压和激发模块执行检测cnv疾病的存在。
111.实施例8：一种系统，其包括：非暂时性存储器；和硬件处理器，该硬件处理器与非暂时性存储器耦接并且配置成从非暂时性存储器读取指令以使系统执行包括以下操作的操作：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的oct成像数据，以形成oct输入；针对cnv疾病的存在分析oct输入；并且使用oct输入检测患者眼中cnv疾病的存在。
112.实施例9：根据实施例8所述的系统，其中检测cnv疾病的存在包括使用oct输入检测患者眼睛中的视网膜液，其中视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。
113.实施例10：根据实施例8或9所述的系统，其中折叠oct成像数据包括折叠关于患者的视网膜色素上皮(rpe)层的oct成像数据，以形成oct输入。
114.实施例11：根据实施例10所述的系统，其中折叠oct成像数据包括朝向rpe层展平oct成像数据中的oct图像。
115.实施例12：根据实施例10或11所述的系统，其中折叠oct成像数据包括裁剪rpe层周围的多个像素。
116.实施例13：根据实施例8至12中任一项所述的系统，其中使用包括重新校准模块的机器学习系统执行检测cnv疾病的存在。
117.实施例14：根据实施例8至13中任一项所述的系统，其中经由嵌入在机器学习系统上的挤压和激发模块执行检测cnv疾病的存在。
118.实施例15：一种非暂时性计算机可读介质，其具有存储在其上的计算机可读指令，该指令可执行以使计算机系统执行包括以下的操作：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的oct成像数据，以形成oct输入；针对cnv疾病的存在分析oct输入；并且使用oct输入检测患者眼中cnv疾病的存在。
119.实施例16：根据实施例15所述的非暂时性计算机可读介质，其中检测cnv疾病的存在包括使用oct输入检测患者眼睛中的视网膜液，其中视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。
120.实施例17：根据实施例15或16所述的非暂时性计算机可读介质，其中折叠oct成像数据包括折叠关于患者的视网膜色素上皮(rpe)层的oct成像数据，以形成oct输入。
121.实施例18：根据实施例17所述的非暂时性计算机可读介质，其中折叠oct成像数据包括朝向rpe层展平oct成像数据中的oct图像。
122.实施例19：根据实施例15至18中任一项所述的非暂时性计算机可读介质，其中折叠oct成像数据包括裁剪rpe层周围的多个像素。
123.实施例20：根据实施例15至19中任一项所述的非暂时性计算机可读介质，其中经由嵌入在机器学习系统上的挤压和激发模块执行检测cnv疾病的存在。

技术特征：
1.一种方法，其包括：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的所述oct成像数据，以形成oct输入；针对脉络膜新生血管(cnv)疾病的存在分析所述oct输入；并且使用所述oct输入来检测所述患者眼睛中cnv疾病的所述存在。2.根据权利要求1所述的方法，其中检测cnv疾病的所述存在包括使用所述oct输入来检测所述患者眼睛中的视网膜液，其中所述视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。3.根据权利要求1所述的方法，其中折叠所述oct成像数据包括折叠关于所述患者眼睛的视网膜色素上皮(rpe)层的所述oct成像数据，以形成所述oct输入。4.根据权利要求3所述的方法，其中折叠所述oct成像数据包括朝向所述rpe层展平所述oct成像数据中的一个或多个oct图像。5.根据权利要求3所述的方法，其中折叠所述oct成像数据包括裁剪所述rpe层周围的多个像素。6.根据权利要求1所述的方法，其中使用包括重新校准模块的机器学习系统来执行所述检测cnv疾病的所述存在。7.根据权利要求1所述的方法，其中经由嵌入在机器学习系统上的挤压和激发模块来执行所述检测cnv疾病的所述存在。8.一种系统，所述系统包括：非暂时性存储器；和硬件处理器，其与所述非暂时性存储器耦接并且配置成从所述非暂时性存储器读取指令以使所述系统执行操作，所述操作包括：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的所述oct成像数据，以形成oct输入；针对cnv疾病的存在分析所述oct输入；并且使用所述oct输入来检测所述患者眼睛中cnv疾病的所述存在。9.根据权利要求8所述的系统，其中检测cnv疾病的所述存在包括使用所述oct输入来检测所述患者眼睛中的视网膜液，其中所述视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。10.根据权利要求8所述的系统，其中折叠所述oct成像数据包括折叠关于所述患者的视网膜色素上皮(rpe)层的所述oct成像数据，以形成所述oct输入。11.根据权利要求10所述的系统，其中折叠所述oct成像数据包括朝向所述rpe层展平所述oct成像数据中的oct图像。12.根据权利要求10所述的系统，其中折叠所述oct成像数据包括裁剪所述rpe层周围的多个像素。13.根据权利要求8所述的系统，其中使用包括重新校准模块的机器学习系统来执行所述检测cnv疾病的所述存在。14.根据权利要求8所述的系统，其中经由嵌入在机器学习系统上的挤压和激发模块来执行所述检测cnv疾病的所述存在。
15.一种非暂时性计算机可读介质，其具有存储在其上的可执行以使计算机系统执行操作的计算机可读指令，所述操作包括：接收患者眼睛的光学相干断层扫描(oct)成像数据；折叠关于目的区域的所述oct成像数据，以形成oct输入；针对cnv疾病的存在分析所述oct输入；并且使用所述oct输入来检测所述患者眼睛中cnv疾病的所述存在。16.根据权利要求15所述的非暂时性计算机可读介质，其中检测cnv疾病的所述存在包括使用所述oct输入来检测所述患者眼睛中的视网膜液，其中所述视网膜液包括视网膜内液、视网膜下液或视网膜下色素上皮液中的至少一者。17.根据权利要求15所述的非暂时性计算机可读介质，其中折叠所述oct成像数据包括折叠关于所述患者的视网膜色素上皮(rpe)层的所述oct成像数据，以形成所述oct输入。18.根据权利要求17所述的非暂时性计算机可读介质，其中折叠所述oct成像数据包括朝向所述rpe层展平所述oct成像数据中的oct图像。19.根据权利要求17所述的非暂时性计算机可读介质，其中折叠所述oct成像数据包括裁剪所述rpe层周围的多个像素。20.根据权利要求15所述的非暂时性计算机可读介质，其中经由嵌入在机器学习系统上的挤压和激发模块来执行所述检测cnv疾病的所述存在。

技术总结
一种用于检测视网膜中年龄相关黄斑变性晚期的方法和系统。接收(202)视网膜的光学相干断层扫描(OCT)成像数据。使用所述OCT成像数据，经由机器学习系统来检测(204)所述视网膜中脉络膜新生血管(CNV)的存在。生成(206)指示已检测到所述视网膜中CNV的所述存在的输出。已检测到所述视网膜中CNV的所述存在的输出。已检测到所述视网膜中CNV的所述存在的输出。


技术研发人员：王晓勇
受保护的技术使用者：基因泰克公司
技术研发日：2021.12.02
技术公布日：2023/9/23