人工血管重建技术在糖尿病视网膜病变早期诊断和分类中的应用

医学信息学解锁20（2020）100390人工血管重建技术在糖尿病视网膜病变早期诊断和分类中的应用神经网络Mohamed M. Abdelsalam埃及曼苏拉大学工程学院计算机与系统系，邮编：35516A R T I C L EI N FO保留字：糖尿病视网膜病变光学相干断层扫描血管造影人工智能人工神经网络分类器A B S T R A C T背景：糖尿病视网膜病变（diabetic retinopathy，DR）是指糖尿病对眼部的影响.它是视网膜血管疾病之一，可导致视力丧失。DR导致血管网络的改变，包括血管生成和毛细血管消退。目的：本研究的目的是提供一个有效的鲁棒性和准确的自动方法，为早期发现DR的主题。该方法取决于两个步骤：1）使用编写的定制程序进行血管重建、增强和再连续性，以及2）人工神经网络（ANN）作为无糖尿病视网膜病变（DR）的糖尿病患者与轻度至中度非视网膜病变糖尿病视网膜病变（NPDR）受试者之间的自动分类器。方法：根据视网膜血管网的形态变化，提取最易变化的7个特征。这些特征是最大的10个和20个选定区域（包括或不包括中心凹无血管区（FAZ）区域、FAZ周长、圆度指数和血管密度）的毛细血管间面积的平均值。OCTA图像由埃及曼苏拉大学眼科中心获得并批准结果：100幅图像中，正常人40眼，糖尿病无DR者30眼，NPDR者30眼。整个系统的准确率达到97%。正常人与糖尿病患者分类系统的性能参数分别为97.5%的灵敏度，96.67%的特异性和95.2%的精确度。而无DR的糖尿病患者与非增殖性DR（轻度至中度）患者的敏感性、特异性和精确度分别为96.67%、96.67%和96.67%。最大误分类率为3.33%。结论：该方法能够准确地对无DR和非增殖性糖尿病视网膜病变患者进行分类。这种方法依赖于使用编写的自定义程序和MATLAB和Fiji的Image-J软件与监督人工神经网络的插件。该技术实现了高准确性，分辨率，特异性和精确性，诊断所需时间很短。1. 介绍人工智能（AI）在医疗系统分析中作为检测、分类、诊断和从图像中提取信息的医疗保健专家而受到关注[1]。人工智能使用复杂的算法和软件来模拟人脑进行信息处理和决策。AI在医学中的大部分应用可以总结如下：1) 疾病诊断：人工智能支持医生进行诊断，因为可以收集患者症状和/或图像，通过辅助临床实践的算法和技术进行处理。为了提高AI的准确性，它可以配备基于反馈的学习和自我纠正能力。这一改进改善了自动诊断，并使诊断过程更便宜，更容易[2，3]。人工智能技术被用于诊断与肿瘤[4-[15][16][17][18][19][20 ][21][22][23][24][25]tory [21，22].2) 药物的发现和开发：药物的开发和发现是一个昂贵的过程。人工智能扮演着重要的角色，因为它可以预测电子邮件地址：mohmoawed@yahoo.com。mohmoawad@mans.edu.eg网站。https://doi.org/10.1016/j.imu.2020.100390接收日期：2020年5月23日;接收日期：2020年6月25日;接受日期：2020年2020年7月1日上线2352-9148/©2020的作者所有发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuM.M. Abdelsalam医学信息学解锁20（2020）1003902Fig. 1. 图像处理步骤（a）源OCTA图像（b）分辨率增强的单个详细微血管结构图像（c）血管重建的二值化图像（d）以FAZ区域为中心的1.5 mm圆（e）计算位于圆内的设计毛细血管间面积分子的行为以及它们如何组合成有用的药物。生物制药公司使用人工智能来分析生物数据，识别目标，并搜索导致更有效药物发现的品种[23]。3) 个性化治疗：对药物的反应和治疗时间表可能因患者而异。因此，个性化治疗已成为延长患者寿命的主要潜力[24]。但是很难为每个病人确定合适的治疗方法。因此，随着患者数据及其病史的可用性4) 改进基因编辑：人工智能算法和计算机模型识别遗传数据集中的模式，它们可以预测患者的疾病进展、干预反应或基因突变的影响。糖尿病是一组以高血糖为特征的代谢性疾病，而糖尿病视网膜病变（diabetic retinopathy，DR）是指糖尿病对眼睛的影响。DR是导致视力丧失的视网膜血管疾病之一[26，27]。当血液中的糖比例永久增加时，它会阻塞人眼视网膜的微小血管;它会导致这些血管出血或液体泄漏。因此，眼睛在视网膜表面生长血管异常和新血管形成，但这种新血管形成几乎不能很好地工作并导致出血[28]。在早期阶段，没有观察到视力的变化。但随着时间的推移，糖尿病视网膜病变会导致视力丧失[29，30]。 因此，DR的早期检测和及时治疗可预防或延迟糖尿病相关性失明[31]。根据国际临床糖尿病视网膜病变疾病严重程度量表，糖尿病视网膜病变可分为：1）非增殖性糖尿病视网膜病变（NPDR），其又分为a）轻度NPDR：在这种情况下，视网膜具有较少的微动脉瘤，视力没有变化。b）中度NPDR：大于微动脉瘤，但小于重度NPDR。c）严重NPDR：患者患有以下任何一种：超过20个视网膜内病变，明确静脉出血和突出的视网膜内微血管异常（IRMA）。因此，导致异常生长因子分泌的许多血管被阻塞。2)糖尿病视网膜病变（PDR）：是晚期，患者患有新生血管和玻璃体/视网膜前病变[32]。诊断算法取决于视网膜医学成像方法，其可以根据侵入性或非侵入性成像技术分为：1）侵入性技术：血管造影术（FA）和吲哚菁绿血管造影术（ICGA），其需要长达10-30分钟的静脉内染料施用和成像。它们提供了通过视网膜血管的血流动态可视化的2D图像[33，34]。2)无创技术：光学相干断层血管造影（OCTA）是最新的无创技术[35它通过激光在移动的红细胞表面上的反射来提供体积血流信息图像，以准确地描绘通过眼睛的不同分割区域的几位研究人员介绍了不同的分类和检测糖尿病视网膜病变的早期诊断和治疗方法。 在参考文献[38]中，他们提出了一种基于图像处理技术组合的算法，如循环巨大变换（CHT）和对比度受限自适应直方图均衡（CLAHE）。在特刊[39]中，他们使用Gabor滤波器对正常和异常眼底图像进行分类。采用不同的图像预处理方法，分别对DR患者和正常患者的RGB视网膜眼底图像进行Adaboost、RandomForest和Voting分类。在参考文献中。[40]，他们提出了一种用于提取中央凹、视盘和视网膜组织的系统，用于眼底图像中的暗斑病变分割。该分类系统基于微动脉瘤和血管瘤的数量和位置。通过使用三种技术-照明均衡、CLAHE和平滑，从RGB眼底图像中提取微动脉瘤。在低亮度和对比度差的区域，微动脉瘤几乎不可见[41]。通过使用特征提取方法[42]或使用视网膜眼底数据集图像[43卷积神经网络（CNN）已成功应用于DR分类见参考文件[48]作者使用M.M. Abdelsalam医学信息学解锁20（2020）1003903图二. 糖尿病视网膜病变检测方法学。使用预训练的GoogLeNet和AlexNet模型对彩色眼底图像进行CNN，其中两个可用数据集包含约36200张图像。另一种基于Python开源数值计算库的CNN训练方法应用于眼底图像[49]，数据集超过30000张图像。此外[50使用k-means颜色压缩技术对眼底图像进行聚类以区分感兴趣区域，然后分割出糖尿病部分;最后，通过基于知识的模糊推理系统（FIS）识别DR [53]。在参考文献中。[54]，他们提出了一个分析视网膜血管几何特征的框架。对眼底图像进行分割，提取几何特征，建立基于统计推断的分类模型。神经网络吸引了许多研究人员的注意[55，56]。双重分类方法用于新血管。形态，强度和梯度为基础的功能创建了一个21-D的功能集。此后，使用遗传算法进行特征选择和SVM（支持向量机）参数选择[57]。早期发现是本研究的主要目的，初步治疗可以预防或延迟糖尿病相关性失明。提出了一种用于正常、无糖尿病视网膜病变的糖尿病患者和非增生性糖尿病视网膜病变（轻度和中度）的该算法易于扩展用于检测其他阶段，如严重NPDR和PDR。然而，这项研究旨在检测早期阶段，有时可能会根据图像质量或多个诊断进行混淆，以做出适当的决定。从Mansoura University - Egypt的眼科中心获得并批准输入图像，并通过Triton Topcon扫描源OCTA进行成像。1.1. 研究贡献研究贡献如下：1) 大多数研究者都是基于视网膜眼底图像设计了基于CNN的分类技术。这确实需要大数据集进行网络训练，缺乏对图像的深度欣赏，以及毛细血管的放大率较低。而OCTA方法提供了视网膜血管的定量分析，并提供了有关视网膜微血管的详细信息。2) 所提出的用于血管重建和再连续性的技术使用针对MAT-LAB和Fiji-ImageJ软件开发的编写程序和插件。而不是使用标准的可用功能，在图像分辨率或质量较低的情况下效果不佳。3) 根据视网膜血管网的形态学特征，提取了7个变化最大的特征M.M. Abdelsalam医学信息学解锁20（2020）1003904图三. 拟议的方法流程图。变化这些特征是最大的10个和20个选定区域的毛细血管间面积的平均值，作为感兴趣区域（ROI），包括或不包括FAZ区域、FAZ周长、循环指数和血管密度。4) 将所得的发散数值数据集用于训练人工神经网络，所提出的方法达到了97%的精度。2. 材料2.1. 患者视网膜图像回顾性观察性病例系列由埃及曼苏拉大学眼科中心获得并批准。在本研究中，样本可以分为40只健康人的眼睛糖尿病无DR组30眼，NPDR组30眼受试者年龄在40至65岁之间。所有受试者均由视网膜专家通过临床检查2.2. OCTA成像所有受试者均接受了（Triton Topcon扫描源OCTA）成像。TopconMedical Systems（TMS）位于新泽西州奥克兰，是眼科诊断设备的领先开 发 商 和 供 应 商 。 Topcon Medical Systems 是 日 本 东 京 TopconCorporation该装置具有诸如100，000 A扫描/秒的采集速度、1050 nm波长、分离的B扫描采集时间近似的特征。14毫秒？它自动检测7个边界，包括M.M. Abdelsalam医学信息学解锁20（2020）1003905�见图4。 多层人工神经网络。脉络膜巩膜界面12 mm B扫描覆盖黄斑区和视盘[58]。该设备具有3*3 mm、4.5*4.5 mm和6*6 mm的正面采集区域。使用血管造影3*3 mm进行研究图像，以获得更多的视网膜血管系统细节。扫描模式由4个重复的B扫描组成，每个B扫描在320个光栅位置处进行320次A扫描，以中央凹中心为中心。320*320 A扫描的理论采集时间为4.1s。所获得的图像中的一些遭受伪影，如低分辨率、由于患者的移动或眨眼而在图像中被切割、以及FAZ位置不在图像中居中。这些伪影将在以下研究图像中进行说明。3. 方法3.1. 糖尿病视网膜病变检测方法图像处理技术步骤可以在图1中示出。1.一、基于机器学习方法的方法可以讨论如下：1. 输入图像为320 × 320像素灰度级。源图像可能遭受低分辨率、较低质量以及不能检测通过毛细血管或微血管的血流。 如图所示。 1-a。2. 使用MATLAB软件编写了一个自定义程序，用于对比度和分辨率增强。首先，使用阈值来显示微血管结构像素。其次，对图像像素进行灰度矩阵的获取。省略没有任何邻近像素的独立像素，并调整背景图像颜色。3. Multistage通过对不同血管直径的同一源图像获取不同的图像样本，用于微血管结构放大。4. 结合不同的图像样本，以获得单个详细的微血管结构图像，如图所示。 1-b5. 构建二值化血管图。它们是通过从图像的边界开始扫描图像像素，具有pi x els转换的相邻pi X els的值高于如图2所示的经验预定义阈值。 1-c。6. 通过使用定制编写的MATLAB程序进行血管重建和重新连续，以获得图13。 1-d。7. 最后，定义毛细血管网中央边界内最大的连续区域为FAZ区域，并自动勾画出该区域然后，画一个半径为1.5毫米的圆，中心在FAZ区域，如图。 1-e。8. 如图1.f所示，计算所需的毛细管间面积，并开始提取其他所需的特征。9. 创建用于DR分类的具有四层的ANN。该网络由一个具有七个神经元的输入层组成，这七个神经元是提取的七个特征。两个隐藏层分别有5个和10个神经元。一个输出层，三个神经元用于三个分类阶段。该网络被训练，直到达到最小满足误差（δ）。其中最小满意误差被选择为10 - 4。糖尿病视网膜病变检测方法如图所示。二、3.2. 图像特征提取以FAZ区域为中心画一个直径为1.5 mm的圆，然后提取七个特征，如下所示：1. 最大的10个毛细血管间面积的平均值，作为FAZ区域周围的关注区域，位于圆圈内，不包括FAZ区域面积。2. 最大的20个毛细血管间面积的平均值，作为FAZ区域周围的关注区域，位于圆圈内，不包括FAZ区域面积。3. 围绕FAZ区域并位于圆圈内的最大10个毛细管间面积的平均值，包括FAZ区域面积。4. 围绕FAZ区域并位于圆圈内的最大20个毛细管间面积的平均值，包括FAZ区域面积。5. FAZ周长，即FAZ区域周围血管的长度。6. FAZ圆度指数，这是完美圆度形状的度量。完美的圆度形状导致圆度指数等于M.M. Abdelsalam医学信息学解锁20（2020）1003906图五. 正常受试者样本图像。1;不规则圆形形状具有小于1的值。相反，一些研究计算了非循环指数[59]。7. 整个图像的血管密度。然后将提取的七个特征作为神经网络输入，并开始网络训练。所有这些步骤都总结在所提出的方法的流程图中，如图3所示。3.3. 人工神经网络简介神经网络是一组接近人脑建模的算法;它们被设计用于执行几乎非线性的统计建模。人工神经网络是一种受生物学启发的编程范式，使计算机能够从观测数据中学习。它是最常用的方法，用于开发医学中二分性结局的预测模型。网络架构中的基本元素称为神经元，它根据其激活功能执行特定任务。基本架构由三种类型的神经元层组成：输入层、隐藏层和输出层，如图所示。 四、其中aj是隐藏层中第j个神经元的输出，ok是网络输出，ωi，j是路径（i，j）的网络权重，bj是第j个神经元偏置。在前馈网络中，信号流是从输入到输出单元，严格地沿着前馈方向。训练神经网络的目标是最小化累积误差，其可以表示为：M.M. Abdelsalam医学信息学解锁20（2020）1003907图六、 无DR的 糖 尿 病 受 试 者 样本图像。E¼1XN（1）第一章：第一次见面如前所述，研究人员使用神经网络进行分类2升1其中.N是神经元的总数，yi是目标输出，ok是实际神经元输出。根据网络误差，权重w应修改为：��其中α是学习参数，它是常数，根据结果输出和误差，符号可以是正的或负的。在神经网络中有几种学习方法[60，61]。 许多应用.4. 结果和讨论4.1. 图像处理结果正常、无DR的糖尿病和NPDR的图像样本总结见图11。图5. 6和图7.第一次会议。图 5-7包括：第一行包含源图像。第2行为微血管结构放大增强后的图像。M.M. Abdelsalam医学信息学解锁20（2020）1003908M.M. Abdelsalam医学信息学解锁20（2020）1003909图7.第一次会议。 轻度至中度NPDR受试者样本图像。第3行显示微血管结构的二值化形状。第4行显示具有1.5 mm直径的彩色二值化图像以FAZ区域为中心的距离圆第5行显示放大的圆圈，其中FAZ区域周围有毛细管间区域。第6行包含由毛细血管间区域标记的总图像。在正常情况下，FAZ区域具有更多的圆形形状，DWDR和DR病例。糖尿病视网膜病变的病例与正常和DWDR病例相比，由于血管畸形的开始，FAZ面积和周长较大。在正常情况下，毛细血管间面积较小，而在DWDR中，由于微小的微血管被阻塞，毛细血管间面积略大。由于引入了更多的差距，由于新的微血管异常而阻塞的大微血管。4.2. 人口学特征正常和糖尿病受试者的人口统计学特征见表1。对40例健康人、30例无DR的糖尿病患者和30例轻中度NPDR患者的100只眼进行了检查。根据表1，进行统计分析以评估人口统计学特征的重要性。在本研究中，如果相关P值小于0.05，则数据具有显著性。的M.M. Abdelsalam医学信息学解锁20（2020）10039010表1正常和糖尿病受试者的人口统计学特征位于以FAZ为中心的1.5 mm圆直径内的区域，包括和不包括FAZ区域、FAZ周长、FAZ圆度特征正常（N¼ 40）糖尿病无DR（DWDR）轻度至中度NPDR（N¼30）p值指数和血管密度。为了便于比较，三个主题通过ANOVA（方差分析）检验分析，除20个ROI具有P <0.0001的高度显著性结果外，其他类型均具有P <0.0001的高度显著性结果。<<（N ¼30）0.0006. 这是一个非常令人鼓舞的结果，并提供了一个理由，年龄（岁）平均年龄51.6 �6.9853.17� 9.5 54.7� 8.37 0.2974持续发展。表3中的这些结果示于图8中。很明显，正常眼睛对于10和20个ROI具有最小的面积，包括或女性/男性（N）偏侧性（RT/LT）19/21 17/13 10/20 0.259117/23 19/11 16/14 0.5726不包括FAZ区域图8（a，b，c，d）;该结果是由于微血管的近似正态分布。这些区域在DWDR中开始增加，在NPDR中增加更多，这是由于很少有血管被阻塞，以及新的异常微动脉瘤，受试者年龄的平均值和标准差均P>0.2974（P>0.05），无统计学意义。因此，不能肯定地说，不同受试者女性/男性受试者为46/54，P>0.2591。RT/LT偏侧性为52/48，P>0.5726。因此，人口统计学特征在统计学上不显著。4.3. 图像分析结果在本节中，将分析图像以提取将用作神经网络输入的七个特征。对于毛细血管间面积的定量分析，计算10个和20个最大毛细血管间面积的平均值，包括或不包括FAZ区域、圆形指数、FAZ周长和血管密度。计算-被创造出来。相比之下，由于存在影响FAZ圆形形状的新毛细血管，非增殖性DR具有最大的FAZ周长4.2732 mm和最低的圆形指数0.3734，参见图8（e，f）。正常人的FAZ周长最小为2.6773 mm，高圆度形状的圆度指数为0.6442。在正常受试者中，血管具有近似正态分布，血管密度为51.54%，图8（g）。在无糖尿病视网膜病变的糖尿病患者中，几乎没有血管被阻塞而没有视力影响;因此，血管密度降低至46.62%。但在非增殖性DR中，表3受试者结果。项目正常DWDR NPDR p值标定这些参数是测量过量的重要因素糖尿病患者的微血管。样本图像主题的特征提取结果总结在表2中。正常情况包括或排除FAZ区域具有最低面积，而糖尿病患者具有中等面积，并且在糖尿病视网膜病变患者中获得最大面积;这意味着这是区分它们的良好度量。在一般情况下，它被发现，糖尿病的图像包括随机结构和毛细血管损失的毛细血管间区域的数量增加很少。这一事实反过来又影响FAZ区域的形状和面积，并导致其圆形形状的变形。从圆度系数可以清楚地看出，正常情况下圆度系数最小为0.518，无视网膜病变的糖尿病患者圆度系数增加到0.551，而糖尿病视网膜病变患者圆度系数较小，最大圆度指数为0.438。对于40名正常人、30名无视网膜病变的糖尿病患者和30名有视网膜病变的糖尿病患者，结果总结在表3中。不含FAZ的平均面积（10个ROI）（mm2）（中文）FAZ的平均面积（10个ROI）（mm2）（中文）平均面积（20个ROI）无FAZ（mm2）（中文）FAZ的平均面积（20个ROI）（mm2）（中文）FAZ周长（mm）（中文）FAZ圆度指数（�std）血管密度（%）（中文）0.0107（0.0013）0.0496（ 0.078）0.0081（0.0012）0.0287（0.0044）2.6773（0.2758） 0.6442（0.0523）51.54（1.825）0.0198（0.0026）0.0618（ 0.016）0.01584（0.00225）0.0373（0.0078）3.135（�0.5128）0.5518（0.0816）46.62（1.802）0.0246（0.0047）0.0782（0.0042）0.0171（0.0035）0.0462（0.0032）4.2732（�0.3038） 0.3734（0.0307）47.185（1.285）0.00010.00010.00060.00010.00010.00010.0001表3显示了完整的受试者结果。通过获得最大的10个和20个毛细管间的平均值来研究表2为样本图像提取的特征。N：正常，DWDR：糖尿病无DR，NPDR：非退行性DR，DR：糖尿病视网膜病变。图像Id平均面积（10个区域）(mm（二）平均面积（20个区域）(mm（二）FAZ周长（mm）FAZ循环血管密度（%）关于FAZ无FAZ关于FAZ无FAZ指数小行星2879N0.04800.01200.02800.00982.660.66148.45小行星6961RN0.03600.00750.02070.00652.3250.66752.89小行星7031RN0.04740.01120.02740.00922.980.51851.25小行星12203RN0.06700.01130.03770.00973.2480.65349.74小行星5729LDWDR0.07380.01750.042340.013973.660.5448.12小行星5729RDWDR0.07720.021760.045170.016333.450.6445.58小行星7543LDWDR0.04590.017560.028580.014252.890.44646.54小行星7543RDWDR0.050370.022260.033090.018812.540.58143.57M.M. Abdelsalam医学信息学解锁20（2020）10039011小行星5730RNPDR0.07350.03090.04400.02243.550.43844.356004LNPDR0.07670.01600.04180.01244.50.35146.05小行星7933RNPDR0.07150.01560.04100.01284.660.33047.1小行星10972RNPDR0.08400.02500.04670.01694.60.35847.28N：正常，DWDR：糖尿病无DR，NPDR：非退行性DR，DR：糖尿病视网膜病变。M.M. Abdelsalam医学信息学解锁20（2020）10039010见图8。 正常、DWDR和NPDR(mild至 中度 ）， 很少 产 生新 的微 动脉 瘤， 使 得血 管密 度增 加 至47.185%。在从主题图像提取七个特征或参数之后，四层人工神经网络用作分类器。网络层分别由7、5、10和3个神经元组成。网络性能达到0.0018。在神经网络训练中仅使用了70幅样本图像，而其他30幅图像（10幅图像用于每个类别）用于网络测试，即，测试数据集包含来自训练数据集的70幅图像和用于验证分类有效性的新的30幅图像。4.4. 业绩计量为了推断所提出的系统的质量，几个性能M.M. Abdelsalam医学信息学解锁20（2020）10039011表4分类精度数据。数字正常DWDRNPDR总科目403030100正确分类的图像39292997错误的分类图像1113分类准确率97%DWDR：糖尿病无DR，NPDR：非退行性DR，DR：糖尿病视网膜病变。表5混淆矩阵X正常与糖尿病。分类正常分类糖尿病特异性为96.67%，精密度为95.12%。DWRP和NPDR的敏感性、特异性和精密度分别为96.67%、96.67%和96.67%。这些结果可以通过增加受试者的数量来轻松增强。两个诊断阶段的误分类误差最小为3%最后，所提出的方法取决于OCTA图像质量。在这项研究中，研究图像的质量范围在40%到65%之间，这可以通过大多数OCTA仪器实现。当图像质量低于35%或30%时，方法限制增加，并且将获得差的因此，使用这种方法进行医学诊断可能很困难，即使对于医生也是如此。可以用于糖尿病视网膜病变分类的另一种方法是支持向量机。这是一个有用的方法，普通（40）39TP（真阳性）糖尿病（60）2FP（假阳性）表6混淆矩阵XDWDR与NPDR。1FN（假阴性）58TN（真阴性）限制数据集的情况。 它是一种有监督的机器学习方法，这取决于将数据项标绘为维度空间中等于所提取的特征的点。然后，它有助于确定正确区分类的超平面。然而，SVM也有局限性：1）它有几个关键参数需要正确设置才能获得最佳分类结果。2)在特征数量远大于样本数量的情况下可能发生的过拟合。3）大数据集的训练时间长然而，这种方法可能实际状况作为一种分类方法在今后的工作中是有用的DWDR（30）29TP（真阳性）NPDR（30）FP（假阳性）1FN（假阴性）29TN（真阴性）5. 结论一种基于人工神经网络的有监督机器学习方法DWDR：糖尿病无DR，NPDR：非退行性DR，DR：糖尿病视网膜病变。表7灵敏度、特异性和精密度参数。提出了一种分类工具。使用OCTA对受试者所研究的图像的质量范围在40%和65%之间。所提出的系统是重要的，因为它提供了一种准确、自动和定量的简单方法用于早期检测糖尿病视网膜病，其中该主题是本研究的主要关注点。早期发现有助于加快治疗速度，并延迟糖尿病相关的失明-性能参数正常与糖尿病DWDR与NPDR奈斯无DR的糖尿病和非增殖性视网膜病变眼睛之间的分类达到了97%的准确性，灵敏度（%）[TP/（TP/FN）]*100 97.5 96.67特异性（%）[TN/（TN/FP）]*100 96.67 96.67精密度（%）[TP/（TP/FP）]*100 95.12 96.67有限的数据集。采用特征选择策略进行了诊断，选择的特征是最大的10个和20个区间，在以FAZ为中心的直径为1.5 mm的圆内的毛细管区域误分类误差（%）[（FP ≤FN）/（TP≤ 3 3.33包括或不包括FAZ区域、FAZ周界、FAZ（TN）]*100DWDR：糖尿病无DR，NPDR：非退行性DR，DR：糖尿病视网膜病变。可以使用测量来评估系统的有效性。所使用的措施是：分类精度：测量值与期望值的接近程度。混淆矩阵：一种性能度量表，用于描述分类模型的性能。敏感度：衡量积极的个人如何被正确分类。特异性：衡量消极个体如何被正确分类。精度：两个或多个测量值之间的接近程度。表4、表5、表6和表7总结了性能测量结果。从表4至表7可以得出结论，对于100只研究的眼睛，所建议的分类器方法的分类准确率达到97%提取的特征精确地描述了视网膜的形态变化。所选择的特征具有不同的分布和值，其从一个阶段到另一个阶段不同，并且能够进行分类过程。对于正常人和糖尿病患者的比较，灵敏度为97.5%，循环指数和血管密度。通过分析表明，这些选定的功能的使用直接相关的视网膜血管系统中的显着的形态学变化。使用这些特征作为人工神经网络的输入有助于早期诊断DR，以避免长期和困难的治疗过程，也避免快速失明。该算法可以很容易地扩展到其他阶段的检测，如严重的NPDR和PDR。然而，本研究旨在检测早期阶段，根据图像质量或多种诊断，有时可能会混淆，以做出适当决定5.1. 今后工作设计一个新的图形用户界面（GUI）应用程序，可以提取选定的图像特征，用于早期检测和诊断。介绍了视网膜血管网络的多重分形分析在糖尿病视网膜病变分期中的作用。使用支持向量机方法对糖尿病视网膜病变分期进行分类。竞合利益作者声明，他们没有已知的可能影响本文所报告工作��������M.M. Abdelsalam医学信息学解锁20（2020）10039012确认作者要感谢埃及曼苏拉大学眼科中心医学分析专家Elshaimaa Amin在获取OCTA图像方面的支持。附录A. 补充数据本 文 的 补 充 数 据 可 在 https ： //doi 网 站 上 找 到 。org/10.1016/j.imu.2020.100390。引用[1] Jiang F，Jiang Y，Zhi H，Dong Y，Li H，Ma S，Wang Y，Dong Q，Shen H，Wang Y.医疗保健中的人工智能：过去，现在和未来中风血管神经2017;2：230-43。https://doi.org/10.1136/svn-2017-000101网站。[2] 陈耀光，陈耀芳，范泰，张伟，谢明扬.人工智能在医疗中的应用J HealthcEng 2018;2018：1-2. https://doi.org/10.1155/2018/4827875.[3] 卡什亚普·阿布舍克人工智能医疗诊断无标题。& Scholars J Appl Med Sci2018;6：4982-5. https://doi.org/10.21276/sjams.2018.6.12.61网站。[4] Kim JK，Choi MJ，Lee JS，Hong JH，Kim C-S，Il Seo S，Jeong CW，Byun S-S，Koo KC，Chung BH，Park YH，Lee JY，Choi IY.前列腺癌病理分期的深度信念网络和J.Health c.工程2018：1-8。https://doi.org/10.1155/2018/4651582。2018年[5] 张文辉，王文辉，王文辉.人工智能在肿瘤学中的应用：当前应用和未来方向。OncolJ 2019;33：46-53.[6] 霍·D癌症治疗中的人工智能。Science 2020;367（80）：982-3.https://doi.org/10.1126/science.aaz3023。[7] 洛杉矶懦夫大脑解剖学和人工智能。2011.第255- 268页。网址：//doi.org/10.1007/978-3-642-22887-2_27。[8] [10]杨文，李文. 用于神经科学的人工智能：行为神经刺激。13.第十三届中国国际医疗器械博览会https://doi.org/10.3389/fnins.2019.01346网站。[9] [10]李文，李文.使用深度学习和图形搜索自动分割非渗出性AMD患者OCT图像中的九个视网膜层边界。Biomed Optic EX press 2017;8：2732。网址：//doi.org/10.1364/BOE.8.002732。[10] 郭英，卡米诺A，王杰，黄丹，黄子泽，贾英。MEDnet，用于OCT血管造影中无血管区域自动检测的神经网络。Biomed Optic EX press 2018;9：5147。https://doi.org/10.1364/BOE.9.005147网站。[11] [10]李文辉，李文辉刘伟，刘伟，刘伟.深度学习从彩色眼底照片预测糖尿病黄斑增厚的OCT测量。Investig Opthalmol Vis Sci 2019;60：852. https://doi.org/10.1167/iovs.18-25634网站。[12] Benjamins JW，Hendriks T，KnuutiJ， Juarez-Orozco LE，van der Harst P.心血 管 医 学 人 工 智 能 入 门 ， 荷 兰 Hear 。J 2019;27 ： 392-402.https://doi.org/10.1007/s12471-019-1286-6网站。[13] Kagiyama N，Shrestha S，Farjo PD，Sengupta PP.人工智能：心血管疾病临床研究的实用入门2019年美国心脏病杂志https://doi.org/10.1161/JAHA.119.012788网站。[14] de Marvao A，Dawes TJW，O'Regan DP.心脏成像的人工智能-遗传学研究。2020年前血管医学;6. https://doi.org/10.3389/fcvm.2019.00195.[15] Ozkan IA， Koklu M ， Sert IU.基 于 人 工 智 能 方 法 的 尿 路 感 染 诊 断 。 ComputMethodsProgrBiomed2018;166：51-9.网址：//doi.org/10.1016/j.cmpb.2018.10.007。[16] 杨伟杰，王伟杰，王伟杰.医学成像中的人工智能：威胁还是机遇？放射科医生再次站在医学创新的前沿。Eur Radiol EX p 2018;2：35.https://doi.org/10.1186/s41747-018-0061-6.[17] Bahado-Singh RO，SonekJ， McKenna D，Cool D，Aydas B，Turkoglu O，Bjorndahl T，Mandal R，Wishart D，Friedman P，Graham SF，Yilmaz A.人工智能和羊水多组学：预测无症状短宫颈妇女的围产期结局，超声产科。妇科2019;54：110-8. 网址：http：//doi.org/10.1002/uog.20168[18] 作者：J.J. T.基于预测的孕妇健康监测的混合方法。Procedia Technol 2016;24：1635-42. 网址：//doi. org/10.1016/j.protcy.2016.05.171。[19] [10] Le Berre C，Sandborn WJ，Aridhi S，Devignes M-D，Fournier L，Smaïl-Tabbone M，Danese S，Peyrin-Biroulet L.人工智能在胃肠病学和肝病学中的应用。胃肠病学2020;158：76-94。网址：//doi.org/10.1053/j.gastro.2019.08.058。e2.[20] 何艳生，苏俊荣，李智，左晓丽，李玉清。人工智能在消化道内镜检查中的应用。J Dig Dis 2019;20：623-30. https://doi.org/10.1111/1751-2980.12827。[21] 放大图片作者：CatherwoodPA，Rafford J，McLaughlin J. 人工智能用于长期呼吸系统疾病管理。2018.https://doi.org/10.14236/ewic/HCI2018.65.[22] Labaki WW，Han MK.人工智能和胸部成像。深度学习会让我们更聪明吗？AmJRespir Crit Care Med 2018;197：148-50. https://doi.org/10.1164/rccm.201709-1879ED.[23] [10]李文辉，李文辉.人工智能在给药系统设计中的意义。Adv Drug Deliv Rev2019;151-152：169-90. 网址：http：//doi.org/10.1016/j.addr.2019.05.001[24] 新泽西州肖克人工智能和个性化医疗。2019年。p. 265比83https://doi.org/10.1007/978-3-030-16391-4_11。[25] [1] Allen F，Crepaldi L，Alsinet C，Strong AJ，Kleshchevnikov V，De Angeli P，Pa�leníkov�aP，KhodakA，KiselevV，KosickiM，Basse