变分水平集与深度表征联合学习的视网膜病变分析及预测

Accurate quantification and progression prediction of retinal diseases based on optical coherence tomography (OCT) images play a vital role in early detecting and clinical diagnosing diseases. Focusing on the segmentation and progression prediction of retinal diseases in complicated pathological phenotypes, this project further studies the theoretical method for the joint learning of variational level set and deep representation by breaking through key technologies and automated segmenting and predicting retinal diseases. Our work mainly includes as the following researches: (1) To solve the problem of layers segmentation in retinopathy images, we propose multi-phase variational level set by coupling retinal prior knowledge. The segmentations are then utilized to provide layer characterization for the progression prediction model. (2) To overcome the issue that the performance of the traditional variational level set method is prone to be affected by image noise and pathological phenotypes, a joint learning model is proposed by combining the variational level set with deep representation to accurate segment retinal lesions. (3) A three-dimensional retinopathy progression prediction model is proposed by integrating the related phenotypes and the progression rate distributions to fast and accurate predict the future regions where the lesion is likely to grow. The research in this project has great significance on the theoretical development of variational level set and deep network, and also provides more effective quantitative parameters for the decision of clinical treatment and diagnosis.

光学相干断层（OCT）图像视网膜病变量化分析及预测对眼底病变的早期筛查和临床诊断具有重要意义。本项目针对复杂病理表型下的病变组织精确分割及演化趋势预测，深入开展变分水平集与深度表征联合学习的理论与方法研究，突破其中的关键技术，实现视网膜病变的自动化分割及演化趋势预测，主要研究内容包括：（1）针对OCT图像中由病变引起的视网膜层结构紊乱的分割难题，提出耦合图像先验的多相变分水平集方法，为视网膜病变演化预测模型提供层结构表征；（2）将深度表征引入到变分水平集，构建精确分割视网膜病变的联合学习模型，解决传统变分水平集受图像噪声、复杂病理表型等影响的问题；（3）结合与病变演化相关的临床病理表型和演化速率分布图，构建三维视网膜病变演化预测模型，以快速准确预测病变未来可能的演化区域。本项目的研究结果对变分水平集和深度网络的理论研究具有重要意义，同时也为临床治疗诊断决策提供更多有效的病变量化分析参数。

光学相干断层（OCT）图像视网膜病变量化分析及预测对眼底病变的早期筛查和临床诊断具有重要意义。本项目针对复杂病理表型下的病变组织精确分割及演化趋势预测，深入开展变分水平集与深度表征联合学习的理论与方法研究，突破其中的关键技术，实现视网膜病变的自动化分割及演化趋势预测，主要研究内容包括：（1）针对OCT图像中由病变引起的视网膜层结构紊乱的分割难题，提出了基于耦合概率水平集和结构先验知识的视网膜组织层提取方法，为视网膜病变演化预测模型提供层结构表征；（2）为克服传统方法对组织层分割的依赖问题，提出了基于双阶段学习的GA病变自动分割方法和基于面积约束和双分支结构的全卷积神经网络分割，从而实现复杂病变结构的量化分析；（3）将变分水平集引入到深度神经网络，构建精确分割视网膜病变的联合学习模型，解决传统变分水平集受图像噪声、复杂病理表型等影响的问题；（4）结合与病变演化相关的临床病理表型和演化速率分布图，提出了基于SD-OCT图像的时间自适应地图状萎缩演进预测模型，以快速准确预测病变未来可能的演化区域。此外，依托本项目，联合斯坦福大学、南京理工大学和江苏省人民医院眼科中心，构建地图状萎缩演进预测数据集、黄斑水肿数据集以及黄斑中央凹定位数据集。通过本项目研究所提出的理论方法来解决目前已有方法存在的问题，在视网膜病变的自动化分割及预测取得了一定突破，研究结果对变分水平集和深度网络的理论研究具有重要意义，同时也为临床治疗诊断决策提供更多有效的病变量化分析参数。