通过光学相干断层照相的用于诊断视神经疾病的视网膜地形案分析的制作方法

专利名称：：通过光学相干断层照相的用于诊断视神经疾病的视网膜地形案分析的制作方法
技术领域：
：本发明属于眼科领域，更具体地说，本发明属于用于获取并且分析光学相干断层照相图像以检测视神经疾病的方法。
背景技术：
：所有的视神经病变都会在根本上影响视网膜的内层。尤其，神经纤维层(NFL)、神经节细胞层(GCL)和内丛状层(IPL)是最受影响的。相反，内核层(INL)是受到影响较小的，而外层是不受影响的1。由于视网膜中三个内层各自包含视网膜神经节细胞的不同部分(NFL包含轴突，GCL包含细胞体，IPL包含树突)，因此将该局部解剖变异考虑进去的诊断方法通常具有更好的诊断特异性。例如，尽管对视网膜总厚度的测量会提供一般的诊断信息，但是聚焦在视神经乳头(ONH，还称为视神经盘)附近区域周围的测量将提供更多的诊断信息，因为NFL在这个区域是最厚的。在黄斑(凹窝周围的区域)中，所有三个内层都提供诊断信息，因此，最好测量包括NFL，GCL和IPL的组合内视网膜层。虽然这个原理在理论上是很简单的，但是其在实践上却是不容易的。以青光眼的诊断为例。青光眼视神经病变是由于眼科解剖学中的几处步进性交替而引起的视网膜神经节细胞(RGC)的丢失，视网膜神经纤维层(NFL)的变薄以及视神经盘成杯状。因此，顺理成章，这些解剖学变化可以用作青光眼的诊断指示符。不幸的是，实践中，在诊断方法中不能容易地运用该知识。在传统的裂隙灯眼科检查中无法看到RGC丢失。同样，在临床检查中很难检测到NFL束缺陷。尽管无赤光眼底照相术能够检测到视网膜的血管系统以及神经纤维中的变化，但是该技术很少用在临床实践中。因此，目前，青光眼的临床诊断仅仅基于特征性的视神经杯状并且结合针对患者对应视场缺损的测试。但是，由于RGC群体的大量丢失可能在可以检测到视场缺损之前发生，并且该结构性丢失可能比可检测到功能丧失早发生长达5年，所以用于青光眼临床诊断的现有方法不足于对疾病进行早期检测。因此，目前，对于能够识别并且量化RGC群体的变化并且在临床设置中也容易管理的检测和预测方法的需求尚未满足。图1示出了根据本发明实施方式的黄斑图7毫米(匪7)扫描图案。该图中示出的4示例性扫描在0.58秒内在7毫米的方形区域中扫描了14，944点。图2示出了黄斑区域中的视网膜横截面的示例性OCT图像。神经节细胞复合体(GCC)也称为内视网膜层(IRU，由神经纤维层(NFL)、神经节细胞层(GCL)和内丛状层(IPL)组成。视网膜在凹窝中比较薄，这充当用于定位凹窝中心的界标。图3示出了根据本发明实施方式的示例性GCC厚度图。单位是ym。从分析中去除了无法可靠测量GCC的中央凹窝区域(黑圆圈)。图4示出了根据本发明实施方式的一组示例性GCC厚度图和派生图。左上被测试的眼睛的GCC厚度图，单位iim。右上正常平均GCC厚度图，单位iim。左下偏差(D)图，单位iim。右下分数偏差(FD)图，单位％。图5示出了具有统计上显著的焦点丢失的区域(由阴影线图案标记)的青光眼眼睛的示例性GCCFD图。单位是％。图6示出了一组示例性GCC厚度图和派生图。左上被测试的眼睛的GCC厚度图，单位ym。右上测试眼睛的图案图，单位％。左下平均正常眼睛的图案图，单位％。右下图案偏差(PD)图，单位％。图7示出了具有统计上显著的焦点变稀疏的区域(由阴影线图案标记)的青光眼眼睛的示例性GCCFD图。单位是％。图8示出了对于各种视神经病变的示例性特征PD图组。左上下方青光眼(inferiorglaucoma)(IG)，35只眼，右上均匀青光眼(EG)，41只眼。左中上方青光眼(superiorglaucoma)(SG)，18只眼，右中视神经炎(ON)，22只眼。左下上方AI0N(SAI0N)，11只眼。右下下方AI0N(IAN0N)，7只眼。单位是％。图9示出了从青光眼眼睛获得的黄斑中的视网膜总厚度的示例性偏差图。单位是lim。图10示出了从青光眼眼睛获得的总和GCC/0RC反射率比的示例性分数偏差图。单位是％。图11示出了示例性正常乳头周围的NFL厚度图。图12示出了用于视野计(perimetric)青光眼情况的示例性图组。所有的黄斑GCC厚度(mGCCT)参数都是不正常的(平均值=71ym;p<0.5%;焦点丢失量=12.6%，p<0.5%，总体丢失量=26.5%，p<0.5%;图案方差系数=21%，p<0.5%;上方-下方差=17.0iim，p<0.5%)。(A)示出了示例性mGCCT图。(B)示出了具有由阴影线图案标记的显著焦点丢失的区域的示例性分数偏差图。(C)示出了示例性图案偏差图。(D)示出了表示颞下边缘丢失的示例性神经盘照片。(E)示出了示例性视场(VF)图案偏差(PD)图。VF是不正常的(图案标准偏差=16.5dB，p<0.5%);青光眼半场测试是在正常限度之外的。椭圆形虚线表示对应于mGCCT图的区域。上VF缺陷对应于下神经节细胞丢失以及神经盘边缘变薄。图13示出了PG眼的平均mGCCT分数偏差图的示例性图像。这表示青光眼中的神经节细胞丢失的特征图案。图14示出了来自示例性PPG情况示例的图像。(A):mGCCTFD图。一些mGCCT参数是不正常的(AVG=82.5iim，p>5%;FLV=4.9%，p<0.5%，GLV=13.2%，p<0.5%;PCV=0.13，P>5%;SID=-12.1iim，p<0.5%)。(B)示出了颞上边缘的早期轻微变5薄的神经盘照片。(C)VFPD图。
发明内容简略地说，本发明提供一种用于检测并诊断受验者的视神经病变的方法，该方法一般包括以下步骤利用FD-OCT生成黄斑图；基于黄斑图构造黄斑区域的三维厚度图；从所述厚度图计算派生图；通过将图案分析方法应用于图来识别图中的不正常区域；并且基于所述厚度图、所述派生图、在图中识别出的不正常区域、或其组合，来确定诊断参数。在本发明的方法中，发明人已经发现，黄斑图的质量和厚度图的后续构造很大程度上依靠采用的扫描图案。因此，本发明的发明人已经设计了新的扫描图案以实现快速黄斑扫描，这可以有利于构造高质量三维厚度图。—旦通过采用根据本发明实施方式的扫描图案获得了黄斑图，然后就可以通过在黄斑图的个体扫描之间进行插值来构造黄斑区域的二维厚度图。根据黄斑区域的该二维图，然后可以构造各种派生图，并且图案分析方法用于提取对检测和诊断视神经病变有用的诊断信息。在优选实施方式中，通过根据如图1所示的匪7扫描图案来执行一系列横截面扫描，从而首先获取受验者的黄斑区域的FD-OCT图像。接着，对这第一组原始横截面扫描进行处理和插值以构造患者的黄斑区域的三维模型。根据该三维模型，接着可以计算视网膜厚度图和其他派生图。优选的是，根据厚度图计算分数偏差图，并且识别不正常视网膜厚度的区域。利用这些图，接着计算诊断参数。优选的是，如下面的详细描述所限定的，计算参数焦点丢失量(focallossvolume,FLV)和总体丢失量(globallossvolume,GLV)并且将其用于辅助诊断的确定。虽然上述描述的实施方式概述了本发明的一般步骤，但是本领域技术人员将会理解各种修改例都是可能的。根据下面的详细描述和所附权利要求书，本发明的其他方面和优势会变得显而易见。具体实施例方式如上所述，本发明描述用于获取黄斑的诊断图像以及对图像进行后续分析以产生对做出诊断有用的诊断参数的方法。具体来说，本发明提供利用诸如FD-OCT的非侵入成像技术来产生黄斑图(图像)的方法，以及用于处理并分析所生成的图(图像)的方法。通过以高分辨率测量并且监视黄斑区域周围的解剖结构中的变化，即使在疾病症状表现之前，也可以在早期阶段检测到病理状态。本发明的方法可以应用到影响黄斑区域的所有类型的视神经病变。通常，根据本发明实施方式的视神经病变检测和诊断方法具有下述步骤利用傅氏域光学相干断层照相(FD-OCT)来生成以凹窝(黄斑图)或视神经乳头(乳头周围图)为中心的初始图，其中，所述初始图由通过多个横截面扫描所形成的扫描图案组成；基于初始图来构造视网膜特性图；从视网膜特性图来计算派生图；将图案分析方法应用到视网膜特性图或派生图以检测不正常区域；以及基于图、派生图、检测出的不正常区域或其组合来确定诊断参数，其中，所述诊断参数、厚度图和派生图各自可以单独使用或者组合使用以诊断并区分不同类型的视神经病变。用于生成黄斑图的扫描图案优选是覆盖了黄斑的广大区域的图。所得到的黄斑图应当优选地具有至少10iim的分辨率。扫描应当优选地在大约2秒内完成。在一个优选实施方式中，扫描图案是如图l所示的匪7图案。从由黄斑的多个横截面图像构成的原始黄斑图来构造厚度图。通过对准各个相邻横截面扫描并且在横截面之间进行插值，可以从黄斑图中的二维轴扫描的集合获得黄斑的三维图像。通过识别图像中的结构边界并且测量解剖结构的距离和大小，可以指定视网膜层的厚度以得到厚度图。取决于所关注的结构，可以构造各种厚度图，包括视网膜总厚度、神经节细胞复合体(或内视网膜层)厚度、神经纤维层厚度、神经节细胞层厚度、内丛状层厚度，但是并不限于此。优选地通过软件来自动构造厚度图，但是这也可以手动完成。可以将特性图进一步限制于视网膜的特定空间位置，例如乳头周围的区域(视神经盘附近的区域)。—旦构造出特性图，就可以通过对特性图应用数据变换算法来获得多种多样的派生图。示例性派生图可以包括偏差图、分数偏差图、图案偏差图、或其组合，但并不限于此。为了检测图中的不正常区域，可以对特性图或派生图应用各种图案分析算法。图案分析算法优选地是基于统计的算法。本发明的示例性统计图案分析算法可以包括标准偏差比较、总平均、上方平均、下方平均、或其组合，但并不限于此。对图案分析算法的选择将依赖于分析对象。—旦已经识别了不正常区域，就可以根据图和对不正常区域的了解来定义并且计算诊断参数。示例性诊断参数可以包括焦点丢失量(FLV)、总体丢失量(GLV)、图案方差系数(PCV)或(青光眼)图案关联度(GPCC)，但并不限于此。在做出诊断确定时，单独的诊断参数或者诊断参数与其他参数结合都是有用的。可应用到本发明方法的视神经病变的示例可以包括青光眼、视神经炎和前部缺血性视神经病(AION)，但并不限于此。当将图与某些视神经病变的其他参照图特征相互关联时，可以计算出关联参数。测试受验者图与疾病参照图之间的关联度越高，就表示受验者患有疾病的可能性更高。为了进一步说明本发明的工作原理和益处，我们将首先考虑青光眼的诊断。如
背景技术：
中所讨论的，青光眼的一个定义特征是RGC的丢失。本领域中公知的是，RGC群体的很大比例处于黄斑中，因此，黄斑厚度提供了用于检测和预测青光眼的有用的诊断措施。Zeimer等人(参考文献6)首先描述了利用裂隙扫描视网膜厚度分析器(RTA，Tailia技术有限责任公司，Neve-Ilan，以色列)来检测青光眼中的黄斑厚度减小。由于本发明的发明者之一(Huang)及其合作者引入了光学相干断层照相(OCT)，因此该技术已经被证实为可用于测量乳头周围的神经纤维层厚度(cpNELT)，所述乳头周围的神经纤维层厚度被示出为检测青光眼的有用参数。但是，利用OCT的黄斑视网膜总厚度(mRT)测量还不是像cpNFLT那样精确的诊断参数。早期视网膜OCT系统采用了较慢的时域技术(TD)，该技术在几秒内仅可以提供视网膜的几个横截面图像。例如，Stratus0CT系统(CarlZeissMeditec，Inc.，Dublin,CA)在2秒内仅仅可以扫描黄斑的6个子午线横截面，这导致视网膜厚度图具有低分辨率。这样的低分辨率的图不足以用于精确的诊断。目前，利用傅氏域光学相干断层照相(FD-OCT)技术的新一代视网膜OCT系统已经7变得可用。FD-0CT比TD-0CT快得多。例如，RTVueFD-OCT系统(Optovue，Inc.，Fremont,CA)比StratusTD-0CT快65倍。FD-OCT的快得多的扫描速度允许在较短时间段内在较大面积上进行更高密度的视网膜成图。较短的扫描时间减少了运动误差，并且较高的密度和扫描区域允许更详细的图案分析。但是，FD-OCT的更快扫描速度不能直接转换为更精确的诊断。如果没有适当的方法来对扫描到的图像进行解译，该新技术的潜能就无法充分发挥。鉴于在现有技术中未能满足的需求以及尚未跨过的技术鸿沟，本发明的发明人已经设计了新OCT扫描图案和分析方法以实现FD-OCT在精确地测量视网膜厚度和诊断视神经病变方面的潜能。通常，根据本发明实施方式的方法具有以下阶段(l)图像获取；(2)图像处理、变换和分析；(3)诊断参数计算；以及(4)诊断确定。由于本发明的方法基于非侵入成像技术，因此希望这些技术不限于人类，而且可以应用于除了人类之外的动物。因此，这里使用的术语"受验者"广泛地涉及具有类似于人眼的眼睛的任何有机体。本领域普通技术人员将会理解，具有解剖结构类似于人眼的眼睛的任何有机体都可以认为是本发明方法的可应用受验者。1.图像获取在第一阶段中，优选地使用非侵入成像技术来生成受验者眼睛的黄斑区域或乳头周围区域的初始图像。这里，黄斑区域以凹窝为中心，而乳头周围区域以视神经乳头为中心。适当的成像技术必须能够以足够高的分辨率和速度对区域进行成像，使得产生的图像具有足以用于诊断的质量。优选的是，该技术应当能够对不小于黄斑中的大约6mmX6mm或视神经盘的4mmX4mm的区域以不小于大约2秒每图像的速度进行成像。在某些优选的实施方式中，FD-OCT用于生成初始黄斑图。本领域技术人员会理解，虽然这里描述的示例性实施方式基于FD-0CT，但是也可以使用其他成像技术(包括未来发展的成像技术)，只要这些技术能够产生满足这里所述标准的图像即可。例如，有可能可以使用采用并行工作的检测器二维阵列以提高图像获取速度的新型TD-OCT，例如参考文献7所描述的。但是，当将FD-OCT用作成像技术时，本发明还提供能够促进三维图像的获取和生成的新扫描图案。由于OCT图像是横截面扫描图像，因此三维模型的构造需要对个体横截面扫描进行对准并在扫描之间进行插值，以将最终的三维表示图拼合在一起。由于各扫描在时间上和空间上都是各自独立地进行的，因此对个体扫描进行对准是困难且费时的任务。横截面扫描的未对准将会导致黄斑区域的表示图不精确，这将限制该方法的诊断能力。为了解决这个问题，发明人已经发明了能够促进快速且准确的对准的新扫描图案。参考图l，示出了如下的示例性扫描图案其包括多条垂直扫描线，一条水平扫描线穿过所述多条垂直扫描线。所述多条垂直扫描线优选地按相等距离间隔开。水平扫描线优选地以垂直角度与所述多条垂直扫描线相交。该水平扫描线提供用于对准所有垂直扫描线的公共参照点，这大大地促进了对准和插值处理。为了测量由青光眼造成的黄斑GCC丢失，更宽的扫描图案(尤其在垂直方向上)可以帮助找到在旁中心凹窝(parafovea)和周中心凹窝(perifovea)区域中的神经节细胞的丢失。由于视场功能测试覆盖了比当前OCT黄斑扫描图案宽得多的区域，因此更宽的OCT扫描图案也有助于找出功能丢失和结构损伤之间的关联。与径向扫描相比，网格扫描(gridscan)或光栅扫描(rasterscan)在旁中心凹窝和周中心凹窝区域中可以创建具有更高横向分辨率的GCC厚度图。在图1中所示的特定实施方式中，在这里将扫描图案称为黄斑图7毫米(匪7)扫描图案。利用RTVueFD-OCT系统获得FD-OCT图像。示例性扫描图案包含视网膜的16个垂直横截面以及l个水平横截面。但是，扫描线的数量并不具体受限于此。根据想要的扫描区域和分辨率，也可以适当地使用其他数量的扫描线。2.图像处理、变换和分析在第二阶段中，进一步处理在前一阶段获得的原始图像数据以生成黄斑区域的更精确的三维模型。根据用于获取原始数据的技术，可能需要不同的图像处理量来将原始图像数据变换为适合于进一步分析的格式。例如，如果成像技术需要模拟格式的原始数据，那么优选的是，将数据处理并变换为数字格式以有利于进一步分析。参考图2，示出了视网膜的示例性横截面图像。这个处理后的图像使得能够测量视网膜和内视网膜层的厚度。本领域技术人员已经知道了测量视网膜和内视网膜层厚度的图像处理步骤(参见参考文献l-2，其内容通过引用而并入到本文中)。在与凹窝相交的垂直和水平横截面上识别凹窝的中心。在受验眼睛注视视觉目标的情况下获得扫描。但是，注视点可以稍稍偏离目标。凹窝的中心充当将厚度图的中心定位在其上的解剖学界标。在其中原始数据由黄斑区域的OCT横截面扫描组成的优选实施方式中，通过在OCT横截面之间的插值，可以构造示例性GCC厚度图(图3)。由于在角落区域的测量是不可靠的，因此优选地剪切该图以仅仅保留中央的7mm圆形区域。优选的是，基于视网膜厚度图，该图以凹窝为中心。如从图3可以看到的，GCC厚度在凹窝中很薄或完全不存在。因此，从GCC的进一步分析中去除凹窝区域。如果在整个视网膜厚度上进行分析，那么可以使用凹窝区域。—旦以适当格式处理并且设置原始图像数据，就可以设计各种图案分析算法并将其应用到数据以提取各种有用信息。从这些处理后的图像数据，可以派生出用于辅助诊断疾病状态的诊断参数。本发明的一个示例性实施方式是测量视网膜的不正常地薄的区域内的视网膜组织丢失。这里，该参数称为焦点丢失量(FLV)。在下面的部分中，我们将首先描述基于黄斑GCC的分数丢失图和图案偏差图对FLV的一个示例性计算。接着，我们将进一步描述本发明的另选实施方式。分数偏差图在一个优选实施方式中，在这里称为"分数偏差图"的新派生图是根据GCC厚度图而计算出的。为了计算分数偏差图，需要标准参照物。在示例性实施方式中，用于青光眼成像技术进展研究(AIGS)中的46个正常受验者用作标准参照物。本领域技术人员将会理解，这是一个统计学过程，也可以使用其他适当的数据集。在AIG研究网站3上可以获得的AIGS程序手册(M0P)中限定了受验者招募和测试过程。根据没有患有青光眼、视神经疾病或视网膜疾病的一组正常眼睛来测量GCC厚度图。对正常参照群体的GCC厚度图进行平均以获得正常均值图(图4)。接着，通过将进行测试的GCC图减去正常均值图，来计算偏差(D)图。D—m即=M即-Normal—mean—m即通过将D图除以正常均值图来计算分数偏差(FD)图。FD—m即=D—m即/Normal—mean—m即3.诊断参数计算在第三阶段中，根据在前两个阶段中获得的图像数据来定义并计算诊断参数。如上所述，可以定义并且计算各种诊断参数以辅助诊断疾病状态。在一个优选实施方式中，计算焦点丢失量(FLV)。优选的是，利用统计学标准来检测不正常GCC变薄的区域。一个示例性标准是检测变薄到正常采样群体的5个百分点以下。在正常群体的FD图上进行逐点统计学计算以获得标准偏差(SD)图。正态分布的5个百分点以下的值(均值-1.64SD)被认为是很不正常的。根据GCC厚度、D图或FD图，可以计算不正常变薄的区域，并且结果是完全一样的。在一个示例性实施方式中，在FD图(图5)上识别焦点丢失的不正常区域，并且对不正常区域中的FD值进行合计(面积积分)以获得焦点丢失量(FLV)。当完全由FD来定义FLV时，FLV被称为FD-FLV。优选的是，通过划分图区域来对FD-FLV进行归一化，所以FD-FLV可以表示为百分数。因此，9X的FD—FLV(分数偏差焦点丢失量，fractionaldeviationfocallossvolume)表示9%的神经节细胞丢失。尽管根据GCC厚度FD图来计算上述FD-FLV示例，但是本领域技术人员将会理解，也可以根据D图来计算FD-FLV。诸如反射率图和乳头周围NFL图的其他类型的图也可以用作计算FD-FLV的基础。根据PD图计算FLV不太直接，但是提供了最好的诊断能力。下面我们将简略描述这些另选实施方式。图案偏差焦点丢失量(PD_FLV，patterndeviationfocallossvolume)在一个另选实施方式中，可以使用这里被称为图案偏差焦点丢失量(PD_FLV)的另一个示例性诊断参数。其计算描述如下。1.导出图案偏差图通过将GCC厚度图除以其平均值来从该图导出图案图(图6)。Pattern—map=Map/Average接着，将进行测试的眼睛的图案图减去正常参照群体的均值图案图，以获得图案偏差(PD)图(图6)。PD—m即=Pattern—m即-Normal—mean—pattern—m即2.计算图案偏差量焦点丢失量(PD_FLV)如在先前部分所述，利用GCC厚度、D或FD图来识别GCC变薄的不正常区域。在PD图(图7)上识别不正常区域，并且对不正常区域中的PD的负值进行合计(面积积分)，以获得图案偏差焦点丢失量(PD_FLV)。这个过程与根据D或FD图计算FLV略有不同在合计过程中PD的正值被设置为0(有效地忽略)。优选的是，通过对图区域进行划分来对PD_FLV进行归一化，所以其可以表示为百分数。尽管根据GCC厚度图来计算上述PD-FLV示例，但是也可以根据诸如反射率图的其他类型图来计算PD-FLV示例。乳头周围NFL图也可以用作计算PD-FLV的基础。焦点丢失量(FLV)和总体丢失量(GLV)为了组合FD-FLV图和PD-FLV，将焦点丢失量(FLV)定义为由图案偏差识别出的不正常区域中的负分数偏差的总和。通常，通过对图区域进行划分来对FLV进行归一化，所以FLV可以表示为百分数。FLV比FD_FLV和PD-FLV更具体，因为其仅仅合计其中GCC在绝对值和相对值方面都变薄的区域。总体丢失量(GLV)被定义为整个区域中的负分数偏差的总和。通常，通过对图区域进行划分来对GLV进行归一化，所以GLV可以表示为百分数。由于GLV在计算中需要较少的标准，因此其比FLV具有更好的可重复性。尽管根据GCC厚度图来计算上述FLV和GLV，但是也可以根据诸如反射率图或神经纤维厚度图的其他类型图来计算FLV和GLV。乳头周围NFL图也可以用作计算FLV和GLV的基础。用于检测异常的其他类型的图案分析均值可以对厚度图、偏差图或FD图计算总平均值和部分平均值。总平均值是从图的所有有效区域平均的。上方平均值是从图的上半球中的所有有效区域平均的。下方平均值是从图的下半球中的所有有效区域平均的。非对称大多数情况下青光眼更严重地影响眼睛的下半部。但是，在很少的情况中，青光眼也可能更严重地影响眼睛的上半部分。因此，为了检测青光眼，优选地根据标准针对上方下方差(SID)计算绝对偏差。SID=Superior_average_Inferior_average上方下方差的绝对偏差(ADSID)是测试眼和平均正常眼的SID之间的差的绝对值。AD_SID=Abs(SID_normal_mean_SID)[OO97]图案方差系数(均方根)可以根据偏差图、FD图和PD图来计算图案方差系数(PCV)或均方根(RMS)。图案方差系数(PCV)或均方根(RMS)对于PD图最有用，并且提供了与正常图案的偏差的总和。例如，根据下述公式计算均方根图案偏差(RMS-PD)参数RMS_PD=(1/A)X(/APD2dxdy)1/2，其中，A是图面积，PD是图上的图案偏差值，x是图的水平尺寸，并且y是图的垂直尺寸。其他类型的图不同于上述图的视网膜图也可以用于计算如上所述的诊断参数。[O103]其他厚度图根据本发明，通过计算图案参数，视网膜总厚度图(图9)和NFL、GCL、IPL、INL的厚度图及其所有可能的组合都可以用于诊断青光眼。已经在青光眼诊断l-2中探索了这些组合的平均厚度。反射率图青光眼不仅造成内视网膜层变薄，而且减小了来自这些层的反射信号的幅度。因此，内视网膜反射率图也是有价值的。优选的是，通过取得内视网膜层中的平均信号率并将其除以来自参照层的平均信号，消除由于视网膜的外部因素(聚焦较差，介质混浊)而导致的反射率变化。参照层可以是亮度感光器内段、外段和它们的交叉处(is-os)、视网膜色素上皮细胞(PRE)、脉络膜血管层或它们的某一组合。IS-OS和RPE的组合称为外视网膜复合体(0RC)。可以对来自这些层的反射信号进行合计或平均以提供诊断信息。它们分别称为合计反射率图(图IO)以及平均反射率图。合计反射率的分数偏差图是优选的。乳头周围图视神经乳头周围(乳头周围)的NFL或视网膜厚度图也提供用于青光眼诊断的信息。也可以使用乳头周围NFL反射率图。可以应用本发明中描述的所有图案参数。在RTVueOCT系统上，优选地利用视神经乳头4mm(0NH4)扫描图案来测量NFL厚度图(图11)。4.诊断确定在第四阶段中，基于计算出的诊断参数来确定诊断。在这个阶段中，可以有利地采用与其他参照数据的比较。在一个示例性实施方式中，进行关联分析以区分不同类型的视神经病变。图案关联以区分各种类型的视神经病变不同类型的视神经疾病造成GCC变薄的不同图案。青光眼相对地留出中心盲点区域并且具有可变的上域或下域(通常是下)。前部缺血性视神经病(AI0N)通常影响黄斑的上半部分(大多数情况)或下半部分。视神经炎经常与多发性硬化(MS)相关联。其产生弥漫性丢失。优选地使用利用关联的图案匹配来区分这些类型的视神经病变。可以利用D图、FD图或PD图进行分析。优选地使用PD图。已经通过对各疾病类别内的眼睛图进行平均来搜集用于下述类型的视神经病变的特征图(图8)。1.下方青光眼(IG):视野青光眼的均值图，SID值〉平均值+标准的1SD。2.均匀青光眼(EG):视野青光眼的均值图，SID值在标准的SD±1内。3.上方青光眼(SG):视野青光眼的均值图，SID值〈平均值-标准的1SD。4.视神经炎(ON):视神经炎情况的均值图。5.上方AION(SA):AION眼睛的均值图，SID<正常值。6.下方AION(IA):AION眼睛的均值图，SID>正常值。还可以类似地导出用于其他类型的视神经病变的特征图。例如，毒性、新陈代谢、和营养性视神经病变应当产生中央或中心盲点GCC丢失。用所有特征性视神经病变的特征图，通过测试下的图的交叉关联来计算图案关联(PCC，patterncross-correlation)值。接着，基于最高的PCC值选择诊断。可以根据诸如分数偏差图、图案偏差图和偏差图的多个图中的一个图来定义PCC。例如，PD-PCC可以被定义为PCC=/A(PDXCPD)/[(/APDXPDdxdy)1/2(/ACPDXCPDdxdy)1/2]其中，A是图的面积，PD是进行测试的眼睛的图案偏差，CPD是在考虑的疾病的特征图案偏差，x是图的水平尺寸，并且y是图的垂直尺寸。使用FD和D图，我们可以创建称为FD-PCC和D-PCC的类似参数。对于GCC图，我们优选使用分数偏差图来计算用于青光眼分析的PCC。对于乳头周围的NFL图，我们优选使用偏差图来计算用于青光眼分析的PCC。诊断能力的比较为了评估GCC导出的参数的诊断能力，我们使用受试者工作特性曲线下面积(AROC)，该区域概括了在可用诊断阈值的整个范围上的诊断敏感性和特异性。数据来自AIGS，利用经受了用RTVue和Stratus测试二者的测试的正常和视野青光眼受验者的子集。表1示出了很多GCC导出的参数优于平均视网膜厚度。较复杂的图案分析优于简单的平均。用PDFLV获得最好的性能。根据从偏差或分数偏差图计算的FLV图，也获得几乎相同的诊断能力。提供下述特定示例以进一步说明本发明。示例青光眼中黄斑神经节细胞丢失的检测方法1.临床研究包括在2003和2007的时期之间的预期的青光眼成像技术进展研究(AIGS)的参与者。这些参与者被分为四类正常(N)、视野青光眼(PG)、疑似青光眼(GS)和预视野青光眼(PPG)。仅使用来自基线访问的数据。由于成员的青光眼状态是不确定的，因此该研究中不使用GS组。我们仅使用来自在研究期间采用FD-OCT的AIGS中心的数据。下面简单描述对于所分析的三个组的合格标准。N组参与者的两只眼具有小于21mm荥柱的眼压(IOP)、正常的HumphreySITA24-2视场(VF)平均偏差(MD)和图案标准偏差(PSD)在正态参照的95%界限之内，并且青光眼半视场测试(GHT)在97^界限之内、大于等于500iim的中央角膜厚度、正常出现的视神经乳头、正常的神经纤维层、开放前房角、并且没有慢性眼睛或系统性皮质类固醇使用的历史。PG组参与者的至少一只眼睛满足下述标准青光眼(不正常)VF丢失PSD(P<0.05)或者GHT(P〈1%)在两个合格VF上的一致图案中的正常界限之外、以及视神经乳头(ONH)变化，如弥漫性或局部性边缘变薄，盘(裂片)出血，垂直杯/盘比例比另一眼高出>0.2，边缘中的缺口，或者盘的步进性开洞的先前照相文档，视网膜神经沿的步进性变薄、或在裂隙灯生物显微镜上可见的NFL缺陷，或NFL的步进性丢失。PPG组参与者具有与为PG组限定的ONH变化相同的标准。但是，PPG参与者眼睛的VF不满足用于PG组的合格标准。用于AIGS中所有组的排除标准是最佳校正视敏度低于20/40;年龄小于40或者大于79岁；等量球镜屈光不正大于+3.OOD或者小于-7.OOD;患有可能造成视野丢失或视神经盘畸形的糖尿病视网膜病变或其他疾病；或者先前进行过除了用后房IOL移植的不复杂白内障摘除术之外的眼内手术。根据赫尔辛基宣言进行研究。在讨论了研究目的和参与结果之后，从所有参与者获得知情同意。该研究涉及的各机构的机构审查委员会批准了研究协议。在AIGS程序手册(该手册可从AIG研究网站下载，其内容以引用的方式结合在本文中)中可以找到AIG研究协议的进一步描述。2.傅氏域光学相干断层照相使用RTVueFD-OCT系统(Optovue，Inc.Fremont,CA)对患者进行扫描，该系统每秒钟获取26，000个轴位扫描(a扫描)，并且具有5ym的深度分辨率(全幅宽半极大值)。相比之下，标准StratusTD-0CT系统(CarlZeissMeditec，Dublin，CA)每秒钟获取400个13CNa扫描并且具有10m的分辨率。利用FD-OCT的更高速度，我们发明了黄斑区域的三维扫描，被称为黄斑图7毫米(匪7)扫描，其在7mm方形区域上均匀地采样黄斑(图1)。匪7协议的中心临时偏移0.75mm以改善临时外围的采样。MM7图案由从1条水平线和间隔0.5mm的15条垂直线的14928个a扫描构成。匪7图案的扫描时间是0.6秒。在各AIGS参与者的基线访问上获取三个匪7扫描。导出原始数据以用于进一步的图像处理。3.图像处理我们开发了自动的软件以绘制mGCCT图。首先，通过关联将15个垂直0CT横截面图像(参照用于示例性横截面图像的图2)与水平图像对准，以建立对齐的三维(3D)图像组。用中值滤波器和高斯滤波器的组合使图像平滑至较低分辨率，以抑制背景噪声和斑点噪声。接着，以较低的清晰度对它们进行重采样来加快计算速度。后续步骤使用所选择的各种分辨率和清晰度的图像，以最佳化处理的稳健性和速度。感光器色素上皮细胞复合体(PPC)带包括感光器内段-外段(IS/0S)交叉处的亮度带和视网膜色素上皮细胞，被检测为低分辨率图像中的第二(从内侧开始数)最大峰值。接着，IS/OS交叉处被检测为PPC内的第一最大强度峰值。由于来自叠加血管的阴影，PPC的小部分具有低信号；用相邻的a扫描替代这些有阴影的a扫描，以避免边界检测的干扰。在IS/OS交叉处对准图像以促进侧部平滑。内界膜(ILM)被识别为各a扫描的第一正梯度峰值。使用邻居约束和知识模型来将ILM峰值从假性噪声或分离的玻璃面区分出来。接着，识别内丛状层(IPL)的外边界。为了提高边界检测的稳健性，应用步进性的改进过程。该过程开始于对低分辨率(高度低通滤波)3D数据集的边界检测，接着对分辨率逐渐提高的数据逐渐改善边界。从ILM至外IPL边界测量GCC厚度。从ILM至IS/0S交叉处测量视网膜厚度。通过对来自匪73D数据集中的16个OCT横截面图像的厚度轮廓进行插值来计算mGCCT和mRT图。在mRT图上识别凹窝的位置，并且将该位置用于重定位图的垂直位置。对图进行剪切以移除分段不太可靠的外围区域。剩余区域是在7mm直径圆内部并且距中央水平线在3mm内的区域。对于mGCCT图，由于GCC过于薄而无法可靠测量，因此也不包括凹窝中心的0.5mm内的区域(lmm直径圆)。4.诊断参数的导出图12示出了视野青光眼(PG)情况中的图集。我们基于mGCCT图(图12A)计算多个青光眼诊断参数。最简单的是总平均厚度(mGCCT-AVG)。由于青光眼往往在下方产生的损伤较多，因此我们还计算上半球平均值和下半球平均值之间的差(mGCCT-SID)。为了从mGCCT图提取甚至更多的诊断信息，我们开发了分析mGCCT丢失图案的方法。为此，我们计算mGCCT丢失图分数偏差(FD)图和图案偏差(PD)图。首先，对所有正常眼睛的GCC图逐点进行平均，以创建正常参照图。FD图(图12B)是考虑的mGCCT图减去正常参照图，除以正常参照图。图案图是按照GCC厚度图自身的总平均值进行了归一化(除以GCC厚度图自身的总平均值)的GCC厚度图。图案偏差(PD)图(图12C)是考虑的图案图减去正常参照图案。FD图示出了GCC丢失的百分比。PD图示出了mGCCT图案与正常图案的不同之处。接着，根据这两个派生图计算三个基于图案的诊断参数。焦点丢失量(FLV)是有显著焦点丢失的区域中的总和FD。显著焦点丢失被定义为比正常平均值低1.65标准偏差(SD)以上(在正态分布的第五个百分点之下)的FD。总体丢失量(GLV)是FD为负的区域14中的FD的总和。图案方差系数(PCV)是PD图的均方根。在MATLAB7.0中对图像处理和诊断参数计算进行编程。5.时域光学相干断层照相也通过StratusOCT(CarlZeissMeditec，Inc，Dublin,CA)，利用标准的快速视网膜神经纤维层(RNFL)扫描和更快的黄斑厚度图扫描，来扫描所有的参与者。使用标准Stratus4.0软件来计算cpNFLT和mRT的总平均值。6.统计学分析分析各参与者的两只眼。通过使用广义估计方程(GEE)方法或线性混合模型，在统计学测试中给出眼间关联。使用类内关联、共同SD(pooledSD)和方差系数(CV)来评估诊断参数的可再现性。根据线性混合模型来计算这些指标，在线性混合模型中，分别使用对于受验者和眼睛的方差成分来说明重复的测量和眼间关联。使用受验者工作特征(AROC)曲线下面积来比较诊断能力。为了给出眼间关联，基于Obuchowski的公式来计算AR0C，该公式扩展了应用于聚类数据的Delong等人的非参数方法。在眼科学中的先前研究中已经使用了该方法以处理眼间关联。为了调整N、PG和PPG组之间的年龄不平衡，使用以年龄和诊断参数为协变量的GEE逻辑回归模型来生成AR0C。弥补年龄不平衡的这样方法已经用在眼科学的先前研究中。为了比较均值，我们对满足正态分布的参数使用t-检验。发现了满足Gamma概率分布(非正态分布)的多个诊断参数。使用对于适当Gamma分布具有广义线性模型的华尔德测试，来比较这些参数的均值。对检验使用眼间关联的GEE调整。由于我们假定了患有疾病的组中的均值比正常组中的低，因此，以单尾方式进行这些检验。AROC计算写入在MATLAB7.0软件中，并且用SAS9.1软件进行其他统计计算。统计学意义的临界阿尔法水平被设定在0.05。结果从AIG中心数据库中识别出具有可用RTVueFD-OCT匪7扫描和有效的StratusTD-OCT扫描的总共180个参与者(328只眼)。由于对于所有三个重复匪7扫描的可见地不精确的分段，因此剔除了14个参与者的15只眼。分析来自179个参与者的剩余313只合格眼。在表l中概括了各组的人口信息和临床信息。预视野青光眼和PG参与者比N参与者(P<0.0001)的年龄大。在后续分析中适当地处理年龄不平衡，如在方法部分中所述的。与PG组相比，在N组中有更多的白种人。但是，从N组中诊断参数的均值的角度来说，在种族组之间没有显著差别。如所期待的眼睛状态和对眼睛状态的分类，从MD和PSD测量的角度来说，在VF测试中N眼表现得比PPG和PG眼要好。N眼具有比PPG和PG眼更低的I0P和更厚的中央角膜厚度(CCT)。在PPG眼的I0P和PG眼的CCT中差别很显著。为了基于MD将PG眼分类在青光眼的不同阶段，79只眼(70.5%)具有早期青光眼(MD>-6.0dB)，25只眼(22.3%)具有中度青光眼(MD在-6.01至-12.0dB之间)，并且8只眼(7.1%)具有高度青光眼(MD<-12dB)。表2按组概括了各诊断参数的分布统计信息。与N组(P<0.001)相比，所有参数在PPG和PG组中明显更差。因为SID、PCV、FLV和GLV具有非正态分布(Gamma分布)，因此使用华尔德测试来比较这些参数，如在方法部分中所述。青光眼中的mGCCT丢失的特征图案是双拱形(bi-arcuate)的，具有较大的下方缺陷(图13)。通过三个测度在相同时期取得的重复测量的IC、共同SD和CV(表3)，来评估可再现性。PPG和PG组中的可再现性很重要，因为其提供了参数可以以何种程度在疾病的阶段中跟踪疾病发展的指示。总体来说，FD-OCTmGCCT和mRT均值以及GLV具有优秀的可再现性(在PG禾口PPG组中ICC=0.99并且CV<1.3%)。尽管TD-OCTmRT和cpNFLT均值也具有很好的再现性，但是它们不如类似的FD-OCT参数好。AROC提供了对诊断能力的测量(表3)。通过FD-OCT和TD-OCT测量的mRT均值具有相同的AROC。通过分离内视网膜，mGCCT-AVG改善了PG的诊断(AROC=0.90)。这明显好于mRT的情况(P=0.01)。基于FLV和GLV图案的参数在诊断PG时表现得甚至更好。对于GLV，增加是显著的(P=0.01)。黄斑参数mGCCT-AVG、mGCCT-FLV和mGCCT-GLV具有与cpNFLT-AVG类似的诊断能力。对于PPG(与N相对)的诊断，我们发现与mGCCT参数相比mRT没有优势。对于每10m的组织丢失，患有青光眼的几率(95%置信区间)对于mGCCT-AVG是7.43(4.13，13.36)，对于cpNFL是4.88(2.64，9.03)，对于FD-OCT是2.68(1.96，3.65)，并且对于TD-OCTmRT是2.48(1.83，3.35)。我们注意到对于每10ym的组织丢失，丢失GCCT-AVG而患有青光眼的几率大约是丢失cpNFL-AVG而患有青光眼的几率的1.5倍。在PG和PPG的示例情况中示出了用神经盘照相术和VF发现的mGCCT的关联。在这两种情况下，mGCCTFD图示出了丢失的典型双拱形图案。在PG的情况下，显著的下方GCC丢失与下方神经盘边缘丢失和上方VF缺陷很好地关联。在PPG的情况下，GCC丢失是焦点，并且通过基于图案的参数而不是均值来找出不正常。结论在这个示例中，我们示出了根据本发明的新诊断参数的应用以寻找黄斑中的青光眼。FD-OCT(65xStratusTD-OCT)的较快速度使得能够在黄斑的较大区域上进行高密度扫描，而运动伪影较少。RTVueFD-OCT装置的分辨率也比传统时域OCT(例如，StratusTD-OCT)好两倍。更高的清晰度(更密的采样)和更高分辨率的组合提高了mGCCT测量的精度和稳健性。我们还发现，在这个示例中，与由FD-OCT或TD-OCT测量的mRT均值相比，由RTVueFD-OCT所测量的mGCCT均值在诊断PG组中的青光眼时明显要好。因此，从外视网膜分离出GCC提高了诊断能力。虽然不旨在限于任何特定理论或说明，但是我们相信这可以由下述事实来解释受青光眼影响不大的外视网膜占据总视网膜厚度的65%至70%，因此提供了降低判别能力的厚度方差。在PPG和N眼之间进行区分时mGCCT的诊断能力也比mRT的诊断能力高，但是优势在统计上不显著。这可以由下述事实来解释PPG组的大小较小，并且PPG组中的某些眼有可能实际上并没有患青光眼(PPG眼具有正常的或临界VF)。而且，与StratuscpNFL厚度相比，通过FD-OCT或StratusTD-OCT的mRT对于青光眼检测是较不敏感(具有较低AROC)的参数。与用于青光眼检测的StratusmRT相比，包括Wollestein等人4和Guedes等人5的其他研究者已经报告了对于StratuscpNFL厚度的更高AR0C。在当前的研究中，对于对总黄斑厚度的测量，FD-OCT不提供优于TD-OCT的任何显著优势。不同于(由于必须对视网膜层分段而)需要由FD-OCT提供的更高分辨率以及细节的GCC的边界检测，由于ILM和IS/OS交叉处的边界是清楚定义的，因此可以通过较低分辨率的StratusTD-OCT很好地进行对mRT的边界检测。通过FD-OCT的更高速度，使得对黄斑区域的更宽更清楚的采样是可能的。这有助于对GCC丢失的图案分析。我们设计了着眼于GCC丢失图案的不同方面的几个基于图案的参数，这些参数可以以补充方式来使用。基于青光眼经常具有下域不对称性的观察结果，设计SID参数以检测GCC丢失不对称的情况。GLV和FLV参数以不同的特异性水平概括了黄斑中的GCC丢失量。FLV参数是更具体的，因为其仅合计了其中GCC在绝对(GCCT<正常值)和相对(PD〈5个百分点)角度都很薄的区域中的丢失。PCV参数完全基于PD图，并且检测GCCT图案中的任何变化。我们发现，对于PG的诊断，FLV和GLV的诊断能力比简单平值的高。这可以由包括某些情况来解释其中眼睛可以开始具有上述总体平均GCCT;因此，着眼于总体平均值只能在后期检测到青光眼。在这些情况中，在GCCT图案中寻找不正常可以更早地检测到青光眼。在图14中存在这样的情况，其中mGCCT平均值是正常的，但是基于图案的参数是不正常的。由于沿黄斑丘疹束(macul即即ularbundle)的GCCT仍然在平均值之上(图14)，所以在发展为青光眼之前，这只眼可能比平均GCC更厚。这只眼具有焦点区域，其中mGCCT比正常的薄30%，这足以被我们的软件识别为不正常的焦点丢失。这个区域对应于PD在-3和_4dB之间的VF上的区域，仍然在正常方差范围之内。这种情况示出了利用mGCCT图案分析作为在患者出现确切的VF缺陷之前诊断青光眼的早期检测方法。其还示出了在VF缺陷是临界值的情况下mGCCT图案可以是有用的相关参数。读者应当意识到，在视网膜上的每一毫米对应于VF上的大约3.5°。因此，匪7mGCCT图(7mmX6mm)向上和向下对着大约ir，向鼻对着IO。，在时间上对着15。。它覆盖了标准Humphrey24-2VF的大约一半区域(图12E和14C)，当然，它由于眼睛的光学投影而相对于VF是上/下颠倒的。综上所述，我们已经示出了根据本发明实施方式的利用FD-OCT的更高速度和更高分辨率的宽黄斑扫描图案。我们还开发了GCC成图软件、以及基于图案的新诊断参数。与从总视网膜厚度导出的参数相比，新mGCCT参数能够按更高灵敏度和特异性将青光眼与非青光眼区分开来。就自身来说，mGCCT参数的诊断能力类似于cpNFL参数，并且可以以补充方式来使用。mGCCT图可以直接与VF图的中央部分关联。某些mGCCT参数是高度可再现的，从而可用在跟踪青光眼发展中。尽管已经从具体示例性实施方式和示例的角度描述了本发明，但是将会理解，这里公开的实施方式仅用于说明目的，并且本领域技术人员可以做出各种修改和变化，而不脱离所附权利要求所述的本发明的精神和范围。[OWO]参考文献通过引用并入以下各篇参考文献1.Tan0，LiG，LuA.等人，MappingofMacularSubstructureswithOpticalCoherenceTomographyforGlaucomaDiagnosis,0phthalmology2008;115(6):949—562.IshikawaH，SteinD，WollsteinG等人，Macularsegmentationwithopticalcoherencetomography.InvestOphthalmolVisSci2005;46:2012—7.174.WollsteinG，SchumanJS，PriceLX等人，0pticalcoherencetomogr即hy(OCT)macularandperipapillaryretinalnervefiberlayermeasurementsandautomatedvisualfields.AmJOphthalmol2004;138(2):218-25.5.GuedesV，SchumanJS，HertzmarkE等人，Opticalcoherencetomographymeasurementofmacularandnervefiberlayerthicknessinnormalandglaucomatoushumaneyes.Ophthalmology2003;110(1):177-89.6.ZeimerR，AsraniS，ZouS等人，Quantitativedetectionofglaucomatousdamageattheposteriorpolebyretinalthicknessmapping.Apilotstudy.Ophthalmology1998;105(2):224-31.7.WatanabeY，SatoM.Quasi-singleshotaxial-lateralparalleltimedomainopticalcoherencetomographywithHuberttransformation.OptExpress2008;16(2):524-34.表l研究群体的特征<table>tableseeoriginaldocumentpage18</column></row><table><table>tableseeoriginaldocumentpage19</column></row><table>縮写MD二视场平均偏差；PSD=视场图案标准偏差；IOP=眼压；CCT=中央角膜厚度P^用于比较N和PPG组的P值P**:用于比较N和PG组的P值***某些参与者的一只眼睛被诊断为PPG并且另一只眼睛被诊断为PG,均值土标准偏差表2诊断参数的按组分布<table>tableseeoriginaldocumentpage19</column></row><table>縮写SD=标准偏差；mGCCT=黄斑神经节细胞复合体厚度；AVG=均值；SID=上方-下方差；PCV=图案方差系数；FLV=焦点丢失量；GLV=总体丢失量；mRT=黄斑视网膜厚度；cpNFLT=乳头周围神经纤维层厚度表3诊断参数的可再现性<table>tableseeoriginaldocumentpage20</column></row><table>縮写AR0C=受验者工作曲线下面积；SE=标准误差；诊断参数的縮写与表2中相同。*由于mGCCT-SID在广义估计方程逻辑回归模型(P值=0.11)中不重要，因此不产生AROC。权利要求一种用于检测受验者的视神经病变的方法，该方法包括以下步骤(1)使用光学相干断层照相(OCT)来产生以凹窝为中心的初始图(黄斑图)或以视神经乳头为中心的初始图(乳头周围图)，其中，所述初始图由扫描图案构成，该扫描图案对于所述黄斑图至少覆盖大约6mm×6mm的区域，或者对于所述乳头周围图至少覆盖大约4mm×4mm的区域；(2)基于所述初始图来构造视网膜特性的图，其中，所述视网膜特性是从视网膜厚度、视网膜反射率、或视网膜位置中选择的一个；(3)根据该视网膜特性图计算派生图；(4)对所述视网膜特性图或所述派生图应用图案分析方法，以检测不正常区域；以及(5)基于所述视网膜特性图、所述派生图、所检测到的不正常区域或其组合，确定一个或更多个诊断参数，其中，所述诊断参数、所述视网膜特性图和所述派生图各自能够单独使用或组合使用以诊断并区分不同类型的视神经病变。2.根据权利要求1所述的方法，其中，所述OCT是从FD-0CT或TD-0CT中选择的一个。3.根据权利要求1所述的方法，其中，所述扫描图案是网格扫描图案或光栅扫描图案。4.根据权利要求l所述的方法，其中，所述扫描图案是如图l所示的匪7。5.根据权利要求1所述的方法，其中，所述视网膜特性是从总视网膜厚度、内视网膜层(GCC)厚度、神经纤维层(NFL)厚度、神经节细胞层(GCL)厚度、内丛状层(IPL)厚度、反射率或其组合中选择的一个。6.根据权利要求5所述的方法，其中，构造视网膜特性图的步骤包括在所述初始图的扫描线之间进行插值，以形成所扫描区域的三维模型。7.根据权利要求l所述的方法，其中，所述派生图是从偏差图(D)、分数偏差图(FD)或图案偏差图(PD)中选择的一个。8.根据权利要求1所述的方法，其中，所述图案分析方法是统计学方法。9根据权利要求8所述的方法，其中，所述统计学方法是从标准偏差比较、总平均、上方平均、下方平均、上方_下方差、均方根或其组合中选择的一个。10.根据权利要求9所述的方法，其中，所述标准偏差比较是逐点比较，其中将值高于或低于标准值的预定百分比的数据点识别为不正常。11.根据权利要求10所述的方法，其中，所述预定百分比是从大约0.5%至大约5%。12.根据权利要求9所述的方法，其中，所述预定百分比是大约5%。13.根据权利要求l所述的方法，其中，所述诊断参数是从焦点丢失量(FLV)、总体丢失量(GLV)、分数偏差焦点丢失量(FD_FLV)、图案偏差焦点丢失量(PD_FLV)、图案方差系数、图案关联度(PCC)中选择的一个。14.根据权利要求1所述的方法，其中，所述视神经病变是从青光眼、视神经炎、前部缺血性视神经病(AI0N)中选择的一种。15.根据权利要求1所述的方法，该方法还包括以下步骤将所述受验者的厚度图或所述派生图关联到已知视神经病变的参照图特征，以确定图案关联参数。16.根据权利要求14所述的方法，其中，所述关联参数的值越大，表示所述受验者患有所述已知视神经病变的可能性越大。17.—种用于检测并诊断受验者的青光眼的方法，该方法包括以下步骤获取步骤，使用非侵入成像技术来获取所述受验者的黄斑图，其中，所述黄斑图至少是大约6mmX6mm^构造步骤，根据所述黄斑图构造视网膜厚度图；产生步骤，根据所述视网膜厚度图产生一个或更多个派生图；识别步骤，分析所述视网膜厚度图和/或所述一个或更多个派生图，以识别所述黄斑的不正常区域；基于所述视网膜厚度图、所述一个或更多个派生图、所识别出的不正常区域或其组合，为一个或更多个诊断参数确定一个值或多个值，其中，所述一个值或多个值与青光眼的诊断相关联。18.根据权利要求17所述的方法，其中，所述非侵入成像技术是FD-0CT。19.根据权利要求18所述的方法，其中，所述获取步骤包括使用网格扫描图案或光栅扫描图案来进行FD-0CT扫描。20.根据权利要求18所述的方法，其中，所述一个或更多个诊断参数包括从焦点丢失量(FLV)、总体丢失量(GLV)、分数偏差焦点丢失量(FD—FLV)、图案偏差焦点丢失量(PD_FLV)、图案方差系数、青光眼图案关联度(PCC)中选择的至少一个。全文摘要本发明公开了用于分析视网膜断层照相图以检测诸如青光眼、视神经炎、前部缺血性视神经病的视神经疾病的图案的方法。成图的区域包括以凹窝为中心的黄斑，以及以视神经乳头为中心的区域。所分析的视网膜层包括神经纤维、神经节细胞、内丛状层和内核层以及它们的组合。还可以分析总视网膜厚度。对这些图应用图案分析，以创建用于对青光眼和视神经炎进行诊断和发展分析的单个参数。文档编号A61B3/10GK101778593SQ200880103382公开日2010年7月14日申请日期2008年6月13日优先权日2007年6月15日发明者谭欧,黄大卫申请人:南加州大学