CN111951219B - 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 - Google Patents

基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 Download PDF

Info

Publication number
CN111951219B
CN111951219B CN202010655721.1A CN202010655721A CN111951219B CN 111951219 B CN111951219 B CN 111951219B CN 202010655721 A CN202010655721 A CN 202010655721A CN 111951219 B CN111951219 B CN 111951219B
Authority
CN
China
Prior art keywords
image
thyroid
orbital
layer
eye disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010655721.1A
Other languages
English (en)
Other versions
CN111951219A (zh
Inventor
翟广涛
刘子甲
朱文瀚
杨小康
宋雪霏
周慧芳
范先群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Original Assignee
Shanghai Jiaotong University
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine filed Critical Shanghai Jiaotong University
Priority to CN202010655721.1A priority Critical patent/CN111951219B/zh
Publication of CN111951219A publication Critical patent/CN111951219A/zh
Application granted granted Critical
Publication of CN111951219B publication Critical patent/CN111951219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computing Systems (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Pulmonology (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明提供了一种基于眼眶CT图像的甲状腺眼病筛查方法、系统及设备，包括：获取待识别眼眶CT图像；对获取的待识别眼眶CT图像进行预处理；利用分类CNN模型对预处理后的眼眶CT图像进行甲状腺相关眼病和非甲状腺相关眼病的识别；得到眼眶CT图像分类结果；其中获取的待识别眼眶CT图像为3D图像，断层扫描区域为从眉骨至鼻子的区域。本发明解决了眼科医生人工判断带来的误差问题。具有更加客观性的优点，同时，分类CNN模型的准确率和速度使筛查更加的快速和高效，能够及早的发现问题。

Description

基于眼眶CT图像的甲状腺眼病筛查方法、系统及设备
技术领域
本发明是一种人工智能领域的技术，具体地，涉及一种基于眼眶CT图像的甲状腺相关眼病智能筛查方法、系统及设备。
背景技术
甲状腺相关眼病(TAO)是发病率最高的眼眶病，其一甲状腺功能异常，眼外肌、眶后结缔组织及脂肪组织因细胞增殖、炎症和glycosaminoglycan堆积，体积增大导致的一系列眼部临床表现为生理特征，导致视力下降甚至失明，严重危害患者的视功能和颅面外形，其生命质量评分低于糖尿病、肺气肿和心衰患者，给家庭和社会造成沉重负担。当前国内外开展的眼眶病临床科研热点集中于TAO的MRI功能成像、视神经病变的诊断、眼眶手术的计算机导航等方面，为提升诊断的准确率和治疗的有效率做出了贡献。然而，上述眼眶病研究的共性是仅针对高度怀疑甚至已经确诊的眼眶病患者，并未涉及筛查环节。筛查的缺失、诊断的不及时不准确等严重制约了疾病及时有效的治疗，给患者带来巨大的身心负担和沉重的社会负担。
人工智能(AI)是研究和开发用机器模仿人类或类人类大脑功能的理论、方法、技术、应用的科学。AI已经在医疗的多个环节中发挥了重要的作用，包括影像识别、辅助诊断、药物研发、健康管理等，其在眼科学领域的应用亦取得了进展。然而，关于眼眶病AI诊断系统、筛查平台未见报道。
眼眶CT是能获得确切信息的眼眶病检查中最为快捷和低成本的一种，其可以清晰显示眼眶内软硬组织的边界，如眼眶肿瘤的侵蚀性生长、TAO中增粗的眼肌等。虽然眼眶MRI因其多参数成像、无辐射损伤及软组织分辨率高等优点被应用于甲状腺相关眼病活动性分期的辅助评估中，但其费用、耗时和特殊序列的复杂性限制了其作为筛查和初步诊断的有效工具，推广性较差。而随着对疾病认识的深入，眼眶CT在TAO的研究中愈加深入。因此，以眼眶CT判断TAO发病情况是一种理论上可行、临床上认可的方式，结合其外推性好的优点，其可作为AI TAO筛查的输入资料。
当前国内外开展的眼眶病临床科研热点集中于TAO的MRI功能成像、视神经病变的诊断、眼眶手术的计算机导航等方面，为提升诊断的准确率和治疗的有效率做出了贡献。然而，上述眼眶病研究的共性是仅针对高度怀疑甚至已经确诊的眼眶病患者，并未涉及筛查环节。筛查的缺失、诊断的不及时不准确等严重制约了疾病及时有效的治疗，给患者带来巨大的身心负担和沉重的社会负担。
目前还没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足，提供了一种基于眼眶CT图像的甲状腺相关眼病智能筛查方法、系统及设备。
本发明是通过以下技术方案实现的。
根据本发明的一个方面，提供了一种基于眼眶CT图像的甲状腺眼病筛查方法，包括：
获取待识别眼眶CT图像；
对获取的待识别眼眶CT图像进行预处理；
利用分类CNN模型对预处理后的眼眶CT图像进行甲状腺相关眼病和非甲状腺相关眼病的识别；
得到眼眶CT图像识别分类结果；
其中，获取的待识别眼眶CT图像为3D图像，断层扫描区域为从眉骨至鼻子的区域。
优选地，所述待识别眼眶CT图像通过标记，将图像分为甲状腺相关眼病图像和非甲状腺相关眼病图像。
优选地，所述眼眶CT图像预处理的方法，包括：
将眼眶CT图像重采样为统一规格；
对重采样后的眼眶CT图像截取感兴趣区域；
将截取后的CT图像大小重新调整为统一规格；
对调整后的CT图像使用数据增强。
优选地，所述重采样采用线性插值方式，重采样为1mm。
优选地，所述截取感兴趣区域的方法为：截取所有冠状面切片总数设定百分比的连续切片；截取标准为：保证矢状轴上所有含有眼眶骨及眼球的切片都包括在感兴趣区域内。
优选地，通过双三次差值算法,将截取后的CT图像像素大小重新调整为64×128×64。
优选地，对调整后的CT图像使用随机旋转和随机翻转进行数据增强。
优选地，所述分类CNN模型基于18层残差网络，包括：1个独立的卷积层a、8个残差块和1个全连接层；其中：
每一个所述残差块中均包含2个卷积层b，任意相邻的两个残差块之间采用残差连接；
每一个卷积层(包括独立的卷积层a和卷积层b)的后面均连接一个激活层和一个批标准化层，其中激活层采用线性整流函数；
在全连接层之前，采用全局平均池化层将数据变成形状为512x 1的向量，全连接层的输出为2x 1的向量，向量经过Softmax层转化为预测概率；所述预测概率为0到1之间的小数。
优选地，所述分类CNN模型通过以下方法训练得到：
将获取的待识别眼眶CT图像分为训练集和验证集；
抽取所述训练集和验证集中样本放入深度卷积神经网络中进行训练，结合相应样本有无甲状腺相关眼病的标签计算交叉熵作为训练的代价函数；使用Adam作为优化函数；
当某一训练周期为止训练集对应的损失函数连续下降，而验证集对应的损失函数在此后连续若干个周期未下降时，将此时的深度卷积神经网络作为选取验证集的代价函数值最小所在的模型；
结束训练，选取验证集的代价函数值最小所在的模型作为分类CNN模型。
优选地，通过将待识别眼眶CT图像中的甲状腺相关眼病图像识别后的复核结果加入训练集和验证集中，对得到的分类CNN模型进行修正。
根据本发明的另一个方面，提供了一种基于眼眶CT图像的甲状腺相关眼病智能筛查系统，包括：
图像采集模块：获取待识别眼眶CT图像；
预处理模块，对获取的待识别眼眶CT图像进行预处理；
图像识别模块，利用分类CNN模型对预处理后的眼眶CT图像进行识别，得到眼眶CT图像分类结果。
优选地，所述分类CNN模型基于18层残差网络，包括：1个独立的卷积层a、8个残差块和1个全连接层；其中：
每一个所述残差块中均包含2个卷积层b，任意相邻的两个残差块之间采用残差连接；
每一个卷积层(包括独立的卷积层a和卷积层b)的后面均连接一个激活层和一个批标准化层，其中激活层采用线性整流函数；
在全连接层之前，采用全局平均池化层将数据变成形状为512x 1的向量，全连接层的输出为2x 1的向量，向量经过Softmax层转化为预测概率。
根据本发明的第三个方面，提供了一种设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够用于执行上述任一项所述的方法。
根据本发明的第四个方面，提供了另一种设备，包括存储器、处理器及存储在存储器上并可通过处理器运行上述任一项所述的系统。
与现有技术相比，本发明具有如下的有益效果：
本发明提供的基于眼眶CT图像的甲状腺相关眼病智能筛查方法、系统，以及基于该方法和系统的实施和运行提出的设备，依据眼眶CT从健康人中筛查甲状腺相关眼病患者的分类CNN模型，解决了眼科医生人工判断带来的误差问题，同时，分类CNN模型的准确率和速度也使筛查更加的快速和高效。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明实施例提供的基于眼眶CT图像的甲状腺相关眼病智能筛查方法流程图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
本发明一实施例提供了一种基于眼眶CT图像的甲状腺相关眼病智能筛查方法，该方法通过建立依据眼眶CT从健康人中筛查TAO患者的AI模型，为眼眶CT的自动诊断奠定技术基础。同时提供了一种用于实施和运行上述方法的设备。如图1所示，该方法包括：
第一步、图像采集，获取待识别眼眶CT图像；其中：
作为一优选实施例，待识别眼眶CT图像为标记过的图像，通过对图像进行标记，将图像分为甲状腺相关眼病图像和非甲状腺相关眼病图像。
作为一优选实施例，将获取的待识别眼眶CT图像分为训练集和验证集。
作为一优选实施例，待识别眼眶CT图像的原始影像为头部垂直轴断层扫描，扫描范围从眉骨至鼻子。由于3维图像更能体现眼部组织的空间特征，所以使用3维数据。
第二步、图像预处理，对获取的待识别眼眶CT图像进行预处理；其中：
作为一优选实施例，首先统一空间分辨率，将CT图像重采样为1mm，差值方式为线性差值；截取感兴趣区域，截取标准保证矢状轴上所有含有眼眶骨及眼球的切片都包括在感兴趣区域内。截取方法是取所有冠状面切片总数2/5的连续切片；所有CT影像在放入网络训练前都会通过双三次差值算法将大小重新调整为64x 128x 64；使用随机旋转(0°-359°)和随机翻转进行数据增强，数据增强操作采用实时进行，在每一批数据进入网络之前，该批数据将会通过增强算法进行变换，变换之后的数据仅用于本步(step)训练而并不储存。
第三步、利用分类CNN模型对预处理后的眼眶CT图像进行甲状腺相关眼病和非甲状腺相关眼病的识别；其中：
作为一优选实施例，使用CNN对图像分类，抽取训练集和验证集中样本放入深度卷积神经网络中进行训练，结合相应样本有无甲状腺相关眼病的标签计算交叉熵作为训练的代价函数；使用Adam作为优化函数；结束训练，选取验证集的代价函数值最小所在的模型作为分类CNN模型。使用训练后分类CNN模型对新的数据集进行分类。
第四步、得到眼眶CT图像分类结果，并输出。
本发明该实施例提供的基于眼眶CT图像的甲状腺相关眼病智能筛查方法，其中，作为一优选实施例，分类CNN模型基于18层残差网络(ResNet-18)，由1个独立的卷积层、8个残差块和1个全连接层组成，其中8个残差块中均包含2个卷积层，每两个相邻的残差块都使用“残差连接”。为了防止过拟合，每一个卷积层(此处每一个卷积层是指独立的卷积层和残差块中包含的卷积层)后面都连接一个激活层和一个批标准化层，其中激活层使用线性整流函数。在全连接层之前使用全局平均池化层将数据变成形状为512x 1的向量，全连接层的输出为2x 1的向量，向量经过Softmax层转化为预测概率，预测概率为0到1之间的小数。
原始的ResNet是为处理二维数据设计的，为了匹配本发明实施例中眼眶CT图像的三维数据，将ResNet改为3D-ResNet，具体方法是将卷积和池化操作改为三维；由于原始ResNet处理的数据尺寸较大(224x 224)，而本发明实施例中的切片尺寸较小(64x128)，所以本发明实施例中不采用原始ResNet的最大池化(Max-pooling)操作，即下采样操作。
选取验证集的代价函数值最小所在的模型是指到某一训练周期为止训练集对应的损失函数连续下降，而验证集对应的损失函数在此后连续若干个周期未下降。以此决定训练迭代终止的时机，防止过拟合。
本发明部分实施例中，可以通过将待识别甲状腺相关眼病图像识别后的复核结果加入训练集和验证集中进行模型的修正，持续改善分类CNN模型的性能。
本发明部分实施例中，使用了193张已确诊的甲状腺相关眼病图像和715张正常眼底图像进行分类CNN模型的训练；训练后的模型经过对227张眼底图像的识别分类，准确率为0.8678，敏感性为0.8776，特异性为0.8652，接受者操作特性曲线下面积为0.919。
本发明另一实施例提供了一种基于眼眶CT图像的甲状腺相关眼病智能筛查系统，可以用于实施例方法。
该系统包括：
图像采集模块：获取待识别眼眶CT图像；
预处理模块，对获取的待识别眼眶CT图像进行预处理；
图像识别模块，利用分类CNN模型对预处理后的眼眶CT图像进行识别，得到眼眶CT图像分类结果。
作为一优选实施例，分类CNN模型基于18层残差网络，包括：1个独立的卷积层、8个残差块和1个全连接层；其中：
每一个残差块中均包含2个卷积层，任意相邻的两个残差块之间采用残差连接；
每一个卷积层(此处每一个卷积层是指独立的卷积层和残差块中包含的卷积层)的后面均连接一个激活层和一个批标准化层，其中激活层采用线性整流函数；
作为一优选实施例，在全连接层之前，采用全局平均池化层将数据变成形状为512x1的向量，全连接层的输出为2x 1的向量，向量经过Softmax层转化为预测概率。
本发明第三个实施例提供了一种设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，处理器执行计算机程序时能够用于执行基于眼眶CT图像的甲状腺眼病筛查方法。
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器62用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
基于本发明实施例提供的基于眼眶CT图像的甲状腺相关眼病智能筛查系统，本发明实施例同时提供了另一种设备，包括存储器、处理器及存储在存储器上并可通过处理器运行上述系统。系统能够用于执行上述基于眼眶CT图像的甲状腺相关眼病智能筛查方法。
本发明上述实施例提供的基于眼眶CT图像的甲状腺相关眼病智能筛查方法、系统，以及基于该方法和系统的实施和运行提出的设备，依据眼眶CT从健康人中筛查甲状腺相关眼病患者的分类CNN模型，解决了眼科医生人工判断带来的误差问题，具有更加客观性的优点；同时，分类CNN模型的准确率和速度使筛查更加的快速和高效，能够及早的发现问题。
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照系统的技术方案实现方法的步骤流程，即，系统中的实施例可理解为实现方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (6)

1.一种基于眼眶CT图像的甲状腺眼病筛查方法，其特征在于，包括：
获取待识别眼眶CT图像；
对获取的待识别眼眶CT图像进行预处理；
利用分类CNN模型对预处理后的眼眶CT图像进行甲状腺相关眼病和非甲状腺相关眼病的识别；
得到眼眶CT图像识别分类结果；
其中，获取的待识别眼眶CT图像为3D图像，断层扫描区域为从眉骨至鼻子的区域；
所述眼眶CT图像预处理的方法，包括：
将眼眶CT图像重采样为统一规格；其中，所述重采样采用线性插值方式，重采样为1mm；
对重采样后的眼眶CT图像截取感兴趣区域；其中，截取所有冠状面切片总数设定百分比的连续切片，截取标准为：保证矢状轴上所有含有眼眶骨及眼球的切片都包括在感兴趣区域内；
将截取后的CT图像大小重新调整为统一规格；其中，通过双三次差值算法,将截取后的CT图像像素大小重新调整为64×128×64；
对调整后的CT图像使用随机旋转和随机翻转进行数据增强；
所述分类CNN模型基于18层残差网络，包括：1个独立的卷积层a、8个残差块和1个全连接层；其中：
每一个所述残差块中均包含2个卷积层b，任意相邻的两个残差块之间采用残差连接；
每一个卷积层的后面均连接一个激活层和一个批标准化层，其中激活层采用线性整流函数；
在全连接层之前，采用全局平均池化层将数据变成形状为512x 1的向量，全连接层的输出为2x 1的向量，向量经过Softmax层转化为预测概率；所述预测概率为0到1之间的小数。
2.根据权利要求1所述的基于眼眶CT图像的甲状腺眼病筛查方法，其特征是，所述待识别眼眶CT图像通过标记，将图像分为甲状腺相关眼病图像和非甲状腺相关眼病图像。
3.根据权利要求1至2中任一项所述的基于眼眶CT图像的甲状腺眼病筛查方法，其特征是，所述分类CNN模型通过以下方法训练得到：
将获取的待识别眼眶CT图像分为训练集和验证集；
抽取所述训练集和验证集中样本放入深度卷积神经网络中进行训练，结合相应样本有无甲状腺相关眼病的标签计算交叉熵作为训练的代价函数；使用Adam作为优化函数；
当某一训练周期为止训练集对应的损失函数连续下降，而验证集对应的损失函数在此后连续若干个周期未下降时，将此时的深度卷积神经网络作为选取验证集的代价函数值最小所在的模型；
结束训练，选取验证集的代价函数值最小所在的模型作为分类CNN模型。
4.根据权利要求3所述的基于眼眶CT图像的甲状腺眼病筛查方法，其特征是，通过将待识别眼眶CT图像中的甲状腺相关眼病图像识别后的复核结果加入训练集和验证集中，对得到的分类CNN模型进行修正。
5.一种基于眼眶CT图像的甲状腺眼病筛查系统，其特征在于，包括：
图像采集模块：获取待识别眼眶CT图像；
预处理模块，对获取的待识别眼眶CT图像进行预处理；
图像识别模块，利用分类CNN模型对预处理后的眼眶CT图像进行识别，得到眼眶CT图像分类结果；
所述预处理模块，包括：
将眼眶CT图像重采样为统一规格；其中，所述重采样采用线性插值方式，重采样为1mm；
对重采样后的眼眶CT图像截取感兴趣区域；其中，截取所有冠状面切片总数设定百分比的连续切片，截取标准为：保证矢状轴上所有含有眼眶骨及眼球的切片都包括在感兴趣区域内；
将截取后的CT图像大小重新调整为统一规格；其中，通过双三次差值算法,将截取后的CT图像像素大小重新调整为64×128×64；
对调整后的CT图像使用随机旋转和随机翻转进行数据增强；
所述分类CNN模型基于18层残差网络，包括：1个独立的卷积层a、8个残差块和1个全连接层；其中：
每一个所述残差块中均包含2个卷积层b，任意相邻的两个残差块之间采用残差连接；
每一个卷积层的后面均连接一个激活层和一个批标准化层，其中激活层采用线性整流函数；
在全连接层之前，采用全局平均池化层将数据变成形状为512x 1的向量，全连接层的输出为2x 1的向量，向量经过Softmax层转化为预测概率。
6.一种设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，其特征是，所述处理器执行所述计算机程序时能够用于执行权利要求1至4中任一项所述的方法。
CN202010655721.1A 2020-07-09 2020-07-09 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 Active CN111951219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010655721.1A CN111951219B (zh) 2020-07-09 2020-07-09 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010655721.1A CN111951219B (zh) 2020-07-09 2020-07-09 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备

Publications (2)

Publication Number Publication Date
CN111951219A CN111951219A (zh) 2020-11-17
CN111951219B true CN111951219B (zh) 2022-12-20

Family

ID=73340098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010655721.1A Active CN111951219B (zh) 2020-07-09 2020-07-09 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备

Country Status (1)

Country Link
CN (1) CN111951219B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187646A (zh) * 2021-11-17 2022-03-15 中山大学中山眼科中心 一种眼外观图像的识别系统
CN115969400A (zh) * 2023-01-13 2023-04-18 深圳市眼科医院(深圳市眼病防治研究所) 眼球突出截面积测量装置
CN117936101B (zh) * 2024-03-21 2024-05-24 深圳大学总医院 一种智能检测甲状腺相关眼病的方法及检测系统
CN118052819B (zh) * 2024-04-15 2024-06-14 深圳大学总医院 一种预测甲状腺相关眼病的方法、装置及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543728A (zh) * 2018-11-07 2019-03-29 湖北工业大学 一种基于迁移学习的甲状腺相关性眼病检测方法
CN109635646A (zh) * 2018-11-02 2019-04-16 清影医疗科技（深圳）有限公司 一种头部图像处理方法、系统、设备、存储介质
CN109829921A (zh) * 2018-12-14 2019-05-31 清影医疗科技（深圳）有限公司 一种头部的ct图像的处理方法及其系统、设备、存储介质
CN110458217A (zh) * 2019-07-31 2019-11-15 腾讯医疗健康(深圳)有限公司 图像识别方法及装置、眼底图像识别方法和电子设备
CN111259982A (zh) * 2020-02-13 2020-06-09 苏州大学 一种基于注意力机制的早产儿视网膜图像分类方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635646A (zh) * 2018-11-02 2019-04-16 清影医疗科技（深圳）有限公司 一种头部图像处理方法、系统、设备、存储介质
CN109543728A (zh) * 2018-11-07 2019-03-29 湖北工业大学 一种基于迁移学习的甲状腺相关性眼病检测方法
CN109829921A (zh) * 2018-12-14 2019-05-31 清影医疗科技（深圳）有限公司 一种头部的ct图像的处理方法及其系统、设备、存储介质
CN110458217A (zh) * 2019-07-31 2019-11-15 腾讯医疗健康(深圳)有限公司 图像识别方法及装置、眼底图像识别方法和电子设备
CN111259982A (zh) * 2020-02-13 2020-06-09 苏州大学 一种基于注意力机制的早产儿视网膜图像分类方法和装置

Also Published As

Publication number Publication date
CN111951219A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111951219B (zh) 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备
WO2021115312A1 (zh) 医学影像中正常器官的轮廓线自动勾画方法
CN111598867B (zh) 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN113962311A (zh) 知识数据和人工智能驱动的眼科多病种识别系统
CN110415234A (zh) 基于多参数磁共振成像的脑部肿瘤分割方法
CN113284126B (zh) 人工神经网络图像分析预测脑积水分流手术疗效的方法
CN112508902B (zh) 白质高信号分级方法、电子设备及存储介质
CN115409764B (zh) 一种基于域自适应的多模态眼底血管分割方法及装置
CN116682564B (zh) 基于机器学习的近视牵引性黄斑病变风险预测方法及装置
Potočnik et al. Computerized detection and recognition of follicles in ovarian ultrasound images: a review
CN113096137A (zh) 一种oct视网膜图像领域适应分割方法及系统
CN116863221A (zh) 一种基于cnn与注意力机制的阿尔兹海默症分类方法
Jayachandran et al. Multi-dimensional cascades neural network models for the segmentation of retinal vessels in colour fundus images
CN114176616A (zh) 静脉血栓的检测方法、电子设备和存储介质
CN111938655B (zh) 基于关键点信息的眼眶软组织形态评价方法、系统及设备
Xu et al. RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation
Vani et al. An Enhancing Diabetic Retinopathy Classification and Segmentation based on TaNet.
Sha et al. A robust segmentation method based on improved U-Net
Malinda et al. Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks
CN109829921A (zh) 一种头部的ct图像的处理方法及其系统、设备、存储介质
CN112348796B (zh) 基于多模型结合的脑出血分割方法和系统
CN115359002A (zh) 一种颈动脉超声图像斑块自动检测系统及方法
CN115170492A (zh) 一种基于ai技术的白内障患者术后视力智能预测评估系统
CN114723879A (zh) 一种基于多维跨模态影像融合技术的人脑锥体束全自动重建方法
Liu et al. AGFA-Net: Attention-Guided and Feature-Aggregated Network for Coronary Artery Segmentation using Computed Tomography Angiography

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant