[发明专利]基于眼眶CT图像的甲状腺眼病筛查方法、系统及设备

权利要求书

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。