眼眶骨折自动识别模型构建方法、装置、设备和介质制造方法及图纸

本申请提供的一种眼眶骨折自动识别模型构建方法、装置、设备和介质。通过获取包含眼眶骨折和正常眼眶的CT图像的数据集；对数据集进行数据归一化处理和数据增强处理；将处理后的数据集输入基于深度卷积神经网络模型进行训练，并根据输出正样本和负样本的预测概率以确定识别结果和/或根据输出的梯度权重热力图以提示骨折区域。本申请采用三维区域标注可缩减了标注时间；并通过对CT图像进行预处理，可以去除骨性眼眶周围干扰信号，增加骨性眼眶信号在整体图片中的比例，且缩小图片大小，节约存储空间，减少训练时间；所构建的模型能够实现对眼眶CT图像中眼眶爆裂性骨折的自动识别和定位，可为医生阅片提供参考，减轻工作负担，降低漏诊概率。

【技术实现步骤摘要】
眼眶骨折自动识别模型构建方法、装置、设备和介质
本专利技术涉及医学数据处理
，特别是涉及一种眼眶骨折自动识别模型构建方法、装置、设备和介质。
技术介绍
随着高速机动车辆事故的日益频繁，面部创伤已成为急诊科越来越常见的疾病，眼眶骨折是其中最常见的骨折之一。在对眼眶骨折进行诊断时，需要拍摄头部CT或眼眶CT，并通过医生的肉眼对是否有眼眶骨折和眼眶骨折的部位进行识别。目前，利用影像学结果进行快速准确的诊断仍然具有一定挑战性，存在的困难包括工作量大、工作人员相对不足和影像科医生缺乏眼眶骨折的相关专科知识等。因此，目前亟需一种自动识别眼眶骨折的模型，快速准确地通过CT数据进行眼眶骨折的识别，节约诊断时间，为临床诊断提供参考。现有的骨折自动检测技术对长骨的移位性骨折的识别正确率较高。而骨性眼眶骨质菲薄，在CT图像上表现为占据的像素点较少，且眼眶爆裂性骨折一般为非移位性骨折，故现有技术难以对眼眶爆裂性骨折进行识别和定位。
技术实现思路
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种眼眶骨折自动识别模型构建方法、装置、设备和介质，以解决上述至少一个问题。为实现上述目的及其他相关目的，本申请提供一种眼眶骨折自动识别模型构建方法，所述方法包括：获取包含眼眶骨折和正常眼眶的CT图像的数据集；对所述数据集进行数据归一化处理和数据增强处理；将上述处理后的所述数据集输入基于深度卷积神经网络模型进行训练，并根据输出正样本和负样本的预测概率以确定识别结果和/或根据输出的梯度权重热力图以提示骨折区域。<br>于本申请的一实施例中，所述获取包含眼眶爆裂性骨折和正常眼眶的CT图像的数据集，包括：获取原始CT图像；一方面采用开源软件3DSlicer读取CT数据，并通过ROI三维坐标标注框标记骨折范围；另一方面将原始CT图像中的像素值转换为CT值，并通过预处理将CT图像转换为骨窗图像，以去除CT图像中骨性眼眶之外的干扰信号；根据标注框的位置，对包含标注框的骨窗图像赋予表示眼眶骨折的正样本标签，对未包含标注框的骨窗图像赋予表示正常眼眶的负样本标签，以得到包含眼眶骨折和正常眼眶的CT图像的数据集。于本申请的一实施例中，所述获取包含眼眶骨折和正常眼眶的CT图像的数据集，包括：将每张赋予表示眼眶骨折的正样本标签的CT图像复制一定次数，以获取包含眼眶骨折和正常眼眶的CT图像的数据集，使两类样本数量趋于平衡；根据病例编号，按一定比例随机抽取数据集以分别构成训练集、验证集。于本申请的一实施例中，所述预处理包括：重采样、阈值分割、确定最大联通区域、边缘提取、填充、叠加、图像缩小、及截取前半部分中任意一种或多种组合。于本申请的一实施例中，所述根据输出正样本和负样本的预测概率以确定识别结果，包括：基于深度卷积神经网络ResNet18的模型，在全连接层后加入Softmax函数；所述数据集中的CT图像经过深度卷积神经网络的全连接层特征提取后，再经Softmax函数分别输出对应正样本标签和负样本标签的预测概率；将预测概率较大的一类样本标签所对应的表征含义以确定为最终识别结果。于本申请的一实施例中，所述根据输出的梯度权重热力图以提示骨折区域，包括：所述数据集中的CT图像经过深度卷积神经网络的全连接层特征提取后得到多层特征图；利用反向传播求出每张特征图的权重；将每张特征图乘以权重以得到带权重的权重特征图；在第三维求均值，通过RELU函数激活及归一化处理，得到梯度权重热力图；根据所述梯度权重热力图中热点位置以供提示眼眶骨折的发生位置。于本申请的一实施例中，所述数据增强处理包括：随机翻转、裁剪、及旋转中任意一种或多种组合。为实现上述目的及其他相关目的，本申请提供一种眼眶骨折自动识别模型构建装置，所述装置包括：获取模块，用于获取包含眼眶骨折和正常眼眶的CT图像的数据集；处理模块，用于对所述数据集进行数据归一化处理和数据增强处理；将上述处理后的所述数据集输入基于深度卷积神经网络模型进行训练，并根据输出正样本和负样本的预测概率以确定识别结果和/或根据输出的梯度权重热力图以提示骨折区域。为实现上述目的及其他相关目的，本申请提供一种计算机设备，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法。为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令被运行时执行如上所述的方法。综上所述，本申请的一种眼眶骨折自动识别模型构建方法、装置、设备和介质。通过获取包含眼眶骨折和正常眼眶的CT图像的数据集；对所述数据集进行数据归一化处理和数据增强处理；将上述处理后的所述数据集输入基于深度卷积神经网络模型进行训练，并根据输出正样本和负样本的预测概率以确定识别结果和/或根据输出的梯度权重热力图以提示骨折区域。与现有技术相比，本申请具有以下有益效果：本申请采用三维区域标注，可大大缩减了标注时间；并通过对CT图像进行预处理，可以去除骨性眼眶周围干扰信号，增加骨性眼眶信号在整体图片中的比例，且缩小图片大小，节约存储空间，减少训练时间；所构建的模型能够实现对眼眶CT图像中眼眶爆裂性骨折的自动识别和定位，可为医生阅片提供参考，减轻工作负担，降低漏诊概率。附图说明图1显示为本申请于一实施例中的眼眶骨折自动识别模型构建方法的场景示意图。图2显示为本申请于一实施例中的去除CT图像中骨性眼眶之外的干扰信号过程的效果示意图。图3A显示为本申请于一实施例中的针对眼底骨折的图像中梯度权重热力图的效果示意图。图3B显示为本申请于一实施例中的针对眼眶内侧壁骨折的图像中梯度权重热力图的效果示意图。图4显示为本申请于一实施例中的眼眶骨折自动识别模型构建装置的模块示意图。图5显示为本申请于一实施例中的计算机设备的结构示意图。具体实施方式以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，虽然图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，但其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。承前所述，现有的骨折自动检测技术对长骨的移位性骨折的识别正确率较高，而骨性眼眶骨质菲薄，在CT图像上表现为占据的像素点较少，且眼眶爆裂性骨折一般为非移位性骨折，故现有技术难以对眼眶爆裂性骨折进行识别和定位。为解决上述问题，本申请提供了一种眼眶骨折自动识别模型构建方法、装置、设备和介质，用于解决现有技术中无法从眼眶CT数据对眼眶骨折(尤其是眼眶爆裂性骨折)进行识别和本文档来自技高网...

【技术保护点】
1.一种眼眶骨折自动识别模型构建方法，其特征在于，所述方法包括：/n获取包含眼眶骨折和正常眼眶的CT图像的数据集；/n对所述数据集进行数据归一化处理和数据增强处理；/n将上述处理后的所述数据集输入基于深度卷积神经网络模型进行训练，并根据输出正样本和负样本的预测概率以确定识别结果和/或根据输出的梯度权重热力图以提示骨折区域。/n

【技术特征摘要】
1.一种眼眶骨折自动识别模型构建方法，其特征在于，所述方法包括：
获取包含眼眶骨折和正常眼眶的CT图像的数据集；
对所述数据集进行数据归一化处理和数据增强处理；
将上述处理后的所述数据集输入基于深度卷积神经网络模型进行训练，并根据输出正样本和负样本的预测概率以确定识别结果和/或根据输出的梯度权重热力图以提示骨折区域。


2.根据权利要求1所述的方法，其特征在于，所述获取包含眼眶爆裂性骨折和正常眼眶的CT图像的数据集，包括：
获取原始CT图像；
一方面采用开源软件3DSlicer读取CT数据，并通过ROI三维坐标标注框标记骨折范围；另一方面将原始CT图像中的像素值转换为CT值，并通过预处理将CT图像转换为骨窗图像，以去除CT图像中骨性眼眶之外的干扰信号；
根据标注框的位置，对包含标注框的骨窗图像赋予表示眼眶骨折的正样本标签，对未包含标注框的骨窗图像赋予表示正常眼眶的负样本标签，以得到包含眼眶骨折和正常眼眶的CT图像的数据集。


3.根据权利要求2所述的方法，其特征在于，所述获取包含眼眶骨折和正常眼眶的CT图像的数据集，包括：
将每张赋予表示眼眶骨折的正样本标签的CT图像复制一定次数，以获取包含眼眶骨折和正常眼眶的CT图像的数据集，使两类样本数量趋于平衡；
根据病例编号，按一定比例随机抽取数据集以分别构成训练集、验证集。


4.根据权利要求2所述的方法，其特征在于，所述预处理包括：重采样、阈值分割、确定最大联通区域、边缘提取、填充、叠加、图像缩小、及截取前半部分中任意一种或多种组合。


5.根据权利要求2所述的方法，其特征在于，所述根据输出正样本和负样本的预测概率以确定识别结果，包括：
基于深度卷积神经网络...

【专利技术属性】
技术研发人员：范先群，李伦昊，宋雪霏，周慧芳，孙柔，林晨怡，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
类型：发明
国别省市：上海;31