【技术实现步骤摘要】
本专利技术属于医学图像处理与分析，具体涉及一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法。
技术介绍
1、颅内压(icp)升高对大脑功能具有严重危害，可能限制血液流向大脑，导致缺氧和营养不足，从而引发不可逆的脑损伤。其可能由多种因素引起，包括颅内病变(如肿瘤、脑出血和脑水肿)、脑脊液循环障碍(如脑积水)以及头部创伤(如交通事故或跌倒)等。研究和监测icp升高对于及时干预和改善患者预后至关重要。
2、在临床上，腰椎穿刺是一种常用的侵入性方法，用于测量脊髓液压力以准确评估icp。然而，在此过程中，患者可能会经历显著的不适或疼痛，并且需警惕感染、出血以及穿刺后头痛等潜在风险。眼底超声成像作为一种非侵入性icp测量技术提供了更安全便捷的替代方案。眼底超声可用于评估视神经直径(ond)、视神经鞘直径(onsd)等多种指标。由于视神经鞘是颅内硬脑膜与蛛网膜下腔的延续，颅内压的升高将直接导致视神经鞘直径的增大，因此视神经鞘直径(onsd)被认为是预测颅内压(icp)升高的重要参数。在创伤患者中，通过测量onsd可以持续监测icp。正常情况下onsd值小于5mm，若高于6mm则提示明显的颅内压升高。因此，开发一种可以从眼底超声视频中准确计算视神经鞘宽度的全自动系统是迫切且非常有意义的，而这依赖于对眼底超声图像的自动分割和最优帧的自动检测。
3、深度学习模型已经广泛应用于医学图像分析任务。自u-net网络架构在2015年被提出以来，其以对称的编码-解码结构为特色的设计显著提高了图像分割的精度，尤其在医学图像分析任
4、现有的视频关键帧检测深度网络模型大体可以分为两类。第一类将关键帧检测视为二元分类问题，检测模型通过交叉熵损失函数进行训练，将视频中的每一帧归类为关键帧或非关键帧。这种方法借助分类算法的优势，提取每一帧图像的特征并做出分类预测。第二种方法将关键帧检测视作回归问题，依据相关性或重要性为每帧估计一个评分值，指示其成为关键帧的可能性。此类模型采用均方误差损失进行训练，能够细腻地评估每一帧图像的重要性。回归方法在展现帧的相对重要性方面提供了更高的灵活性。然而,这两类深度学习模型在训练时都需要对视频中的所有帧赋予标签,尤其是第二类基于回归的深度网络模型,需要为每一帧都进行准确打分,这对于医生来说是非常困难且耗时的。
5、另外，精确测量视神经鞘直径(onsd)至关重要。这一过程对临床医生的经验和操作手法要求很高。然而，眼部超声图像的质量较差，通常表现为信噪比低、对比度不足以及视神经鞘边界模糊，这些因素都会影响临床测量的准确性。此外，在测量眼球下方3毫米处的视神经鞘宽度时，医生需手动沿视神经鞘向眼球方向测量3毫米，并绘制垂线以计算垂线与视神经鞘边界的交点之间的距离。由于手动测量视神经鞘存在诸多干扰和限制，不同医生的测量结果、同一医生在不同时间点的测量结果一致性和稳定性较差。因此亟需开发一种能够自动、稳定且准确测量onsd的算法。
6、为了应对这些关键帧检测与视神经鞘测量中的挑战，本专利技术介绍了一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法。这种方法旨在利用视神经鞘直径成像和测量的国际专家共识来进行最优帧的诊断。与已有的超声视频最优帧检测算法不同，本申请的方法严格按照国际专家共识进行特征选取和整体评分，具有很强的可解释性，而且不需要医生对每一帧进行标注打分。本专利技术是一个全自动的模型，包括三个关键模块：超声图像中眼球与视神经鞘自动分割模块、视频关键帧自动检测模块与眼球下3毫米处onsd自动测量模块。在模型训练期间，超声视频被拆分成图像帧，只需要对少量图像帧的眼球和视神经鞘进行标注即可。基于训练的分割模型对眼球和视神经鞘自动分割之后，只需利用图像自身信息自动进行最优帧检测以及onsd自动测量。本申请的模型是第一个严格按照国际专家共识检测眼底超声视频的最优帧并测量视神经鞘宽度的全自动方法。
技术实现思路
1、专利技术目的：针对超声视频分割、最优帧检测以及视神经鞘宽度测量所面临的挑战，包括大量图像噪声和伪影、视神经鞘边界轮廓模糊以及最优帧标准难以量化等问题，本专利技术重新设计了眼底超声视频的视神经鞘宽度测量任务，提出了一种全自动眼底超声视频分割、最优帧检测与视神经鞘宽度测量的新方法。该模型利用眼底图像的自动分割结果和国际专家共识进行最优帧检测，计算提取的最优帧图像中眼球下方3毫米处的视神经鞘宽度。
2、技术方案：一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，包括如下步骤：
3、a)文献调研：搜集相关领域的公开文献和专利，包括眼底超声视频处理现状、医学视频最优帧检测研究现状、视神经鞘宽度测量研究现状。
4、b)收集数据：从南京鼓楼医院收集了70例眼底超声视频数据，从中随机挑选了762帧图像进行眼球和视神经鞘区域的像素标注；将收集到的数据集按照8：2的比例随机分为分割模型的训练集和测试集，并作相应的预处理。此外，其中40例眼底超声视频带有医生选定的160张最优帧和160张不合格帧的分类标注，按3：
5、2的比例随机分为评分模型的训练集和测试集。
6、c)建立眼底超声图像的眼球和视神经鞘分割模型：基于nnu-net分割网络，构建端到端的2d眼底超声图像分割模型，在609张带有眼球和视神经鞘区域标注的图像构成的训练集上进行模型训练，实现对眼球和视神经鞘的自动分割。训练结束后，将所得的分割模型在153帧图像构成的独立测试集上进行测试。
7、d)设计启发式的眼底超声视频最优帧提取算法：针对眼底超声视频视神经鞘宽度测量的国际专家共识中的四条定性的标准规则，基于分割结果提取相应特征并对这四条规则进行量化，同时设计一个线性回归的评分模型。基于回归模型算法为每条规则自动确定相应的权重系数，得到眼底超声视频中每一帧图像的评分,输出其中评分最高的五帧作为该视频的最优帧集。
8、e)设计视神经鞘宽度自动测量算法：对每个视频里提取得到的五张最优帧图像，基于眼球和视神经鞘的分割结果，计算视神经鞘的中心线，沿着中心线与眼球边界的交点定位到眼球下方3毫米，自动测量视神经鞘的宽度。在去掉五个宽度值中的一个最大值和一个最小值后，以剩余三个宽度值的平均值作为最终的视神经鞘宽度。
9、f)训练分割模型：采用端到端训练方法将c)中构建的眼球和视神经鞘分割模型在训练集上进行训练和优化；
10、g)训练结束后，将f)中所得的分割模型应用于测试集，对每位患者视频中的所有图像进行分割，并结合原始图像及分割结果，运用d)中构建的算本文档来自技高网...
【技术保护点】
1.一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于：步骤a)中，收集到的数据按照8：2的比例随机分为分割模型的训练集和测试集；所述预处理具体为：首先，将所有眼底超声视频帧图像的像素值由Z-score方法归一化为[0,1]；其次，进行随机水平翻转、随机垂直翻转和增加随机噪声，最后，将训练集中的眼底超声视频帧图像随机裁剪至512×512。
3.根据权利要求1所述的一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于：步骤b)中，训练nnU-Net网络所采用的损失函数为Dice损失与交叉熵CE损失的平均值组合；最终输出为图像的分割结果，即整幅图像被划分为三个部分：背景区域、眼球区域和视神经鞘区域。
4.根据权利要求1所述的一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于：步骤c)中，启发式的视频最优帧提取算法包括量化国际专家共识中的四条超声视频标准平面选取规则，并对视频的每一帧进行评分
5.根据权利要求1所述的一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于：步骤d)中，视神经鞘宽度测量算法根据输入的病人的最优帧，计算视神经鞘的中心线，沿着中心线与眼球边界的交点定位到眼球下方3毫米，自动测量视神经鞘的宽度；在去掉五个宽度值中的一个最大值和一个最小值后，以剩余三个宽度值的平均值作为最终的视神经鞘宽度。
...【技术特征摘要】
1.一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于：步骤a)中，收集到的数据按照8：2的比例随机分为分割模型的训练集和测试集；所述预处理具体为：首先，将所有眼底超声视频帧图像的像素值由z-score方法归一化为[0,1]；其次，进行随机水平翻转、随机垂直翻转和增加随机噪声，最后，将训练集中的眼底超声视频帧图像随机裁剪至512×512。
3.根据权利要求1所述的一种眼底超声视频最优帧检测与视神经鞘宽度测量的全自动方法，其特征在于：步骤b)中，训练nnu-net网络所采用的损失函数为dice损失与交叉熵ce损失的平均...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。