[发明专利]对鼓膜病理进行分类的系统、方法和计算机可读介质

说明书

本申请涉及对鼓膜病理进行分类的系统、方法和计算机可读介质。本发明公开了一种系统和方法，所述系统和方法通过使用高分辨率耳镜图像来检测宽泛范围的耳膜异常以及将所述耳膜的所述状况报告为“正常”或“异常”。

相关申请的交叉引用

本专利申请要求于2016年9月2日提交的美国临时专利申请序列号62/382,914的优先权和权益，该专利申请全文以引用方式并入本文并且构成本专利申请的一部分。

技术领域

本申请涉及对鼓膜病理进行分类的系统、方法和计算机可读介质。

背景技术

耳部感染，特别是中耳的急性感染(急性中耳炎)，是最常见的儿童期疾病，仅在美国，每年医生就诊约为2000万次。通过开发评估耳膜的客观方法，诊断的主观性导致需要解决的关键差距以改善诊断准确性。文献中的少数先前研究集中在基于计算机的耳膜分析以辅助耳部病理的客观诊断，但是这些研究仅限于评估中耳炎，同时排除其他重要的耳部病理[1至4]。开发更具包容性的客观方法来识别耳膜异常将有助于临床医生诊断或排除临床耳镜检查中可能微妙的病理(例如，中耳液)。

目前耳部病理诊断以及现有软件工具的工作如下：和其同事开发的计算机图像分析软件的早期研究尝试专门针对儿科病例的中耳炎[1]。该研究的作者通过使用不同的监督分类器研究了两种颜色描述符的性能：HSV颜色直方图和HSV颜色聚合向量。他们的实验表明，HSV颜色聚合向量表现出比经典颜色直方图更好的性能。然而，作者还得出结论，单独的颜色信息不足以识别中耳炎病例。在最近的一项研究中，Kuruvilla和其同事开发了一个词汇和语法系统，以便将给定的耳膜图像分类为急性中耳炎(AOM)、中耳炎有积液(OME)或无积液(NOE)[2]。该算法以分段步骤开始，该步骤旨在定位耳膜，随后是减少局部照明问题影响的步骤。接下来，提取若干代表性特征以表示临床特征，诸如耳膜的鼓胀或半透明，或耳膜后面的气泡的存在。最后，使用基于分层规则的决策树对图像进行分类。Shie和其同事提出了另一种检测中耳炎的方法[3]。为了将鼓膜与输入耳镜图像分离，他们引入了改进的两步主动轮廓分割方法。然后该算法提取了几个颜色和纹理特征，如Gabor、梯度直方图和网格颜色矩。这些特征中的每一个被单独用于训练不同的支持向量机(SVM)分类器。最后，SVM分类器的预测概率被Adaboost用作最终分类的特征。2015年，Shie和其同事使用转移学习范例进行中耳炎检测[4]。作者从ImageNet图像中提取了无监督码本。使用转移学习的特征向量，这是通过使用码本编码中耳炎图像获得的，他们采用监督学习从标记的中耳炎实例中学习分类器。最后，他们将分类结果与一些启发式特征(在[3]中发表)的结果融合在一起，并且改善了它们的检测性能。虽然数据库的内容和大小的变化以及这些先前研究的重点使得难以客观地比较性能，但是这些方法的准确度范围为73％[1]至89％[2]。

最近，进行了一项研究，以检查使用手持式视频耳镜系统收集的数字图像的专家的诊断准确性(参见A.C.Moberly、M.Zhang、L.Yu、M.Gurcan、C.Senaras、T.N.Teknos等人，“Digital otoscopy versus microscopy:How correct and confident are ear expertsin their diagnoses？”Journal of Telemedicine and Telecare，印刷号1357633X17708531，2017年，该文献以引用方式全部并入本文)。该研究评估了12位耳科医生(接受耳科疾病研究员培训的耳鼻喉科医师)从数据库中检查210个耳部图像的子集的诊断准确性、评估者间一致性和置信水平。这些耳科医生将图像诊断为正常或七种类型的病理。与具有客观评估的耳显微镜的金标准相比，这些医生诊断耳部病理的总体准确率仅为75.6％。该研究的结果进一步支持了对客观计算机辅助图像分析(CAIA)方法的需求，诸如本文所述的方法，以帮助临床医生进行更准确的耳部诊断。