[发明专利]眼眶骨折自动识别模型构建方法、装置、设备和介质

权利要求书

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：

获取包含眼眶爆裂性骨折和正常眼眶的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；其中，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3D Slicer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；其中，所述预处理包括：CT值转换、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、截取前半部分及骨窗图像转化；其中，所述将CT图像转换为骨窗图像的方式包括：基于对应根据标注框位置设置的骨窗窗宽的骨窗，将所述CT图像转换为对应的所述骨窗图像。

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。

3.根据权利要求1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。

4.根据权利要求1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。

5.根据权利要求1所述的方法，其特征在于，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。

6.根据权利要求1所述的方法，其特征在于，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。

7.一种眼眶骨折自动识别模型构建装置，其特征在于，所述装置包括：

读取模块，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。

8.一种计算机设备，其特征在于，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权利要求1至6中任意一项所述的方法。

9.一种计算机可读存储介质，其特征在于，存储有计算机指令，所述计算机指令被运行时执行如权利要求1至6中任一项所述的方法。