[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

说明书

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。

技术领域

本发明涉及医学数据处理技术领域，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。

背景技术

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。

发明内容

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。

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。

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。