[发明专利]基于SPECT/CT检测甲状腺相关眼病活动性的深度学习方法

权利要求书

1.一种基于SPECT/CT检测甲状腺相关眼病活动性的深度学习方法，其特征在于：包括眼外肌分割阶段和活动性分期的分类两个阶段，在眼外肌分割阶段，首先对眼部的CT图像进行三维重建，并训练眼外肌语义分割模型，最后使用训练好的眼外肌分割模型得到测试集中的眼外肌掩码；在判断甲状腺相关眼病是否处于活动期的分类阶段，将眼外肌掩码、SPECT和CT图像组成三通道数据，并使用三通道数据训练分类模型，将SPECT/CT图像和病人的眼外肌掩码结合成三通道图像输入分类模型，最终通过训练好的分类模型输出甲状腺相关眼病活动性，具体步骤如下：

步骤(1)：分别对SPECT图像和CT图像进行预处理，将SPECT图像和CT图像还原到真实大小；

步骤(2)：将CT图像划分为训练集、验证集和测试集，由多个有经验的操作人员手工勾画训练集和验证集CT图像中上直肌、下直肌、内直肌和外直肌轮廓，并由医生再次检查调整；

步骤(3)：构建用于眼外肌分割的SV-Net语义分割网络，利用步骤(2)中的训练集和验证集对语义分割网络进行训练并评估，得到优化后的眼外肌分割模型；

步骤(4)：将测试集的CT图像输入到训练好的分割模型中，从而得到测试集CT图像的眼外肌掩码；

步骤(5)：利用步骤(1)中的SPECT、CT图像和步骤(4)中的眼外肌掩码组成三通道图像，并将数据划分为用于活动性分期的训练集、验证集和测试集；

步骤(6)：构建用于活动性分期的TAO-Net分类网络，利用活动性分期的训练集和验证集对分类网络进行训练并评估，得到优化后的活动性分期模型，最终得到甲状腺相关眼病患者的活动性分期。

2.根据权利要求1所述的基于SPECT/CT检测甲状腺相关眼病活动性的深度学习方法，其特征在于：步骤(1)中，首先，对SPECT图像和CT图像进行配准，统一SPECT图像和CT图像的像素间距，并将其统一在同一个三维坐标系下；

其次，对SPECT和CT三维图像进行纵向切割，从而获得其冠状面。

3.根据权利要求1所述的基于SPECT/CT检测甲状腺相关眼病活动性的深度学习方法，其特征在于：步骤(3)中所述SV-Net语义分割网络，是改进后的V-Net网络，由解码器和编码器组成，编码器和解码器由卷积核大小为3×3×3的卷积层组成，不同层次的编码器从图像中获取到不同深度的特征，这些特征再由编码器还原到原始图像的大小，从而得到眼外肌的概率图，对概率图进行阈值为0.5的阈值分割，转化为二进制分割结果，二进制图像是眼外肌的掩码。

4.根据权利要求1所述的基于SPECT/CT检测甲状腺相关眼病活动性的深度学习方法，其特征在于：步骤(6)中所述的TAO-Net分类网络是基于三维残差模块搭建的，TAO-Net包括卷积模块、残差模块和分类器模块，卷积模块从图像中获取到浅层次的特征；残差模块，由两个三维残余块组成，在每个三维残余块中，三维特征图被传递到具有批处理规范层的三维卷积和包含三维卷积的残差连接中；分类器模块，包含三个三维卷积层和一个具有Softmax激活函数的全连接层；残差模块获取到的特征图被送入到分类器模块中进行学习，为得到的特征重新分配权重，最终特征通过全连接层输出分类的结果。