[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

说明书

本发明涉及一种基于SPECT/CT检测甲状腺相关眼病活动性的深度学习方法，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。通过两阶段的深度学习方法实现自动分类甲状腺相关眼病的活动性。

技术领域

本发明涉及医学图像分类的技术领域，具体涉及一种基于SPECT/CT检测甲状腺相关眼病活动性的深度学习方法。

背景技术

甲状腺相关眼病，也称为甲状腺眼病或格雷夫斯眼病，是成年人最常见的眼眶疾病。现在普遍认为，免疫介导的炎症是甲状腺相关眼病的主要发病机制，其特征是眼眶脂肪的眼外肌增厚、充血和水肿。大多数甲状腺相关眼病患者将经历炎症活跃阶段及非炎症活跃阶段。对于非活动性甲状腺相关眼病患者，支持性治疗，如润滑剂眼药水就足够了；而对于活动期甲状腺相关眼病患者，糖皮质激素或放射治疗被认为可以减少炎症后遗症。

临床活动评分(clinical activity score,CAS)广泛地用于甲状腺相关眼病的活动性。然而，临床活动评分是主观的，在很大程度上取决于眼科医生的意见。眼眶计算机断层扫描是一种快速且经济的眼眶疾病成像方法，可提供准确的形态学信息，如眼外肌的变化。这些信息可以帮助诊断甲状腺相关眼病，但很难准确评估甲状腺相关眼病的炎症活性。放射性核素成像，例如使用99m锝标记的二乙烯三胺五乙酸的眼眶单光子发射计算机断层扫描，由于其经济、简单和准确，已被报道为诊断和进一步分期甲状腺相关眼病活动性的有用生物标记物。SPECT/CT是一种融合成像，由功能图像的SPECT和解剖图像的CT组成，从而提高了测试的诊断准确性。最近报道，CT和SPECT混合诊断成像有望通过对甲状腺相关眼病患者眼外肌的半定量图像分析来评估炎症活动。此外，在预测甲状腺相关眼病患者眼周糖皮质激素治疗的疗效方面，SPECT/CT可能优于CAS。

近年来，深度学习已广泛应用于医学成像领域，包括眼部成像。许多研究表明，深度学习能够自动筛查和诊断各种眼部疾病，如白内障、糖尿病视网膜病变、青光眼、年龄相关性黄斑变性和早产儿视网膜病变。然而，使用眼眶成像的基于深度学习的技术在甲状腺相关眼病的诊断和活动性评估中很少被研究。有些研究者建立了甲状腺相关眼病诊断的深度学习模型，使用784(正常人：625，甲状腺相关眼病患者:168)组眼眶CT图像对模型进行训练，并以114组和227组眼眶CT作为验证集和测试集，该研究在甲状腺相关眼病的诊断任务中取得了良好的结果(准确度，87％；灵敏度，88％；特异性，85％)[参见：Song X,Liu Z,LiL,Gao Z,Fan X,Zhai G,et al.Artificial intelligence CT screening model forthyroid-associated ophthalmopathy and tests under clinicalconditions.International journal of computer assisted radiology andsurgery.2021；16:323-30.]。然而，参与本研究的甲状腺相关眼病患者样本较少，同时对甲状腺相关眼病患者的活动性没有分期。