基于三维颞骨CT的慢性中耳炎的自动检测方法和系统

阅读：评论：0

基于三维颞骨ct的慢性中耳炎的自动检测方法和系统
技术领域
1.本发明涉及医学影像技术领域，尤其涉及一种基于三维颞骨ct的慢性中耳炎的自动检测方法和系统。

背景技术：

2.慢性中耳炎是持续存在于中耳鼓室和乳突气房中的炎症，这是全球最常见的健康问题之一。临床以反复耳流脓、听力下降和耳鸣为主的症状，极大地影响生活质量。采取手术对鼓室和乳突气房进行“通气引流”，切除病变组织是的最佳方法。其手术方式主要通过显微镜或耳内镜下进行鼓室成形术，这两种工具对于中耳炎临床疗效相当，而耳内镜手术以外观无切口、愈合快、住院周期短、费用低等优势越来越流行，但是如何精准分型对应选择显微镜还是耳内镜中耳手术相关研究极少。
3.近年来，随着人工智能的发展，将深度学习技术应用于医学影像检测已经成为一个热门的研究领域。特别是在颞骨ct(computed tomography，电子计算机断层扫描)影像中，颞骨的精细解剖结构较小，并且相应的耳科医生较少，将深度学习技术和医学影像相结合构建中耳解剖结构的自动化识别以及中耳软组织病灶的自动化检测、分类，能在一定程度提升耳鼻喉科医生的工作效率。近年来，相关自动检测系统在脑卒中、肺结节以及肝脏病变中已经获得了广泛的应用。相对而言，基于高分辨率颞骨ct的慢性中耳炎的自动化辅助检测系统目前极为罕见。
4.目前，现有其它团队技术采用鼓膜照片来对慢性中耳炎进行检测，然而鼓膜照片仅能从外耳道的狭窄视野内提供鼓膜及局部中耳的有限信息，对于检测位置深入、体积相对较小的病灶准确性不如ct。同时，颞骨ct也已经成为耳科医生的诊疗流程中常规的工具，基于ct的模型越来越有实用价值。申请人此前开发了一种基于颞骨ct单层图片的自动学习框架，可以自动识别水平半规管层面的ct图像，得出中耳鼓室内的软组织灶的性质，然而该方法仍然有待改进。因为基于单层影像的判断结果容易错过体积小或者处于边缘层面的病灶，增加了假阴性的风险，其精确性与临床医生实际上通过多层面颞骨ct读片得出的诊断依然存在差距。所以，现有的人工智能尚不能充分地分辨中耳病变的部位、性质和辅助提出相应的诊疗方案。

技术实现要素：

5.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提供一种基于三维颞骨ct的慢性中耳炎的自动检测方法，以准确分辨中耳病变的部位和性质，并辅以准确提出相应的诊疗方案，从而达到对患者进行个体化精准的效果。
6.本发明的第二个目的在于提供一种基于三维颞骨ct的慢性中耳炎的自动检测系统。
7.为达到上述目的，本发明通过以下技术方案实现：
8.一种基于三维颞骨ct的慢性中耳炎的自动检测方法，包括：
9.步骤s1：构建区域选取模型和检测模型；
10.步骤s2：获取三维头部ct影像，并通过所述区域选取模型从所述三维头部ct影像中自动提取出耳部区域；
11.步骤s3：采用所述检测模型对所提取的耳部区域进行检测和病理分型。
12.可选的，所述步骤s1中，构建区域选取模型的步骤包括：
13.获取若干组待训练三维头部ct影像；
14.从若干组所述待训练三维头部ct影像中学习得到若干个内耳结构在相应的三维头部ct影像中呈现的图像特征，并以若干组所述图像特征为基准选取得到耳部区域，其中，所述耳部区域为中耳炎病变发生的常见区域。
15.可选的，所述步骤s1中，构建检测模型的步骤包括：
16.获取若干组中耳炎病变发生的常见区域的ct图像数据；
17.从每组ct图像数据中提取出对应区域的像素特征，并对若干组所述像素特征及其所对应的病理标签进行学习，以获得用于病理检测和分型的所述检测模型。
18.可选的，所述像素特征包括对应区域原始图像的局部颜高阶特征、纹理高阶特征、形状高阶特征中的至少一种，其中，不同的像素特征用于提示不同的病理特征，所述像素特征通过所述检测模型自动提取。
19.可选的，所述方法还包括：
20.获取各组ct图像数据对应耳的病理类型，以获得所述病理标签；
21.采用所述病理标签对相应的ct图像数据或所述ct图像数据中的像素特征进行标定。
22.可选的，所述步骤s3，包括：
23.通过所述检测模型对从新病例ct图像中所提取的耳部区域进行检测，以根据检测到的图像特征确定所述图像特征对应的病理标签，并通过所述病理标签确定病理类型。
24.可选的，在确定病理检测结果之后，所述方法还包括：采用热力图显示中耳炎病灶位置。
25.可选的，所述内耳结构在三维头部ct影像中呈现的图像特征包括内耳结构的形状、尺寸和灰阶像素中的至少一种；所述内耳结构包括耳蜗、半规管和内听道中的至少一种。
26.可选的，所述区域选取模型和所述检测模型通过卷积神经网络图像识别方法训练得到。
27.为达到上述目的，本发明第二方面提供了一种基于三维颞骨ct的慢性中耳炎的自动检测系统。
28.本发明至少具有以下技术效果：
29.本发明通过预训练的区域选取模型可以从三维头部ct影像中准确选取出中耳炎病变发生的常见区域；本发明还能够通过训练模型提取病变位置的图像特征，建立与对应病理分类的联系；本发明中训练得到的检测模型能通过新病人的颞骨ct判断是否存在中耳炎以及可能的中耳炎病理类型，并通过热力图准确识别和显示病灶位置。本发明可以应用于临床辅助诊疗系统，输入原始三维ct图像便可立刻得到精准的判断，可减少因主诊医生
仅通过主观判断而产生误差的风险，同时能够提示病理类型和显示病灶位置，从而优化手术方式和入路的选择。最后，本发明提供了影像学、病理学和手术效果相结合的可能性，通过模型不断学习而优化分类方式，最终可提出慢性中耳炎新的分类标准。这些优势能够帮助临床医师对患者进行个体化精准，达到了加速推进耳科学领域分级诊疗策略的效果。
附图说明
30.图1为本发明一实施例提供的基于三维颞骨ct的慢性中耳炎的自动检测方法的流程图；
31.图2为本发明一实施例提供的病理状态下的热力图；
32.图3为本发明一实施例提供的生理状态下的热力图；
33.图4为本发明一实施例提供的基于三维颞骨ct的慢性中耳炎的自动检测系统的结构框图；
34.图5为本发明一实施例提供的基于三维颞骨ct的慢性中耳炎的自动检测系统的多个待检测数据集检测结果示意图。
具体实施方式
35.下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
36.下面参考附图描述本实施例的基于三维颞骨ct的慢性中耳炎的自动检测方法和系统。
37.图1为本发明一实施例提供的基于三维颞骨ct的慢性中耳炎的自动检测方法的流程图。如图1所示，该方法包括：
38.步骤s1：构建区域选取模型和检测模型。
39.为实现从ct中选取关键区域，并利用训练学到的规律进行中耳炎检测，以模拟出临床医生阅读ct并进行检测的思路，本实施例基于机器学习框架构建了两个深度学习模型，即区域选取模型和检测模型。需要说明的是，该区域选取模型和检测模型通过卷积神经网络(convolutional neural networks，cnn)图像识别方法训练得到。
40.具体的，本实施例采用深度学习方法构建上述训练模型，所述深度学习方法为采用模拟视觉皮层的卷积神经网络结构原理对图像数据进行理解和分析，最终从大量训练数据中自动总结出每个病理类型特有的图像特征，并利用这些图像特征对新的图像数据进行预测，并得到相应的诊疗方案。
41.所述步骤s1中，构建区域选取模型的步骤包括：获取若干组待训练三维头部ct影像；从若干组待训练三维头部ct影像中学习得到若干个内耳结构在相应的三维头部ct影像中呈现的图像特征，并以若干组图像特征为基准选取得到耳部区域，其中包括中耳炎病变发生的常见区域，如中耳鼓室和岩骨。
42.具体的，可采用深度学习方法从获取的待训练三维头部ct影像中学习内耳结构在该待训练三维头部ct影像中的图像特征，该图像特征包括内耳结构的形状、尺寸和灰阶像
素中的至少一种，该内耳结构包括耳蜗、半规管和内听道中的至少一种。深度学习方法包括使用各种二维或三维区域卷积神经网络(region-based cnns)、yolo或者类似的物体识别模型，对应于二维或三维的ct图像，通过学习内耳结构的三维像素特征，或者其二维特征并延展至三维空间，实现内耳结构的在三维ct中的定位。
43.需要说明的是，这些内耳结构不会因中耳是否有病变而改变，在通过对若干组待训练三维头部ct影像进行重复训练之后，使得区域选取模型可以准确识别内耳结构在三维头部ct影像中的图像特征。在学会识别内耳结构之后，再以内耳结构如耳蜗、半规管和内听道中的任意一者或其多者组合为基准选取得到无需特别精细且仅需包括存在中耳炎病变的中耳和岩骨所在常见区域。
44.本实施例中，在区域选取模型训练时，采用中耳位置识别的训练方法可将原本包含整个头部的三维头部ct影像缩窄到中耳所在区域，从而减少对检测无关的结构对训练模型的影响，并且该方法在对区域选取模型完成训练后，可通过该区域选取模型训练实现中耳炎病变发生的常见区域的准确检测，以提高检测效率和检测结果的准确性。
45.所述步骤s1中，构建检测模型的步骤包括：获取若干组中耳炎病变发生的常见区域的ct图像数据；从每组ct图像数据中提取出对应区域的像素特征，并对若干组像素特征及其对应的病理标签进行学习，以获取用于病理检测和分型的检测模型。
46.具体的，通过区域选取模型选取得到中耳炎病变的中耳和岩骨所在常见区域之后，可获取待学习的中耳炎病变发生的常见区域图像数据，然后用于训练深度学习模型，该深度学习模型自动对原始图像进行特征提取，得到相应的高阶像素特征，深度学习模型将这些像素特征在训练过程中学习与相应的病理类型和病理标签建立联系。在对多组图像数据进行反复训练学习后，即可得到对病理特征进行准确分类和检测的检测模型。其中，高阶像素特征包括对应区域原始图像的局部颜高阶特征、纹理高阶特征、形状高阶特征中的至少一种，其中，不同的像素特征用于提示不同的病理特征，所述像素特征通过所述检测模型自动提取。
47.本实施例中，通过对常见区域图像数据进行特征提取，得到相应的像素特征，并对上述像素特征进行检测学习，可实现对病理类型的准确识别。
48.在本发明的一个实施例中，所述方法还包括：
49.获取各组ct图像数据对应耳部的病理类型，以获得病理标签；采用病理标签对相应的ct图像数据或ct图像数据中的像素特征进行标定。
50.具体的，在检测模型学习过程中，可对若干组ct图像通过提取的像素特征与经标定的病理类型进行对应，在反复训练后即可得到检测模型，该模型实际上反映了像素特征与病理标签的对应逻辑关系。
51.当有新的病例或者病理类型数据后，可对已有模型进行更新，用新旧数据重复以上步骤的训练，可使模型对此前已学得的病理类型检测能力加强，或者习得新的病理类型的检测能力。
52.步骤s2：获取三维头部ct影像，并通过区域选取模型从三维头部ct影像中自动提取出耳部区域。
53.步骤s3：采用检测模型对所提取的耳部区域进行检测和病理分型。
54.其中，步骤s3包括：
55.通过检测模型对从新病例ct图像中所提取的耳部区域进行检测，以根据检测到的图像特征确定所述图像特征对应的病理标签，并通过该病理标签确定病理类型。
56.在确定病理检测结果之后，所述方法还包括：采用热力图显示中耳炎病灶位置。
57.具体的，中耳炎病灶位置可通过热力图方式显示，从而提供模型判断的依据以供使用者复核或学习。例如，可从检测模型的内核提取各像素特征的空间权重，并转化得到所述热力图以显示中耳炎病灶位置。图2和图3分别为病理状态和生理状态下的热力图，如图2和图3所示，可在热力图上高亮显示中耳炎病灶位置。由此，本实施例中转化得到的热力图可观察到颞骨ct上关于慢性中耳炎的关键决策热点围绕于听骨链周围以及鼓室内的炎性病灶以及气化不良的乳突。并且，该决策关注点与临床医师检测的结果较为一致，由此也可说明热力图显示中耳炎病灶位置的可靠性。热力图的颜深浅也代表某病理分型的可能性大小。
58.在实际应用中可获取三维头部ct影像，然后采用训练好的的区域选取模型从三维头部ct影像中提取出耳部区域，再用预训练的检测模型对该区域的图像进行判断，得到病理类型，同时显示中耳炎病灶的位置和可能性大小。所以，本实施例中的检测模型不仅可通过ct判断某个中耳是否存在中耳炎风险，同时可以判断其病理类型，如化脓性中耳炎或者胆脂瘤，并且能提供病灶位置和范围的估计，从而可根据病变类型和范围设计合理的手术方案，实现精准化。
59.图4为本发明一实施例提供的一种基于三维颞骨ct的慢性中耳炎的自动检测系统的结构框图。如图4所示，该基于三维颞骨ct的慢性中耳炎的自动检测系统1包括构建模块10、选取模块20和分类检测模块30。
60.其中，构建模块10用于构建区域选取模型和检测模型；选取模块20与构建模块10连接，选取模块20用于获取三维头部ct影像，并通过区域选取模型从三维头部ct影像中自动提取出耳部区域，所述耳部区域为中耳炎病变发生的常见区域；分类检测模块30与构建模块10和选取模块20分别连接，分类检测模块30用于采用检测模型对耳部区域进行病理分型和检测。本实施例中，区域选取模型和检测模型均通过卷积神经网络图像识别方法训练得到。
61.在本发明的一个实施例中，构建模块10具体用于：获取若干组待训练三维头部ct影像；从若干组待训练三维头部ct影像中学习得到若干个内耳结构在相应的三维头部ct影像中呈现的图像特征，并以若干组图像特征为基准选取得到中耳炎病变发生的常见区域。其中，中耳炎病变发生的常见区域为中耳和岩骨所在区域。所述内耳结构在三维头部ct影像中呈现的图像特征包括内耳结构的形状、尺寸和灰阶像素中的至少一种；所述内耳结构包括耳蜗、半规管和内听道中的至少一种。
62.在本发明的一个实施例中，构建模块10还用于：获取若干组中耳炎病变发生的常见区域图像数据，并用于训练深度学习模型。该深度学习模型自动对原始图像进行特征提取，得到相应的高阶像素特征，深度学习模型将这些像素特征在训练过程中学习与相应的病理类型建立联系。在对多组图像数据进行反复训练学习后，即可得到对病理特征进行准确分类和检测的检测模型。
63.其中，构建模块10还用于：获取各组ct图像数据对应耳部的病理类型，以获得病理标签；采用病理标签对相应的ct图像数据或ct图像数据中的像素特征进行标定。
64.分类检测模块30具体用于：采用训练得到的检测模型对新病例ct的耳部区域进行检测，得到其病理类型，同时显示病变位置和风险大小的热力图。
65.需要说明的是，本实施例的的基于三维颞骨ct的慢性中耳炎的自动检测系统的具体实施方式可参见上述基于三维颞骨ct的慢性中耳炎的自动检测方法的具体实施方式，为避免冗余，此处不再赘述。
66.可以理解的是，本发明在大样本量数据训练的条件下，所识别的每种中耳炎类别的特征将会符合人类所认知的普适影像学规律，并且还有可能寻出当前还未被发现的隐藏规律，所有这些规律可被该检测模型应用于检测新的未知的病例。
67.为验证本发明的基于三维颞骨ct的慢性中耳炎的自动检测方法和系统的检测效果，本实施例给出了基于三维颞骨ct的慢性中耳炎的自动检测系统对随机分配的五个数据集进行有无慢性中耳炎的检测示意图。如图5所示，该检测结果显示检测模型指标auc(area under curve，曲线下面积)为0.91
±
0.02。由此可知，该系统可达到效果极佳的中耳病变的检测效果，其可推广至耳科医生人数不足的基层医院，有利于推进耳科疾病的分级。
68.综上所述，本发明通过预训练的区域选取模型可以从三维头部ct影像中准确选取出中耳炎病变发生的常见区域，检测模型可以学习识别ct图像特征与对应病理特征的联系，最后能通过新病人的颞骨ct判断是否存在中耳炎以及可能的中耳炎病理类型，并通过热力图准确识别病变位置和风险大小。本发明可以应用于临床辅助诊疗系统，输入原始三维ct图像便可立刻得到精准的判断，可减少因主诊医生仅通过主观判断而产生误差的风险，同时能够提示病理类型和范围，从而优化手术方式和入路的选择。最后，本发明提供了影像学、病理学和手术效果相结合的可能性，通过模型不断学习而优化分类方式，最终可提出慢性中耳炎新的分类标准。这些优势能够帮助临床医师对患者进行个体化精准，达到了加速推进耳科学领域分级诊疗策略的效果。
69.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
70.尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

技术特征：

1.一种基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，包括：步骤s1：构建区域选取模型和检测模型；步骤s2：获取三维头部ct影像，并通过所述区域选取模型从所述三维头部ct影像中自动提取出耳部区域；步骤s3：采用所述检测模型对所提取的耳部区域进行检测和病理分型。2.如权利要求1所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，所述步骤s1中，构建区域选取模型的步骤包括：获取若干组待训练三维头部ct影像；从若干组所述待训练三维头部ct影像中学习得到若干个内耳结构在相应的三维头部ct影像中呈现的图像特征，并以若干组所述图像特征为基准选取得到耳部区域，其中，所述耳部区域为中耳炎病变发生的常见区域。3.如权利要求1所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，所述步骤s1中，构建检测模型的步骤包括：获取若干组中耳炎病变发生的常见区域的ct图像数据；从每组ct图像数据中提取出对应区域的像素特征，并对若干组所述像素特征及其所对应的病理标签进行学习，以获得用于病理检测和分型的所述检测模型。4.如权利要求3所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，所述像素特征包括对应区域原始图像的局部颜高阶特征、纹理高阶特征、形状高阶特征中的至少一种，其中，不同的像素特征用于提示不同的病理特征，所述像素特征通过所述检测模型自动提取。5.如权利要求4所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，所述方法还包括：获取各组ct图像数据对应耳的病理类型，以获得所述病理标签；采用所述病理标签对相应的ct图像数据或所述ct图像数据中的像素特征进行标定。6.如权利要求1所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，所述步骤s3，包括：通过所述检测模型对从新病例ct图像中所提取的耳部区域进行检测，以根据检测到的图像特征确定所述图像特征对应的病理标签，并通过所述病理标签确定病理类型。7.如权利要求1所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，在确定病理检测结果之后，所述方法还包括：采用热力图显示中耳炎病灶位置。8.如权利要求2所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，所述内耳结构在三维头部ct影像中呈现的图像特征包括内耳结构的形状、尺寸和灰阶像素中的至少一种；所述内耳结构包括耳蜗、半规管和内听道中的至少一种。9.如权利要求1所述的基于三维颞骨ct的慢性中耳炎的自动检测方法，其特征在于，所述区域选取模型和所述检测模型通过卷积神经网络图像识别方法训练得到。10.一种基于三维颞骨ct的慢性中耳炎的自动检测系统，其特征在于，包括：构建模块(10)，用于构建区域选取模型和检测模型；选取模块(20)，与所述构建模块(10)连接，所述选取模块(20)用于获取三维头部ct影像，并通过所述区域选取模型从所述三维头部ct影像中自动提取出耳部区域，所述耳部区
域为中耳炎病变发生的常见区域；分类检测模块(30)，与所述构建模块(10)和所述选取模块(20)分别连接，所述分类检测模块(30)用于采用所述检测模型对耳部区域进行病理分型和检测。

技术总结

本发明公开了一种基于三维颞骨CT的慢性中耳炎的自动检测方法和系统，该方法包括：构建区域选取模型和检测模型；获取三维头部CT影像，并通过区域选取模型从三维头部CT影像中自动提取出包含中耳在内的耳部区域；采用检测模型对所选取区域进行病理检测和分类。本发明能够准确分辨中耳病变的部位和性质，并辅以准确提出相应的诊疗方案，从而达到对患者进行个体化精准的效果。化精准的效果。化精准的效果。