[发明专利]基于深度学习算法测量眼球突出度的系统

说明书

本发明涉及一种基于深度学习算法测量眼球突出度的系统以及方法，包括通信连接的CT/MRI眼眶图片切割模块、眼环轮廓标记模块、眼球突出部分标记模块、眼球突出度计算模块以及终端，通过模块计算突出眼眶外部分体积与眼球体积之比，相比现有的人工平面测量距离来作为突出度的方式，由于采用体积测量计算，精度更高，给甲亢突眼病的定量诊断与治疗提供更可靠的参考。

【技术领域】

本发明属于医学影像领域，涉及一种眼球突出度的测量系统以及方法，具体地，涉及一种基于深度学习算法测量眼球突出度的系统以及方法。

【背景技术】

突眼，是甲亢的后遗症状之一，眼球突出程度是由眶内容物的体积与眶骨形态特征之间的关系决定的，并受眶隔的紧密性和眶内血管流动的影响。眼球突出程度的测量是眼眶疾病诊断和疗效评估的基本临床检查之一。

现有技术中，对于突出程度的测量是在二维的基础上的，通常有以下几种：一种如图1所示(该图是横向矢面图)，采用人工测量CT图像中的角膜前缘顶点到两侧眶外缘连线的垂直距离，并以此来计算眼球突出度。这种方法测量眼球突出可能受检查者的经验或眶周变化的影响较小，但可能会因患者仰头低头、头向左右偏曲、睁眼闭眼而出现严重偏差，并且无法在没有侧壁的情况下(例如在眼眶骨折后)和严重斜视患者中准确测量眼球突出度。另一种是采用计算眼球(globe area，GA)与埋入眼眶内部分眼球(orbital area，OA)在CT扫描的轴位图像上的面积比(globe area，GA)来反映眼球突出的程度，该面积比可以减少由于患者头部位置偏斜引起的测量误差。但OA/GA比以眼眶内外缘连线作为单一的参考线，由于眶外侧缘的相对位置对眶深的影响很大，可能导致误诊。还有一种是通过测量角膜表面到眼眶CT矢状面上下眶缘连线的距离，角膜表面到眼眶CT横切面两侧眶外缘连线的距离，角膜表面到眼眶CT横切面眼眶内外缘连线的距离，以及三维重建图像上眼球表面距中面部的距离。可以看出，以上各种方法的这些参数都是二维的。

综上所述，目前尚缺乏基于高分辨眼眶CT，不受患者头位、眶周软组织厚度、睁眼或闭眼影响，不受测量者经验影响，重复性高，能三维反映眼球突出程度的高精度测量系统和方法。

【发明内容】

为解决上述问题，本发明提出了一种基于深度学习算法测量眼球突出度的系统，包括通信连接的CT/MRI眼眶图片切割模块、眼环轮廓标记模块、眼球突出部分标记模块、眼球突出度计算模块以及终端；CT/MRI眼眶图片切割模块对CT/MRI扫描形成的容积图像以预定的厚度和间隔按照从右向左的方向进行纵向切割并最终输出多张矢状面图给眼环轮廓标记模块；所述眼环轮廓标记模块基于深度学习算法以多张人工标注的图像为参照进行多次自我训练后达到准确预测所述多张矢状面图中的眼环轮廓，并输出眼环轮廓参数给眼球突出部分标记模块和眼球突出度计算模块；所述眼球突出部分标记模块根据所述眼环轮廓参数依照眼眶上、下最突出点连线划分突出部分并输出突出部分参数给眼球突出度计算模块；所述眼球突出度计算模块根据曲面计算方法计算突出部分的面积以及整个眼环轮廓面积，将所有矢状面图的突出部分面积相加得出突出部分体积，所有眼环轮廓面积相加得出眼球体积，突出部分体积除以眼球体积之比即为眼球突出度，将眼球突出度的结果输出给终端。

本发明还公开了一种基于前述系统测量眼球突出度的方法，包括如下步骤：

S1：选取多张纵向切割CT/MRI图像得到的眼眶图片进行人工标注眼环轮廓；

S2：将S1中人工标注过的眼眶图片输入给眼环轮廓标记模块作为学习参照，眼环轮廓标记模块经过多次自我学习后达到准确标记眼环的轮廓；

S3：CT/MRI机扫描患者头部获得容积图像并将其输入给CT/MRI眼眶图片切割模块，CT/MRI眼眶图片切割模块以预定的厚度和间隔对容积图像按照从右向左的方向进行纵向切割，从而获得多张矢状面图，然后将所述矢状面图输出给所述眼环轮廓标记模块；

S4：所述眼环轮廓标记模块对多张矢状面图预测眼环轮廓并输出眼环轮廓参数给眼球突出部分标记模块以及眼球突出度计算模块；