[發明專利]對鼓膜病理進行分類的系統、方法和計算機可讀介質

有效

• 申請號: 201780067908.6
• 申請日: 2017-09-01
• 公開（公告）號: CN109997147B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: C·塞那拉司;A·C·莫伯利;T·特克諾斯;G·F·小艾西格;C·A·艾爾瑪拉基;N·F·塔吉-沙爾;于連波;M·N·庫爾坎
• 申請（專利權）人: 俄亥俄州創新基金會
• 主分類號: G06V10/56
• 分類號: G06V10/56;G06V10/764;G06N20/20
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王青芝;黃綸偉

本申請涉及對鼓膜病理進行分類的系統、方法和計算機可讀介質。本發明公開了一種系統和方法，所述系統和方法通過使用高分辨率耳鏡圖像來檢測寬泛范圍的耳膜異常以及將所述耳膜的所述狀況報告為“正常”或“異常”。

相關申請的交叉引用

本專利申請要求于2016年9月2日提交的美國臨時專利申請序列號62/382,914的優先權和權益，該專利申請全文以引用方式并入本文并且構成本專利申請的一部分。

技術領域

本申請涉及對鼓膜病理進行分類的系統、方法和計算機可讀介質。

背景技術

耳部感染，特別是中耳的急性感染(急性中耳炎)，是最常見的兒童期疾病，僅在美國，每年醫生就診約為2000萬次。通過開發評估耳膜的客觀方法，診斷的主觀性導致需要解決的關鍵差距以改善診斷準確性。文獻中的少數先前研究集中在基于計算機的耳膜分析以輔助耳部病理的客觀診斷，但是這些研究僅限于評估中耳炎，同時排除其他重要的耳部病理[1至4]。開發更具包容性的客觀方法來識別耳膜異常將有助于臨床醫生診斷或排除臨床耳鏡檢查中可能微妙的病理(例如，中耳液)。

目前耳部病理診斷以及現有軟件工具的工作如下：和其同事開發的計算機圖像分析軟件的早期研究嘗試專門針對兒科病例的中耳炎[1]。該研究的作者通過使用不同的監督分類器研究了兩種顏色描述符的性能：HSV顏色直方圖和HSV顏色聚合向量。他們的實驗表明，HSV顏色聚合向量表現出比經典顏色直方圖更好的性能。然而，作者還得出結論，單獨的顏色信息不足以識別中耳炎病例。在最近的一項研究中，Kuruvilla和其同事開發了一個詞匯和語法系統，以便將給定的耳膜圖像分類為急性中耳炎(AOM)、中耳炎有積液(OME)或無積液(NOE)[2]。該算法以分段步驟開始，該步驟旨在定位耳膜，隨后是減少局部照明問題影響的步驟。接下來，提取若干代表性特征以表示臨床特征，諸如耳膜的鼓脹或半透明，或耳膜后面的氣泡的存在。最后，使用基于分層規則的決策樹對圖像進行分類。Shie和其同事提出了另一種檢測中耳炎的方法[3]。為了將鼓膜與輸入耳鏡圖像分離，他們引入了改進的兩步主動輪廓分割方法。然后該算法提取了幾個顏色和紋理特征，如Gabor、梯度直方圖和網格顏色矩。這些特征中的每一個被單獨用于訓練不同的支持向量機(SVM)分類器。最后，SVM分類器的預測概率被Adaboost用作最終分類的特征。2015年，Shie和其同事使用轉移學習范例進行中耳炎檢測[4]。作者從ImageNet圖像中提取了無監督碼本。使用轉移學習的特征向量，這是通過使用碼本編碼中耳炎圖像獲得的，他們采用監督學習從標記的中耳炎實例中學習分類器。最后，他們將分類結果與一些啟發式特征(在[3]中發表)的結果融合在一起，并且改善了它們的檢測性能。雖然數據庫的內容和大小的變化以及這些先前研究的重點使得難以客觀地比較性能，但是這些方法的準確度范圍為73％[1]至89％[2]。

最近，進行了一項研究，以檢查使用手持式視頻耳鏡系統收集的數字圖像的專家的診斷準確性(參見A.C.Moberly、M.Zhang、L.Yu、M.Gurcan、C.Senaras、T.N.Teknos等人，“Digital?otoscopy?versus?microscopy:How?correct?and?confident?are?ear?expertsin?their?diagnoses？”Journal?of?Telemedicine?and?Telecare，印刷號1357633X17708531，2017年，該文獻以引用方式全部并入本文)。該研究評估了12位耳科醫生(接受耳科疾病研究員培訓的耳鼻喉科醫師)從數據庫中檢查210個耳部圖像的子集的診斷準確性、評估者間一致性和置信水平。這些耳科醫生將圖像診斷為正常或七種類型的病理。與具有客觀評估的耳顯微鏡的金標準相比，這些醫生診斷耳部病理的總體準確率僅為75.6％。該研究的結果進一步支持了對客觀計算機輔助圖像分析(CAIA)方法的需求，諸如本文所述的方法，以幫助臨床醫生進行更準確的耳部診斷。