【技术实现步骤摘要】
基于多类型图像融合神经网络地方性氟骨病分级诊断系统
本专利技术涉及图像处理
，具体为一种基于多类型图像融合神经网络地方性氟骨病分级诊断系统。
技术介绍
氟骨病是我国一种典型的地方性疾病，它是因摄入过量氟化物而引起以颈、腰和四肢大关节疼痛以及肢体运动功能障碍为主要表现的慢性代谢性骨病。对于有高氟暴露史的人群，根据骨和关节X射线征象可以进行氟骨症的诊断和分级。氟骨病的典型病症为骨周软组织钙化，即前臂骨间膜、韧带、肌腱附着处等部位出现钙化、骨化的病理现象。这些变化是氟骨症的特征性改变，也是用来评价氟骨症的严重程度的重要依据。轻度氟骨病患者具有骨和关节疼痛症状并伴有颈、腰、上肢、下肢关节运动功能障碍体征，生活劳动能力降低，重度氟骨病会造成肢体变形，生活和劳动能力显著降低或丧失，乃至瘫痪。目前，氟骨病一般由医生依据骨骼的X光成像进行诊断。然而，疾病的严重程度诊断仅有定性的划分，缺乏精准的定量标准。这会导致疾病的诊断在一定程度上受到医生主观性的影响，此外，大量的重复性的人工诊断也会消耗医生的时间。因此需要一种能够辅助医生快...
【技术保护点】
1.基于多类型图像融合神经网络地方性氟骨病分级诊断系统，其特征在于包括：预处理模块、病变区域图像粗分割模块、多类型图像融合模块和疾病分级诊断模块，/n所述预处理模块用于统一氟骨病图像分布特性、统一骨骼角度、增强对比度并筛选敏感区域；/n所述病变区域图像粗分割模块用于初步提取敏感区域中臂骨间膜钙化区域；/n所述多类型图像融合模块用于利用病变区域图像粗分割模块得到的敏感区域中臂骨间膜钙化区域对原始图像进行权重调整并获得敏感区域中臂骨间膜钙化区域和原始图像融合后的特征张量；/n所述疾病分级诊断模块以融合的特征张量为输入，利用经训练集图像训练后的多分类分类器对氟骨病进行分级诊断。/n
【技术特征摘要】
1.基于多类型图像融合神经网络地方性氟骨病分级诊断系统，其特征在于包括：预处理模块、病变区域图像粗分割模块、多类型图像融合模块和疾病分级诊断模块，
所述预处理模块用于统一氟骨病图像分布特性、统一骨骼角度、增强对比度并筛选敏感区域；
所述病变区域图像粗分割模块用于初步提取敏感区域中臂骨间膜钙化区域；
所述多类型图像融合模块用于利用病变区域图像粗分割模块得到的敏感区域中臂骨间膜钙化区域对原始图像进行权重调整并获得敏感区域中臂骨间膜钙化区域和原始图像融合后的特征张量；
所述疾病分级诊断模块以融合的特征张量为输入，利用经训练集图像训练后的多分类分类器对氟骨病进行分级诊断。
2.根据权利要求1所述的基于多类型图像融合神经网络地方性氟骨病分级诊断系统，其特征在于所述预处理模块执行的步骤为：首先通过数字图像处理技术统一医疗X光图像中前臂骨特性，然后经自适应阈值二值化后再进行均值滤波得到平滑的骨骼图像，根据边缘近似得到骨骼轮廓并拟合为直线后得到手臂骨角度，之后令所有图像中骨骼处于水平状态，并提取中部敏感区域，最后通过限制对比度直方图均衡进行图像对比度增强。
3.根据权利要求1所述的基于多类型图像融合神经网络地方性氟骨病分级诊断系统，其特征在于所述病变区域图像粗分割模块利用基于U-Net卷积神经网络的改进模型进行前臂骨间膜钙化区域的初步提取，所述基于U-Net卷积神经网络的改进模型包括三个池化层、三个反卷积层和七个DenseNet模块，所述三个池化层和三个DenseNet模块构成用于特征提取的收缩路径，所述三个反卷积层和三个DenseNet模块构成用于恢复张量维数的扩张路径，
在所述收缩路径中，输入经第一DenseNet模块提取特征张量后通过第一池化层缩小张量尺寸，然后经第二DenseNet模块提取特征张量后通过第二池化层缩小张量尺寸，之后经第三DenseNet模块提取特征张量后通过第三池化层缩小张量尺寸，最后经第四DenseNet模块提取特征张量后进入扩张路径，
在所述扩张路径中，经第四DenseNet模块提取特征张量后通过第一反卷积层恢复张量的尺寸，然后经第五DenseNet模块提取特征张量后通过第二反卷积层恢复张量的尺寸，之后经第六DenseNet模块提取特征张量后通过第三反卷积层恢复张量的尺寸，最后经第七DenseNet模块提取特征张量后输出，
所述第一DenseNet模块、第二DenseNet模块和第三DenseNet模块的输出经过一个额外的连接分别与第七DenseNet模块、第六DenseNet模块和第五DenseNet模块的输入沿通道叠加，其中每个DenseNet模块...
【专利技术属性】
技术研发人员：刘绍宠，高彦辉，郦芒，罗浩，尹珅，蒋宇辰，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。