一种基于机器学习的踝骨折及韧带损伤诊断方法技术

本发明专利技术公开一种基于机器学习的踝骨折及韧带损伤诊断方法，该方法确定计算机特征提取的区域，在每个区域中分别对所有X光影像骨折类型的分类进行标记，同时对该张X光影像标记对应病人的韧带损伤类型，即有损伤和无损伤；对X光影像进行预处理获取踝骨骼的前景图像；建立基于BoVW+SVM算法的踝骨折预测模型，通过Apriori算法寻找病例中骨损伤与韧带损伤之间的频繁项集，挖掘事务之间的关联规则，并将SVM分类得到的骨损伤结果作为前项输入，预测韧带损伤以及隐匿性骨损伤。通过该方法可以辅助外科医生对踝骨骼X光影像进行自动读片，节省诊治时间，提高踝损伤的诊治效果。

【技术实现步骤摘要】
一种基于机器学习的踝骨折及韧带损伤诊断方法
本专利技术属于图像诊断领域，涉及机器学习技术，尤其是一种基于机器学习的踝骨折及韧带损伤诊断方法。
技术介绍
在行走运动时踝关节需要承受1.5倍的体质量，而在跑步时需要承受8倍的体质量，所以在日常生活中踝关节非常容易受到损伤，约占全身骨折的9％。临床实践中对踝骨折的精准治疗极为困难，一是踝骨折本身损伤类型的多样性，二是除了损伤骨骼本身，韧带也会受到损伤，绝大多数医生都可以准确辨别是否存在骨折，但是经验不足的医生很难对踝损伤位置及损伤类型做出准确的判断。由于踝关节手术的不可逆性，失败的治疗方式可能会引起踝关节不稳定及关节面不匹配，继而出现关节疼痛、活动受限、早期创伤性退性变等，关节面的细微改变都会引起关节接触压力的巨大变化，严重影响患者的术后的生活质量。另外，一套完整的诊断结果需要X光、CT、MRI等多种影像，对患者而言也是高昂的医疗消费。由于骨折损伤的多样性和个性差异性等因素，对骨折的快速准确的检测仍存在较大困难，很难准确地发现和定位骨折，也很难确定损伤的严重程度，不论是从踝关节骨折的发生率还是本文档来自技高网...

【技术保护点】
1.一种基于机器学习的踝骨折及韧带损伤诊断方法，其特征在于，该方法包括以下内容：/n对X光影像进行预处理获取踝骨骼的前景图像；/n确定计算机特征提取的区域为下胫腓联合以下胫骨、下胫腓联合水平胫骨、下胫腓联合以上胫骨、下胫腓联合以下腓骨、下胫腓联合水平腓骨、下胫腓联合以上腓骨、后踝、前踝，获取骨折大致位置；/n在每个区域中分别对所有X光影像骨折类型的分类进行标记，同时对该张X光影像标记对应病人的韧带损伤类型，即有损伤和无损伤；/n下胫腓联合以上胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、撕脱骨折、无骨折；/n下胫腓联合水平胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、粉碎骨折、无骨折；...

【技术特征摘要】
1.一种基于机器学习的踝骨折及韧带损伤诊断方法，其特征在于，该方法包括以下内容：
对X光影像进行预处理获取踝骨骼的前景图像；
确定计算机特征提取的区域为下胫腓联合以下胫骨、下胫腓联合水平胫骨、下胫腓联合以上胫骨、下胫腓联合以下腓骨、下胫腓联合水平腓骨、下胫腓联合以上腓骨、后踝、前踝，获取骨折大致位置；
在每个区域中分别对所有X光影像骨折类型的分类进行标记，同时对该张X光影像标记对应病人的韧带损伤类型，即有损伤和无损伤；
下胫腓联合以上胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、撕脱骨折、无骨折；
下胫腓联合水平胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、粉碎骨折、无骨折；
下胫腓联合以下胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、粉碎骨折、无骨折；
下胫腓联合以上腓骨区域骨折类型包括螺旋行骨折、横行骨折、斜行骨折、粉碎骨折、压缩骨折、无骨折；
下胫腓联合水平腓骨区域骨折类型包括螺旋行骨折、横行骨折、斜行骨折、粉碎骨折、压缩骨折、无骨折；
下胫腓联合以下腓骨区域骨折类型包括横行骨折、斜行骨折、无骨折；
后踝区域骨折类型包括累及关节面25％以下骨折、累及关节面25％以上骨折、无骨折；
前踝区域骨折类型包括存在骨折、无骨折；
建立基于BoVW+SVM算法的踝骨折预测模型：
采用BoVW模型进行前景图像的特征工程提取，包括特征提取和建立视觉词袋模型：
对每个区域利用HOG对前景图像进行特征提取，利用提取的特征进行字典学习，对字典中的向量进行K-means聚类，生成视觉词袋，建立不同区域的视觉词袋模型，获取X光影像对应的视觉词袋直方图；
将不同区域的视觉词袋模型分别连接一个SVM分类器，构成BoVW+SVM算法的踝骨折预测模型；BoVW+SVM算法的踝骨折预测模型的输入为前景图像，输出为输出踝骨折骨损伤的位置和类型；所述SVM分类器为多分类器；
通过Apriori算法挖掘所有X光影像所对应病人的病例数据，寻找病例中骨损伤与韧带损伤之间的频繁项集，挖掘事务之间的关联规则，预测骨损伤与骨损伤之间的内在联系、骨损伤与韧带损伤之间的内在联系；
输入待预测的X光影像到BoVW+SVM算法的踝骨折预测模型中，得到当前病例的踝骨折骨损伤的位置和类型，将踝骨折骨损伤的位置和类型作为前项输入到相应的关联规则中，输出X光影像中没有识别出的隐匿性骨折情况以及有无韧带损伤情况，并确定隐匿性骨折的位置和类型。


2.根据权利要求1所述的诊断方法，其特征在于所述X光影像包括正位片和侧位片，所述预处理包括灰度变换归一化和随机森林处理，采用随机森林算法提取踝骨骼的前景图像；
预处理的具体步骤是：对每张图片进行灰度变换归一化，提取每张图片的若干像素点，每个像素点通过手动绘图进行人工标记出骨骼和背景，然后构建随机森林模型进行多种滤波器的学习，保留重要特征，训练出最优的随机森林模型；
上述灰度变换归一化公式为：



上述公式中G表示原始图像的灰度值，G′表示灰度变换归一化后图像的灰度值，Gmax和Gmin分别表示原图像的最大灰度值和最小灰度值；
所述随机森林模型采用9种滤波器构成，分别为Gabor、Canny、Roberts、Sobel、Scharr、Prewitt、Gaussian、Variance以及中值滤波器。


3.根据权利要求1所述的诊断方法，其特征在于，HOG对前景图像进行特征提取的过程是：首先需要把图像分割成很多像素矩阵块，然后对每一块计算HOG特征；然后计算每个区块的方向梯度直方图，利用Sobel梯度算子对每个小块进行卷积，计算得到每个像素点处的梯度方向和幅值，再将360度(2π)根据需要分割成若干份，然后根据每个像素点的梯度方向，利用双线性插值法将其幅值累加到直方图中；<...

【专利技术属性】
技术研发人员：孙昊，吴梦坤，孙振辉，段伦辉，谭英伦，崔睿，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12