构建腰椎骨量减少和骨质疏松筛查模型的方法和系统技术方案

本发明专利技术提供了一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统，包括：步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；步骤3：根据分割结果和体检信息，构成特征集合；步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。本发明专利技术利用常规体检指标及冠、矢状面影像信息，进行腰椎骨量减少和骨质疏松疾病的筛查，在降低辐射量的同时，为今后快速准确地筛查具有高OP疾病风险的人群提供了理论和实践依据，具有很大的实际应用价值。

【技术实现步骤摘要】
构建腰椎骨量减少和骨质疏松筛查模型的方法和系统
本专利技术涉及模型构建
，具体地，涉及一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统。尤其地，涉及一种基于双平面成像和深度学习构建腰椎骨量减少和骨质疏松筛查模型的方法。
技术介绍
随着人口老龄化的加剧，骨质疏松症(osteoporosis,OP)已成为威胁老年人健康生活的常见疾病之一，引起了社会的广泛关注。由OP导致的骨折给患者和社会带来了沉重的心理和经济负担，但是OP在未出现明显症状和并发症之前，很难被诊断出来[1]。因此，建立在早期阶段诊断OP的模型是非常有意义的。目前临床上常用的OP诊断标准是骨密度(bonemineraldensity,BMD)。根据骨密度的高低，可以将人群分成正常组、骨量减少组和OP组。骨量减少组和OP组均为OP高风险组[2]。双能X线骨密度测定仪(dualenergyX-rayabsorptiometry，DXA)是测量BMD的金标准。但该仪器是平面成像，得到的是面积BMD，测量结果容易受到脊柱退变、腹主动脉钙化等硬化病变的影响[3]。相比于DXA，定量计算机断层扫描成像(quantitativecomputedtomography,QCT)是三维成像，能够获取任意一点的体积BMD值[4]。目前针对OP难诊断的问题，有研究团队提出一些解决方法。以DXA为标准，针对髋部构建骨质疏松症筛查模型，该模型使用深度学习框架提取图像中的特征，并验证了使用病人临床信息作为一部分特征输入来训练分类模型时，模型效果能够得到提升[5]。但是在该模型中，仅仅使用了四个临床变量，缺乏进一步的研究。此外，深度学习方法也被直接应用于分类任务。Zhang等人的研究同样以DXA为标准，他们使用深度学习方法，针对腰椎部位构建了一个骨密度三分类模型[6]。但是该方法诊断出的结果具有不可解释性，当出现与专家结果不一致的情况时，没有办法通过讨论的方式达成一致的结果。以上研究都是以DXA测量的面积BMD为标准建立的骨密度分类模型，具有一定的误差。而本专利技术以QCT测量得到的体积骨密度值为监督学习目标，利用影像组学特征和体检信息完成OP高风险组的筛查。该模型不仅降低了辐射量，还具有可解释性，能够辅助医生做出更准确的诊断。[1]LeeS,ChoeEK,KangHY,etal.TheexplorationoffeatureextractionandmachinelearningforpredictingbonedensityfromsimplespineX-rayimagesinaKoreanpopulation[J].SkeletalRadiology,2020,49(4):613-618.[2]KaraguzelG,HolickMF.Diagnosisandtreatmentofosteopenia[J].ReviewsinEndocrineandMetabolicDisorders,2010,11(4):237-251.[3]LiN,LiX-M,XuL,etal.ComparisonofQCTandDXA:OsteoporosisDetectionRatesinPostmenopausalWomen[J].Internationaljournalofendocrinology,2013,2013:895474.[4]LofflerMT,JacobA,ValentinitschA,etal.ImprovedpredictionofincidentvertebralfracturesusingopportunisticQCTcomparedtoDXA[J].EuropeanRadiology,2019,29(9):4980-4989.[5]YamamotoN,SukegawaS,KitamuraA,etal.DeepLearningforOsteoporosisClassificationUsingHipRadiographsandPatientClinicalCovariates[J].Biomolecules,2020,10(11):1534.[6]ZhangB,YuK,NingZ,etal.DeeplearningoflumbarspineX-rayforosteopeniaandosteoporosisscreening:Amulticenterretrospectivecohortstudy[J].Bone,2020,140:115561.
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统。根据本专利技术提供的构建腰椎骨量减少和骨质疏松筛查模型的方法，包括：步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；步骤3：根据分割结果和体检信息，构成特征集合；步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。优选的，所述步骤1包括：步骤1.1：对冠、矢状面影像进行人工椎体分割并提取覆盖人工标注的所有椎体的最小边界框；步骤1.2：对体检信息中的分类变量用独热编码的方式进行处理，对于连续变量仍采用原始数值；步骤1.3：对存在缺失的数据进行删除，最终整理出具有完整信息的数据集。优选的，所述步骤2包括：步骤2.1：将采集的影像数据按预设比例分为训练集、验证集和测试集，并采用预设指标评估分割效果；步骤2.2：采用定位网络，包括RCNN、fastRCNN、fasterRCNN等，完成冠、矢状面影像中腰椎区域的定位，得到定位结果图a1和a2，在训练的过程中，a1和a2的定位结果在Z轴上互相校正，将a1和a2输入分割网络进行处理，包括Unet、Unet+、Vnet、Ynet等，输出椎体分割后的图像b1和b2，利用双平面X线同步成像的优势，b1和b2的分割结果在Z轴上互相校正以避免偏差。优选的，所述步骤3包括：步骤3.1：在图像b1、b2中，提取分割出的腰椎椎体的影像组学特征；步骤3.2：将提取的影像组学特征和编码后的体检信息融合在一起，构成特征集合；步骤3.3：通过LASSO，PCA，相关系数，互信息和最大信息系数等方法完成特征筛选，以避免过拟合。优选的，所述步骤4包括：以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，在特征集合的基础上使用机器学习方法，完成腰椎骨量减少和骨质疏松筛查模型的构建。根据本专利技术提供的构建腰椎骨量减少和骨质疏松筛查模型的系统，包括：模块M1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；模块M2：对冠、矢状面影像进行椎体分割，得到分割结果；模块M3：根据分割结果和体检信息，构成特征集合；模块M4：基于特征集合进行腰椎骨量减少和骨质疏松筛本文档来自技高网...

【技术保护点】
1.一种构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，包括：/n步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；/n步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；/n步骤3：根据分割结果和体检信息，构成特征集合；/n步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。/n

【技术特征摘要】
1.一种构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，包括：
步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；
步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；
步骤3：根据分割结果和体检信息，构成特征集合；
步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。


2.根据权利要求1所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤1包括：
步骤1.1：对冠、矢状面影像进行人工椎体分割并提取覆盖人工标注的所有椎体的最小边界框；
步骤1.2：对体检信息中的分类变量用独热编码的方式进行处理，对于连续变量仍采用原始数值；
步骤1.3：对存在缺失的数据进行删除，最终整理出具有完整信息的数据集。


3.根据权利要求2所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤2包括：
步骤2.1：将采集的影像数据按预设比例分为训练集、验证集和测试集，并采用预设指标评估分割效果；
步骤2.2：采用定位网络，包括RCNN、fastRCNN、fasterRCNN，完成冠、矢状面影像中腰椎区域的定位，得到定位结果图a1和a2，在训练的过程中，a1和a2的定位结果在Z轴上互相校正，将a1和a2输入分割网络进行处理，包括Unet、Unet+、Vnet、Ynet，输出椎体分割后的图像b1和b2，利用双平面X线同步成像的优势，b1和b2的分割结果在Z轴上互相校正以避免偏差。


4.根据权利要求3所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤3包括：
步骤3.1：在图像b1、b2中，提取分割出的腰椎椎体的影像组学特征；
步骤3.2：将提取的影像组学特征和编码后的体检信息融合在一起，构成特征集合；
步骤3.3：通过LASSO，PCA，相关系数，互信息和最大信息系数方法完成特征筛选，以避免过拟合。


5.根据权利要求4所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤4包括：以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，在特征集合的基础上使用机器学习方法，完成腰椎骨量减少和骨质疏松筛查模型的构建。


6....

【专利技术属性】
技术研发人员：耿道颖，杨丽琴，辛恩慧，吴秋雯，杨嬗，尹波，陆逸平，李郁欣，张军，于泽宽，
申请(专利权)人：复旦大学附属华山医院，
类型：发明
国别省市：上海;31