一种儿童髋关节发育不良诊断系统技术方案

本发明专利技术公开了一种儿童髋关节发育不良诊断系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的诊断识别模型，所述的诊断识别模型包括基于Mask

A diagnostic system for hip dysplasia in children

【技术实现步骤摘要】
一种儿童髋关节发育不良诊断系统


[0001]本专利技术属于医学人工智能领域，尤其是涉及一种儿童髋关节发育不良诊断系统。

技术介绍

[0002]髋关节发育不良(DDH)是导致肢体畸形的常见疾病。新生儿出生后髋关节不稳定的发生率为1％，髋关节脱位的发生率为0.1％至0.2％。DDH的解剖缺陷主要是髋臼深度较浅，导致髋关节不稳定。DDH是继发性关节炎的公认原因，可能导致最终的全髋关节置换术(THA)以减轻疼痛和改善功能。然而，新生儿患者的临床症状可能不明显，或仅在髋部移动时出现“噼啪”声。早期识别DDH与更好的结果相关。
[0003]X射线是在诊断DDH的最常用方法，在DDH中起着至关重要的作用，例如髋臼指数和中心边缘(CE)角。DDH的治疗与和IHDI的分类有关，而IHDI和的分类在确定DDH的严重程度方面起着重要作用。然而，目前对DDH诊断的局限性主要是降低了医生对诊断一致性和差异性的解释。儿科骨科医生对DDH的37项标准进行评分的一致性较差(ICC，0.39)。这些问题影响儿童的治疗和预后。因此，迫切需要解决DDH诊断过程一致性低的问题，减少测量误差，避免大范围筛查中边缘性髋臼发育不良而被忽视的病例。
[0004]最近，为将AI应用于DDH做出了一些努力。帕塞林等人提出了一种神经网络，可以实时确定扫描的3D超声图像是否适合诊断。这些研究表明，深度学习可以准确、稳健地实现超声图像上DDH的自动评估，具有很大的临床应用潜力。比尔等人提出了一种基于序列预测的方法，该方法检测到23个关键点来辅助复杂场景中的髋关节手术决策。传斌等人采用物体检测来定位髋关节标志并计算髋臼指数，利用卷积神经网络检测髋关节发育发育不良。然而，很少有人工智能系统能够准确测量臀部X射线并提供全面的DDH分类结果。
[0005]如公开号为CN113486969A的中国专利文献公开了一种基于改进Res Net的医学图像多分类识别系统本专利技术涉及一种基于改进的Resnet网络的X光图像分类方法。该方法将X光图像数据集作为图像输入，通过SMO TE数据扩充算法得到模型的训练、测试和验证数据集；分类模型采用残差网络ResNet为模型基本框架，通过在残差网络ResNet中加入挤压激励网络并将其进行捷径连接；模型中普通方形卷积核中加入了水平卷积和垂直卷积组成非对称卷积结构，突显局部关键特征和加快训练效率；采用焦点损失函数，整个网络会根据损失函数调整每种疾病的损失值，以得到对疾病分类能力更强的网络模型。本专利技术能够解决数据不平衡分布带来的问题，并增强特征信息提取能力，提高模型整体性能，从而提高对X光图像分类的准确度。
[0006]众多学者在此ResNet模型的基础上进行创新以适应不同背景的医学影像处理任务。但是，针对ResNet模型的过拟合问题没有很有效的解决方法，针对本专利技术的研究领域，也没有相关的研究和报道。

技术实现思路

[0007]本专利技术提供了一种儿童髋关节发育不良诊断系统，能够自动、快速、准确地测量髋
臼指数、CE角，并计算出等级和IHDI等级。
[0008]一种儿童髋关节发育不良诊断系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的诊断识别模型，所述的诊断识别模型包括基于Mask
‑
RCNN的儿童骨骼分割模块、基于HRNet的关键点检测模块以及基于TO
‑
ResNet的特征提取模块；
[0009]所述计算机处理器执行所述计算机程序时实现以下步骤：
[0010]对待检测的儿童髋关节X射线影像进行预处理，预处理后输入诊断识别模型，利用儿童骨骼分割模块进行骨盆骨骼的实例分割，分割成髂骨、耻骨、坐骨和股骨头；
[0011]分割后的影像输入关键点检测模块以定位四个骨盆标志，包括髋臼上外侧缘、三辐射软骨中心、股骨头中心和髋臼上缘的中点骨化股骨干骺端；
[0012]利用特征提取模型对分割定位后的感兴趣区域进行特征提取，通过多任务分类的方式输出中心棱角、髋臼指数、Shenton线、髋臼外侧缘、髋臼源、分类和IHDI分类七个参数。
[0013]进一步地，所述的预处理具体为：
[0014]将X射线影像从DICOM格式转换为PNG图像；通过保持原始纵横比并在较短的一侧填充零，将图像大小调整为1,333,800像素；通过应用由对比度限制的自适应直方图均衡计算的窗口级别和窗口宽度，进一步增强了被调整大小后的图像。
[0015]对诊断识别模型进行训练时，采集儿童髋关节X射线影像标准如下：
[0016]纳入标准为：(1)儿童年龄为6个月以上、3岁以下；(2)获得的X射线影像必须遵循标准指南；(3)就诊的主诉是检查髋关节发育不良；(4)需为髋关节发育不良患者首次治疗前的X射线影像；
[0017]排除标准为：(1)髋关节发育不良患者接受过手术治疗；(2)合并其他髋关节疾病；
[0018]X射线影像拍摄要求为：(1)检查时下肢自然伸直，膝外侧与肩齐平，臀部微屈，双脚取15
°
；(2)双侧髂骨和闭孔大小对称，髋臼前后缘重叠，X线片看不到髋臼后缘；并进一步对拍摄的X射线影像进行初步筛选、格式转换、像素统一、尺寸调整。
[0019]儿童骨骼分割模块在训练时，需要放射科医生对儿童髋关节X射线影像样本标注骨盆骨骼的轮廓，包括髂骨、耻骨、坐骨和股骨头。
[0020]进一步地，基于Mask
‑
RCNN的儿童骨骼分割模块的网络结构包括：输入层、最大池化层、卷积层、第二大池化层、第一稠密块层、第三大池化层、第二稠密块层等网络结构；其中，卷积层大小为64*64*64，两个稠密块层依次为32*32*32大小以及16*16*16大小，第一稠密块层输出特征图与第二稠密块层输出结果的上采样特征图进行特征融合，融合后形成的新的32*32*32的特征图经过POL池化层后，再经过RPN网络，实现对儿童骨盆骨骼的轮廓，包括髂骨、耻骨、坐骨和股骨头的分割任务。
[0021]进一步地，基于HRNet的关键点检测模块的网络结构为：并行连接高分辨率到低分辨率的子网，高分辨率特征图主网络逐渐并行运算，加入低分辨率特征图子网络，子网通过熔断器层进行融合，确保每个高分辨率到低分辨率不断从其他并行的行接收信息，进而可以实现多尺度的特征融合与特征提取。体系结构为32个通道配置，输入图像为256*192，对应的热图输出大小为64*48。
[0022]基于TO
‑
ResNet的特征提取模块中，输入特征层的维度为256，模型共使用64个1x1
卷积核进行卷积计算，这个过程中特征矩阵下降到64；再通过64个3x3卷积和卷积计算，接下来通过256个1x1的卷积核对特征矩阵进行降维，降到256；接下来将通过输入的特征和通过上述3次卷积计算的特征矩阵相加。
[0023]训练过程中，特征提取模块通过验证集正确率与随机预测值的比对判断是否出现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种儿童髋关节发育不良诊断系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于：所述计算机存储器中存有训练好的诊断识别模型，所述的诊断识别模型包括基于Mask
‑
RCNN的儿童骨骼分割模块、基于HRNet的关键点检测模块以及基于TO
‑
ResNet的特征提取模块；所述计算机处理器执行所述计算机程序时实现以下步骤：对待检测的儿童髋关节X射线影像进行预处理，预处理后输入诊断识别模型，利用儿童骨骼分割模块进行骨盆骨骼的实例分割，分割成髂骨、耻骨、坐骨和股骨头；分割后的影像输入关键点检测模块以定位四个骨盆标志，包括髋臼上外侧缘、三辐射软骨中心、股骨头中心和髋臼上缘的中点骨化股骨干骺端；利用特征提取模型对分割定位后的感兴趣区域进行特征提取，通过多任务分类的方式输出中心棱角、髋臼指数、Shenton线、髋臼外侧缘、髋臼源、分类和IHDI分类七个参数。2.根据权利要求1所述的儿童髋关节发育不良诊断系统，其特征在于，所述的预处理具体为：将X射线影像从DICOM格式转换为PNG图像；通过保持原始纵横比并在较短的一侧填充零，将图像大小调整为1,333,800像素；通过应用对比度受限自适应直方图均衡计算的窗口级别和窗口宽度，进一步增强被调整大小后的图像。3.根据权利要求1所述的儿童髋关节发育不良诊断系统，其特征在于，对诊断识别模型进行训练时，采集儿童髋关节X射线影像标准如下：纳入标准为：(1)儿童年龄为6个月以上、3岁以下；(2)获得的X射线影像必须遵循标准指南；(3)就诊的主诉是检查髋关节发育不良；(4)需为髋关节发育不良患者首次治疗前的X射线影像；排除标准为：(1)髋关节发育不良患者接受过手术治疗；(2)合并其他髋关节疾病；X射线影像拍摄要求为：(1)检查时下肢自然伸直，膝外侧与肩齐平，臀部微屈，双脚取15
°
；(2)双侧髂骨和闭孔大小对称，髋臼前后缘重叠，X线片看不到髋臼后缘；并进一步对拍摄的X射线影像进行初步筛选、格式转换、像素统一、尺寸调整。4.根据权利要求3所述的儿童髋关节发育不良诊断系统，其特征在于，儿童骨骼分割模块在训练时，需要放射科医生对儿童髋关节X射线影像样本标注骨盆骨骼的轮廓，包括髂骨、耻骨、坐骨和股骨头。5.根据权利要求1所述的儿童髋关节发育不良诊断系统，其特征在于，基于Mask
‑
RCNN的儿童骨骼分割模块的网络结构包括：输入层、最大池化层、卷积层、第二大池化层、第一稠密块层、第三大池化层、第二稠密块层；其中，卷积层大小为64*64*64，两个稠密块层依次为32*32*32大小以及16*16*1...

【专利技术属性】
技术研发人员：俞刚，齐国强，赵永根，李竞，胡莎莎，赵国强，舒婷，舒强，
申请(专利权)人：浙江大学，
类型：发明
国别省市：