基于深度学习的骨质疏松性椎体压缩性骨折评估方法及系统技术方案

本发明专利技术公开了一种基于深度学习的骨质疏松性椎体压缩性骨折评估方法及系统，包括以下步骤：获取临床中胸腰部三维CT原图像；对胸腰部三维CT原图像进行CT值归一化；基于目标椎体松质骨定位模型和分割模型对归一化处理所得图像数据集进行分割处理；利用分割后的图像对原图进行预处理，得到统一尺寸的图像作为输入骨质疏松性椎体压缩性骨折分类模型的数据集；基于骨质疏松性椎体压缩性骨折分类模型DenseNet对S4所得数据集进行评估得到发生骨质疏松性椎体压缩性骨折的概率；可辅助医师对OVCF患者进行快速鉴别，有效解决目前存在的OVCF疾病诊断大多通过医师目视法主观判断，以及OVCF整体漏诊率高，医疗条件及医师水平存在差异的状况。差异的状况。

【技术实现步骤摘要】
基于深度学习的骨质疏松性椎体压缩性骨折评估方法及系统


[0001]本专利技术属于深度学习和疾病诊断领域，具体涉及一种基于深度学习的骨质疏松性椎体压缩性骨折评估方法及系统。

技术介绍

[0002]随着人口老龄化日趋严重，骨质疏松症已成为我国面临的重要公共健康问题。骨质疏松症是以骨量减少和骨微结构破坏为特征，导致骨脆性增加而易于骨折的全身性骨骼系统疾病。骨质疏松性椎体压缩性骨折(osteoporotic vertebral compression fracture，OVCF)是指由骨质疏松症导致椎体骨密度和骨质量下降、骨强度减低，在轻微外力甚至没有明显外力的作用下即发生的骨折，是最常见的骨质疏松性骨折类型。每发生一次OVCF，预示着未来再发骨折的风险将增加。研究表明，OVCF存在明显的诊治率不足，需在临床工作中重视OVCF的筛查，及时诊治。目前临床中大多通过影像科医生人工看片的方式来主观诊断OVCF，一方面会消耗大量时间，另方面对医师的经验技术水平要求较为严格。同时，由于发病人群在健康人群中所占的比例较小，因此，数据集中正常样本与OVCF样本存在着本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的骨质疏松性椎体压缩性骨折评估方法，其特征在于，包括以下步骤：S1、获取临床中胸腰部三维CT原图像；S2、对胸腰部三维CT原图像进行CT值归一化；S3、基于目标椎体松质骨定位模型和分割模型对归一化处理所得图像数据集进行分割处理；所述目标椎体松质骨定位模型基于Faster R
‑
CNN结构，目标椎体松质骨分割模型基于3D
‑
Res
‑
UNet结构；S4、利用分割后的图像对原图进行预处理，得到统一尺寸的图像作为输入骨质疏松性椎体压缩性骨折分类模型的数据集；S5、基于骨质疏松性椎体压缩性骨折分类模型DenseNet对S4所得数据集进行评估得到发生骨质疏松性椎体压缩性骨折的概率；所述骨质疏松性椎体压缩性骨折评估模型为121层的3D
‑
Densenet
‑
BC，网络的结构依次为：初始卷积层、最大池化层、第一稠密块、第一过渡层、第二稠密块、第二过渡层、第三稠密块、第三过渡层、第四稠密块、全局平均池化层、全连接层以及softmax层。2.根据权利要求1所述的基于深度学习的骨质疏松性椎体压缩性骨折评估方法，其特征在于，基于骨质疏松性椎体压缩性骨折分类模型DenseNet训练过程包括以下步骤：S11、采集临床中胸腰部三维CT原图像以及已标注目标椎体松质骨的三维CT标注图像；S12、对胸腰部三维CT原图像进行CT值归一化；S13、将归一化后图像数据集随机划分成训练集与测试集；S14、训练目标椎体松质骨定位分割模型；首先训练基于Faster R
‑
CNN定位模型，使用此模型识别定位出目标椎体松质骨所在立方体区域进行粗分割，然后训练基于3D
‑
Res
‑
UNet分割模型，在定位后的图像中细分割出T12、L1、L2椎体松质骨，再填充像素0使图像尺寸为原图大小输出，得到正常样本及OVCF样本；S15、利用分割模型输出图像对原图进行预处理，利用分割模型输出图像对原图进行预处理；将S12中归一化的原图与S14中得到的分割后图像像素对应相乘，获取目标椎体的松质骨纹理，非目标区域像素值变为0；完成上述操作后对图像进行裁剪，得到只含T12、L1、L2三块椎体松质骨的最小尺寸图像，然后对该图像四周填充像素0，得到统一尺寸为100
×
110
×
110的3D图像作为输入骨质疏松性椎体压缩性骨折分类模型的图像集；S16、训练骨质疏松性椎体压缩性骨折分类模型DenseNet具体为：将S12构建的椎体松质骨图像集中训练集随机划分成四份，每次选取其中三份作为训练集，余下一份作为验证集进行四折交叉验证；训练完成后得到模型参数。3.根据权利要求2所述的基于深度学习的骨质疏松性椎体压缩性骨折评估方法，其特征在于，按照8∶2的比例将归一化后图像数据集划分为训练集与测试集；定位模型、分割模型及OVCF分类模型均采用8∶2的比例对数据集进行随机划分后参与模型训练；S16中，模型训练时损失函数选用α
‑
balanced的Focal Loss的变体，用于平衡正、负样本以及难、易样本，其表达式如下：FL(p
t
)＝
‑
α
t
(1
‑
p
t
)
γ
log(p
t
)其中，p
t
为模型对标签为1的类预测概率值，其值介于0
‑
1之间，即：
α
t
用于调节正负样本的权重，α
t
∈[0，1]，可调聚焦参数γ平滑地调整易分类样本降低权重值的速率，γ≥0。4.根据权利要求1所述的基于深度学习的骨质疏松性椎体压缩性骨折评估方法，其特征在于，S1中，标注图像中，目标椎体的松质骨像素值为1，其余部分像素值为0。5.根据权利要求1所述的基于深度学习的骨质疏松性椎体压缩性骨折评估方法，其特征在于，S2中，根据医学经验设置CT值最大值与最小值，将原图像中CT值超过最大值的设置为最大值，将CT值小于最小值的设置为最小值，进行CT值归一化，归一化公式为：其中，X
min
为设定的最小CT值，X
max
为设定的最大CT值。6.根据权利要求1所述的基于深度学习的骨质疏松性椎体压缩性骨折评估方法，其特征在于，构建的121层3D
‑
Densenet
‑
BC网络结构中：初始卷积层由步长stride为2，填充padding为3，尺寸为7
...

【专利技术属性】
技术研发人员：靖稳峰，阎文铭，黄亦琳，郭建新，习文浩，王琪，牛心怡，李新雨，暮光睿，陈基武，卢宣谕，
申请(专利权)人：西安交通大学医学院第一附属医院，
类型：发明
国别省市：