基于CT影像深度学习的骨质疏松椎体再骨折预测系统技术方案

本发明专利技术涉及一种基于CT影像深度学习的骨质疏松椎体再骨折预测系统，包括以下步骤；S1，对CT图片影像数据进行收集；S2，使用卷积神经网络对CT图片影像数据进行特征提取；S3，将提取的标准化CT图片影像数据特征输入到深度神经网络模型中，得到最终的分类判断；其优点表现在：本发明专利技术结合临床上CT影像数据，并利用卷积神经网络进行模型训练优化，从而建立了一套操作简易、省时低消耗、方便快捷、高效精准的预测体系。测体系。测体系。

【技术实现步骤摘要】
基于CT影像深度学习的骨质疏松椎体再骨折预测系统


[0001]本专利技术涉及骨质疏松性骨折预测
，具体地说，是一种基于CT影像深度学习的骨质疏松椎体再骨折预测系统。

技术介绍

[0002]根据年国际骨质疏松基金会(International Osteoporosis Foundation，IOF)报告：全球每3秒钟就发生1例骨质疏松性骨折，骨质疏松性椎体压缩性骨折(osteoporoticvertebral compression fracture，OVCF)一直被认为是骨质疏松症最常见的表现，占骨质疏松性骨折的近50％。骨质疏松性骨折可引起疼痛和致残，使患者生活质量显著下降，现有的治疗方法有保守治疗及手术治疗。保守治疗要求长时间卧床制动，增加了坠积性肺炎、深静脉血栓、褥疮等不良事件的风险，增加患者的死亡率；而手术治疗，主要指椎体成形术，能快速缓解疼痛，但也要面临一定的手术及麻醉风险。研究表明，约50％女性和20％男性在50岁后会遭遇初次骨质疏松性骨折，初次骨质疏松性骨折患者有50％将会发生再次骨质疏松性骨折。因此，对骨质疏松性椎体骨折进行提前预测，提前干预，显得尤为重要，且具有重要的临床意义，可以避免患者承受骨折及手术带来的痛苦。
[0003]现有的预测方法主要是对临床资料的总结分析，比如患者体重指数(BMI)、年龄、骨质疏松指标(BMD)以及患者合并的基础疾病，还包括一些手术相关资料数据，比如手术方法、骨水泥材料是否渗漏、椎体高度恢复情况等。通过这些资料分析，能够大致判断患者是否会发生再骨折，但很难精确到具体哪个椎体会骨折。
[0004]比如世界卫生组织推荐的骨折风险预测简易工具(WHO Fracture Risk Assessment Tool, FRAX)，是一种在线的骨折风险预测工具，通过综合评估年龄、性别、体重、身高、骨折病史、父母髋部骨折、吸烟、糖皮质激素、类风湿性关节炎、继发性骨质疏松、饮酒及或股骨颈骨密度(BMD)，判断患者未来十年的骨折概率。
[0005]利用影像预测脊柱骨折的方法文献也有报道，多数是利用有限元分析方法获得椎体骨质量，骨强度等，再通过logistic回归分析方法预测骨折发生风险。
[0006]检索目前专利，中国专利申请：CN108538393B公开了一种基于大数据的骨质质量评估专家系统及预测模型建立方法，包括内部设置有预测模型模块、数据采集模块和骨质专家模块的服务器，在服务器上连接有数据库和智能终端；数据库保存用户身份数据、历史骨质疏松骨折患者的特征数据以及待预测患者的检测数据；预测模型模块建立骨质疏松骨折预测模型；数据采集模块用于获取预测请求和待预测患者的检测数据，骨质疏松骨折预测模型根据检测数据得到骨质疏松骨折预测等级；骨质专家模块向待预测患者输出防患建议。有益效果：实现骨质疏松患者骨折预测，方便，无需排队。并且随时随地均可操作，智能，便捷。但该专利技术是基于大数据，包括临床、影像等，得到骨质疏松骨折预测等级，即患者出现骨折的概率，类似于世界卫生组织推荐的骨折风险预测简易工具(WHO Fracture RiskAssessment Tool,FRAX)。因此该模型不是针对脊柱骨质疏松性压缩骨折，也无法精准预测某个脊椎椎体骨折的概率。
[0007]中国专利申请：CN101720468A公开了一种处理从至少部分脊柱的图像推导出的数据的方法，用于估计脊柱的椎骨中未来骨折的风险。处理与脊柱的至少四块相邻椎骨有关的位置数据。计算相邻椎骨中的至少两块的脊柱的曲率。计算不同曲率值,以获得表示脊柱的曲率中不规则性程度的值,并且使用不规则性程度,提供脊柱的椎骨中未来骨折的风险的估计。较高的不规则性程度指示较高的未来骨折的风险。该专利技术也是依据脊柱影像来预测椎体骨折，但在方法上仅通过计算脊柱的曲率来预测骨折的发生率，而本专利技术依据的CT影响的深度学习及人工智能算法。
[0008]所以综上所述，现亟需要一种能够结合临床上CT影像数据，并利用卷积神经网络进行模型训练优化，建立了一套精准高效、操作简易、省时低消耗的基于CT影像深度学习的骨质疏松椎体再骨折预测系统，但是关于这种基于CT影像深度学习的骨质疏松椎体再骨折预测系统，目前还未见报道。

技术实现思路

[0009]本专利技术的目的是结合临床上CT影像数据，利用卷积神经网络进行模型训练优化，建立了一套精准高效、操作简易、省时低消耗的预测体系，其具体为建立一种基于CT影像方便快捷、高效精准的骨质疏松性椎体骨折的预测系统。
[0010]为实现上述目的，本专利技术采取的技术方案是：
[0011]一种基于CT影像深度学习的骨质疏松椎体再骨折预测系统，包括以下步骤；
[0012]S1，对CT图片影像数据进行收集；
[0013]S2，使用卷积神经网络对CT图片影像数据进行特征提取；
[0014]S3，将提取的标准化CT图片影像数据特征输入到深度神经网络模型中，得到最终的分类判断。
[0015]在上述所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统中，作为一个优选方案，所述的S1步骤包括以下子步骤；S11，对CT图片影像进行格式选择；S12，对CT图片影像进行获取。
[0016]在上述所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统中，作为一个优选方案，所述的S11步骤中，对CT图片影像进行格式选择的标准为：选取骨质疏松性椎体再骨折以及第一次手术方式均为椎体成形术的群体，其选取的CT图片影像格式要求为CT横断面，骨窗显示、无图注。
[0017]在上述所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统中，作为一个优选方案，所述的S12步骤中，对CT图片影像进行获取的具体方法为：根据S11步骤中的CT 图片影像格式从影像系统中下载第二次骨折前的所有椎体CT横断面，将第二次骨折的椎体命名为阳性椎体，采集该椎体对应范围内的CT横断面图像，其范围包括椎体上下各一个椎间盘。
[0018]在上述所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统中，作为一个优选方案，所述的S2步骤具体为：还包括图片预处理模块，其所述图片预处理模块的输入数据为椎体CT横断面灰度图像，其数值表示为[C,H,W]，其中C为图像颜色通道，H为图像高度，W为图像宽度。
[0019]在上述所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统中，作为一个
优选方案，所述的S3步骤具体为：还包括神经网络模块，用于承接图片预处理模块，其输入数据为经过标准化的图片张量，具体表示为[1,512,512]，经过(已经训练完成的)神经网络得到最终的预测分类。
[0020]本专利技术优点在于：
[0021]1、本专利技术结合临床上CT影像数据，并利用卷积神经网络进行模型训练优化，从而建立了一套操作简易、省时低消耗、方便快捷、高效精准的骨质疏松性椎体骨折的预测体系。
[0022]2、聚焦OVCF术后再骨折这一患者群体，首次基于CT影像的深度学习，利用卷积神经网络建立简便有效的再骨折预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CT影像深度学习的骨质疏松椎体再骨折预测系统，其特征在于，包括以下步骤；S1，对CT图片影像数据进行收集；S2，使用卷积神经网络对CT图片影像数据进行特征提取；S3，将提取的标准化CT图片影像数据特征输入到深度神经网络模型中，得到最终的分类判断。2.根据权利要求1所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统，其特征在于，所述的S1步骤包括以下子步骤；S11，对CT图片影像进行格式选择；S12，对CT图片影像进行获取。3.根据权利要求2所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统，其特征在于，所述的S11步骤中，对CT图片影像进行格式选择的标准为：选取骨质疏松性椎体再骨折以及第一次手术方式均为椎体成形术的群体，其选取的CT图片影像格式要求为CT横断面，骨窗显示、无图注。4.根据权利要求2所述的基于CT影像深度学习的骨质疏松椎体再骨折预测系统，其特征在于...

【专利技术属性】
技术研发人员：程黎明，朱融融，胡笑，朱颜菁，钱亚东，
申请(专利权)人：上海市同济医院，
类型：发明
国别省市：