一种脊柱侧弯Lenke分型系统技术方案

本发明专利技术公开了一种脊柱侧弯Lenke分型系统，包括Lenke分型数据库单元、全脊柱X光图像输入单元、全脊柱X光图像分割单元、全脊柱X图像匹配单元和脊柱侧弯Lenke分型单元。本发明专利技术通过自适应后处理模块优化APSegmenter分割方法有效提高了脊椎块图像提取的准确度，采用关键点的相似性匹配算法，对主要的关键节点进行匹配，有效降低了计算量，提高了匹配效率和准确度，通过脊椎对称距离的形状表示，克服了脊柱块由于摆放角度问题导致的匹配不准确的问题。题。题。

【技术实现步骤摘要】
一种脊柱侧弯Lenke分型系统


[0001]本专利技术涉及脊椎诊断领域，尤其涉及脊柱侧弯Lenke分型系统。

技术介绍

[0002]随着科学技术水平的发展、电子产品的普及，相关健康问题层出不穷。近视、肥胖和脊柱侧弯已经成为当今人们的三大健康问题。
[0003]其中，脊柱侧弯是指脊柱异常弯曲，是最常见的脊柱畸形疾病。多表现为脊柱侧弯，两侧肩部高度不等，弯曲时单侧肩胛骨向后突出，以及曲颈等异常姿势。
[0004]脊柱侧弯对人体的影响十分巨大，在大多数的患者中，他们的身体健康被脊柱侧弯所影响，不仅躯干和胸部轮廓变形，严重者脊髓和脊髓神经会受损，并且呼吸和心脏功能也会影响到。特别是那些处于青少年时期的患者，正处于脊柱的成长时期，这时的脊柱侧弯对其影响十分严重，若不进行有效治疗，将会恶化脊柱侧弯的病情，加大脊柱侧弯角度。在日常生活中，严重的脊柱侧弯患者不能行走、上楼及跑步，有时还伴随心压，正常生活被严重影响。
[0005]脊柱侧弯分型是以患者脊柱的形态特征为依据进行分型，为确定患者侧弯畸形形态特征提供重要价值。其中，脊柱侧弯Lenke分型将脊柱侧弯分为6种侧弯类型，是目前脊柱外科较为常见、公认的分型系统，也是国际上特发性脊柱侧弯的标准分型方法之一。在脊柱侧弯诊断中，如何实现脊柱侧弯的正确Lenke分型，对于脊柱侧弯的矫形、康复治疗、手术策略等具有重要的意义，也是目前临床诊断中的一个难点问题。传统的Lenke分型主要借助Cobb角测量等传统方式，而这种传统的测量方法是医生利用铅笔和量角器在X光片上进行手工测量Cobb角进行计算。但这样的方法存在一定的弊端：(1)手工测量速度较慢易受到个人主观因素的影响；(2)测量依赖医生的学识和经验，诊断速度慢且不准确。而实际上，脊柱侧弯主要依据其脊柱及脊椎块形状特征、主弯位置等特征，针对脊柱侧弯分型的需求，通过计算机视觉技术，结合深度学习、形状特征刻画等方法，可以实现自动Lenke分型系统，助力脊柱侧弯辅助诊断。
[0006]名词解释：
[0007]Transformer编码器：由n个编码器组成每一个编码器有两个子层连接一个是多头自注意力规范化层及残差单元另一个是前馈层规范化层级残差单元。
[0008]MSA block：多头自注意力块。
[0009]point
‑
wise MLP block：逐点地多层感知器模块。
[0010]point
‑
wise linear layer：点向线性层。

技术实现思路

[0011]为解决上述问题，本专利技术提供了一种脊柱侧弯Lenke分型系统。
[0012]为实现上述目的，本专利技术的技术方案如下：
[0013]一种脊柱侧弯Lenke分型系统，包括Lenke分型数据库单元、全脊柱X光图像输入单
元、全脊柱X光图像分割单元、全脊柱X图像匹配单元和脊柱侧弯Lenke分型单元；
[0014]所述Lenke分型数据库单元包括Lenke分型的6种类别的标准图片和1个类别的无侧弯正常脊柱图片，每个类别标准图片的数量为m1，m2，m3，m4，m5，m6，m7；
[0015]所述全脊柱X光图像输入单元用于输入待检测的全脊柱X光图像；
[0016]所述全脊柱X光图像分割单元用于分割待检测的全脊柱X光图像得到待检测的全脊柱X光图像中的脊椎块图像；
[0017]所述全脊柱X图像匹配单元用于将待检测的全脊柱X光图像与Lenke分型数据库单元中的标准图片比对，得到K张图像与待检测图像最相近的标准图片；
[0018]脊柱侧弯Lenke分型单元将所述K张图像拥有最多类型的Lenke分型类别，即判定为待检测的全脊柱X光图像的Lenke分型所属类别。
[0019]进一步的改进，所述全脊柱X光图像分割单元通过APSegmenter方法对全脊柱X光图像分割得到脊椎块图像：
[0020]1.1)将输入的全脊柱X光图像x分解为一个块序列然后每个图像块拉伸成一维向量，最后通过线性变换投影到块嵌入，产生每个图像块拉伸成一维向量，最后通过线性变换投影到块嵌入，产生表示投影操作；接着，通过一个可学习位置的位置嵌入，对其进行编码pos＝[pos1，...，pos
N
]∈R
N
×
D
，以获得最终结果的输入序列z0＝x0+pos；
[0021]其中，x
N
表示第N个块，R0表示实数的D维空间，表示N
×
P2×
C维空间，N表示块的数量，P
×
P表示块的大小，C表示通道的数量，pos表示位置嵌入点序列，pos
N
表示第N个位置嵌入点，R
N
×
D
表示N
×
D维空间；Z0表示块序列的位置标记，x0表示块嵌入序列；
[0022]1.2)设置共L层组成的Transformer编码器，每层包括一个多头自注意力块和一个逐点地多层感知器模块，将序列Z0生成上下文编码z
L
∈R
N
×
D
：
[0023]a
i
‑1＝MSA(LN(z
i
‑1))+z
i
‑1，
ꢀꢀ
[1][0024]z
i
＝MLP(LN(a
i
‑1))+a
i
‑1，
ꢀꢀ
[2][0025]其中i∈{l，...，L}，并通过自注意力操作，来更有效地利用Z
L
序列；
[0026]a
i
‑1表示经过MSA的中间结果，MSA()表示经过多头自注意块处理，LN()表示经过LayerNorm操作，即对每个样本的所有特征做归一化，z
i
‑1表示第i
‑
1个上下文编码，MLP()表示逐点地多层感知器模块表示；
[0027]1.3)解码过程中，将图像块编码序列z
L
∈R
N
×
D
解码为分割映射s∈R
H
×
W
×
K
，s为分割映射，H和W为图像块高和宽，K为类别数；解码器学习将来自编码器的图像块级编码映射到图像块级的类分数；图像块级的类分数被上采样通过双线性插值到像素级分数；
[0028]1.4)输入的z
L
∈R
N
×
D
首先经过点向线性层变换到z
lin
∈R
N
×
K
，再由z
lin
∈R
N
×
K
重塑到s
lin
∈R
H/P
×
W/P
×
K
；s
lin
∈R
H/P
×本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脊柱侧弯Lenke分型系统，其特征在于，包括Lenke分型数据库单元、全脊柱X光图像输入单元、全脊柱X光图像分割单元、全脊柱X图像匹配单元和脊柱侧弯Lenke分型单元；所述Lenke分型数据库单元包括Lenke分型的6种类别的标准图片和1个类别的无侧弯正常脊柱图片，每个类别标准图片的数量为m1，m2,m3,m4,m5,m6,m7；所述全脊柱X光图像输入单元用于输入待检测的全脊柱X光图像；所述全脊柱X光图像分割单元用于分割待检测的全脊柱X光图像得到待检测的全脊柱X光图像中的脊椎块图像；所述全脊柱X图像匹配单元用于将待检测的全脊柱X光图像与Lenke分型数据库单元中的标准图片比对，得到K张图像与待检测图像最相近的标准图片；脊柱侧弯Lenke分型单元将所述K张图像拥有最多类型的Lenke分型类别，即判定为待检测的全脊柱X光图像的Lenke分型所属类别。2.根据权利要求1所述的脊柱侧弯Lenke分型系统，其特征在于，所述全脊柱X光图像分割单元通过APSegmenter方法对全脊柱X光图像分割得到脊椎块图像：1.1)将输入的全脊柱X光图像x分解为一个块序列然后每个图像块拉伸成一维向量，最后通过线性变换投影到块嵌入，产生图像块拉伸成一维向量，最后通过线性变换投影到块嵌入，产生表示投影操作；接着，通过一个可学习位置的位置嵌入，对其进行编码pos＝[pos1,...,pos
N
]∈R
N
×
D
，以获得最终结果的输入序列z0＝x0+pos；其中，x
N
表示第N个块，R
D
表示实数的D维空间，表示N
×
P2×
C维空间，N表示块的数量，P
×
P表示块的大小，C表示通道的数量，pos表示位置嵌入点序列，pos
N
表示第N个位置嵌入点,R
N
×
D
表示N
×
D维空间；Z0表示块序列的位置标记，x0表示块嵌入序列；1.2)设置共L层组成的Transformer编码器，每层包括一个多头自注意力块和一个逐点地多层感知器模块，将序列Z0生成上下文编码z
L
∈R
N
×
D
：a
i
‑1＝MSA(LN(z
i
‑1))+z
i
‑1,
ꢀꢀꢀꢀ
[1]z
i
＝MLP(LN(a
i
‑1))+a
i
‑1,
ꢀꢀꢀꢀ
[2]其中i∈{1,...,L}，并通过自注意力操作，来更有效地利用Z
L
序列；a
i
‑1表示经过MSA的中间结果，MSA()表示经过多头自注意块处理，LN()表示经过LayerNorm操作，即对每个样本的所有特征做归一化，z
i
‑1表示第i
‑
1个上下文编码，MLP()表示逐点地多层感知器模块表示；1.3)解码过程中，将图像块编码序列z
L
∈R
N
×
D
解码为分割映射s∈R
H
×
W
×
K
，s为分割映射，H和W为图像块高和宽，K为类别数；解码器学习将来自编码器的图像块级编码映射到图像块级的类分数；图像块级的类分数被上采样通过双线性插值到像素级分数；1.4)输入的z
L
∈R
N
×
D
首先经过点向线性层变换到z
lin
∈R
N
×
K
，再由z
lin
∈R
N
×
K
重塑到s
lin
∈R
H/P
×
W/P
×
K
；s
lin
∈R
H/P
×
W/P
×
K
再经过双线性上采样到原图像尺寸；z
lin
表示块级类对数,K表示类别数，s
lin
表示2D特征图；1.5)引入可学习的类嵌入，cls＝[cls1,...,cls
K
]∈R
K
×
D
，随机初始化分配到单个语义类，同图像块编码z
L
∈R
N
×
D
一起处理；cls表示类嵌入，cls
K
表示第k个类嵌入，K表示类别数；
接着，定义一个由M层组成的transformer编码器，通过计算解码器输出的标准化图像块嵌入z
mask
∈R
N
×
D
和类嵌入c∈R
K
×
D
的标量乘积，生成K个掩码图，类掩码的集合计算公式如下：Masks＝(z
mask
,c)＝z
mask
c
T
，其中Masks＝(z
mask
,c)表示一组块序列；进而，将每个Masks块序列重塑为二维掩码，记为S
mask
∈R
H/P
×
W/P
×
K
，再通过上采样层，并接着应用Argmax函数，得到像素级的类分类，从而形成输出最终的像素分割图I1；其中，z
mask
表示图像块嵌入，c表示类嵌入，K表示类别数，T表示转置操作，Masks表示类掩码集合。3.根据权利要求2所述的脊柱侧弯Lenke分型系统，其特征在于，还包括如下步骤：2.1)对全脊柱X光图像图像分割得到最终的像素分割图I1，利用公式[3]，先对背景进行开运算，卷积核B大小为4
×
30，再对椎块区域进行开运算，卷积核B大小为10
×
40，处理后图像记为I2；2.2)利用公式[4]，去除图像I2中面积小于500的区域，计算各分割椎块长和宽，粘连区域的长小于宽，正常椎块长大于宽，分别保存正常椎块和非正常椎块到图像I3和I4；其中，width表示分割结果中各个锥块的宽度high表示分割结果中各个锥块的高度area表示脊块面积；contour表示分割锥块区域；2.3)获取图像I4中每个区域的边界信息，遍历左边界，步长为3，利用公式[5]求出Left_point
i
‑1、Left_point
i
、Left_point
i+1
三点之间的夹角θ，当cosθ≥0时，认为点Left_point
i
为粘连椎块分割的左边界点，遍历右边界，寻找与Left_point
i
‑1、Left_point
i+1
在同一水平面的右边界点Right_point
i
‑1、Right_point
i+1
，闭合Left_point
i
‑1、Left_point
i+1
、Right_point
i
‑1、Right_point
i+1
为椎块分界线，保存图像为I5；Left_point
i
‑1、Left_point
i
、Left_point
i+1
分别表示位序在当前锥块之前锥块的左下顶点、当前锥块的左下顶点和序在当前锥块后锥块的左下顶点；Right_point
i
‑1、Right_point
i+1
分别表示位序在当前锥块之前锥块的右下顶点和序在当前锥块后锥块的右下顶点；2.4)合并I3和I5得到最终自适应优化处理后待检测的全脊柱...

【专利技术属性】
技术研发人员：刘东，张灵荣，杨景麟，徐幸，
申请(专利权)人：湘南学院，
类型：发明
国别省市：