一种基于人工智能的桡骨远端骨折AO分型方法技术

本发明专利技术公开了一种基于人工智能的桡骨远端骨折AO分型方法，包括：S1：构建标签化的桡骨远端骨折AO分型数据集；S2：对数据集内的图片预处理；S3：构建诊断是否骨折的第一AI模型；S4：基于步骤S3的诊断是否骨折的第一AI模型，采用迁移学习，构建诊断骨折AO分型的第二AI模型。本发明专利技术以卷积神经网络为基础，构建诊断是否骨折的AI模型，应用迁移学习构建诊断骨折AO分型的AI模型，辅助读取X线片，对骨折进行AO分型，辅助医生进行骨折的诊断与治疗。辅助医生进行骨折的诊断与治疗。辅助医生进行骨折的诊断与治疗。

【技术实现步骤摘要】
一种基于人工智能的桡骨远端骨折AO分型方法


[0001]本专利技术属于骨折诊断
，尤其涉及一种基于人工智能的桡骨远端骨折AO分型方法。

技术介绍

[0002]骨折是指骨的完整性或连续性中断，是一种常见的骨科疾病。其中桡骨远端骨折是指距桡骨远端关节面3cm内的骨折，发病率占前臂骨折的74%，占全身骨折的1/6。骨骼医学影像，在骨折的检测和治疗上有重要的作用。目前骨骼医学影像技术主要包括X线片（X
‑
ray）、核磁共振（MRI）、计算机断层扫描（CT）及超声波等。其中，X线片因为相对安全、廉价及方便易得，是目前最广泛使用的影像技术。但是基于影像的骨折AO分型的诊断高度依赖于专业医生的判断，阅片量大时，医生的判断能力可能会下降；某些复杂性骨折，可能需要花费较多的时间来判断AO分型，对于年轻医生这个问题尤为突出，而较多的时间会带给患者更多的痛苦；在偏远地区，专业医生数量可能不能满足。
[0003]近年来，人工智能（artificial intelligence, AI）技术快速发展，能够作为辅助医生进行决策的客观工具。通过AI技术，影像医生或临床专家可以不用在一些常规任务上花费太多时间，而可以把主要精力集中在一些偶然事件上。此外，使用AI技术可以快速读取分析影像数据，所有的判断都可以基于同样的标准，相对而言比较客观。并且AI技术具有很好的移植性，训练好的AI系统可以很容易加载到新的设备（如电脑）上，有利于偏远地区的普及。将人工智能应用到骨折的诊断上具有很大的潜力，但是，目前的研究都只是检测是否存在骨折现象，即使有的研究会对骨折的位置进行定位，但临床意义仍然有限。

技术实现思路

[0004]为了解决现有技术中存在的问题，本专利技术的目的是提供一种基于人工智能的桡骨远端骨折AO分型方法，本专利技术以卷积神经网络为基础，构建诊断是否骨折的AI模型，应用迁移学习构建诊断骨折AO分型的AI模型，辅助读取X线片，对骨折进行AO分型，辅助医生进行骨折的诊断与治疗。
[0005]为了实现上述专利技术目的，本专利技术采用如下所述的技术方案：一种基于人工智能的桡骨远端骨折AO分型方法，包括：S1：构建标签化的桡骨远端骨折AO分型数据集；S2：对数据集内的图片预处理；S3：构建诊断是否骨折的第一AI模型；S4：基于步骤S3的诊断是否骨折的第一AI模型，采用迁移学习，构建诊断骨折AO分型的第二AI模型。
[0006]S5：采用第二AI模型对步骤S1中的数据集内的图像进行骨折AO分型。
[0007]进一步的，在步骤S1中，收集大量的桡骨远端骨折X线片图像及相应的临床信息，并对收集到的X线片图像进行标注。
[0008]进一步的，在步骤S2中，通过拉伸、旋转、改变亮度及对比度来处理图像，增加图像复杂性及数量，并将所有图像调整到固定尺寸。
[0009]进一步的，在步骤S3中，构建VggNet网络模型作为诊断是否骨折的第一AI模型。
[0010]进一步的，在步骤S3中，构建VggNet网络模型，在VggNet网络模型中加入Inception结构作为诊断是否骨折的第一AI模型。
[0011]进一步的，所述 VggNet网络模型中加入Inception结构，具体为：在VggNet网络的中间层加入多个Inception结构，提取更复杂的图像特征，通过卷积层、全连接层、softmax层输出最终分类。
[0012]进一步的，在步骤S3中，还包括对第一AI模型的训练，使用交叉熵函数作为训练阶段的损失函数，使用随机梯度下降法来更新第一AI模型的参数。
[0013]由于采用上述技术方案，本专利技术具有以下有益效果：本专利技术用于骨折AO分型，能够对骨折情况进行全面评估，将有助于在术前进行手术方案的制定，包括手术人路、复位方式(直接复位或者间接复位)、内固定方式、内植入物的类型等，从而使治疗方案符合骨折愈合的生物学过程以及患者的功能要求。此外，本专利技术的AI模型具有很好的移植性，训练好的AI模型可以很容易加载到新的设备（如电脑）上，有利于偏远地区的普及。本专利技术的AI模型能够辅助医生快速读取X线片，对骨折进行AO分型，辅助医生进行骨折的诊断与治疗。
附图说明
[0014]图1为骨折AO分型辅助标注系统的界面；图2为VggNet网络模型的构建流程；图3为第一AI模型在训练集及验证集上的损失函数的变化；图4为第一AI模型在训练集及验证集上的准确率的变化；图5第二AI模型在训练集及验证集上的准确率的变化；图6第二AI模型在训练集及验证集上的top2准确率的变化；图7为MURA数据集示例；图8为验证数据集骨龄预测的示例。
具体实施方式
[0015]下面结合附图及实施例对本专利技术的技术方案作进一步详细的说明。
[0016]一种基于人工智能的桡骨远端骨折AO分型方法用，包括：S1：构建标签化的桡骨远端骨折AO分型数据集；第一步，收集大量的桡骨远端骨折X线片图像及相应的临床信息，收集至少10000例样本的桡骨远端骨折X线片图像，构建本地桡骨远端骨折数据集；第二步，对数据集内的样本X线片图像进行标注，标注的内容包括：二分类标注，用于判断有无骨折（有、无）；多分类标注，用于判断骨折AO分型（精确到A/B/C类型，1/2/3亚型，如A1型）；二分类标注，用于推荐治疗方式（保守、手术）；每个样本由三名有经验的骨科临床医生根据X线片进行标注，取多数判断结果；争
议由第三方参与解决；剔除由于图片质量无法标注的图片。
[0017]标注采用本申请人自主开发的“骨折AO分型辅助标注系统”软件进行标注，目前已经完成样本的标注信息。
[0018]表1为部分样本的桡骨远端骨折AO分型的标注，如下：S2：对数据集内的图片预处理；通过拉伸、旋转、改变亮度及对比度来处理图像，增加图像复杂性及数量，并将所有图像调整到固定尺寸，如512*512大小。
[0019]S3：基于卷积神经网络构建诊断是否骨折的第一AI模型；第一AI模型为：构建VggNet网络模型作为诊断是否骨折的第一AI模型，具体方法为：如图2所示，通过卷积层（卷积核为3*3）来提取特征、池化层（池化核为3*3）来降维及泛化模型，最终提取图像的1024个特征，并将图像压缩为8*8的大小；最后一层卷积层的核尺寸为8*8，输出所
有提取的特征；全连接层共1024个节点，dropout的概率为0.5，最后通过softmax层，输出分类为0（无骨折）和1（有骨折）的概率。
[0020]构建VggNet网络模型，在VggNet网络模型中加入Inception结构作为诊断是否骨折的第一AI模型，具体方法为：在上述网络模型的中间层，如图像被压缩为32*32的中间层，加入多个Inception结构，提取更复杂的图像特征；将图像压缩为8*8之后，通过卷积层、全连接层、softmax层输出最终分类。
[0021]对所述第一AI模型进行训练及验证，具体来说：模型训练，由于是分类任务，使用交叉熵函数作为训练阶段的损失函数，使用随机梯度下降本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的桡骨远端骨折AO分型方法，其特征在于，包括：S1：构建标签化的桡骨远端骨折AO分型数据集；S2：对数据集内的图片预处理；S3：基于卷积神经网络构建诊断是否骨折的第一AI模型；S4：基于步骤S3的诊断是否骨折的第一AI模型，采用迁移学习，构建诊断骨折AO分型的第二AI模型。2.根据权利要求1所述的基于人工智能的桡骨远端骨折AO分型方法，其特征在于，在步骤S1中，收集大量的桡骨远端骨折X线片图像及相应的临床信息，并对收集到的X线片图像进行标注。3.根据权利要求1所述的基于人工智能的桡骨远端骨折AO分型方法，其特征在于，在步骤S2中，通过拉伸、旋转、改变亮度及对比度来处理图像，增加图像复杂性及数量，并将所有图像调整到固定尺寸。4.根据权利要求1所述的基于人工智能的桡骨远端骨折AO分型方法，其特征在于，在步骤S3中，构建...

【专利技术属性】
技术研发人员：邵长路，杨国钊，彭小娟，孙德顺，袁克磊，
申请(专利权)人：深圳市第二人民医院深圳市转化医学研究院，
类型：发明
国别省市：