一种基于深度学习的终板炎退变分级方法及系统技术方案

本申请提供一种基于深度学习的终板炎退变分级方法及系统，属于医疗图像处理领域，该方法包括：基于确定腰椎不同锥体的高度阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；使用基于图论的GrabCut锥体分割算法分割所述椎间盘的上下锥体的终板部分；使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果。本申请利用标记的终板炎变性分型数据和核磁共振图像对椎体病变区域进行高度阈值计算，以该高度阈值优化的算法模型，有效提高终板炎分级的准确性和速度。分级的准确性和速度。分级的准确性和速度。

【技术实现步骤摘要】
一种基于深度学习的终板炎退变分级方法及系统


[0001]本申请涉及医疗图像处理领域，尤其涉及一种基于深度学习的终板炎退变分级方法，本申请还涉及一种基于深度学习的终板炎退变分级系统。

技术介绍

[0002]在核磁共振I检查中，终板炎是常见的骨关节疾病之一。尽管可以通过核磁共振I图像确定终板炎变性分型，但由于医生主观影响和不同设备间的差异，对终板退变甚至终板炎的准确诊断仍然存在困难。

技术实现思路

[0003]本申请的目的在于克服现有技术中医生主观影响和不同设备间的差异，导致终板诊断结果不准确的缺陷，提供一种基于深度学习的终板炎退变分级方法，本申请还涉及一种基于深度学习的终板炎退变分级系统。
[0004]本申请提供一种基于深度学习的终板炎退变分级方法，包括：根据核磁共振图像以解剖结构权值和组织病变权值加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎终板炎退变分级级别的椎间盘上下缘区域的阈值；基于所述高度阈值调整yolov7分类模型的描框大小，并使用所述yolov7分类模型对所述核磁共振图像处理，获得所述终板炎退本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的终板炎退变分级方法，其特征在于，包括：S1根据核磁共振图像以解剖结构权值和组织病变权值加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎不同锥体的高度阈值；S2基于所述高度阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；S3使用基于图论的GrabCut锥体分割算法分割所述椎间盘的上下锥体的终板部分；S4使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果。2.根据权利要求1所述基于深度学习的终板炎退变分级方法，其特征在于，所述调整yolov7检测模型还包括：使用深度可分离卷积替代所述yolov7检测模型中的Darknet中的3x3卷积。3.根据权利要求2所述基于深度学习的终板炎退变分级方法，其特征在于，所述深度可分离卷积包括：使用一个全局1x1的卷积核对所有输出通道进行卷积操作，将不同通道的信息融合起来得到最终的输出张量。4.根据权利要求1所述基于深度学习的终板炎退变分级方法，其特征在于，所述分割所述椎间盘的上下锥体的终板部分包括：S1采用RGB颜色空间，分别用5个高斯分量的全协方差对核磁共振图像进行建模；S2基于所述核磁共振图像的建模，根据所述yolov7分类模型的目标检测结果得到所述描框外的背景像素点和所述描框内的目标像素点；S3对所述描框外的像素点，初始化像素的标签，对所述描框内的像素点，初始化像素m的标签；S4基于所述标签通过k
‑
means算法，分别把属于对应所述描框外和所述描框内的所述目标和背景的像素聚类为个高斯模型；S5根据每个所述高斯模型像素样本集的RGB值，估计参数均值和协方差，通过该高斯分量的像素个数与总的像素个数的比值获得高斯分量的权值；S6根据所述参数均值、协方差和高斯分量的权值建立有向图，确定该有向图的Source和Sink节点；S7基于所述Source和Sink节点，通过maxflow算法进行腰椎分割；S8重复S1~S7步骤，直到分割结果收敛；S9采用bordermatting对分割的边界进行平滑处理，获得腰椎分割结果。5.根据权利要求4所述基于深度学习的终板炎退变分级方法，其特征在于，所述使用yolov7分类模型对所述终板部分进行分类判定前，还包括：根据腰椎分割结果，获取整个椎体的旋转角度和重心；使用所述旋转角度和重心对分割后的椎体进行二分割，依据所述二分割对所述椎体发生终版炎的位置进行定位。6.根据权利要求5所述基于深度学习的终板炎退变分级方法，其特征在于，对所述核磁共振图像处理还包括：
对所述终版炎的位置和...

【专利技术属性】
技术研发人员：冯世庆，伊力扎提，
申请(专利权)人：江苏世钰智能医疗科技有限公司山东世钰智能医疗科技有限公司，
类型：发明
国别省市：