用于颈椎间盘退化分级的特征构建方法技术

本发明专利技术属于医学图像处理技术领域，具体涉及一种用于颈椎间盘退化分级的特征构建方法

【技术实现步骤摘要】
用于颈椎间盘退化分级的特征构建方法、系统和存储介质


[0001]本专利技术属于医学图像处理
，具体涉及一种用于颈椎间盘退化分级的特征构建方法
、
系统和存储介质
。

技术介绍

[0002]颈部疼痛作为一种非常普遍的肌肉骨骼疾病和第四大致残原因
。
[0003]与腰痛一样，颈椎间盘退变是引起颈部疼痛的一个公认因素
。
椎间盘由位于周围的纤维环
(AF)、
内部凝胶样髓核
(NP)
和软骨终板组成，介于相邻的两个椎体之间，起脊柱减震器的作用
。
椎间盘最重要的生理退行性改变始于
NP
，通常表现为含水量减少和椎间盘高度下降，并伴有
AF
屈服强度下降
。
这些退行性改变可能改变生物力学转移，使髓核和髓环内的痛觉神经纤维敏感，从而导致椎间盘突出
、
神经压迫和椎间盘源性疼痛
。T2
加权磁共振成像
(MRI)
由于其在检测椎间盘形状和
NP
含水量方面的优势，是诊断颈椎退行性椎间盘病
(CDDD)
最常用的成像方式
。
目前应用最广泛的椎间盘退变
MRI
分类系统是根据椎间盘的结构和信号强度以及
Pfirrmann
等人提出的
Pfirrmann
分级标准
。
虽然在这个分级系统中椎间盘退变的每个级别都有明确的定义，但它仍然是一项费时费力的工作，并且在临床实践中高度依赖于放射科医生和外科医生的专业知识
。
因此，在
MRI
上对颈椎间盘退变进行更准确和快速的自动分类仍然是一个挑战
。
[0004]因此，设计出基于
MRI
影像的颈椎间盘退化分级智能诊断系统及方法对于临床早期诊断和早期治疗具有重要的意义
。
目前尚未有相关的技术和专利技术公开
。

技术实现思路

[0005]针对现有技术的问题，本专利技术提供一种用于颈椎间盘退化分级的特征构建方法
、
系统和存储介质，目的在于优化特征的构建方法和模型算法，实现准确的基于
MRI
影像的颈椎间盘退化分级的智能诊断
。
[0006]为实现上述技术目的，本专利技术采用的技术方案是：
[0007]一种用于颈椎间盘退化分级的特征构建方法，包括如下步骤：
[0008]步骤1，输入
T1
和
T2
磁共振图像，分割得到
C2/3、C3/4、C4/5、C5/6、C6/7
和
C7/T1
六个间盘区域；
[0009]步骤2，从所述间盘区域中提取高通量影像组学特征，包括一阶
、
二阶和高阶影像组学特征；
[0010]步骤3，融合
T1
和
T2
影像上最有价值的影像组学特征，构建用于颈椎间盘退化分级诊断模型的混合特征数据集
。
[0011]优选的，步骤1中，用于分割任务的模型是基于视觉基础大模型
SAM
，通过迁移学习微调构建的
。
[0012]优选的，步骤2中，所述一阶影像组学特征包括一阶直方图特征，二阶影像组学特征包括灰度共生矩阵
、
灰度运行长度矩阵
、
灰度大小区域矩阵
、
相邻灰度差分矩阵和灰度差
分矩阵，高阶影像组学特征包括小波特征和高斯拉普拉斯特征
。
[0013]优选的，步骤2中，提取影像组学特征是基于
PyRadiomics
工具实现的
。
[0014]优选的，步骤3中，所述最有价值的影像组学特征是基于最小冗余
‑
最大相关性算法筛选得到
。
[0015]优选的，步骤3中，所述颈椎间盘退化分级诊断模型基于
Transformer
网络在大规模表格数据中进行预训练得到的表格基础模型
TabPFN
构建
。
[0016]本专利技术还提供一种用于颈椎间盘退化分级的系统，包括：
[0017]磁共振影像获取和存储模块，用于获取和存储颈椎
MRI
图像数据；
[0018]间盘自动分割模块，用于自动分割六块颈椎间盘的感兴趣区域；
[0019]混合特征提取模块，用于分别提取
T1
和
T2
两个模态影像上的有价值影像组学特征；
[0020]间盘退化分级诊断模块，用于识别混合特征，实现颈椎间盘退化分级的智能诊断
。
[0021]优选的，所述颈椎间盘退化分级诊断模块集成有颈椎间盘退化分级模型，所述颈椎间盘退化分级模型基于
Transformer
网络在大规模表格数据中进行预训练得到的表格基础模型
TabPFN
构建
。
[0022]本专利技术还提供一种计算机可读存储介质，其上存储有用于实现上述用于颈椎间盘退化分级特征的构建方法的计算机程序，或用于上述用于颈椎间盘退化分级的诊断系统的计算机程序
。
[0023]本专利技术的有益效果有：
[0024]本专利技术基于
Pfirrmann
分级，实现了基于
MRI
影像的间盘区域自动分割
、
混合特征提取和间盘退化分级智能诊断
。
通过优化特征的构建方式和模型的算法，本专利技术对颈椎间盘退化分级的准确性有效提升，能够满足临床的应用需求，可以帮助解决不同医院和医生之间的诊断差异，极大降低漏诊率，降低患者的诊断成本，为该类疾病的早期诊断和早期治疗提供技术支持，具有很好的应用前景
。
[0025]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改
、
替换或变更
。
[0026]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明
。
但不应将此理解为本专利技术上述主题的范围仅限于以下的实例
。
凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围
。
附图说明
[0027]图1为本专利技术实施例1的流程示意图
。
[0028]图2为本专利技术实施例2的流程示意图
。
具体实施方式
[0029]需要特别说明的是，实施例中未具体说明的数据采集
、
传输
、
储存和处理等步骤的算法，以及未具体说明的硬件结构
、
电路连接等均可通过现有技术已公开的内容实现
。
[0030]实施例1用于颈椎间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
用于颈椎间盘退化分级的特征构建方法，其特征在于，包括如下步骤：步骤1，输入
T1
和
T2
磁共振图像，分割得到
C2/3、C3/4、C4/5、C5/6、C6/7
和
C7/T1
六个间盘区域；步骤2，从所述间盘区域中提取高通量影像组学特征，包括一阶
、
二阶和高阶影像组学特征；步骤3，融合
T1
和
T2
影像上最有价值的影像组学特征，构建用于颈椎间盘退化分级诊断模型的混合特征数据集
。2.
根据权利要求1所述的用于颈椎间盘退化分级的特征构建方法，其特征在于：步骤1中，用于分割任务的模型是基于视觉基础大模型
SAM
，通过迁移学习微调构建的
。3.
根据权利要求1所述的用于颈椎间盘退化分级的特征构建方法，其特征在于：步骤2中，所述一阶影像组学特征包括一阶直方图特征，二阶影像组学特征包括灰度共生矩阵
、
灰度运行长度矩阵
、
灰度大小区域矩阵
、
相邻灰度差分矩阵和灰度差分矩阵，高阶影像组学特征包括小波特征和高斯拉普拉斯特征
。4.
根据权利要求1所述的用于颈椎间盘退化分级的特征构建方法，其特征在于：步骤2中，提取影像组学特征是基于
PyRadiomics
工具实现的
。5.
根据权利要求1所述的用于颈椎间盘退化分级的特征构...

【专利技术属性】
技术研发人员：姜泽坤，孙淼，侯峻枫，孟思睿，
申请(专利权)人：华西精创医疗科技成都有限公司，
类型：发明
国别省市：