【技术实现步骤摘要】
本专利技术一种基于深度学习辅助青少年特发性脊柱侧凸（adolescent idiopathicscoliosis, ais）手术节段选择的方法，属于计算机和医学交叉的领域，将计算机技术应用到医学问题上，为医生提供更加快速、准确和客观的诊断参考。
技术介绍
1、深度学习和医学的结合是当前科技和健康领域的一个热门话题和发展方向。深度学习是一种模仿人类大脑神经网络的人工智能方法，可以从大量的数据中自动学习和提取有用的信息。医学是一门关系人类生命健康的科学，需要处理各种复杂的医疗数据和问题。将深度学习和医学相结合，可以为医生提供更加快速、准确和客观的诊断参考，为患者提供更加个性化、高效和安全的治疗方案，为科研人员提供更加创新、深入和广泛的研究途径。深度学习已经在医学影像分析、电子健康记录、基因组学、药物开发等多个领域展现了其强大的潜力和优势。
2、然而，目前我国大多数外科手术策略的制定仍主要取决于外科医生的个人经验，由于不同地区医疗资源分布存在差异，这可能导致对疾病的误诊误治。ais就是一个典型的例子。ais是指在青春期生长发育的过程中，脊柱由于不明原因产生的三维脊柱畸形，是最常见的青少年脊柱畸形，与肥胖和近视并列为危害我国中小学生健康的三大疾病。青少年脊柱侧凸不仅会影响患者的外观和自信心，还会导致呼吸、心血管、神经等系统的损害，甚至危及生命。因此，及时发现和正确治疗ais至关重要。然而，ais手术节段的选择存在巨大的争议，尽管lenke分型系统已广泛应用于指导选择需要融合的侧凸，但其并未明确指出具体的融合节段。针对不同的弯
3、现有的专利申请如专利号为201910966985.6的专利，其创新点在于手术路径的选择，目的是提供一种手术路径的规划方法，是在已经确认实施手术并且确认了手术节段的基础上进行路径规划。
4、专利号为202110584759.9的专利，是对脊柱侧弯进行筛查，是一种辅助医生的诊断方法，不涉及手术的确定及手术位置的选择。
5、专利号为202180026919.6的专利，是在预定好植入位置的基础上进行植入路径的规划。其目的是减少了因ct扫描而引起的辐射暴露，并且无需2d图像和3d图像之间的配准。
6、随着深度学习技术的迅速发展，脊柱侧凸手术节段的选择有望从人工处理转变为机器处理，在传统手术策略的基础上不断修正，在实现最佳脊柱矫形效果的同时最大程度保留脊柱的活动度，降低远期并发症的发生率，提高患者生活治疗。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习辅助ais手术节段选择的方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习辅助ais手术节段选择的方法，其特征在于：包括以下步骤：
3、步骤一：脊柱手术节段标注及预处理；采集ais病例图像，在图形中标注胸椎和腰椎中手术固定节段和未固定节段的位置和类别，作为网络模型深度学习的输入；
4、步骤二：检测节段位置和类别，分割脊柱图像；将患者的脊柱x线正位片输入训练好的网络模型中，网络模型根据学习的图像特征，对图像进行分割，划分为不同的区域，并给每个区域赋予一个类别标签；
5、步骤三：置信度修正；采用“自动计算+手动修正”的方法进行置信度的调整和优化。
6、更进一步的，步骤一中，脊椎手术段标注，先要进行数据采集，采集的数据有以下几个标准：①诊断为ais；②接受后入路脊柱矫形内固定植骨融合术；③随访时间超过2年；④末次随访x线片显示预后良好。排除标准为①年龄不足11岁或超出18岁；②既往有脊柱手术史；③双下肢不等长；④合并脊柱骨折、严重脊柱肿瘤。
7、更进一步的，步骤一中，采集到的数据导入labelme，将用labelme产生的json文件载入，然后读取json字典中图片的标注点，并按照该点相对于整张图片的位置进行转换，之后将点位相对位置和类别信息存储到txt文件中，作为深度学习模型的输入。
8、更进一步的，步骤二中，网络模型采用了unet和yolov8两种深度学习框架结合的方法，将步骤一中处理好的图片输入到网络模型中，经过训练迭代，网络模型根据深度学习的结果自动识别图形的特征，对图像进行分割，划分为不同的区域，并给每个区域赋予一个类别标签。
9、更进一步的，在所述unet学习框架中引入swin transformer模块，提高unet学习框架的特征提取能力。
10、更进一步的，所述网络模型的深度学习方法为：将unet输出的粗粒度的分割结果与原图像进行拼接并输入到yolov8的p1层中，提取图像多尺度的特征，与yolov8的p2、p3、p4、p5层的输入进行拼接，然后使用yolov8的fpn结构进一步提取多尺度的特征。
11、更进一步的，步骤三中，置信度修正包括一下几个步骤：（1）通过网络模型计算出各椎体分类的置信度；（2）通过计算椎体相对于颈7铅垂线（胸弯）或骶骨中垂线（胸腰弯/腰弯）的偏移量确定融合弯的顶椎，并计算椎体与融合弯顶椎的距离作为置信度修正的权重；（3）通过椎体与融合弯顶椎的距离权重修正置信度，当存在多个顶椎时，顶椎之间的椎体权重同顶椎；（4）根据先验知识对置信度进行修正，使之更符合临床上ais手术融合节段选择的原则。
12、更进一步 ，置信度修正第一个步骤中，通过yolov8计算出个椎体分类的置信度。
13、本专利技术提供的技术方案具有以下技术效果：
14、1、它采用了unet和yolov8两种深度学习框架，同时在unet框架中引入swintransformer模块，能够增强unet的图片特征提取能力；同时两者的结构能够同时提取脊柱图像中的语义特征和实例特征，提高深度学习的网络模型的精度；
15、2、采用“自动计算+手动修正”的方法进行置信度的调整和优化，降低网络模型的噪声，根据先验知识对置信度进行修正，使之更符合临床上ais手术融合节段选择的原则。医生可以根据修正后的置信度结合临床资料进行手术融合节段的选择，为病人提供个性化的治疗方案，降低术后并发症的发生率。
16、3、能够有效地辅助医生进行ais的术前规划，提高矫形效果和安全性，改善病人的生活质量。
本文档来自技高网...【技术保护点】
1.一种基于深度学习辅助青少年特发性脊柱侧凸(Adolescentidiopathicscoliosis, AIS)手术节段选择的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述一种基于深度学习辅助青少年特发性脊柱侧凸手术节段选择的方法，其特征在于：步骤一中，脊椎手术节段标注，先要进行数据采集，采集的数据有以下几个标准：①诊断为AIS；②接受后入路脊柱矫形内固定植骨融合术；③随访时间超过2年；④末次随访X线片显示预后良好。排除标准为①年龄不足11岁或超出18岁；②既往有脊柱手术史；③双下肢不等长；④合并脊柱骨折、严重脊柱肿瘤。
3.根据权利要求2所述一种基于深度学习辅助AIS手术节段选择的方法，其特征在于：步骤一中，采集到的数据导入LabelMe，将用LabelMe产生的json文件载入，然后读取json字典中图片的标注点，并按照该点相对于整张图片的位置进行转换，之后将点位相对位置和类别信息存储到txt文件中，作为深度学习模型的输入。
4.根据权利要求1所述一种基于深度学习辅助AIS手术节段选择的方法，其特征在于：步骤二中，网络模型采用
5.根据权利要求4所述一种基于深度学习辅助AIS手术节段选择的方法，其特征在于：在所述UNet学习框架中引入Swin Transformer模块，提高UNet学习框架的特征提取能力。
6.根据权利要求4所述一种基于深度学习辅助AIS手术节段选择的方法，其特征在于：所述网络模型的深度学习方法为：将UNet输出的粗粒度的分割结果与原图像进行拼接并输入到YOLOv8的P1层中，并提取图像多尺度的特征，与YOLOv8的P2、P3、P4、P5层的输入进行拼接，然后使用YOLOv8的特征金字塔网络(Feature Pyramid Network, FPN)结构进一步提取多尺度的特征。
7.根据权利要求4所述一种基于深度学习辅助AIS手术节段选择的方法，其特征在于：步骤三中，置信度修正包括一下几个步骤：（1）通过网络模型计算出各椎体分类的置信度；（2）通过计算椎体相对于颈7铅垂线（胸弯）或骶骨中垂线（胸腰弯/腰弯）的偏移量确定融合弯的顶椎，并计算椎体与融合弯顶椎的距离作为置信度修正的权重；（3）通过椎体与融合弯顶椎的距离权重修正置信度，当存在多个顶椎时，顶椎之间的椎体权重同顶椎；（4）根据先验知识对置信度进行修正，使之更符合临床上AIS手术融合节段选择的原则。
8.根据权利要求7所述一种基于深度学习辅助AIS手术节段选择的方法，其特征在于：置信度修正第一个步骤中，通过YOLOv8计算出个椎体分类的置信度。
...【技术特征摘要】
1.一种基于深度学习辅助青少年特发性脊柱侧凸(adolescentidiopathicscoliosis, ais)手术节段选择的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述一种基于深度学习辅助青少年特发性脊柱侧凸手术节段选择的方法，其特征在于：步骤一中，脊椎手术节段标注，先要进行数据采集，采集的数据有以下几个标准：①诊断为ais；②接受后入路脊柱矫形内固定植骨融合术；③随访时间超过2年；④末次随访x线片显示预后良好。排除标准为①年龄不足11岁或超出18岁；②既往有脊柱手术史；③双下肢不等长；④合并脊柱骨折、严重脊柱肿瘤。
3.根据权利要求2所述一种基于深度学习辅助ais手术节段选择的方法，其特征在于：步骤一中，采集到的数据导入labelme，将用labelme产生的json文件载入，然后读取json字典中图片的标注点，并按照该点相对于整张图片的位置进行转换，之后将点位相对位置和类别信息存储到txt文件中，作为深度学习模型的输入。
4.根据权利要求1所述一种基于深度学习辅助ais手术节段选择的方法，其特征在于：步骤二中，网络模型采用了unet和yolov8两种深度学习框架结合的方法，将步骤一中处理好的图片输入到网络模型中，经过训练迭代，网络模型根据深度学习的结果自动识别图像的特征，对图像进行分割，划分为不同的区域，并给每个区域赋予一个类别标签。
5.根据权利...
【专利技术属性】
技术研发人员：何中，李武军，鲁能，朱泽章，邱勇，
申请(专利权)人：南京鼓楼医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。