【技术实现步骤摘要】
本专利技术属于医学图像处理领域，尤其涉及一种骶髂关节mri图像强直性脊柱关节炎自动评分方法。
技术介绍
1、强直性脊柱关节炎(axial spondyloarthritis，as)是指影响骶骨髂骨、椎间和小关节等部位的风湿病总称，是成人常见的一种脊柱关节病，其主要表现为骶髂关节的疼痛和僵硬。目前临床上常用的影像学检查方法有x光、计算机断层扫描技术(ct)、核磁共振成像(mri)、超声、放射学核素骨显像检查。在初步的诊断中，可以通过骶髂关节ct图像，观察是否存在炎症水肿的高亮信号，对病变区域做出5个级别评级。进一步的检查则依赖于对骶髂关节mri图像进行评估并给出定量化评价指标：通过在骶髂关节mri图像中观察骶骨、髂骨和骶髂关节等结构的异常信号，根据加拿大脊椎炎研究联合会(the spondyloarthritisresearch consortium of canada，sparcc)评分标准系统对炎症情况进行定量评估，以便跟踪炎症活动，制定后续的治疗方案。目前sparcc评分主要依靠专业的医生对骶髂关节mri图像逐层观察，手工划分sparcc评分所关注的骶髂关节八个象限，主观分析打分，费时费力，工作量大，自动化程度低。
2、随着计算机辅助诊断技术的发展，基于深度学习的图像分析方法得到了广泛的研究和应用，在临床应用中能够辅助医生诊断，减轻医生工作负担。汕头大学医学院公开了针对骶髂关节ct图像的分类评级方法，该方法将骶髂关节ct图像输入3d-unet网络进行分割，分割结果输入到混合神经网络进行分类评级；中国人民解放军空军
技术实现思路
1、本专利技术的目的在于提出一种骶髂关节mri图像强直性脊柱关节炎自动评分方法，结合深度学习方法实现骶髂关节mri图像sparcc评分自动预测，为医生诊断提供精准、定量化的辅助。
2、为实现上述目的，本专利技术提供了一种骶髂关节mri图像强直性脊柱关节炎自动评分方法，具体包括以下步骤：
3、获取待评分骶髂关节mri图像；
4、将所述待评分骶髂关节mri图像输入基于多尺度特征融合的骶骨和髂骨识别分割模型，输出骶骨髂骨分割图，其中，所述基于多尺度特征融合的骶骨和髂骨识别分割模型由第一训练集训练获得，所述第一训练集为进行骶骨髂骨分割掩膜标注的骶髂关节mri图像；
5、结合骶髂关节间隙知识，基于所述骶骨髂骨分割图，获取目标象限映射图；
6、将所述目标象限映射图输入多头评分预测模型，输出多头评分预测网络结果，将所述多头评分预测网络结果加和，获取最终sparcc评分预测结果，其中，所述多头评分预测模型由第二训练集训练获得，所述第二训练集为包括象限累积维度、水肿信号亮度维度和水肿信号深度维度的数据集。
7、可选的，获取所述第一训练集包括：
8、利用3d slicer标注软件对骶髂关节mri图像数据集进行标注，获取所述第一训练集；
9、所述骶髂关节mri图像数据集由斜冠状位加权图像序列构成。
10、可选的，所述基于多尺度特征融合的骶骨髂骨分割网络模型由特征提取模型和特征金字塔池化模型组成；
11、所述特征提取模型输入为所述第一训练集中的单个层面图像，选用卷积神经网络resnet50提取图像特征；
12、所述特征金字塔池化模型选用融合多尺度特征的分割网络pspnet。
13、可选的，所述基于多尺度特征融合的骶骨和髂骨识别分割模型由第一训练集训练获得包括：
14、获取第一损失函数；
15、设置超参数，将所述第一训练集输入待训练的基于多尺度特征融合的骶骨髂骨分割模型，利用sgd优化器对所述第一损失函数进行梯度反向传播，更新所述待训练的基于多尺度特征融合的骶骨髂骨分割网络模型的参数，并对所述待训练的基于多尺度特征融合的骶骨髂骨分割网络模型进行训练，直至所述第一损失函数收敛，获取所述基于多尺度特征融合的骶骨和髂骨识别分割网络模型。
16、可选的，所述第一损失函数为分割损失函数与分类辅助损失函数的加权和:
17、l＝λ1lseg+λ2laux
18、
19、laux＝crossentropy(y,aux(fθ(x)))
20、其中，l为模型训练所选择的损失函数，lseg为分割损失函数，laux为分类辅助损失函数，λ1、λ2分别为分割损失和分类辅助损失的权重，crossentropy(·)为交叉熵函数，y为样本的真实标签，为模型的预测标签，aux(·)为分类辅助损失函数，fθ(·)为分类模型参数。
21、可选的，结合骶髂关节间隙知识，基于所述骶骨髂骨分割图，获取目标象限映射图包括：
22、根据所述骶髂关节间隙知识，定位所述骶髂关节间隙，确定骶髂关节间隙的起始点与终点；
23、通过所述骶髂关节间隙的起始点与终点，计算骶髂关节间隙垂直平分线；
24、根据所述骶髂关节间隙和所述骶髂关节间隙垂直平分线，划分所述骶骨髂骨分割图，获取所述目标象限映射图。
25、可选的，所述多头评分预测模型包括特征提取子模型和多头预测子模型；
26、所述特征提取子模型输入为单维度特征数据集的图像块和掩膜块的拼接，选用卷积神经网络resnet50提取图像特征；
27、所述多头预测子模型由若干组预测头组成，每个所述预测头由全连接层fc-激活函数relu-全连接层fc组成。
28、可选的，基于所述第二训练集对所述多头评分预测模型进行训练包括：
29、获取第二损失函数，所述第二损失函数为分类交叉熵损失函数；
30、设置超参数，采用渐进式的训练方式将所述第二训练集输入所述多头评分预测模型，利用sgd优化器对所述第二损失函数进行梯度反向传播，更新所述多头评分预测模型的参数，对所述多头评分预测模型进行训练，获取训练后的多头评分预测模型。
31、可选的，所述sparcc评分标准关注若干个维度的水肿信息，包括象限累积水肿、骶髂关节水肿的亮度和深度。
32、本专利技术具有以下有益效果：本专利技术所提供的骶髂关节mri图像的sparcc评分自动预测方法能够通过两阶段的深度学习网络给出准确的sparcc评分预测结果，提高了骶髂关节sparcc评分工作的效率，提高了强直性脊柱关节炎sparcc评分的自动化程度，解决了现有技术中骶髂关节sparcc评分自动化程度低的问题，减轻医生工作负担。
本文档来自技高网...【技术保护点】
1.一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，获取所述第一训练集包括：
3.如权利要求2所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，所述基于多尺度特征融合的骶骨髂骨分割网络模型由特征提取模型和特征金字塔池化模型组成；
4.如权利要求3所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，所述基于多尺度特征融合的骶骨和髂骨识别分割模型由第一训练集训练获得包括：
5.如权利要求4所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，所述第一损失函数为分割损失函数与分类辅助损失函数的加权和:
6.如权利要求1所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，结合骶髂关节间隙知识，基于所述骶骨髂骨分割图，获取目标象限映射图包括：
7.如权利要求1所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，
8.如权利要求7所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，基于所述第二训练集对所述多头评分预测模型进行训练包括：
9.如权利要求8所述的一种骶髂关节MRI图像强直性脊柱关节炎自动评分方法，其特征在于，所述SPARCC评分标准关注若干个维度的水肿信息，包括象限累积水肿、骶髂关节水肿的亮度和深度。
...【技术特征摘要】
1.一种骶髂关节mri图像强直性脊柱关节炎自动评分方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的一种骶髂关节mri图像强直性脊柱关节炎自动评分方法，其特征在于，获取所述第一训练集包括：
3.如权利要求2所述的一种骶髂关节mri图像强直性脊柱关节炎自动评分方法，其特征在于，所述基于多尺度特征融合的骶骨髂骨分割网络模型由特征提取模型和特征金字塔池化模型组成；
4.如权利要求3所述的一种骶髂关节mri图像强直性脊柱关节炎自动评分方法，其特征在于，所述基于多尺度特征融合的骶骨和髂骨识别分割模型由第一训练集训练获得包括：
5.如权利要求4所述的一种骶髂关节mri图像强直性脊柱关节炎自动评分方法，其特征在于，所述第一损失函数为分割损失函数与分...
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。