一种基于人工智能的股骨头坏死分期分析方法及系统技术方案

本发明专利技术公开了一种基于人工智能的股骨头坏死分期分析方法及系统，通过定位识别髋关节MRI图像，自动分割髋关节骨模型，实现二分类分析有无股骨头缺血性坏死，再进一步地分类分析股骨头坏死分期。所述系统包括：图像获取模块，图像分割模块，定位分析模块，病变分期模块和报告生成模块。通过将MRI图像充分利用，智能识别病变特征，提高股骨头坏死检出率和分期准确性，有利于构建高效、快速、准确的股骨头坏死分期分析系统。期分析系统。期分析系统。

【技术实现步骤摘要】
一种基于人工智能的股骨头坏死分期分析方法及系统


[0001]本专利技术涉及医学影像分类领域，特别是涉及一种基于人工智能的股骨头坏死分期分析方法及系统。

技术介绍

[0002]股骨头坏死是一种多因素引起的缺血性骨坏死疾病，病程发展快，易导致股骨头塌陷且致残率高，是骨科常见的难治性疾病。在美国每年新发股骨头坏死病例约20,000
‑
30,000例。在我国，由于外伤、饮酒和滥用激素增多，导致股骨头坏死的发病率呈逐年上升趋势。首次在国内开展的大规模非创伤性骨坏死流行病学调查结果显示：非创伤性股骨头坏死患者累积已达812万，男性患病率(1.02％)显著高于女性(0.51％)，北方居民患病率(0.85％)高于南方居民(0.61％)，城镇居民高于农村居民。股骨头坏死多以髋部疼痛为主要症状，常伴有髋关节内旋活动受限，晚期可发展为骨关节炎，导致关节功能障碍。诊断股骨头坏死主要依据影像学，股骨头坏死的影像学表现与病变的轻重及病理进程相关。为了准确选择治疗方案，需要对股骨头坏死进行定性的分期。
[0003]目前，国际骨循环研究学会(The Association Research Circulation Osseous，ARCO)制订的股骨头坏死分期在指导治疗方案，判断预后，评估疗效等方面广泛应用。其中，MRI(Magnetic Resonance Imaging,MRI)检查可早期发现股骨头坏死灶，相较于X线检查，表现出较高的敏感性。
[0004]为了帮助临床医生提供有效的股骨头坏死的生化标志物特征以及坏死体积等信息以帮助医生制定治疗计划，需要将骨坏死区域从MRI图像中分割出来。目前对于股骨头坏死进行分期主要依赖于影像学MRI图像，但准确的分期需要丰富的临床经验，并且需要花费较多时间。传统的分期主要存在于如下难点：
[0005]1、对于临床医师的经验和影像识别技能要求很高；
[0006]2、对于股骨头坏死早期的诊断及ARCO1
‑
2期鉴别困难；
[0007]3、临床医师针对股骨头坏死分期判断的重复性差。
[0008]因此设计出一种基于人工智能的快速且准确的股骨头坏死分期分析系统对于临床治疗具有十分重要的意义。

技术实现思路

[0009]本专利技术的目的是提供一种基于人工智能的股骨头坏死分期分析方法及系统，以解决上述现有技术存在的问题。
[0010]为实现上述目的，本专利技术提供了如下方案：
[0011]本专利技术提供一种基于人工智能的股骨头坏死分期分析方法，具体包括以下步骤：
[0012]S1，获取患者髋部MRI图像，并对获取的所述髋部MRI图像进行预处理并进行分割处理，获得预处理后的图像；
[0013]S2，构建股骨头坏死病变识别模型，基于所述股骨头坏死病变识别模型和所述预
处理后的图像识别定位出患者的股骨头坏死区域以及侧别，并对病变部位生成可视化类激活图；
[0014]S3，构建股骨头坏死病变分期模型，将所述可视化类激活图输入到所述股骨头坏死病变分期模型中，判断所述MRI图像的股骨头坏死分期，并得到病变分期判断结果；
[0015]S4，根据所述病变分期判断结果，生成股骨头坏死分期分析及诊疗建议报告。
[0016]进一步地，所述S1中，预处理并进行分割处理的具体方法为：
[0017]S11，基于灰度拉伸法将所述髋部MRI图像中的灰度分布扩展到具有整个灰度级的图像；
[0018]S12，对灰度化拉伸的所述髋部MRI图像进行小波分解，对经过层次分解后的高频系数进行阈值量化，再利用二维小波重构图像信号对所述髋部MRI图像进行降噪处理；
[0019]S13，对进行小波分解后的所述髋部MRI图像分类，所述分类包括股骨头、髋臼和关节间隙，对分类后的髋部MRI图像进行标记，完成预处理；
[0020]S14，将预处理后的髋部MRI图像样本集输入到第一卷积神经网络进行深度学习训练，得到髋部智能分割模型；基于所述髋部智能分割模型，将髋部MRI图像作为样本集按照标记进行分割。
[0021]进一步地，得到所述髋部智能分割模型的方法具体为：
[0022]所述第一卷积神经网络采用Mask
‑
RCNN网络模型，所述深度学习训练的过程为：
[0023]S141，将预处理后的所述髋部MRI图像样本集分为训练集、验证集、测试集；
[0024]S142，对所述训练集进行图像处理，以使所述训练集的图像数量扩增，所述图像处理包括调节对比度、图像旋转和镜面反转中的至少一种；
[0025]S143，基于图像处理后的所述训练集和所述验证集对卷积神经网络进行训练、验证，得到髋部智能分割模型，并采用所述测试集对所述识别模型进行测试评估效果。
[0026]进一步地，所述S2中生成所述可视化类激活图的方法为：
[0027]对股骨头坏死MRI图像中股骨头坏死病变信号相关特征进行特征提取并获得特征图；
[0028]基于定位的所述特征图中的病变部位进行类激活映射计算，获得热图；
[0029]将所述热图和所述特征图进行叠加，生成所述可视化类激活图。
[0030]进一步地，获得所述特征图的方法为：通过提取所述股骨头坏死病变识别模型最后一个卷积层的输出获得。
[0031]进一步地，所述特征提取中的特征包括但不限于：线样低信号、新月形低信号、股骨头塌陷、骨赘形成和关节间隙。
[0032]进一步地，当所述髋部MRI图像包含多种不同的病变特征时，所述病变特征接近时，采用不同的颜色标记定位病变部位且分别提供叠加复合热图和每种病变的单独热图。
[0033]进一步地，所述S3中，构建股骨头坏死病变分期模型的具体步骤包括：
[0034]S31，将多个股骨头坏死MRI图像作为样本集按照预设的分析标准进行病变分期的分类；
[0035]S311，对分类后的所述股骨头坏死MRI图像样本集进行预处理，所述预处理过程为将所述股骨头坏死MRI图像归一化。
[0036]S312，将预处理后的图像样本集输入到卷积神经网络进行深度学习训练，得到股
骨头坏死病变分期模型。
[0037]一种基于人工智能的股骨头坏死分期分析系统，包括：
[0038]MRI图像获取模块，用于获取待识别患者的髋部MRI图像；
[0039]MRI图像分析和定位模块，用于对获取的所述髋部MRI图像进行分析和定位，识别定位出患者的股骨头坏死区域以及侧别；
[0040]病变特征提取模块，用于提取所述髋部MRI图像中目标损伤对象的几何形态学特征参数；
[0041]病变分期模块，用于基于所述几何形态学特征参数判断所述股骨头病变分期，并获得病变分期判断结果；
[0042]报告生成模块，用于基于所述病变分期判断结果，生成股骨头坏死分期分析及诊疗建议，
[0043]所述MRI图像获取模块通过所述MRI图像分析和定位模块与所述病本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的股骨头坏死分期分析方法，其特征在于：具体包括以下步骤：S1，获取患者髋部MRI图像，并对获取的所述髋部MRI图像进行预处理并进行分割处理，获得预处理后的图像；S2，构建股骨头坏死病变识别模型，基于所述股骨头坏死病变识别模型和所述预处理后的图像识别定位出患者的股骨头坏死区域以及侧别，并对病变部位生成可视化类激活图；S3，构建股骨头坏死病变分期模型，将所述可视化类激活图输入到所述股骨头坏死病变分期模型中，判断所述MRI图像的股骨头坏死分期，并得到病变分期判断结果；S4，根据所述病变分期判断结果，生成股骨头坏死分期分析结果及诊疗建议报告。2.根据权利要求1所述的基于人工智能的股骨头坏死分期分析方法，其特征在于：所述S1中，预处理并进行分割处理的具体方法为：S11，基于灰度拉伸法将所述髋部MRI图像中的灰度分布扩展到具有整个灰度级的图像；S12，对灰度化拉伸的所述髋部MRI图像进行小波分解，对经过层次分解后的高频系数进行阈值量化，再利用二维小波重构图像信号对所述髋部MRI图像进行降噪处理；S13，对进行小波分解后的所述髋部MRI图像分类，所述分类包括股骨头、髋臼和关节间隙，对分类后的髋部MRI图像进行标记，完成预处理；S14，将预处理后的髋部MRI图像样本集输入到第一卷积神经网络进行深度学习训练，得到髋部智能分割模型；基于所述髋部智能分割模型，将髋部MRI图像作为样本集按照标记进行分割。3.根据权利要求2所述的基于人工智能的股骨头坏死分期分析方法，其特征在于：得到所述髋部智能分割模型的方法具体为：所述第一卷积神经网络采用Mask
‑
RCNN网络模型，所述深度学习训练的过程为：S141，将预处理后的所述髋部MRI图像样本集分为训练集、验证集、测试集；S142，对所述训练集进行图像处理，以使所述训练集的图像数量扩增，所述图像处理包括调节对比度、图像旋转和镜面反转中的至少一种；S143，基于图像处理后的所述训练集和所述验证集对卷积神经网络进行训练、验证，得到髋部智能分割模型，并采用所述测试集对所述识别模型进行测试评估效果。4.根据权利要求1所述的基于人工智能的股骨头坏死分期分析方法，其特征在于：所述S2中生成所述可视化类激活图的方法为：对股骨头坏死MRI图像中股骨头坏死病变信...

【专利技术属性】
技术研发人员：秦彦国，沈先月，唐雄风，肖建林，郭德明，陈博，何猛，
申请(专利权)人：吉林大学，
类型：发明
国别省市：