一种髋关节X光影像质控决策方法和系统技术方案

本发明专利技术公开了一种髋关节X光影像质控决策方法和系统。本发明专利技术通过获取髋关节X光影像，基于DenseNet图像分类模型，判断目标影像中HIP影像是否存在非医源异物；基于HRNET的关键点检测模型，判断目标影像中髂骨上缘是否存在，以及目标影像中股骨是否暴漏完全，若任一判断结果为否，则髋关节X光影像质量不合格，则判断目标影像中耻骨联合线和脊柱中心线是否发生偏移；基于U

【技术实现步骤摘要】
一种髋关节X光影像质控决策方法和系统


[0001]本申请涉及髋关节X光影像质控决策
，特别是涉及一种髋关节X光影像质控决策方法和系统。

技术介绍

[0002]随着科技医疗的发展，寻找一种准确的髋关节术前规划方法是临床未来发展的主要目标，所以根据髋关节X光影像设计术前规划，具有重要的临床价值和实际意义，因此髋关节X光影像质量直接影响髋关节术前规划的准确性。此外不同设备和不同医师也会带来髋关节影像质量的差异，因此，自动准确判断髋关节X光影像质量具有重要意义。
[0003]目前，髋关节影像质量控制主要以医师主观判断为主，虽然影像质量判断无明显差别，但是对于髋关节诊疗仍然存在一定偏差，同时，基于医师主观判断效率较差，同时也存在一定的误判。随着深度学习的发展，一些深度学习分类模型用于髋关节影像质量判断，现有的深度学习分类模型用于髋关节影像质量判断方法是通过提取高维度特征，实现质量判断，由于数据质量差别微小，深度模型无法自动提取和利用更复杂以及更具辨别力的特征，同时基于深度学习的质控模型缺乏可量化的推理和可解释性。

技术实现思路

[0004]基于此，针对上述技术问题，提供一种髋关节X光影像质控决策方法和系统以解决现有深度模型无法自动提取和利用更复杂以及更具辨别力的特征，同时现有深度学习的质控模型缺乏可量化的推理和可解释性的问题。
[0005]第一方面，一种髋关节X光影像质控决策方法，所述方法包括：
[0006]获取髋关节X光影像，并增强所述髋关节X光影像对比度，生成目标影像；
>[0007]基于DenseNet图像分类模型，判断所述目标影像是否存在非医源异物，若存在，则所述髋关节X光影像质量不合格，若不存在，则进行下一步判断；
[0008]基于HRNET的关键点检测模型，判断所述目标影像中髂骨上缘是否存在，以及所述目标影像中股骨是否暴漏完全，若任一判断结果为否，则所述髋关节X光影像质量不合格；若都为是，则判断所述目标影像中耻骨联合线和脊柱中心线是否发生偏移；若所述耻骨联合线和脊柱中心线角度大于5
°
，则所述髋关节X光影像质量不合格，若所述耻骨联合线和脊柱中心线角度小于5
°
，则进行下一步判断；
[0009]基于U
‑
NET的闭孔分割模型，计算所述目标影像中左右闭孔面积的差值是否大于所述左右闭孔面积中任一闭孔面积的10％，若是，则所述髋关节X光影像质量不合格，若否，则所述髋关节X光影像质量合格。
[0010]上述方案中，可选地，所述增强所述髋关节X光影像对比度，生成目标影像，包括：
[0011]将所述髋关节X光影像的dicom原始图按预设的窗宽窗位以及参数设置为2048和4096进行调整，并转换成图片格式，获得所述髋关节X光影像的jpg图片；
[0012]增强所述髋关节X光影像的jpg图片对比度，使用Gamma校正，提高所述髋关节X光
影像感兴趣区域的对比度，并压缩背景区域，生成目标影像。
[0013]上述方案中，进一步可选地，所述基于DenseNet图像分类模型，判断所述目标影像是否存在非医源异物之前，预先对所述DenseNet图像分类模型的Softmax损失函数进行优化，在计算Loss时，对不同类别的Label乘以不同的权重w，使Loss函数取得最小值，则：
[0014]Loss＝
‑
w
k
*logp
k
[0015]其中，k为样本Lable，p
k
为样本属于k的概率。
[0016]上述方案中，进一步可选地，所述判断所述目标影像是否存在非医源异物包括：
[0017]根据所述于DenseNet图像分类模型，获取所述目标影像中概率最大的类别，若所述概率最大的类别概率为1，则认为存在非医源异物，若所述概率最大的类别概率不为1，则认为所述目标影像不存在非医源异物。
[0018]上述方案中，进一步可选地，所述HRNET的关键点检测模型训练具体为：设置模型关键点数量8个，所述关键点包括股骨头左右小转子、耻骨联合线上两点、左右髂骨上缘和脊柱轴线两点；
[0019]在所述HRNET的关键点检测模型设计过程中，添加点与点之间的边缘信息，对于边缘特征可表示为
[0020]其中，v
i
是128维的特征向量，随机初始化关键点检测模型的参数，最终设计关键点检测的损失函数：
[0021]L＝L
keypoints
+λ*L
edges
[0022]其中,所述损失函数包括两部分，一部分是对关键点的损失，另一部分是所述点与点之间的边缘信息的损失。
[0023]上述方案中，进一步可选地，所述判断所述目标影像中髂骨上缘是否存在，包括：若所述目标影像关键点纵坐标为0或者负数，则认为所述目标影像髂骨上缘不存在，反之，则认为所述目标影像髂骨上缘存在；
[0024]所述目标影像中股骨是否暴漏完全，包括：根据所述目标影像关键点坐标判断股骨头小转子坐标与影像底部区域距离，根据pixel spacing计算真实距离，如果股骨长度小于预设距离，则认为所述目标影像中股骨没有正常暴漏，反之，则认为所述目标影像中股骨正常暴漏；
[0025]判断所述目标影像中耻骨联合线和脊柱中心线是否发生偏移，具体为：通过computer_angle计算所述目标影像中耻骨联合线和脊柱中心线的角度，若所述耻骨联合线和脊柱中心线角度大于5
°
，则所述髋关节X光影像质量不合格，若所述耻骨联合线和脊柱中心线角度小于5
°
，则进行下一步判断。
[0026]上述方案中，进一步可选地，所述基于U
‑
NET的闭孔分割模型，计算所述目标影像中左右闭孔面积的差值是否大于所述左右闭孔面积中任一闭孔面积的10％，包括：
[0027]预先训练所述U
‑
NET的闭孔分割模型包括：基于U
‑
NET网络进行分割，激活函数为Leaky_Relu，通过instance_normalization方法进行正则化，在训练过程中，采用Adam优化器，所述训练U
‑
NET的闭孔分割模型学习率调整策略为计算训练集和验证集的指数移动平均损失，完成模型训练；
[0028]采用所述U
‑
NET的闭孔分割模型对所述目标影像进行分割，获得所述目标影像左
右闭孔分割结果；
[0029]基于所述目标影像左右闭孔分割结果，通过computer_areas计算所述目标影像左右闭孔面积，根据所述目标影像左右闭孔面积，判断影像质量是否合格。
[0030]第二方面，一种髋关节X光影像质控决策系统，所述系统包括：
[0031]获取模块：用于获取髋关节X光影像，并增强所述髋关节X光影像对比度，生成目标影像；
[0032]第一判断模块：用于基于DenseNet图像分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种髋关节X光影像质控决策方法，其特征在于，所述方法包括：获取髋关节X光影像，并增强所述髋关节X光影像对比度，生成目标影像；基于DenseNet图像分类模型，判断所述目标影像是否存在非医源异物，若存在，则所述髋关节X光影像质量不合格，若不存在，则进行下一步判断；基于HRNET的关键点检测模型，判断所述目标影像中髂骨上缘是否存在，以及所述目标影像中股骨是否暴漏完全，若任一判断结果为否，则所述髋关节X光影像质量不合格；若都为是，则判断所述目标影像中耻骨联合线和脊柱中心线是否发生偏移；若所述耻骨联合线和脊柱中心线角度大于5
°
，则所述髋关节X光影像质量不合格，若所述耻骨联合线和脊柱中心线角度小于5
°
，则进行下一步判断；基于U
‑
NET的闭孔分割模型，计算所述目标影像中左右闭孔面积的差值是否大于所述左右闭孔面积中任一闭孔面积的10％，若是，则所述髋关节X光影像质量不合格，若否，则所述髋关节X光影像质量合格。2.根据权利要求1所述的方法，其特征在于，所述增强所述髋关节X光影像对比度，生成目标影像，包括：将所述髋关节X光影像的dicom原始图按预设的窗宽窗位以及参数设置为2048和4096进行调整，并转换成图片格式，获得所述髋关节X光影像的jpg图片；增强所述髋关节X光影像的jpg图片对比度，使用Gamma校正，提高所述髋关节X光影像感兴趣区域的对比度，并压缩背景区域，生成目标影像。3.根据权利要求2所述的方法，其特征在于，所述基于DenseNet图像分类模型，判断所述目标影像是否存在非医源异物之前，预先对所述DenseNet图像分类模型的Softmax损失函数进行优化，在计算Loss时，对不同类别的Label乘以不同的权重w，使Loss函数取得最小值，则：Loss＝
‑
w
k
*logp
k
其中，k为样本Lable，p
k
为样本属于k的概率。4.根据权利要求3所述的方法，其特征在于，所述判断所述目标影像是否存在非医源异物包括：根据所述于DenseNet图像分类模型，获取所述目标影像中概率最大的类别，若所述概率最大的类别概率为1，则认为存在非医源异物，若所述概率最大的类别概率不为1，则认为所述目标影像不存在非医源异物。5.根据权利要求1所述的方法，其特征在于，所述HRNET的关键点检测模型训练具体为：设置模型关键点数量8个，所述关键点包括股骨头左右小转子、耻骨联合线上两点、左右髂骨上缘和脊柱轴线两点；在所述HRNET的关键点检测模型设计过程中，添加点与点之间的边缘信息，对于边缘特征可表示为其中，v
i
是128维的特征向量，随机初始化关键点检测模型的参数，最终设计关键点检测的损失函数：L＝L
keypoints
+λ*L
edges
其中,所述损失函数包括两部分，一部分是对关键点的损失，另一部分是所述点与点之
间的边缘信息的损失。6.根据权利要求5所述的方法，其特征在于，所述判断所述目标影像中髂骨上缘是否存在，包括：若所述目标影像关键点纵坐标为0或者负数，则认为所述...

【专利技术属性】
技术研发人员：穆琳，怀晓晨，穆红章，
申请(专利权)人：瓴域影诺北京科技有限公司，
类型：发明
国别省市：