一种股骨转子间骨折自适应模态智能辅助诊疗方法及系统技术方案

本发明专利技术提供一种股骨转子间骨折自适应模态智能辅助诊疗方法及系统，本发明专利技术能够根据病人的骨折影像数据进行预处理，得到外侧壁值和模态模型，进而根据模态模型选择骨折线分型模型中对应的子模型进行分型，得到分型结果，最后再结合外侧壁值对分型结果进行矫正，确定目标分型结果

【技术实现步骤摘要】
一种股骨转子间骨折自适应模态智能辅助诊疗方法及系统


[0001]本专利技术涉及医学影像处理
，具体涉及一种股骨转子间骨折自适应模态智能辅助诊疗方法及系统
。

技术介绍

[0002]我国老龄化问题日益严峻，髋部骨折好发于老年群体，其中又以股骨转子间骨折占比最高占髋部骨折的
34
％～
46
％，且手术治疗复杂
、
难度大，不及时正确治疗可能会影响老年人的生活质量甚至威胁生命
。
临床上对股骨转子间骨折的手术方案选择可根据对骨折的分型来选择
。
目前临床医生对于股骨转子间骨折分型的标准主要参考
Evans
‑
Jensen
分型及
2018
版
AO/OTA
分型，
Evans
‑
Jensen
分型将股骨转子间骨折按有无移位
、
稳定性等分为5个亚型，
2018
版
AO/OTA
分型将股骨转子间骨折分为
31A1、31A2、31A3
三个亚型，
31A1、31A3
亚型可再细分为三个亚组，
31A2
亚型细分为两个亚组，共八种亚组分类，相较而言在分型方法上
2018
版
AO/OTA
分型更细化
。
[0003]此外，
2018
版
AO/OTA
分型，根据外侧壁完整度值作为衡量标准，进行第二步分类，更加强调了外侧壁的价值，即能否采用侧板系统的动力螺钉
(dynamic hip screw,DHS)
进行固定，而弱化了小转子骨块的作用
。
将残留外侧壁的厚度作为区分
31A1
型与
31A2
型骨折的标准，厚度
>20.5mm
为
31A1
型骨折，厚度
≤20.5mm
为
31A2
型骨折
。
因此除了根据影像学习骨折线进行骨折类型分类识别，有一些先验值也影响分型结果进而采用的治疗方案也不同
。
[0004]2018
版
AO/OTA
分型股骨转子间骨折分类具体表示：
[0005]31A1
型：简单的股骨转子间骨折，细分为
31A1.1
型
、31A1.2
型
、31A1.3
型
。
其中，
31A1.1
型：单纯的大转子骨折或小转子骨折
。31A1.2
型：骨折线经转子间线，两部分骨折
。31A1.3
型：骨折线经转子间线，小转子骨折，外侧壁完整
(
厚度
>20.5mm)。
[0006]31A2
型：经转子间线的粉碎性骨折，内侧及后方骨皮质在数个平面上破裂，外侧壁薄
(
厚度
20.5mm)
，又细分为
31A2.2
型
、31A2.3
型
。
其中，
31A2.2
型：有一个中间骨折块
。31A2.3
型：有两个以上中间骨折块
。
[0007]31A3
型：反转子间骨折，骨折线经过外侧骨皮质，又细分为
31A3.1
型
、31A3.2
型
、31A3.3
型
。31A3.1
型：简单的斜行骨折
。31A3.2
型：简单的横行骨折
。31A3.3
型：粉碎性骨折
。
[0008]如图1所示，展示了外侧壁厚度测量示意图，外侧壁厚度的测量方法是在前后位
X
线片上，从大转子无名结节向下
3cm
的一点，以
135
°
向骨折线做连线，该连线的距离
(d)
即为外侧壁的厚度
。
[0009]对于不稳定的股骨转子部骨折，单凭
X
线平片通常难以完整地评价股骨转子部骨折区域的骨折线情况，尤其难以判断转子部后方区域的骨折粉碎程度
。
骨折稳定性的判断对于选择合适的内固定方法至关重要
。
研究表明，对于不稳定性骨折应用合适的内固定方法治疗，可以大大降低内固定失败的发生率
。
因此，采用一种可靠且可重复性高的方法评价股骨转子间骨折的稳定性是非常重要的
。
影响骨折稳定性的两个重要因素是后内侧壁的支
撑和外侧壁的完整性
。
但是，由于
X
线检查的局限性，为了解和判断内侧壁骨折块以及外侧壁骨折的形态及粉碎程度需要进行
CT
检查，对骨折部位进行薄层扫描，还可以根据需要实现多个平面的重建，能够更加详细地判断骨折的程度
。
对于一些复杂的骨折类型
(AO/OTA 31A3
型
)
，
CT
能够更好地对骨折进行分类，从而制订合适的手术方案，减少内固定失败的发生率
。
[0010]基于上述背景可知，准确判断股骨转子间骨折的骨折类型是医生决定骨折治疗方案的重要依据
。
因此，有必要提供一种根据病人的不同模态检查数据准确判断骨折类型，从而及时有效的辅助经验较浅的临床骨科医生及时决策的辅助诊疗方法和系统
。

技术实现思路

[0011]针对现有技术存在的不足，本专利技术提出一种股骨转子间骨折自适应模态智能辅助诊疗方法及系统，以解决现有技术中存在的有必要提供一种根据病人的不同模态检查数据准确判断骨折类型，从而及时有效的辅助经验较浅的临床骨科医生及时决策的辅助诊疗方案的技术问题
。
[0012]一种股骨转子间骨折自适应模态智能辅助诊疗方法，包括：对获取的骨折影像数据进行预处理，得到外侧壁值和模态模型；根据所述模态模型，选择骨折线分型模型中对应的子模型进行分型，得到分型结果；根据所述外侧壁值和所述分型结果，确定目标分型结果
。
[0013]在其中一个实施例中，所述对获取的骨折影像数据进行预处理，得到外侧壁值和模态模型步骤，包括：对获取的骨折影像数据进行特征提取处理，得到外侧壁值；对获取的骨折影像数据进行影像模态分型识别，得到模态模型
。
[0014]在其中一个实施例中，所述对获取的骨折影像数据进行特征提取处理，得到外侧壁值步骤，包括：对所述骨折影像数据进行灰度化处理，提取边缘轮廓特征；采用特征匹配识别股骨外侧壁，并计算外侧壁值
。
[0015]在其中一个实施例中，所述骨折线分型模型包括多个分型深度学习子模型，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种股骨转子间骨折自适应模态智能辅助诊疗方法，其特征在于，包括：对获取的骨折影像数据进行预处理，得到外侧壁值和模态模型；根据所述模态模型，选择骨折线分型模型中对应的子模型进行分型，得到分型结果；根据所述外侧壁值和所述分型结果，确定目标分型结果
。2.
根据权利要求1所述的方法，其特征在于，所述对获取的骨折影像数据进行预处理，得到外侧壁值和模态模型步骤，包括：对获取的骨折影像数据进行特征提取处理，得到外侧壁值；对获取的骨折影像数据进行影像模态分型识别，得到模态模型
。3.
根据权利要求2所述的方法，其特征在于，所述对获取的骨折影像数据进行特征提取处理，得到外侧壁值步骤，包括：对所述骨折影像数据进行灰度化处理，提取边缘轮廓特征；采用特征匹配识别股骨外侧壁，并计算外侧壁值
。4.
根据权利要求1所述的方法，其特征在于，所述骨折线分型模型包括多个分型深度学习子模型，所述子模型根据骨折影像数据类型进行区分
。5.
根据权利要求4所述的方法，其特征在于，所述模态模型中包括一种或多种骨折数据类型，故单个模态模型对应一个或多个所述子模型
。6.
根据权利要求5所述的方法，其特征在于，根据所述模态模型，选择骨折线分型模型中对应的子模型进行分型，得到分型结果步骤，包括：根据所述模态模型，选择骨折线分型模型中对应的一个或多个子模型；将所述骨折影像数据分类型输入对应的子模型，通过卷积神经网络进行特征提取；各对应子模型分别输出模态模型的特征，所述特征包括模态共有特征和模态特有特征；将所述模态共有特征和所述模态特有特征进行向量叠加，完成特征融合；根据融合后的特征得到分型结果
。7.
根据权利要求1所述的方法，其特征在于，根据所述外侧壁值和所述分型结果，确定目标分型结果步骤，包括：当所述分型结果为
31A1.1
型和
31A1.2
型中的一种时，则所述目标分型结果等于所述分型结果；当所述分型结果为
31A1.3
型
、31A2.2
型
、31A2.3
型中的一种时，则根据所述外侧壁值确定所述目标分型结果；当所述分型结果为
31A3<...

【专利技术属性】
技术研发人员：聂瑞，张和华，段傲文，刘学思，
申请(专利权)人：中国人民解放军陆军特色医学中心，
类型：发明
国别省市：