【技术实现步骤摘要】
本专利技术涉及脊柱变形识别，尤其涉及基于图像识别的脊柱变形的识别方法及系统。
技术介绍
1、脊柱变形疾病，如脊柱侧弯、前凸、后凸等，是常见的骨科疾病，尤其在青少年和老年人群中发病率较高，脊柱的变形不仅会影响患者的生活质量，还可能导致严重的呼吸、心血管等并发症，为了早期发现和干预脊柱变形，医学图像技术如x光、mri和ct等已被广泛应用于脊柱形态的检测与分析，通过这些成像技术，医生能够观察脊柱的形态变化，评估病情并制定相应的治疗方案。
2、尽管传统的医学成像设备为脊柱检测提供了大量的数据支持，但由于软组织的遮挡和图像噪声的干扰，获取到的脊柱图像常常不够清晰，难以准确反映脊柱的结构和细微变化，同时，现有的脊柱分析方法多为静态分析，无法动态捕捉脊柱随时间的形态变化趋势，容易错过早期的病变信号，此外，现有的系统在图像增强和精细分割方面效率不高，难以为医生提供全面、准确的诊断信息。
3、本专利技术旨在提供一种基于图像识别的脊柱变形识别方法及系统，为医生提供更加精确、个性化的诊断信息，提升脊柱变形检测的准确性和临床应用的效率。
技术实现思路
1、本专利技术提供了基于图像识别的脊柱变形的识别方法及系统。
2、基于图像识别的脊柱变形的识别方法，包括以下步骤：
3、s1，数据采集与预处理：使用医学成像设备获取患者脊柱的多视角、多时间点的脊柱图像数据，并对采集的图像数据进行预处理，包括去噪处理和图像增强；
4、s2，软组织遮挡校正：基于预处理后
5、s21，软组织区域识别：基于预处理后的脊柱图像，使用卷积神经网络(cnn)模型自动识别图像中的软组织区域；
6、s22，软组织分割与定位：在识别出软组织区域后，通过图像分割算法进行分割和定位操作，将软组织与脊柱骨骼进行分离，并明确软组织的位置及其对脊柱图像的遮挡范围；
7、s23，图像校正与骨骼增强：对遮挡的区域进行图像校正，同时应用图像增强技术，增强脊柱骨骼的轮廓和结构的显示；
8、s3，脊柱动态变化预测：对经过软组织遮挡校正后的脊柱图像数据进行动态变化预测，捕捉脊柱随时间变化的微小形态变化，提前识别变形趋势；
9、s4，变形判断与结果输出：基于校正后的脊柱图像数据和脊柱动态变化的预测结果，判断脊柱的变形情况及其变形类型和严重程度，并生成包含脊柱变形情况及未来变化预测的可视化报告，报告包括3d脊柱模型和变形标注。
10、可选的，所述s1中的数据采集与预处理包括：
11、s11，数据采集：基于医学成像设备(如x光、mri、ct等)，获取患者脊柱的多视角、多时间点的脊柱图像数据；
12、s12，数据去噪：采用非局部均值(nlm)去噪算法对采集的脊柱图像数据进行去噪处理；
13、s13，图像增强：采用自适应直方图均衡化(clahe)算法，通过局部对比度增强，增强脊柱图像的亮度和细节。
14、可选的，所述s21中的卷积神经网络(cnn)模型包括：
15、s211，输入层：在输入层，接收经过预处理的脊柱图像数据，将其调整为固定大小(224×224像素)，并对调整后的脊柱图像数据进行标准化处理；
16、s212，卷积层：在卷积层中，采用深度可分离卷积的方式进行特征提取，包括深度卷积和逐点卷积，在每个通道上独立执行卷积操作，并通过逐点卷积(1×1卷积)整合多个通道的特征；
17、s213，批量归一化层：在每个卷积层后，添加批量归一化层；
18、s214，激活函数：使用swish激活函数作为激活函数，以增强模型的非线性特征提取能力；
19、s215，池化层：使用混合池化层，结合最大池化和平均池化，在提取局部特征的同时，保留整体信息；
20、s216，注意力机制：引入通道注意力机制，通过计算每个通道的全局平均池化和最大池化结果，生成每个通道的重要性权重；
21、s217，输出层：通过全连接层和softmax激活函数，将卷积网络提取到的特征映射到输出类别空间，softmax函数将输出值转换为概率分布，用于预测脊柱图像中软组织和其他相关区域的分类。
22、可选的，所述s22中的软组织分割与定位包括：
23、s221，输入层：输入经过软组织识别后的脊柱图像数据，包括已标注的软组织区域，输入图像经过标准化处理，大小为固定尺寸(512×512像素)；
24、s222，编码器(下采样部分)：采用u-net的编码器通过多层卷积和池化操作提取软组织和脊柱的高层次特征；
25、s223，解码器(上采样部分)：解码器通过上采样逐渐恢复图像的空间分辨率；
26、s224，跳跃连接：使用跳跃连接将编码器的高层次特征与解码器结合；
27、s225：分割输出：通过softmax层生成每个像素属于软组织或脊柱骨骼的概率图，分割结果将标注出图像中每个像素的类别(软组织或骨骼)。
28、可选的，所述s23中的图像校正与骨骼增强包括：
29、s231，图像校正：使用基于梯度增强的图像修正算法，对输入的脊柱图像数据进行区域识别，检测被软组织遮挡的脊柱骨骼区域，并对被软组织遮挡的脊柱骨骼区域的梯度信息进行增强；
30、s232，骨骼增强：应用高频增强滤波器对脊柱骨骼区域进行图像增强，通过拉普拉斯算子对脊柱图像数据的高频部分(如边缘)进行提取。
31、可选的，所述s3中的脊柱动态变化预测包括：
32、s31，时序特征提取：对校正后的脊柱图像数据进行时间序列分析，通过对不同时刻的脊柱形态数据进行特征提取，捕捉脊柱的时序特征；
33、s32，动态变化趋势预测：使用脊柱的时序特征进行动态变化趋势预测，预测未来脊柱的形态变化趋势。
34、可选的，所述s31中的时序特征提取包括：
35、s311，图像序列输入：对于每个时刻t的校正后脊柱图像ispine(t)，将其输入到时序卷积神经网络(tcn)中，提取时刻t的脊柱形态特征；
36、s312，时序特征整合：时序卷积神经网络(tcn)通过多个卷积层逐步提取时序特征并整合不同时刻的特征信息，捕捉脊柱形态的动态变化。
37、可选的，所述s32中的动态变化趋势预测包括：
38、s321，时序输入与递归处理：通过递归神经网络(rnn)对历史时序特征进行递归处理，通过记忆不同时刻的脊柱形态特征，预测未来脊柱形态的变化；
39、s322，动态变化趋势预测：递归神经网络(rnn)根据隐藏状态和当前输入，预测未来n时刻脊柱的形态变化。
40、可选的，所述s4中的变形判断与结果输出包括：
41、s41，变形判断与分析：根据校正后的脊柱图像数据和脊柱动态变化预测的结果，利用形本文档来自技高网...
【技术保护点】
1.基于图像识别的脊柱变形的识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S1中的数据采集与预处理包括：
3.根据权利要求1所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S21中的卷积神经网络模型包括：
4.根据权利要求3所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S22中的软组织分割与定位包括：
5.根据权利要求4所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S23中的图像校正与骨骼增强包括：
6.根据权利要求1所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S3中的脊柱动态变化预测包括：
7.根据权利要求6所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S31中的时序特征提取包括：
8.根据权利要求7所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S32中的动态变化趋势预测包括：
9.根据权利要求8所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述S4中的
10.基于图像识别的脊柱变形的识别系统，用于实现如权利要求1-9任一项所述的基于图像识别的脊柱变形的识别方法，其特征在于，包括以下模块：
...【技术特征摘要】
1.基于图像识别的脊柱变形的识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述s1中的数据采集与预处理包括：
3.根据权利要求1所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述s21中的卷积神经网络模型包括：
4.根据权利要求3所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述s22中的软组织分割与定位包括：
5.根据权利要求4所述的基于图像识别的脊柱变形的识别方法，其特征在于，所述s23中的图像校正与骨骼增强包括：
6.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：曹盛楠，刘凡杰，师彬，于功昌，
申请(专利权)人：山东第一医科大学山东省医学科学院，
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。