[發明專利]基于深度學習的腰椎X射線圖像分類方法

在審

• 申請號: 202010816186.3
• 申請日: 2020-08-14
• 公開（公告）號: CN111950636A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 張水興;張斌;陳露燕
• 申請（專利權）人: 暨南大學附屬第一醫院（廣州華僑醫院）
• 主分類號: G06K9/62
• 分類號: G06K9/62;A61B6/00;G06N3/04;G06N3/08
• 代理公司: 深圳至誠化育知識產權代理事務所(普通合伙) 44728
• 代理人: 劉英

1.一種基于深度學習的腰椎X射線圖像分類方法，其特征在于，包括：

獲取腰椎X射線圖像，并進行圖像篩選，篩選完成后進行圖像預處理，處理完成后的腰椎X射線圖像作為訓練集和測試集，對腰椎X射線集圖像進行分類，分為正常圖像、骨質減少圖像及骨質疏松圖像；

構建DCNN神經網絡模型，將作為訓練集的腰椎X射線圖像輸入DCNN神經網絡模型進行參數調整，至輸出的結果為準確分類結果為止，訓練完成后將作為測試集的腰椎X射線圖像輸入DCNN神經網絡模型，驗證DCNN神經網絡模型的準確性；

將實時獲取的患者腰椎X射線圖像輸入至訓練好的DCNN神經網絡模型，輸出結果即為分類結果。

2.根據權利要求1所述的基于深度學習的腰椎X射線圖像分類方法，其特征在于，在圖像篩選的步驟中，篩選評判標準為：

(1)絕經后女性≥50歲，絕經年齡被醫療記錄或患者的自我報告所證實；

(2)曾經在3個月內經歷過腰椎X線和DXA檢查的女性，在此期間間隔期間，患者未接受任何會影響BMD的治療；

(3)腰椎X射線圖像包括前后圖像，至少包括第一腰椎-第四腰椎(L1-L4)。

3.根據權利要求1所述的基于深度學習的腰椎X射線圖像分類方法，其特征在于，在圖像篩選的步驟中，篩選排除標準為：

(1)曾接接受過腰椎(L1-L4)手術的患者，例如內固定術和骨術水泥填充；

(2)腰椎(L1-L4)呈現病變，包括腫瘤、炎性疾病或嚴重的脊柱側彎或畸形；

(3)感興趣區域(ROI)無法映射到原始圖像；

(4)信噪比低的圖像。

4.根據權利要求1所述的基于深度學習的腰椎X射線圖像分類方法，其特征在于，圖像預處理的步驟包括：

對腰椎X射線圖像劃定感興趣區域；

灰度標準化，包括窗口寬度，窗口級別和像素歸一化；

將每一腰椎X射線圖像的感興趣區域調整為128×128，并平均分為四個具有至少50％有效面積的圖像。

5.根據權利要求4所述的基于深度學習的腰椎X射線圖像分類方法，其特征在于，預處理通過以下方式進行：

ct′_i＝min(ct_i，window_level+window_width) (3)

ct′_i＝max(ct_i，window_level-window_width) (4)

其中，N表示總像素值，i表示像素坐標，ct表示原始CT值，并且像素表示調整窗口寬度和窗口級別后的值。

6.根據權利要求4所述的基于深度學習的腰椎X射線圖像分類方法，其特征在于，DCNN神經網絡模型兩個通道，每個通道包括卷積層、池化層和密集層；每個通道的輸入為感興趣區域中64×64的圖像；五個卷積層對高度相關的紋理和邊緣信息并進行改進，池化層通過卷積運算從特征圖中提取特征；對于每個卷積層，使用非線性“ReLU”算子作為進行激活函數和批量歸一化以避免梯度消失和加速融合；在第3層之后使用了最大池化層卷積層，以保留可區分的特征并減少參數數量和獲得的冗余信息；最后將特征圖展平并使用具有一個神經元的致密層進行預測。

7.根據權利要求6所述的基于深度學習的腰椎X射線圖像分類方法，其特征在于，在將實時獲取的患者腰椎X射線圖像輸入至訓練好的DCNN神經網絡模型的步驟中，將所有神經元偏差都設置為零，并將所有權重初始化為隨機均勻分布范圍為-0.5至0.5；帶有學習的隨機梯度下降優化器使用0.0005的最大速率最小化分類交叉熵函數的損失；結果通過加權和求和來計算分類結果。