[發(fā)明專利]一種膝關(guān)節(jié)軟骨損傷檢測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110645160.1
• 申請日: 2021-06-09
• 公開（公告）號: CN113392895A
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計）人: 懷曉晨;穆紅章
• 申請（專利權(quán)）人: 瓴域影諾（北京）科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/32;G06T7/00;G06N3/08
• 代理公司: 北京知呱呱知識產(chǎn)權(quán)代理有限公司 11577
• 代理人: 陳晨

本申請實施例公開了一種膝關(guān)節(jié)軟骨損傷檢測方法和系統(tǒng)，所述方法包括：獲取膝關(guān)節(jié)MRI影像信息，并對所述影像信息進(jìn)行預(yù)處理；針對預(yù)處理后的影像信息進(jìn)行軟骨損傷區(qū)域逐層提取，得到膝關(guān)節(jié)軟骨三維體積區(qū)域；逐層提取軟骨損傷感興趣區(qū)域，得到軟骨損傷三維區(qū)域；提取三維感興趣區(qū)域特征，采用神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練分類器網(wǎng)絡(luò)，確定最優(yōu)模型；將所述膝關(guān)節(jié)MRI影像信息輸入所述最優(yōu)模型，進(jìn)行軟骨損傷檢測，確定軟骨損傷程度。魯棒性好、快速便捷，適于輔助醫(yī)生診斷。

技術(shù)領(lǐng)域

本申請實施例涉及醫(yī)療檢測技術(shù)領(lǐng)域，具體涉及一種膝關(guān)節(jié)軟骨損傷檢測方法和系統(tǒng)。

背景技術(shù)

骨關(guān)節(jié)炎(osteoarthritis，OA)作為一種常見慢性、進(jìn)行性、高致殘性關(guān)節(jié)退行性疾病。膝關(guān)節(jié)軟骨損傷診斷為臨床提供重要的參考意義。MRI作為一種多參數(shù)影像學(xué)檢查方法，可在膝關(guān)節(jié)軟骨發(fā)生病理形態(tài)學(xué)改變之前及時發(fā)現(xiàn)其基質(zhì)成分變化，從而對膝關(guān)節(jié)的軟骨損傷程度進(jìn)行早期診斷。隨著計算機(jī)軟件的不斷開發(fā)研究，以及各種高信噪比、高分辨率磁共振序列的使用，越來越多的圖像算法應(yīng)用到膝關(guān)節(jié)的軟骨自動檢測中，逐漸形成了一種基于MRI的非侵入、無輻射的膝關(guān)節(jié)軟骨損傷自動檢測的方法。在OA疾病病程監(jiān)測和療效評估中具有重要的臨床價值。

膝關(guān)節(jié)軟骨分級復(fù)雜，無法準(zhǔn)確評估其嚴(yán)重程度，尤其在患病早期更是難以識別，因此提出了DenseNet檢測軟骨損傷方法，以在輔助診斷過程中為醫(yī)生提供參考決策。通過標(biāo)記好的軟骨區(qū)域，使用DenseNet方法判斷軟骨患病情況，實現(xiàn)了膝關(guān)節(jié)自動軟骨損傷檢測。

但傳統(tǒng)算法需要調(diào)整不同的閾值去適應(yīng)多變的場景，提取的效果也很難保證，且需要大量人工設(shè)置的方法相比。

發(fā)明內(nèi)容

為此，本申請實施例提供一種膝關(guān)節(jié)軟骨損傷檢測方法和系統(tǒng)，魯棒性好、快速便捷，適于輔助醫(yī)生診斷。

為了實現(xiàn)上述目的，本申請實施例提供如下技術(shù)方案：

根據(jù)本申請實施例的第一方面，提供了一種膝關(guān)節(jié)軟骨損傷檢測方法，所述方法包括：

獲取膝關(guān)節(jié)MRI影像信息，并對所述影像信息進(jìn)行預(yù)處理；

針對預(yù)處理后的影像信息進(jìn)行軟骨損傷區(qū)域逐層提取，得到膝關(guān)節(jié)軟骨三維體積區(qū)域；

逐層提取軟骨損傷感興趣區(qū)域，得到軟骨損傷三維區(qū)域；

提取三維感興趣區(qū)域特征，采用神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練分類器網(wǎng)絡(luò)，確定最優(yōu)模型；

將所述膝關(guān)節(jié)MRI影像信息輸入所述最優(yōu)模型，進(jìn)行軟骨損傷檢測，確定軟骨損傷程度。

可選地，所述逐層提取軟骨損傷感興趣區(qū)域，得到軟骨損傷三維區(qū)域，包括：

標(biāo)注感興趣區(qū)域ROI；使用線性插值重新縮放所有感興趣區(qū)域ROI，標(biāo)注中間尺寸為統(tǒng)一大小，并將患病軟骨區(qū)域進(jìn)行類別標(biāo)記，所述類別標(biāo)記包括健康、半損傷、完全損傷；按照設(shè)定比例分為訓(xùn)練集、驗證集和測試集。

可選地，所述提取三維感興趣區(qū)域特征，采用神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練分類器網(wǎng)絡(luò)，確定最優(yōu)模型，包括：

采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練感興趣區(qū)域網(wǎng)絡(luò)，回歸模擬感興趣區(qū)域大小，得到最終標(biāo)記感興趣區(qū)域；采用神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練分類器網(wǎng)絡(luò)，采用DenseNet結(jié)構(gòu)，建立不同層之間的連接關(guān)系，生成候選模型；不同層包括Bottleneck layer，Translation layer以及growth rate；通過若干次次迭代訓(xùn)練，基于loss收斂情況，確定最優(yōu)模型。

可選地，所述感興趣區(qū)域網(wǎng)絡(luò)和分類器網(wǎng)絡(luò)的原始損失函數(shù)的計算步驟包括：

按照如下公式計算softmax的歸一化概率p_i：