[發明專利]一種針對骶髂關節CT圖像的分類評級方法及裝置

有效

• 申請號: 202111206856.0
• 申請日: 2021-10-18
• 公開（公告）號: CN113657558B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 鄧文浩;劉蕾;林昂;李府天;張南鋒;朱玉龍
• 申請（專利權）人: 廣東航宇衛星科技有限公司;汕頭大學醫學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;顏希文

本發明公開了一種針對骶髂關節CT圖像的分類評級方法及裝置，該方法將骶髂關節CT圖像輸入3D?UNet神經網絡進行分割處理后與原圖像相乘，得到混合圖像及所述混合圖像的感興趣區域；計算所述混合圖像的感興趣區域的分布區間，根據所述分布區間確定所述混合圖像裁剪時的三維坐標范圍，并根據所述三維坐標范圍將所述混合圖像自動裁剪為左骶髂關節圖像和右骶髂關節圖像；將所述左骶髂關節圖像和右骶髂關節圖像進行預處理后，輸入至混合神經網絡得到所述骶髂關節CT圖像的分類評級結果；所述混合神經網絡包括兩個以上神經網絡。本發明技術方案提高了對骶髂關節CT圖像分類評級的準確率和精度。

技術領域

本發明涉及深度學習技術領域，尤其涉及一種針對骶髂關節CT圖像的分類評級方法及裝置。

背景技術

強直性脊柱炎(AS)是一種脊椎關節長期炎癥的關節炎。強直性脊柱炎的病理性標志和早期表現之一為骶髂關節炎。強直性脊柱炎現階段并沒有治愈的辦法，因此及時通過骶髂關節的病變及時診斷出病變，進而可以早期進行預防性治療是非常重要的。傳統基于CT影像進行AS骶髂關節CT評級分為5個級別，分別是0級、1級、2級、3級和4級，如圖1所示。

現有技術中包括基于機器學習的評級方法和基于深度學習的評級方法，例如基于機器學習的評級方法中，使用骶髂關節的CT影像來對AS進行評級，先用圖割算法對骶髂關節感興趣部位進行分割，分別提取出包含骶骨和髂骨皮質表面的數據塊。并將感興趣數據塊裁剪成21* 21的二維小塊，使用支撐向量機Support Vector Machine (SVM)對小塊進行分類評級。此種評級方法的準確率僅在72.25%，分類精度較低；

在基于深度學習的評級方法中，結合了機器學習和深度學習理論，分為三個階段按成。首先，該方法使用3D-Unet網絡完成對初步感興趣分割。其次，將分割得到的感興趣區域分成一張張二維圖像并分別標記標簽，使用卷積神經網絡CNN對圖像分類進行訓練。最后使用隨機森林算法對一組圖像得到的對應預測值進行評估，得到最終的評級結果。此種評級方法分別在二分類與三分類的指標下獲得91.9%和86%的準確度。高于人工的準確精度。

可見，傳統的評級方法都是基于二維圖像，而CT圖像本身就是一個三維的數據。如果強行將其拆分為二維圖像去分析，則會丟失一部分第三個維度的信息，進而導致評級的準確率不高。且都需要人工去裁剪出目標區域，相較于自動化的過程反而耗費更多人力。

發明內容

本發明提供一種針對骶髂關節CT圖像的分類評級方法及裝置，提高了對骶髂關節CT圖像分類評級的準確率和精度。

本發明一實施例提供一種針對骶髂關節CT圖像的分類評級方法，包括以下步驟：

將骶髂關節CT圖像輸入3D-UNet神經網絡進行分割處理后與原圖像相乘，得到混合圖像及所述混合圖像的感興趣區域；

計算所述混合圖像的感興趣區域的分布區間，根據所述分布區間確定所述混合圖像裁剪時的三維坐標范圍，并根據所述三維坐標范圍將所述混合圖像自動裁剪為左骶髂關節圖像和右骶髂關節圖像；

將所述左骶髂關節圖像和右骶髂關節圖像進行預處理后，輸入至混合神經網絡得到所述骶髂關節CT圖像的分類評級結果；所述混合神經網絡包括兩個以上神經網絡。

進一步的，所述混合神經網絡包括殘差神經網絡、附加特征提取網絡和雙通道融合結構；所述殘差神經網絡和附加特征提取網絡用于對輸入的左骶髂關節圖像和右骶髂關節圖像進行特征提取，所述雙通道融合結構用于將所述殘差神經網絡和附加特征提取網絡輸出的圖像進行融合。

進一步的，所述混合神經網絡在構建時進行了3D化處理。

進一步的，將所述左骶髂關節圖像和右骶髂關節圖像進行預處理后，輸入至混合神經網絡得到所述骶髂關節CT圖像的分類評級結果，具體為：