股骨头缺血坏死分期诊断系统和存储介质

摘要

本发明属于医学图像处理技术领域，具体涉及一种股骨头缺血坏死分期特征构建方法、诊断系统和存储介质。本发明的特征构建方法包括如下步骤：步骤1，输入X片图像数据，分割得到髋关节的区域；步骤2，从所述区域中分别同时提取高通量影像组学特征和深度学习特征；步骤3，将高通量影像组学特征和深度学习特征融合后，得到用于输入股骨头缺血坏死分期模型的混合特征数据集。本发明还进一步提供用于股骨头缺血坏死分期的诊断系统。本发明通过对特征的选择和模型种类的选择，能够有效提高股骨头缺血坏死分期结果的准确性，能够满足临床的应用需求，具有很好的应用前景。

权利要求

1.一种股骨头缺血坏死分期诊断系统，其特征在于，包括：髋关节X片获取和存储模块，用于获取和存储髋关节X片图像数据；

髋关节自动分割和混合特征提取模块，用于按照股骨头缺血坏死分期特征构建方法构建混合特征数据集；

股骨头缺血坏死分期诊断模块，用于学习所述混合特征数据集，实现股骨头缺血坏死分期的智能诊断；所述股骨头缺血坏死分期诊断模块集成有股骨头缺血坏死分期模型，所述股骨头缺血坏死分期模型基于Transformer神经网络算法构建；

所述股骨头缺血坏死分期特征构建方法包括如下步骤：

步骤1，输入X片图像数据，分割得到髋关节的区域；

步骤2，从所述区域中分别同时提取高通量影像组学特征和深度学习特征；

步骤3，将高通量影像组学特征和深度学习特征融合后，得到用于输入股骨头缺血坏死分期模型的混合特征数据集。

2.按照权利要求1所述的股骨头缺血坏死分期诊断系统，其特征在于：步骤1中，用于分割任务的模型是基于nnU‑Net网络，通过弱监督学习构建的。

3.按照权利要求1所述的股骨头缺血坏死分期诊断系统，其特征在于：步骤2中，提取高通量影像组学特征基于PyRadiomics工具实现。

4.按照权利要求1所述的股骨头缺血坏死分期诊断系统，其特征在于：步骤2中，提取深度学习特征基于ImageNet迁移学习的ResNet预训练模型实现。

5.按照权利要求1所述的股骨头缺血坏死分期诊断系统，其特征在于：步骤2中，所述高通量影像组学特征和深度学习特征分别为1000个。

6.一种计算机可读存储介质，其特征在于：其上存储有用于实现权利要求1‑5任一项所述的股骨头缺血坏死分期诊断系统的计算机程序。

说明书

股骨头缺血坏死分期诊断系统和存储介质

技术领域

[0001] 本发明属于医学图像处理技术领域，具体涉及一种股骨头缺血坏死分期诊断系统和存储介质。

背景技术

[0002] 股骨头缺血性坏死（avascular necrosis of the femoral head，FHN）是由于股骨头部分性或完全性缺血导致骨和骨髓细胞成分坏死。它是临床常见的骨关节病之一，具有较高的发病率，成人股骨头缺血性坏死诱因较多，发病率呈逐年上升趋势，并逐渐年轻化。而对该病早期诊断、早期治疗能有效预防或延缓疾病的进一步发展，改善髋关节的功能，提高患者的生活质量。目前影像学检查已成为诊断本病重要手段。虽然现在有X线片、CT和MRI等多种筛查和诊断方法，但在股骨头缺血坏死的早期，患者往往没有症状或症状较轻，影像学特征也没有太明显改变；同时，一些地区特别是基层地区医疗水平存在明显差异，往往缺少专业的骨科及影像科医师，仍会有大量患者被漏诊。若没有得到及时治疗，大多数患者会在发病后1‑2年内症状逐渐加重，最后造成股骨头塌陷，需要行髋关节置换治疗。因此，临床亟待需要一种便于使用的工具来实现股骨头缺血坏死早期分期诊断，防止漏诊。

[0003] 根据国际骨科诊断标准，Ficat分期和ARCO分期是股骨头坏死最常用的诊断指南，Ficat分期的使用约占到63%的比例。其中，X片、MRI是最常用的影像学评估工具，用于评估分期。

[0004] 目前较多的研究关注于MRI图像的股骨头缺血坏死分期，且较多依靠ARCO分期作为评估指南，单纯依靠X片的Ficat分期诊断研究技术相对较少。主要是因为X片本身没有MRI图像显像清晰，通常诊断敏感度较低，但是人工智能相关技术可以通过有效的训练来解决这些临床问题；同时，X片本身相比于MRI扫描价格低廉，若能实现精准的股骨头缺血坏死分期早期诊断，将降低患者的诊断成本，实现更多的临床增益。

[0005] 因此，设计出基于X片的股骨头缺血坏死分期智能诊断系统及方法对于临床早期诊断和早期治疗具有重要的意义。然而，由于X片图像清晰度不足，通过机器学习模型基于X片进行股骨头缺血坏死分期的诊断准确性仍然不够理想，难以满足临床的应用需求。

发明内容

[0006] 针对现有技术的问题，本发明提供一种用于股骨头缺血坏死分期的特征构建方法、诊断系统和存储介质，目的在于优化特征的构建方法和模型算法，实现准确的基于X片的股骨头缺血坏死分期的智能诊断。

[0007] 一种股骨头缺血坏死分期特征构建方法，包括如下步骤：

[0008] 步骤1，输入X片图像数据，分割得到髋关节的区域；

[0009] 步骤2，从所述区域中分别同时提取高通量影像组学特征和深度学习特征；

[0010] 步骤3，将高通量影像组学特征和深度学习特征融合后，得到用于输入股骨头缺血坏死分期模型的混合特征数据集。

[0011] 优选的，步骤1中，用于分割任务的模型是基于nnU‑Net网络，通过弱监督学习构建的。

[0012] 优选的，步骤2中，提取高通量影像组学特征基于PyRadiomics工具实现。

[0013] 优选的，步骤2中，提取深度学习特征基于ImageNet迁移学习的ResNet预训练模型实现。

[0014] 优选的，步骤2中，所述高通量影像组学特征和深度学习特征分别为1000个。

[0015] 优选的，步骤3中，所述股骨头缺血坏死分期模型基于Transformer神经网络算法构建。

[0016] 本发明还提供一种股骨头缺血坏死分期诊断系统，包括：

[0017] 髋关节X片获取和存储模块，用于获取和存储髋关节X片图像数据；

[0018] 髋关节自动分割和混合特征提取模块，用于按照上述特征构建方法构建混合特征数据集；

[0019] 股骨头缺血坏死分期诊断模块，用于学习所述混合特征数据集，实现股骨头缺血坏死分期的智能诊断。

[0020] 优选的，所述股骨头缺血坏死分期诊断模块集成有股骨头缺血坏死分期模型，所述股骨头缺血坏死分期模型基于Transformer神经网络算法构建。

[0021] 本发明还提供一种计算机可读存储介质，其上存储有用于实现上述股骨头缺血坏死分期特征构建方法的计算机程序，或用于实现上述股骨头缺血坏死分期诊断系统的计算机程序。

[0022] 本发明基于Ficat分期，实现了基于X片的髋关节区域自动分割、混合特征提取和股骨头缺血坏死分期智能诊断。通过优化特征的构建方式和模型的算法，本发明对股骨头缺血坏死分期的准确性有效提升，能够满足临床的应用需求，可以帮助解决不同医院和医生之间的诊断差异，极大降低漏诊率，降低患者的诊断成本，为该类疾病的早期诊断和早期治疗提供技术支持。考虑到X片的检测成本相对更低，因此，本发明在基层地区具有很好的应用前景。

[0023] 显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

[0024] 以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

[0025] 图1为本发明实施例1的流程示意图。

[0026] 图2为本发明实施例2的流程示意图。

具体实施方式

[0027] 需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。

[0028] 实施例1 用于股骨头缺血坏死分期的特征构建并利用得到的特征进行股骨头缺血坏死分期的方法

[0029] 如图1所示，本实施例提供了基于X片的股骨头缺血坏死分期智能诊断方法，包括：

[0030] S1，收集和构建髋关节X片数据库，由经验丰富的医师完成股骨头缺血坏死分期诊断，以及部分X片髋关节区域的标注；为了减少标注工作量 ，本实施例采用弱监督学习进行分割模型的训练，仅标注了部分X片髋关节区域；

[0031] 具体的，所构建的多中心髋关节X片数据库，达到两万例，股骨头缺血坏死分期根据Ficat分期标准进行；由多位具有十年以上工作经验的医师手工标注X片上的髋关节区域，所标注的X片数量为四千例。

[0032] S2，构建基于X片的髋关节区域自动分割模型，自动分割全部X片的感兴趣区域；

[0033] 具体的，基于nnU‑Net网络，通过弱监督学习，构建X片髋关节区域的自动分割模型。

[0034] S3，分别提取X片髋关节区域的影像组学特征和深度学习特征，并进行融合，得到混合特征数据集；

[0035] 具体包括如下步骤：

[0036] S31，基于PyRadiomics工具，实现分割区域的高通量影像组学特征提取，提取特征数量为1000；

[0037] S32，基于ImageNet迁移学习的ResNet预训练模型，实现分割区域的深度学习特征提取，提取特征数量为1000。

[0038] S33，融合两类特征，构建X片髋关节区域的混合特征数据集。

[0039] S4，学习X片髋关节区域的混合特征数据集，构建股骨头缺血坏死分期模型。具体的，将两万例数据的混合特征数据集，按照7:3比例随机分为独立的训练集和测试集，本发明的股骨头缺血坏死分期模型以及对比实验的模型，均在训练集上进行学习、优化和建模，并均在测试集上进行性能验证和评估。

[0040] 其中，股骨头缺血坏死分期模型通过Transformer神经网络算法构建。

[0041] 实施例2 用于股骨头缺血坏死分期的诊断系统

[0042] 如图2所示，本实施例提供了基于X片的股骨头缺血坏死分期智能诊断系统，包括：

[0043] 髋关节X片获取和存储模块，用于获取和存储髋关节X线片数据；

[0044] 髋关节自动分割和混合特征提取模块，具体包括髋关节自动分割子模块和混合特征提取子模块；所述髋关节自动分割子模块集成了nnU‑Net模型，用于自动分割髋关节区域；所述混合特征提取子模块，用于提取分割区域的影像组学特征和深度学习特征，并进行特征融合；

[0045] 股骨头缺血坏死分期诊断模块，用于分析混合特征，实现股骨头缺血坏死分期的智能诊断。

[0046] 下面通过实验对本发明的技术方案做进一步的说明。

[0047] 实验例1 特征选择和模型种类对股骨头缺血坏死分期准确性的影响[0048] 一、实验方法

[0049] 本实验例构建四个实验组：

[0050] 混合特征+Transformer组：特征选择和模型种类均与实施例1相同；

[0051] 混合特征+CNN组：智能诊断模型替换为CNN算法构建的模型，特征选择方式和其他实验步骤均与实施例1相同；

[0052] 图像+Transformer组：特征选择方式替换为直接将图像输入智能诊断模型，模型种类和其他实验步骤均与实施例1相同；

[0053] 图像+CNN组：特征选择方式替换为直接将图像输入智能诊断模型，智能诊断模型替换为CNN算法构建的模型，其他实验步骤与实施例1相同。

[0054] 二、实验结果

[0055] 以上四个实验组的股骨头缺血坏死分期准确性结果如下表所示：

[0056]

[0057] 从上表数据中可以看到，本发明通过对特征的选择和模型种类的选择，能够有效提高股骨头缺血坏死分期结果的准确性，能够满足临床的应用需求，具有很好的应用前景。