[发明专利]一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质

说明书

本申请所提供的一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质，所述方法包括：获取脊椎部位放射平片并进行预处理；根据专家对脊椎部位放射平片的标注结果确定标准标注数据；将标准标注数据输入至预设的深度学习网络模型中进行训练得到椎体节段识别模型；将标准标注数据输入至预设深度学习网络模型中进行训练得到椎体节段分类推断联合模型；采用交叉验证训练上述椎体节段识别模型与椎体节段分类推断联合模型，得到交叉训练椎体节段分类推断联合模型；将预处理的待标注数据输入至椎体节段识别模型、交叉训练椎体节段分类推断联合模型，预测得到椎体的节段框、节段类型和位置编号；可实现椎体节段节段类型和位置编号预测识别。

技术领域

本申请涉及医学影像和计算机辅助技术领域，尤其是涉及一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质。

背景技术

随着计算机和医疗技术的飞速发展，深度学习在辅助放射科诊断的应用是目前人工智能领域的研究热点之一，运用深度学习技术的自动化识别方法已被应用于给医生检测病灶可疑区域的提示。骨折作为高发病种，在日常临床工作中，骨科医生往往需要审阅大量的放射影像，椎体识别和撰写报告的过程较耗时间，且诊断质量受主观性和精力的影响。使用人工智能技术的智能化报告系统有助于医生节省报告撰写时间，在阅片过程中，医生只需确认根据人工智能系统给出的推荐结果，点击确认即可自动生成所需的诊断报告。因此，在骨折检测相关智能化报告系统中，自动识别椎体节段类型和位置编号至关重要。

目前基于深度学习，可通过物体检测或关键点检测等方法进行人体关节检测和姿态估计，但该技术运用于椎体节段类型和位置编号检测存在重大缺陷，识别椎体节段信息的准确率不足10％，完全不适用。其缺陷主要在于两点：其一，关键点检测是让计算机去识别关键点本身及其周围的图像特征从而推断关键点的位置，但对于同一种类型的椎体节段，每一个节段本身的图像特征几乎是一样的(例如颈椎4节段和颈椎第5节段在图像上看起来几乎没有区别)，对于某一些节段也无法根据其周围的图像特征确定节段编号。其二，物体检测和关键点检测技术都没有顺序的概念，它们从图像中识别到多个“推荐区域”或者“推荐点”是无序的，因此若采用已有技术椎体的第2节段可能被推荐在一个椎体第1节段上方的区域。这样的错误对于产品的鲁棒性有非常大的伤害。目前对于识别脊椎椎体节段类型和位置编号，均未有合适的方法被提出和使用。

因此，亟需一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及，以解决现有技术中脊椎椎体节段类型和位置编号无法自动识别检测的问题。

发明内容

针对现有技术的不足，本申请提供一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质，解决了现有技术中脊椎椎体节段类型和位置编号无法自动识别检测的问题。

为解决上述技术问题，第一方面，本申请提供一种基于医学影像的脊椎椎体信息自动识别方法，包括：

获取脊椎部位放射平片并进行预处理；

根据专家对脊椎部位放射平片的标注结果，确定标准标注数据；

将标准标注数据作为训练数据输入至预设的深度学习网络模型中进行训练，得到椎体节段识别模型；

将标准标注数据作为训练数据输入至预设的深度学习网络模型中进行训练，得到椎体节段分类推断联合模型，其中，所述椎体节段分类推断联合模型包括：节段位置和编号向上推断模型、节段位置和编号分类模型、节段位置和编号向下推断模型；

采用交叉验证训练上述椎体节段识别模型与椎体节段分类推断联合模型，得到交叉训练椎体节段分类推断联合模型；

将预处理的脊椎部位放射平片中待标注数据输入至椎体节段识别模型、交叉训练椎体节段分类推断联合模型，预测得到椎体的节段框、节段类型和位置编号。

可选的，所述获取脊椎部位放射平片并进行预处理，包括：

收集DICOM规范数据；