[发明专利]一种DDH人工智能辅助诊断方法及装置

权利要求书

1.一种DDH人工智能辅助诊断方法，其特征在于，包括：

通过实例分割网络，分割出髋部各骨，进行影像质量控制；

通过关键点检测网络，结合月龄信息，得到髋关节关键点；

基于所述髋关节关键点，测量髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别；

结合所述月龄信息，训练髋关节发育异常识别网络，检测征象；

结合所述月龄信息、病例病史信息、所述髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别和所述征象，训练分类网络，得出DDH辅助诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述通过实例分割网络，分割出髋部各骨，进行影像质量控制包括：

通过实例分割网络将髋关节各骨头分割出来，分别计算出左髋的髂骨、右髋的髂骨、耻骨、坐骨的投影面积；

通过所述左髋的髂骨和所述右髋的髂骨的投影面积比例，确定拍摄角度的水平方向偏差；

计算所述耻骨和所述坐骨最高点的水平切线，以所述耻骨和所述坐骨顶端两水平切线之间的垂直距离和坐骨投影垂直高度的比值确定拍摄角度的垂直方向偏差。

3.根据权利要求2所述的方法，其特征在于，所述通过关键点检测网络，结合月龄信息，得到髋关节关键点包括：

根据所述拍摄角度的水平方向偏差和所述拍摄角度的垂直方向偏差确定各骨的轮廓；

根据所述各骨的轮廓，确定感兴趣区域，以及所述感兴趣区域中的关键点，其中，所述关键点包括：髋臼外侧缘点、三角软骨中心点、股骨头中心点、股骨骺端上缘中点。

4.根据权利要求3所述的方法，其特征在于，所述基于所述髋关节关键点，测量髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别包括：

利用关键点检测网络提取关键点特征；

将利用月龄预测模块获取的月龄特征向量和所述关键点特征进行拼接，训练以月龄为条件的关键点概率分布，得到关键点并计算髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别。

5.根据权利要求4所述的方法，其特征在于，所述结合所述月龄信息，训练髋关节发育异常识别网络，检测征象包括：

利用所述主干网络提取三项征象影像特征，其中，所述三项征象影像特征包括：沈通氏线是否不连续、髋臼外侧缘是否不够锐利清晰、髋臼顶部是否不呈弧形；

将所述月龄特征向量和所述主干网络提取的三项征象影像特征进行拼接，采用交叉熵损失函数分别计算三项征象分类的损失，训练符合特定年龄段的髋关节发育异常征象。

6.根据权利要求5所述的方法，其特征在于，所述结合所述月龄信息、病例病史信息、所述髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别和所述征象，训练分类网络，得出DDH辅助诊断结果包括：

训练分类器，将所述髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别、所述符合特定年龄段的髋关节发育异常征象、所述主干网络提取的髋关节X片影像特征，以及所述月龄特征向量、病例病史信息作为所述分类器的输入，学习得到辅助诊断结果。

7.一种DDH人工智能辅助诊断装置，其特征在于，包括：

影像质量控制模块，用于通过实例分割网络，分割出髋部各骨，进行影像质量控制；

关键点获取模块，用于通过关键点检测网络，结合月龄信息，得到髋关节关键点；

测量模块，用于基于所述髋关节关键点，测量髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别；

检测模块，用于结合所述月龄信息，训练髋关节发育异常识别网络，检测征象；

诊断模块，用于结合所述月龄信息、病例病史信息、所述髋臼指数、CE角、股骨头覆盖率、Tonnis级别、IHDI级别和所述征象，训练分类网络，得出DDH辅助诊断结果。