[发明专利]基于深度学习的腰椎X射线图像分类方法

说明书

本发明涉及一种基于深度学习的腰椎X射线图像分类方法，包括步骤：获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集；构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型；将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。通过本发明，能够通过拍摄的腰椎X射线直接对患者的骨质情况进行判断，简化了医疗过程，提高了现有设备利用率。

技术领域

本发明涉及深度学习技术领域，更具体地说，涉及一种基于深度学习的腰椎X射线图像分类方法、一种计算机设备及存储介质。

背景技术

骨质疏松是一种普遍存在但难以被诊断的疾病。随着人口老龄化的增长，骨质疏松症和骨质疏松性骨折已成为全球关注的主要健康问题。在美国，到2020年，大约1230万年龄超过50岁的人预计会患有骨质疏松症。50岁以上的女性三分之一会发生骨质疏松症相关的骨折。骨质减少，作为骨质疏松症的先导症状，也倍加值得关注，因为大多数绝经后妇女会患病骨质疏松症，并发生骨折。

发明内容

针对现有方法的不足，提出一种基于深度学习的腰椎X射线图像分类方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的腰椎X射线图像分类方法，包括：

获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集，对腰椎X射线集图像进行分类，分为正常图像、骨质减少图像及骨质疏松图像；

构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，至输出的结果为准确分类结果为止，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型，验证DCNN神经网络模型的准确性；

将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。

其中，在图像筛选的步骤中，筛选评判标准为：

(1)绝经后女性≥50岁，绝经年龄被医疗记录或患者的自我报告所证实；

(2)曾经在3个月内经历过腰椎X线和DXA检查的女性，在此期间间隔期间，患者未接受任何会影响BMD的治疗；

(3)腰椎X射线图像包括前后图像，至少包括第一腰椎-第四腰椎(L1-L4)。

其中，在图像筛选的步骤中，筛选排除标准为：

(1)曾接接受过腰椎(L1-L4)手术的患者，例如内固定术和骨术水泥填充；

(2)腰椎(L1-L4)呈现病变，包括肿瘤、炎性疾病或严重的脊柱侧弯或畸形；

(3)感兴趣区域(ROI)无法映射到原始图像；

(4)信噪比低的图像。

其中，图像预处理的步骤包括：

对腰椎X射线图像划定感兴趣区域；

灰度标准化，包括窗口宽度，窗口级别和像素归一化；

将每一腰椎X射线图像的感兴趣区域调整为128×128，并平均分为四个具有至少50％有效面积的图像。

其中，预处理通过以下方式进行：

ct’_i＝min(ct_i，window_level+window_width) (3)