[发明专利]一种基于机器学习的踝骨折及韧带损伤诊断方法

权利要求书

1.一种基于机器学习的踝骨折及韧带损伤诊断方法，其特征在于，该方法包括以下内容：

对X光影像进行预处理获取踝骨骼的前景图像；

确定计算机特征提取的区域为下胫腓联合以下胫骨、下胫腓联合水平胫骨、下胫腓联合以上胫骨、下胫腓联合以下腓骨、下胫腓联合水平腓骨、下胫腓联合以上腓骨、后踝、前踝，获取骨折大致位置；

在每个区域中分别对所有X光影像骨折类型的分类进行标记，同时对该张X光影像标记对应病人的韧带损伤类型，即有损伤和无损伤；

下胫腓联合以上胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、撕脱骨折、无骨折；

下胫腓联合水平胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、粉碎骨折、无骨折；

下胫腓联合以下胫骨区域骨折类型包括横行骨折、斜行骨折、纵行骨折、粉碎骨折、无骨折；

下胫腓联合以上腓骨区域骨折类型包括螺旋行骨折、横行骨折、斜行骨折、粉碎骨折、压缩骨折、无骨折；

下胫腓联合水平腓骨区域骨折类型包括螺旋行骨折、横行骨折、斜行骨折、粉碎骨折、压缩骨折、无骨折；

下胫腓联合以下腓骨区域骨折类型包括横行骨折、斜行骨折、无骨折；

后踝区域骨折类型包括累及关节面25％以下骨折、累及关节面25％以上骨折、无骨折；

前踝区域骨折类型包括存在骨折、无骨折；

建立基于BoVW+SVM算法的踝骨折预测模型：

采用BoVW模型进行前景图像的特征工程提取，包括特征提取和建立视觉词袋模型：

对每个区域利用HOG对前景图像进行特征提取，利用提取的特征进行字典学习，对字典中的向量进行K-means聚类，生成视觉词袋，建立不同区域的视觉词袋模型，获取X光影像对应的视觉词袋直方图；

将不同区域的视觉词袋模型分别连接一个SVM分类器，构成BoVW+SVM算法的踝骨折预测模型；BoVW+SVM算法的踝骨折预测模型的输入为前景图像，输出为输出踝骨折骨损伤的位置和类型；所述SVM分类器为多分类器；

通过Apriori算法挖掘所有X光影像所对应病人的病例数据，寻找病例中骨损伤与韧带损伤之间的频繁项集，挖掘事务之间的关联规则，预测骨损伤与骨损伤之间的内在联系、骨损伤与韧带损伤之间的内在联系；

输入待预测的X光影像到BoVW+SVM算法的踝骨折预测模型中，得到当前病例的踝骨折骨损伤的位置和类型，将踝骨折骨损伤的位置和类型作为前项输入到相应的关联规则中，输出X光影像中没有识别出的隐匿性骨折情况以及有无韧带损伤情况，并确定隐匿性骨折的位置和类型。

2.根据权利要求1所述的诊断方法，其特征在于所述X光影像包括正位片和侧位片，所述预处理包括灰度变换归一化和随机森林处理，采用随机森林算法提取踝骨骼的前景图像；

预处理的具体步骤是：对每张图片进行灰度变换归一化，提取每张图片的若干像素点，每个像素点通过手动绘图进行人工标记出骨骼和背景，然后构建随机森林模型进行多种滤波器的学习，保留重要特征，训练出最优的随机森林模型；

上述灰度变换归一化公式为：

上述公式中G表示原始图像的灰度值，G′表示灰度变换归一化后图像的灰度值，G_max和G_min分别表示原图像的最大灰度值和最小灰度值；

所述随机森林模型采用9种滤波器构成，分别为Gabor、Canny、Roberts、Sobel、Scharr、Prewitt、Gaussian、Variance以及中值滤波器。