[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

说明书

本发明公开一种基于机器学习的踝骨折及韧带损伤诊断方法，该方法确定计算机特征提取的区域，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；对X光影像进行预处理获取踝骨骼的前景图像；建立基于BoVW+SVM算法的踝骨折预测模型，通过Apriori算法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，并将SVM分类得到的骨损伤结果作为前项输入，预测韧带损伤以及隐匿性骨损伤。通过该方法可以辅助外科医生对踝骨骼X光影像进行自动读片，节省诊治时间，提高踝损伤的诊治效果。

技术领域

本发明属于图像诊断领域，涉及机器学习技术，尤其是一种基于机器学习的踝骨折及韧带损伤诊断方法。

背景技术

在行走运动时踝关节需要承受1.5倍的体质量，而在跑步时需要承受8倍的体质量，所以在日常生活中踝关节非常容易受到损伤，约占全身骨折的9％。临床实践中对踝骨折的精准治疗极为困难，一是踝骨折本身损伤类型的多样性，二是除了损伤骨骼本身，韧带也会受到损伤，绝大多数医生都可以准确辨别是否存在骨折，但是经验不足的医生很难对踝损伤位置及损伤类型做出准确的判断。由于踝关节手术的不可逆性，失败的治疗方式可能会引起踝关节不稳定及关节面不匹配，继而出现关节疼痛、活动受限、早期创伤性退性变等，关节面的细微改变都会引起关节接触压力的巨大变化，严重影响患者的术后的生活质量。另外，一套完整的诊断结果需要X光、CT、MRI等多种影像，对患者而言也是高昂的医疗消费。

由于骨折损伤的多样性和个性差异性等因素，对骨折的快速准确的检测仍存在较大困难，很难准确地发现和定位骨折，也很难确定损伤的严重程度，不论是从踝关节骨折的发生率还是成功治愈率来看，足踝情况在临床中不容乐观，所以如何对踝关节骨折及时的诊断和治疗是一个急需解决的问题。

机器学习疾病诊断成为现代骨科研究的热点。2019年Kitamura等(GeneKitamura,Chul Y.Chung,Barry E.Moore.Ankle Fracture Detection Utilizing aConvolutional Neural Network Ensemble Implemented with a Small Sample,De NovoTraining,and Multiview Incorporation[J].Journal ofDigital Imaging,2019,32(4).)采用卷积神经网络(CNN)、Pinto等(Daniel Pinto dos Santos,Sebastian Brodehl,Bettina Baeβler,GordonArnhold,Thomas Dratsch,Seung-Hun Chon,PeterMildenberger,Florian Jungmann.Structured report data can be used to developdeep learning algorithms:a proofofconcept in ankle radiographs[J].Insightsinto Imaging,2019,10(1).)采用结构报告数据(SRD)完成了X线踝骨折识别，但目前对踝骨折自动诊断的研究仍停留在对骨折本质的识别，机器学习领域的分型种类不能用于踝骨折的精确分类，也无韧带损伤诊断的研究。

发明内容

针对现有的技术问题，本发明提供一种基于机器学习的踝骨折及韧带损伤诊断方法。通过该方法可以通过X光影像实现对踝骨折的自动诊断和韧带损伤、隐匿性骨折的预测，大大提高了医生的工作效率和质量，同时节省了病人的治疗时间和成本。

本发明解决其技术问题是采取以下技术方案实现的：提供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：

第一步，获取X光影像的足踝前景图像，X光影像包括正位片和侧位片，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；