[发明专利]基于分组聚合深度学习模型的肋骨骨折CT图像分类方法

说明书

本发明公开了一种基于分组聚合深度学习模型的肋骨骨折CT图像分类方法，其获取干净数据集，从干净数据集中的每幅经脱敏处理后的肋骨骨折CT图像中连续取80张切片，将各自包含80张切片的肋骨骨折CT图像及对应的标签构成训练样本数据；构建分组聚合深度学习网络，包括切片分组阶段、特征提取阶段和聚合决策阶段；训练样本数据输入到分组聚合深度学习网络中进行训练，通过计算损失函数值得到分组聚合深度学习网络分类模型；包含80张切片的测试图像输入到分组聚合深度学习网络分类模型中得到分类分数；优点是在高分辨率的轴向平面上更充分的提取信息，且信息提取过程简单，在低分辨率的轴向平面上，防止信息的过度提取，从而使得分类准确。

技术领域

本发明涉及一种肋骨骨折的辅助诊断技术，尤其是涉及一种基于分组聚合深度学习模型的肋骨骨折CT(Computed Tomography，X线计算机断层摄影)图像分类方法。

背景技术

肋骨骨折是临床上常见的一种胸部创伤，跌落、交通事故、打架斗殴等情况均可能会造成肋骨骨折。肋骨骨折除了会引起疼痛和不适，还可能引发严重的并发症，如低通气(连枷胸综合征)、肺炎、肺挫伤气胸、血胸和死亡等。此外，影像学检查是目前临床上诊断肋骨骨折的主要方法，以往常采用X-ray影像，现在逐渐被CT影像替代。CT图像是一组连续的2D图像切片序列，每个病人的胸部CT图像的薄层有几百张切片，医生在进行肋骨骨折诊断时需要连续观察CT图像的薄层中的几百张切片，这容易产生视觉上和心理上的双重疲劳，从而会增加误诊或漏诊的概率。此外，肋骨骨折通常没有明确体征定位，医生在诊断时需要对病人的24根肋骨全部进行筛查，这种没有重点的筛查方式也容易导致漏诊。肋骨骨折漏诊不仅会影响患者后续的治疗，而且容易引起医患纠纷。

针对医生在肋骨骨折诊断时容易疲劳以及观察时没有重点等主观原因导致的漏诊，目前的解决途径分为两种。

一种途径是通过容积重建或展开显示等方式对原始的肋骨骨折CT图像进行重建，方便医生进行观察，使其一眼能看到尽可能多的信息，进而缓解医生诊断时视觉和心理上的疲劳。但是重建过程可能会漏掉部分的细微骨折，无法完全可靠，因此目前医生在诊断肋骨骨折时主要的依据还是原始的肋骨骨折CT图像的薄层中的切片。

另一种途径是通过计算机辅助诊断肋骨骨折。虽然自动诊断的结果也不能确保完全正确，但是在具有较高正确率的前提下，计算机辅助诊断可以在以下几种情况下发挥重要作用：首先，将医生诊断与计算机辅助诊断相结合，二者不一致的诊断结果作为疑似漏诊或误诊案例进行重新检查，从而降低漏诊的概率。其次，当医生资源不足时，计算机辅助诊断可以作为肋骨骨折病患的初步筛选，并将有限医生资源用于优先诊断骨折概率高的病人，提高就诊的时效性。最后，主任级医师在检查普通医生诊断报告时，报告数量很大，计算机的辅助诊断可以帮助筛选重点的检查对象，提高检查的有效性。

近些年来，随着深度学习技术的发展，深度学习在医学影像分析中的应用越来越广泛，其中面向CT图像的深度学习应用包括各种疾病的分类预测、检测以及器官组织的分割等，但是应用于肋骨骨折辅助诊断的研究较少，目前利用深度学习的肋骨骨折辅助诊断存在以下几个难点及特点：(1)目前没有公开的基于CT的肋骨骨折大型数据集，只能从医院采集，新采集的数据集往往存在脏数据，而清洗数据的时间和人力成本又很高，需要一个合适的数据清洗方法。(2)CT图像是3D医学图像，处理3D数据的模型通常存在占用显存大、计算速度慢、易过拟合等问题。(3)原始的CT图像中轴向分辨率要远低于轴向平面分辨率，这为提取3D的CT图像中的判别信息增加了难度。因此，有必要研究一种能够解决上述技术难点的方法。

发明内容

本发明所要解决的技术问题是提供一种基于分组聚合深度学习模型的肋骨骨折CT图像分类方法，其构建的分组聚合深度学习网络采用了分组和聚合的方式，使得训练得到的分组聚合深度学习网络分类模型在高分辨率的轴向平面上提取信息，保证信息提取充分，且信息提取过程简单，在低分辨率的轴向平面上，防止信息的过度提取，从而使得肋骨骨折CT图像分类准确。