[发明专利]一种基于深度学习的椎体压缩性骨折多模态智能诊断系统

说明书

本发明公开了一种基于深度学习的椎体压缩性骨折多模态智能诊断系统，包括：数据导入模块，用于加载多模态图像，并对图像进行预处理；诊断模块，利用特征提取模块提取不同模态的医学图像特征，利用特征融合模块将不同模态的医学图像特征融合，并利用特征解码模块将融合的特征解码出来；预测模块，利用诊断模块依据多模态医学图像进行疾病智能诊断，并提供诊断结果置信度和可视化图。本发明将深度学习技术与多模态医学图像结合，提供医学疾病的诊断结果及其置信度并对结果进行可视化，提升疾病诊断能力，解决压缩骨折主要依靠影像科医生主观判断的缺点，可快速、准确的自动识别椎体压缩性骨折(OVCF)。

技术领域

本发明涉及深度学习和医学影像的技术领域，尤其是指基一种基于深度学习的椎体压缩性骨折多模态智能诊断系统。

背景技术

椎体压缩性骨折(OVCF)作为骨质疏松症最常见的骨质疏松性骨折类型,可导致患者慢性疼痛、身高减退、日常生活活动受限、压疮、肺炎和心理困扰等一系列风险增加。据统计目前我国患有骨质疏松性椎体压缩骨折患者人数已达4449万,每年新增椎体骨折181万人。目前椎体压缩性骨折(OVCF)主要依靠影像科医生人工看片的方式进行诊断，不仅耗时，同时准确率也跟影像科医生的经验有关，因此如何基于脊椎影像图像自动判断椎体压缩性骨折(OVCF)是亟待解决的一个课题。

目前椎体压缩性骨折的诊断主要有两种途径：1)影像科医生手动度量椎体的三条线，并计算任意两条线之前的比值，如果比值大于15％，则为压缩性骨折。2)基于图像处理的方法，主要分为基于区域的方法和边缘分割方法。基于区域的方法依赖于图像的空间局部特征,如灰度、纹理及其它象素统计特性的均匀性等。基于边缘分割方法通常利用梯度信息确定目标的边界。这两种方法都需要实现对椎体进行定位，在定位的基础上才能实现分割。同时由于不同设备和不同的个体，对椎体分割的准确度不高，另外椎体分割完成后还要计算椎体任意两条线之间的比值，通过此比值去判断骨折椎体。这种首先依赖椎体的分割准确性，会存在累计误差。同时，急性骨折由于其形状和正常骨折一致，无法通过此方法进行识别。总体而言，目前对于椎体压缩性骨折的诊断首先是正确率不高，其次对于人的依赖程度很高，另外无法同时识别压缩骨折和急性骨折这两种类型的骨折。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的椎体压缩性骨折多模态智能诊断系统，解决压缩骨折主要依靠影像科医生主观判断的缺点，快速、准确的自动识别椎体压缩性骨折(OVCF)。

为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的椎体压缩性骨折多模态智能诊断系统，包括：

数据导入模块，用于加载多模态图像，并对图像进行预处理；

诊断模块，利用特征提取模块提取不同模态的医学图像特征，利用特征融合模块将不同模态的医学图像特征融合，并利用特征解码模块将融合的特征解码出来；

预测模块，利用诊断模块依据多模态医学图像进行疾病智能诊断，并提供诊断结果置信度和可视化图。

进一步，所述数据导入模块包括数据加载模块和数据预处理模块；

所述数据加载模块从本地读取不同模态的医学图像，包括png、jpeg、npy格式，其中，不同模态的医学图像包括T1序列医学图像和T2序列医学图像；

所述数据预处理模块用于对T1序列医学图像和T2序列医学图像进行裁剪，将其裁剪到统一大小，并对T1序列医学图像和T2序列医学图像进行限制对比度自适应直方图均衡化(CLAHE)处理，最后对T1序列医学图像和T2序列医学图像进行归一化。

进一步，所述诊断模块包括特征提取模块、特征融合模块和特征解码模块；

所述特征提取模块用于对样本进行特征提取，利用空洞卷积神经网络构成的特征提取块(DIB)自动提取不同视野的特征，具体执行以下操作：