[发明专利]一种儿童髋关节发育不良诊断系统

说明书

本发明公开了一种儿童髋关节发育不良诊断系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的诊断识别模型，所述的诊断识别模型包括基于Mask‑RCNN的儿童骨骼分割模块、基于HRNet的关键点检测模块以及基于TO‑ResNet的特征提取模块。利用本发明，能够自动、快速、准确地测量髋臼指数、CE角，并计算出等级和IHDI等级。

技术领域

本发明属于医学人工智能领域，尤其是涉及一种儿童髋关节发育不良诊断系统。

背景技术

髋关节发育不良（DDH）是导致肢体畸形的常见疾病。新生儿出生后髋关节不稳定的发生率为 1%，髋关节脱位的发生率为 0.1% 至 0.2%。DDH的解剖缺陷主要是髋臼深度较浅，导致髋关节不稳定。DDH 是继发性关节炎的公认原因，可能导致最终的全髋关节置换术(THA)以减轻疼痛和改善功能。然而，新生儿患者的临床症状可能不明显，或仅在髋部移动时出现“噼啪”声。早期识别 DDH 与更好的结果相关。

X 射线是在诊断 DDH 的最常用方法，在DDH中起着至关重要的作用，例如髋臼指数和中心边缘 (CE)角。DDH的治疗与Tönnis 和 IHDI 的分类有关，而IHDI和Tönnis的分类在确定DDH的严重程度方面起着重要作用。然而，目前对DDH诊断的局限性主要是降低了医生对诊断一致性和差异性的解释。儿科骨科医生对 DDH 的 37 项标准进行评分的一致性较差（ICC，0.39）。这些问题影响儿童的治疗和预后。因此，迫切需要解决DDH诊断过程一致性低的问题，减少测量误差，避免大范围筛查中边缘性髋臼发育不良而被忽视的病例。

最近，为将AI应用于DDH做出了一些努力。帕塞林等人提出了一种神经网络，可以实时确定扫描的3D超声图像是否适合诊断。这些研究表明，深度学习可以准确、稳健地实现超声图像上DDH的自动评估，具有很大的临床应用潜力。比尔等人提出了一种基于序列预测的方法，该方法检测到23个关键点来辅助复杂场景中的髋关节手术决策。传斌等人采用物体检测来定位髋关节标志并计算髋臼指数，利用卷积神经网络检测髋关节发育发育不良。然而，很少有人工智能系统能够准确测量臀部X射线并提供全面的DDH分类结果。

如公开号为CN113486969A的中国专利文献公开了一种基于改进ResNet的医学图像多分类识别系统本发明涉及一种基于改进的Resnet网络的X光图像分类方法。该方法将X光图像数据集作为图像输入，通过SMOTE数据扩充算法得到模型的训练、测试和验证数据集；分类模型采用残差网络ResNet为模型基本框架，通过在残差网络ResNet中加入挤压激励网络并将其进行捷径连接；模型中普通方形卷积核中加入了水平卷积和垂直卷积组成非对称卷积结构，突显局部关键特征和加快训练效率；采用焦点损失函数，整个网络会根据损失函数调整每种疾病的损失值，以得到对疾病分类能力更强的网络模型。本发明能够解决数据不平衡分布带来的问题，并增强特征信息提取能力，提高模型整体性能，从而提高对X光图像分类的准确度。

众多学者在此ResNet模型的基础上进行创新以适应不同背景的医学影像处理任务。但是，针对ResNet模型的过拟合问题没有很有效的解决方法，针对本发明的研究领域，也没有相关的研究和报道。

发明内容

本发明提供了一种儿童髋关节发育不良诊断系统，能够自动、快速、准确地测量髋臼指数、CE角，并计算出Tönnis等级和IHDI等级。

一种儿童髋关节发育不良诊断系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的诊断识别模型，所述的诊断识别模型包括基于Mask-RCNN的儿童骨骼分割模块、基于HRNet的关键点检测模块以及基于TO-ResNet（Test Overfitting ResNet）的特征提取模块；

所述计算机处理器执行所述计算机程序时实现以下步骤：