[发明专利]一种基于深度学习的脊柱侧弯检测方法

说明书

本发明涉及一种基于深度学习的脊柱侧弯检测方法，该方法包括：S1、获取脊柱X片图像；S2、将脊柱X片图像输入深度学习模型，预测脊椎中心点和用于定位的定位点；S3、对预测脊椎中心点进行过滤；S4、基于过滤后的脊椎中心点拟合脊椎曲线；S5、根据拟合的脊椎曲线确定脊椎弯曲段，并确定每个弯曲段的端椎；S6、对每个弯曲段进行脊柱侧弯分型；S7、基于每个弯曲段的端椎，计算每个弯曲段的cobb角。与现有技术相比，本发明检测的效率、精度以及检测结果的一致性高。

技术领域

本发明涉及一种脊柱侧弯检测方法，尤其是涉及一种基于深度学习的脊柱侧弯检测方法。

背景技术

脊柱侧弯是多发于青少年和儿童的常见疾病，一般在脊柱X片上显示的脊柱有大于10度的侧方弯曲即可诊断为脊柱侧弯。脊柱侧弯不仅可以导致驼背、骨盆倾斜、身体扭曲等身形的不美观；还导致胸廓畸形和胸廓容积下降，影响心肺功能；严重者会使脊神经和血管受到压迫，阻碍神经的传递和血液的供给，从而导致患者注意力和智力低下，情绪低落、日常生活受到影响等。我国已经开始把脊柱弯曲异常筛查项目纳入每学年或新生入学体检内容。

传统的确定脊柱侧弯程度的方法主要依靠人工，首先获取患者脊柱的X线片，然后医生根据个人经验确定侧弯类型和侧弯位置，同时在X线片上进行标定画线，利用量角器测量计算cobb角。这样的测量方法通常需要数分钟或数十分钟才能完成对一张脊柱X线片的检测，而且不同的检测者由于其专业知识水平的不同，所得的测量结果也会存在一定的差异，即容易受测量者个人主观因素影响。所以这种人工方法费时、效率低、精度差，同时侧弯类型、侧弯位置、cobb角的一致性较差。

脊柱侧弯的早期发现和治疗具有重要意义，可防止畸形发展严重。近年来，随着对青少年脊柱侧弯疾病的重视，脊柱侧弯的早期筛查将逐渐得到普及。对于初步发现的脊柱侧弯病例需要进行X片检测。

由于人工测量方法的耗时、效率低、一致性等问题，目前需要一种可以快速、准确检测脊柱侧弯的方法，提高检测的效率、精度以及检测结果的一致性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的脊柱侧弯检测方法，进而提高检测的效率、精度以及检测结果的一致性。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的脊柱侧弯检测方法，该方法包括：

S1、获取脊柱X片图像；

S2、将脊柱X片图像输入深度学习模型，预测脊椎中心点和用于定位的定位点；

S3、对预测脊椎中心点进行过滤；

S4、基于过滤后的脊椎中心点拟合脊椎曲线；

S5、根据拟合的脊椎曲线确定脊椎弯曲段，并确定每个弯曲段的端椎；

S6、对每个弯曲段进行脊柱侧弯分型；

S7、基于每个弯曲段的端椎，计算每个弯曲段的cobb角。

优选地，所述的深度学习模型包括用于脊柱X片图像特征提取的特征提取网络以及用于医学分割的分割网络。

优选地，所述的深度学习模型预测的脊椎中心点包括颈椎、胸椎、腰椎的脊椎中心点，所述的定位点包括分别位于第一组锁骨及髋骨处的2组定位点，每一组包括两个位于脊椎线两侧的定位点。

优选地，所述的深度学习模型采用迁移学习的方法进行训练，包括：首先对特征提取网络进行训练，直到模型收敛；然后，对前面已训练好的特征提取网络的权重进行冻结保护，对整个深度学习模型进行训练；最后，将冻结的特征提取网络的权重解冻，训练整个深度学习模型。

优选地，所述的特征提取网络包括MobileNet网络，所述的分割网络包括U-Net网络。