[发明专利]基于卷积神经网络的CT图像骨质状况检测方法及装置

说明书

本发明属于医学图像识别技术领域，特别涉及一种基于卷积神经网络的CT图像骨质状况检测方法及装置，该方法包含：设计用于对原始CT图像中腰椎部分进行分割，得到标记图像的U‑Net卷积神经网络模型，并设计用于对分割图像进行骨质状况分类的DenseNet卷积神经网络模型；利用临床的训练数据集对两个卷积神经网络进行训练；利用训练后的U‑Net卷积神经网络模型对原始CT图像分割获得相应的标记图像，对原始CT图像和标记图像进行剪切和缩放得到分割图像；利用训练后的DenseNet卷积神经网络模型对分割图像进行分类，得到原始CT图像对应的骨质状况信息。本发明减少对辅助硬件和专门骨质检测流程的依赖，能够快速便捷地实现骨质状况检测，改善临床环境中骨量流失诊断效果。

技术领域

本发明属于医学图像识别技术领域，特别涉及一种基于卷积神经网络的CT图像骨质状况检测方法及装置。

背景技术

骨质疏松症是一种以骨量减少和骨组织微结构退化为特征的疾病。这是一个严重的公共健康问题，因为它潜在的破坏性后果和高概率的骨折。从病人的角度来看，骨折以及随后的活动能力和自主性丧失往往导致了生活质量的下降。此外，骨质疏松性椎体骨折持续12个月的额外死亡率高达20％，因为它们需要住院治疗，并随后增加了其他并发症的风险，如慢性固定导致的肺炎或血栓栓塞性疾病。而且，由于骨质流失隐性发生，且最初是无症状的，骨质疏松症通常是在脆性骨折发生后才被诊断，这将带来巨大的个人痛苦和社会经济负担。骨密度(Bone Mineral Density,BMD)是诊断骨质疏松症的重要指标，它的测量可以为预防骨质疏松性骨折提供依据。

目前，测量BMD的主要临床方法是双能X线吸收测定法(Dual-energy X-rayAbsorptiometry,DXA)和定量计算机断层扫描成像。其中，DXA是测量BMD的金标准。根据DXA进行BMD测量结果中T值的大小，可以确定骨质状况。例如，T值小于-2.5为骨质疏松症。然而，这些临床测量方法需要额外的辅助硬件或工作流程，并且将给受检者带来额外的经济负担，这使得人们不愿经常检测骨骼状况。提高骨量流失检测率的一种可能方法是利用由于其他原因而获得的诊断CT图像中包含的骨质信息，例如通过CT进行的体检和疾病诊断。现有技术中，基于几何和强度特征从临床CT图像中分割腰椎的方法来检测楔形压缩骨折，在胸、腹的常规多普勒CT图像中检测骨质疏松性椎体骨折原型算法，及基于深度神经网络框架的机器学习方法，对于骨量流失并未骨折的病例仍然需要临床额外的辅助硬件和专用的工作流程。

发明内容

为此，本发明提供一种基于卷积神经网络的CT图像骨质状况检测方法及装置，能够利用常规诊断CT图像从图像域检测并识别骨质状况，而无需辅助硬件和增加专用工作流程，能够更有效、更方便便捷地对受检者进行骨质状况检测。

按照本发明所提供的设计方案，提供一种基于卷积神经网络的CT图像骨质状况检测方法，包含如下内容：

获取人体腰椎诊断样本数据，该样本数据包含原始腰椎诊断CT图像数据、专业标注标记图像数据和专业诊断骨质状况数据；

构建用于通过训练学习获取原始腰椎诊断CT图像中标记图像的图像分割神经网络模型和用于通过训练学习对输入图像进行骨质状况判别的图像分类神经网络模型，图像分割神经网络模型输出的标记图像与原始腰椎诊断CT图像通过剪切和缩放获取分割图像，将该分割图像作为图像分类神经网络模型的输入数据；

利用人体腰椎诊断样本数据对图像分割神经网络模型和图像分类神经网络模型进行训练；

将待检测CT图像作为训练后的图像分割神经网络模型的输入，获取待检测CT图像的标记图像，通过对待检测CT图像和标记图像进行剪切和缩放，得到分割图像；利用训练后的图像分类神经网络模型对得到的分割图像进行分类判别，获取待检测CT图像对应的骨质状况信息。

作为本发明CT图像骨质状况检测方法，进一步地，图像分割神经网络模型采用U-Net卷积神经网络，以实现输入CT图像的特征提取与映射。