[发明专利]一种骨折类型的分类方法以及骨折识别模型的构建方法

说明书

本发明公开了一种骨折类型的分类方法以及骨折识别模型的构建方法，其中，一种骨折类型的分类方法包括单纯性骨折A型、楔形骨折B型、复杂骨折C型；所述单纯性骨折A型包括单纯螺旋断裂A1、单纯斜向断裂A2、单纯横向断裂A3；楔形骨折B型包括螺旋楔形骨折B1、弯曲楔形骨折B2、粉碎楔形骨折B3；复杂骨折C型包括复杂螺旋骨折C1、复杂多段骨折C2、复杂不规则骨折C3；本发明的有益效果是，股骨骨折的精确分类有助于准确的手术策略和术后更好的预后，一个有效、准确的股骨骨折诊断和分型系统将在临床工作中发挥重要作用。

技术领域

本发明涉及医疗骨科股骨骨折的图像处理技术领域，特别是一种骨折类型的分类方法以及骨折识别模型的构建方法。

背景技术

在骨科高能损伤中，股骨骨折是非常常见的，其发病率已被报道为平均每10万名患者年达37例；根据骨折部位，骨折破碎程度，肌肉软组织损伤程度，损伤机制，可发现不同类型的骨折，目前治疗股骨干骨折的金标准是髓内钉。

随着髓内钉固定的广泛应用，出现了许多并发症，如延迟愈合、骨不连、髓内钉骨折和骨折，其原因在很大程度上与骨折的分类和医生的手术技术有关；根据不同的骨折类型选择不同的治疗方案，合理准确的骨折分类对手术方案的选择至关重要，因此有效、准确的骨折诊断和分类在临床工作中起着至关重要的作用；骨折分类系统现在主要依赖三维计算机断层扫描(CT)、X射线和磁共振图像(MRI)和手动视觉检查根据AO分类；然而，这些图像的信息准确性可能不是很大，外科医生虽然可以检测到一些比较明显的骨折，但是对一些不太明显的骨折检查不了，因为分辨率很低；并且随着人工智能的快速发展，基于深度学习的卷积神经网络(CNN)被称为AI模型在图像分类和目标检测都显示出了其能力，并逐渐应用于医学，该模型在训练过程中被输入了许多带有正确标签的医学图像后，可以快速识别图像中的特殊区域和病理变化，为医生提供了第二选择，目前有很多的对骨科创伤X 线片的分类方式，但是现有的对骨科创伤X线片的分类主要将样本集中分类为有无骨折，有些是对骨折的位置进一步分类，但是目前的分类方式不够具体，没有将骨折类型具体分类到位，具体分类还得依赖医生，但是医生查看也有一定的误差，并不能百分百确定类型，这对后续治疗也造成了不便。

鉴于上述情况，有必要对设计一种根据图像确定骨折类型的方法，使其能够满足现在对各种不同类型骨折治疗的需要。

发明内容

本发明的目的是为了解决现有的只要是检查是否有骨折，以及骨折的位置检测，但是对于骨折确定的类型并不能通过图像来判定，还需要人们对其进一步进行分类从而进行针对治疗，因此我们提供了一种针对性的股骨X射线图像数据集骨折类型的具体分类方法以及骨折识别类型的构件方法。

实现上述目的本发明的技术方案为，一种骨折类型的分类方法，根据AO/OTA系统将股骨骨折分为三种类型以及三种类型下三种不同的骨折表现形式，包括单纯性骨折A型、楔形骨折B型、复杂骨折C型；所述单纯性骨折A型包括单纯螺旋断裂A1、单纯斜向断裂A2、单纯横向断裂A3；楔形骨折B型包括螺旋楔形骨折B1、弯曲楔形骨折B2、粉碎楔形骨折B3；复杂骨折C型包括复杂螺旋骨折C1、复杂多段骨折C2、复杂不规则骨折C3。

对骨折分类方法的进一步补充，还包括踝关节BP、股骨小转子TP。

一种骨折类型的分类方法进行骨折识别模型的构建方法，包括以下步骤：

S1、获取股骨干不同骨折部位的不同的骨折类型的X射线图像；

S2、通过目标检测器定位X射线图像中的股骨干骨折部位；

S3、通过物体检测系统根据骨折类型的分类方法对骨折进行预分类；

S4、采用基于锚的FasterRCNN检测模型，以ResNet-50和FPN 为骨干，区域生成网络根据所述图像特征粗检测的定位框来定位裂缝发生的位置；

S5、将定位框中的特征进行骨折类型目标检测和区域定位；