[发明专利]基于多任务深度学习强直性脊柱炎的自动分级方法

说明书

本公开提供一种基于多任务深度学习强直性脊柱炎的自动分级方法，涉及图像处理技术领域，所述方法包括获取目标样本数据集；根据目标样本数据集构建髋关节间隙目标识别网络和基于全局注意力的髋关节间隙分割网络；根据髋关节间隙目标识别网络和髋关节间隙分割网络对多个预处理后的2D髋部正位X光片图像进行目标识别检测和分割，得到髋关节间隙分割结果；对髋关节间隙分割结果进行边缘提取处理，得到髋关节间隙轮廓曲线；对髋关节间隙轮廓曲线进行距离测量，得到测量结果；根据预设评分系统对测量结果进行病症分级。本公开实现了基于多任务深度学习的髋关节X光片对强直性脊柱炎病症的自动化分级，提高了髋关节间隙测量的自动化程度和准确性。

技术领域

本公开涉及图像处理技术领域，尤其涉及基于多任务深度学习强直性脊柱炎的自动分级方法。

背景技术

强直性脊柱炎(AS)包括一组相互关联的、以骶髂关节和脊柱、外周关节和肌腱附着点等部位的炎症为特征的疾病，主要表现形式为骨间隙变窄。AS病因复杂，发病机制尚不清楚，患者早期临床表现不典型，缺乏特异的实验室指标等特点都为临床医生早期准确判断AS造成了很大的障碍，诊断治疗不及时往往又会造成严重的后果，给患者带来不可逆的骨破坏，甚至导致终生残疾。而髋关节受累是强直性脊柱炎最常见的椎管外关节炎表现，也是致残的常见原因。

目前临床上常用的影像学检查方法有X线、计算机X线断层扫描术(CT)、磁共振成像(MRI)、超声、放射学核素骨显像检查。尽管MRI在显示较小区域的退行性改变方面是一种优越的技术，但目前常规的X线片仍然是检测髋关节和膝关节退行性疾病的主要检查手段。在临床上最常见，成本最低的检查方式依然是X线，该影像学检查结果可以显示骨的结构形态变化，如骨质侵蚀、硬化、关节强直、关节间隙增宽或狭窄。每位强直性脊柱炎患者的严重程度可能有所不同，因此有不同的分级系统来对其严重程度进行评分，而这些都是基于这些特征的。

相关技术中，髋关节骨间隙测量通常由专业医生使用刻度尺进行测量，主观性较强且耗费时间，效率不高；也有一些计算机测量方法，但需要人工预处理，如裁剪，定心等交互操作，自动化程度较低。

发明内容

本公开实施例提供一种基于多任务深度学习强直性脊柱炎的自动分级方法，能够解决现有技术中髋关节骨间隙测量的自动化程度较低的问题。所述技术方案如下：

根据本公开实施例的第一方面，提供一种基于多任务深度学习强直性脊柱炎的自动分级方法，所述方法包括：

获取目标样本数据集；所述目标样本数据集包括多个预处理后的2D髋部正位X光片图像；

根据所述目标样本数据集构建髋关节间隙目标识别网络；

根据所述目标样本数据集构建基于全局注意力的髋关节间隙分割网络；

根据所述髋关节间隙目标识别网络和所述髋关节间隙分割网络对所述多个预处理后的2D髋部正位X光片图像进行目标识别检测和分割，得到髋关节间隙分割结果；

对所述髋关节间隙分割结果进行边缘提取处理，得到髋关节间隙轮廓曲线；

对所述髋关节间隙轮廓曲线进行距离测量，得到测量结果；

根据预设评分系统对所述测量结果进行病症分级。

本公开实施例提供一种基于多任务深度学习强直性脊柱炎的自动分级方法，在获取到目标样本数据集时，根据目标样本数据集构建髋关节间隙目标识别网络和髋关节间隙分割网络，根据髋关节间隙目标识别网络和髋关节间隙分割网络对多个预处理后的2D髋部正位X光片图像进行目标识别检测和分割，得到髋关节间隙分割结果，在对分割结果进行边缘提取和距离测量，最后根据预设评分系统对测量结果进行病症分级，实现了基于多任务深度学习的髋关节X光片对强直性脊柱炎病症的自动化分级，提高了髋关节间隙测量的自动化程度和准确性。

在一个实施例中，所述根据所述目标样本数据集构建髋关节间隙目标识别网络包括：