一种基于深度学习的髋关节发育不良识别分型系统

1.本发明涉及图像识别技术领域，尤其是一种基于深度学习的髋关节发育不良识别分型系统。


背景技术：

2.发育性髋关节发育不良(developmental dysplasia of the hip，ddh)是指由于髋关节的髋臼出现发育缺陷从而造成髋臼对股骨头的覆盖不良，导致髋关节出现股骨头半脱位、软骨退变及股骨头局灶性坏死、严重骨关节炎的一种疾病。髋关节是人体重要的关节，承担人体重要的负重行走功能。对成人发育性髋关节发育不良的诊断主要依赖x线诊断。ddh的发病率约为1.5-35/1000人，超声筛查的发病率为25-50/1000人。因此，ddh的早期诊断和治疗是很重要的。尽管已有许多筛查和诊断手段，但ddh患者在患病早期往往没有症状或症状较轻，同时基层地区缺少专业的骨科医生，因此目前仍有大量患者被漏诊。这些漏诊患者没有得到恰当的治疗而发展成髋关节炎。目前在临床上迫切需要一个简单经济有效的工具来对大量的骨盆正位片进行筛查，协助诊断ddh，降低漏诊率。
3.近年来，基于医学影像的ai辅助诊断系统蓬勃发展，其主要通过计算机视觉技术对医疗影像进行快速读片和智能诊断，辅助医生确定病灶位置，确诊疾病类型，预测潜在疾病风险。此类系统多基于dl算法，通过学习大量带有专家标签的医学图像，归纳总结其中的特征规律，最终拥有专家级别的诊断水平。在骨科方面，基于医学影像的ai技术已应用于骨折检测，骨关节炎评估，儿童骨龄测评，骨脆性评估等方面。olczak j等人收集2万多张x光片，基于dl方法，训练了预测骨折的模型，并且该模型在检测骨折上表现出与高级骨科医生相近的诊断能力。david b.larson等人证明了深度学习cnn可以用于骨骼成熟度评估，其构建的儿童骨龄评估模型评估值与人工评估值相差无几，准确性类似于放射专家和现有自动评估模型。此外，hemalatha rj等人基于cnn对类风湿关节炎患者进行骨区域分割，利用主动轮廓技术确定滑膜炎并给出特定级别，实现关节炎的自动检测。根据前期的调查与研究，很少有人尝试将人工智能以及深度学习应用于ddh的检测与诊断。因此进行全面而准确的ddh识别尤为重要。


技术实现要素：

4.针对现有技术中存在的问题，本发明提供了一种基于深度学习的髋关节发育不良识别分型系统，使用人工智能算法和densenet网络模型来对ddh进行分步地识别，能够识别出正常髋关节、i型ddh、ii型ddh和iii型ddh且准确率较高。
5.根据本发明实施例的基于深度学习的髋关节发育不良识别分型系统，包括以下具体步骤：
6.步骤一：建立髋关节发育不良数据集
7.1-1：从合作医院采取收集了正常的骨盆正位x光片以及患有髋关节发育不良的病人的骨盆正位x光片共541张。获取数据时去除敏感信息，且数据仅用于计算机图像处理和
分析；
8.1-2：邀请医院的骨科专家按照标准将所有x片分为正常和ddh两类，ddh图像再按标准分为i、ii、iii型；
9.1-3：通过纳入与排除标准对所有数据进行筛选，共纳入529张骨盆正位x光片；
10.1-4：使用数据扩增技术，对图像进行不同程度的平移、旋转和翻转，同时不改变样本数据的尺寸和质量。对正常的图像进行10倍的扩增，对i型ddh图像进行4倍扩增，对ii型ddh图像进行6倍扩增，对iii型ddh图像进行8倍扩增。共有1100张正常图像，2180张ddh图像，其中948张i型图像，672张ii型图像，560张iii型图像，以上图像构建成髋关节发育不良数据集；
11.步骤二：设计髋关节发育不良识别框架
12.设计髋关节发育不良识别框架，在框架中将分类过程分为三步，首先对骨盆正位x光片进行正常或髋关节发育不良的分类，若该x片为异常，接着进行是否为iii型的判断，若该片不是iii型，则进行i型或ii型的判断；
13.步骤三：正常或髋关节发育不良的识别
14.3-1：从数据集中随机抽取ddh图像1594张，将正常和ddh图像按4：1：1的比例分为训练集、验证集、测试集，则最终训练集1794张，验证集450张，测试集450张；
15.3-2：使用densenet作为分类模型，训练时，densenet的epoch为30，batch size设置为16，初始学习率设置为0.001，使用sgd优化器。训练基于pytorch框架上的gpu实现，训练使用nvidia gtx2080ti；
16.步骤四：iii型ddh或非iii型ddh的识别
17.4-1：从iii型和非iii型图像中随即抽取640张作为非iii型数据集，将非iii型图像和iii型图像按4：1：1的比例分为训练集、验证集、测试集，则最终训练集800张，验证集200张，测试集200张；
18.4-2：使用densenet作为分类模型，训练时，densenet的epoch为30，batch size设置为16，初始学习率设置为0.001，使用sgd优化器。训练基于pytorch框架上的gpu实现，训练使用nvidia gtx2080ti；
19.4-3：定义了一种新的方法辅助判断iii型，在该方法中，深度学习模型mask r-cnn被用来定位骨盆正位x片上的3个关键点，即股骨头下缘、髋臼外缘和泪滴下缘，对x片进行学习并定位出相应的关键点，分别将股骨头下缘、髋臼外缘与泪滴下缘相连，比较二者的长度，若股骨头下缘与泪滴下缘的距离大于髋臼外缘与泪滴下缘，则ddh为iii型；
20.步骤五：i型ddh或ii型ddh的识别
21.5-1：将i型和ii型图像均按4：1：1的比例分为训练集、验证集、测试集，则最终训练集1080张，验证集270张，测试集270张；
22.5-2：使用densenet作为分类模型，训练时，densenet的epoch为30，batch size设置为16，初始学习率设置为0.001，使用sgd优化器。训练基于pytorch框架上的gpu实现，训练使用nvidia gtx2080ti；
23.本发明的有益效果在于：本发明的基于深度学习的髋关节发育不良识别分型系统，能够用于从髋关节x光片诊断ddh，并验证该系统的诊断性能。医生能够通过该系统为病人制定治疗方案，进行风险评估以及预后预测。医院可以根据该套流程研发ai设备，用于更
加快速、高效地进行ddh诊断。根据本发明对ddh进行诊断将具有广泛的使用价值，给医生快速地提供更多临床指标和数据，以对病情进行全面评估，指导治疗方案，提高医生的诊疗效率。本研究思路可以拓展到其他疾病的研究，为临床应用研究提供了广泛的空间。
附图说明
24.图1为髋关节发育不良识别框架；
25.图2为densenet网络模型识别流程图；
26.图3为正常或髋关节发育不良的识别结果示例图；
27.图4为iii型ddh或非iii型ddh的识别结果示例图；
28.图5为iii型ddh或非iii型ddh的识别新方法示意图；
29.图6为i型ddh或ii型ddh的识别结果示例图。
具体实施方式
30.下面结合附图1-6和具体实施例对本发明作进一步的说明。
31.根据本发明实施例的基于深度学习的髋关节发育不良识别分型系统，包括以下具体步骤：
32.步骤一：建立髋关节发育不良数据集
33.1-1：从合作医院采取收集了正常的骨盆正位x光片以及患有髋关节发育不良的病人的骨盆正位x光片共541张。获取数据时去除敏感信息，且数据仅用于计算机图像处理和分析；
34.1-2：邀请医院的骨科专家按照标准将所有x片分为正常和ddh两类，ddh图像再按标准分为i、ii、iii型；
35.1-3：通过纳入与排除标准对所有数据进行筛选，纳入标准为：经过骨科医生鉴定为曝光良好的骨盆正位x片，共纳入529张骨盆正位x光片；
36.1-4：使用数据扩增技术，对图像进行不同程度的平移、旋转和翻转，同时不改变样本数据的尺寸和质量。对正常的图像进行10倍的扩增，对i型ddh图像进行4倍扩增，对ii型ddh图像进行6倍扩增，对iii型ddh图像进行8倍扩增。共有1100张正常图像，2180张ddh图像，其中948张i型图像，672张ii型图像，560张iii型图像，以上图像构建成髋关节发育不良数据集。
37.步骤二：设计髋关节发育不良识别框架
38.设计髋关节发育不良识别框架，如图1所示，在框架中将分类过程分为三步，首先对骨盆正位x光片进行正常或髋关节发育不良的分类，若该x片为异常，接着进行是否为iii型的判断，若该片不是iii型，则进行i型或ii型的判断。
39.步骤三：正常或髋关节发育不良的识别
40.3-1：从数据集中随机抽取ddh图像1594张，将正常和ddh图像按4：1：1的比例分为训练集、验证集、测试集，则最终训练集1794张，验证集450张，测试集450张；
41.3-2：使用densenet作为分类模型，图2为网络模型识别流程图，训练时，densenet的epoch为30，batch size设置为16，初始学习率设置为0.001，使用sgd优化器。训练基于pytorch框架上的gpu实现，训练使用nvidia gtx2080ti，图3为识别结果示例图。
42.步骤四：iii型ddh或非iii型ddh的识别
43.4-1：从iii型和非iii型图像中随即抽取640张作为非iii型数据集，将非iii型图像和iii型图像按4：1：1的比例分为训练集、验证集、测试集，则最终训练集800张，验证集200张，测试集200张；
44.4-2：使用densenet作为分类模型，训练时，densenet的epoch为30，batch size设置为16，初始学习率设置为0.001，使用sgd优化器。训练基于pytorch框架上的gpu实现，训练使用nvidia gtx2080ti，图4为识别结果示例图；
45.4-3：定义了一种新的方法辅助判断iii型，在该方法中，深度学习模型mask r-cnn被用来定位骨盆正位x片上的3个关键点，即股骨头下缘、髋臼外缘和泪滴下缘，对x片进行学习并定位出相应的关键点，分别将股骨头下缘、髋臼外缘与泪滴下缘相连，比较二者的长度，若股骨头下缘与泪滴下缘的距离大于髋臼外缘与泪滴下缘，则ddh为iii型，图5为新方法示意图。
46.步骤五：i型ddh或ii型ddh的识别
47.5-1：将i型和ii型图像均按4：1：1的比例分为训练集、验证集、测试集，则最终训练集1080张，验证集270张，测试集270张；
48.5-2：使用densenet作为分类模型，训练时，densenet的epoch为30，batch size设置为16，初始学习率设置为0.001，使用sgd优化器。训练基于pytorch框架上的gpu实现，训练使用nvidia gtx2080ti，图6为识别结果示例图。
49.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
50.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。