基于图像识别的脊柱变形的识别方法及系统

本发明涉及脊柱变形识别，尤其涉及基于图像识别的脊柱变形的识别方法及系统。

背景技术：

1、脊柱变形疾病，如脊柱侧弯、前凸、后凸等，是常见的骨科疾病，尤其在青少年和老年人群中发病率较高，脊柱的变形不仅会影响患者的生活质量，还可能导致严重的呼吸、心血管等并发症，为了早期发现和干预脊柱变形，医学图像技术如x光、mri和ct等已被广泛应用于脊柱形态的检测与分析，通过这些成像技术，医生能够观察脊柱的形态变化，评估病情并制定相应的治疗方案。

2、尽管传统的医学成像设备为脊柱检测提供了大量的数据支持，但由于软组织的遮挡和图像噪声的干扰，获取到的脊柱图像常常不够清晰，难以准确反映脊柱的结构和细微变化，同时，现有的脊柱分析方法多为静态分析，无法动态捕捉脊柱随时间的形态变化趋势，容易错过早期的病变信号，此外，现有的系统在图像增强和精细分割方面效率不高，难以为医生提供全面、准确的诊断信息。

3、本发明旨在提供一种基于图像识别的脊柱变形识别方法及系统，为医生提供更加精确、个性化的诊断信息，提升脊柱变形检测的准确性和临床应用的效率。

技术实现思路

1、本发明提供了基于图像识别的脊柱变形的识别方法及系统。

2、基于图像识别的脊柱变形的识别方法，包括以下步骤：

3、s1，数据采集与预处理：使用医学成像设备获取患者脊柱的多视角、多时间点的脊柱图像数据，并对采集的图像数据进行预处理，包括去噪处理和图像增强；

4、s2，软组织遮挡校正：基于预处理后的脊柱图像数据，自动识别并校正软组织对脊柱图像数据的干扰，具体包括：

5、s21，软组织区域识别：基于预处理后的脊柱图像，使用卷积神经网络(cnn)模型自动识别图像中的软组织区域；

6、s22，软组织分割与定位：在识别出软组织区域后，通过图像分割算法进行分割和定位操作，将软组织与脊柱骨骼进行分离，并明确软组织的位置及其对脊柱图像的遮挡范围；

7、s23，图像校正与骨骼增强：对遮挡的区域进行图像校正，同时应用图像增强技术，增强脊柱骨骼的轮廓和结构的显示；

8、s3，脊柱动态变化预测：对经过软组织遮挡校正后的脊柱图像数据进行动态变化预测，捕捉脊柱随时间变化的微小形态变化，提前识别变形趋势；

9、s4，变形判断与结果输出：基于校正后的脊柱图像数据和脊柱动态变化的预测结果，判断脊柱的变形情况及其变形类型和严重程度，并生成包含脊柱变形情况及未来变化预测的可视化报告，报告包括3d脊柱模型和变形标注。

10、可选的，所述s1中的数据采集与预处理包括：

11、s11，数据采集：基于医学成像设备(如x光、mri、ct等)，获取患者脊柱的多视角、多时间点的脊柱图像数据；

12、s12，数据去噪：采用非局部均值(nlm)去噪算法对采集的脊柱图像数据进行去噪处理；

13、s13，图像增强：采用自适应直方图均衡化(clahe)算法，通过局部对比度增强，增强脊柱图像的亮度和细节。

14、可选的，所述s21中的卷积神经网络(cnn)模型包括：

15、s211，输入层：在输入层，接收经过预处理的脊柱图像数据，将其调整为固定大小(224×224像素)，并对调整后的脊柱图像数据进行标准化处理；

16、s212，卷积层：在卷积层中，采用深度可分离卷积的方式进行特征提取，包括深度卷积和逐点卷积，在每个通道上独立执行卷积操作，并通过逐点卷积(1×1卷积)整合多个通道的特征；

17、s213，批量归一化层：在每个卷积层后，添加批量归一化层；

18、s214，激活函数：使用swish激活函数作为激活函数，以增强模型的非线性特征提取能力；

19、s215，池化层：使用混合池化层，结合最大池化和平均池化，在提取局部特征的同时，保留整体信息；

20、s216，注意力机制：引入通道注意力机制，通过计算每个通道的全局平均池化和最大池化结果，生成每个通道的重要性权重；

21、s217，输出层：通过全连接层和softmax激活函数，将卷积网络提取到的特征映射到输出类别空间，softmax函数将输出值转换为概率分布，用于预测脊柱图像中软组织和其他相关区域的分类。

22、可选的，所述s22中的软组织分割与定位包括：

23、s221，输入层：输入经过软组织识别后的脊柱图像数据，包括已标注的软组织区域，输入图像经过标准化处理，大小为固定尺寸(512×512像素)；

24、s222，编码器(下采样部分)：采用u-net的编码器通过多层卷积和池化操作提取软组织和脊柱的高层次特征；

25、s223，解码器(上采样部分)：解码器通过上采样逐渐恢复图像的空间分辨率；

26、s224，跳跃连接：使用跳跃连接将编码器的高层次特征与解码器结合；

27、s225：分割输出：通过softmax层生成每个像素属于软组织或脊柱骨骼的概率图，分割结果将标注出图像中每个像素的类别(软组织或骨骼)。

28、可选的，所述s23中的图像校正与骨骼增强包括：

29、s231，图像校正：使用基于梯度增强的图像修正算法，对输入的脊柱图像数据进行区域识别，检测被软组织遮挡的脊柱骨骼区域，并对被软组织遮挡的脊柱骨骼区域的梯度信息进行增强；

30、s232，骨骼增强：应用高频增强滤波器对脊柱骨骼区域进行图像增强，通过拉普拉斯算子对脊柱图像数据的高频部分(如边缘)进行提取。

31、可选的，所述s3中的脊柱动态变化预测包括：

32、s31，时序特征提取：对校正后的脊柱图像数据进行时间序列分析，通过对不同时刻的脊柱形态数据进行特征提取，捕捉脊柱的时序特征；

33、s32，动态变化趋势预测：使用脊柱的时序特征进行动态变化趋势预测，预测未来脊柱的形态变化趋势。

34、可选的，所述s31中的时序特征提取包括：

35、s311，图像序列输入：对于每个时刻t的校正后脊柱图像ispine(t)，将其输入到时序卷积神经网络(tcn)中，提取时刻t的脊柱形态特征；

36、s312，时序特征整合：时序卷积神经网络(tcn)通过多个卷积层逐步提取时序特征并整合不同时刻的特征信息，捕捉脊柱形态的动态变化。

37、可选的，所述s32中的动态变化趋势预测包括：

38、s321，时序输入与递归处理：通过递归神经网络(rnn)对历史时序特征进行递归处理，通过记忆不同时刻的脊柱形态特征，预测未来脊柱形态的变化；

39、s322，动态变化趋势预测：递归神经网络(rnn)根据隐藏状态和当前输入，预测未来n时刻脊柱的形态变化。

40、可选的，所述s4中的变形判断与结果输出包括：

41、s41，变形判断与分析：根据校正后的脊柱图像数据和脊柱动态变化预测的结果，利用形态学分析对脊柱形态进行分析，识别变形区域，并判断变形类型(侧弯、前凸、后凸)及其严重程度；

42、s42，生成可视化报告：基于分析结果生成脊柱变形的可视化报告，报告包括3d脊柱模型、变形标注及未来变化趋势预测，3d模型通过图像重建技术生成，变形区域通过不同颜色和标记进行标注，未来预测结果则以曲线或形态变化图的形式呈现。

43、基于图像识别的脊柱变形的识别系统，用于实现上述的基于图像识别的脊柱变形的识别方法，包括以下模块：

44、数据采集与预处理模块：通过医学成像设备获取患者脊柱的多视角、多时间点的脊柱图像数据，并对采集的脊柱图像数据进行去噪和图像增强；

45、软组织遮挡校正模块：基于预处理后的脊柱图像数据，自动识别软组织对脊柱图像的干扰，并对脊柱图像的干扰进行校正；

46、脊柱动态变化预测模块：对校正后的脊柱图像数据进行时序分析，预测脊柱在未来时间点的形态变化，捕捉脊柱随时间变化的微小形态变化，并提前识别变形趋势；

47、变形判断与结果输出模块：基于校正后的脊柱图像和脊柱动态变化的预测结果，判断脊柱的变形情况及其变形类型和严重程度，并生成包含脊柱变形情况及未来变化预测的可视化报告。

48、本发明的有益效果：

49、本发明，通过使用卷积神经网络模型和自适应图像处理技术，有效去除了图像中的噪声，增强了脊柱结构的清晰度，同时，基于软组织遮挡校正技术，解决了软组织对脊柱图像的干扰问题，特别适用于软组织较厚或肌肉结构复杂的患者，大幅提升了脊柱骨骼的可见度，为后续的动态变化预测和变形分析提供了更加精确的图像基础，显著提高了脊柱变形检测的效率和准确性。

50、本发明，通过引入时序卷积神经网络和递归神经网络，能够对校正后的脊柱图像数据进行时间序列分析，捕捉脊柱随时间变化的微小形态变化，该动态变化预测模块能够预测未来脊柱的形态趋势，帮助医生提前识别脊柱变形风险，在疾病的早期阶段进行干预，从而有效避免严重畸形的发展。

51、本发明，通过校正后的脊柱图像数据和动态变化预测结果，能够准确判断脊柱的变形情况及其类型，并量化变形的严重程度，生成的可视化报告包括3d脊柱模型、变形标注及未来变化趋势，为医生提供了直观且详细的诊断信息，通过这种个性化的报告，医生能够根据具体情况为患者制定更加精确的治疗方案，提升临床诊断和治疗的效果。