本發(fā)明涉及圖像識(shí)別，具體來說，涉及基于人工智能的椎體骨折自動(dòng)識(shí)別分析系統(tǒng)。

背景技術(shù)：

1、隨著信息化的普及，尤其是隨著人工智能技術(shù)的逐步發(fā)展，人們對(duì)于科技產(chǎn)品的使用也越來越廣泛。尤其在醫(yī)療行業(yè)，如何利用人工智能技術(shù)提高醫(yī)療服務(wù)水平就顯得格外重要，其中基于深度學(xué)習(xí)的人工智能技術(shù)受到越來越多的關(guān)注和廣泛使用。

2、椎體壓縮骨折是骨質(zhì)疏松骨折最常見的骨折類型之一。常規(guī)初步診斷方式依靠拍攝脊柱正側(cè)位x片，影像科醫(yī)生目測(cè)診斷，準(zhǔn)確率和影像科醫(yī)生經(jīng)驗(yàn)密切相關(guān)，醫(yī)生主要依據(jù)genant目視半定量判定方法作出診斷，但往往由于老年患者腹部積氣積糞，嚴(yán)重影響醫(yī)生對(duì)骨折壓縮程度的準(zhǔn)確判定，從而影響后續(xù)治療方案的制定，在現(xiàn)有技術(shù)中多為對(duì)輸入數(shù)據(jù)進(jìn)行歸一化或者二值化操作后再進(jìn)行后續(xù)分析，進(jìn)而為后續(xù)分析帶來額外干擾，且大部分方案的運(yùn)行時(shí)間均在幾分鐘以上。

3、例如，中國(guó)專利cn114937502a公開了基于深度學(xué)習(xí)的骨質(zhì)疏松性椎體壓縮性骨折評(píng)估方法及系統(tǒng)，其使用檢測(cè)模型和分割模型進(jìn)行分析，且在分析前對(duì)輸入圖像進(jìn)行了二值化操作，由于拍攝的ct圖像并非固定不變，采用單一閾值進(jìn)行二值化會(huì)對(duì)后續(xù)分析帶來了干擾，且兩個(gè)模型串行處理，降低了運(yùn)算性能。

4、同時(shí)論文《automatic?l3?slice?detection?in?3d?ct?images?using?fully-convolutional?networks》中開源了ct多視圖數(shù)據(jù)集，其提出了基于unet的深度學(xué)習(xí)方案進(jìn)行3d圖像的識(shí)別分析，全卷積網(wǎng)絡(luò)雖然可以有效的處理醫(yī)學(xué)圖像，比如ct圖像。

5、然而3d圖像處理本身增加了計(jì)算消耗，同時(shí)3d轉(zhuǎn)2d圖像會(huì)帶來圖像信息損失，而且隨著角度、光線等環(huán)境的影響，會(huì)帶來圖像上下文信息之間的干擾，因此全卷積網(wǎng)絡(luò)雖然可以適配不同輸入圖像尺寸，然后分類精度和定位精度不可兼得，當(dāng)感受野選取比較大的時(shí)候，后面對(duì)應(yīng)的池化層的降維倍數(shù)。

6、針對(duì)相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)相關(guān)技術(shù)中的問題，本發(fā)明提出基于人工智能的椎體骨折自動(dòng)識(shí)別分析系統(tǒng)，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問題。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、基于人工智能的椎體骨折自動(dòng)識(shí)別分析系統(tǒng)，該椎體骨折自動(dòng)識(shí)別分析系統(tǒng)包括：

4、掃描圖像處理標(biāo)注單元，用于對(duì)斷層掃描圖像執(zhí)行調(diào)控處理操作，并以處理完成后的斷層掃描圖像為基礎(chǔ)進(jìn)行答案標(biāo)注；

5、椎體骨折自動(dòng)識(shí)別單元，用于構(gòu)建自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)，并利用斷層掃描圖像與答案標(biāo)注對(duì)自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，利用訓(xùn)練后的自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別骨折信息；

6、骨折信息識(shí)別判斷單元，用于根據(jù)骨折信息分析骨折嚴(yán)重性，利用嚴(yán)重性分析結(jié)果評(píng)估骨折影響程度，并將嚴(yán)重性分析結(jié)果與骨折影響程度傳輸至移動(dòng)端。

7、優(yōu)選的，掃描圖像處理標(biāo)注單元包括：

8、圖像旋轉(zhuǎn)增強(qiáng)模塊，用于利用圖像旋轉(zhuǎn)技術(shù)對(duì)斷層掃描圖像執(zhí)行旋轉(zhuǎn)處理，并在旋轉(zhuǎn)完成后實(shí)施圖像增強(qiáng)操作；

9、圖像仿射縮放模塊，用于對(duì)斷層掃描圖像進(jìn)行仿射變換處理，并在仿射變換后利用雙線性插值技術(shù)對(duì)斷層掃描圖像實(shí)施縮放處理；

10、掃描圖像標(biāo)注模塊，用于根據(jù)深度學(xué)習(xí)網(wǎng)絡(luò)的輸入形式對(duì)處理完成的斷層掃描圖像進(jìn)行答案標(biāo)注處理。

11、優(yōu)選的，利用圖像旋轉(zhuǎn)技術(shù)對(duì)斷層掃描圖像執(zhí)行旋轉(zhuǎn)處理，并在旋轉(zhuǎn)完成后實(shí)施圖像增強(qiáng)操作包括：

12、利用圖像旋轉(zhuǎn)技術(shù)按照預(yù)定義的旋轉(zhuǎn)點(diǎn)對(duì)斷層掃描圖像進(jìn)行逆時(shí)針旋轉(zhuǎn)，并在旋轉(zhuǎn)至預(yù)設(shè)角度后停止旋轉(zhuǎn)；

13、將斷層掃描圖像的初始坐標(biāo)位置與預(yù)定義旋轉(zhuǎn)點(diǎn)結(jié)合獲取旋轉(zhuǎn)后斷層掃描圖像的坐標(biāo)位置；

14、評(píng)估旋轉(zhuǎn)后斷層掃描圖像的圖像質(zhì)量，并將評(píng)估結(jié)果與噪聲生成技術(shù)融合為斷層掃描圖像添加噪聲；

15、對(duì)噪聲添加完成的斷層掃描圖像進(jìn)行逆變換完成噪聲去除操作，得到增強(qiáng)完成的斷層掃描圖像。

16、優(yōu)選的，對(duì)斷層掃描圖像進(jìn)行仿射變換處理，并在仿射變換后利用雙線性插值技術(shù)對(duì)斷層掃描圖像實(shí)施縮放處理包括：

17、基于斷層掃描圖像確定仿射變換的類型與參數(shù)后構(gòu)造變換矩陣，利用變換矩陣定義斷層掃描圖像的映射位置；

18、利用變換矩陣關(guān)系對(duì)斷層掃描圖像執(zhí)行仿射變換獲取變化后的斷層掃描圖像的映射坐標(biāo)矩陣；

19、基于雙線性插值技術(shù)與斷層掃描圖像在縱向與橫向上對(duì)斷層掃描圖像進(jìn)行放大或縮放處理。

20、優(yōu)選的，根據(jù)深度學(xué)習(xí)網(wǎng)絡(luò)的輸入形式對(duì)處理完成的斷層掃描圖像進(jìn)行答案標(biāo)注處理包括：

21、基于矩形標(biāo)注技術(shù)標(biāo)注斷層掃描圖像中椎體的主體區(qū)域框得到椎體完整區(qū)域，并利用像素級(jí)標(biāo)注在椎體完整區(qū)域內(nèi)進(jìn)行二次標(biāo)注獲取椎體子區(qū)域；

22、按照標(biāo)注順序?qū)ψ刁w子區(qū)域進(jìn)行數(shù)字標(biāo)號(hào)，并在標(biāo)號(hào)完成后對(duì)椎體子區(qū)域?qū)嵤┓诸愋畔?biāo)定操作，判斷椎體的骨折狀況；

23、根據(jù)圖像采集信息獲取斷層掃描圖像對(duì)應(yīng)人員的個(gè)人信息、受傷機(jī)制與骨折史，并與專家標(biāo)注技術(shù)結(jié)合對(duì)應(yīng)的斷層掃描圖像進(jìn)行骨折狀態(tài)評(píng)估標(biāo)注；

24、將對(duì)應(yīng)人員的個(gè)人信息、受傷機(jī)制、骨折史及骨折狀態(tài)評(píng)估標(biāo)注結(jié)果集成為答案標(biāo)注文本。

25、優(yōu)選的，椎體骨折自動(dòng)識(shí)別單元包括：

26、網(wǎng)絡(luò)結(jié)構(gòu)搭建模塊，用于構(gòu)建雙模態(tài)網(wǎng)絡(luò)與文本語(yǔ)義大模型結(jié)構(gòu)，基于構(gòu)建結(jié)果獲取自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)；

27、結(jié)構(gòu)參數(shù)配置模塊，用于配置自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練文件的超級(jí)參數(shù)；

28、識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練模塊，用于將斷層掃描圖像與答案標(biāo)注輸入至自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)中執(zhí)行網(wǎng)絡(luò)訓(xùn)練，驗(yàn)證輸出椎體區(qū)域骨折信息的評(píng)估準(zhǔn)確率；

29、網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整模塊，用于基于評(píng)估準(zhǔn)確率結(jié)果調(diào)整自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)。

30、優(yōu)選的，構(gòu)建雙模態(tài)網(wǎng)絡(luò)與文本語(yǔ)義大模型結(jié)構(gòu)，基于構(gòu)建結(jié)果獲取自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)包括：

31、選取深度卷積神經(jīng)網(wǎng)絡(luò)模型作為特征提取的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合金字塔結(jié)構(gòu)設(shè)定尺度特征層，并對(duì)各尺度特征層進(jìn)行卷積與反卷積操作；

32、在卷積完成后進(jìn)行特征融合操作，并定義各尺度特征層的分支功能，得到包含若干組分支功能的雙模態(tài)網(wǎng)絡(luò)結(jié)構(gòu)；

33、基于雙模態(tài)網(wǎng)絡(luò)結(jié)構(gòu)輸出結(jié)果與文本需求結(jié)合選取文本網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)，并在網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)上執(zhí)行通道刪減操作后拼接長(zhǎng)短期記憶網(wǎng)絡(luò)得到文本語(yǔ)義網(wǎng)絡(luò)結(jié)構(gòu)；

34、將雙模態(tài)網(wǎng)絡(luò)結(jié)構(gòu)與文本語(yǔ)義網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行融合得到自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)。

35、優(yōu)選的，將斷層掃描圖像與答案標(biāo)注輸入至自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)中執(zhí)行網(wǎng)絡(luò)訓(xùn)練，驗(yàn)證輸出椎體區(qū)域骨折信息的評(píng)估準(zhǔn)確率包括：

36、對(duì)答案標(biāo)注文本進(jìn)行詞向量轉(zhuǎn)換后，將斷層掃描圖像結(jié)合按預(yù)設(shè)比例劃分訓(xùn)練集與驗(yàn)證集，并將訓(xùn)練集輸入自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)中；

37、運(yùn)用學(xué)習(xí)率調(diào)整策略設(shè)定初始學(xué)習(xí)率開始自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)初步訓(xùn)練，并在達(dá)到遍歷次數(shù)后增加學(xué)習(xí)率進(jìn)行正常訓(xùn)練；

38、在自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練過程中判斷損失函數(shù)的穩(wěn)定性，并在損失函數(shù)穩(wěn)定后選取達(dá)到遍歷次數(shù)要求的結(jié)構(gòu)作為訓(xùn)練完成的自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)；

39、將驗(yàn)證集輸入至訓(xùn)練完成的自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)中，利用分支功能輸出椎體主體區(qū)域的檢測(cè)框、椎體子區(qū)域分割像素個(gè)數(shù)與骨折分類信息；

40、將輸出信息與答案標(biāo)注文本進(jìn)行比較，基于比較結(jié)果驗(yàn)證輸出椎體區(qū)域骨折信息的評(píng)估準(zhǔn)確率。

41、優(yōu)選的，將輸出信息與答案標(biāo)注文本進(jìn)行比較，基于比較結(jié)果驗(yàn)證輸出椎體區(qū)域骨折信息的評(píng)估準(zhǔn)確率包括：

42、將檢測(cè)框與答案標(biāo)注文本中對(duì)應(yīng)的主體區(qū)域框進(jìn)行重合度判斷，同時(shí)計(jì)算椎體子區(qū)域分割像素個(gè)數(shù)與答案標(biāo)注文本中對(duì)應(yīng)的像素級(jí)標(biāo)注結(jié)果之間的百分比；

43、將骨折分類信息與答案標(biāo)注文本中分類信息標(biāo)定結(jié)構(gòu)進(jìn)行比較，同時(shí)基于體子區(qū)域像素統(tǒng)計(jì)各椎體子區(qū)域之間的距離；

44、把比較結(jié)果、重合度判斷結(jié)果與百分比計(jì)算結(jié)果融合分析訓(xùn)練完成的自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)的輸出準(zhǔn)確率。

45、優(yōu)選的，骨折信息識(shí)別判斷單元包括：

46、骨折嚴(yán)重性分析模塊，用于根據(jù)骨折信息分析骨折大小與位置，判斷各椎體關(guān)節(jié)與相鄰子關(guān)節(jié)之間距離分析椎體骨折嚴(yán)重程度；

47、骨折影響程度分析模塊，用于將椎體骨折嚴(yán)重程度與答案標(biāo)注文本輸入至自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)中獲取骨折影響程度；

48、移動(dòng)端展示模塊，用于采用量化壓縮處理技術(shù)將自動(dòng)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)轉(zhuǎn)換為移動(dòng)端計(jì)算框架后，將嚴(yán)重性分析結(jié)果與骨折影響程度上傳至移動(dòng)端。

49、本發(fā)明的有益效果為：

50、本發(fā)明通過人工智能技術(shù)提出了基于人工智能的椎體骨折自動(dòng)識(shí)別分析系統(tǒng)，其通過人工智能算法，分析骨折的大小、位置和類型來判斷嚴(yán)重性，評(píng)估可能對(duì)患者造成的影響，并給出后續(xù)治療建議，實(shí)際操作方便簡(jiǎn)潔，具有重要的推廣和使用價(jià)值。