CN112089429A - 一种基于深度学习算法骨密度仪诊断系统 - Google Patents

Abstract

本发明涉及一种基于深度学习算法骨密度仪诊断系统，属于医疗信息化领域。使用较多个线性变换对数据进行多维抽象处理，将原始图像的浅层信息调整重新组合为多个浅层信息，实现得到具有抽样性和代表性的高级信息。通过组合利用高级信息，反映了原始图片的内在联系和根本本质，在分割骨骼区域时，能够将血管和骨骼的特征区别开，将附着在骨骼上的血管划分出去，深度学习的图像分割比传统的图像分割可以更好的提取全局特征和结合上下层信息。提高可靠性和抗噪能力。基于深度学习的图像分割具有强大的特征提取能力，能够将提取到的特征结合局部和全局的特征。提高划分感兴趣区域的准确性。

Description

一种基于深度学习算法骨密度仪诊断系统

技术领域

本发明属于医疗信息化领域，涉及一种基于深度学习算法骨密度仪诊断系统。

背景技术

目前，市场上用来测量骨密度的方法主要有光子吸收法、定量CT法、超声法以及双能X射线吸收法。光子吸收法利用同位素放射源发出两种不同能量的射线，测量他们通过骨骼和软组织的吸收率；定量法能够测量任意部位体密度，精度高，但辐射剂量大，成本高，扫描速度慢；超声法是利用超声波在不同介质中的传播速度和强度衰减系数的差异来测定骨骼的密度和强度。这种方法无辐射，低成本，但是精度较低、限制测量部位；双能X射线吸收法使用X球管充当放射源，利用开关脉冲法或K边缘过滤产生高能和低能射线源，通过计算机软件处理骨矿密度和软组织密度，因为辐射剂量低，速度快，精度高，在临床上已经获得广泛应用。

骨密度诊断系统通过X射线探测器获得人体相关部位骨骼影像数据信息后，需要进一步通过各种图像处理方法获得所扫描病灶部位的精确图像，以进行后续骨密度信息的分析与诊断。传统的图像分割方法主要有阈值分割、基于区域的分割、基于边缘的分割。这些图像分割技术，识别分割骨骼时主要根据原始图片的灰度值和纹理的变化，以及内在像素的特征联系等浅层信息来判断。首先，对于不连续的灰度值变化，则是在灰度值骤变的区域为分割图像的基础。其次，在相似的灰度值下，常用的方法是预先设定检测的准则，把图像分割为相似的区域。边缘是图像上灰度变化最明显的地方，根据灰度变化的特点，可以分为阶梯状，脉冲状和屋顶状，图像梯度的方向是在图像灰度最大变化率上，利用一阶微分算法恰好反映出图像边缘上的灰度变化。

现阶段大部分骨密度系统采用的是边缘检测算法，根据图像灰度的不连续性，通过检验不同区域之间的边界实现图像的分割，人体的骨骼被脂肪肌肉等软组织包围覆盖，由于骨骼与软组织对X射线的吸收率不同，从而得到的图像灰度值具有明显的差异性，根据边缘检测算法，可以划分出骨骼跟软组织。基于边缘检测算法将骨骼与脂肪、血管、组织液进行分割，由于部分的骨骼上覆盖细小血管，在分割时需要进行粗处理和细处理，首先对灰度值图像进行滤波降噪，通过粗处理将骨骼的形态划分出来，再对骨骼区域进行细处理，将覆盖在其上的血管分割出去，显示出骨骼的具体形态。

在骨密度系统中常用的图像分割技术，如边缘检测算法通过高斯模糊去掉噪声，但同时会平滑边缘信息，使得边缘信息减弱，加大高斯模糊的半径，会剔除掉已经是弱边缘和孤立的边缘，边缘像素减少会把部分有用的信息给模糊掉。因此，使用该技术要求对高斯模糊的半径设置准确，否则，影响识别骨骼区域边界，测量骨密度值误差增大。

在实际骨密度诊断应用的边缘检测中，存在噪声、不均匀照明引起的边缘间断，以及其他灰度值虚假的不连续的影响，这些像素在描述边缘特性时会出现误差。有时候会出现过分割，将血管或者软组织部分也分割成骨骼。

大多数的图像处理技术，依靠的是浅层的图像特征，计算机算法通过图像灰度值，或者是图片的纹理等特点实现分割，这些特征是图片的浅层信息，可靠性差，抗噪能力弱，在划分感兴趣区域时，不能充分显示出所需的图片特点，误差较大。

传统的骨密度检测系统中，常用的骨骼分割的方法大多数都是依赖图像处理技术，引入计算机辅助诊断系统，可以提高临床工作效率，大多数的图像处理技术，依靠的是浅层图片特征，计算机算法通过图像灰度值，或者是图片的纹理等特点实现分割，这些特征是图片的浅层信息，不能充分的表达图片的本质和内在联系。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习算法骨密度仪诊断系统，以解决传统边缘检测算法带来的弱化或消除骨骼与软组织边缘的问题，本系统提高骨密度测量精度，更快速准确的识别骨骼区域。

为达到上述目的，本发明提供如下技术方案：

一种基于深度学习算法骨密度仪诊断系统，该方法包括以下步骤：

S1：对骨密度探测器进行设备校正，调试工作参数，探测器对温度有很高的依赖性，所以探测器在进行测试前必须达到热稳定性；

S2：在室温22℃、湿度50％和采样率为100％的条件下打开探测器和X光机，分别测量70kV管电压和40kV管电压的高低电压下X射线的入射强度和出射强度；

S3：选用铝块和聚碳酸酯化合物代替人体的骨骼和软组织，人体的骨骼被肌肉、组织液和脂肪包裹覆盖；选用原子序数相近的铝代替骨骼，聚碳酸酯高分子化合物的代替软组织；参考模块由铝块和聚碳酸酯高分子化合物组成，将两种模块排成阶梯状，扫描一次获得不同厚度下的X射线的高低能值；

S4：采用如公式(1)所示多项式拟合方法，带入探测器获得的高低能值，计算出不同厚度的Al值和PMMA值和拟合多项式数值；将铝块的厚度与自身密度相乘，获得的乘积就是骨密度的值，建立扫描人体的骨密度参考数据；

其中i为拟合通道，α为所设定的移动平均窗口范围，β为校正系数；

S5：用探测器和X射线对准扫描人体，得到的高低能数据，计算出骨骼和软组织的厚度，再与参考模块的密度相乘，获得人体的骨密度值；

S6：根据用户自身需要任意选择ROI区域，显示相应位置的BMD值；将深度学习算法到骨密度系统内用来检测骨骼区域。

可选的，所述S1中，探测器最初在室温22℃下放在+5VDC电源下持续至少60分钟，并通过无源扫描货本底扫描的校正方法对探测器每一个像元功能性能进行检验，确保探测器损坏点不大于3个，连续坏点不多于2组。

可选的，所述S4中，使用深度学习算法分割骨骼区域时，首先对数据预处理，对扫描得到的X-射线原图进行数据增强，归一化，二值化处理；

对部分骨骼区域制作标签图，形成训练集；

在骨骼分割的任务中，对X射线图片进行预处理，以达到满足神经网络训练的目的；

神经网络训练是将参数调优的过程，将训练集输入U-Net神经网络，根据层与层之间的映射关系，不断迭代优化各层的网络参数，将最优的网络模型的参数保存；

经过神经网络的训练后，得到勾勒出骨骼区域轮廓的图像，通过处理区域轮廓，使其更加连续光滑，还需将骨骼区域的原图像填充进去，掩膜图表示骨骼内所包含的像素点，将原始图像跟自定义的掩码操作，获得最终的骨骼区域图像；

测试数据集通过神经网络测试后，对得到的骨骼区域轮廓进行后处理，使其连续性更好。

本发明的有益效果在于：本发明将双能X射线骨密度系统与深度学习相结合，在识别骨骼边界时有明显的优点，降低骨密度测量误差，提高成像效果。具有现实可行性，和广泛的应用价值。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本系统运作流程图；

图2为深度学习算法识别ROI流程图；

图3为传统算法和深度学习算法得到的股骨对比图；图3(a)为传统算法；图3(b)为深度学习。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，首先，对骨密度探测器进行设备校正，调试工作参数，探测器对温度有很高的依赖性，所以探测器在进行测试前必须达到热稳定性。探测器最初在室温(22℃)下应该放在+5VDC电源下持续至少60分钟，并通过无源扫描、本底扫描等校正方法对探测器每一个像元功能性能进行检验，确保探测器损坏点不大于3个，连续坏点不多于2组。

其次，在室温(22℃)、湿度50％和采样率为100％的条件下打开探测器和X光机，分别测量70kV管电压、40kV管电压等高、低电压下X射线的入射强度和出射强度。

进一步，选用铝块和聚碳酸酯化合物代替人体的骨骼和软组织，人体的骨骼被肌肉，组织液，脂肪包裹覆盖。临床中将肌肉，组织液，脂肪统称为软组织，选用原子序数相近的铝代替骨骼，聚碳酸酯高分子化合物的代替软组织。参考模块由铝块和聚碳酸酯高分子化合物组成，将两种模块排成阶梯状，只需扫描一次就可以获得不同厚度下的X射线的高低能值。

然后，采用如公式(1)所示多项式拟合方法，带入探测器获得的高低能值，可以计算出不同厚度的Al值和PMMA值和拟合多项式数值。将铝块的厚度与自身密度相乘，获得的乘积就是骨密度的值，从而就建立了扫描人体的骨密度参考数据。

其中i为拟合通道，α为所设定的移动平均窗口范围，β为校正系数。

进一步，用探测器和X射线对准扫描人体，得到的高低能数据，计算出骨骼和软组织的厚度，再与参考模块的密度相乘，即可获得人体的骨密度值。

使用深度学习算法分割骨骼区域的步骤如图2所示，首先对数据预处理，对扫描得到的X-射线原图进行数据增强，归一化，二值化处理。对部分骨骼区域制作标签图，形成训练集。在骨骼分割的任务中，需要对X射线图片进行一些预处理，以达到满足神经网络训练的目的；神经网络训练是将参数调优的过程，将训练集输入U-Net神经网络，根据层与层之间的映射关系，不断迭代优化各层的网络参数，将最优的网络模型的参数保存；经过神经网络的训练后，得到勾勒出骨骼区域轮廓的图像，通过处理区域轮廓，使其更加连续光滑，还需将骨骼区域的原图像填充进去，掩膜图表示骨骼内所包含的像素点，将原始图像跟自定义的掩码操作，即可获得最终的骨骼区域图像。测试数据集通过神经网络测试后，对得到的骨骼区域轮廓进行后处理，使其连续性更好。

最后，根据用户自身需要任意选择ROI区域，显示相应位置的BMD值。将深度学习算法到骨密度系统内用来检测骨骼区域，提高了边界准确性，支持多个CPU运行，加快运行速度，提高测量骨密度精度。

从骨密度系统上看，深度学习算法在分割骨骼时边缘更加流畅，轮廓线精确度更高，在临床实践中，更方便医生诊断骨骼疾病。深度学习的图像分割比传统的图像分割可以更好的提取全局特征和结合上下层信息。提高可靠性和抗噪能力。基于深度学习的图像分割具有强大的特征提取能力，能够将提取到的特征结合局部和全局的特征。提高划分感兴趣区域的准确性。

在划分股骨区域时，使用传统的图像处理算法，由图3可见，在股骨轮廓线处边缘不连续，由此可见，传统的图像处理，利用灰度值和纹理变化等浅层信息来划分骨骼区域，骨骼边缘轮廓线等有用信息被平滑掉。出现边缘模糊、不连续等问题。利用深度学习算法训练得到的股骨图像，与传统算法的分割结果的股骨对比图有明显的优越性，深度学习的模型具有较深的网络层次，它通常使用较多个线性变换对数据进行多维抽象处理，将原始图像的浅层信息调整重新组合为多个浅层信息，实现得到具有抽样性和代表性的高级信息。通过组合利用高级信息，反映了原始图片的内在联系和根本本质，在分割骨骼区域时，能够将血管和骨骼的特征区别开，将附着在骨骼上的血管划分出去。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于深度学习算法骨密度仪诊断系统，其特征在于：该系统运作程序包括以下步骤：

S1：对骨密度探测器进行设备校正，调试工作参数，探测器对温度有很高的依赖性，所以探测器在进行测试前必须达到热稳定性；

S2：在室温22℃、湿度50％和采样率为100％的条件下打开探测器和X光机，分别测量70kV管电压和40kV管电压的高低电压下X射线的入射强度和出射强度；

S3：选用铝块和聚碳酸酯化合物代替人体的骨骼和软组织，人体的骨骼被肌肉、组织液和脂肪包裹覆盖；选用原子序数相近的铝代替骨骼，聚碳酸酯高分子化合物的代替软组织；参考模块由铝块和聚碳酸酯高分子化合物组成，将两种模块排成阶梯状，扫描一次获得不同厚度下的X射线的高低能值；

S4：采用如公式(1)所示多项式拟合方法，带入探测器获得的高低能值，计算出不同厚度的Al值和PMMA值和拟合多项式数值；将铝块的厚度与自身密度相乘，获得的乘积就是骨密度的值，建立扫描人体的骨密度参考数据；

其中i为拟合通道，α为所设定的移动平均窗口范围，β为校正系数；

S5：用探测器和X射线对准扫描人体，得到的高低能数据，计算出骨骼和软组织的厚度，再与参考模块的密度相乘，获得人体的骨密度值；

S6：根据用户自身需要任意选择ROI区域，显示相应位置的BMD值；将深度学习算法到骨密度系统内用来检测骨骼区域。

2.根据权利要求1所述的一种基于深度学习算法骨密度仪诊断系统，其特征在于：所述S1中，探测器最初在室温22℃下放在+5VDC电源下持续至少60分钟，并通过无源扫描货本底扫描的校正方法对探测器每一个像元功能性能进行检验，确保探测器损坏点不大于3个，连续坏点不多于2组。

3.根据权利要求1所述的一种基于深度学习算法骨密度仪诊断系统，其特征在于：所述S4中，使用深度学习算法分割骨骼区域时，首先对数据预处理，对扫描得到的X-射线原图进行数据增强，归一化，二值化处理；

对部分骨骼区域制作标签图，形成训练集；

在骨骼分割的任务中，对X射线图片进行预处理，以达到满足神经网络训练的目的；

神经网络训练是将参数调优的过程，将训练集输入U-Net神经网络，根据层与层之间的映射关系，不断迭代优化各层的网络参数，将最优的网络模型的参数保存；

经过神经网络的训练后，得到勾勒出骨骼区域轮廓的图像，通过处理区域轮廓，使其更加连续光滑，还需将骨骼区域的原图像填充进去，掩膜图表示骨骼内所包含的像素点，将原始图像跟自定义的掩码操作，获得最终的骨骼区域图像；

测试数据集通过神经网络测试后，对得到的骨骼区域轮廓进行后处理，使其连续性更好。

Images