CN119446561A 一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型、训练及预测方法 （杭州健培科技有限公司）

一种骨质疏松和骨质疏松性椎体压缩性骨本发明提供一种骨质疏松和骨质疏松性椎过并列的两个全连接层分别进行骨质疏松类别2所述第一输入数据，包含胸部CT图像切片中切割出的2D图像信息数据、从椎所述多层的特征提取层，用于处理第一输入数据，经过多层2.根据权利要求1所述的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型，其特将三维胸部CT图像输入成熟的椎体分割模型，获取CT图像对应的椎体分割mask信息，基于各段椎体分割mask信息，求取各段椎体矢状位中心层面和获取矢状位中心层面相距预设距离内的所有CT图像切片，以及与所述的预设距离为预设层厚值的整数倍，以所述mask的中心坐标，获取矢状位中心层面相距预设距离内的所有2Dmask切片，根据所述获取mask的中心坐标从椎体分割mask中切出固定大小的一通道的2D分割mas将每个椎体对应切片的2D图像信息数据和2D分割mask信息数据拼接为四通道的第一3.根据权利要求2所述的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型，其特所述的2D分割mask信息数据为大小为[64所述的第一输入数据，是2D图像信息数据和2D分割mask信息数据按第3维度拼接得到4.根据权利要求1所述的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型，其特征是，所述特征提取层，包括三个由Res2Net模块组和池化模块构成的组合，以及第四5.根据权利要求1所述的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型，其特36.根据权利要求1所述的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型，其特所述模型的训练阶段，统计每一段椎体中所有CT图像切片的预测度累加求平均后获得每一段椎体的骨质疏松的初步预测结果和骨质疏松性椎体压缩性骨所述模型的推理阶段，通过融合训练阶段选取的所述n个椎体的所有切片的骨质疏松构建训练样本集，所述的训练样本集中的每个样本预处理第一输入数据，所述第一输入数据包含胸部CT图像切片中在训练阶段采用人工标记的各椎体骨质疏松性椎体压缩性骨折类别信息和从患者双数据和第二输入数据输入权利要求1_5任意一项所述的骨质疏松和骨质疏松性椎体压缩性所述模型的训练阶段，统计每一段椎体中所有CT图像切片的预测度累加求平均后获得每一段椎体的骨质疏松的初步预测结果和骨质疏松性椎体压缩性骨所述模型的推理阶段，通过融合训练阶段选取的所述n个椎体的所有切片的骨质疏松8.根据权利要求7所述的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型的训练将三维胸部CT图像输入成熟的椎体分割模型，获取CT图像对应的椎体分割mask信息，基于各段椎体分割mask信息，求取各段椎体矢状位中心层面和获取矢状位中心层面相距预设距离内的所有CT图像切片，以及与所述的预设距离为预设层厚值的整数倍，以所述mask的中心坐标，4获取矢状位中心层面相距预设距离内的所有2Dmask切片，根据所述获取mask的中心将每个椎体对应切片的2D图像信息数据和2D分割mask信息数据拼接为四通道的第一9.一种骨质疏松和骨质疏松性椎体压缩性骨折的预处理第一输入数据，所述第一输入数据包含胸部CT图像切片中将第一输入数据和第二输入数据输入权利要求6或7任意一项的训练方法所训练的骨通过融合模型在训练阶段选取的骨质疏松的准确性最高的所述n个椎体的所有切片的通过融合每一个椎体的所有切片的骨质疏松性椎体压缩性骨折置信将三维胸部CT图像输入成熟的椎体分割模型，获取CT图像对应的椎体分割mask信息，基于各段椎体分割mask信息，求取各段椎体矢状位中心层面和获取矢状位中心层面相距预设距离内的所有CT图像切片，以及与所述的预设距离为预设层厚值的整数倍，以所述mask的中心坐标，获取矢状位中心层面相距预设距离内的所有2Dmask切片，根据所述获取mask的中心将每个椎体对应切片的2D图像信息数据和2D分割mask信息数据拼接为四通道的第一5[0002]随着人口老龄化的加剧，骨质疏松症已成为我国面临的一项重要公共健康挑像进行机会性骨质疏松症筛查，无需额外辐射即可为早期发现骨质减少和骨质疏松症提供了一个巨大的机会。骨密度筛查测试常用方法包括：双能X线骨密度测量（DXA）和定量CT疏松和骨质疏松性椎体压缩性骨折预测识别的技术所述第一输入数据，包含胸部CT图像切片中切割出的2D图像信息数据、从椎体mask切片中切割出的2D分割mask信息6[0007]本申请还提供一种骨质疏松和骨质疏松性椎体压缩性骨构建训练样本集，所述的训练样本集中的每个样本包含其胸部CT图像和患者年在训练阶段采用人工标记的各椎体骨质疏松性椎体压缩性骨折类别信息和从患输入数据和第二输入数据输入所述的骨质疏松和骨质疏松性椎体压缩性骨折识别模型中置信度累加求平均后获得每一段椎体的骨质疏松的初步预测结果和骨质疏松性椎体压缩所述模型的推理阶段，通过融合训练阶段选取的所述n个椎体的所有切片的骨质将第一输入数据和第二输入数据输入所训练完成的骨质疏松和骨质疏松性椎体通过融合模型在训练阶段选取的骨质疏松的准确性最高的所述n个椎体的所有切[0009]本方案基于深度学习技术实现对于CT图像的智能解决从而进行骨质疏松和骨质筛查胸部CT扫描图像，进行骨质疏松和骨质疏松性椎体压缩性骨折预测识别的技术方案。7所述第一输入数据，包含胸部CT图像切片中切割出的2D图像信息数据、从椎体mask切片中切割出的2D分割mask信息8息，并且将CT图像的层厚插值处理为相同的预设层厚值，本实施例中所述预设层厚值为[0029]本申请实施例中求取各段椎体矢状位中心层面和矢状位中心层面对应的mask的[0037]获取矢状位中心层面相距预设距离内的所有2Dmask切片，根据所述获取mask的[0038]将每个椎体对应切片的2D图像信息数据和2D分割mask信息数9y]从原始图片和mask中分别切出固定大小为[64,64,3]的图像信息数据和[64,64,1]的椎[0041]利用归一化后的sums数组计算累加和pos，并取整得到矢[0042]如图1所示，本申请的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型包括[0045]本申请的一种骨质疏松和骨质疏松性椎体压缩性骨折识别模型，所述特征提取入数据经过所述三个由Res2Net模块组和池化模块的组合的处理后结果的中心特征区域[0046]特征提取层主要采用Res2Net模块，该模块采用了一种简单而有效的多尺度处理方法，通过多个可用感受野在更细粒度的层次上提高了多尺度表示能力。采用第3个置信度累加求平均后获得每一段椎体的骨质疏松的初步预测结果和骨质疏松性椎体压缩所述模型的推理阶段，通过融合训练阶段选取的所述n个椎体的所有切片的骨质构建训练样本集，所述的训练样本集中的每个样本包含其胸部CT图像和患者年在训练阶段采用人工标记的各椎体骨质疏松性椎体压缩性骨折类别信息和从患输入数据和第二输入数据输入所述的骨质疏松和骨质疏松性椎体压缩性骨折识别模型中置信度累加求平均后获得每一段椎体的骨质疏松的初步预测结果和骨质疏松性椎体压缩所述模型的推理阶段，通过融合训练阶段选取的所述n个椎体的所有切片的骨质[0053]如图2所示，本申请实施同时提供一种骨质疏松和骨质疏松性椎体压缩性骨折的利用胸部CT图像进行骨质疏松和骨质疏松性椎体压缩性骨折的将第一输入数据和第二输入数据输入前文的