一种脊柱侧弯Lenke分型系统

技术领域

本发明涉及脊椎诊断领域，尤其涉及脊柱侧弯Lenke分型系统。

背景技术

随着科学技术水平的发展、电子产品的普及，相关健康问题层出不穷。近视、肥胖和脊柱侧弯已经成为当今人们的三大健康问题。

其中，脊柱侧弯是指脊柱异常弯曲，是最常见的脊柱畸形疾病。多表现为脊柱侧弯，两侧肩部高度不等，弯曲时单侧肩胛骨向后突出，以及曲颈等异常姿势。

脊柱侧弯对人体的影响十分巨大，在大多数的患者中，他们的身体健康被脊柱侧弯所影响，不仅躯干和胸部轮廓变形，严重者脊髓和脊髓神经会受损，并且呼吸和心脏功能也会影响到。特别是那些处于青少年时期的患者，正处于脊柱的成长时期，这时的脊柱侧弯对其影响十分严重，若不进行有效治疗，将会恶化脊柱侧弯的病情，加大脊柱侧弯角度。在日常生活中，严重的脊柱侧弯患者不能行走、上楼及跑步，有时还伴随心压，正常生活被严重影响。

脊柱侧弯分型是以患者脊柱的形态特征为依据进行分型，为确定患者侧弯畸形形态特征提供重要价值。其中，脊柱侧弯Lenke分型将脊柱侧弯分为6种侧弯类型，是目前脊柱外科较为常见、公认的分型系统，也是国际上特发性脊柱侧弯的标准分型方法之一。在脊柱侧弯诊断中，如何实现脊柱侧弯的正确Lenke分型，对于脊柱侧弯的矫形、康复治疗、手术策略等具有重要的意义，也是目前临床诊断中的一个难点问题。传统的Lenke分型主要借助Cobb角测量等传统方式，而这种传统的测量方法是医生利用铅笔和量角器在X光片上进行手工测量Cobb角进行计算。但这样的方法存在一定的弊端：(1)手工测量速度较慢易受到个人主观因素的影响；(2)测量依赖医生的学识和经验，诊断速度慢且不准确。而实际上，脊柱侧弯主要依据其脊柱及脊椎块形状特征、主弯位置等特征，针对脊柱侧弯分型的需求，通过计算机视觉技术，结合深度学习、形状特征刻画等方法，可以实现自动Lenke分型系统，助力脊柱侧弯辅助诊断。

名词解释：

Transformer编码器：由n个编码器组成每一个编码器有两个子层连接一个是多头自注意力规范化层及残差单元另一个是前馈层规范化层级残差单元。

MSA block：多头自注意力块。

point-wise MLP block：逐点地多层感知器模块。

point-wise linear layer：点向线性层。

发明内容

为解决上述问题，本发明提供了一种脊柱侧弯Lenke分型系统。

为实现上述目的，本发明的技术方案如下：

一种脊柱侧弯Lenke分型系统，包括Lenke分型数据库单元、全脊柱X光图像输入单元、全脊柱X光图像分割单元、全脊柱X图像匹配单元和脊柱侧弯Lenke分型单元；

所述Lenke分型数据库单元包括Lenke分型的6种类别的标准图片和1个类别的无侧弯正常脊柱图片，每个类别标准图片的数量为m1，m2，m3，m4，m5，m6，m7；

所述全脊柱X光图像输入单元用于输入待检测的全脊柱X光图像；

所述全脊柱X光图像分割单元用于分割待检测的全脊柱X光图像得到待检测的全脊柱X光图像中的脊椎块图像；

所述全脊柱X图像匹配单元用于将待检测的全脊柱X光图像与Lenke分型数据库单元中的标准图片比对，得到K张图像与待检测图像最相近的标准图片；

脊柱侧弯Lenke分型单元将所述K张图像拥有最多类型的Lenke分型类别，即判定为待检测的全脊柱X光图像的Lenke分型所属类别。

进一步的改进，所述全脊柱X光图像分割单元通过APSegmenter方法对全脊柱X光图像分割得到脊椎块图像：

1.1)将输入的全脊柱X光图像x分解为一个块序列

其中，x

1.2)设置共L层组成的Transformer编码器，每层包括一个多头自注意力块和一个逐点地多层感知器模块，将序列Z

a

z

其中i∈{l，...，L}，并通过自注意力操作，来更有效地利用Z

a

1.3)解码过程中，将图像块编码序列z

1.4)输入的z

1.5)引入可学习的类嵌入，cls＝[cls

接着，定义一个由M层组成的transformer编码器，通过计算解码器输出的标准化图像块嵌入z

进一步的改进，还包括如下步骤：

2.1)对全脊柱X光图像图像分割得到最终的像素分割图I

2.2)利用公式[4]，去除图像I

其中，width表示分割结果中各个锥块的宽度high表示分割结果中各个锥块的高度area表示脊块面积；contour表示分割锥块区域；

2.3)获取图像I

Left_point

2.4)合并I

进一步的改进，所述全脊柱X图像匹配单元通过以下方法确定待检测的全脊柱X光图像中的脊椎块图像的Lenke分型所属类别：

3.1)经过步骤一分割后的脊椎图像为I

其中n表示循环划分模板的数量，m表示脊椎块的数量；P

3.2)设S＝{p

设PL

PL

x

y

PL

对于PL

其中，|| ||操作表示脊椎块外轮廓上两个点之间的间隔距离；

最后，对于两组编码序列C

3.3)给定分割后脊椎块X的左边外轮廓端点集合s＝{p

设X和Y是分割后待匹配的两组脊柱，S＝{p

进一步的改进，设X和Y为分割后待匹配的两个脊椎，①首先分别计算X和Y的外包矩形，并计算脊椎块左侧所有外轮廓端点到它们外包矩形右边界的距离，分别记为：h

②将Y沿着垂直线翻转，即得到Y的镜像，记为Y′，进而计算Y′的外包矩形，同样计算Y′中脊椎块左侧所有外轮廓端点到外包矩形右边界的距离，记为：d

③按公式[11]计算X和Y的最佳对称匹配距离为dis(X，Y)；

综合公式[10]和公式[11]，即定义X和Y之间的形状差异度为：

其中ε，λ，δ为权重因子；DisSimilarity(X，Y)越小表示两个脊椎块图像越接近，脊柱侧弯Lenke分型单元根据公式[12]得到Lenke分型数据库单元中与待检测的全脊柱X光图像最接近的K张标准图片，将所述K张图像拥有最多类型的Lenke分型类别，判定为待检测的全脊柱X光图像中的脊椎块图像的Lenke分型所属类别。

本发明具有以下有益效果：

1、通过自适应后处理模块优化APSegmenter(APSegmenter是我们编的名字，原来方法是叫Segmenter)分割方法有效提高了脊柱X-ray影像中脊椎块分割的准确度与完整度。

2、采用关键点的相似性匹配算法，对主要的关键节点进行加权匹配，提高了匹配准确度，使得最大弯曲的部分得到重点刻画，更符合Lenke分型的标准。

3、通过脊椎块的水平倾斜角度描述，细化脊椎块的边界走向分布刻画，提升判别脊柱侧弯Lenke分型的准确度。

4、通过脊椎对称距离的形状表示，克服了脊柱块由于摆放角度问题导致的匹配不准确的问题。

5、本发明基于深度学习与形状描述方法，仅通过正面的X-ray胸部脊椎影像即可实现Lenke分型，极大提升了诊断的便利性，具有便捷性、快捷性、精确性等优点。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是初步分割结果的后处理模块图；

图2是形状编码模板与形状编码示例图；

图3是键点与关键线段示例图；

图4是脊椎块水平倾斜角度计算示例图；

图5是脊椎垂直距离示例图；

图6是本发明系统与人工诊断的准确率对比图；

图7为本发明系统与人工诊断的效率对比图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

一种脊柱侧弯Lenke分型系统和方法，步骤如下：

步骤一：通过APSegmenter方法对脊椎X-ray图像中的脊椎块进行分割，主要包括两个技术要点：

1.使用segmenter方法对脊椎块进行初步分割，具体流程如下：

(1)首先，将输入的图像x分解为

(2)共L层组成的Transformer编码器，每层包括一个MSA block和一个point-wiseMLP block，将序列Z

a

z

其中i∈{1，...，L}；通过一个self-attention，来更有效地利用Z

(3)patch编码序列z

(4)输入的z

(5)引入可学习的class embedding，cls＝[cls

(6)Mask Transformer通过计算patch encodings z

2.提出自适应后处理模块优化APSegmenter分割方法

(1)对全脊柱X光图像利用Segmenter网络模型进行分割得到图像I

(2)利用公式[4]，去除图像I

(3)获取图像I

(4)合并I

步骤二：提出自适应形状描述算子对分割后的脊椎图像进行形状描述与匹配，主要包括几个技术要点：

(1)脊椎外轮廓统一表示与匹配

为了有效描述脊柱侧弯不同弯曲程度，并提取其形状特征用于Lenke分型，我们设计了一个脊柱外轮廓的统一表示框架和相似度匹配方法。具体来说，考虑到脊椎x-ray图像成像的特点，采用方向循环编码来刻画图像的变化。设经过步骤一分割后的脊椎图像为I，S＝{p

其中n表示循环划分模板的数量，m表示脊椎块的数量。

(2)Adaptive similarity match weight based on key segments基于关键点的自适应权重相似性匹配

脊柱侧弯最大弯曲的那些部分对于Lenke分型起着至关重要的作用。因此，我们设计了一种基于关键点的相似性匹配算法。具体来说，假定s＝{p

其中，||·||操作表示脊椎块外轮廓上两个点之间的间隔距离。

最后，对于两组编码序列C

值得说明的是关键点的数量k在实验中进行优化选择，相似度匹配权重a

(3)improving shape representation by inner boundary基于脊椎块水平倾斜角度的形状表示与匹配优化

上述两个步骤分别从脊柱整体轮廓与局部最大弯曲情况两方面对脊柱侧弯形状进行了表示，实际上，对于脊柱侧弯Lenke分型而言，每一个脊椎块的水平倾斜，即上下边界的倾斜角度对于判别脊柱侧弯Lenke分型也有着重要的作用。因此，我们进一步设计基于基于脊椎块水平倾斜角度的形状表示与匹配方法，以此优化脊柱侧弯Lenke分型的特征提取。具体来说，如图4所示，给定分割后脊椎块X的左边外轮廓端点集合S＝{p

假定X和Y是分割后待匹配的两组脊柱，S＝{p

(4)基于脊椎对称距离的形状表示

①在脊椎形状表示与匹配中，还有一种情况是对称镜像匹配，例如图5中所示，左边和右边分别是相同的脊椎分割经过翻转所得，如果仅采用上述公式(5)、(6)、(8)对两者进行表示与匹配，两者将会存在很大差异，而实际上他们是一模一样的。因此，我们进一步设计一种对称距离刻画的方法优化脊椎的表示与匹配。具体来说，设X和Y为分割后待匹配的两个脊椎，①首先分别计算X和Y的外包矩形，并计算脊椎块左侧所有外轮廓端点到他们外包矩形右边界的距离，分别记为：h

实际上，上述公式不仅确保了X和Y是按照最佳对称方式进行匹配，从而消除了镜像翻转带来的影响，同时也从到对称轴的距离方面刻画了脊柱侧弯各脊椎块的弯曲程度，进而有利于进行正确的Lenke分型。

最终，结合上述几个形状表示优化步骤，我们给出最终的脊椎形状匹配公式。即对于设X和Y为分割后待匹配的两个脊椎，综合公式(8)和公式(9)，即可定义他们之间的形状差异度为：

其中ε，λ，δ为权重因子，用于表示上述几种形状匹配的策略对于最终形状表示与匹配的重要程度。

步骤三：提出基于segmenter后处理与自适应形状描述方法的Lenke分型方法，主要包括以下技术要点：

(1)设数据集包含n个脊柱侧弯的医学样本，分别属于7个类别，前六种类别为Lenke分型的6种侧弯类别，第7种类别为无侧弯的正常脊柱图像样本，每个类别数量为m1，m2，m3，m4，m5，m6，m7.

(2)设X为待分类的脊柱图像，设y

如图6和图7所示，本发明的诊断准确率可达到98.5％，且检测效率为人工检测效率的7。2倍左右。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。