一种腰椎X光T值预测及骨质疏松分级方法与流程

本发明涉及医学影像智能分析与临床辅助诊断，特别是涉及一种腰椎x光t值预测及骨质疏松分级方法。

背景技术：

1、骨质疏松症是一种以骨量减少、骨微结构退化为特征的代谢性骨病，其主要临床危害是骨折风险的显著增加，尤其是椎体和股骨颈骨折，对老年人群的生活质量和社会医疗体系造成严重影响。临床上，双能x线吸收法（dxa）是骨密度测定的金标准，能够提供腰椎、股骨等部位的骨密度值以及对应的t值，并以t≤-2.5作为骨质疏松的诊断标准。然而，dxa设备价格昂贵、检测流程复杂，且在基层医疗机构的普及率较低。相比之下，腰椎正位x光片在体检、外伤和脊柱疾病诊断中极为常见，具有采集方便、成本低廉、数据积累丰富等优势。如果能够基于普通x光图像预测与dxa一致的t值并完成骨质疏松分级，将为骨质疏松的早期筛查与随访提供一种高效的辅助途径。

2、现有技术中，已有研究者尝试使用卷积神经网络（cnn）或注意力机制模型从x光图像直接识别骨质疏松等级，但仍存在若干局限性。首先，现有方法大多将整幅x光图像作为输入，没有对l1～l4椎体进行精确分割，导致模型受非骨结构和背景噪声影响较大；其次，大多数模型仅输出离散的分类结果，而无法提供连续的t值预测，缺乏与dxa数据的直接对应；此外，x光数据存在明显的类别不平衡问题，骨质疏松样本远少于正常样本，单一分类任务易出现召回率低、过拟合或对少数类识别能力不足的问题；再者，不同患者的多张椎体影像在训练集和验证集间混杂，容易造成模型评估结果虚高，泛化能力不足。综上所述，现有x光影像分析方法在准确性、可解释性和临床适用性方面仍存在明显不足。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种腰椎x光t值预测及骨质疏松分级方法，用于解决现有的x光影像分析方法在准确性、可解释性和临床适用性方面仍存在明显不足的问题。

2、为实现上述目的及其他相关目的，本发明提供如下技术方案：

3、一种腰椎x光t值预测及骨质疏松分级方法，包括以下步骤：获取若干个患者的腰椎正位x光图像，并根据预先标注分割出的各椎体掩码图像从若干个患者的腰椎正位x光图像中裁剪出椎体roi子图；根据双能x线吸收测定法的dxa报告获取与各椎体对应的t值作为回归标签，并基于预设阈值将所述t值转换为二分类标签，以构建训练标签集；构建包括一个共享主干特征提取网络、一个分类头和一个回归头的多任务深度学习模型；其中，所述分类头用于输出骨质疏松的分类概率，所述回归头用于输出椎体的t值预测；

4、使用训练标签集对构建好的多任务深度学习模型进行训练，根据训练结果得到训练好的多任务深度学习模型；获取待预测患者的腰椎正位x光图像，从所述待预测患者的腰椎正位x光图像中裁剪出椎体roi子图，并将待预测的椎体roi图像输入至训练好的模型，从而得到t值预测结果和骨质疏松概率，还可根据所述t值预测结果按所述预设阈值进行最终分级。

5、于本发明的一实施例中，所述获取若干个患者的腰椎正位x光图像，并根据预先标注分割出的各椎体掩码图像从若干个患者的腰椎正位x光图像中裁剪出椎体roi子图，包括：获取若干个患者的腰椎正位x光图像，并对若干个患者的腰椎正位x光图像进行预处理，其中，所述预处理包括窗宽窗位和位深的归一化处理；

6、采用手工标注从所述预处理后的腰椎正位x光图像中分割出l1至l4椎体的掩码图像；将若干个患者的腰椎正位x光图像与各椎体掩码图像叠加，并确定各椎体的最小外接矩形区域并进行像素扩展，从而裁剪出椎体roi子图。

7、于本发明的一实施例中，在所述采用手工标注从所述预处理后的腰椎正位x光图像中分割出l1至l4椎体的掩码图像中，所述掩码图像的定义为：；其中，是第k个椎体的二值掩码；是椎体编号，取值1~4，取值1表示该像素属于椎体区域，0表示背景。

8、于本发明的一实施例中，所述将若干个患者的腰椎正位x光图像与各椎体掩码图像叠加，并确定各椎体的最小外接矩形区域并进行像素扩展，从而裁剪出椎体roi子图，包括：根据以下公式确定各椎体的最小外接矩形区域并进行像素扩展：，，；其中，为最小外接矩阵的横坐标；为最小外接矩阵的纵坐标；是掩码为1的像素坐标集合，，为像素坐标，是第k个椎体的二值掩码；为扩展后的裁剪区域；为扩展像素数；为最大外接矩阵的横坐标，；为最大外接矩阵的纵坐标，。

9、于本发明的一实施例中，在所述构建包括一个共享主干特征提取网络、一个分类头和一个回归头的多任务深度学习模型中，所述主干特征提取网络的特征提取公式为：，其中，为椎体特征向量；为特征提取网络；为标准输入张量；参数为；

10、所述分类头的定义公式如下：，其中，为分类头的输出；为分类头，所述分类头输出两类logits；所述回归头的定义公式如下：，其中，是预测的t值；是回归头，所述回归头输出t值预测。

11、于本发明的一实施例中，所述使用所述训练标签集对构建好的多任务深度学习模型进行训练，根据训练结果得到训练好的多任务深度学习模型，包括：冻结所述主干特征提取网络的参数，使用所述训练标签集训练所述分类头与回归头；解冻主干网络的部分或全部参数，以较低的学习率对整体模型进行联合微调，从而得到训练好的多任务深度学习模型。

12、于本发明的一实施例中，所述多任务深度学习模型的总损失函数由分类损失、回归损失和一致性损失加权求和构成；其中，所述分类损失基于分类头的输出与二分类标签计算；所述回归损失基于回归头的输出与t值回归标签计算；所述一致性损失通过将回归头预测的t值转换为伪分类标签，并与分类头的输出进行比较来计算。

13、于本发明的一实施例中，在所述使用所述训练标签集对构建好的多任务深度学习模型进行训练中，采用分组分层的k折交叉验证方法对所述多任务深度学习模型进行训练与评估；并在对所述多任务深度学习模型进行训练与评估时，使用分组策略确保同一患者的椎体样本仅出现在训练集或验证集之一。

14、于本发明的一实施例中，在所述将待预测的椎体roi图像输入至训练好的模型，从而得到t值预测结果和骨质疏松概率，还可根据所述t值预测结果按所述预设阈值进行最终分级中，tta增强平均的计算公式为：，其中，是原始图像预测结果，是水平翻转图像预测结果；，其中，是最终预测t值，是椎体的最终分级结果。

15、如上所述，本发明的一种腰椎x光t值预测及骨质疏松分级方法，具有以下有益效果：本发明以腰椎l1～l4椎体为最小分析单元，通过掩码分割、roi裁剪和归一化预处理精确提取目标区域，结合多任务神经网络结构同时执行t值回归与骨质疏松分类任务，并通过从回归输出生成伪标签构建一致性损失，实现分类与回归分支间的协同优化；此外，模型训练过程中采用患者级分层的交叉验证策略，确保同一患者的多椎体样本不会同时出现在训练集和验证集中，有效避免数据泄漏问题，显著提升模型的泛化性能和临床可靠性；所以本发明针对腰椎影像中骨组织结构复杂、影像信噪比低及样本分布不均等问题，通过精确的椎体掩码提取与多任务协同学习机制，使模型能够同时捕捉椎体的细粒度纹理特征和连续骨密度变化规律，从而显著提升t值预测的准确性和骨质疏松分级的稳定性。