腹侧位X线片智能评估系统及方法与流程

腹侧位x线片智能评估系统及方法
技术领域
1.本发明涉及医疗信息领域，更具体地，涉及一种腹侧位x线片智能评估系统及方法。


背景技术：

2.我国慢性肾脏病(chronic kidney disease，ckd)患病人数约1.3亿以上，发病率有逐年升高的趋势。据文献报道，非透析ckd患者血管壁钙化患病率约为50％，血透和腹透患者患病率超过80％。因此，在ckd的诊治过程中，应关注血管壁钙化并发症。对于ckd患者其血管壁钙化是预测心血管疾病的危险因素，也是ckd患者的病残率及死亡率增高的危险因素。2017年改善全球肾脏病预后组织(kidney disease:improving global outcomes，kdigo)公布的《慢性肾脏病-矿物质和骨异常(ckd-mbd)诊断、评估预防和治疗指南的更新版》以及2019年《中国慢性肾脏病-矿物质和骨异常诊治指南》，均强调了血管钙化的早期筛查和监测，推荐对于ckd g3-g5d期患者采用腹部侧位x线片检查是否存在血管钙化，当这类患者存在血管钙化时，将其心血管疾病风险列为最高级别。
3.kauppila钙化积分法是腹主动脉钙化评估的常用方法。具体方法是以椎间隙中点为界，将腹主动脉分为前壁和后壁，分别评估每个椎体水平的腹主动脉钙化情况，计算每个椎体水平的评分和总分。与ct相比，这种评分方法的敏感性为60-100％，特异度为100％。kauppila钙化积分法由于检查方便、结果准确而成为临床常用的评价方法。但是影像医生使用本系统需要有一定的专业知识，需要记忆评分标准，且定量评分的工作较繁琐，评价的准确性和一致性不高，降低了工作效率。


技术实现要素：

4.有鉴于此，本发明的主要目的在于提供一种腹侧位x线片智能评估系统及方法，能够解决现有技术中存在的对腹侧位x线片中腹主动脉钙化情况评估准确性和一致性不高的问题。
5.为达到上述目的，本发明的技术方案是这样实现的：
6.一方面，本发明提供了一种腹侧位x线片智能评估系统，该系统包括：图像筛选模块、分割数据获取模块、定位数据获取模块和钙化评估模块，其中，图像筛选模块，分别与定位数据获取模块、分割数据获取模块相连，用于接收患者的dicom图像，将符合预设条件的所述dicom图像，定义为第一图像；分割数据获取模块，分别与图像筛选模块、定位数据获取模块、钙化评估模块相连，用于将第一图像输入复数个深度学习模型进行图像分割，分别得到相应的分割数据；深度学习模型至少包括椎体及椎间隙分割模型、腹主动脉分割模型、腹主动脉血管壁钙化分割模型；定位数据获取模块，分别与图像筛选模块、分割数据获取模块、钙化评估模块相连，用于基于椎体及椎间隙分割模型输出的分割数据，在第一图像上定位每个椎体的位置，并输出每个椎体的位置数据；钙化评估模块，分别与定位数据获取模块、分割数据获取模块相连，用于基于分割数据和位置数据，确定腹主动脉血管壁钙化评
分，并在影像结构化报告中生成诊断影像。
7.优选地，椎体及椎间隙分割模型、腹主动脉分割模型、腹主动脉血管壁钙化分割模型依次连接，后面的深度学习模型使用前面的深度学习模型输出的分割数据。
8.优选地，深度学习模型为椎体及椎间隙分割模型时，输出的分割数据为l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据。
9.优选地，深度学习模型为腹主动脉分割模型时，基于l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据，输出的分割数据为腹主动脉区域数据。
10.优选地，深度学习模型为腹主动脉血管壁钙化分割模型时，首先对第一图像进行边缘增强处理，其次基于腹主动脉区域数据，输出的分割数据为腹主动脉血管壁钙化区域数据。
11.优选地，确定腹主动脉血管壁钙化评分包括：基于腹主动脉血管壁钙化区域数据及位置数据，首先计算每个椎体水平的钙化评分，其次计算腹主动脉血管壁钙化评分。
12.优选地，该系统还包括腹透管评估模块，分别与图像筛选模块、钙化评估模块相连，用于在第一图像上分割出腹透管，输出腹透管区域数据，基于腹透管区域数据，判断腹透管位置是否正常，将正常数据或异常数据返回到影像结构化报告中。
13.另一方面，本发明还提供了一种腹侧位x线片智能评估方法，包括：接收患者的dicom图像，将符合预设条件的dicom图像，定义为第一图像；将第一图像输入复数个深度学习模型进行图像分割，分别得到相应的分割数据；深度学习模型至少包括椎体及椎间隙分割模型、腹主动脉分割模型、腹主动脉血管壁钙化分割模型；基于椎体及椎间隙分割模型输出的分割数据，在第一图像上定位每个椎体的位置，并输出每个椎体的位置数据；基于分割数据和位置数据，确定腹主动脉血管壁钙化评分，并在影像结构化报告中生成诊断影像。
14.优选地，深度学习模型为椎体及椎间隙分割模型时，输出的分割数据为l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据。
15.优选地，深度学习模型为腹主动脉分割模型时，基于l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据，输出的分割数据为腹主动脉区域数据。
16.优选地，深度学习模型为腹主动脉血管壁钙化分割模型时，首先对第一图像进行边缘增强处理，其次基于腹主动脉区域数据，输出的分割数据为腹主动脉血管壁钙化区域数据。
17.优选地，确定腹主动脉血管壁钙化评分包括：基于腹主动脉血管壁钙化区域数据及位置数据，首先计算每个椎体水平的钙化评分，其次计算腹主动脉血管壁钙化评分。
18.优选地，深度学习模型还包括腹透管分割模型，在第一图像上分割出腹透管，输出腹透管区域数据。
19.优选地，该方法还包括：基于腹透管区域数据，判断腹透管位置是否正常，将正常数据或异常数据返回到影像结构化报告中。
20.本发明的技术效果：
21.本发明的系统将ai模型和基于规则的程序应用于腹侧位x线片上腹主动脉钙化的评估，得到腹侧位x线片上腹主动脉血管壁钙化评估的智能报告，将其接入pacs/ris，可在图像采集完成后，对图像进行分割、定位，利用分割数据和定位数据，自动生成钙化评分，并将结果自动传入结构化报告中；同时，自动评估慢性肾脏病(ckd)患者腹部透析置管的情
况，并同步到结构化报告中，做出全面的定性、定量诊断，提升了影像报告评价的准确性和一致性，提高了影像医生的工作效率、诊断质量。
附图说明
22.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，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：
23.图1示出了根据本发明实施例一的腹侧位x线片智能评估系统结构示意图；
24.图2示出了根据本发明实施例一的腹侧位x线片智能评估系统结构示意图；
25.图3示出了根据本发明实施例二的腹侧位x线片智能评估系统结构示意图；
26.图4示出了根据本发明实施例三的腹侧位x线片智能评估方法流程图。
具体实施方式
27.下面将参考附图并结合实施例，来详细说明本发明。
28.实施例一
29.图1示出了根据本发明实施例一的腹侧位x线片智能评估系统结构示意图；如图1所示，该系统包括：图像筛选模块10、分割数据获取模块20、定位数据获取模块30和钙化评估模块40，其中，
30.图像筛选模块10，用于接收患者的dicom图像，将符合预设条件的所述dicom图像，定义为第一图像；
31.其中，预设条件为从dicom图像性质、质量两个方面鉴别该dicom图像是否合格，其中，dicom图像性质，是从与ris登记的检查项目是否相符这个方面去评价，如果相符，则继续判断该dicom图像的质量知否符合诊断要求，该步骤为定性判断，输出定性判断数据返回给结构化报告的“技术评估”相应控件。如果检查项目与图像性质一致且图像质量合格，则输出第一图像，用于后续ai模型诊断；如果检查项目与图像性质不一致或图像质量不合格，则中止ai诊断流程，并发送提示信息，由相关人员处理，并记录在数据库中。
32.分割数据获取模块20，用于将第一图像输入复数个深度学习模型进行图像分割，分别得到相应的分割数据；深度学习模型至少包括椎体及椎间隙分割模型、腹主动脉分割模型、腹主动脉血管壁钙化分割模型；
33.图2示出了根据本发明实施例一的腹侧位x线片智能评估系统结构示意图，如图2所示，每个深度学习模型的数据传输走向图：椎体及椎间隙分割模型、腹主动脉分割模型、腹主动脉血管壁钙化分割模型依次连接，后面的深度学习模型使用前面的深度学习模型输出的分割数据。
34.其中，深度学习模型为椎体及椎间隙分割模型时，输出的分割数据为l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据。
35.其中，l5椎体和l4-5椎间隙用于其他腰椎体和椎间隙定位。
36.其中，深度学习模型为腹主动脉分割模型时，基于l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据，输出的分割数据为腹主动脉区域数据。腹主动脉区域数据用于后续血管壁钙化分割。
37.其中，深度学习模型为腹主动脉血管壁钙化分割模型时，首先对第一图像进行边
缘增强处理，其次基于腹主动脉区域数据，输出的分割数据为腹主动脉血管壁钙化区域数据。腹主动脉血管壁钙化区域数据用于后续的定量评分。
38.定位数据获取模块30，用于基于椎体及椎间隙分割模型输出的分割数据，在第一图像上定位每个椎体的位置，并输出每个椎体的位置数据；
39.钙化评估模块40，用于基于分割数据和位置数据，确定腹主动脉血管壁钙化评分，并在影像结构化报告中生成诊断影像。
40.其中，确定腹主动脉血管壁钙化评分包括：基于腹主动脉血管壁钙化区域数据及位置数据，首先计算每个椎体水平的钙化评分，其次计算腹主动脉血管壁钙化评分。
41.按kauppila钙化积分法对腹主动脉血管壁钙化评分，返回给影像结构化报告“钙化评分”的相应控件，并按预设的规则生成关键图像，返回影像结构化报告相应控件的“关键图像”。
42.本发明的实施例将ai模型和基于规则的程序应用于腹侧位x线片上腹主动脉钙化的评估，得到腹侧位x线片上腹主动脉血管壁钙化评估的智能报告，将其接入pacs/ris，可在图像采集完成后，对图像进行分割、定位，利用分割数据和定位数据，自动生成钙化评分，并将结果自动传入结构化报告中，做出全面的定性、定量诊断，提升了影像报告评价的准确性和一致性，提高了影像医生的工作效率、诊断质量。
43.实施例二
44.图3示出了根据本发明实施例二的腹侧位x线片智能评估系统结构示意图；如图3所示，该系统还包括腹透管评估模块50，用于在第一图像上分割出腹透管，输出腹透管区域数据，基于腹透管区域数据，判断腹透管位置是否正常，将正常数据或异常数据返回到影像结构化报告中。
45.如果定性判断为“正常”，则返回给影像结构化报告“腹透管位置正常”的相应控件；
46.如果定性判断为“异常”，则返回给影像结构化报告“腹透管位置异常”的相应控件。
47.实施例三
48.图4示出了根据本发明实施例三的腹侧位x线片智能评估方法流程图；如图4所示，该方法包括以下步骤：
49.步骤s101，接收患者的dicom图像，将符合预设条件的dicom图像，定义为第一图像；
50.其中，预设条件为从dicom图像性质、质量两个方面鉴别该dicom图像是否合格，其中，dicom图像性质，是从与ris登记的检查项目是否相符这个方面去评价，如果相符，则继续判断该dicom图像的质量知否符合诊断要求，该步骤为定性判断，输出定性判断数据返回给结构化报告的“技术评估”相应控件。如果检查项目与图像性质一致且图像质量合格，则输出第一图像，用于后续ai模型诊断；如果检查项目与图像性质不一致或图像质量不合格，则中止ai诊断流程，并发送提示信息，由相关人员处理，并记录在数据库中。
51.其中，该步骤应用的工具是程序和ai模型。
52.步骤s102，将第一图像输入复数个深度学习模型进行图像分割，分别得到相应的分割数据；深度学习模型至少包括椎体及椎间隙分割模型、腹主动脉分割模型、腹主动脉血
管壁钙化分割模型；
53.其中，深度学习模型为椎体及椎间隙分割模型时，输出的分割数据为l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据。
54.其中，l5椎体和l4-5椎间隙用于其他腰椎体和椎间隙定位。
55.其中，深度学习模型为腹主动脉分割模型时，基于l5椎体数据、其他腰椎椎体数据、l4-5椎间隙数据、其他腰椎椎体间隙数据，输出的分割数据为腹主动脉区域数据。腹主动脉区域数据用于后续血管壁钙化分割。
56.其中，深度学习模型为腹主动脉血管壁钙化分割模型时，首先对第一图像进行边缘增强处理，其次基于腹主动脉区域数据，输出的分割数据为腹主动脉血管壁钙化区域数据。腹主动脉血管壁钙化区域数据用于后续的定量评分。
57.步骤s103，基于椎体及椎间隙分割模型输出的分割数据，在第一图像上定位每个椎体的位置，并输出每个椎体的位置数据；该步骤为在第一图像上定位腰椎椎体和椎间盘，输出单个椎体的位置数据及关键图像。
58.步骤s104，基于分割数据和位置数据，确定腹主动脉血管壁钙化评分，并在影像结构化报告中生成诊断影像。
59.其中，确定腹主动脉血管壁钙化评分包括：基于腹主动脉血管壁钙化区域数据及位置数据，首先计算每个椎体水平的钙化评分，其次计算腹主动脉血管壁钙化评分。
60.按kauppila钙化积分法对腹主动脉血管壁钙化评分，返回给影像结构化报告“钙化评分”的相应控件，并按预设的规则生成关键图像，返回影像结构化报告相应控件的“关键图像”。
61.其中，深度学习模型还包括腹透管分割模型，在第一图像上分割出腹透管，输出腹透管区域数据。用于后续腹透管位置的判断。
62.其中，该方法还包括：基于腹透管区域数据，判断腹透管位置是否正常，将正常数据或异常数据返回到影像结构化报告中。
63.如果定性判断为“正常”，则返回给影像结构化报告“腹透管位置正常”的相应控件；
64.如果定性判断为“异常”，则返回给影像结构化报告“腹透管位置异常”的相应控件。
65.整合所有工具(ai模型、影像组学模型、程序)的发现，得出整体诊断印象。
66.根据全部智能化工具返回结果做出定性判断，使用的工具是程序，输入所有诊断数据，输出结构化报告的“诊断印象”，基于结构化报告内置的规则，整合所有诊断数据，自动得到最终诊断，并返回到“诊断印象”中。将全部数据、全部图像存储到结构化报告数据库中。
67.本发明的实施例将ai模型和基于规则的程序应用于腹侧位x线片上腹主动脉钙化的评估，得到腹侧位x线片上腹主动脉血管壁钙化评估的智能报告，将其接入pacs/ris，可在图像采集完成后，对图像进行分割、定位，利用分割数据和定位数据，自动生成钙化评分，并将结果自动传入结构化报告中；同时，自动评估慢性肾脏病(ckd)患者腹部透析置管的情况，并同步到结构化报告中，做出全面的定性、定量诊断，提升了影像报告评价的准确性和一致性，提高了影像医生的工作效率、诊断质量。
68.从以上描述中，可以看出，本发明的上述实施例实现了如下技术效果：本发明的实施例将ai模型和基于规则的程序应用于腹侧位x线片上腹主动脉钙化的评估，得到腹侧位x线片上腹主动脉血管壁钙化评估的智能报告，将其接入pacs/ris，可在图像采集完成后，对图像进行分割、定位，利用分割数据和定位数据，自动生成钙化评分，并将结果自动传入结构化报告中；同时，自动评估慢性肾脏病(ckd)患者腹部透析置管的情况，并同步到结构化报告中，做出全面的定性、定量诊断，提升了影像报告评价的准确性和一致性，提高了影像医生的工作效率、诊断质量。
69.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
70.以上所述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。