一种前束交叉韧带损伤评估方法及装置

本发明涉及临床医学领域，尤其涉及一种前束交叉韧带损伤评估方法及装置。
背景技术：
：膝关节前交叉韧带(anteriorcruciateligament，acl)断裂是最常见的运动损伤之一，据统计全球每年有大约10-25万人发生acl断裂，acl是稳定膝关节的重要的静力性结构，损伤后可引起膝关节不稳，如不及时进行手术治疗，极易引起严重的关节软骨损伤，导致骨性关节炎，严重影响患者的生活质量以及运动水平，最终需进行人工关节置换。对于acl损伤的临床诊断是以关节镜检为金标准，但关节镜检花费较高，且属于有创性检查。optiknee膝关节三维运动分析系统采用红外光立体追踪技术，实时测量膝关节在步态、深蹲、上下坡等各类运动状态下的三维，六自由度运动学数据，评估关节的运动功能。为临床诊疗(骨科、关节外科、运动医学科、康复科)提供支持，并可用来进行相关关节疾病的科学研究，目前广泛应用于临床运动相关疾病的诊断和康复指导，其研究数据在国内外学术期刊上被广泛登载。卷积神经网络(convolutionalneuralnetwork,cnn)已经被证明在图像识别和自然语言处理领域取得突破精度。cnn能够提取出图像数据或序列数据中隐含的一系列特征用于分割和预测任务。多层的卷积神经网络中提取的不同层次特征旨在编码不同抽象程度的信息。深层特征更多关注全局特征/语义层信息，较少关注细节信息，而浅层特征能够捕捉数据中局部特征/细节信息。长短时记忆网络(longshort-termmemory,lstm)作为一种特殊的循环神经网络，能够有效解决一般循环神经网络中存在的长期依赖问题，被广泛地用于解决各类问题，例如时间序列预测和识别。lstm单元通过控制遗忘门、输入门、输出门的门控结构状态，实现序列信息的保护与控制等处理，进而提取序列丰富的特征。现行对患者进行前束交叉韧带损伤诊断是由医生根据患者mri影像进行人工判定，人工诊断效率低且需要具备专业知识的医生进行诊断。技术实现要素：本发明实施例提供一种前束交叉韧带损伤评估方法及装置，能实现前束交叉韧带损伤的自动评估，提高前束交叉韧带损伤评估效率。本发明一实施例提供一种前束交叉韧带损伤评估方法，包括：获取待检测者的optikneee膝关节三维运动数据；将所述的optikneee膝关节三维运动数据输入至预设的损伤评估模型中，以使所述损伤评估模型根据所述optikneee膝关节三维运动数据对所述待检测者的前束交叉韧带进行损伤评估。进一步的，所述获取待检测者的optikneee膝关节三维运动数据，具体包括：接收由optiknee膝关节三维运动分析系统实时测量所述待检测者在一个行走周期内膝关节六自由度运动数据的均值，获得所述待检测者的optikneee膝关节三维运动数据；其中，膝关节六自由度运动数据包括：外展度数、内收度数、前屈度数、后伸度数、内旋度数、外旋度数、前后位移、内外位移以及上下位移。进一步的，所述损伤评估模型的构建方法包括：获取若干测试者在一个行走周期内膝关节六自由度运动数据的均值，生成若干训练样本；其中，所述若干测试者包括若干前束交叉韧带损伤的测试者以及若干前束交叉韧带未损伤的测试者；将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm的网络进行训练，生成所述损伤评估模型；其中，在将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm的网络进行训练时，通过所述多参数vgg网络以及基于注意力的lstm的网络对每一所述训练样本进行特征提取，将所述多参数vgg网络以及基于注意力的lstm的网络所提取的特征进行特征融合获得每一所述训练样本的特征向量，继而根据每一所述训练样本的特征向量生成每一训练样本的预测值，根据每一所述训练样本的预测值确定每一所述训练样本对应的前束交叉韧带损伤评估结果。进一步的，所述多参数vgg网络的每个通道内设置有7个卷积层、7个激活函数层、3个池化层以及1个压平层；所述基于注意力的lstm的网络包括级联的第一lstm层和第二lstm层。在上述方法项实施例的基础上，本发明对应提供了装置项实施例：本发明一实施例提供了一种前束交叉韧带损伤评估装置，包括：数据获取模块以及损伤评估模块；所述数据获取模块，用于获取待检测者的optikneee膝关节三维运动数据；所述损伤评估模块，用于将所述的optikneee膝关节三维运动数据输入至预设的损伤评估模型中，以使所述损伤评估模型根据所述optikneee膝关节三维运动数据对所述待检测者的前束交叉韧带进行损伤评估。进一步的，所述数据获取模块，用于获取待检测者的optikneee膝关节三维运动数据，具体包括：所述数据获取模块，接收由optiknee膝关节三维运动分析系统实时测量所述待检测者在一个行走周期内膝关节六自由度运动数据的均值，获得所述待检测者的optikneee膝关节三维运动数据；其中，所述膝关节六自由度运动数据包括：外展度数、内收度数、前屈度数、后伸度数、内旋度数、外旋度数、前后位移、内外位移以及上下位移。进一步的，还包括损伤模型预测模型构建模块；所述损伤模型预测模型构建模块，用于获取若干测试者在一个行走周期内膝关节六自由度运动数据的均值，生成若干训练样本；其中，所述若干测试者包括若干前束交叉韧带损伤的测试者以及若干前束交叉韧带未损伤的测试者；将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm的网络进行训练，生成所述损伤评估模型；其中，在将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm的网络进行训练时，通过所述多参数vgg网络以及基于注意力的lstm网络对每一所述训练样本进行特征提取，将所述多参数vgg网络以及基于注意力的lstm的网络所提取的特征进行特征融合获得每一所述训练样本的特征向量，继而根据每一所述训练样本的特征向量生成每一训练样本的预测值，根据每一所述训练样本的预测值确定每一所述训练样本对应的前束交叉韧带损伤评估结果。进一步的，所述多参数vgg网络的每个通道内设置有7个卷积层、7个激活函数层、3个池化层以及1个压平层；所述基于注意力的lstm的网络包括级联的第一lstm层和第二lstm层。通过实施本发明实施例具有如下有益效果：本发明实施例提供了一种前束交叉韧带损伤评估方法，该方法基于检测者的optikneee膝关节三维运动数据以及预设的损伤评估模型，对检测者的前束交叉韧带进行自动化损伤评估，相比与传统的由医生根据患者的mri影像进行人工判定的方法来讲，提高了前束交叉韧带损伤评估的效率。附图说明图1是本发明一实施例提供的一种前束交叉韧带损伤方法的流程示意图。图2是本发明一实施例提供的损伤评估模型结构框架示意图。图3是本发明一实施例提供的一种前束交叉韧带损伤装置的结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1所示，本发明一实施例提供了一种前束交叉韧带损伤评估方法，至少包括：步骤s101：获取待检测者的optikneee膝关节三维运动数据。步骤s102：将所述的optikneee膝关节三维运动数据输入至预设的损伤评估模型中，以使所述损伤评估模型根据所述optikneee膝关节三维运动数据对所述待检测者的前束交叉韧带进行损伤评估。对于步骤s101、在一个优选的实施例中，所述获取待检测者的optikneee膝关节三维运动数据，具体包括：接收由optiknee膝关节三维运动分析系统实时测量所述待检测者在一个行走周期内膝关节六自由度运动数据的均值，获得所述待检测者的optikneee膝关节三维运动数据；其中，膝关节六自由度运动数据包括：外展度数、内收度数、前屈度数、后伸度数、内旋度数、外旋度数、前后位移、内外位移以及上下位移。对于步骤s102、在一个优选的实施例中，所述损伤评估模型的构建方法包括：获取若干测试者在一个行走周期内膝关节六自由度运动数据的均值，生成若干训练样本；其中，所述若干测试者包括若干前束交叉韧带损伤的测试者以及若干前束交叉韧带未损伤的测试者；将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm网络进行训练，生成所述损伤评估模型；其中，在将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm的网络进行训练时，通过所述多参数vgg网络以及基于注意力的lstm的网络对每一所述训练样本进行特征提取，将所述多参数vgg网络以及基于注意力的lstm的网络所提取的特征进行特征融合获得每一所述训练样本的特征向量，继而根据每一所述训练样本的特征向量生成每一训练样本的预测值，根据每一所述训练样本的预测值确定每一所述训练样本对应的前束交叉韧带损伤评估结果。所述多参数vgg网络的每个通道内设置有7个卷积层、7个激活函数层、3个最大池化层以及1个压平层；所述基于注意力的lstm的网络包括级联的第一lstm层和第二lstm层。为了更好的说明本方案，以下对上述预设的损伤评估模型进行详细的说明：首先是样本数据的提取：通过关节三维运动测量系统，可以捕捉到个体单腿关节六自由度运动数据，包括：外展/内收(单位：度)，前屈/后伸(单位：度)，内旋/外旋(单位：度)，前后位移(单位：厘米)，内外位移(单位：厘米)，上下位移(单位：厘米)。对这些数据的分析能够为膝关节运动功能评估提供有价值的信息。在本发明中将所有测试者根据单腿的前交叉韧带是否受伤分为两组，其中单腿正常(acl-i)250例(不区分左右腿)为一组，单腿受伤(acl-d)160例(不区分左右腿)为一组。然后，分别计算这两组个体的关节六自由度运动数据的单周期均值。为了保证每个样例具有一个行走周期的序列数据，采用optiknee系统为每个样例产生96个样本点对应一个行走测试周期。其中每个样本点具有上述膝关节六自由度运动数据，然后求出96个样本点中外展度数、内收度数、前屈度数、后伸度数、内旋度数、外旋度数、前后位移、内外位移以及上下位移这6个自由度运动数据的均值，即可获得上述若干样本数据。此外，每个样本数据均设置有一个标签数据，0代表正常腿，1代表受伤腿。其次模型的训练：为了提取每个样本数据的局部序列特征和全局关联特征，如图2所示，本发明采用多参数vgg(mvgg)和基于注意力的lstm的网络(a-lstm)，数据并行输入双网络，其中多参数vgg的参数数量与样本点的数据维数相同。多参数vgg每个通道内包含7个卷积层、3个最大池化层和1个压平层，其中每个卷积块包括：卷积层、激活函数层；基于注意力机制的lstm网络包括级联2层lstm层，第一lstm层中隐藏神经元数分别为50个、第二lstm层中隐藏神经元数为20个，并在lstm处理后实现注意力机制。通过多参数vgg网络提取样本数据中的局部特征，通过注意力机制的lstm网络提取样本数据的全局关联特征，然后将两个网络得到的特征进行拼接融合，得到每一样本数据的特征向量。优选的模型的学习率和训练批次大小设置为0.001和64，优化器为adam，损失函数为交叉熵损失。每个通道的卷积神经网络具体结构参数如下：表一：多参数vgg网络结构表二：注意力lstm网络结构最后是是结果预测基于集成以上多层卷积神经网络和循环神经网络，将每个数据样本转化为1010维(1000+10)的特征。为了将以上特征值转化为最终的预测值，采用神经元数为1的全连接层和非线性激活层(sigmoid函数)，将特征转为0-1间的概率值。当预测值大于阈值时，预测结果为1，即受伤腿，否则为0，即正常腿。为验证本发明所建的损伤评估模型的效果,采用五倍交叉验证法，将所有样本点(410例)平均分为5份，每份样本中正常腿和受伤腿的比例，与总样本中两个类别的比例保持一致。每次训练抽取其中4份样本作为训练集(328例)，另外1份作为测试集(82例)。将以上步骤重复5次，并进行了10次随机实验，即共进行了50次实验，取结果的平均值作为最终模型的实验结果。本发明所提供的方案构建的模型(mvgg+a-lstm)以及由其他网络构建的模型在各评价指标下的具体数值如表三所示：表三：各网络的评价值accspesenaucmvgg+a-lstm0.77040.83690.66400.7817mvgg0.75980.83130.65350.7741a-lstm0.75500.84500.61880.7579lstm0.74740.83240.61920.7562vgg0.74150.83840.59760.7342gru0.73150.85200.55040.7166评价指标包括：准确率(acc)，特异度(spe),灵敏度(sen),roc曲线下方面积值(auc)。比对模型包括：门控循环单元网络(gru)、长短时记忆网络(lstm)、基于注意力的长短时记忆网络(a-lstm)三种循环神经网络，以及单参数的vgg网络和多参数vgg网络(mvgg)。从上述表格中可以看出，本发明联合多参数vgg网络以及基于注意力的lstm的网络所构建的损伤评估模型(mvgg+a-lstm)，根据在特征提取中具有显著优势，可以更好的捕捉局部时序特征和全局关联特征，能够提高前束交叉韧带损伤评估的准确性。通过上述方案训练完损伤评估模型后，获取待检测者的optikneee膝关节三维运动数据然后输入至模型中，即可获悉待检测者的前束交叉韧带是否出现损失，完成对待检测者的前束交叉韧带的损伤评估。在本发明上述方法项实施例的基础上，对应的提供了装置项实施例；如图3所示，本发明一实施例提供了一种前束交叉韧带损伤评估装置，包括数据获取模块以及损伤评估模块；所述数据获取模块，用于获取待检测者的optikneee膝关节三维运动数据；所述损伤评估模块，用于将所述的optikneee膝关节三维运动数据输入至预设的损伤评估模型中，以使所述损伤评估模型根据所述optikneee膝关节三维运动数据对所述待检测者的前束交叉韧带进行损伤评估。在一个优选的实施例中，所述数据获取模块，用于获取待检测者的optikneee膝关节三维运动数据，具体包括：所述数据获取模块，接收由optiknee膝关节三维运动分析系统实时测量所述待检测者在一个行走周期内膝关节六自由度运动数据的均值，获得所述待检测者的optikneee膝关节三维运动数据；其中，所述膝关节六自由度运动数据包括：外展度数、内收度数、前屈度数、后伸度数、内旋度数、外旋度数、前后位移、内外位移以及上下位移。在一个优选的实施例中，还包括损伤模型预测模型构建模块；所述损伤模型预测模型构建模块，用于获取若干测试者在一个行走周期内膝关节六自由度运动数据的均值，生成若干训练样本；其中，所述若干测试者包括若干前束交叉韧带损伤的测试者以及若干前束交叉韧带未损伤的测试者；将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm的网络进行训练，生成所述损伤评估模型；其中，在将若干所述训练样本并行输入多参数vgg网络以及基于注意力的lstm的网络进行训练时，通过所述多参数vgg网络以及基于注意力的lstm的网络对每一所述训练样本进行特征提取，将所述多参数vgg网络以及基于注意力的lstm的网络所提取的特征进行特征融合获得每一所述训练样本的特征向量，继而根据每一所述训练样本的特征向量生成每一训练样本的预测值，根据每一所述训练样本的预测值确定每一所述训练样本对应的前束交叉韧带损伤评估结果。在一个优选的实施例中，所述多参数vgg网络的每个通道内设置有7个卷积层、7个激活函数层、3个池化层以及1个压平层；所述基于注意力的lstm的网络包括级联的第一lstm层和第二lstm层。需要说明的是本发明上述方法项实施例是与本发明装置项实施例相对应的，此外，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。以上所述是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。当前第1页12