一种基于多源特征的腰痛患者肢体功能障碍自动评估方法

1.本发明属于肢体功能障碍评估技术领域，具体涉及一种基于多源特征的腰痛患者肢体功能障碍的自动评估方法。


背景技术：

2.腰痛是一种临床常见的高发疾病，严重影响患者的工作和生活，给患者和家庭带来沉重负担。功能障碍的精准评估是患者康复治疗和辅具适配方案确定的重要前提。
3.目前临床上主要基于行为学量表检查对腰痛患者进行肢体功能障碍评估，临床常用的量表有视觉模拟评分法(visual analogue scale，vas)、腰痛odi评分标准(the oswestry disability index，odi)、日本骨科协会评估治疗分数(japanese orthopaetic association scores，joa)、摩理斯生活障碍问卷(roland-morris disability questionnaire，rmdq)、魁北克腰痛障碍量表(quebec back pain disability scale，qbpds)等。
4.此外，临床会采用计算机断层扫描(ct)、超声(us)和磁共振成像(mri)等影像学方法来探究腰痛发病的原因，但缺乏与肢体功能障碍相关的mri影像特征的提取研究。
5.基于行为学的量表检查和基于核磁共振(magnetic resonance imaging,mri)的影像检查，虽可为腰痛患者肢体功能障碍评估提供多方面依据，但最后还需临床医生凭借自身经验做出综合判断。评估结果严重依赖医生的主观经验，存在主观性强、评估标准不统一、可靠性低等问题。因此，实现腰痛患者肢体功能障碍的自动精准评估成为急待解决的重要临床问题。
6.腰椎旁肌群是保护脊柱稳定的重要组成部分，研究表明，腰椎旁肌群横截面积(cross-sectional area，csa)的减少和脂肪浸润度(fat infiltration rate，fir)的增加可反映肌群的功能性退化。本发明经过研究对比选择腰椎旁肌群中的多裂肌与竖脊肌，研究发现它们的功能性退化在腰痛患者中表现尤为明显，后续将提取多裂肌与竖脊肌的横截面积和脂肪浸润度作为腰痛患者的mri影像学特征。
7.目前对于多裂肌、竖脊肌区域的提取，主要依赖于医生的手动分割，使得肌肉横截面积和脂肪浸润度影像学特征的计算存在准确率低、费时费力等缺点。u-net模型具有卷积网络结构，建立在全卷积神经网络(fully convolutional network，fcn)的基础上；该模型具有使用少量图像训练，也可实现图像精准分割的特点。
8.机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能及模式识别领域的共同研究热点，机器学习通过学习输入的数据，可实现不同样本的智能分类与识别。支持向量机(support vector machines，svm)是机器学习方法的一种，具有强大的预测能力，它的核心思想是基于结构风险最小化准则，寻找一个到不同类别样本点的边界距离都能达到最大的最佳判别超平面，它具有泛化能力好、小样本分类表现优秀、运算复杂度低等优点。


技术实现要素：

9.针对临床现有的腰痛患者肢体功能障碍评估方法存在主观性强、可靠性低等缺陷，本发明的目的在于，提供一种基于多源特征的腰痛患者肢体功能障碍自动评估方法。
10.为了实现上述任务，本发明采用如下的技术解决方案予以实现：
11.一种基于多源特征的腰痛患者肢体功能障碍自动评估方法，其特征在于，具体实现步骤如下：
12.步骤一：使用u-net神经网络对腰痛患者腰部核磁共振影像中的多裂肌、竖脊肌进行自动分割，使用阈值法实现肌肉横截面积、脂肪浸润度等影像学特征的提取；
13.步骤二：基于腰痛患者多种临床评估量表，筛选出与肢体功能相关性强的量表，并提取量表特征；
14.步骤三：将量表特征、影像学特征进行归一化处理，构成特征集；
15.步骤四：使用支持向量机递归特征消除算法对所有特征进行筛选，降低特征冗余，确定最优的特征组合；
16.步骤五：选取有监督机器学习中的支持向量机方法构建评估模型，以最优特征组合作为模型输入，以视觉模拟评分法得分作为评估模型的导师监督信号；
17.步骤六：采用网格寻优方式进行模型参数的寻优，并通过模型训练，完成腰痛患者肢体功能障碍评估模型的构建，实现对腰痛患者肢体功能障碍程度的自动评估；
18.上述步骤一中所述的使用u-net神经网络和阈值法提取mri影像学特征的方法为：
19.①
选取患者l3-l4脊柱段椎间盘的三张mri轴位图像；
20.②
基于对比度受限自适应直方图均衡法提升mri图像对比度，通过降低局部直方图的高度来限制噪声放大和增强局部对比度；
21.③
基于adam优化器构建u-net网络，学习率为10-4
，衰减系数为10-6
，迭代次数为100，动量系数为0.9，并用图形处理器(gpu)进行训练和测试，最终实现多裂肌、竖脊肌的自动分割；
22.④
采用最大类间方差法区分肌肉和脂肪组织。基于图像的直方图确定一个灰度值作为阈值，然后以此阈值将图像的直方图划分为两个不同的类，使得这两个类的类间方差达到最大值：
23.σ
t2
＝ω0*ω1*(μ
0-μ1)224.式中，ω0、ω1为两类的出现概率，μ0、μ1为两类的均值；
25.遍历图像所有灰度值，找出使得取得最大值的灰度值t，则最佳阈值就是t；
26.⑤
基于肌肉和脂肪组织的像素点数量，计算肌肉横截面积(csa)和脂肪浸润度(fir)特征：
27.csa＝p
total
*k
28.式中，p
total
为roi的像素数量之和；k为比例尺。
[0029][0030]
式中，p
fat
为阈值分割后脂肪的像素总数；p
total
为该区域的总像素数量。
[0031]
最后，将多裂肌、竖脊肌的肌肉横截面积和脂肪浸润度特征作为mri影像学特征。
[0032]
上述步骤二中所述的腰痛量表筛选及量表特征提取的结果为：
[0033]
经过研究、筛选，选取与腰痛患者肢体功能障碍相关性强的量表主要包括：odi评分标准(the oswestry disability index，odi)和日本骨科协会评估治疗分数(japanese orthopaetic association scores，joa)。将odi量表、joa量表的小题得分和总分作为量表行为学特征。
[0034]
上述步骤三中所述的特征归一化处理的计算方法为：
[0035][0036]
式中，x
nor
为归一化特征，x
max
为特征的最大值，x
min
为特征的最小值，x为特征值。
[0037]
上述步骤四中所述的用于特征筛选的svm-rfe算法具体实现的方法是：
[0038]
①
利用数据集训练svm模型，得到训练后的svm模型参数；
[0039]
②
选择合适的排序准则，分别计算量表行为学特征和mri影像学特征在该准则下的分数；
[0040]
③
在当前数据集中剔除最低得分的特征，执行上述过程直至剩余最后一个特征。
[0041]
常用的排序准则为：rc＝|w
2-w-(p)2
|
[0042]
式中，w2和w-(p)2
分别表示完整svm的权重和假设剔除第p个特征后svm的权重。
[0043]
w2的表示形式为：
[0044]
式中，i、j表示循环变量；y表示类别标记；n表示样本数目；k(xi,xj)表示核函数；和由解算svm对偶优化问题得到。
[0045]
svm-rfe算法对每个特征的得分进行排序，去掉最小得分的特征，然后用剩余的特征再次训练模型，进行下一次迭代。最后，获得最优的特征组合。
[0046]
上述步骤五中导师监督信号选取及评估模型构建的具体方法为：
[0047]
以最优的特征组合作为模型输入，以vas得分作为模型的导师监督信号。根据vas得分范围将腰痛患者分别定义为轻度障碍、中度障碍、重度障碍。其中vas得分0-3分属于轻度障碍，4-6分属于中度障碍，7-10分属于重度障碍。
[0048]
以多分类支持向量机方法构建评估模型，其中核函数为径向基函数。模型输出分为三级，分别定义为“1”、“2”、“3”，并各自对应轻度障碍、中度障碍、重度障碍。
[0049]
上述步骤六中，svm模型参数的寻优和肢体功能障碍程度自动评估的具体方法是：
[0050]
①
支持向量机模型中的核函数选用径向基核函数，其定义表达式为：
[0051][0052]
式中，σ是径向基半径；
[0053]
②
定义惩罚因子c；
[0054]
③
设置初始的模型参数c、g寻优范围及步长，通过网格搜索，遍历每一组c、g的取值，计算模型的分类正确率；
[0055]
④
选择分类正确率最大的模型参数c、g作为模型的最优参数。
[0056]
基于训练好的模型，即可实现对腰痛患者肢体功能障碍的自动评估。
[0057]
本发明首次提出了腰痛患者肢体功能障碍自动评估方法，采用svm算法结合临床量表特征及mri影像学特征，实现对腰痛患者肢体功能障碍的综合判定和评估；进一步采用基于u-net网络的深度学习方法实现双侧多裂肌、竖脊肌群mri图像的自动分割，提高了分割的精准性。首次提出了将基于行为学检测的量表特征和基于mri的影像学特征相结合的方式，构成多源特征集，并进行特征优化、降低冗余；最后，利用机器学习方法实现腰痛患者的肢体功能障碍评估。该方法具有准确率高、可靠性强、操作便捷、易于临床推广等优势。
附图说明
[0058]
图1腰痛患者肢体功能障碍自动评估方法的技术路线图。
[0059]
下面结合附图和实施例对本发明进行进一步详细说明。
具体实施方式
[0060]
参见图1，本实施例给出一种腰痛患者肢体功能障碍自动评估方法，具体实现步骤如下：
[0061]
步骤一：使用u-net神经网络对腰痛患者腰部核磁共振影像中的多裂肌、竖脊肌进行自动分割，使用阈值法实现肌肉横截面积、脂肪浸润度等影像学特征的提取；
[0062]
使用u-net神经网络和阈值法提取影像学特征的方法如下：
[0063]
①
选取患者l3-l4脊柱段椎间盘的三张mri轴位图像；
[0064]
②
基于对比度受限自适应直方图均衡法提升mri图像对比度，通过降低局部直方图的高度来限制噪声放大和增强局部对比度；
[0065]
③
基于adam优化器构建u-net网络，学习率为10-4
，衰减系数为10-6
，迭代次数为100，动量系数为0.9，并用图形处理器(gpu)进行训练和测试，最终实现多裂肌、竖脊肌的自动分割；
[0066]
④
采用最大类间方差法区分肌肉和脂肪组织。基于图像的直方图确定一个灰度值作为阈值，然后以此阈值将图像的直方图划分为两个不同的类，使得这两个类的类间方差达到最大值：
[0067]
σ
t2
＝ω0*ω1*(μ
0-μ1)2[0068]
式中，ω0、ω1为两类的出现概率，μ0、μ1为两类的均值；
[0069]
遍历图像所有灰度值，找出使得取得最大值的灰度值t，则最佳阈值就是t；
[0070]
⑤
基于肌肉和脂肪组织的像素点数量，计算肌肉横截面积(csa)和脂肪浸润度(fir)特征：
[0071]
csa＝p
total
*k
[0072]
式中，p
total
为roi的像素数量之和；k为比例尺。
[0073][0074]
式中，p
fat
为阈值分割后脂肪的像素总数；p
total
为该区域的总像素数量。
[0075]
最后，将多裂肌、竖脊肌的肌肉横截面积和脂肪浸润度特征作为mri影像学特征。
[0076]
步骤二：基于腰痛患者多种临床评估量表，筛选出与肢体功能相关性强的量表，并提取量表特征；
[0077]
对腰痛量表的筛选和特征提取的结果如下：
[0078]
经过研究、筛选，选取与腰痛患者肢体功能障碍相关性强的量表主要包括：odi评分标准(the oswestry disability index，odi)和日本骨科协会评估治疗分数(japanese orthopaetic association scores，joa)。将odi量表、joa量表的小题得分和总分作为量表行为学特征。
[0079]
步骤三：将量表特征、影像学特征进行归一化处理，构成特征集；
[0080]
特征归一化处理的方法如下：
[0081][0082]
式中，x
nor
为归一化特征，x
max
为特征的最大值，x
min
为特征的最小值，x为特征值。
[0083]
步骤四：使用支持向量机递归特征消除算法(svm-rfe)对所有特征进行筛选，降低特征冗余，确定最优的特征组合；
[0084]
svm-rfe算法具体实现的方法如下：
[0085]
①
利用训练集训练svm，得到训练后的svm参数；
[0086]
②
选择合适的排序准则，分别计算量表行为学特征和mri影像学特征在该准则下的分数；
[0087]
③
在当前数据集中剔除最低得分的特征，执行上述过程直至剩余最后一个特征。
[0088]
常用的排序准则为：rc＝|w
2-w-(p)2
|
[0089]
式中，w2和w-(p)2
分别表示完整svm的权重和假设剔除第p个特征后svm的权重。
[0090]
w2的表示形式为：
[0091]
式中，i、j表示循环变量；y表示类别标记；n表示样本数目；k(xi,xj)表示核函数；和由解算svm对偶优化问题得到。
[0092]
svm-rfe算法对每个特征的得分进行排序，去掉最小得分的特征，然后用剩余的特征再次训练模型，进行下一次迭代。最后，获得最优的特征组合。
[0093]
本实施例中发明人通过对比svm-rfe方法使用前后的准确率表明，svm-rfe算法能够有效去除特征冗余，模型的分类准确率提升了5％。
[0094]
步骤五：选取有监督机器学习中的支持向量机方法构建评估模型，以最优特征组合作为模型输入，以视觉模拟评分法(vas)得分作为评估模型的导师监督信号；
[0095]
导师监督信号选取及评估模型构建的方法如下：
[0096]
以最优的特征组合作为模型输入，以vas得分作为模型的导师监督信号。根据vas得分范围将腰痛患者分别定义为：轻度障碍、中度障碍、重度障碍。其中vas得分0-3分属于轻度障碍，4-6分属于中度障碍，7-10分属于重度障碍。
[0097]
以多分类支持向量机方法构建评估模型，其中核函数选取径向基函数。模型输出分为三级，分别定义为“1”、“2”、“3”，并各自对应轻度障碍、中度障碍、重度障碍。
[0098]
步骤六：采用网格寻优方式进行模型参数的寻优，并通过模型训练，完成腰痛患者肢体功能障碍评估模型的构建，实现对腰痛患者肢体功能障碍程度的自动评估；
[0099]
svm模型的参数寻优和自动评估肢体功能障碍等级的具体方法如下：
[0100]
①
支持向量机模型中的核函数选用径向基核函数，其定义表达式为：
[0101][0102]
式中，σ是径向基半径；
[0103]
②
定义惩罚因子c；
[0104]
③
设置初始的模型参数c、g寻优范围及步长，通过网格搜索，遍历每一组c、g的取值，计算模型的分类正确率；
[0105]
④
选择分类正确率最大的模型参数c、g作为模型的最优参数。
[0106]
最后，基于训练好的模型，即可实现对腰痛患者肢体功能障碍的自动评估。
[0107]
综上，本实施例给出的基于多源特征的腰痛患者肢体功能障碍自动评估方法，利用机器学习方法，结合行为学、影像学等多源特征，实现了对腰痛患者肢体功能障碍的自动评估。具有准确度高、可靠性强、使用便捷、易于临床推广等特点，对于腰痛的临床治疗方案制定、疗效评估、康复训练、辅具适配等都有着重要的意义。