一种基于人工智能的桡骨远端骨折AO分型方法与流程

本发明属于骨折诊断，尤其涉及一种基于人工智能的桡骨远端骨折ao分型方法。

背景技术：

1、骨折是指骨的完整性或连续性中断，是一种常见的骨科疾病。其中桡骨远端骨折是指距桡骨远端关节面3cm内的骨折，发病率占前臂骨折的74%，占全身骨折的1/6。骨骼医学影像，在骨折的检测和治疗上有重要的作用。目前骨骼医学影像技术主要包括x线片（x-ray）、核磁共振（mri）、计算机断层扫描（ct）及超声波等。其中，x线片因为相对安全、廉价及方便易得，是目前最广泛使用的影像技术。但是基于影像的骨折ao分型的诊断高度依赖于专业医生的判断，阅片量大时，医生的判断能力可能会下降；某些复杂性骨折，可能需要花费较多的时间来判断ao分型，对于年轻医生这个问题尤为突出，而较多的时间会带给患者更多的痛苦；在偏远地区，专业医生数量可能不能满足。

2、近年来，人工智能（artificial intelligence, ai）技术快速发展，能够作为辅助医生进行决策的客观工具。通过ai技术，影像医生或临床专家可以不用在一些常规任务上花费太多时间，而可以把主要精力集中在一些偶然事件上。此外，使用ai技术可以快速读取分析影像数据，所有的判断都可以基于同样的标准，相对而言比较客观。并且ai技术具有很好的移植性，训练好的ai系统可以很容易加载到新的设备（如电脑）上，有利于偏远地区的普及。将人工智能应用到骨折的诊断上具有很大的潜力，但是，目前的研究都只是检测是否存在骨折现象，即使有的研究会对骨折的位置进行定位，但临床意义仍然有限。

技术实现思路

1、为了解决现有技术中存在的问题，本发明的目的是提供一种基于人工智能的桡骨远端骨折ao分型方法，本发明以卷积神经网络为基础，构建诊断是否骨折的ai模型，应用迁移学习构建诊断骨折ao分型的ai模型，辅助读取x线片，对骨折进行ao分型，辅助医生进行骨折的诊断与治疗。

2、为了实现上述发明目的，本发明采用如下所述的技术方案：

3、一种基于人工智能的桡骨远端骨折ao分型方法，包括：

4、s1：构建标签化的桡骨远端骨折ao分型数据集；

5、s2：对数据集内的图片预处理；

6、s3：构建诊断是否骨折的第一ai模型；

7、s4：基于步骤s3的诊断是否骨折的第一ai模型，采用迁移学习，构建诊断骨折ao分型的第二ai模型。

8、s5：采用第二ai模型对步骤s1中的数据集内的图像进行骨折ao分型。

9、进一步的，在步骤s1中，收集大量的桡骨远端骨折x线片图像及相应的临床信息，并对收集到的x线片图像进行标注。

10、进一步的，在步骤s2中，通过拉伸、旋转、改变亮度及对比度来处理图像，增加图像复杂性及数量，并将所有图像调整到固定尺寸。

11、进一步的，在步骤s3中，构建vggnet网络模型作为诊断是否骨折的第一ai模型。

12、进一步的，在步骤s3中，构建vggnet网络模型，在vggnet网络模型中加入inception结构作为诊断是否骨折的第一ai模型。

13、进一步的，所述 vggnet网络模型中加入inception结构，具体为：在vggnet网络的中间层加入多个inception结构，提取更复杂的图像特征，通过卷积层、全连接层、softmax层输出最终分类。

14、进一步的，在步骤s3中，还包括对第一ai模型的训练，使用交叉熵函数作为训练阶段的损失函数，使用随机梯度下降法来更新第一ai模型的参数。

15、由于采用上述技术方案，本发明具有以下有益效果：

16、本发明用于骨折ao分型，能够对骨折情况进行全面评估，将有助于在术前进行手术方案的制定，包括手术人路、复位方式(直接复位或者间接复位)、内固定方式、内植入物的类型等，从而使治疗方案符合骨折愈合的生物学过程以及患者的功能要求。此外，本发明的ai模型具有很好的移植性，训练好的ai模型可以很容易加载到新的设备（如电脑）上，有利于偏远地区的普及。本发明的ai模型能够辅助医生快速读取x线片，对骨折进行ao分型，辅助医生进行骨折的诊断与治疗。

技术特征：

1.一种基于人工智能的桡骨远端骨折ao分型方法，其特征在于，包括：

2.根据权利要求1所述的基于人工智能的桡骨远端骨折ao分型方法，其特征在于，在步骤s1中，收集大量的桡骨远端骨折x线片图像及相应的临床信息，并对收集到的x线片图像进行标注。

3.根据权利要求1所述的基于人工智能的桡骨远端骨折ao分型方法，其特征在于，在步骤s2中，通过拉伸、旋转、改变亮度及对比度来处理图像，增加图像复杂性及数量，并将所有图像调整到固定尺寸。

4.根据权利要求1所述的基于人工智能的桡骨远端骨折ao分型方法，其特征在于，在步骤s3中，构建vggnet网络模型作为诊断是否骨折的第一ai模型。

5.根据权利要求1所述的基于人工智能的桡骨远端骨折ao分型方法，其特征在于，在步骤s3中，构建vggnet网络模型，在vggnet网络模型中加入inception结构作为诊断是否骨折的第一ai模型。

6.根据权利要求5所述的基于人工智能的桡骨远端骨折ao分型方法，其特征在于，所述vggnet网络模型中加入inception结构，具体为：在vggnet网络的中间层加入多个inception结构，提取更复杂的图像特征，通过卷积层、全连接层、softmax层输出最终分类。

7.根据权利要求1、4或5所述的基于人工智能的桡骨远端骨折ao分型方法，其特征在于，在步骤s3中，还包括对第一ai模型的训练，使用交叉熵函数作为训练阶段的损失函数，使用随机梯度下降法来更新第一ai模型的参数。

技术总结
本发明公开了一种基于人工智能的桡骨远端骨折AO分型方法，包括：S1：构建标签化的桡骨远端骨折AO分型数据集；S2：对数据集内的图片预处理；S3：构建诊断是否骨折的第一AI模型；S4：基于步骤S3的诊断是否骨折的第一AI模型，采用迁移学习，构建诊断骨折AO分型的第二AI模型。本发明以卷积神经网络为基础，构建诊断是否骨折的AI模型，应用迁移学习构建诊断骨折AO分型的AI模型，辅助读取X线片，对骨折进行AO分型，辅助医生进行骨折的诊断与治疗。

技术研发人员：邵长路,杨国钊,彭小娟,孙德顺,袁克磊
受保护的技术使用者：深圳市第二人民医院（深圳市转化医学研究院）
技术研发日：
技术公布日：2024/1/12