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。
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。