本發(fā)明涉及深度學習，尤其涉及一種脛骨干骨折骨愈合狀態(tài)評估模型訓練方法、評估方法及系統(tǒng)。

背景技術：

1、脛骨干骨折是最常見的長骨骨折之一，臨床上對其愈合程度的準確評估對于制定合理的康復方案至關重要。例如，決定患者是否可以進行負重訓練，何時拆除鋼板等內固定物，這些都依賴于骨折愈合狀態(tài)的評估。目前，醫(yī)生主要采用mrust評分系統(tǒng)（modifiedradiographic?union?score?for?tibia?fractures）通過x射線影像對骨折愈合進行判定。該評分系統(tǒng)需要醫(yī)生對正、側位x光片的多個骨皮質部分進行獨立評分，存在費時費力和主觀性較強的問題，特別是在需要多位醫(yī)生協(xié)同評分時，效率低下且容易產生主觀誤差。

2、目前還沒有方法能夠完成mrust的自動評分，但有一些類似的研究，例如骨折處的定位及分型。aertong等人使用yolo模型檢測兒童前臂骨折，其平均精度接近專業(yè)放射科醫(yī)生，顯著優(yōu)于普通醫(yī)生。一項研究指出，yolo在骨折檢測的平均精度優(yōu)于其他先進算法。然而，yolo主要設計用于快速目標檢測，對于復雜分類任務效果欠佳，需要結合其他網(wǎng)絡使用。因此，如果直接基于一階段模型進行骨折定位及mrust評分，可能無法準確識別和評估這些細微且逐漸變化的特征，導致評分結果不夠精準。相比之下，swintransformer在裂紋特征提取方面表現(xiàn)更佳，其自注意力機制和層次化設計可以在不同層次上捕捉不同范圍的特征，而卷積網(wǎng)絡通過增加深度和連續(xù)卷積操作擴展感受野，可能引入特征損失。liu等人結合yolo和swintransformer對股骨骨折進行ao/ota分類，結果表明該方法比單獨使用yolo更準確。然而，骨愈合需要觀察骨痂形成、骨橋的逐步連接以及骨折線的模糊化等變化，該算法在骨愈合研究上是否適用仍需驗證。

3、骨愈合是一個動態(tài)的生理學過程，從骨折到完全愈合經歷了多個階段，包括炎癥期、修復期和重塑期，涉及細胞增殖、基質形成和礦化等一系列連續(xù)的生理過程。然而，傳統(tǒng)的分類方法通常采用交叉熵損失函數(shù)，會忽視骨愈合狀態(tài)不同階段的標簽順序的信息，從而導致mrust的評分在臨床上無法準確反映愈合狀態(tài)。

技術實現(xiàn)思路

1、鑒于此，本發(fā)明實施例提供了一種脛骨干骨折骨愈合狀態(tài)評估模型訓練方法、評估方法及系統(tǒng)，以消除或改善現(xiàn)有技術中存在的一個或更多個缺陷。

2、一方面，本發(fā)明提供了一種基于mrust的脛骨干骨折骨愈合狀態(tài)評估模型訓練方法，所述方法包括以下步驟：

3、構建訓練樣本集，所述訓練樣本集包含多個樣本，每個樣本包含一張脛骨干x射線圖像；為每張脛骨干x射線圖像標注真實骨折區(qū)域和真實評分值；

4、構建評估模型，所述評估模型包括檢測模塊和評分模塊，所述評分模塊去除softmax函數(shù)，由全連接層直接輸出結果；所述評估模型以所述脛骨干x射線圖像為輸入，由所述檢測模塊對所述脛骨干x射線圖像進行檢測，得到預測骨折區(qū)域，由所述評分模塊對所述預測骨折區(qū)域的骨愈合狀態(tài)進行評分，得到預測評分值，并將所述預測評分值作為所述評估模型的輸出；

5、采用所述訓練樣本集對所述檢測模塊進行訓練，訓練完成后固定所述檢測模塊的參數(shù)，再對所述評分模塊進行訓練，直至達到預設性能，得到脛骨干骨折骨愈合狀態(tài)評估模型。

6、在本發(fā)明的一些實施例中，構建訓練樣本集之前，對所述脛骨干x射線圖像進行預處理，包括：

7、對所述脛骨干x射線圖像進行歸一化處理，將像素值縮放至0~1范圍；

8、使用自適應直方圖均衡化增加所述脛骨干x射線圖像的對比度；

9、采用數(shù)據(jù)增強技術對所述脛骨干x射線圖像進行隨機變換，生成多個不同版本的圖像。

10、在本發(fā)明的一些實施例中，構建評估模型，所述評估模型包括檢測模塊和評分模塊，還包括：

11、所述檢測模塊采用yolov9模型，采用cspdarknet作為主干網(wǎng)絡，通過可編程梯度信息技術，在計算梯度時根據(jù)實際需要自適應調整梯度的傳播路徑、方向和大小，以優(yōu)化梯度傳遞，提高檢測精度。

12、在本發(fā)明的一些實施例中，所述檢測模塊對所述脛骨干x射線圖像進行檢測，得到預測骨折區(qū)域，包括：

13、將所述脛骨干x射線圖像輸入所述檢測模塊；

14、所述檢測模塊通過卷積網(wǎng)絡提取所述脛骨干x射線圖像的特征，生成特征圖；在所述特征圖上生成錨框，并對每個錨框預測邊界參數(shù)，得到所述預測骨折區(qū)域。

15、在本發(fā)明的一些實施例中，由所述評分模塊對所述預測骨折區(qū)域的骨愈合狀態(tài)進行評分之前，還包括：

16、調整所述預測骨折區(qū)域的像素，當調整后尺寸變小時，填充黑邊以保持尺寸一致。

17、在本發(fā)明的一些實施例中，采用所述訓練樣本集對所述檢測模塊進行訓練時，包括：

18、計算所述預測骨折區(qū)域與所述真實骨折區(qū)域的交并比，根據(jù)預設的交并比閾值篩選預測骨折區(qū)域，并調整所述檢測模塊參數(shù)。

19、在本發(fā)明的一些實施例中，對所述評分模塊進行訓練時，包括：

20、構建所述預測評分值和所述真實評分值之間的均方誤差損失，以最小化所述均方誤差損失為目標，優(yōu)化所述評分模塊。

21、另一方面，本發(fā)還提供了一種基于mrust的脛骨干骨折骨愈合狀態(tài)評估方法，所述方法包括：

22、獲取待評估的脛骨干x射線圖像；

23、將所述脛骨干x射線圖像輸入上文中提及的任一項所述基于mrust的脛骨干骨折骨愈合狀態(tài)評估模型訓練方法訓練得到的脛骨干骨折骨愈合狀態(tài)評估模型中，生成脛骨干骨折骨愈合狀態(tài)評分值。

24、另一方面，本發(fā)還提供了一種基于mrust的脛骨干骨折骨愈合狀態(tài)評估系統(tǒng)，所述系統(tǒng)被執(zhí)行時能夠實現(xiàn)如上文所述基于mrust的脛骨干骨折骨愈合狀態(tài)評估方法，所述系統(tǒng)包括：

25、數(shù)據(jù)處理模塊，用于獲取待評估的脛骨干x射線圖像，并對所述脛骨干x射線圖像進行預處理；

26、狀態(tài)評分模塊，包括基于上文中提及的任一項所述基于mrust的脛骨干骨折骨愈合狀態(tài)評估模型訓練方法訓練得到的脛骨干骨折骨愈合狀態(tài)評估模型，用于根據(jù)所述脛骨干x射線圖像自動評估脛骨干骨折骨愈合狀態(tài)；

27、評估輸出模塊，用于輸出脛骨干骨折骨愈合狀態(tài)評分值。

28、另一方面，本發(fā)還提供了一種計算機可讀存儲介質，其上存儲有計算機程序/指令，該計算機程序/指令被處理器執(zhí)行時實現(xiàn)如上文中提及的任一項所述方法的步驟。

29、本發(fā)明提供一種脛骨干骨折骨愈合狀態(tài)評估模型訓練方法、評估方法及系統(tǒng)，包括：構建訓練樣本集，每個樣本包含一張脛骨干x射線圖像，為每個樣本添加標簽；構建評估模型，包括檢測模塊和評分模塊，其中評分模塊不再采用離散分類的方式，而是通過全連接層直接輸出連續(xù)評分值；評估模型以脛骨干x射線圖像為輸入，由檢測模塊檢測得到預測骨折區(qū)域，由評分模塊對預測骨折區(qū)域的骨愈合狀態(tài)評分，得到預測評分值，并將其作為評估模型的輸出；采用訓練樣本集對檢測模塊進行訓練，訓練完成后固定檢測模塊的參數(shù)，再對評分模塊進行訓練，直至達到預設性能，得到脛骨干骨折骨愈合狀態(tài)評估模型?；诒景l(fā)明提供的訓練方法訓練得到的脛骨干骨折骨愈合狀態(tài)評估模型，能夠準確檢測骨折區(qū)域并評估骨愈合狀態(tài)，減少主觀誤差，提高評分準確性；進一步的，基于該脛骨干骨折骨愈合狀態(tài)評估模型進行自動化評分，減少人工評分所需的時間和人工成本，提高了評分效率；進一步的，去除評分模塊的softmax函數(shù)，由全連接層直接輸出結果，能夠得到連續(xù)評分值，從而更細致地反應骨愈合的動態(tài)過程，克服了現(xiàn)有mrust評分離散性的限制。

30、本發(fā)明的附加優(yōu)點、目的，以及特征將在下面的描述中將部分地加以闡述，且將對于本領域普通技術人員在研究下文后部分地變得明顯，或者可以根據(jù)本發(fā)明的實踐而獲知。本發(fā)明的目的和其它優(yōu)點可以通過在說明書以及附圖中具體指出的結構實現(xiàn)到并獲得。

31、本領域技術人員將會理解的是，能夠用本發(fā)明實現(xiàn)的目的和優(yōu)點不限于以上具體所述，并且根據(jù)以下詳細說明將更清楚地理解本發(fā)明能夠實現(xiàn)的上述和其他目的。