本發(fā)明涉及醫(yī)學影像分析與人工智能，特別涉及一種基于深度學習的脊柱骨質(zhì)疏松性骨折評估方法及系統(tǒng)。

背景技術：

1、現(xiàn)有臨床評估體系存在顯著技術瓶頸：傳統(tǒng)診斷方法主要依賴雙能x射線骨密度儀（dual?energy?x-ray?absorptiometry,?dxa）評估骨密度（bone?mineral?density,bmd），并結(jié)合frax等風險評估工具進行脊柱骨折風險預測，但其僅能評估脊柱整體風險而無法定位高危椎體，導致漏診率居高不下。

2、近年來人工智能技術嘗試突破上述限制，但現(xiàn)有方案仍存在以下技術缺陷：

3、1）忽略骨折級聯(lián)效應：傳統(tǒng)機器學習方法通過影像組學提取單椎體紋理等特征，但未考慮椎體間的"骨折級聯(lián)效應"，即當某個椎體出現(xiàn)異常時會增加其余椎體的骨折風險，對相鄰椎體影響最大。因此，相鄰椎體骨折風險依賴關聯(lián)性被忽略可導致預測準確率下降；

4、2）全局感知能力不足：深度學習方法需堆疊多層卷積實現(xiàn)跨椎體交互，導致模型參數(shù)量激增與計算效率降低，且標準三維卷積核的立方體感受野（如3×3×3）難以覆蓋脊柱狹長型解剖結(jié)構(gòu)（長度方向延伸顯著），導致跨椎體長距離依賴關系建模失效；

5、3）多模態(tài)融合機制粗放：現(xiàn)有方法雖整合影像與臨床數(shù)據(jù)，但采用簡單拼接策略，忽略不同模態(tài)特征在椎體節(jié)段間的權(quán)重差異，同時黑箱化特征提取過程導致決策可解釋性不足，導致醫(yī)生難以追溯決策依據(jù)。

6、因此，有必要提供一種新方式來解決上述技術問題。

技術實現(xiàn)思路

1、為了實現(xiàn)本發(fā)明的上述目的和其他優(yōu)點，本發(fā)明的第一目的是提供一種基于深度學習的脊柱骨質(zhì)疏松性骨折評估方法，包括以下步驟：

2、獲取患者脊柱影像及臨床數(shù)據(jù)，并提取多模態(tài)特征；

3、將所述多模態(tài)特征拼接融合，依據(jù)脊柱解剖學特性構(gòu)建基于解剖約束的脊柱圖結(jié)構(gòu)；

4、采用多頭圖注意力神經(jīng)網(wǎng)絡進行多模態(tài)特征全局交互與脊柱骨折風險評估。

5、進一步地，所述多模態(tài)特征包括幾何特征、影像特征、臨床特征。

6、進一步地，所述提取多模態(tài)特征步驟包括提取幾何特征：

7、將每個椎體最小外接矩形的中心點位置作為該椎體的空間位置；

8、利用cobb測量法計算幾何特征。

9、進一步地，所述利用cobb測量法計算幾何特征步驟包括：

10、將相鄰椎體外緣延長線法線交角作為椎間夾角，內(nèi)緣切線終點間距作為椎間隙；

11、各椎體特征值取相鄰兩個椎體計算結(jié)果的平均值；

12、將空間坐標、椎間夾角與椎間隙融合為各椎體的幾何特征，實現(xiàn)脊柱椎體空間形態(tài)的量化表征。

13、進一步地，所述提取多模態(tài)特征步驟包括提取影像特征：

14、將各椎體的最小外接長方體作為3d卷積神經(jīng)網(wǎng)絡輸入尺寸，采用零填充的方式對剩余椎體的尺寸統(tǒng)一進行尺寸大小補全；

15、通過3d卷積神經(jīng)網(wǎng)絡對各椎體依次提取影像特征。

16、進一步地，所述3d卷積神經(jīng)網(wǎng)絡包含三個3d卷積層及三個全局池化層，每個卷積層帶有批正則化及激活函數(shù)，所述卷積層用于對輸入圖像進行卷積操作，提取其影像特征，所述全局池化層用于對卷積得到的特征圖進行降維，最終輸出每個椎體的影像特征。

17、進一步地，所述提取多模態(tài)特征步驟包括提取臨床特征：

18、對患者的臨床數(shù)據(jù)，采用數(shù)據(jù)預處理實現(xiàn)異質(zhì)特征融合；

19、將預處理后的數(shù)據(jù)拼接為多維向量，以此作為各椎體的臨床特征。

20、進一步地，所述對患者的臨床數(shù)據(jù)，采用數(shù)據(jù)預處理實現(xiàn)異質(zhì)特征融合步驟包括：

21、對連續(xù)變量進行標準化，消除量綱差異；

22、對分類變量采用獨熱編碼或標簽編碼，以避免模型誤判類別順序；

23、所述將預處理后的數(shù)據(jù)拼接為多維向量步驟包括：

24、將標準化后的連續(xù)變量與編碼后的分類變量拼接為多維向量。

25、進一步地，所述將所述多模態(tài)特征拼接融合，依據(jù)脊柱解剖學特性構(gòu)建基于解剖約束的脊柱圖結(jié)構(gòu)步驟包括：

26、將脊柱各椎體定義為圖節(jié)點，每個節(jié)點的特征向量由影像、幾何及臨床三類模態(tài)數(shù)據(jù)拼接融合；

27、依據(jù)脊柱解剖學特性構(gòu)建兩類邊連接。

28、進一步地，所述依據(jù)脊柱解剖學特性構(gòu)建兩類邊連接步驟包括：

29、針對相鄰椎體采用剛性邊強制連接并固定權(quán)重，以維持脊柱序列的解剖連續(xù)性；

30、對于跨節(jié)段椎體采用柔性邊連接，根據(jù)空間歐氏距離與骨密度梯度計算連接權(quán)重，通過高斯核函數(shù)量化椎體間力學關聯(lián)強度，當>閾值時，建立連接，以篩選出具有顯著生物力學傳導效應的椎體對，實現(xiàn)從剛性解剖框架到柔性連接網(wǎng)絡的跨尺度結(jié)構(gòu)建立。

31、進一步地，所述采用多頭圖注意力神經(jīng)網(wǎng)絡進行多模態(tài)特征全局交互與脊柱骨折風險評估步驟包括：

32、通過可學習的參數(shù)矩陣將節(jié)點特征映射至隱空間，對于每個椎體節(jié)點及其鄰居，計算歸一化注意力權(quán)重：

33、；

34、其中，為注意力向量；

35、按迭代更新節(jié)點特征，使高危椎體的多模態(tài)特征通過高權(quán)重邊向關聯(lián)椎體擴散，所述高權(quán)重邊被配置為預設值，為解剖連接強度×動態(tài)注意力權(quán)重；

36、通過sigmoid函數(shù)輸出各椎體骨折概率。

37、進一步地，還包括步驟：

38、通過雙三次插值生成風險熱力圖，疊加至原始影像的矢狀面重建視圖；

39、以節(jié)點顏色表示風險等級，邊透明度與成正比，并顯示任意椎體節(jié)點與其關聯(lián)椎體連接。

40、本發(fā)明的第二目的是提供一種基于深度學習的脊柱骨質(zhì)疏松性骨折評估系統(tǒng)，應用上述的方法，包括多模態(tài)特征提取模塊、脊柱圖結(jié)構(gòu)構(gòu)建模塊、脊柱骨折風險評估模塊；其中，

41、所述多模態(tài)特征提取模塊，用于獲取患者脊柱影像及臨床數(shù)據(jù)，并提取多模態(tài)特征；

42、所述脊柱圖結(jié)構(gòu)構(gòu)建模塊，用于將所述多模態(tài)特征拼接融合，依據(jù)脊柱解剖學特性構(gòu)建基于解剖約束的脊柱圖結(jié)構(gòu)；

43、所述脊柱骨折風險評估模塊，用于采用多頭圖注意力神經(jīng)網(wǎng)絡進行多模態(tài)特征全局交互與脊柱骨折風險評估。

44、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

45、本發(fā)明通過構(gòu)建基于解剖約束與圖神經(jīng)網(wǎng)絡的脊柱骨質(zhì)疏松性骨折評估方法及系統(tǒng)，能提升脊柱脆性骨折風險評估的全面性與可解釋性。相較于現(xiàn)有技術，其核心優(yōu)勢在于：基于分層特征提取模塊深度融合脊柱空間幾何結(jié)構(gòu)、影像學紋理特征及臨床數(shù)據(jù)，突破了傳統(tǒng)單模態(tài)分析的局限性；創(chuàng)新性地采用剛性邊與柔性邊相結(jié)合的雙模式圖神經(jīng)網(wǎng)絡結(jié)構(gòu)建立，其中剛性邊強制保持相鄰椎體的解剖連接，柔性邊量化跨節(jié)段椎體間的骨折風險級聯(lián)效應；進一步結(jié)合多頭圖注意力網(wǎng)絡，自適應捕獲椎體間長距離全局交互關系，使高危椎體的風險信號沿高權(quán)重邊向關聯(lián)區(qū)域擴散，并通過可視化映射（如節(jié)點顏色表征風險等級、邊連接強度反映椎體間相互影響系數(shù)）直觀揭示關鍵風險椎體及其傳導路徑。該方法在降低傳統(tǒng)有限元分析計算復雜度的同時，避免了黑箱模型的可解釋性缺陷，為脊柱脆性骨折評估提供了兼顧解剖約束與臨床可操作性的智能化解決方案。

46、上述說明僅是本發(fā)明技術方案的概述，為了能夠更清楚了解本發(fā)明的技術手段，并可依照說明書的內(nèi)容予以實施，以下以本發(fā)明的較佳實施例并配合附圖詳細說明如后。本發(fā)明的具體實施方式由以下實施例及其附圖詳細給出。