[发明专利]一种基于影像组学与深度学习特征融合的椎体骨密度分类方法

说明书

本发明涉及医学图像分割与图像分类技术领域，具体涉及一种基于影像组学与深度学习特征融合的椎体骨密度分类方法，将CT图像下椎体分为骨质疏松、低骨量与正常组，包括S1:建立基于CRF和注意力引导的椎体分割网络，获取L1、L2椎体松质骨掩膜；S2:通过GCAM‑Net对L1和L2融合后的特征图进行深度学习特征提取，并利用L1和L2的CT图像及掩膜进行影像组学特征提取；S3：运用差分进化算法在深度学习特征中提取最优特征集，并将提取后影像组学特征通过SVM‑RFE法进行特征筛选，最后将影像组学特征和深度学习特征通过最大相关性融合算法进行特征融合，并利用神经网络分类。本发明技术方案结合深度学习特征和影像组学特征，有效提高骨密度分类的准确性。

技术领域

本发明涉及医学图像分割与图像分类技术领域，具体涉及一种基于影像组学与深度学习特征融合的椎体骨密度分类方法。

背景技术

骨质疏松症是一种骨量减少、骨组织微结构破坏、骨骼脆性增加和易发生骨折的全身性疾病，其发病率随着年龄的增长而明显上升，骨量减少是导致骨质疏松的直接原因，对骨量的检测是预防和治疗骨质疏松的关键，腰椎因其骨质含量大且分布均匀多被选为测量部位，多个椎体的综合骨密度值被用做最终的评价标准，通常为L1、L2椎体。

目前临床上用于评估骨质疏松的常用方法包括，双能X线骨密度测量法(DXA)，定量CT测量法(QCT)以及定量核磁共振成像(QMRI)等方法。使用DXA对骨密度进行测量，速度快且X射线的辐射剂量低，但是该方法的扫描区域无法将皮质骨和松质骨区分开。QMRI的方法可以对椎体中的骨小梁结构进行研究和评估，这种方法受限于成像速度缓慢，成像价格昂贵，受众面不高。QCT应用已知密度的体模和对应的测量分析软件对骨密度进行测量，准确性高，但是其辐射剂量大，操作复杂，价格也相对昂贵。

人工智能技术与医学影像的结合是目前研究的一大热点，研究人员尝试挖掘影学图像的内在特征作为分类标准，如CT值，虽然有实验证明使用CT值作为判断的准确度可以达到82％，但是CT值受管电压影响极大使得模型稳定性差。为了在低辐射剂量下获取高精度与高时效的骨密度分类方法，在过去的十年中，研究人员寻求一种不受辐射剂量影响的骨密度分类方法，并取得一定结果。章轶立等人依据组学特征，如灰度共生矩阵、灰度大小区域矩阵、灰度运行长度矩阵、相邻灰度差矩阵、灰度依赖矩阵等，建立了基于Group Lasso的Logistic回归的骨质疏松症风险评估；SHioji等验证了多种CNN算法模型，通过评估矿物质密度，判断骨量减少，更准确的预测了骨质疏松，结果显示CNN模型优于Logistic回归分析，为骨质疏松症的早判断，早干预提供理论依据；Mehta等利用最优随机森林和支持向量机算法模型，训练模型对于骨质疏松判断的准确率、敏感度和特异度，分别达到了98.0％、77.8％和100.0％，结果显示CNN模型可用于对偶发性骨质疏松诊断的辅助工具。

目前对于骨质疏松预测模型的建立主要从两个方面出发，一是通过影像组学特征建立机器学习模型，二是通过CT图像建立深度学习模型。影像组学特征需要手动分割，耗费大量时间，深度学习模型构建缺乏标准的公共数据集，所用的数据集规模较小；放射组学特征可以很好的对骨小粱的内部微观结构进行解码，而深度学习特征可以更好的识别骨小梁的边缘特征，保证机器学习的质量和效率。此外，现有的骨密度分类方法回避了综合使用多个椎体进行评估的标准，将单张椎体的预测结果作为最终结果，缺乏合理性，所提取的全部特征用于分类导致模型难以优化。

发明内容

针对以上问题，本发明提供了一种基于影像组学与深度学习特征融合的椎体骨密度分类方法，通过结合深度学习特征和影像组学特征，有效提高骨密度分类的准确性。

为了实现上述目的，本发明采用的技术方案如下：

一种基于影像组学与深度学习特征融合的椎体骨密度分类方法，将CT图像下椎体分为骨质疏松、低骨量与正常组，包括以下步骤：

S1：建立基于CRF和注意力引导的椎体分割网络，获取L1椎体、L2椎体的松质骨分割掩膜；