(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211313622.0 (22)申请日 2022.10.25 (71)申请人 大连市中心医院 地址 116000 辽宁省大连市沙河口区西南 路826号 (72)发明人 江剑　李旭　王宏　孙跃峰　 (74)专利代理 机构 大连至诚专利代理事务所 (特殊普通 合伙) 21242 专利代理师 王丹　陈义华 (51)Int.Cl. A61B 6/00(2006.01) G06N 20/00(2019.01) G16H 30/20(2018.01) (54)发明名称 一种基于深度学习的脊柱AIS影像Lenke分 型方法 (57)摘要 本发明公开了一种基于深度学习的脊柱AIS 影像Lenke分型方法， 包括： 输入患者的AIS正侧 位片、 左侧屈位片和右侧屈位片的图像， 输出三 种位片的T1 ‑T12， L1‑L5共17块脊柱的脊柱轮廓 检测矩形框， 根据脊柱轮廓矩形框分别得到上沿 和下沿两 条直线的斜率并计算两直线夹角， 对17 块脊柱的上沿和下沿的直线夹角两两比较， 则可 以求出Cobb角度， 应用支持向量机， 基于根据 Lenke分型原则进行脊柱侧弯检测， 整理数据集 并进行训练， 获得已训练的脊柱侧弯图像检测模 型， 本发明有效提高了脊柱AIS影像Lenke分型分 类精度。 权利要求书2页 说明书7页 附图7页 CN 115517691 A 2022.12.27 CN 115517691 A 1.一种基于深度学习的脊柱 AIS影像Lenke分型方法， 其特 征在于， 包括以下步骤： S1:输入患者的AIS正侧位片、 左侧屈位片和右侧屈位片的Dicom图像或者通用X光图 像， 进行预处理， 去除跟人体无关的区域， 使用灵感库重排列函数将预处理后图像变成一系 列的二维序列； S2： 使用深度学习模型的全连接层对二维序列做块编码， 引入位置编码， 得到初始的输 入向量； S3： 使用Lenke分型模型中多头自注意力层、 前向传播层层对初始的输入向量进行特征 编码， 输出三种位片的T1 ‑T12， L1‑L5共17块脊柱的脊柱轮廓检测矩形框， 矩阵检测框格式 为： [脊柱上沿最左点坐标， 脊柱上沿最右 点坐标， 脊柱下沿最左点坐标， 脊柱下沿最右 点坐 标]； S4： 根据步骤S3检测到的输入患者的AIS正侧位片， 左侧屈位片， 右侧屈位片影像的脊 柱轮廓矩形框分别得到每一节脊柱轮廓对应上沿和下沿两条直线的斜 率； S5： 根据上沿和下沿两条直线 的斜率计算两直线夹角， 对17块脊柱的上沿和下沿的直 线夹角两 两比较， 则可以求出Cob b角度； S6： 应用支持向量机， 基于AIS正侧位片， 左右侧屈位的Cobb角， 根据Lenke分型原则进 行脊柱侧弯检测， 并获得脊柱侧弯图像检测模型， 通过所述脊柱侧弯图像检测模型获取每 一待测脊柱 AIS影像的分型 结果。 2.如权利 要求1所述的一种基于深度学习的脊柱AIS影像Lenke分型方法， 其特征在于， 步骤S1具体为： 输入Dicom图像或者通用图像x， 其 中x∈H×W×C， H是图像的高， W是图像的宽， C是图像 的通道数， 使用灵感库的重排列函数将图像变成一系列的二 维序列， 这个序列中一共有N＝ HW/P2个展平的二维块， 每 个块的维度是(P2， C)， 其中P是二维块大小， 即可表达为： H×W×C→N×(P2， C)， 其中N ＝HW/P2  (1) 其中，→为灵感库的重排列函数。 3.如权利 要求1所述的一种基于深度学习的脊柱AIS影像Lenke分型方法， 其特征在于， 所述使用深度学习模型 的全连接层对二维序列做块编码， 引入位置编码， 得到初始的输入 向量具体为： 其中， E为全连接层， 它的输入维度大小是(P2， C)， 输出维度大小为D， 1<＝j<＝N,N＝64， 表示拼接操作， 即表示64个编码向量， xclass是嵌入向量， 用来寻找其他64个输入向量 对应的图像的类别， z0即为初始的输入向量， Epos为位置编码。 4.如权利 要求1所述的一种基于深度学习的脊柱AIS影像Lenke分型方法， 其特征在于， 步骤S3具体为： 使用多头自注意力层、 前向传播层层对初始 的输入向量进行特征编码， 具体可以表示 为： y＝FFN(FFN(MSA(zl‑1)+zl‑1)+MSA(zl‑1)+zl‑1)l＝1…L  (3)权　利　要　求　书 1/2 页 2 CN 115517691 A 2yi＝[(m1i,n1i),(m2i,n2i),(m3i,n3i),(m4i,n4i)]  (4) 其中， MSA即为多头自注意力层， FFN为前向传播层， zl‑1表示对初始的输入特征进行特 征编码， 重复L ‑1次得到的深层特征， yi表示第i个脊柱的矩阵检测框， 格式为： (m1i,n1i), (m2i,n2i),(m3i,n3i),(m4i,n4i)分别对应第i个脊柱的脊柱上沿最左点坐标， 脊柱上沿最右 点坐标， 脊柱下沿最左点 坐标， 脊柱下沿最右点 坐标。 5.如权利要求1所述的一种基于深度学习的脊柱AIS影像Lenke分型方法， 其特征在于 步骤S5具体为： 根据步骤S4得到的每一节脊柱轮廓对应上沿和下沿两条直线计算两直线夹角， 公式 为： 上沿斜率a1， 下沿斜率a2， 分别保存17个脊柱的夹角， 穷举遍历每个脊柱的夹角， 最大的 角度即为Cob b角。权　利　要　求　书 2/2 页 3 CN 115517691 A 3