一种基于深度学习的终板炎退变分级方法及系统与流程

1.本技术涉及医疗图像处理领域，尤其涉及一种基于深度学习的终板炎退变分级方法，本技术还涉及一种基于深度学习的终板炎退变分级系统。


背景技术：

2.在核磁共振i检查中，终板炎是常见的骨关节疾病之一。尽管可以通过核磁共振i图像确定终板炎变性分型，但由于医生主观影响和不同设备间的差异，对终板退变甚至终板炎的准确诊断仍然存在困难。


技术实现要素：

3.本技术的目的在于克服现有技术中医生主观影响和不同设备间的差异，导致终板诊断结果不准确的缺陷，提供一种基于深度学习的终板炎退变分级方法，本技术还涉及一种基于深度学习的终板炎退变分级系统。
4.本技术提供一种基于深度学习的终板炎退变分级方法，包括：根据核磁共振图像以解剖结构权值和组织病变权值加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎终板炎退变分级级别的椎间盘上下缘区域的阈值；基于所述高度阈值调整yolov7分类模型的描框大小，并使用所述yolov7分类模型对所述核磁共振图像处理，获得所述终板炎退变分级结果。
5.可选地，所述调整yolov7分类模型还包括：使用深度可分离卷积替代所述yolov7检测模型中的darknet中的3x3卷积。
6.可选地，所述深度可分离卷积包括：使用一个全局1x1的卷积核对所有输出通道进行卷积操作，将不同通道的信息融合起来得到最终的输出张量。
7.可选地，所述对所述核磁共振图像处理前还包括：s1采用rgb颜色空间，分别用5个高斯分量的全协方差对核磁共振图像进行建模；s2基于所述核磁共振图像的建模，根据所述yolov7分类模型的目标检测结果得到描框外的背景像素点和描框内的目标像素点；s3对描框外的像素点，初始化像素的标签，对描框内的像素点，初始化像素m的标签；s4基于所述标签通过k-means算法分别把属于目标和背景的像素聚类为个高斯模型；s5根据每个高斯模型像素样本集的rgb值估计得到参数均值和协方差，通过属于该高斯分量的像素个数与总的像素个数的比值获得高斯分量的权值；s6根据所述参数均值、协方差和高斯分量的权值建立有向图，确定该有向图的source和sink节点；
s7基于所述source和sink节点，通过maxflow算法来进行腰椎分割；s8重复s1~s7步骤，直到分割结果收敛；s9采用bordermatting对分割的边界进行平滑处理，获得腰椎分割结果。
8.可选地，根据腰椎分割结果，获取整个椎体的旋转角度和重心；使用所述旋转角度和重心对分割后的椎体进行二分割，根据所述二分割对所述椎体发生终版炎的位置进行定位。
9.可选地，对所述核磁共振图像处理还包括：对所述终版炎的位置和所述板炎退变分级结果汇总和输出。
10.可选地，所述终板炎退变分级，包括：解剖结构权值类别：解剖结构权值wi上表现为高信号、解剖结构权值wi上表现为低信号、解剖结构权值wi上表现为正常；组织病变权类别：组织病变权wi上表现为高信号、组织病变权wi上表现为低信号、组织病变权wi上表现为正常。
11.本技术还提供一种基于深度学习的终板炎退变分级系统，包括：输入模块，处理模块和输出模块；所述输入模块接收所述核磁共振图像，所述处理模块根据核磁共振的解剖结构权值和组织病变权加权图像，以及标记的终板炎变性分型数据，确定腰椎终板炎退变分级级别的椎间盘上下缘区域的阈值；基于所述椎间盘上下缘区域的阈值调整yolov7分类模型的描框大小，并使用所述yolov7分类模型对核磁共振图像处理，获得所述终板炎退变分级结果；所述输出模块输出所述终板炎退变分级结果。
12.可选地，所述处理模块进行核磁共振图像处理前还包括：s1采用rgb颜色空间，分别用5个高斯分量的全协方差对核磁共振图像进行建模；s2基于所述核磁共振图像的建模，根据所述yolov7分类模型的目标检测结果得到描框外的背景像素点和描框内的目标像素点；s3对描框外的像素点，初始化像素的标签，对描框内的像素点，初始化像素m的标签；s4基于所述标签通过k-means算法分别把属于目标和背景的像素聚类为k个高斯模型；s5根据每个高斯模型像素样本集的rgb值估计得到参数均值和协方差，通过属于该高斯分量的像素个数与总的像素个数的比值获得高斯分量的权值；s6根据所述参数均值、协方差和高斯分量的权值建立有向图，确定该有向图的source和sink节点；s7基于所述source和sink节点，通过maxflow算法来进行腰椎分割；s8重复s1~s7步骤，直到分割结果收敛；s9采用bordermatting对分割的边界进行平滑处理，获得腰椎分割结果。
13.可选地，所述处理模块还：根据腰椎分割结果，获取整个椎体的旋转角度和重心；使用旋转角度和重心对分割后的椎体进行二分割，根据所述二分割对所述椎体发
生终版炎的位置进行定位。
14.本技术的优点和有益效果：本技术提供一种基于深度学习的终板炎退变分级方法，包括：s1根据核磁共振图像以解剖结构权值和组织病变权值加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎不同椎间盘上下缘区域的阈值；s2基于所述椎间盘上下缘区域的阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；s3使用基于图论的grabcut锥体分割算法分割所述椎间盘的上下锥体的终板部分；s4使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果。本技术利用标记的终板炎变性分型数据和核磁共振图像对椎体病变区域进行椎间盘上下缘区域的阈值计算，以该椎间盘上下缘区域的阈值优化的算法模型，有效提高终板炎分级的准确性和速度。
附图说明
15.图1是本技术中基于深度学习的终板炎退变分级的示意图。
16.图2是本技术中基于深度学习的终板炎退变分级的流程图。
17.图3是本技术中椎体分割示意图。
18.图4是本技术中解剖结构权值加权的加权图像示意图。
19.图5是本技术中组织病变权值加权的加权图像示意图。
20.图6是本技术中检测结果示意图。
21.图7是本技术中椎间盘上下缘分割结果示意图。
具体实施方式
22.下面结合附图和具体实施例对本技术作进一步说明，以使本领域的技术人员可以更好地理解本技术并能予以实施。
23.以下内容均是为了详细说明本技术要保护的技术方案所提供的具体实施过程的示例，但是本技术还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本技术构思的指引下，采用不同的技术手段实现本技术，因此本技术不受下面具体实施例的限制。
24.本技术技术方案属于医疗图像处理领域，其解决的技术问题是：用标记的终板炎变性分型数据和核磁共振图像获得的高度阈值优化分类模型，提高终板炎分级的准确性和速度。
25.请参照图1和图2所示，本技术提供一种基于深度学习的终板炎退变分级方法，包括：s1根据核磁共振图像以解剖结构权值（t1）和组织病变权值（t2）加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎椎间盘上下缘区域的阈值；s2基于所述高度阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；s3使用基于图论的grabcut锥体分割算法分割所述椎间盘的上下锥体的终板部分；
s4使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果。
26.在步骤s1中，首先使用pydicom库来读取dicom文件，读取的数据包括：读取核磁共振图像的以解剖结构权值和组织病变权值加权的加权图像。
27.获取医学专家标记的终板炎变性分型数据。所述标记是指，根据医学专家的知识，在核磁共振的图像上进行终板炎退变等级标记。然后参照该标记的终板炎变性分型数据，对所述加权图像进行高度阈值的确定。
28.进一步的，基于所述像素点距离进行椎间盘上下缘区域的阈值计算，该计算分为两个部分，分别对所述解剖结构权值和组织病变权对应的加权图像进行椎间盘上下缘区域的阈值计算，两者计算方式相同，步骤如下：s201对所述解剖结构权值和组织病变权加权图像使用正则化卷积自编码器去除核磁共振图像噪声。
29.s202使用高斯滤波对核磁图像进行背景消除。
30.s203将椎体的感兴趣区域从彩色空间转换到灰度空间。
31.s204将椎体的灰度图像利用otsu阈值分割法进行二值化分割，所述二值化分割既将图像转换为黑白图像。
32.s205，基于所述黑白图像与所述像素点距离计算椎体高度。
33.同时按照终板炎变性分型数据计算3个级别的椎体参数，包括：最小外接矩形的面积，高和宽。
34.最小外接旋转矩形的面积，高和宽。
35.最大内接旋转矩形的面积，高和宽。
36.s206依照所述终板炎不同级别的特性，根据椎体高度、椎体参数和每个椎体的旋转角度计算每个椎间盘上下缘区域的统计学阈值。
37.所述统计学阈值的公式为：;
38.其中，上述公式各项含义如下：表示第nc个椎间盘，第class类别权值的椎间盘上下缘区域的高度。
39.表示第nc个椎间盘，第class类别权值的最大内接旋转矩形的高的均值。
40.表示第nc个椎间盘，第class类别权值的最大内接旋转矩形的面积的均值。
41.表示第nc个椎间盘，第class类别权值的最大内接旋转矩形的宽的均值。
42.表示第nc个椎间盘，第class类别权值的最小外接旋转矩形的高
的均值。
43.表示第nc个椎间盘，第class类别权值的最小外接旋转矩形的面积的均值。
44.表示第nc个椎间盘，第class类别权值的最小外接旋转矩形的宽的均值。
45.；其中，上述公式各项含义如下：表示第nc个椎间盘，第class类别权值的椎间盘上下缘区域的宽度。
46.表示第nc个椎间盘，第class类别权值的最小外接旋转矩形的宽的均值。
47.表示第nc个椎间盘，第class类别权值的最小外接矩形的宽的均值。
48.表示第nc个椎间盘，第class类别权值的最小外接矩形的面积的均值。
49.在步骤s2中，首先依据获得的终板炎变性分型统计数据，既所述高度阈值对描框的大小进行调整以此来提高分割模型的检测框iou准确度。
50.进一步的，用深度可分离卷积（dsc）来替代yolov7中的darknet中的传统3x3卷积。
51.深度可分离卷积的作用是将深度卷积操作和逐点卷积操作结合起来，即先通过深度卷积对输入数据中的每个通道进行卷积操作，然后使用逐点卷积对所有输出通道进行卷积操作，将不同通道之间的信息进行融合，最终得到一个更加细致的输出张量。这种方法可以更好地利用不同通道间的信息，提高模型的精度和鲁棒性，并在不损失信息的情况下减少了计算量。
52.具体的，所述深度可分离卷积包含两个部分：第一部分是深度卷积，使用一个大小为3x3的卷积核对输入张量中的每个通道进行卷积操作，得到与输入通道数相等的输出张量。
53.原始的3x3卷积操作中，每个卷积核对输入数据的所有通道进行卷积操作，并最终输出一个张量。即使训练后得到的卷积核在某些情况下仍然可能无法捕捉到不同通道之间的更复杂信息。
54.本技术中，深度卷积则是在每个通道内单独进行卷积操作，即每个通道上都有一个尺寸为3x3的卷积核，这样可以获得与输入通道数相同的输出特征图，以获取不同通道更精细的特征信息。
55.第二部分是逐点卷积，使用一个全局1x1的卷积核对所有输出通道进行卷积操作，将不同通道的信息融合起来得到最终的输出张量。
56.在卷积操作中，1x1的卷积核可以看作是对每个位置进行了加权求和，对通道之间的信息进行了整合，从而得到了更加丰富和抽象的特征表达。
57.通过以上的两部分可以实现减小模型的计算量和提高模型的精度的目的。基于上述优化后的所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分。
58.s3使用基于图论的grabcut锥体分割算法分割所述椎间盘的上下锥体的终板部分。
59.如图2所示，针对所述解剖结构权值和组织病变权加权图像，分别依次进行椎间盘上下缘区域的阈值计算、椎体模型检测和椎体分割。完成椎体模型检测后进行椎体分割。
60.椎体模型检测也采用所述yolov7检测模型，获得将目标和背景分开的目标检测结果。
61.如图3所示，所述椎体分割，包括：s1采用rgb颜色空间，分别用5个高斯分量的全协方差对核磁共振图像进行建模。
62.具体的，采用rgb颜色空间，分别用5个高斯分量的全协方差gmm（混合高斯模型）来对目标和背景进行建模。混合高斯密度模型如下所示：；其中，k：高斯分量的数量，即聚类簇的数量。k=5，即模型中共有5个高斯分量。
63.是指第i个高斯分量的权重系数，表示该分量在总体数据中所占的比例。每个高斯分量的权重系数满足0≤πi≤1，且各个分量的权重系数之和为1。
64.：第i个高斯分量的高斯密度函数，表示第i个聚类簇中数据点的密度分布情况。每个高斯分量的高斯密度函数都具有相同的形式，但是具体的均值和协方差矩阵会因为不同的聚类簇而不同。
65.第i个高斯分量的均值向量，表示该聚类簇的中心位置。每个高斯分量的均值向量都由三个元素组成，分别代表rgb颜色空间的三个通道。
66.：第i个高斯分量的协方差矩阵，表示该聚类簇中数据点的散布情况。每个高斯分量的协方差矩阵是一个3x3的矩阵，代表rgb颜色空间三个通道之间的相关性。
67.d(x)：混合高斯密度模型的综合概率密度函数，表示对于给定的数据点x，它属于整个模型中所有聚类簇的概率密度之和。d(x)表示数据点x属于目标和背景的概率密度和。
68.s2基于所述核磁共振图像的建模，根据所述yolov7分类模型的目标检测结果得到描框外的背景像素点和描框内的目标像素点。
69.具体的，使用椎体检测模型的目标检测结果得到一个初始的目标检测t，其中方框外的像素点设为tb，方框内的像素点设为tu。
70.s3对描框外的像素点，初始化像素的标签，对描框内的像素点，初始化像素m的标签。
71.具体的，对tb内的每一像素，初始化像素的标签，即为背景像素；而对tu内的每个像素，初始化像素m的标签，即作为“可能是目标”的像素。
72.s4基于所述标签通过k-means算法分别把属于目标和背景的像素聚类为个高斯模型。
73.具体的，通过k-means算法分别把属于目标和背景的像素聚类为类，即gmm（混合高斯模型）中的个高斯模型。
74.s5根据每个高斯模型像素样本集的rgb值估计得到参数均值和协方差，通过属于该高斯分量的像素个数与总的像素个数的比值获得高斯分量的权值。
75.具体的，所述gmm中每个高斯模型具有一些像素样本集，它的参数均值和协方差就可以通过他们的rgb值估计得到，而该高斯分量的权值可以通过属于该高斯分量的像素个数与总的像素个数的比值来确定。
76.对每个像素分配gmm中的高斯分量，例如像素是目标像素，那么把像素的rgb值代入目标gmm中的每一个高斯分量中，概率最大的那个就是最有可能生成的，也即像素的第个高斯分量。
77.针对所述gmm，对于给定的掩膜数据，学习优化gmm的参数。
78.因为在上一步中已经为每个像素归为哪个高斯分量做了归类，那么每个高斯模型就具有了一些像素样本集，这时候它的参数均值和协方差就可以通过这些像素样本的rgb值估计得到，而该高斯分量的权值可以通过属于该高斯分量的像素个数与总的像素个数的比值来确定。
79.s6根据所述参数均值、协方差和高斯分量的权值建立有向图，确定该有向图的source和sink节点。
80.具体的，建立一个有向图，然后需要确定该有向图的source和sink节点。这两个节点对应着图中的起始点和结束点。
81.可以利用其对应的高斯混合模型来计算该节点与source和sink节点之间的连接权值。具体而言，可以计算该节点到source和sink节点分别的概率，并将这两个概率值作为权值保存。然后使用gibbs能量的第二项计算顶点之间的能量项。
82.s7基于所述source和sink节点，通过maxflow算法来进行腰椎分割。
83.具体的，分割流程如下，包括：第一步，初始化设置：将所有边上的流量设置为0。
84.第二步，查找增广路径：在网络中查找从源点到汇点的一条增广路径。查找增广路径可以使用深度优先搜索或广度优先搜索实现。
85.第三步，计算增广路径上的最小剩余容量：对于增广路径上的每条边，计算其最小剩余容量，即该边的容量减去该边上的流量之差。
86.第四步，更新路径上各条边上的流量：根据增广路径上的最小剩余容量，更新路径上各条边上的流量，公式为：
;
87.其中表示网络的最大流，表示所有的增广路径，表示路径上的最小剩余容量。
88.第五步，重复执行步骤第二步~第四步，直到无法再找到增广路径为止。
89.s8重复s1~s7步骤，直到分割结果收敛。
90.经过分割后，每个像素属于目标gmm还是背景gmm就变了，所以每个像素的就变了，故gmm也变了，所以每次的迭代会交互地优化gmm模型和分割结果。
91.s9采用bordermatting对分割的边界进行平滑处理，获得腰椎分割结果。
92.所述bordermatting的工作流程为：第一步，分配一个颜色向量到每个像素x。
93.第二步，定义一个权重函数，表示x和y之间的相似度。
94.第三步，设定前景颜色向量和背景颜色向量。
95.第四步，对于未知像素p，使用以下公式计算预测的值：;
96.其中，f表示前景，b表示背景。
97.第五步，使用以下公式得到像素p的预测颜色：
98.第六步，重复执行步骤第四步~第五步，直到所有的未知像素都有预测的alpha值。
99.第七步，计算像素之间的梯度(颜色梯度和空间梯度)，并将其转化为alpha值。
100.具体的，使用rgb色彩表示法和sobel算子计算颜色梯度：;
101.其中，表示图像中坐标为处的像素值。和分别表示图像在x和y方向上的梯度。
102.使用欧几里得距离和对角算子来计算空间梯度：;
103.转化为alpha值:;
104.第八步，将alpha值作为边缘检测器的输入，并应用smoothingfilter为图像分割中的边缘过渡区域进行平滑处理。
105.具体的流程：步骤一，使用candy边缘检测器，表达式如下：
;
106.其中，和分别表示水平和竖直方向上的一阶导数。
107.步骤二，使用一个阈值来确定哪些边缘应该被检测出来，而哪些边缘应该被忽略。当前像素点的梯度幅值为,则该像素点是否被视为边缘的条件为：;
108.其中，值可以用来调整阈值，具体来说，可以按照以下公式来计算新的阈值:;
109.步骤三，应用smoothingfilter对边缘过渡区域进行平滑处理。本次专利的smoothingfilter核函数为高斯核函数，公式为：;
110.其中表示核函数的权重，则是控制平滑效果的参数。
111.由于上述过程会受到图像质量和噪声的影响，但是在分割前已经使用了图像预处理，检测算法分割感兴趣部分，锥体形态学自适应阈值分割模型能够达到很好的分割效果。
112.基于此，再次椎体高度计算，获取整个椎体的旋转角度和重心，使用旋转角度和重心对分割后的椎体进行二分割。基于新的黑白图像进行终版炎定位。
113.最后，基于另外的一个所述yolov7建立的yolov7分类模型对病灶进行分类，其中，类别包括：解剖结构权值类别：解剖结构权值wi上表现为高信号。
114.解剖结构权值wi上表现为低信号。
115.解剖结构权值wi上表现为正常。
116.组织病变权类别：组织病变权wi上表现为高信号。
117.组织病变权wi上表现为低信号。
118.组织病变权wi上表现为正常。
119.根据分类结果对最终病灶进行汇总和输出。包括：椎间盘附件发生终板炎和终板炎分型。
120.本技术还提供一种基于深度学习的终板炎退变分级系统，包括：输入模块，处理模块和输出模块；一种基于深度学习的终板炎退变分级系统，其特征在于，包括：输入模块，处理模块和输出模块；所述输入模块接收所述核磁共振图像；所述处理模块根据核磁共振图像以解剖结构权值和组织病变权值加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎不同椎间盘上下缘区域的阈值；基
于所述椎间盘上下缘区域的阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；使用基于图论的grabcut锥体分割算法分割所述椎间盘的上下锥体的终板部分；使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果；所述输出模块输出所述终板炎退变分级结果。
121.评价指标：本次实验采用的评价指标为dice，即计算测试集上所有测试样本的dice，并取均值，得到mdice；其中dice是语义分割的评价指标的一种，用来衡量分割结果的准确率。
122.实验结果如下：t1：p为0.996；r为0.9957；map0.5:0.95为0.8601；mdice为0.934864；top1_acc为0.92105；top5_acc为1.0。
123.t2：0.989；r为;0.9624；map0.5:0.95为0.8465；mdice为0.944394；top1_acc为0.90472；top5_acc为1.0。
124.其中，各个符号的含义是：p，即测试集上所有测试样本的病灶类别判定的精度。
125.r，即测试集上所有测试样本的病灶类别判定的召回率。
126.map0.5:0.95，map即测试集上所有测试样本的平均精度均值, map0.5:0.95指的是表示在不同iou阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均map。
127.top1_acc,只有真实标签是预测出的概率最高的类，才算预测正确的正确率。
128.top5_acc，只要真实标签是预测出的概率最高的5个类之一，就算预测正确的正确率。
129.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种基于深度学习的终板炎退变分级方法，其特征在于，包括：s1根据核磁共振图像以解剖结构权值和组织病变权值加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎不同锥体的高度阈值；s2基于所述高度阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；s3使用基于图论的grabcut锥体分割算法分割所述椎间盘的上下锥体的终板部分；s4使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果。2.根据权利要求1所述基于深度学习的终板炎退变分级方法，其特征在于，所述调整yolov7检测模型还包括：使用深度可分离卷积替代所述yolov7检测模型中的darknet中的3x3卷积。3.根据权利要求2所述基于深度学习的终板炎退变分级方法，其特征在于，所述深度可分离卷积包括：使用一个全局1x1的卷积核对所有输出通道进行卷积操作，将不同通道的信息融合起来得到最终的输出张量。4.根据权利要求1所述基于深度学习的终板炎退变分级方法，其特征在于，所述分割所述椎间盘的上下锥体的终板部分包括：s1采用rgb颜色空间，分别用5个高斯分量的全协方差对核磁共振图像进行建模；s2基于所述核磁共振图像的建模，根据所述yolov7分类模型的目标检测结果得到所述描框外的背景像素点和所述描框内的目标像素点；s3对所述描框外的像素点，初始化像素的标签，对所述描框内的像素点，初始化像素m的标签；s4基于所述标签通过k-means算法，分别把属于对应所述描框外和所述描框内的所述目标和背景的像素聚类为个高斯模型；s5根据每个所述高斯模型像素样本集的rgb值，估计参数均值和协方差，通过该高斯分量的像素个数与总的像素个数的比值获得高斯分量的权值；s6根据所述参数均值、协方差和高斯分量的权值建立有向图，确定该有向图的source和sink节点；s7基于所述source和sink节点，通过maxflow算法进行腰椎分割；s8重复s1~s7步骤，直到分割结果收敛；s9采用bordermatting对分割的边界进行平滑处理，获得腰椎分割结果。5.根据权利要求4所述基于深度学习的终板炎退变分级方法，其特征在于，所述使用yolov7分类模型对所述终板部分进行分类判定前，还包括：根据腰椎分割结果，获取整个椎体的旋转角度和重心；使用所述旋转角度和重心对分割后的椎体进行二分割，依据所述二分割对所述椎体发生终版炎的位置进行定位。6.根据权利要求5所述基于深度学习的终板炎退变分级方法，其特征在于，对所述核磁共振图像处理还包括：
对所述终版炎的位置和所述板炎退变分级结果汇总和输出。7.根据权利要求1~6任一项所述基于深度学习的终板炎退变分级方法，其特征在于，所述终板炎退变分级，包括：解剖结构权值类别：解剖结构权值wi上表现为高信号、解剖结构权值wi上表现为低信号和解剖结构权值wi上表现为正常；组织病变权类别：组织病变权wi上表现为高信号、组织病变权wi上表现为低信号和组织病变权wi上表现为正常。8.一种基于深度学习的终板炎退变分级系统，其特征在于，包括：输入模块，处理模块和输出模块；所述输入模块接收所述核磁共振图像；所述处理模块根据核磁共振图像以解剖结构权值和组织病变权值加权的加权图像，以人工标记的终板炎变性分型数据为参照，确定腰椎不同椎间盘上下缘区域的阈值；基于所述阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；使用基于图论的grabcut锥体分割算法分割所述椎间盘的上下锥体的终板部分；使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果；所述输出模块输出所述终板炎退变分级结果。9.根据权利要求8所述基于深度学习的终板炎退变分级系统，其特征在于，所述处理模块进行分割所述椎间盘的上下锥体的终板部分包括：s1采用rgb颜色空间，分别用5个高斯分量的全协方差对核磁共振图像进行建模；s2基于所述核磁共振图像的建模，根据所述yolov7分类模型的目标检测结果得到所述描框外的背景像素点和所述描框内的目标像素点；s3对所述描框外的像素点，初始化像素的标签，对所述描框内的像素点，初始化像素m的标签；s4基于所述标签通过k-means算法，分别把属于对应所述描框外和所述描框内的所述目标和背景的像素聚类为个高斯模型；s5根据每个所述高斯模型像素样本集的rgb值，估计参数均值和协方差，通过该高斯分量的像素个数与总的像素个数的比值获得高斯分量的权值；s6根据所述参数均值、协方差和高斯分量的权值建立有向图，确定该有向图的source和sink节点；s7基于所述source和sink节点，通过maxflow算法进行腰椎分割；s8重复s1~s7步骤，直到分割结果收敛；s9采用bordermatting对分割的边界进行平滑处理，获得腰椎分割结果。10.根据权利要求9所述基于深度学习的终板炎退变分级系统，其特征在于，所述处理模块所述使用yolov7分类模型对所述终板部分进行分类判定前，还包括：根据腰椎分割结果，获取整个椎体的旋转角度和重心；使用旋转角度和重心对分割后的椎体进行二分割，根据所述二分割对所述椎体发生终
版炎的位置进行定位。

技术总结
本申请提供一种基于深度学习的终板炎退变分级方法及系统，属于医疗图像处理领域，该方法包括：基于确定腰椎不同锥体的高度阈值调整yolov7检测模型的描框大小，并使用所述yolov7检测模型对所述核磁共振图像处理，获得椎间盘的上下锥体的终板部分；使用基于图论的GrabCut锥体分割算法分割所述椎间盘的上下锥体的终板部分；使用yolov7分类模型对所述终板部分进行分类判定，获得所述终板炎退变分级结果。本申请利用标记的终板炎变性分型数据和核磁共振图像对椎体病变区域进行高度阈值计算，以该高度阈值优化的算法模型，有效提高终板炎分级的准确性和速度。分级的准确性和速度。分级的准确性和速度。


技术研发人员：冯世庆 伊力扎提
受保护的技术使用者：江苏世钰智能医疗科技有限公司 山东世钰智能医疗科技有限公司
技术研发日：2023.07.10
技术公布日：2023/8/9