【技術實現步驟摘要】
本申請屬于腰椎多病種疾病篩查領域，尤其涉及一種基于深度學習的腰椎多病種疾病篩查智能評估方法、系統、設備及計算機可讀存儲介質。
技術介紹
1、目前，相關技術中的腰椎單一病種診斷方法：是通過深度膠囊網絡(capsulenetworks，capsnets)進行診斷。
2、但是，capsnets難以檢測到圖像中多個接近的同一類型的對象，這是因為每個位置只有一個膠囊負責檢測特定類型的對象，這限制了模型在擁擠場景下的表現。因此，對于腰椎中多個接近的同一類型的椎體，capsnets診斷腰椎多病種疾病的準確率不高。
3、因此，如何提高腰椎多病種疾病診斷的準確率是本領域技術人員亟需解決的技術問題。
技術實現思路
1、本申請實施例提供一種基于深度學習的腰椎多病種疾病篩查智能評估方法、系統、設備及計算機可讀存儲介質，能夠提高腰椎多病種疾病診斷的準確率。
2、第一方面，本申請實施例提供一種基于深度學習的腰椎多病種疾病篩查智能評估方法，包括：
3、獲取腰椎正位x線圖像和腰椎側位x線圖像；
4、將腰椎正位x線圖像和腰椎側位x線圖像輸入預設的腰椎多病種疾病診斷模型，輸出腰椎多病種疾病診斷結果；
5、其中，腰椎多病種疾病診斷結果包括：腰椎滑脫、退變性腰椎側凸、腰椎退變、腰椎骨折；腰椎退變又包括：椎間隙改變、骨贅；腰椎骨折又包括：壓縮性骨折、爆裂性骨折、粉碎性骨折。
6、可選的，腰椎多病種疾病診斷模型的網絡結構包括：
7
8、從輸入層開始，接受與非圖的節點特征和邊特征，經過多層注意力圖感知機和門控循環單元的處理，逐步提取和學習圖中復雜的結構關系和功能特性；
9、最終，通過多層感知機輸出層生成與非圖的表征特征向量。
10、可選的，包括：
11、將與非圖數據、物理數據標簽以及圖模式數據作為待訓練腰椎多病種疾病診斷模型的輸入向量，并采用隨機初始化的正交向量作為初始值，設置網絡迭代次數為1000，學習率設置為0.001，采用adam優化器，表征特征和物理特征結合形成混合損失函數；
12、通過前向傳播計算預測值，并利用損失函數衡量預測值與實際標簽之間的差距；
13、然后應用優化算法通過反向傳播調整模型參數，逐步減少損失函數的值，通過多次迭代訓練，得到預訓練腰椎多病種疾病診斷模型。
14、可選的，包括：
15、將測試用的數據輸入到預訓練腰椎多病種疾病診斷模型中進行測試，預測得到與非圖物理參數特征與實際參數特征進行對比，根據對比結果反向優化網絡模型，得到已訓練腰椎多病種疾病診斷模型。
16、可選的，在獲取腰椎正位x線圖像和腰椎側位x線圖像之后，還包括：
17、對收集到的腰椎正位x線圖像和腰椎側位x線圖像進行預處理，包括圖像的裁剪、縮放、去噪，以適應模型的輸入要求。
18、可選的，對收集到的腰椎正位x線圖像和腰椎側位x線圖像進行預處理，包括圖像的裁剪、縮放、去噪，包括：
19、將圖像調整到統一的大??；
20、將彩色圖像轉換為灰度或黑白，以簡化分析并減少噪聲；
21、應用平滑、模糊和過濾技術來去除圖像中的不希望的噪聲；
22、將像素值歸一化到一個標準范圍；
23、對圖像進行裁剪以移除不相關或不重要的區域；
24、通過應用隨機變換來增加訓練數據集的多樣性；
25、將原始數據轉換為適合深度學習的形式；
26、將數據集分成訓練集、驗證集和測試集，以便于評估模型的性能。
27、可選的，將腰椎正位x線圖像和腰椎側位x線圖像輸入預設的腰椎多病種疾病診斷模型，輸出腰椎多病種疾病診斷結果，包括：
28、使用深度學習模型自動從預處理后的圖像中提取特征；
29、將預處理和特征提取后的圖像數據輸入到預設的腰椎多病種疾病診斷模型中；
30、模型分析輸入的圖像數據，并輸出診斷結果。
31、第二方面，本申請實施例提供了一種基于深度學習的腰椎多病種疾病篩查智能評估系統，包括：
32、圖像獲取模塊，用于獲取腰椎正位x線圖像和腰椎側位x線圖像；
33、診斷模塊，用于將腰椎正位x線圖像和腰椎側位x線圖像輸入預設的腰椎多病種疾病診斷模型，輸出腰椎多病種疾病診斷結果；
34、其中，腰椎多病種疾病診斷結果包括：腰椎滑脫、退變性腰椎側凸、腰椎退變、腰椎骨折；腰椎退變又包括：椎間隙改變、骨贅；腰椎骨折又包括：壓縮性骨折、爆裂性骨折、粉碎性骨折。
35、第三方面，本申請實施例提供了一種電子設備，電子設備包括：處理器以及存儲有計算機程序指令的存儲器；
36、所述處理器執行所述計算機程序指令時實現基于深度學習的腰椎多病種疾病篩查智能評估方法。
37、第四方面，本申請實施例提供了一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現基于深度學習的腰椎多病種疾病篩查智能評估方法。
38、本申請實施例的基于深度學習的腰椎多病種疾病篩查智能評估方法、系統、設備及計算機可讀存儲介質，能夠提高腰椎多病種疾病診斷的準確率。
39、該基于深度學習的腰椎多病種疾病篩查智能評估方法，包括：
40、獲取腰椎正位x線圖像和腰椎側位x線圖像；
41、將腰椎正位x線圖像和腰椎側位x線圖像輸入預設的腰椎多病種疾病診斷模型，輸出腰椎多病種疾病診斷結果；
42、其中，腰椎多病種疾病診斷結果包括：腰椎滑脫、退變性腰椎側凸、腰椎退變、腰椎骨折；腰椎退變又包括：椎間隙改變、骨贅；腰椎骨折又包括：壓縮性骨折、爆裂性骨折、粉碎性骨折。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，腰椎多病種疾病診斷模型的網絡結構包括：
3.根據權利要求2所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，包括：
4.根據權利要求3所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，包括：
5.根據權利要求1所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，在獲取腰椎正位X線圖像和腰椎側位X線圖像之后，還包括：
6.根據權利要求5所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，對收集到的腰椎正位X線圖像和腰椎側位X線圖像進行預處理，包括圖像的裁剪、縮放、去噪，包括：
7.根據權利要求6所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，將腰椎正位X線圖像和腰椎側位X線圖像輸入預設的腰椎多病種疾病診斷模型，輸出腰椎多病種疾病診斷結果，包括：
8.一種基于深度學習的腰椎多病種疾
9.一種電子設備，其特征在于，所述電子設備包括：處理器以及存儲有計算機程序指令的存儲器；
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現如權利要求1-7任意一項所述的基于深度學習的腰椎多病種疾病篩查智能評估方法。
...【技術特征摘要】
1.一種基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，腰椎多病種疾病診斷模型的網絡結構包括：
3.根據權利要求2所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，包括：
4.根據權利要求3所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，包括：
5.根據權利要求1所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，在獲取腰椎正位x線圖像和腰椎側位x線圖像之后，還包括：
6.根據權利要求5所述的基于深度學習的腰椎多病種疾病篩查智能評估方法，其特征在于，對收集到的腰椎正位x線...
【專利技術屬性】
技術研發人員：張逸凌，劉星宇，
申請(專利權)人：北京長木谷醫療科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。