(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 202211083853.7 (22)申请日 2022.09.06 (71)申请人 四川大学华西医院 地址 610000 四川省成 都市武侯区国学巷 37号 (72)发明人 沈彬　武立民　吴元刚　李明阳　 斯海波　彭琳博　刘渊　 (74)专利代理 机构 成都高远知识产权代理事务 所(普通合伙) 51222 专利代理师 郑勇力　全学荣 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 利用X线图像诊断假体周围关节感染和无菌 性失败的系统 (57)摘要 本发明属于医学图像处理技术方案， 具体涉 及一种利用X线图像诊断假体周围关节感染和无 菌性失败的系统。 本发明的系统包括： 输入模块， 用于输入X线图像； 第一计算模块， 用于利用分类 网络对X线图像进行计算， 得到集合得分； 其中， 分类网络是由至少一个通道的深度学习架构构 建而成， 每一个通道的深度学习架构由至少一个 基础分类器构建而成； 第二计算模块， 用于根据 所述集合得分， 利用集合分类器得到患者是否患 有假体周围关节感染的分类结果； 输出模块， 用 于输出集合得分和分类结果。 本发 明提供的系统 只需要X线检查结果即可实现PJI/AF的诊断， 相 比于现有技术具有高效和廉价的优点。 同时， 本 发明诊断结果准确， 在临床中具有很好的应用前 景。 权利要求书1页 说明书5页 附图2页 CN 115424073 A 2022.12.02 CN 115424073 A 1.一种利用X线图像诊断假体周围关节感染和无菌性失败的系统， 包括： 输入模块， 用于 输入X线图像； 第一计算模块， 用于利用分类网络对X线图像进行计算， 得到集 合得分； 其中， 分类网络是由至少一个通道的深度学习架构构建而成， 每一个通道的深度学习 架构由至少一个 基础分类 器构建而成； 第二计算模块， 用于根据所述集合得分， 利用集合分类器得到患者是否患有假体周围 关节感染的分类结果； 输出模块， 用于 输出集合得分和分类结果。 2.按照权利要求1所述的系统， 其特 征在于： 所述基础分类 器为深度卷积神经网络 。 3.按照权利要求1所述的系统， 其特征在于： 所述分类网络是由一个复合的双通道深度 学习架构构建而成， 其中， 第一个通道用于输入前后位视角的X线图像并得到第一得分， 第 二个通道用于输入侧 位视角的X线图像并得到第二得分， 所述第一得分和第二得分按照权 重计算加权平均值后得到所述 集合得分。 4.按照权利要求3所述的系统， 其特征在于： 所述第 一个通道的深度学习架构由四个基 础分类器构建而成， 四个所述基础分类器分别为VGG16、 Inception ‑v3、 ResNet ‑50和 DenseNet ‑121， 四个所述基础分类器分别进行打分得到四个分数后计算加 权平均值， 既得 所述第一得分。 5.按照权利要求3所述的系统， 其特征在于： 所述第 二个通道的深度学习架构由四个基 础分类器构建而成， 四个所述基础分类器分别为VGG16、 Inception ‑v3、 ResNet ‑50和 DenseNet ‑121， 四个所述基础分类器分别进行打分得到四个分数后计算加 权平均值， 既得 所述第二得分。 6.按照权利要求1所述的系统， 其特征在于： 所述第二模块中所用的分类器为具有 softmax激活函数的集 合分类器。 7.按照权利要求1所述的系统， 其特征在于： 所述基础 分类器通过随机梯度下降算法和 随机梯度下降优化器进行端到端的训练得到 。 8.按照权利要求7所述的系统， 其特征在于： 所述基础分类器进行训练时的参数设置 为： 初始学习率 为1e‑3， 批次大小为32， 共6 0个epochs， 动量被设置为0.9， 权 重衰减为1e ‑4。 9.一种计算机可读存储介质， 其特征在于： 其上存储有用于实现权利要求1 ‑8任一项所 述的利用X线图像诊断假体周围关节感染和无菌性失败的系统的计算机程序。权　利　要　求　书 1/1 页 2 CN 115424073 A 2利用X线图像诊断假体周围关节感 染和无菌性失败的 系统 技术领域 [0001]本发明属于医学 图像处理技术方案， 具体涉及一种利用X线图像诊断假体周围关 节感染和无菌性失败的系统。 背景技术 [0002]髋关节和膝 关节的假体周围关节感染(PJI)和无菌性失败(A F)是关节置换术中最 具挑战性的并发症之一， 二者构成了所有假体翻修手术的病因， 对PJI和AF的准确和快速诊 断是获得成功的临床结果的关键。 2018年第二届国际共识会议(ICM)提出的肌肉骨骼感染 协会(MSIS)的PJI标准， 极大地提高了诊断效率和临床 效果。 然而， 这个评分系统是基于临 床表现、 血清学、 滑膜和微生物学检测的结合， 这使临床工作复杂化， 并引入了明显的异质 性， 尤其是关于不同微生物感染导致的临床症状和血清学结果的多样性。 因此， 如果能开 发 出新的技术， 实现更加高效、 廉价的PJI和AF诊断技术， 将有利于对PJI和AF的诊断和治疗的 及时性。 [0003]X线检查仍然是疑似PJI和A F患者的一线影像学检查， 因为它可以评估 关节假体和 邻近组织， 并发现其他引起疼痛的原因。 然而， 利用X射线成像诊断PJI目前还没有完全实 现， 这是由于X射线成像常常呈现非特异性放射学征象。 瘘道形成和骨膜反应是PJI的高度 特异性的放射学征象， 而 软组织肿胀、 假体松动和假体周围透明带的特异性较低。 对于放射 科医生来说， 在X射线图像上区分化脓性和无菌性的假体周围光斑几乎是不可能的。 此外， 这些征象只有在至少30％的骨质流失时才 是阳性的， 因此， 尽管存在PJI， 但大约50％的X线 图像用肉 眼判断仍然 是正常的。 而且据报道， 连续的X射线图像检测PJI的敏感性只有14％， 特异性只有70％。 [0004]深度学习在物体识别和分类方面的进展使其成为复杂医学图像分析的有力手段。 其已经应用于非器质性精神疾病中， 如抑郁症和精神分裂症。 深度学习也可以通过磁共振 成像(MRI)减少临床异质性， 帮助精神病学家确定具有诊断潜力的生物标志物， 从而将患病 对象与健康对照组区分开来。 然而， 目前本领域还未开发出合适的模型结构， 实现利用X射 线图像准确地诊断PJI或AF。 发明内容 [0005]针对现有技术的问题， 本发明提供一种利用X线图像诊断假体周围关节感染和无 菌性失败的系统， 目的在于实现通过深度学习技术利用X线图像诊断PJI的方法， 使 得PJI的 诊断更加高效和廉价。 [0006]一种利用X线图像诊断假体周围关节感染和无菌性失败的系统， 包括： [0007]输入模块， 用于 输入X线图像； [0008]第一计算模块， 用于利用分类网络对X线图像进行计算， 得到集 合得分； [0009]其中， 分类网络是由至少一个通道的深度学习架构构建而成， 每一个通道的深度 学习架构由至少一个 基础分类 器构建而成；说　明　书 1/5 页 3 CN 115424073 A 3