本發明公開了一種骨折類型的分類方法以及骨折識別模型的構建方法，其中，一種骨折類型的分類方法包括單純性骨折A型、楔形骨折B型、復雜骨折C型；所述單純性骨折A型包括單純螺旋斷裂A1、單純斜向斷裂A2、單純橫向斷裂A3；楔形骨折B型包括螺旋楔形骨折B1、彎曲楔形骨折B2、粉碎楔形骨折B3；復雜骨折C型包括復雜螺旋骨折C1、復雜多段骨折C2、復雜不規則骨折C3；本發明的有益效果是，股骨骨折的精確分類有助于準確的手術策略和術后更好的預后，一個有效、準確的股骨骨折診斷和分型系統將在臨床工作中發揮重要作用。

技術領域

本發明涉及醫療骨科股骨骨折的圖像處理技術領域，特別是一種骨折類型的分類方法以及骨折識別模型的構建方法。

背景技術

在骨科高能損傷中，股骨骨折是非常常見的，其發病率已被報道為平均每10萬名患者年達37例；根據骨折部位，骨折破碎程度，肌肉軟組織損傷程度，損傷機制，可發現不同類型的骨折，目前治療股骨干骨折的金標準是髓內釘。

隨著髓內釘固定的廣泛應用，出現了許多并發癥，如延遲愈合、骨不連、髓內釘骨折和骨折，其原因在很大程度上與骨折的分類和醫生的手術技術有關；根據不同的骨折類型選擇不同的治療方案，合理準確的骨折分類對手術方案的選擇至關重要，因此有效、準確的骨折診斷和分類在臨床工作中起著至關重要的作用；骨折分類系統現在主要依賴三維計算機斷層掃描(CT)、X射線和磁共振圖像(MRI)和手動視覺檢查根據AO分類；然而，這些圖像的信息準確性可能不是很大，外科醫生雖然可以檢測到一些比較明顯的骨折，但是對一些不太明顯的骨折檢查不了，因為分辨率很低；并且隨著人工智能的快速發展，基于深度學習的卷積神經網絡(CNN)被稱為AI模型在圖像分類和目標檢測都顯示出了其能力，并逐漸應用于醫學，該模型在訓練過程中被輸入了許多帶有正確標簽的醫學圖像后，可以快速識別圖像中的特殊區域和病理變化，為醫生提供了第二選擇，目前有很多的對骨科創傷X 線片的分類方式，但是現有的對骨科創傷X線片的分類主要將樣本集中分類為有無骨折，有些是對骨折的位置進一步分類，但是目前的分類方式不夠具體，沒有將骨折類型具體分類到位，具體分類還得依賴醫生，但是醫生查看也有一定的誤差，并不能百分百確定類型，這對后續治療也造成了不便。

鑒于上述情況，有必要對設計一種根據圖像確定骨折類型的方法，使其能夠滿足現在對各種不同類型骨折治療的需要。

發明內容

本發明的目的是為了解決現有的只要是檢查是否有骨折，以及骨折的位置檢測，但是對于骨折確定的類型并不能通過圖像來判定，還需要人們對其進一步進行分類從而進行針對治療，因此我們提供了一種針對性的股骨X射線圖像數據集骨折類型的具體分類方法以及骨折識別類型的構件方法。

實現上述目的本發明的技術方案為，一種骨折類型的分類方法，根據AO/OTA系統將股骨骨折分為三種類型以及三種類型下三種不同的骨折表現形式，包括單純性骨折A型、楔形骨折B型、復雜骨折C型；所述單純性骨折A型包括單純螺旋斷裂A1、單純斜向斷裂A2、單純橫向斷裂A3；楔形骨折B型包括螺旋楔形骨折B1、彎曲楔形骨折B2、粉碎楔形骨折B3；復雜骨折C型包括復雜螺旋骨折C1、復雜多段骨折C2、復雜不規則骨折C3。

對骨折分類方法的進一步補充，還包括踝關節BP、股骨小轉子TP。

一種骨折類型的分類方法進行骨折識別模型的構建方法，包括以下步驟：

S1、獲取股骨干不同骨折部位的不同的骨折類型的X射線圖像；

S2、通過目標檢測器定位X射線圖像中的股骨干骨折部位；

S3、通過物體檢測系統根據骨折類型的分類方法對骨折進行預分類；

S4、采用基于錨的FasterRCNN檢測模型，以ResNet-50和FPN 為骨干，區域生成網絡根據所述圖像特征粗檢測的定位框來定位裂縫發生的位置；

S5、將定位框中的特征進行骨折類型目標檢測和區域定位；