基于支持向量机的TKA术前临床分期智能评估方法专利检索-超平面数学与统计专利检索查询-专利查询网

基于支持向量机的TKA术前临床分期智能评估方法

阅读：1038发布：2020-05-13

专利汇可以提供基于支持向量机的TKA术前临床分期智能评估方法专利检索，专利查询，专利分析的服务。并且本发明涉及全膝关节置换技术领域，具体地说，涉及基于支持向量机的TKA术前临床分期智能评估方法。其方法包括如下步骤：采集膝关节OA影像学数据，收集X线全长片数据，并配合术下肢全长CT容积扫描影像数据、骨密度数据、MR T1/T2/3D-FS-SPGR软骨成像序列数据、组织样本、病人一般资料等资料，进行筛选并进行临床分期的训练样本的数据标注；利用已进行标注临床分期的X线影像学数据；采用支持向量机进行分类输出。该基于支持向量机的TKA术前临床分期智能评估方法中，在TKA术前临床智能分期中采用基于支持向量机有监督深度学习算法，将医生从大量医学影像学数据中解放出来，减少医生间水平的差异，实现从前期辅助医生判断到成熟后独立决策的过程。，下面是基于支持向量机的TKA术前临床分期智能评估方法专利的具体信息内容。

权利要求

1.基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：包括如下步骤：
S1、采集膝关节0A影像学数据，收集X线全长片数据，并配合术下肢全长CT容积扫描影像数据、骨密度数据、MRT1/T2/3D-FS-SPGR软骨成像序列数据、组织样本、病人一般资料等资料，进行筛选并进行临床分期的训练样本的数据标注；
S2、利用已进行标注临床分期的X线影像学数据，明确分期等级，对不同的线性核、多项式核和高斯核等的支持向量机进行训练；
S3、采用支持向量机进行分类输出。
2.根据权利要求1所述的基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：所述S2中，支持向量机进行训练的方法包括如下步骤：
S2.1、输入两类训练样品向量(Xi，Yi)(i＝1，2，...，N，X∈Rn，y∈|-1，1|)，类号分别为w1，w2，如果Xi∈w1，则Yi＝-1，；Xi∈w2，则Yi＝1；
S2.2、指定核函数类型；
S2.3、利用二次规划方法求解日标函数式的最优解，得到最优Lagrange乘子a*；
S2.4、利用样本库中的一个支持向量Xi，得到偏差值b。
3.根据权利要求2所述的基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：所述指定核函数类型采用多项式核，其公式如下：
k(x，x′)＝(+d)p，p∈N，d≥0......(1)。
4.根据权利要求2所述的基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：所述二次规划方法求解目标函数式的目标函数为：
5.根据权利要求1所述的基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：所述S3中，支持向量机进行分类输出的方法步骤如下：
S3.1、采用二次规划求最优解；
S3.2、采用拉格朗日乘子法对二次规划问题求解；
S3.3、在多分类中构造一个具有软判决输出的SVM。
6.根据权利要求5所述的基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：所述采用二次规划求最优解的公式如下：
w表示分类超平面的系数,b是一个常数。
7.根据权利要求5所述的基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：所述拉格朗日乘子法的公式如下：
αi[yi(+b)-1]＝0,i＝1,…N……(4)；
αi为各样本的拉格朗日乘子，假设α的最优解是α*，把最优解代入超平面方程，得到决策函数：
8.根据权利要求5所述的基于支持向量机的TKA术前临床分期智能评估方法，其特征在于：所述SVM的判决输出通过Sigmoid函数映射到0与1之间，构造概率输出的数学表达式，其简化形式如下：
f(x)＝∑αiyiK(xi,x)+b……(6)；
其中，K(xi,x)＝为构造的核函数。

说明书全文

基于支持向量机的TKA术前临床分期智能评估方法

技术领域

[0001] 本发明涉及全膝关节置换技术领域，具体地说，涉及基于支持向量机的TKA术前临床分期智能评估方法。

背景技术

[0002] 随着我国人口老龄化加速、运动损伤及交通事故等高能量损伤的增多，软骨以及软骨下骨的损伤和/或缺损的发病率明显升高。据统计，我国每年创伤后软骨损伤达10万人，骨性关节炎总患病人数更高达1.2亿，发病率约为人口的9.6％。虽然软骨修复技术的研究不断深入，但是对于严重的膝关节OA，全膝关节置换术仍然是当前最可靠的治疗手段。近年来，我国人工关节置换的年增长率达13％，目前已达到20万例/年。

[0003] 膝关节OA临床表现及体征不尽相同，其临床分期评估对于提高诊疗效果尤为重要。通过准确判断患者病情的严重程度，从而指导临床医生对患者进行TKA手术。传统的临床分期评估是在进行TKA手术前，医生根据经验及知识利用X射线并适时结合CT或MRI 医学影像学数据进行评估，评估的准确度依医生不同有所差别。随着人工智能技术的不断发展，利用影像学数据进行智能分期评估成为了可能，其分期评估的准确度未来甚至可以超越有经验的医生，实现从前期辅助医生判断到成熟后独立决策，将医生从大量医学影像学数据中解放出来，减少医生间水平的差异。

发明内容

[0004] 本发明的目的在于提供基于支持向量机的TKA术前临床分期智能评估方法，以解决上述背景技术中提出的问题。

[0005] 为实现上述目的，本发明提供基于支持向量机的TKA术前临床分期智能评估方法，包括如下步骤：

[0006] S1、采集膝关节OA影像学数据，收集X线全长片数据，并配合术下肢全长CT容积扫描影像数据、骨密度数据、MR T1/T2/3D-FS-SPGR软骨成像序列数据、组织样本、病人一般资料等资料，进行筛选并进行临床分期的训练样本的数据标注；

[0007] S2、利用已进行标注临床分期的X线影像学数据，明确分期等级，对不同的线性核、多项式核和高斯核等的支持向量机进行训练；

[0008] S3、采用支持向量机进行分类输出。

[0009] 作为优选，所述S2中，支持向量机进行训练的方法包括如下步骤：

[0010] S2.1、输入两类训练样品向量(Xi,Yi)(i＝1,2,…,N,X∈Rn,y∈|-1,1|)，类号分别为w1,w2，如果Xi∈w1，则Yi＝-1,；Xi∈w2，则Yi＝1；

[0011] S2.2、指定核函数类型；

[0012] S2.3、利用二次规划方法求解日标函数式的最优解,得到最优Lagrange乘子a*；

[0013] S2.4、利用样本库中的一个支持向量Xi，得到偏差值b。

[0014] 作为优选，所述指定核函数类型采用多项式核，其公式如下：

[0015] k(x,x')＝(+d)p,p∈N,d≥0……(1)。

[0016] 作为优选，所述二次规划方法求解目标函数式的目标函数为：

[0017]

[0018] 作为优选，所述S3中，支持向量机进行分类输出的方法步骤如下：

[0019] S3.1、采用二次规划求最优解；

[0020] S3.2、采用拉格朗日乘子法对二次规划问题求解；

[0021] S3.3、在多分类中构造一个具有软判决输出的SVM。

[0022] 作为优选，所述采用二次规划求最优解的公式如下：

[0023]

[0024] w表示分类超平面的系数,b是一个常数。

[0025] 作为优选，所述拉格朗日乘子法的公式如下：

[0026] αi[yi(+b)-1]＝0,i＝1,…N……(4)；

[0027] αi为各样本的拉格朗日乘子，假设α的最优解是α*，把最优解代入超平面方程，得到决策函数：

[0028]

[0029] 作为优选，所述SVM的判决输出通过Sigmoid函数映射到0与1之间，构造概率输出的数学表达式，其简化形式如下：

[0030] f(x)＝∑αiyiK(xi,x)+b……(6)；

[0031] 其中，K(xi,x)＝〈xi·x〉为构造的核函数。

[0032] 与现有技术相比，本发明的有益效果：该基于支持向量机的TKA术前临床分期智能评估方法中，在TKA术前临床智能分期中采用基于支持向量机有监督深度学习算法，将医生从大量医学影像学数据中解放出来，减少医生间水平的差异，实现从前期辅助医生判断到成熟后独立决策的过程。附图说明

[0033] 图1为本发明的整体流程框图；

[0034] 图2为本发明的支持向量机进行训练的方法流程图；

[0035] 图3为本发明的支持向量机进行分类输出的方法流程图；

[0036] 图4为本发明的中国人群膝关节OA影像学数据的收集框图；

[0037] 图5为本发明的深度学习平台的构建框图；

[0038] 图6为本发明的基于支持向量机的初步TKA术前智能临床分期框图；

[0039] 图7为本发明的支持向量机四分类流程图。

具体实施方式

[0040] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0041] 请参阅图1-图7所示，本发明提供一种技术方案：

[0042] 本发明提供基于支持向量机的TKA术前临床分期智能评估方法，包括如下步骤：

[0043] S1、采集膝关节OA影像学数据，收集X线全长片数据，并配合术下肢全长CT容积扫描影像数据、骨密度数据、MRT1/T2/3D-FS-SPGR软骨成像序列数据、组织样本、病人一般资料等资料，进行筛选并进行临床分期的训练样本的数据标注；

[0044] S2、利用已进行标注临床分期的X线影像学数据，明确分期等级，对不同的线性核、多项式核和高斯核等的支持向量机进行训练；

[0045] S3、采用支持向量机进行分类输出。

[0046] 本实施例中，训练基于构建分布式多GPU训练平台，在分布式运算支持性、执行效率等方面评估不同深度学习框架的训练效果，如TensorFlow、Caffe、Theano等；针对膝关节影像数据的特点，筛选目前国内外主流深度学习模型，在收敛速度、稳定性、生成效果三个方面进行评估；针对膝关节影像数据的特点，在损失函数设计、收敛算法、动量优化算法等方面进行优化。

[0047] 进一步的，利用已进行标注临床分期的X线影像学数据，明确分期等级，对不同的线性核、多项式核和高斯核等的支持向量机(SVM)进行训练，在收敛速度、稳定性、分类效果三方面进行评估，测试不同的损失函数如hinge损失，指数损失和对率损失下支持向量机的效果，优化损失函数、收敛算法和动量优化算法。研究X线影像学数据相关特征提取算法，降低单个样本的数据量，提高训练效率。

[0048] 具体的，S2中，支持向量机进行训练的方法包括如下步骤：

[0049] S2.1、输入两类训练样品向量(Xi,Yi)(i＝1,2,…,N,X∈Rn,y∈|-1,1|)，类号分别为w1,w2，如果Xi∈w1，则Yi＝-1,；Xi∈w2，则Yi＝1；

[0050] S2.2、指定核函数类型；

[0051] S2.3、利用二次规划方法求解日标函数式的最优解,得到最优Lagrange乘子a*；

[0052] S2.4、利用样本库中的一个支持向量Xi，得到偏差值b。

[0053] 其中，指定核函数类型采用多项式核，其公式如下：

[0054] k(x,x')＝(+d)p,p∈N,d≥0……(1)。

[0055] 其中，指定核函数类型还能够采用RBF核、B样条核和Fourier核：RBF核的函数公式如下：

[0056]

[0057] B样条核的函数公式如下：

[0058] k(x,x')＝B2N+1(||x-x'||)……(1-2)；

[0059] Fourier核的函数公式如下：

[0060]

[0061] 具体的，二次规划方法求解日标函数式的目标函数为：

[0062]

[0063] 本实施例中，S3中，支持向量机进行分类输出的方法步骤如下：

[0064] S3.1、采用二次规划求最优解；

[0065] S3.2、采用拉格朗日乘子法对二次规划问题求解；

[0066] S3.3、在多分类中构造一个具有软判决输出的SVM。

[0067] 其中，采用二次规划求最优解的公式如下：

[0068]

[0069] w表示分类超平面的系数,b是一个常数。

[0070] 其中，拉格朗日乘子法的公式如下：

[0071] αi[yi〈( w·xi〉+b)-1]＝0,i＝1,…N……(4)；

[0072] αi为各样本的拉格朗日乘子，假设α的最优解是α*，把最优解代入超平面方程，得到决策函数：

[0073] 其中，

[0074] SVM的判决输出通过Sigmoid函数映射到0与1之间，构造概率输出的数学表达式，其简化形式如下：

[0075] f(x)＝∑αiyiK(xi,x)+b……(6)；

[0076] 其中，K(xi,x)＝

[0077] 值得说明的是，本发明中，将膝关节临床分期分为4期，分别为Ⅰ期、Ⅱ期、Ⅲ期和Ⅳ期，支持向量机原理只能进行二分类，为了实现四分类，使用方法如下：

[0078] 根据需要分类的分类数，构造N(N-1)/2二类分类器，本发明中即为构造6个二类分类器，采用投票方式对样本进行判断，将样本输入到已构造的任何二类分类器中，通过分类器对样本进行分类，哪一类票数最多，则该样本即属于哪一类，具体如图7所示，构造N(N-1)/2个二类分类器的决策函数“,投票法”判决max((wAB)TΦ(xA)+bAB)，若属于A类,则A的票数增加一,否则B的票数增加一,哪类统计得票最多,即为所属类别。

[0079] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

标题	发布/更新时间	阅读量
数据增强的智能终端安全等级分类方法及系统	2020-05-08	893
一种基于面部识别的在线平板学习度预警方法	2020-05-08	565
一种自适应助力外骨骼机器人运动信息采集系统	2020-05-12	390
一种具有强鲁棒性的燃煤机组汽包锅炉水位控制方法	2020-05-13	522
一种电力系统检测数据攻击的方法、计算机设备和存储介质	2020-05-11	155
一种基于工况识别的混合动力列车能量管理方法	2020-05-13	898
一种输电线路在线监测数据异常分析方法	2020-05-11	133
基于零转速特性线的燃气轮机涡轮低转速特性线外推方法	2020-05-14	975
一种自适应的仿真试验参数值选择方法	2020-05-11	321
基于自适应分类策略和混合优化SVR的光功率预测方法	2020-05-08	203

基于支持向量机的TKA术前临床分期智能评估方法

基于支持向量机的TKA术前临床分期智能评估方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：