(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 202211341602.4 (22)申请日 2022.10.30 (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 胡钦胜　姜泽坤　朱晓艳　张晖　 刘熹　陈宇　尹诗九　李亚星　 (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. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/774(2022.01) G06N 20/00(2019.01)A61B 8/08(2006.01) (54)发明名称 一种用于跟腱病诊断的特征提取方法、 系统 和存储介质 (57)摘要 本发明属于医学影像 分析诊断领域， 具体涉 及一种用于跟腱病诊断的特征提取方法、 系统和 存储介质。 本发 明用于跟腱病诊断的特征提取方 法包括如下步骤： 步骤1， 输入肌骨超声图像， 分 割肌骨感兴趣区域； 步骤2， 分别从R、 G、 B三个单 通道图像模式和灰度图像模式下提取和量化影 像学特征； 步骤3， 基于机器学习模型对跟腱病诊 断的准确性， 确定用于输入机器学习模型进行跟 腱病诊断的特征。 本发明还进 一步提供利用上述 特征提取方法获得的特征进行跟腱病诊断的系 统。 本发明获得了预测性能更好的跟腱病诊断模 型， 能够更加准确地对跟腱病进行智 能诊断， 具 有很好的应用前 景。 权利要求书1页 说明书5页 附图4页 CN 115409834 A 2022.11.29 CN 115409834 A 1.一种用于跟腱病诊断的特 征提取方法， 其特 征在于， 包括如下步骤： 步骤1， 输入肌骨超声图像， 分割肌骨感兴趣区域； 步骤2， 分别从R、 G、 B三个单通道图像模式和灰度图像模式下提取和量 化影像学特征； 步骤3， 基于机器学习模型对跟腱病诊断的准确性， 确定用于输入机器学习模型进行跟 腱病诊断的特 征。 2.按照权利要求1所述的用于跟腱病诊断的特征提取方法， 其特征在于： 步骤1中， 分割 肌骨感兴趣区域的方法为人工分割或采用模型分割。 3.按照权利要求1所述的用于跟腱病诊断的特征提取方法， 其特征在于： 步骤3 中， 所述 机器学习模型采用逻辑回归、 随机森林或支持向量机算法。 4.按照权利要求1所述的用于跟腱病诊断的特征提取方法， 其特征在于： 步骤3 中， 最终 确定的用于输入机器学习模型进 行跟腱病诊断的特征包括： 延伸率、 长轴长度、 最大二 维直 径、 高灰度级别重点、 小面积高灰度级别重点、 最大三维直径、 90百分位、 最大概率、 粗糙度 和运行百分比。 5.一种用于跟腱病诊断的系统， 其特 征在于， 包括： 数据获取和存 储模块， 用于获取和存 储肌骨超声图像； 分割模块， 用于分割肌骨感兴趣区域； 多通道影像学组学特征提取模块， 用于按照权利要求1 ‑4任一项所述的用于跟腱病诊 断的特征提取方法得到特 征； 跟腱病诊断模块， 用于将所述特 征输入机器学习模型 得到跟腱病的诊断结果。 6.按照权利要求5所述的用于跟腱病诊断的系统， 其特征在于： 分割模块中， 分割肌骨 感兴趣区域的方法为人工分割或采用模型分割。 7.按照权利要求5所述的用于跟腱病 诊断的系统， 其特征在于： 所述机器学习 模型采用 逻辑回归、 随机森林或支持向量机算法。 8.按照权利要求5所述的用于跟腱病诊断的系统， 其特征在于： 所述特征包括： 延伸率、 长轴长度、 最大二 维直径、 高灰度级别重点、 小面积高灰度级别重点、 最大三 维直径、 90百分 位、 最大概 率、 粗糙度和运行 百分比。 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 ‑4任一项所 述的用于跟腱病诊断的特 征提取方法的计算机程序。权　利　要　求　书 1/1 页 2 CN 115409834 A 2一种用于跟腱病诊断的特征提取方 法、 系统和存 储介质 技术领域 [0001]本发明属于医学影像分析诊断领域， 具体涉及一种用于跟腱病诊断的特征提取方 法、 系统和存 储介质。 背景技术 [0002]跟腱是人体最大的肌腱， 跟腱病通常伴随跟腱及周围区域的疼痛、 肿胀和功能受 限， 有别于跟腱炎， 它不一定存在炎症细胞， 而 是一种慢 性的、 长期的肌腱组织退化， 其本质 上是胶原纤维的退化。 通常， 一些高强度运动员诸如滑雪运动员， 更容易存在跟腱病发病隐 患， 因为他们通常在寒冷条件下进行锻炼， 脚 踝僵硬， 血管收缩， 这增加了跟腱病的发病风 险。 国内外运动医学专 家推荐跟腱多普勒超声检查作为诊断跟腱病的 “金标准”。 [0003]跟腱病的超声表现包括跟腱增厚、 血管增生、 回声减弱、 局部钙化、 脂肪垫回声增 强、 跟腱腱膜增厚等。 其中， 回声是超声检查中常用的参数， 跟腱病的回声与其细胞外基质 组成和细胞结构有关。 目前， A IUM的指南没有描述如何评估跟腱 组织中的回声。 在定义跟腱 回声强度时， 超声医师总是依赖于主观的视觉判断， 其受各种仪器设置、 增益、 深度范围和 超声医师 经验的影响， 导 致不同超声医师对同一病变的超声 描述和诊断结果会有所不同。 [0004]影像组学， 又称放射组学， 作为一种新型的医学影像分析技术， 已经成功应用于人 体多个部位、 多种疾病的诊断和治疗研究中。 基于超声影像组学 的临床研究和应用也越来 也多， 但是在 骨科相关的疾病研究中， 仍然缺乏。 [0005]通过机器学习等方法对影像组学的指标进行诊断能够有效克服超声医师的主观 判断差异的问题。 然而， 在机器学习中， 输入什么样的特征进 行计算是影响诊断准确性的关 键因素。 因此， 帮助超声医师提供有效的肌骨 超声影像标志物， 以实现基于肌骨 超声图像的 跟腱病鉴别和诊断， 减少超声医师的临床主观性， 提供诊断速度和准确度， 是非常有必要 的。 然而目前尚缺乏相关研究技 术。 发明内容 [0006]针对现有技术的缺陷， 本发明提供一种用于跟腱病诊断的特征提取方法、 系统和 存储介质， 目的在于通过对特征 的选择， 实现准确的基于肌骨超声图像的跟腱病鉴别和诊 断。 [0007]一种用于跟腱病诊断的特 征提取方法， 包括如下步骤： 步骤1， 输入肌骨超声图像， 分割肌骨感兴趣区域； 步骤2， 分别从R、 G、 B三个单通道图像模式和灰度图像模式下提取和量化影像学特 征； 步骤3， 基于机器学习模型对跟腱病诊断的准确性， 确定用于输入机器学习模型进 行跟腱病诊断的特 征。 [0008]优选的， 步骤1中， 分割肌骨感兴趣区域的方法为人工分割或采用模型分割。 [0009]优选的， 步骤3中， 所述机器学习模型采用逻辑回归、 随机森林或支持向量机算法。说　明　书 1/5 页 3 CN 115409834 A 3