13、机会性髋部骨折风险预测

机会性髋部骨折风险预测

1. 数据预处理

• 图像裁剪与投影 ：由于体模总是位于患者下方，扫描图像可轻松裁剪以排除体模和检查床。裁剪后的 3D 扫描图像被投影到冠状面，并通过一个常数值重新缩放，使像素值范围达到 [0, 1]。
• 图像分割与关键点检测 ：CT 投影和 X 射线图像 I(x) 被分割为左右两半，分别代表左右髋部，左髋部图像进行垂直翻转。使用受启发的关键点检测卷积神经网络（CNN）来检测股骨周围的 12 个关键点。该关键点检测器在 1797 张 X 射线图像和 208 张 CT 投影（104 张 CT，104 张归一化 CT）上进行联合训练，这些图像的关键点位置均经过手动标注。
• 图像分类与感兴趣区域选择 ：关键点 CNN 将图像半部分分为三类：完整（近端股骨完全可见）、不完整（近端股骨未完全可见）和有植入物。选择部分关键点将图像裁剪到近端股骨区域（包括小转子和股骨头）。如果预测类别为完整且置信度高于 0.01（X 射线）或 0.2（CT），则将这些裁剪后的图像 G(x) 纳入数据集。
• 风险因素分组 ：风险因素（RF）是关于患者的额外信息，可能有助于改善髋部骨折风险预测。为便于参考，将风险因素分为以下几组：Base、Multiple、aBMD、FRAX 和 TBS。Base 组包含患者基本信息，如年龄和 BMI；Multiple 组在 Base 组基础上增加了病例史和健康背景的额外信息；其他组包含其他知名风险因素，包括骨密度测量。由于骨密度测量需要额外的成像和评估，不适合机会性筛查