买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜山东大学齐鲁医院申请的专利一种基于CT影像的人工智能预测OVCF患者脊柱再骨折的预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118692613B 。

龙图腾网通过国家知识产权局官网在2025-05-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410676720.3，技术领域涉及：G16H10/20；该发明授权一种基于CT影像的人工智能预测OVCF患者脊柱再骨折的预测方法是由陈斌设计研发完成，并于2024-05-29向国家知识产权局提交的专利申请。

本一种基于CT影像的人工智能预测OVCF患者脊柱再骨折的预测方法在说明书摘要公布了：本发明公开了一种基于CT影像的人工智能预测OVCF患者脊柱再骨折的预测方法，基于人工智能深度学习的方法，通过患者的临床检查检验结果和骨密度、CT影像组学等客观结果综合判读，预测再骨折，其包括：信息采集、模型建立及模型评价，本发明模型通过识别高危的再骨折患者和预测再次骨折的风险，评估骨质疏松症的状况找到与骨质疏松症相关的危险因素，拟通过患者的临床检查检验结果和骨密度、CT影像组学等客观结果综合判读，达到预测再骨折的目的。

本发明授权一种基于CT影像的人工智能预测OVCF患者脊柱再骨折的预测方法在权利要求书中公布了：1.一种基于CT影像的人工智能预测OVCF患者脊柱再骨折的预测方法，其特征在于，包括如下步骤：S1、信息采集，收集大量患者的CT图像信息和临床信息作为模型的数据输入；S2、模型建立，随机选择50例患者的信息，使用3DSLICER进行手动分割图像，作为模型学习基础，然后采用U-net模型对ROI进行自动分割，在勾画ROI区域时，选择了两种ROI勾画方法，一种是去除背景的ROI勾画，另一种是背景全部保留下的ROI勾画，并根据患者的临床信息进行了单因素和多因素分析，寻找独立危险因素，根据独立危险因素和CT影像的ROI勾画方法不同建立了三种不同的模型，包括T-P1NT、3D_Full和3D_RoiOnly；S3、模型评价，使用Densenet121-3D模型对裁剪区域进行建模，评估三种不同模型之间的预测准确性；预测模型的使用方法包括：步骤一、使用单因素和多因素分析，寻找导致多发骨折的独立危险因素；步骤二、首先，将图像和标签的解剖方向标准化，以符合RAS轴编码；随后，对图像和标签进行了重新采样，以实现1x1x1mm的体素间距，对图像使用双线性插值，对标签使用最近邻插值；其次通过线性变换和可选剪切将图像的强度值调整到范围[0，2048]；最后，基于从源图像生成的前景掩码消除了图像和标签中的背景区域；步骤三、从图像和标签中随机剪切子卷，同时考虑其正面和负面标签，这个过程包括空间尺寸和样本数量的说明，在训练过程中被采用，为每次训练迭代提供不同的图像集；步骤四、进行DICE指数分析；步骤五、超参数分析，使用Adam优化器，初始学习率为1e-3；该模型经过18000次迭代的训练，并在32轮后提前停止；步骤六、图像后处理，在ROI区域预测过程中，使用大小为96*96*48的滑动窗口来处理输入数据，在整个预测过程中，由于ROI区域在输入数据空间中表现出连续性，选择删除体积小于10000mm^3的所有区域；步骤七、为了验证自动分割算法在以下建模中的性能，在数据标记期间没有手动标记所有样本的ROI；相反，使用前一阶段训练的自动分割模型来自动描绘所有样本的ROI区域，这些区域用于以下建模；对所有脊柱区域进行了3D裁剪，以获得最终的ROI区域；步骤八、使用Densenet121-3D模型对裁剪区域进行了建模，对于模型的输入数据，执行一个最小-最大变换来归一化灰度值，将它们缩放到-1到1之间的范围；随后，使用最接近的插值作为模型的输入，将每个裁剪的子区域图像调整为96x96x48；并选择学习率以增强泛化；步骤九、通过构建ROC曲线来评估测试队列中深度学习模型的诊断，生成校准曲线来评估柱线图的校准性能，并使用Hosmer-Lemeshow拟合优度检验来评估其校准能力；并进行决策曲线分析DCA。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东大学齐鲁医院，其通讯地址为：250011 山东省济南市历下区文化西路107号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。