[發(fā)明專利]一種骨折識(shí)別模型的構(gòu)建方法及應(yīng)用

有效

• 申請?zhí)枺?/td>: 201810046430.5
• 申請日: 2018-01-17
• 公開（公告）號(hào): CN108305248B
• 公開（公告）日: 2020-05-29
• 發(fā)明（設(shè)計(jì)）人: 柴象飛;郭娜;陳聰;左盼莉;馬蘭
• 申請（專利權(quán)）人: 慧影醫(yī)療科技（北京）有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 北京華夏正合知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11017
• 代理人: 張煥亮;曲芳兵

1.一種骨折識(shí)別模型的構(gòu)建方法，其特征在于，包括：

A、獲取不同骨折部位的不同的骨折類型的X光圖像；

B、分別對各個(gè)不同骨折部位的不同的骨折類型的X光圖像進(jìn)行圖像預(yù)處理；

C、通過卷積神經(jīng)網(wǎng)絡(luò)Inception ResNetV2對所述預(yù)處理后的圖像進(jìn)行圖像特征提??；

D、通過Faster-RCNN中的區(qū)域建議網(wǎng)絡(luò)層RPN層根據(jù)所述圖像特征生成候選區(qū)域；

E、通過Faster-RCNN中的分類層根據(jù)所述候選區(qū)域進(jìn)行骨折類型目標(biāo)檢測和區(qū)域定位；

F、根據(jù)所述骨折類型目標(biāo)檢測的信息及所述區(qū)域定位的信息，通過困難樣本挖掘策略獲取訓(xùn)練用的負(fù)樣本以及通過對抗學(xué)習(xí)的策略擴(kuò)充訓(xùn)練用的正樣本；

G、利用所述正樣本和所述負(fù)樣本進(jìn)行訓(xùn)練以分別獲取各個(gè)用于不同骨折部位的骨折識(shí)別模型；

其中，所述骨折識(shí)別包括骨折類型的識(shí)別和骨折區(qū)域的檢測。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分別對各個(gè)不同骨折部位的不同的骨折類型的X光圖像進(jìn)行圖像預(yù)處理，包括：

B1、通過連通域分析，初步定位骨肉區(qū)域；

B2、將所述骨肉區(qū)域的邊緣的非圖像區(qū)域刪除；

B3、根據(jù)所述骨肉區(qū)域，調(diào)整窗寬窗位信息。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述調(diào)整窗寬窗位信息包括：

分別使用參數(shù)a，b＝[1,2],[0.5,2.5],[1,3],[2,4],使用下述公式生成4個(gè)通道以調(diào)整窗寬窗位信息：

X[M_low]＝μ-a·σ

X[M_up]＝μ+b·σ

其中，所述X表示X射線影像，其取值范圍是[0,2¹⁶]；μ表示均值；σ表示標(biāo)準(zhǔn)差；M_low表示小于窗閾值掩碼；M_up表示大于窗閾值掩碼；X[M_low]表示大于閾值的像素；X[M_up]表示小于閾值的像素；其中參數(shù)a，b表示控制閾值。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述負(fù)樣本的選取的步驟包括：

通過非極大值抑制法對所述區(qū)域定位后獲取的各個(gè)預(yù)測骨折區(qū)域位置框進(jìn)行打分處理；

根據(jù)所述打分選取一指定數(shù)量的樣本，并選擇其與醫(yī)生標(biāo)注區(qū)域無交集的區(qū)域；

使用困難樣本挖掘方法對所述與醫(yī)生標(biāo)注區(qū)域無交集的區(qū)域進(jìn)行打分并按照分?jǐn)?shù)由高到低排列選取指定數(shù)量的所述與醫(yī)生標(biāo)注區(qū)域無交集的區(qū)域作為困難樣本，放入損失函數(shù)計(jì)算，并用于反向傳播。