[發(fā)明專利]骨折區(qū)域分析方法和裝置、電子設(shè)備及可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010156843.6
• 申請(qǐng)日: 2020-03-09
• 公開(kāi)（公告）號(hào): CN111325745B
• 公開(kāi)（公告）日: 2023-08-25
• 發(fā)明（設(shè)計(jì)）人: 何福金;顏立峰;劉小青;俞益洲
• 申請(qǐng)（專利權(quán)）人: 北京深睿博聯(lián)科技有限責(zé)任公司;杭州深睿博聯(lián)科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 北京天方智力知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11719
• 代理人: 谷成

1.一種骨折區(qū)域分析方法，其特征在于，包括：

將骨骼影像輸入骨骼部位識(shí)別模型以獲得骨骼部位識(shí)別結(jié)果，其中，所述骨骼部位識(shí)別模型為基于深度學(xué)習(xí)的訓(xùn)練過(guò)程建立的分類神經(jīng)網(wǎng)絡(luò)模型；

基于所述骨骼部位識(shí)別結(jié)果確定對(duì)應(yīng)的骨骼部位閾值；

將所述骨骼影像輸入骨折區(qū)域檢測(cè)模型以獲得多個(gè)骨折預(yù)測(cè)區(qū)域以及與所述多個(gè)骨折預(yù)測(cè)區(qū)域分別對(duì)應(yīng)的多個(gè)置信度值，其中，所述骨折區(qū)域檢測(cè)模型為基于深度學(xué)習(xí)的訓(xùn)練過(guò)程建立的神經(jīng)網(wǎng)絡(luò)模型；

基于所述骨骼部位閾值，將所述置信度值大于所述骨骼部位閾值的所述骨折預(yù)測(cè)區(qū)域篩選出來(lái)；以及

將篩選出來(lái)的所述骨折預(yù)測(cè)區(qū)域進(jìn)行可視化輸出；

其中：

所述基于所述骨骼部位識(shí)別結(jié)果確定對(duì)應(yīng)的骨骼部位閾值包括：

基于所述骨骼部位識(shí)別結(jié)果在閾值數(shù)據(jù)庫(kù)中確定對(duì)應(yīng)的所述骨骼部位閾值，其中，所述閾值數(shù)據(jù)庫(kù)通過(guò)如下步驟建立：

將屬于多個(gè)骨骼部位的多個(gè)骨骼影像樣本輸入所述骨折區(qū)域檢測(cè)模型以統(tǒng)計(jì)出不同閾值下的召回率和精確率；

基于所統(tǒng)計(jì)出的所述召回率和精確率，將滿足預(yù)設(shè)條件的閾值作為各骨骼部位的初始化閾值；以及

將屬于單個(gè)骨骼部位的骨骼影像樣本輸入所述骨折區(qū)域檢測(cè)模型，并基于所述初始化閾值，利用動(dòng)態(tài)閾值搜索算法調(diào)整該單個(gè)骨骼部位的骨骼部位閾值，以使得統(tǒng)計(jì)出的召回率大于等于初始化的召回率且統(tǒng)計(jì)出的精確率大于等于預(yù)設(shè)的精確率。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述骨折區(qū)域檢測(cè)模型的訓(xùn)練過(guò)程所基于的訓(xùn)練集屬于多個(gè)骨骼部位的多個(gè)骨骼影像樣本，其中，不同骨骼部位的所述骨骼影像樣本在訓(xùn)練過(guò)程中采用的分類損失權(quán)重不同。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述將骨骼影像輸入骨骼部位識(shí)別模型以獲得骨骼部位識(shí)別結(jié)果之前，進(jìn)一步包括：

獲取骨骼影像原始數(shù)據(jù)；

對(duì)所述骨骼影像原始數(shù)據(jù)記信篩選和脫敏處理；

獲得所述骨骼影像的骨折區(qū)域標(biāo)注數(shù)據(jù)；以及

將帶有所述骨折區(qū)域標(biāo)注數(shù)據(jù)的所述骨骼影像原始數(shù)據(jù)通過(guò)數(shù)據(jù)轉(zhuǎn)化過(guò)程轉(zhuǎn)化為統(tǒng)一格式。

4.一種骨折區(qū)域分析裝置，其特征在于，包括：

骨骼部位識(shí)別模型，配置為基于骨骼影像獲得骨骼部位識(shí)別結(jié)果，其中，所述骨骼部位識(shí)別模型為基于深度學(xué)習(xí)的訓(xùn)練過(guò)程建立的分類神經(jīng)網(wǎng)絡(luò)模型；

部位閾值選擇模塊，配置為基于所述骨骼部位識(shí)別結(jié)果確定對(duì)應(yīng)的骨骼部位閾值；

骨折區(qū)域檢測(cè)模型，配置為基于所述骨骼影像獲得多個(gè)骨折預(yù)測(cè)區(qū)域以及與所述多個(gè)骨折預(yù)測(cè)區(qū)域分別對(duì)應(yīng)的多個(gè)置信度值，其中，所述骨折區(qū)域檢測(cè)模型為基于深度學(xué)習(xí)的訓(xùn)練過(guò)程建立的神經(jīng)網(wǎng)絡(luò)模型；

后處理模塊，配置為基于所述骨骼部位閾值，將所述置信度值大于所述骨骼部位閾值的所述骨折預(yù)測(cè)區(qū)域篩選出來(lái)；以及

骨折區(qū)域輸出模塊，配置為將篩選出來(lái)的所述骨折預(yù)測(cè)區(qū)域進(jìn)行可視化輸出；

其中：

所述部位閾值選擇模塊進(jìn)一步配置為：基于所述骨骼部位識(shí)別結(jié)果在閾值數(shù)據(jù)庫(kù)中確定對(duì)應(yīng)的所述骨骼部位閾值；

其中，所述裝置進(jìn)一步包括：

閾值數(shù)據(jù)庫(kù)建立模塊，包括：

第一統(tǒng)計(jì)單元，將屬于多個(gè)骨骼部位的多個(gè)骨骼影像樣本輸入所述骨折區(qū)域檢測(cè)模型以統(tǒng)計(jì)出不同閾值下的召回率和精確率；

初始化閾值獲取單元，配置為基于所統(tǒng)計(jì)出的所述召回率和精確率，將滿足預(yù)設(shè)條件的閾值作為各骨骼部位的初始化閾值；以及

動(dòng)態(tài)閾值搜索單元，配置為將屬于單個(gè)骨骼部位的骨骼影像樣本輸入所述骨折區(qū)域檢測(cè)模型，并基于所述初始化閾值，利用動(dòng)態(tài)閾值搜索算法調(diào)整該單個(gè)骨骼部位的骨骼部位閾值，以使得統(tǒng)計(jì)出的召回率大于等于初始化的召回率且統(tǒng)計(jì)出的精確率大于等于預(yù)設(shè)的精確率。

5.根據(jù)權(quán)利要求4所述的裝置，其特征在于，所述骨折區(qū)域檢測(cè)模型的訓(xùn)練過(guò)程所基于的訓(xùn)練集屬于多個(gè)骨骼部位的多個(gè)骨骼影像樣本，其中，不同骨骼部位的所述骨骼影像樣本在訓(xùn)練過(guò)程中采用的分類損失權(quán)重不同。