[發明專利]骨折區域分析方法和裝置、電子設備及可讀存儲介質

有效

• 申請號: 202010156843.6
• 申請日: 2020-03-09
• 公開（公告）號: CN111325745B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 何福金;顏立峰;劉小青;俞益洲
• 申請（專利權）人: 北京深睿博聯科技有限責任公司;杭州深睿博聯科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京天方智力知識產權代理事務所(普通合伙) 11719
• 代理人: 谷成

本申請實施例提供了一種骨折區域分析方法和裝置、電子設備及計算機可讀存儲介質，解決了現有骨折區域分析方式的準確率低和效率低的問題。該骨折區域分析方法包括：將骨骼影像輸入骨骼部位識別模型以獲得骨骼部位識別結果，其中，骨骼部位識別模型為基于深度學習的訓練過程建立的分類神經網絡模型；基于骨骼部位識別結果確定對應的骨骼部位閾值；將骨骼影像輸入骨折區域檢測模型以獲得多個骨折預測區域以及與多個骨折預測區域分別對應的多個置信度值，其中，骨折區域檢測模型為基于深度學習的訓練過程建立的神經網絡模型；基于骨骼部位閾值，將置信度值大于骨骼部位閾值的骨折預測區域篩選出來；以及將篩選出來的骨折預測區域進行可視化輸出。

技術領域

本申請涉及影像分析技術領域，具體涉及一種骨折區域分析方法、裝置、電子設備及計算機可讀存儲介質。

背景技術

傳統的醫學影像處理通常依賴經驗豐富的醫生以肉眼進行判斷，這種方式存在以下幾個主要問題：第一，對醫生的專業知識要求比較高，并且醫生的判斷往往帶有一定的主觀性，對于一些復雜的病例，不同醫生會給出不一樣的結果，這時候通常需要幾個經驗豐富的醫生進行聯合判斷才能得出比較可靠的結論。第二，耗時長，效率非常的低下。例如，對于一些3D的CT(電子計算機斷層掃描)圖像，醫生通常需要半個小時，甚至更多的時間才能完成對一個病人的評估。第三，人容易疲勞，長時間的工作容易產生漏診，引起不必要醫療糾紛。這些因素是限制醫生工作的效率的主要原因，同時也是制約現代醫學發展的瓶頸之一。

近年來，在強大算力的支持下，深度學習在圖像領域快速發展，特別是在自然圖像的檢測、分割、去燥等任務中表現出了卓越的性能。在這些成功案例的影響下，將深度學習應用到醫學影像學的臨床與科研實踐中，利用人工智能的計算機輔助診斷技術來對醫學影像圖像進行前期的檢測和識別成為了研究的重點。一方面，它可以幫助醫生更快的從大量圖像中找到需要關注的病灶區域，從而得到更為直接、準確和清晰的病灶信息。另一方面，這種方式大大地減少了醫生閱片的時間，減輕了醫生的工作負擔，有效的提高了醫生工作的效率。

臨床上最為常見的骨折診斷方式是基于X光影像的骨折診斷。相對于CT，X光也是一種更為廉價的骨折診斷方式。臨床上對于X光影像中骨折位置判斷的準確性直接關系著后續治療方案的確定，快速并且準確地找出X光骨折影像中的骨折區域是近幾年基于X光骨折檢測研究的重點。目前對于X光骨折區域的檢測方法，按照特征提取方式的不同可以分為傳統方法和基于深度學習的方法，傳統方式主要基于一些手動設計的特征描述子來提取圖像的特征，隨后接上一個支持向量機或者樸素貝葉斯分類器實現分類。由于手動設計的特征描述子通常具有一定的局限性，不能很好的提取所有的圖像特征，最終的性能也相對差一些。近年來，基于卷積神經網絡的深度學習方法由于強大的特征提取能力，從而表現出了相對傳統方法更為卓越的性能，得到研究者更多的關注。

通常，X光骨折影像包括手、腕、足、踝、肘、肩、髖、膝等多個部位，不同部位的骨折在X光上的表現是不一樣的，并且難易程度也是不同的，比如：手部和膝部的骨折相對于髖部來說，識別的難度要高很多，醫生需要花的時間也更長。這使得多個部位的骨折在同時優化時往往會受到一定程度的制約，限制了模型的學習能力，所以目前的方法通常只對單個部位的骨折影像進行檢測，如：手部或者腕部。但這種單部位的檢測方式對于臨床使用來說意義不大，普適性偏差。

發明內容

有鑒于此，本申請實施例提供了一種骨折區域分析方法和裝置，解決了現有骨折區域分析方式的準確率低和效率低的問題。

根據本申請的一個方面，本申請一實施例提供的一種骨折區域分析方法包括：將骨骼影像輸入骨骼部位識別模型以獲得骨骼部位識別結果，其中，所述骨骼部位識別模型為基于深度學習的訓練過程建立的分類神經網絡模型；基于所述骨骼部位識別結果確定對應的骨骼部位閾值；將所述骨骼影像輸入骨折區域檢測模型以獲得多個骨折預測區域以及與所述多個骨折預測區域分別對應的多個置信度值，其中，所述骨折區域檢測模型為基于深度學習的訓練過程建立的神經網絡模型；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測區域篩選出來；以及將篩選出來的所述骨折預測區域進行可視化輸出。