[發明專利]一種基于注意力卷積神經網絡的胸部肋骨骨折檢測方法

有效

• 申請號: 202010845981.5
• 申請日: 2020-08-20
• 公開（公告）號: CN111986177B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 張雄;彭司春;上官宏;侯婷;郝雅文;王安紅
• 申請（專利權）人: 太原科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/66;G06N3/0464;G06N3/084
• 代理公司: 太原中正和專利代理事務所(普通合伙) 14116
• 代理人: 焦進宇

本發明屬于CT圖像目標檢測領域，具體技術方案為：一種基于注意力卷積神經網絡的胸部肋骨骨折檢測方法，具體步驟如下：一、獲得胸部肋骨骨折數據集；二、對數據集進行訓練，訓練過程分為以下步驟：1)、將數據集送入預處理模塊進行預處理；2)、特征提取網絡提取初級特征；3)、多尺度Inception模塊提取多尺度特征，并對不同尺度特征進行重新組合；4)、級聯角點池化預測模塊預測關鍵點，并輸出對應的熱點圖/連接矢量/偏移量；5)、通過整體損失函數對關鍵點的熱點圖/連接矢量/偏移量進行約束；三、對胸部肋骨骨折數據集進行測試，根據預測的左上角、右下角、中心關鍵點的參數進行目標分類和定位，分類準確度高，定位精度高。

技術領域

本發明屬于CT圖像目標檢測技術領域，具體涉及一種基于注意力卷積神經網絡的胸部肋骨骨折檢測方法。

背景技術

肋骨骨折是一種由不同外界直接暴力或間接暴力(如胸部收到前后擠壓等)作用方式造成的肋骨斷端向內向外移位或者粉碎的病理現象，它是日常生活中(如體育鍛煉、高空墜落、各類刑事案件、交通事故等)經常出現的一種嚴重的胸部創傷。

肋骨骨折是患者外傷后胸痛、產生液氣胸的主要原因，會給患者帶來強烈的疼痛感；另外，骨折形態復雜多樣，給骨折診斷造成了一定的困難。醫生若要及時給患者找到一種最佳治療方案，需要一個準確的病理判斷；肋骨的骨折病變一定程度上會誘發其鄰近結構如肺部、胸腔、縱膈的病變，快速精確診斷肋骨骨折對治療其他部位疾病有積極的作用；另外，肋骨骨折診斷是司法鑒定、保險理賠等的重要證據。基于上面這些原因，準確診斷肋骨骨折的部位及數量對判斷傷殘程度、骨折分型、傷害級數、提高醫療診治水平、避免醫療糾紛有非常重要的意義。

臨床上最常用的胸部外傷診斷依據是計算機斷層成像(ComputerizedTomography,CT)。目前，商用或者臨床上使用的CT設備拍攝出來的CT圖像清晰度較高，與常規X線片相比，CT片能夠準確獲得肋骨骨折的詳細情況，如骨折的數目及具體部位，并也可以評估鄰近組織結構的損傷。一個有3年臨床經驗的大夫通過閱讀此種高清晰度CT圖像就能對骨折類型及傷害程度有一個準確的診斷。然而，目前醫院或司法機構在做肋骨骨折診斷或治療的時候，非常依賴于CT圖像的拍攝質量和醫生的經驗。一個沒有臨床經驗的人會對肋骨骨折診斷不準確，一個有臨床經驗的大夫對肋骨骨折做出診斷時，需要耗2-3分鐘、需要來回比對，診斷過程非常耗時且繁瑣。另外，人工閱片受閱片疲勞、肋骨骨折數量及其解剖學非標準平面分布等因素的影響，漏診率較高。因此亟需研究出一種快速準確的自動肋骨骨折識別技術，使患者盡早實施手術治療。

2006年，Geoffrey?Hinton教授首次提出了深度學習(Deep?Learning,DL)的概念，深度學習是一種讓計算機自動學習出模式特征的方法。與傳統算法相比，深度學習技術具備強大的特征提取能力，依托大量的樣本數據可以獲得深層的特征，具有更強的魯棒性和泛化能力，在多種圖像處理領域表現優異。近年，也成了乳腺癌、肺結節、肺腫瘤預測等領域的研究熱點。

CornerNet和CenterNet是深度學習類目標檢測方法中的最新研究成果，在很多目標檢測任務中表現良好。但是將它們直接應用于胸部肋骨骨折檢測還存在以下問題：首先，胸部肋骨骨折檢測屬于小尺度目標檢測問題(整幅胸部CT圖像大小為1176×1194，骨折大小約在50×50-100×100左右，骨折位置所占區域在整幅圖像中占比很小)，骨折形態復雜多樣且與周圍背景相似度大，直接用HourglassNet提取特征效果不佳；其次，CenterNet的優點是在CornerNet的基礎上補充了幾何中心點特征，而胸部肋骨骨折的幾何中心點往往特征稀疏，因此用CenterNet提取的肋骨骨折特征表達能力弱，導致骨折的檢出率和分類準確度得不到保障。

發明內容

為解決現有技術存在的技術問題，本發明提供了一種胸部肋骨骨折檢測方法，通過對胸部CT圖像進行檢測，識別出圖像中所包含的所有肋骨骨折類型，并對骨折的位置進行標注，并標出具體邊界框，邊界框的準確性較高。