[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡的骨量檢測方法

有效

• 申請?zhí)枺?/td>: 202010977948.8
• 申請日: 2020-09-17
• 公開（公告）號: CN112070760B
• 公開（公告）日: 2022-11-08
• 發(fā)明（設計）人: 邱劍鋒;楊萬理;張興義;儲建軍;王啟軍
• 申請（專利權）人: 安徽大學;合肥市濱湖醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡的骨量檢測方法，其步驟包括：1構建卷積神經(jīng)網(wǎng)絡；2獲取根據(jù)骨密度儀標注的X光片數(shù)據(jù)集并進行預處理；3利用X光片數(shù)據(jù)集對神經(jīng)網(wǎng)絡進行訓練，得到能夠對骨量異常、骨量減少和骨量正常的X光片進行識別的網(wǎng)絡模型；4利用網(wǎng)絡模型對X光片進行檢測，評估模型的分類精度；5基于訓練的網(wǎng)絡模型進行集成，并轉化為可執(zhí)行程序exe，輸入dicom格式待檢測數(shù)據(jù)，得到對應檢測結果。本發(fā)明能實現(xiàn)端到端的骨量異常、骨量減少和骨量正常的X光片的檢測，從而方便快捷的及時發(fā)現(xiàn)骨量減少或骨量異常狀態(tài)，輔助進一步檢查和治療，以降低因為骨量異常而發(fā)生的一系列風險。

技術領域

本發(fā)明屬于計算機/機器視覺中圖像處理和分類領域，具體的說是一種基于卷積神經(jīng)網(wǎng)絡 的圖像分類方法。

背景技術

骨量異常可以通過觀察X光片來識別，這需要有經(jīng)驗的醫(yī)生來執(zhí)行，通過分類方法可以 輔助醫(yī)生的觀察，減輕患者經(jīng)濟壓力，因此，良好的分類方法有助于輔助醫(yī)生對骨量異常的 判斷。

現(xiàn)有的分類方法包括：基于傳統(tǒng)機器學習的方法和基于深度學習的方法。

基于傳統(tǒng)機器學習的方法主要是基于X光片的紋理特征來實現(xiàn)分類，例如通過局部二值 模式或灰度共生矩陣提取圖像紋理特征，再通過支持向量機進行分類。由于醫(yī)療圖像中干擾 特征太多，基于傳統(tǒng)及其學習的方法難以通過有效的紋理特征來進行分類，導致分類效果差。

在基于深度學習的方法主要是利用卷積神經(jīng)網(wǎng)絡進行分類。該方法從訓練樣本中學習不 同類別的特征，目的在于通過所學特征來區(qū)分不同類別，例如通過直線型模型VggNet、局部 雙分支型模型ResNet、局部多分支型模型GoogleNet來進行模型的訓練，從而依據(jù)訓練好的 模型來進行分類，由于醫(yī)療數(shù)據(jù)中天然存在的數(shù)據(jù)量小、干擾特征多的問題，導致模型學習 的特征中干擾特征占比較大，從而分類效果差。

Su等人基于傳統(tǒng)機器學習方法和深度學習方法進行集成，將傳統(tǒng)機器學習方法得到的特 征與深度學習學習的特征進行集成，并送入分類器SVM進行分類得到最終分類結果，該方 法基于LBP和GLCM進行紋理特征提取，再分別通過AlexNet、VggNet、ResNet、DebseNet 提取深度學習的特征，將兩者融合并用SVM進行分類實現(xiàn)骨質疏松癥的檢測，較僅使用傳 統(tǒng)機器學習方法進行分類有較大提升，但是相比僅使用深度學習模型進行分類效果提升較小， 并且對骨量減少類別的識別精度較低，具體可參考論文“Fusingconvolutional neural network features with hand-crafted features forosteoporosis diagnoses”，該文章于2020年發(fā)表于期刊 “Neurocomputing”385卷第300至309頁；根據(jù)Hui等人的研究，卷積神經(jīng)網(wǎng)絡用于圖像分 類過程中，各個類別間特征向量角度越大對應的網(wǎng)絡模型泛化能力越好，也就是說網(wǎng)絡模型 學習到不同類別間差異越大的特征則對應網(wǎng)絡模型泛化能力越好，具體可參考論文 “Inter-Class Angular Loss forConvolutional Neural Networks”，該文章于2019年發(fā)表于會議 “The Thirty-ThirdAAAIConference onArtificial Intelligence”，但是由于骨量異常類別包含了 部分骨量減少或骨量正常的特征，骨量減少類別也包含了部分骨量正常的特征，導致在使用 卷積神經(jīng)網(wǎng)絡進行分類時相似特征的丟失，同時由于更多干擾特征的存在，導致最終的分類 效果差。

發(fā)明內容

本發(fā)明為解決現(xiàn)有技術中的不足之處，提供了一種基于卷積神經(jīng)網(wǎng)絡的骨量檢測方法， 以期能實現(xiàn)端到端的骨量異常、骨量減少和骨量正常的x光影像圖的檢測，從而方便快捷的 及時發(fā)現(xiàn)骨量減少或骨量異常狀態(tài)，輔助進一步檢查和治療，以降低因為骨量異常而發(fā)生的 一系列風險。

為解決上述技術問題，本發(fā)明采用的技術方案是：

本發(fā)明一種基于卷積神經(jīng)網(wǎng)絡的骨量檢測方法的特點是按照如下步驟進行：