[發明專利]基于CT數據庫的頜面部骨折的識別方法、裝置及終端設備

有效

• 申請號: 202011046297.7
• 申請日: 2020-09-29
• 公開（公告）號: CN111967540B
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 賀洋;揭璧朦;徐子能;張益;仝雁行;彭歆;丁鵬;白海龍
• 申請（專利權）人: 北京大學口腔醫學院;北京羽醫甘藍信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G16H50/20;G16H30/00;G06T7/00;G06N3/04
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 肖冰濱;王曉曉

本發明涉及圖像處理領域，其實施方式提供了一種基于CT數據庫的頜面部骨折的識別方法，所述方法包括：獲取不同骨折類型的頜面部骨折的CT數據樣本；對所述CT數據樣本進行標注處理和分類處理；采用同一骨折類型的經處理的CT數據樣本訓練骨折判別模型，訓練好的骨折判別模型通過識別輸入圖像塊是否包括某一骨折類型對應的圖像特征來確定是否存在對應的骨折類型；將輸入的頜面部CT數據輸入對應的訓練好的骨折判別模型，以確定輸入的頜面部CT數據是否存在對應的骨折類型。同時還提供了對應的基于CT數據庫的頜面部骨折的識別裝置，以及一種終端設備。本發明提供的實施方式適用于醫學圖像中的CT圖像中的骨折識別，提升了識別效率。

技術領域

本發明涉及圖像處理領域，特別涉及一種基于CT數據庫的頜面部骨折的識別方法、一種基于CT數據庫的頜面部骨折的識別裝置、一種終端設備以及對應的存儲介質。

背景技術

頜面部骨折是交通事故、意外傷害、競技運動等事故中常見的外傷類型。頜面部骨折的解剖結構復雜多樣，僅依靠臨床癥狀及體征的診斷難度較大，常需要影像學的輔助診斷。相比于常規的X線片，頜面部CT的三維影像能夠更加清晰、直觀地表現骨折的位置及移位的方向，近年來被認為是頜面部骨折診斷的“金標準”。但是CT圖像中包含大量信息，僅通過臨床醫生的視覺檢查難以全面準確評估諸如骨骼結構、邊界和隱匿骨折線等細節。因此，傳統診療模式在處理以“快速、準確、高效”為特點的大型賽事及突發事件現場的救治存在較大困難。

近年來，深度學習技術已逐步用于醫學領域，在檢測癌癥、白內障、骨折、腦出血等疾病方面均有較好的效果。其中卷積神經網絡（CNN）是醫學圖像診斷方面最尖端的技術，其高精確性和穩定性彌補了人眼診斷漏診和誤診的不足，在肺結核、肺結節CT圖像、乳腺癌、腦部病變及白內障分級等疾病分類的精確度已證明達到了人類專家的級別。

現有的基于CT影像的頜面骨折識別技術都是依靠影像科的專業醫師借助相關軟件（如mimics research 19.0.）進行人工判斷，骨折類型復雜包括上頜骨骨折、顴骨骨折、下頜體骨折、下頜角及升支骨折、牙槽突骨折、頦部骨折、髁突骨折和喙突骨折，導致骨折的人工診斷折效率不高。

發明內容

有鑒于此，本發明旨在提出一種基于CT數據庫的頜面部骨折的識別方法、裝置及終端設備，以至少部分地解決上述問題。本發明擬基于卷積神經網絡算法，對頜面部骨折CT數據模型進行深度學習訓練，測試集模型驗證，借助人類經驗學習人工智能輔助凍傷和頜面創傷診斷，形成智能化診斷平臺，提高疾病診治的穩定性和反應效率。本發明解決了頜面骨折識別的效率問題，通過自動檢測發生骨折的斷層位置，來輔助醫生提高診斷效率。

在本發明的第一方面，提供了一種基于CT數據庫的頜面部骨折的識別方法，所述方法包括：獲取不同骨折類型的頜面部骨折的CT數據樣本；對所述CT數據樣本進行標注處理和分類處理；采用同一骨折類型的經處理的CT數據樣本訓練骨折判別模型，訓練好的骨折判別模型通過識別輸入圖像塊是否包括某一骨折類型對應的圖像特征來確定是否存在對應的骨折類型；所述骨折類型按解剖區域進行劃分；將輸入的頜面部CT數據按解剖結構分解為不同解剖區域的圖像塊序列；將所述圖像塊序列中的每個圖像塊分別輸入對應的訓練好的骨折判別模型，以確定輸入的頜面部CT數據是否存在對應的骨折類型。

可選的，所述將待識別的頜面部CT數據按解剖結構分解為不同解剖區域的圖像塊序列，包括：將所述頜面部CT數據的CT圖像序列輸入訓練好的骨結構定位模型；生成檢測矩形框序列；根據不同解剖區域的矩形框，定位每個解剖區域的斷層范圍；分別從定位出的斷層范圍內的CT圖像序列中逐層提取出每個解剖區域的圖像塊序列。

可選的，所述骨結構定位模型為卷積神經網絡模型，所述卷積神經網絡模型的輸入為所述頜面部CT數據的CT圖像序列，輸出為對應的矩形框檢測結果。