[發(fā)明專利]用于髖關(guān)節(jié)CT影像識(shí)別的信息處理方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110295503.6
• 申請(qǐng)日: 2021-03-19
• 公開(kāi)（公告）號(hào): CN113077419A
• 公開(kāi)（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 羅立剛;羅翔;侯波林;羅祥鳳;高光明
• 申請(qǐng)（專利權(quán)）人: 零氪智慧醫(yī)療科技（天津）有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/194;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京知果之信知識(shí)產(chǎn)權(quán)代理有限公司 11541
• 代理人: 卜榮麗

1.一種用于髖關(guān)節(jié)CT影像識(shí)別的信息處理方法，其特征在于，包括：

對(duì)原始髖關(guān)節(jié)CT影像進(jìn)行預(yù)處理，得到待識(shí)別髖關(guān)節(jié)CT影像；

將所述待識(shí)別髖關(guān)節(jié)CT影像輸入至預(yù)先訓(xùn)練的2D DenseUnet神經(jīng)網(wǎng)絡(luò)模型中，以使所述2D DenseUnet神經(jīng)網(wǎng)絡(luò)模型對(duì)所述待識(shí)別髖關(guān)節(jié)CT影像進(jìn)行識(shí)別，得到待識(shí)別髖關(guān)節(jié)CT影像中的骨折區(qū)域影像數(shù)據(jù)；

將所述骨折區(qū)域影像數(shù)據(jù)輸入至預(yù)先訓(xùn)練的MaskRCNN神經(jīng)網(wǎng)絡(luò)模型中，以使所述MaskRCNN神經(jīng)網(wǎng)絡(luò)模型對(duì)所述骨折區(qū)域影像進(jìn)行分割，得到至少一個(gè)骨折塊區(qū)域的影像數(shù)據(jù)；

將所述至少一個(gè)骨折塊區(qū)域的影像數(shù)據(jù)映射至所述原始髖關(guān)節(jié)CT影像中，得到原始髖關(guān)節(jié)CT影像中髖關(guān)節(jié)的全部骨折塊區(qū)域。

2.根據(jù)權(quán)利要求1所述的用于髖關(guān)節(jié)CT影像識(shí)別的信息處理方法，其特征在于，在得到至少一個(gè)骨折塊區(qū)域的影像數(shù)據(jù)之后，所述方法還包括：

識(shí)別所述骨折塊區(qū)域中，與骨折骨頭圖像無(wú)關(guān)的影像；

去除所述與骨折骨頭圖像無(wú)關(guān)的影像數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的用于髖關(guān)節(jié)CT影像識(shí)別的信息處理方法，其特征在于，對(duì)原始髖關(guān)節(jié)CT影像進(jìn)行預(yù)處理之前，所述方法還包括：

構(gòu)建2D DenseUnet神經(jīng)網(wǎng)絡(luò)模型的下采樣網(wǎng)絡(luò)，以對(duì)待識(shí)別髖關(guān)節(jié)CT影像進(jìn)行下采樣，得到待識(shí)別髖關(guān)節(jié)CT影像中骨折區(qū)域的輪廓特征；

構(gòu)建所述2D DenseUnet神經(jīng)網(wǎng)絡(luò)模型的上采樣網(wǎng)絡(luò)，以將所述輪廓特征還原至原始髖關(guān)節(jié)CT影像的尺度。

4.根據(jù)權(quán)利要求1或3所述的用于髖關(guān)節(jié)CT影像識(shí)別的信息處理方法，其特征在于，在對(duì)原始髖關(guān)節(jié)CT影像進(jìn)行預(yù)處理之前，所述方法還包括：

將髖關(guān)節(jié)CT影像作為樣本集，輸入至所述2D DenseUnet神經(jīng)網(wǎng)絡(luò)模型中；

將髖關(guān)節(jié)CT影像中標(biāo)注的骨折區(qū)域輪廓信息作為輸出，對(duì)所述2DDenseUnet神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

其中，采用交叉熵?fù)p失函數(shù)L_seg＝w₁L_foreground+w₂L_background作為監(jiān)督方式對(duì)所述2DDenseUnet神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，L_foreground為前景的損失、L_background為背景的損失、w₁為前景的權(quán)重值，w₂為背景的權(quán)重值。

5.根據(jù)權(quán)利要求1所述的用于髖關(guān)節(jié)CT影像識(shí)別的信息處理方法，其特征在于，在對(duì)原始髖關(guān)節(jié)CT影像進(jìn)行預(yù)處理之前，還建立MaskRCNN神經(jīng)網(wǎng)絡(luò)模型包括：

建立提取疑似骨折區(qū)域特征圖的網(wǎng)絡(luò)，以對(duì)所述2D DenseUnet神經(jīng)網(wǎng)絡(luò)模型輸出的輪廓特征圖進(jìn)行特征提取；

建立對(duì)疑似骨折區(qū)域特征圖進(jìn)行候選框標(biāo)記的網(wǎng)絡(luò)，以對(duì)疑似骨折區(qū)域特征圖進(jìn)行候選框標(biāo)記；

將候選框區(qū)域的圖像池化為固定尺寸的圖像；

建立圖像分割網(wǎng)絡(luò)，對(duì)所述固定尺寸的圖像中疑似骨折區(qū)域圖像進(jìn)行輪廓分割，得到疑似骨折塊圖像；

對(duì)疑似骨折塊圖像進(jìn)行識(shí)別，輸出疑似骨折塊圖像的分割數(shù)據(jù)。

6.根據(jù)權(quán)利要求5所述的用于髖關(guān)節(jié)CT影像識(shí)別的信息處理方法，其特征在于，在對(duì)原始髖關(guān)節(jié)CT影像進(jìn)行預(yù)處理之前，所述方法還包括：

將所述2D DenseUnet神經(jīng)網(wǎng)絡(luò)模型輸出的輪廓特征圖作為MaskRCNN網(wǎng)絡(luò)模型的輸入；

將檢出框坐標(biāo)、骨折類型的分類結(jié)果及置信度值、和圖像分割結(jié)果作為MaskRCNN網(wǎng)絡(luò)模型輸出，對(duì)所述MaskRCNN網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

其中，采用損失函數(shù)L_final＝L_RPN+L_mask+L_cls+L_bbox作為監(jiān)督方式，對(duì)所述圖像分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所述L_RPN為候選框標(biāo)記網(wǎng)絡(luò)的損失、L_mask為圖像分割的損失、L_cls為骨折類型分類損失、L_bbox為檢出框回歸的損失。