[發明專利]基于多任務學習的髖關節關鍵點位置檢測方法及系統

有效

• 申請號: 202110539363.2
• 申請日: 2021-05-18
• 公開（公告）號: CN113362282B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 范衠;黃文寧;蔡堉偉;胡軍;陳洪江;張炯;容毅標;寧為博;朱智健;朱家祺;謝敏沖;陳添善;袁野;許宏武;張建軍
• 申請（專利權）人: 汕頭大學;汕頭大學醫學院第一附屬醫院;汕頭大學醫學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;A61B6/00;G06V10/764;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 葉潔勇

1.一種基于多任務學習的髖關節關鍵點位置檢測方法，其特征在于，所述方法包括以下步驟：

步驟S100、獲取標定好關鍵點的待訓練圖像，所述待訓練圖像包括正常發育圖像與不正常發育圖像；

步驟S200、構建基于多任務學習框架的多任務網絡模型，對所述多任務網絡模型進行訓練，得到關鍵點檢測模型；

步驟S300、利用關鍵點檢測模型對待檢測圖像進行關鍵點檢測，確定髖關節正位片中關鍵點所在位置，基于所述關鍵點所在位置確定測量指標的大小；

其中，所述多任務網絡模型包括關鍵點檢測任務模型和輔助分類任務模型，所述多任務網絡模型采用的網絡結構為：關鍵點檢測任務模型采用編碼器解碼器神經網絡，用于提取待識別圖像的特征圖；

所述輔助分類任務模型作為全連接層，與所述編碼器解碼器神經網絡的編碼器尾部串聯，將所述編碼器提取的特征圖作為全連接層的輸入，輸出待識別圖像的預測結果，所述預測結果為正常發育圖像或不正常發育圖像；

所述步驟S100包括：

步驟S110、獲取月齡在6個月以上嬰幼兒的盆骨正位片醫學圖像，所述盆骨正位片醫學圖像包括正常發育圖像與不正常發育圖像；

步驟S120、將所述盆骨正位片醫學圖像轉換為原始圖像，對所述原始圖像中的6個關鍵點按固定順序進行標注，其中，所述關鍵點包括：盆骨正位片醫學圖像中左右兩側的髖臼上緣、Y型軟骨中心、以及股骨頭中心；

步驟S130、采用設定大小的區域框對所述原始圖像進行裁剪，將裁剪前已標注的關鍵點的位置轉換為裁剪后的位置，將裁剪后的圖像作為待訓練圖像；

步驟S200中，所述對所述多任務網絡模型進行訓練，得到關鍵點檢測模型包括：

利用反向傳播算法對多任務網絡模型進行訓練，確定訓練過程中所述多任務網絡模型的預測值與金標準的誤差；

在反向傳播過程中，基于所述誤差的梯度信息實時更新所述多任務網絡模型中關鍵點檢測任務模型和輔助分類任務模型的權重；

當確定所述多任務網絡模型的預測值與金標準的誤差達到設定的閾值時，完成對所述多任務網絡模型的訓練，將訓練完成的多任務網絡模型確定為關鍵點檢測模型；

所述多任務網絡模型的預測值與金標準的誤差為：loss＝ω₁loss1+ω₂loss2；

其中，

其中，loss1為關鍵點檢測任務模型的損失函數，y₁為人工標定的是否為關鍵點的概率值，為模型預測的屬于目標關鍵點的概率值，y₁∈[0，1]，α，γ為超參；

loss2為輔助分類任務模型的損失函數，y₂為人工標定的金標準，y₂∈{0，1}，為輔助分類任務模型預測的類別概率值，

2.根據權利要求1所述的一種基于多任務學習的髖關節關鍵點位置檢測方法，其特征在于，所述測量指標包括CE角、髖臼指數、Perkin現象。

3.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至2任一項所述的基于多任務學習的髖關節關鍵點位置檢測方法的步驟。

4.一種基于多任務學習的髖關節關鍵點位置檢測系統，其特征在于，所述系統包括：

至少一個處理器；

至少一個存儲器，用于存儲至少一個程序；

當所述至少一個程序被所述至少一個處理器執行，使得所述至少一個處理器實現如權利要求1至2任一項所述的基于多任務學習的髖關節關鍵點位置檢測方法。