[發明專利]一種上肢骨定位與前臂骨融合畸形的識別方法及系統

在審

• 申請號: 202110948237.2
• 申請日: 2021-08-18
• 公開（公告）號: CN113643263A
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 周天豐;崔穎;郭玉冰;周勇;陳山林;劉路
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/187;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

本發明涉及一種上肢骨定位與前臂骨融合畸形的識別方法及系統，其中方法包括：獲取待測CT影像資料；對所述待測CT影像資料進行閾值分割，得到待測三維二值矩陣；對所述待測三維二值矩陣依次進行三維連通域計算和噪音過濾，得到多個待測三維連通域；將所述待測三維連通域和所述待測三維連通域的屬性參數輸入至訓練好的分類模型中，得到分類結果；所述分類結果包括多個屬于上肢骨區域的待測三維連通域；根據所述分類結果對前臂骨融合畸形進行判斷。本發明將得到的待測三維連通域輸入至構建訓練好的分類模型中，從而使得需要訓練的樣本量很少，解決了醫學影像中普遍存在的樣本量不足的問題。

技術領域

本發明涉及醫學圖像分析技術領域，特別是涉及一種上肢骨定位與前臂骨融合畸形的識別方法及系統。

背景技術

隨著醫學成像技術和計算機技術的不斷發展和進步，醫學圖像分析已成為醫學研究、臨床疾病診斷和治療中不可或缺的工具和技術手段。近年來，人工智能技術出現并不斷發展，機器學習作為人工智能的核心技術得到了廣泛的應用，尤其是在醫學圖像分類及醫學圖像識別等方面，常用的機器學習算法包括神經網絡、支持向量機(SVM)、決策樹、隨機森林等方法。

雖然卷積神經網絡是目前最為流行且準確率高的機器學習算法，但其依賴于大量的樣本，而這在醫學圖像分析領域是一個很大的難題?，F有的比較流行的用于醫學影像識別的方法通常是基于卷積神經網絡進行的，通過搭建多層卷積神經網絡，并輸入大量樣本后，訓練神經網絡，學習相關參數，最后利用訓練好的卷積神經網絡進行圖像分類。對于醫學影像，特別是三維CT影像，其樣本量獲取數目明顯無法滿足卷積神經網絡的需求，且每個樣本規模都較大，如對于300張CT影像每張像素512*512的一套CT影像而言，單個樣本的規模為300*512*512，單純采用卷積神經網絡將需求更大的樣本量。

同時，針對前臂骨的畸形研究的相關文獻較少，基于初始的尺橈骨定位及目標識別的研究更少。數據是機器學習的核心資源，僅掌握算法而缺乏數據無法獲得較好的訓練結果。同時，醫院之間的數據共享和互通程度較低，獲得大規模的數據十分困難。對于前臂骨等專門部位的CT影像，其樣本量更是十分受限。在樣本量不足的情況下，卷積神經網絡進行醫學影像分類及識別根本無法實現。

發明內容

本發明的目的是提供一種上肢骨定位與前臂骨融合畸形的識別方法及系統，解決了前臂骨識別醫學影像中普遍存在的樣本量不足的問題。

為實現上述目的，本發明提供了如下方案：

一種上肢骨定位與前臂骨融合畸形的識別方法，包括：

獲取待測CT影像資料；

對所述待測CT影像資料進行閾值分割，得到待測三維二值矩陣；

對所述待測三維二值矩陣依次進行三維連通域計算和噪音過濾，得到多個待測三維連通域；

將所述待測三維連通域和所述待測三維連通域的屬性參數輸入至訓練好的分類模型中，得到分類結果；所述分類結果包括多個屬于上肢骨區域的待測三維連通域；

根據所述分類結果對前臂骨融合畸形進行判斷。

優選地，所述最小二乘支持向量機分類模型的訓練方法為：

獲取多個訓練CT影像資料；

對所述訓練CT影像資料進行閾值分割，得到多個訓練三維二值矩陣；

對所述訓練三維二值矩陣依次進行三維連通域計算和噪音過濾，得到多個訓練三維連通域；

計算所述訓練三維連通域的屬性參數并根據預設標注信息對所述三維連通域進行標注；所述屬性參數包括包含體素數量、表征CT層跨度、所在層均值和描述體素左右位置對應維度的均值；所述預設標注信息包括所述三維連通域所在的區域信息；