[發明專利]肋骨骨折檢測模型訓練系統、方法、檢測系統和檢測方法

在審

• 申請號: 202110957433.6
• 申請日: 2021-08-17
• 公開（公告）號: CN113409319A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 匡開銘;楊健程
• 申請（專利權）人: 點內（上海）生物科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/30;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都坤倫厚樸專利代理事務所(普通合伙) 51247
• 代理人: 李紅靈

本發明涉及一種肋骨骨折檢測模型訓練系統、方法、檢測系統和檢測方法，屬于人工智能技術領域。本發明通過采集多個包含肋骨的CT圖像，由專家在CT圖像上標注肋骨骨折的區域；提取CT圖像中的骨骼區域作為目標區域，在目標區域中對CT圖像進行采樣，得到3D局部CT圖像；采用3D DeepLab網絡架構模塊，使用若干個陽性和若干個陰性樣本對模型進行訓練，構建了一種新的基于高分辨率3D ResNet?HR的肋骨骨折檢測模型，將獲得的檢測模型用于肋骨骨折的檢測，可以獲得良好的預期性能。采用本發明所得到的檢測模型用于肋骨骨折檢測系統，與人工觀察相比，速度提高了15倍以上，較好地解決了現有肋骨骨折檢測技術的敏感性和特異性較差的技術問題。

技術領域

本發明涉及一種對骨折進行檢測的技術，具體涉及一種基于深度學習對肋骨CT圖像的骨折進行自動檢測的模型的訓練系統、訓練方法、利用該模型進行檢測的系統和檢測方法，屬于人工智能技術領域。

背景技術

肋骨骨折的診斷是重要且復雜的臨床實踐，法醫鑒定和多項業務的日常任務場景（例如保險索賠）都需要精準地進行診斷。但是，現有技術很少有就此調查自動機器學習技術勞動密集型任務。

而眾所周知，肋骨骨折伴隨著明顯的發病率和死亡率，胸部外傷占全部外傷的10％至15％創傷性損傷。常規胸部CT是胸外傷檢查的主要選擇，其以揭示隱匿性骨折及與骨折相關的并發癥位置為優勢。但是，在CT成像中肋骨骨折的檢測在三個方面都具有挑戰性：第一，肋骨在大量的CT部分之中具有復雜的幾何形狀；第二，骨折可能不起眼，尤其是在沒有脫位的情況下存在，或斷裂方向平行于正常觀察部位；第三，必須有大量的CT切片按肋骨和肋骨順序評估，這個過程是繁瑣且勞動強度非常大。這些挑戰促使結合了現代人工智能技術的自動機器的發展從而用以檢測肋骨骨折。

新興的深度學習技術在醫學圖像計算研究方面一直占據主導地位。目前將深度學習技術用于骨骼的骨折檢測已有相關報道。例如，公開號為CN109859233A的中國專利申請，其公開了一種圖像處理、模型的訓練方法及系統，其是包括獲取待檢測圖像；將所述待檢測圖像輸入神經網絡模型進行處理，得到骨骼分割結果、骨骼中心線分割結果和骨骼骨折檢測結果，其中的神經網絡模型是基于訓練圖像進行機器訓練學習確定的，但是該技術是針對所有骨骼，并沒有針對肋骨這一個特定的肋骨類型。再如，由Cheng Chi-Tung等發表的Application of a deep learning algorithm for detection and visualization ofhip fractures on plain pelvic radiographs的學術論文，該論文應用深度學習算法對髖部骨折進行檢測和可視化，采用2012年1月至2017年12月25502例肢體X線片對DCNN進行預訓練，在2008年8月至2016年期間，用3605枚PXRs進行了在訓練，該算法識別髖部骨折的準確率為91%，靈敏度為98%，假陰性率為2%。但是該論文涉及的是針對髖部骨折檢測的深度學習算法。

在現有技術中，較少涉及肋骨骨折的自動檢測研究。例如Samuel Gunz等的研究“Automated rib fracture detection of postmortem computed tomography imagesusing machine learning techniques”，開發了基于2D肋骨展開工具和二維CNN的投影的半自動方法從而來進行分類是否存在肋骨骨折。從根本上講，該肋骨展開工具的敏感性和特異性并不令人滿意，導致其在現實世界中性能有限并且適用性不佳。除此之外，二維圖像分類解決方案過度簡化了此問題，缺乏肋骨骨折的定位和計數能力。

因此，基于上述技術問題與缺陷，當前所面臨的對肋骨CT圖像的骨折位置進行自動檢測的現實環境，亟待一種能夠針對肋骨CT圖像自動檢測肋骨骨折的系統，以實現更快檢測肋骨骨折，以及對肋骨骨折的定位和計數更加精準，從而加快讀片時間，降低漏診概率。

發明內容