[發明專利]一種基于深度學習的胸腰椎骨折識別分割與檢測定位方法

有效

• 申請號: 202210092665.4
• 申請日: 2022-01-26
• 公開（公告）號: CN114494192B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 余志斌;馬立泰;劉婧瀟;楊毅
• 申請（專利權）人: 西南交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/70;G06N3/0464;G06N3/08;G06V10/764;G06V10/80;G06V10/82;G16H30/20
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 楊浩林

本發明公開了一種基于深度學習的胸腰椎骨折識別分割與檢測定位方法，包括以下步驟：S1：采集CT圖像，并利用U?Net神經網絡進行胸腰椎識別分割，得到存在骨折的胸腰椎骨目標區域；S2：在存在骨折的胸腰椎骨目標區域中，利用Faster?Rcnn深度學習網絡進行胸腰椎骨折檢測，并定位。本發明需首先從CT圖像中定位可能存在骨折的胸腰椎骨目標區域，以供后續深入分析椎骨狀態。由此，運用Faster?Rcnn深度學習網絡來檢測胸腰椎骨骨折，探索關注目標在影像場景空間中的相對位置關聯關系，定位骨折位置是屬于胸椎還是腰椎并在其各自第幾節，形成胸腰椎各類骨折的檢測分割和定位方法，其定位準確。

技術領域

本發明屬于醫學類深度學習圖像處理技術領域，具體涉及一種基于深度學習的胸腰椎骨折識別分割與檢測定位方法。

背景技術

脊柱骨折是骨科最常見的疾病之一，是由外力引起的脊柱椎體骨質發生的連續性破壞。脊柱骨折其損傷機制復雜、骨折表現多樣，不同臨床醫師對同一個患者的診斷分型存在較大差異。智能化、精準化和微創化是骨科醫療的發展方向，面向提高骨科骨折診斷準確度和效率、減少誤診、提升骨科診斷的智能化水平等方面的重大需求，本發明以胸腰椎骨為對象，研究基于機器視覺的影像(以CT影像為例)中骨折病癥的機器自主檢測與識別定位技術，形成針對性的影像中骨折病癥智能診斷模型與方法。

發明內容

本發明為了解決上述問題，提出了一種基于深度學習的胸腰椎骨折識別分割與檢測定位方法。

本發明的技術方案是：一種基于深度學習的胸腰椎骨折識別分割與檢測定位方法包括以下步驟：

S1：采集CT圖像，并利用U-Net神經網絡進行胸腰椎識別分割，得到存在骨折的胸腰椎骨目標區域；

S2：在存在骨折的胸腰椎骨目標區域中，利用Faster-Rcnn深度學習網絡進行胸腰椎骨折檢測，并定位。

進一步地，步驟S1包括以下子步驟：

S11：采集CT圖像，對CT圖像進行預處理，并對預處理后的CT圖像進行分類和標注，得到用于U-Net神經網絡的訓練集和驗證集；

S12：將預處理后的CT圖像的尺寸裁剪為572×572，利用跳躍連接卷積神經網絡對裁剪后的訓練集中的CT圖像進行卷積和下采樣，獲取淺層級特征，利用跳躍連接卷積神經網絡對裁剪后的訓練集中的CT圖像進行反卷積和上采樣，獲取高層級特征；

S13：利用跳躍連接卷積神經網絡將淺層級特征和高層級特征進行融合，得到CT圖像中骨折與正常骨頭的特征映射圖；

S14：利用U-Net神經網絡對訓練集的CT圖像進行像素分類，完成對U-Net神經網絡的訓練；

S15：利用訓練集對訓練完成的U-Net神經網絡進行測試，得到存在骨折的胸腰椎骨目標區域。

進一步地，步驟S14中，利用pixel-wise?softmax分類器進行像素分類，得到各個像素點的概率p_k(x)，其計算公式為：

其中，a_k(x)表示在位置x處的像素在特征圖中的第k層的激活值；K表示像素點的類別總數；a_k′(x)表示在位置x處的像素在特征圖中的第k′層的激活值。

進一步地，步驟S2包括以下子步驟：

S21：對CT圖像進行預處理，并對預處理后的CT圖像進行分類和標注，得到用于深度學習網絡的訓練集和驗證集；

S22：對訓練集的CT圖像進行縮放，并將縮放后的CT圖像輸入至深度學習網絡，得到CT圖像的特征圖；