【技术实现步骤摘要】
肋骨CT图像的处理方法及系统
[0001]本专利技术涉及医疗
,具体地,涉及一种肋骨CT图像的处理方法及系统。
技术介绍
[0002]目前常见的肋骨骨折检测方法是将CT扫描图像在水平面进行切片,输入到二维检测模块中进行检测,利用后处理将检测结果拼接,容易产生假阳样本和假阴样本。并且基于水平面切片输入到二维神经网络的方法更依赖选层,实施难度都高于直接将CT图像输入到三维神经网络。
[0003]公开号为CN112381762A的专利技术专利,公开了一种基于深度学习算法的CT肋骨骨折辅助诊断系统,该系统包括:数据处理模块,用于对待检测的胸部CT图像,进行数据归一化处理,得到归一化后的所述胸部CT图像;检测模块,用于将归一化处理过后的胸部CT图像作为输入至检测模块中,得到胸部CT图像的检测结果;检测模块包括:肋骨检测单元、肋骨骨折分割单元和肋骨编号及分段单元,显示模块,用于显示胸部CT图像的输出结果。
[0004]公开号为CN112699869A的专利技术专利,公开了一种基于深度学习的肋骨骨折辅助检测方法及图像识别方法,包括:选取一定数量的胸部CT图像作为训练集,并标注图像中的肋骨骨折区域和肋骨编号;对该图像进行数据归一化处理;将处理后的图像作为输入,标注的图像中的肋骨骨折区域和肋骨编号作为输出进行模型训练,该训练模型包括:肋骨检测模型、肋骨骨折分割模型以及肋骨编号及分段模型;将待检测的胸部CT图像经过处理后输入至训练好的所述肋骨骨折检测模型中,输出检测结果。
技术实现思路
[0005] ...
【技术保护点】
【技术特征摘要】
1.一种肋骨CT图像的处理方法,其特征在于,包括:步骤S1:将已脱敏胸部CT扫描图像输入到预处理模块,得到预处理三维图像;步骤S2:对预处理三维图像进行分块,通过已训练的第一神经网络,输出对应预处理图像的特征图;步骤S3:对步骤S2输出结果进行后处理,得到基于完整三维图像的骨折检测框及对应的初步处理结果;步骤S4:将所述骨折检测框对应预处理三维图像部分进行裁切,并缩放到指定尺寸,通过已训练的第二神经网络,得到该骨折检测框的骨折分割结果;骨折分割结果内以前景、背景的方式区分骨折和非骨折,将前景体素数量少于第一设定阈值的骨折检测框从结果中删除;步骤S5:将步骤S4中未被删除的骨折检测框通过与步骤S4中同样的裁切方式,缩放到指定尺寸,通过已训练的第三神经网络,得到骨折检测框的当前处理结果,将所述初步处理结果与所述当前处理结果结合,得到最终处理结果。2.根据权利要求1所述的肋骨CT图像的处理方法,其特征在于,所述步骤S1包括:步骤S1.1:将胸部CT图像以DICOM格式保存在服务器内;步骤S1.2:将胸部CT图像从DICOM格式转化为NumPy Array格式,并将NumPy Array的数值限定在指定HU值范围;步骤S1.3:将胸部CT图像重新采样为指定扫描间距,重采样插值方式为一阶线性插值;步骤S1.4:将重采样后的胸部CT图像进行归一化,得到最终的预处理图像。3.根据权利要求1所述的肋骨CT图像的处理方法,其特征在于,所述步骤S2包括:步骤S2.1:对预处理图像进行分块,每块长、宽、高均为128体素单位,并分别在长、宽、高范围内每隔100体素单位进行一次分块;步骤S2.2:将每个所述预处理图像分块都输入到已训练的第一神经网络,得到对应预处理图像的特征图。4.根据权利要求1所述的肋骨CT图像的处理方法,其特征在于,所述步骤S3包括:步骤S3.1:将所有单独分块检测输出的骨折检测框坐标转化为完整预处理图像的全局坐标;步骤S3.2:选取骨折分数最高的5000个骨折检测框,对其进行非极大值抑制,抑制阈值为0.2;步骤S3.3:对上一步得到的骨折检测框,去除骨折检测框坐标范围超出预处理图像大小的骨折检测框,剩余骨折检测框即为输出结果。5.根据权利要求1所述的肋骨CT图像的处理方法,其特征在于,所述步骤S4包括:步骤S4.1:将步骤S3输出的所有骨折检测框在预处理图像中裁切出,得到裁切图像,将裁切图像重采样至长宽高均为48体素值,重采样插值方式为线性一阶插值;步骤S4.2:将上一步重采样后的裁切图像通过第二神经网络,输出和裁切图像同等大小的骨折分割结果,将分割结果重采样至原始裁切大小,重采样插值方式为线性三阶插值;步骤S4.3:分割结果中每个体素值的分布均为[0,1],将其中体素值大于0.5的分割结果作为骨折前景,其余作为背景;若分割结果前景数量小于80个体素单位,则该裁切图像对应的骨折检测框从输出结果
中...
【专利技术属性】
技术研发人员:莫凡,蒋昌龙,冯奕乐,王子龙,张政,丁晓伟,
申请(专利权)人:苏州体素信息科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。