一种骨折识别模型的训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种骨折识别模型的训练方法、装置、设备及存储介质。该方法包括：获取原始采集图像和至少一组骨折生成参数，并基于所述原始采集图像和各骨折生成参数确定目标样本骨折图像；基于所述目标样本骨折图像对初始增补骨折识别模型进行迭代训练，直到得到训练完成的增补骨折识别模型。本发明专利技术实施例通过目标样本骨折图像对增补骨折识别模型进行迭代训练，解决了骨折识别模型训练时的骨折样本不足的问题，提高了骨折样本的覆盖广度，也提高了骨折识别模型的召回率和识别精度，降低了人工成本和时间成本。

【技术实现步骤摘要】
一种骨折识别模型的训练方法、装置、设备及存储介质
本专利技术实施例涉及医学影像
，尤其涉及一种骨折识别模型的训练方法、装置、设备及存储介质。
技术介绍
骨折是指由于外伤或病理等原因致使骨质部分或完全断裂，是日常生活中常见的疾患。目前常用的骨折检查手段包括X线拍片、CT检查或MRI检查等。医生根据诊断经验对骨折位置、骨折类型、骨折个数和骨折长度等信息进行判断，给出诊断结果。但由于骨折的结构复杂，通常需要医生对骨折图像进行反复观察，耗时耗力且对医生的诊断水平要求较高。近年来，随着计算机技术、计算机视觉、图像处理和模式识别技术的迅速发展，上述技术开始在医学影像分析中发挥重要作用。现有比较常用的方法包括骨骼分割和骨折检出，以及骨折识别模型方法。基于现有的骨折分割和骨折检出方法，由于骨折图像具有软硬组织灰度差值小、灰度级数复杂和对比度低等特征，该方法的识别效果准确度不高。基于现有的骨折识别模型方法是基于真实的骨折图像样本对其进行训练，但由于真实的骨折图像样本数量较少，且训练的标准也是基于人工标定骨折的结果，导致训练得到的骨折识别模型对骨折的识别精度和召回率并不高。
技术实现思路
本专利技术实施例提供了一种骨折识别模型的训练方法、装置、设备及存储介质，以提高骨折识别模型的召回率和识别精度，降低人工成本和时间成本。第一方面，本专利技术实施例提供了一种骨折识别模型的训练方法，该方法包括：获取原始采集图像和至少一组骨折生成参数，并基于所述原始采集图像和各骨折生成参数确定目标样本骨折图像；基于所述目标样本骨折图像对初始增补骨折识别模型进行迭代训练，直到得到训练完成的增补骨折识别模型。第二方面，本专利技术实施例还提供了一种骨折识别模型的训练装置，该装置包括：目标样本骨折图像确定模块，用于获取原始采集图像和至少一组骨折生成参数，并基于所述原始采集图像和各骨折生成参数确定目标样本骨折图像；骨折识别模型训练模块，用于基于所述目标样本骨折图像对初始增补骨折识别模型进行迭代训练，直到得到训练完成的增补骨折识别模型。第三方面，本专利技术实施例还提供了一种设备，该设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的骨折识别模型的训练方法。第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的骨折识别模型的训练方法。本专利技术实施例通过目标样本骨折图像对增补骨折识别模型进行迭代训练，解决了骨折识别模型训练时的骨折样本不足的问题，提高了骨折样本的覆盖广度，也提高了骨折识别模型的召回率和识别精度，降低了人工成本和时间成本。附图说明图1是本专利技术实施例一提供的一种骨折识别模型的训练方法的流程图。图2是本专利技术实施例二提供的一种骨折识别模型的训练方法的流程图。图3是本专利技术实施例二提供的一种生成目标样本骨折图像的流程图。图4是本专利技术实施例三提供的一种骨折识别模型的训练方法的流程图。图5是本专利技术实施例三提供的一种骨折识别模型的训练方法的具体实例流程图。图6是本专利技术实施例四提供的一种骨折识别模型的训练装置的示意图。图7是本专利技术实施例五提供的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一提供的一种骨折识别模型的训练方法的流程图，本实施例可适用于对骨折识别模型进行训练的情况，该方法可以由骨折识别模型的训练装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。具体包括如下步骤：S110、获取原始采集图像和至少一组骨折生成参数，并基于原始采集图像和各骨折生成参数确定目标样本骨折图像。其中，原始采集图像包括通过成像设备采集到的骨折图像和/或正常骨组织图像。其中，骨折图像中包括骨折组织和正常骨组织，示例性地，成像设备可以是CT设备和MRI设备。在一个实施例中，可选地，接收成像设备发送的原始采集图像和/或读取存储器中已保存的原始采集图像。其中，骨折生成参数为包括用于生成目标样本骨折图像采用的参数集合。在一个实施例中，可选地，骨折生成参数包括至少一种骨折形态特征参数的参数值，每一组骨折生成参数中包括的骨折形态特征参数的种类和数量可以是不同的。相应地，获取原始采集图像和至少一组骨折生成参数，包括：针对每组骨折生成参数，从骨折形态特征参数集合中随机选择至少一种骨折形态特征参数；基于随机分布模型和各骨折形态特征参数的取值区间，确定选择的各骨折形态特征参数的参数值得到骨折生成参数。其中，骨折形态特征参数用于描述目标样本骨折图像的形态特征。骨折形态特征参数集合包括至少一种骨折形态特征参数。在一个实施例中，可选地，骨折形态特征参数包括骨折裂口的长度、宽度、深度、裂口深度轴方向发生随机横向抖动的周期数、每次抖动的最大幅度和骨折像素值中至少一种特征参数。其中，示例性地，可对真实骨折的形态特征参数进行统计，确定各骨折形态特征参数的取值区间。其中，随机分布模型是根据随机变量建立的模型，在本实施例中，随机变量包括骨折形态特征参数。在一个实施例中，可选地，随机分布模型包括概率模型、马氏链模型和统计回归模型中至少一种。其中，示例性地，概率模型是根据随机变量的概率分布描述随机因素的影响建立的随机模型；统计回归模型是根据对随机变量的数据统计分析建立的随机模型。其中，具体地，从骨折形态特征参数集合中随机选择的至少一种骨折形态特征参数的参数值构成一组骨折生成参数。示例性地，随机选择的骨折形态特征参数包括长度和宽度，且长度的取值区间为1-2，宽度的取值区间为3-4，则基于随机分布模型可确定至少一组骨折生成参数。例如，一组骨折生成参数包括长度为1.5，宽度为3.5；另一组骨折生成参数包括长度为1.4，宽度为3.6等等。在一个实施例中，可选地，不同组的骨折生成参数之间至少存在一种骨折形态特征参数的参数值不同。示例性地，一组骨折生成参数包括长度为1.5，宽度为3.5；另一组骨折生成参数包括长度为1.5，宽度为3.6，上述两组骨折生成参数的宽度不同。这样的好处在于，避免后续生成完全相同的目标样本骨折图像。因为生成相同的目标样本骨折图像虽增加了骨折样本数量，但降低了目标样本骨折图像类型的多样性，从而会影响到骨折识别模型的训练效率。在一个实施例中，可选地，基于原始采集图像和各骨折生成参数确定目标样本骨折图像，包括：针对每组骨折生成参数，基于骨折生成参数生成初始样本骨折图像，并将初始样本骨折图像与原始采集图像进行融合生成目标样本骨折图像。其中，具体地，根据本文档来自技高网...

【技术保护点】
1.一种骨折识别模型的训练方法，其特征在于，包括：/n获取原始采集图像和至少一组骨折生成参数，并基于所述原始采集图像和各骨折生成参数确定目标样本骨折图像；/n基于所述目标样本骨折图像对初始增补骨折识别模型进行迭代训练，直到得到训练完成的增补骨折识别模型。/n

【技术特征摘要】
1.一种骨折识别模型的训练方法，其特征在于，包括：
获取原始采集图像和至少一组骨折生成参数，并基于所述原始采集图像和各骨折生成参数确定目标样本骨折图像；
基于所述目标样本骨折图像对初始增补骨折识别模型进行迭代训练，直到得到训练完成的增补骨折识别模型。


2.根据权利要求1所述的方法，其特征在于，所述骨折生成参数包括至少一种骨折形态特征参数的参数值，相应地，所述获取原始采集图像和至少一组骨折生成参数，包括：
针对每组骨折生成参数，从骨折形态特征参数集合中随机选择至少一种骨折形态特征参数；
基于随机分布模型和各所述骨折形态特征参数的取值区间，确定选择的各所述骨折形态特征参数的参数值得到骨折生成参数。


3.根据权利要求2所述的方法，其特征在于，所述基于所述原始采集图像和各骨折生成参数确定目标样本骨折图像，包括：
针对每组骨折生成参数，基于所述骨折生成参数生成初始样本骨折图像，并将所述初始样本骨折图像与所述原始采集图像进行融合生成目标样本骨折图像。


4.根据权利要求3所述的方法，其特征在于，所述骨折生成参数还包括骨折植入特征参数，其中，所述骨折植入特征参数包括融合方向和融合位置，相应地，所述将所述初始样本骨折图像与所述原始采集图像进行融合生成目标样本骨折图像，包括：
基于所述融合方向对所述初始样本骨折图像进行旋转，并将旋转后的初始样本骨折图像融合到所述原始采集图像中与所述融合位置对应的图像位置，生成目标样本骨折图像。


5.根据权利要求3所述的方法，其特征在于，所述骨折生成参数还包括骨折成像特征参数，相应地，所述将所述初始样本骨折图像与所述原始采集图像进行融合生成目标样本骨折图像，包括：
基于所述骨折成像特征参数对所述初始样本骨折图像和原始采集图像的融合边界进行加权融合，生成目标样本骨折图像。


6.根据权利要求3所述的方法，其特征在于，所述骨折生成参数还包括骨折愈合特征参数，相应地，所述基于所述骨折生成参数生成初始样本骨折图像，包括：
基于所述骨折形态特征参数和所述骨折愈合特征参数，生成初始样本骨折图像，其中，所述骨折愈合特征参数包括骨痂密度因子或骨痂像素因子。


7.根据权利要求2-6中任...

【专利技术属性】
技术研发人员：金朝汇，韩军，汪纯，金佳燕，许卫东，徐阳，卢杰，
申请(专利权)人：浙江同花顺智能科技有限公司，
类型：发明
国别省市：浙江;33