一种基于卷积神经网络的骨量检测方法技术

本发明专利技术公开了一种基于卷积神经网络的骨量检测方法，其步骤包括：1构建卷积神经网络；2获取根据骨密度仪标注的X光片数据集并进行预处理；3利用X光片数据集对神经网络进行训练，得到能够对骨量异常、骨量减少和骨量正常的X光片进行识别的网络模型；4利用网络模型对X光片进行检测，评估模型的分类精度；5基于训练的网络模型进行集成，并转化为可执行程序exe，输入dicom格式待检测数据，得到对应检测结果。本发明专利技术能实现端到端的骨量异常、骨量减少和骨量正常的X光片的检测，从而方便快捷的及时发现骨量减少或骨量异常状态，辅助进一步检查和治疗，以降低因为骨量异常而发生的一系列风险。

【技术实现步骤摘要】
一种基于卷积神经网络的骨量检测方法
本专利技术属于计算机/机器视觉中图像处理和分类领域，具体的说是一种基于卷积神经网络的图像分类方法。
技术介绍
骨量异常可以通过观察X光片来识别，这需要有经验的医生来执行，通过分类方法可以辅助医生的观察，减轻患者经济压力，因此，良好的分类方法有助于辅助医生对骨量异常的判断。现有的分类方法包括：基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的方法主要是基于X光片的纹理特征来实现分类，例如通过局部二值模式或灰度共生矩阵提取图像纹理特征，再通过支持向量机进行分类。由于医疗图像中干扰特征太多，基于传统及其学习的方法难以通过有效的纹理特征来进行分类，导致分类效果差。在基于深度学习的方法主要是利用卷积神经网络进行分类。该方法从训练样本中学习不同类别的特征，目的在于通过所学特征来区分不同类别，例如通过直线型模型VggNet、局部双分支型模型ResNet、局部多分支型模型GoogleNet来进行模型的训练，从而依据训练好的模型来进行分类，由于医疗数据中天然存在的数据量小、干扰特征多的问题，本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的骨量检测方法，其特征是按照如下步骤进行：/n步骤1、构建卷积神经网络，所述卷积神经网络由卷积层、池化层、全连接层构成；/n步骤1.1、获取X光片(x,y,k)；其中x，y，k分别表示所述X光片的高度、宽度和通道数；/n步骤1.2、以所述X光片(x,y,k)作为所述卷积神经网络的输入，所述卷积层中第一部分的初始卷积层L

【技术特征摘要】
1.一种基于卷积神经网络的骨量检测方法，其特征是按照如下步骤进行：
步骤1、构建卷积神经网络，所述卷积神经网络由卷积层、池化层、全连接层构成；
步骤1.1、获取X光片(x,y,k)；其中x，y，k分别表示所述X光片的高度、宽度和通道数；
步骤1.2、以所述X光片(x,y,k)作为所述卷积神经网络的输入，所述卷积层中第一部分的初始卷积层L0(k0,n0)对所述X光片(x,y,k)进行一次卷积操作，得到初始特征图Fc(x,y,n0)；其中，k0表示初始卷积核大小，n0表示初始卷积层的卷积核个数；
步骤1.3、对初始特征图Fc(x,y,n0)进行一次激活操作，得到激活后的特征图Fr(x,y,n0)，将激活后的特征图Fr(x,y,n0)送入初始池化层L0(kp0,s)中进行无重叠采样后得到初始采样特征图Fv(x’,y’,n0)；
定义操作次数为t，并初始化t＝1；
定义变量并初始化a＝0，β＝0；
步骤1.4、将初始采样特征图Fv(x’,y’,n0)送入第二部分的第t个卷积层Lt(kst,nβt)中进行第t次卷积操作，得到第t个卷积层的特征图Ft(x,y,nβt)，对所述第t个卷积层的特征图Ft(x,y,nβt)进行线性激活操作得到第t次线性激活操作后的特征图Fr(x,y,nβt)；ks,t表示第t个卷积核大小，nβt表示第t个卷积层的卷积核个数；
步骤1.5、令t+1赋值给t后，判断t≤β+3是否成立，若成立，则重复步骤1.4，否则令β＝4，将a+1赋值给a后，判断a≤2是否成立，若成立，则重复执行步骤1.4，否则执行步骤1.6；
步骤1.6、将激活后的特征图Fr(x,y,nt)送入第t个卷积层Lt(kst,nβt)中进行第t次卷积操作，得到第t个卷积层的特征图Ft(x,y,nβt)，对所述第t个卷积层的特征图Ft(x,y,nβt)进行线性激活操作得到第t次线性激活操作后的特征图Fr(x,y,nβt)；
步骤1.7、令t+1赋值给t后，判断t≤β+10是否成立，若成立，则重复步骤1.6，否则将令β＝6，将a+1赋值给a后，判断a≤4是否成立，若成立，则重复执行步骤1.6，否则执行步骤1.8；
步骤1.8、将所述第t次线性激活操作后的特征图Fr(x,y,nβt)分别送入第三部分的三个并行的卷积层L1(k1,n1)、L2(k2,n2)、L3(k3,n3)中进行卷积操作，得到相应的三个特征图Fc(x,y,n1)、Fc(x,y,n2)、Fc(x,y,n3)，对三个特征图Fc(x,y,n1)、Fc(x,y,n2)、Fc(x,y,n3)分别进行线性激活操作，得到线性激活后的三个特征图Fr(x,y,n1)、Fr(x,y,n2)、Fr(x,y,n3)；ki表示第三部分中第i个卷积核大小，ni表示第三部分中第i个卷积层的卷积核个数；i＝1,2,3；
步骤1.9、对线性激活后的两个特征图Fr(x,y,n2)、Fr(...

【专利技术属性】
技术研发人员：邱剑锋，杨万理，张兴义，储建军，王啟军，
申请(专利权)人：安徽大学，合肥市滨湖医院，
类型：发明
国别省市：安徽;34