基于深度卷积神经网络的椎间盘CT图像检测方法技术

本发明专利技术公开了一种基于深度卷积神经网络的椎间盘CT图像检测方法。本发明专利技术包括如下步骤：步骤1、椎间盘突出图像预处理：步骤2、基于多骨干网络的特征提取器构建方法：步骤3、区域建议网络中锚框的参数调优：步骤4、基于卷积神经网络的图像检测模型训练。本发明专利技术从数据预处理，深度卷积神经网络结构到参数优化都经过精心设计，建立了一套完整的椎间盘突出定位和分类系统。相较于传统的图像检测算法，该方法基于深度学习技术，通过简单的端到端学习方式避免了去噪、白平衡、特征提取、特征选择等容易出错的过程，减少了人工干预，将对椎间盘突出是否合并钙化这一判断任务自动化智能化，并在检测的准确率上有较大提升。测的准确率上有较大提升。测的准确率上有较大提升。

【技术实现步骤摘要】
基于深度卷积神经网络的椎间盘CT图像检测方法


[0001]本专利技术属于医学图像检测领域，具体涉及一种基于深度卷积神经网络的椎间盘CT图像检测方法。

技术介绍

[0002]近些年来，人工智能和机器学习技术开始在临床医学领域崭露头角。不少脊柱外科研究者将其与脊柱畸形、脊柱退行性疾病等脊柱相关疾病的诊断和治疗相结合，以实现脊柱疾患的快速定位及准确诊断，突破传统人工操作的局限性。尽管人工智能与脊柱外科的交叉融合研究已经取得不少进展，但是涵盖范围不够全面，很多脊柱疾病的判断依然需要骨科专家的干预，耗时耗力。
[0003]针对椎间盘突出是否钙化的判断以往都是由经验丰富的骨科专家来完成，且基本上必须依靠脊柱CT平扫。而MRI影像学图片上进行椎间盘突出的判断要明显优于CT，但是对于是否合并钙化；判断则非常难以通过肉眼在MRI进行识别。因此，利用人工智能辅助骨科医生进行椎间盘突出合并钙化的诊断具有较大潜力，以往，较为常用的目标检测算法有以下几种：Viola Jones检测器：该算法采用滑动窗口，并结合积分图像、特征选择和检测级联三种重要技术；HOG检测器：通过计算图片某一区域中不同方向上梯度的值并进行累积，得到直方图来代表这块区域的特征；DPM：该算法遵循分而治之的思想，对某一对象的检测视作对该对象不同部件的检测集合，并应用了困难样本挖掘、边界框回归等重要技术来提高检测精度。
[0004]但是上述这些方法都依赖于复杂的手工特征，而且目标检测的准确率提升缓慢。近年来，随着深度学习技术在图像领域的快速发展，越来越多的图像分类、目标检测、目标识别等问题开始使用深度学习技术，通过多层非线性神经网络使得计算机可以自动从医学图像中学习到更深层次、更加抽象的特征，其识别检测精度相较于传统图像检测算法得到了显著提升。目前，越来越多的学者已经开始将深度学习技术应用于脊柱外科领域，并取得了较好的效果。
[0005]基于上述问题，本专利技术提出了一套完整的基于深度卷积神经网络的椎间盘CT图像检测方法。本专利技术基于两阶段的目标检测算法Faster R-CNN，先对图像的物体进行粗定位再精细调整，相对单阶段的检测算法准确率更高，能够大幅提高对椎间盘突出是否钙化的检测准确率，从而实现椎间盘突出检测智能化，对辅助医生临床诊断具有重要意义。

技术实现思路

[0006]本专利技术的目的是克服现有技术的不足，提供了一种基于深度卷积神经网络的椎间盘CT图像检测方法。本专利技术的技术方案如下：
[0007]步骤1、椎间盘突出图像预处理：
[0008]首先转化图像的数据类型，使用去噪、插值方法提高图像的分辨率，并对图像数量少于设定阈值的类别进行数据增强：通过对原始图像进行垂直或水平旋转、随机剪裁、缩放
和旋转的技术来扩充椎间盘突出图像数据集；然后在数据集进行划分之后，对其中的图像进行标注和均值计算；
[0009]步骤2、基于多骨干网络的特征提取器构建方法：
[0010]利用不同结构的骨干网络从图像中提取出必要的特征信息，然后利用验证集对得到的不同结构的骨干网络进行评估，筛选出最佳的骨干网络；然后对最佳的骨干网络的结构进行调整，利用验证集进行准确率的比较以得到最优结构的骨干网络最优结构的骨干网络
[0011]步骤3、区域建议网络中锚框的参数调优：
[0012]基于椎间盘突出图像的尺寸和大小限定参数范围，对区域建议网络中的锚框的基本尺寸和大小取不同的数值，在验证集上进行网络性能的评估，得到最佳参数；
[0013]步骤4、基于卷积神经网络的图像检测模型训练：
[0014]基于步骤2和步骤3分别得到的最优结构的骨干网络和最佳锚框参数，利用训练集和验证集对深度卷积神经网络进行训练和调优；训练时采用非近似联合训练方式，即将区域建议生成网络和检测网络中分类和回归的损失相加，用于对共享的卷积神经网络进行更新；
[0015]进一步的，步骤1中所述的数据增强方法包括如下方法中的任一种或多种：
[0016]1)图像翻转：对正样本图像进行左右、上下翻转处理；
[0017]2)图像旋转：对图像旋转不同的角度处理；
[0018]3)图像像素改变：对图像不同通道的像素值进行适当改变处理；
[0019]4)图像添加噪声：对图像添加不同类型、不同程度的噪声处理；
[0020]5)图像高斯模糊：对图像进行不同程度的高斯模糊处理。
[0021]进一步的，步骤1中所述的图像标注方法为：
[0022]对医学图像中的椎间盘突出部分用边界框进行框定，并对每一个边界框添加类别标签，类别标签共分成三类：正常、突出无钙化、突出合并钙化。本专利技术使用在GitHub上开源的图像标注工具labelImg对医学图像进行标注，该工具在人工框定物体之后，会自动将图像原始信息以及标注信息(边框位置，物体类别等)整合生成XML文件。
[0023]进一步的，步骤1中在利用深度学习框架进行模型训练时，需要将医学图像本身的格式(如：BMP格式)转化为深度学习框架支持的格式(如PyTorch支持的JPG格式)，用于卷积神经网络的模型训练。
[0024]数据格式转换完成后，利用深度学习框架计算样本图像的均值，输出均值文件，用于后续模型训练中的去均值处理。图像减去均值后，再进行训练和测试，会提高模型训练的速度和检测精度。
[0025]步骤2中所述的多骨干网络的特征提取器构建方法，具体实现如下：
[0026]2-1.确定多个可用于作为骨干网络的卷积神经网络，并调整它们的结构使之能和目标检测网络的其余部分适配；
[0027]2-2.选择网络性能评价指标，并固定目标检测网络其余部分的参数；
[0028]2-3.使用训练集和验证集分别对基于各骨干网络的目标检测网络进行训练和优化；
[0029]2-4.使用测试集对目标检测网络进行最后的性能评估，选择其中最佳的骨干网
络，对最佳骨干网络的卷积层和池化层作进一步调整，并在测试集上进行评估以确定最佳结构。
[0030]步骤3中所述的区域建议网络中锚框的参数调优算法,具体实现如下：
[0031]3-1.针对训练集中的所有样本，计算图像中已标注的边界框的尺寸和宽高比。
[0032]3-2.去除异常情况，统计尺寸和宽高比的具体范围。
[0033]3-3.对于得到的尺寸范围，以0.5为一个单位划分为多个层次；对于得到的宽高比范围，下边界向下取整，上边界向上取整，然后以1为一个单位划分为多个层次。
[0034]3-4.以3个连续的层次为一组，分别对宽高比和尺寸进行分组。
[0035]3-5.从宽高比层次和尺寸层次中各任取一组进行参数组合，作为区域建议网络中锚框的基本参数，在验证集上评估区域建议网络的性能并记录准确率，重复步骤3-5直到所有参数组合评估完毕；
[0036]3-6，从步骤3-5中选取网络准确率最高的一组参数组合作为最终锚框的参数。
[0037]本专利技术具有如下有益效果：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度卷积神经网络的椎间盘CT图像检测方法，其特征在于包括如下步骤：步骤1、椎间盘突出图像预处理：首先转化图像的数据类型，使用去噪、插值方法提高图像的分辨率，并对图像数量少于设定阈值的类别进行数据增强：通过对原始图像进行垂直或水平旋转、随机剪裁、缩放和旋转的技术来扩充椎间盘突出图像数据集；然后在数据集进行划分之后，对其中的图像进行标注和均值计算；步骤2、基于多骨干网络的特征提取器构建方法：利用不同结构的骨干网络从图像中提取出必要的特征信息，然后利用验证集对得到的不同结构的骨干网络进行评估，筛选出最佳的骨干网络；然后对最佳的骨干网络的结构进行调整，利用验证集进行准确率的比较以得到最优结构的骨干网络最优结构的骨干网络步骤3、区域建议网络中锚框的参数调优：基于椎间盘突出图像的尺寸和大小限定参数范围，对区域建议网络中的锚框的基本尺寸和大小取不同的数值，在验证集上进行网络性能的评估，得到最佳参数；步骤4、基于卷积神经网络的图像检测模型训练：基于步骤2和步骤3分别得到的最优结构的骨干网络和最佳锚框参数，利用训练集和验证集对深度卷积神经网络进行训练和调优；训练时采用非近似联合训练方式，即将区域建议生成网络和检测网络中分类和回归的损失相加，用于对共享的卷积神经网络进行更新。2.根据权利要求1所述的基于深度卷积神经网络的椎间盘CT图像检测方法，其特征在于步骤2所述的基于多骨干网络的特征提取器构建方法，具体实现如下：2-1.确定多个可用于作为骨干网络的卷积神经网络，并调整它们的结构使之能和目标检测网络的其余部分适配；2-2.选择网络性能评价指标，并固定目标检测网络其余部分的参数；2-3.使用训练集和验证集分别对基于各骨干网络的目标检测网络进行训练和优化；2-4.使用测试集对目标检测网络进行最后的性能评估，选择其中最佳的骨干网络，对最佳骨干网络的卷积层和池化层作进一步调整，并在测试集上进行评估以确定最佳结构。3.根据权利要求2所述的基于深度卷积神经网络的椎间盘CT图像检测方法，其特征在于步骤3所述的基于区域建议网络中锚框的参数调优，具体实现如下：3-1.针对训练集中的所有样本，计算图像中已标注的边界框的尺寸和宽高比；3-2.去除异常情况，统计尺寸和宽高比的具体范围；3-3.对于...

【专利技术属性】
技术研发人员：傅凯强，秦飞巍，蒋超，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：