基于深度学习的肋骨骨折辅助检测方法及图像识别方法技术

本发明专利技术涉及医疗技术领域，尤其涉及一种基于深度学习算法的肋骨骨折辅助检测方法及图像识别方法，其包括：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。本发明专利技术实施例提供的基于深度学习算法的肋骨骨折辅助检测方法有效的降低了肋骨骨折检测的假阳和假阴，并且该检测结果提供了疑似肋骨骨折的位置信息，可以辅助医生诊断。助医生诊断。助医生诊断。

【技术实现步骤摘要】
基于深度学习的肋骨骨折辅助检测方法及图像识别方法


[0001]本专利技术涉及医疗
，尤其涉及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。

技术介绍

[0002]计算机断层扫描(CT)是用于诊断胸部的肋骨骨折的主要方法。CT胸部检查肋骨骨折是个耗时耗力的过程，因为肋骨解剖形态独特，每一根肋骨自后上至前下，需对多个CT横断层面进行反复观察，依次完成对左右两侧逐一肋骨的评价，费时耗力，给诊断带来了困难。
[0003]现有出现的智能辅助检测肋骨骨折系统，其结合传统检测模型，可以得到疑似病灶区域，来辅助医生诊断。随着深度学习的发展，众多计算机视觉任务由于深度学习的兴起而快速发展，以数据驱动的深度学习模型取得了比传统检测模型更好的效果，越来越多的深度卷积神经网络算法技术被应用到了医学中。以数据驱动的深度学习模型用于辅助检测的方式为首先收集原始CT影像，然后基于影像中根肋骨得到相应的展开图，然后将每个肋骨的展开图作为自动检测模型的输入，得到疑似肋骨骨折的病灶区，然后将其在系统中标出，提示医生此处有可疑病灶区。/>[0004]然而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的肋骨骨折辅助检测方法，其特征在于，包括如下步骤：选取一定数量的胸部CT图像作为训练集，并标注所述胸部CT图像中的肋骨骨折区域和肋骨编号；对所述胸部CT图像进行数据归一化处理；将归一化处理过后的所述胸部CT图像作为输入，标注的所述胸部CT图像中的肋骨骨折区域和肋骨编号作为输出进行肋骨骨折检测模型训练，所述肋骨骨折检测模型包括：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。2.一种基于深度学习算法的图像识别方法，其特征在于，包括如下步骤：选取一定数量的胸部CT图像作为训练集，并标注所述胸部CT图像中的肋骨骨折区域和肋骨编号；对所述胸部CT图像进行数据归一化处理；将归一化处理过后的所述胸部CT图像作为输入，标注的所述胸部CT图像中的肋骨骨折区域和肋骨编号作为输出进行深度学习模型训练，所述深度学习模型包括：检测模型、分割模型以及编号及分段模型；将待检测的胸部CT图像经过处理后输入至训练好的所述深度学习模型中，输出图像识别结果。3.根据权利要求2所述的方法，其特征在于，所述检测模型为Faster
‑
RCNN深度神经网络模型，所述Faster
‑
RCNN深...

【专利技术属性】
技术研发人员：陈浩，柴志忠，林黄靖，王春永，
申请(专利权)人：深圳视见医疗科技有限公司，
类型：发明
国别省市：