脊柱侧弯图像检测模型训练方法、确定方法、装置及设备制造方法及图纸

本申请公开了一种脊柱侧弯图像检测模型训练方法、确定方法、装置及设备，属于计算机技术领域。所述方法包括：获取样本脊柱图像、样本脊柱图像中的真实脊柱区域以及样本脊柱图像中脊柱的真实侧弯角度；将样本脊柱图像输入分割网络，得到预测脊柱区域；将真实脊柱区域输入回归网络，得到第一预测侧弯角度，以及将预测脊柱区域输入回归网络，得到第二预测侧弯角度；基于区域损失和角度损失训练分割网络和回归网络，得到脊柱侧弯图像检测模型。能够实现使用回归网络监督训练分割网络，以及使用分割网络监督训练回归网络。通过训练得到的分割网络以及回归网络，能够输出更准确的预测脊柱侧弯角度的结果。弯角度的结果。弯角度的结果。

【技术实现步骤摘要】
脊柱侧弯图像检测模型训练方法、确定方法、装置及设备


[0001]本申请涉及计算机
，特别涉及一种脊柱侧弯图像检测模型训练方法、确定方法、装置及设备。

技术介绍

[0002]脊柱侧弯是一种脊柱畸形疾病。当患者的脊柱有大于10度的侧方弯曲时，即可被医务人员诊断为存在脊柱侧弯。医务人员在诊断的过程中，首先需要确定脊柱侧弯角度。
[0003]计算机设备可以通过回归网络，对基于X光成像技术（X ray imaging technology）得到的脊柱的x射线图像进行预测，从而得到预测脊柱侧弯角度。为了提升回归网络预测的准确度，计算机设备还会先将脊柱的x射线图像通过分割网络分割出脊柱所在区域的图像，之后再输入回归网络中进行预测，从而避免脊柱的x射线图像中除脊柱的特征以外的特征干扰预测结果。
[0004]在通过上述分割网络和回归网络预测脊柱侧弯角度之前，需要先分步训练上述分割网络及回归网络。计算机设备会先根据样本脊柱图像和用于标识样本脊柱图像中的脊柱区域的标签训练分割网络，再基于分割网络的分割结果以及分割结果对应的真实的脊柱侧弯角度训练回归网络。
[0005]然而，上述回归网络预测的准确度取决于分割网络的分割准确度，如果训练得到的分割网络的准确度较差，可能导致分割的结果无法保留图像中的脊柱的形状特征，从而造成最终预测的脊柱侧弯角度的准确度较低。

技术实现思路

[0006]本申请提供了一种脊柱侧弯图像检测模型训练方法、确定方法、装置及设备，可以提升预测脊柱侧弯角度的准确度。所述技术方案如下。
[0007]根据本申请的一方面，提供了一种脊柱侧弯图像检测模型训练方法，所述脊柱侧弯图像检测模型包括级联的分割网络和回归网络，所述方法包括以下步骤。
[0008]获取样本脊柱图像、所述样本脊柱图像中的真实脊柱区域以及所述样本脊柱图像中脊柱的真实侧弯角度，所述样本脊柱图像是用于反映脊柱的特征的图像，所述真实脊柱区域是所述样本脊柱图像中脊柱所在的图像区域；将所述样本脊柱图像输入所述分割网络，得到所述分割网络预测的所述样本脊柱图像中的预测脊柱区域；将所述真实脊柱区域输入所述回归网络，得到所述回归网络预测的所述真实脊柱区域中脊柱的第一预测侧弯角度，以及将所述预测脊柱区域输入所述回归网络，得到所述回归网络预测的所述预测脊柱区域中脊柱的第二预测侧弯角度；基于区域损失和角度损失训练所述分割网络和所述回归网络，得到所述脊柱侧弯图像检测模型；其中，所述区域损失是基于所述真实脊柱区域和所述预测脊柱区域确定的，所述角度损失是基于所述第一预测侧弯角度、所述第二预测侧弯角度以及所述真实侧弯角
度中的至少两者确定的。
[0009]根据本申请的另一方面，提供了一种脊柱侧弯角度的确定方法，所述方法包括以下步骤。
[0010]获取脊柱图像，所述脊柱图像是用于反映脊柱的特征的图像；将所述脊柱图像输入分割网络，得到所述分割网络预测的所述脊柱图像中的脊柱区域，所述脊柱区域是所述脊柱图像中脊柱所在的图像区域；将所述脊柱区域输入回归网络，得到所述回归网络预测的所述脊柱区域中脊柱的脊柱侧弯角度，所述分割网络与所述回归网络属于脊柱侧弯图像检测模型，所述分割网络与所述回归网络级联，所述分割网络是基于所述回归网络输出的结果进行训练的，所述回归网络基于所述分割网络输出的结果进行训练的。
[0011]根据本申请的另一方面，提供了一种脊柱侧弯图像检测模型训练装置，所述脊柱侧弯图像检测模型包括级联的分割网络和回归网络，所述装置包括以下模块。
[0012]获取模块，用于获取样本脊柱图像、所述样本脊柱图像中的真实脊柱区域以及所述样本脊柱图像中脊柱的真实侧弯角度，所述样本脊柱图像是用于反映脊柱的特征的图像，所述真实脊柱区域是所述样本脊柱图像中脊柱所在的图像区域；训练模块，用于将所述样本脊柱图像输入所述分割网络，得到所述分割网络预测的所述样本脊柱图像中的预测脊柱区域；所述训练模块，还用于将所述真实脊柱区域输入所述回归网络，得到所述回归网络预测的所述真实脊柱区域中脊柱的第一预测侧弯角度，以及将所述预测脊柱区域输入所述回归网络，得到所述回归网络预测的所述预测脊柱区域中脊柱的第二预测侧弯角度；所述训练模块，还用于基于区域损失和角度损失训练所述分割网络和所述回归网络，得到所述脊柱侧弯图像检测模型；其中，所述区域损失是基于所述真实脊柱区域和所述预测脊柱区域确定的，所述角度损失是基于所述第一预测侧弯角度、所述第二预测侧弯角度以及所述真实侧弯角度中的至少两者确定的。
[0013]在一个可选的设计中，所述训练模块，用于：固定所述回归网络的网络参数，基于所述区域损失和所述角度损失训练所述分割网络；固定所述分割网络的网络参数，基于所述角度损失训练所述回归网络；交替执行上述两个步骤。
[0014]在一个可选的设计中，所述训练模块，用于：固定所述回归网络的网络参数；确定所述区域损失中的第一误差损失；确定所述角度损失中的第二误差损失以及第三误差损失；根据所述第一误差损失、所述第二误差损失以及所述第三误差损失的和训练所述分割网络；其中，所述第一误差损失用于反映所述真实脊柱区域与所述预测脊柱区域之间的误差，所述第二误差损失用于反映所述第二预测侧弯角度与所述真实侧弯角度之间的误差，所述第三误差损失用于反映所述第一预测侧弯角度与所述第二预测侧弯角度之间的误差。
[0015]在一个可选的设计中，所述训练模块，用于：基于所述真实脊柱区域与所述预测脊柱区域，通过第一损失函数确定所述第一误差损失，所述第一损失函数是根据骰子损失函数以及交叉熵损失函数的和确定的；基于所述第二预测侧弯角度与所述真实侧弯角度，通过第二损失函数确定所述第二误差损失，所述第二损失函数是基于对称平均绝对百分比误差的计算方式确定的；基于所述第一预测侧弯角度与所述第二预测侧弯角度，通过第三损失函数确定所述第三误差损失，所述第三损失函数是用于约束所述第一预测侧弯角度与所述第二预测侧弯角度之间的误差的函数；根据所述第一误差损失、所述第二误差损失以及所述第三误差损失的和，确定分割误差损失；基于所述分割误差损失在所述分割网络中通过反向传播训练所述分割网络。
[0016]在一个可选的设计中，所述训练模块，用于：将所述分割误差损失中的所述第二误差损失与所述第三误差损失分别与时变自调节参数相乘，得到时变分割误差损失，所述时变自调节参数的大小与训练所述分割网络的时长负相关；基于所述时变分割误差损失在所述分割网络中通过反向传播训练所述分割网络。
[0017]在一个可选的设计中，所述训练模块，用于：固定所述分割网络的网络参数；确定所述角度损失中的第四误差损失、第二误差损失以及第三误差损失；根据所述第四误差损失、所述第二误差损失以及所述第三误差损失的和训练所述回归网络；其中，所述第四误差损失用于反映所述第一预测侧弯角度与所述真实侧弯角度之间的误差，所述第二误差损失用于反映所述第二预测侧弯角度与所述真实侧弯角度之间的误差，所述第三误差损失用于反映所述第一预测侧弯角度与所述第二预测侧弯角度之间的误差。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脊柱侧弯图像检测模型训练方法，其特征在于，所述脊柱侧弯图像检测模型包括级联的分割网络和回归网络，所述方法包括：获取样本脊柱图像、所述样本脊柱图像中的真实脊柱区域以及所述样本脊柱图像中脊柱的真实侧弯角度，所述样本脊柱图像是用于反映脊柱的特征的图像，所述真实脊柱区域是所述样本脊柱图像中脊柱所在的图像区域；将所述样本脊柱图像输入所述分割网络，得到所述分割网络预测的所述样本脊柱图像中的预测脊柱区域；将所述真实脊柱区域输入所述回归网络，得到所述回归网络预测的所述真实脊柱区域中脊柱的第一预测侧弯角度，以及将所述预测脊柱区域输入所述回归网络，得到所述回归网络预测的所述预测脊柱区域中脊柱的第二预测侧弯角度；基于区域损失和角度损失训练所述分割网络和所述回归网络，得到所述脊柱侧弯图像检测模型；其中，所述区域损失是基于所述真实脊柱区域和所述预测脊柱区域确定的，所述角度损失是基于所述第一预测侧弯角度、所述第二预测侧弯角度以及所述真实侧弯角度中的至少两者确定的。2.根据权利要求1所述的方法，其特征在于，所述基于区域损失和角度损失训练所述分割网络和所述回归网络，包括：固定所述回归网络的网络参数，基于所述区域损失和所述角度损失训练所述分割网络；固定所述分割网络的网络参数，基于所述角度损失训练所述回归网络；交替执行上述两个步骤。3.根据权利要求2所述的方法，其特征在于，所述固定所述回归网络的网络参数，基于所述区域损失和所述角度损失训练所述分割网络，包括：固定所述回归网络的网络参数；确定所述区域损失中的第一误差损失；确定所述角度损失中的第二误差损失以及第三误差损失；根据所述第一误差损失、所述第二误差损失以及所述第三误差损失的和训练所述分割网络；其中，所述第一误差损失用于反映所述真实脊柱区域与所述预测脊柱区域之间的误差，所述第二误差损失用于反映所述第二预测侧弯角度与所述真实侧弯角度之间的误差，所述第三误差损失用于反映所述第一预测侧弯角度与所述第二预测侧弯角度之间的误差。4.根据权利要求3所述的方法，其特征在于，所述确定所述区域损失中的第一误差损失，包括：基于所述真实脊柱区域与所述预测脊柱区域，通过第一损失函数确定所述第一误差损失，所述第一损失函数是根据骰子损失函数以及交叉熵损失函数的和确定的；所述确定所述角度损失中的第二误差损失以及第三误差损失，包括：基于所述第二预测侧弯角度与所述真实侧弯角度，通过第二损失函数确定所述第二误差损失，所述第二损失函数是基于对称平均绝对百分比误差的计算方式确定的；基于所述第一预测侧弯角度与所述第二预测侧弯角度，通过第三损失函数确定所述第三误差损失，所述第三损失函数是用于约束所述第一预测侧弯角度与所述第二预测侧弯角
度之间的误差的函数；所述根据所述第一误差损失、所述第二误差损失以及所述第三误差损失的和训练所述分割网络，包括：根据所述第一误差损失、所述第二误差损失以及所述第三误差损失的和，确定分割误差损失；基于所述分割误差损失在所述分割网络中通过反向传播训练所述分割网络。5.根据权利要求4所述的方法，其特征在于，所述基于所述分割误差损失在所述分割网络中通过反向传播训练所述分割网络，包括：将所述分割误差损失中的所述第二误差损失与所述第三误差损失分别与时变自调节参数相乘，得到时变分割误差损失，所述时变自调节参数的大小与训练所述分割网络的时长负相关；基于所述时变分割误差损失在所述分割网络中通过反向传播训练所述分割网络。6.根据权利要求2所述的方法，其特征在于，所述固定所述分割网络的网络参数，基于所述角度损失训练所述回归网络，包括：固定所述分割网络的网络参数；确定所述角度损失中的第四误差损失、第二误差损失以及第三误差损失；根据所述第四误差损失、所述第二误差损失以及所述第三误差损失的和训练所述回归网络；其中，所述第四误差损失用于反映所述第一预测侧弯角度与所述真实侧弯角度之间的误差，所述第二误差损失用于反映所述第二预测侧弯角度与所述真实侧弯角度之间的误差，所述第三误差损失用于反映所述第一预测侧弯角度与所述第二预测侧弯角度之间的误差。7.根据权利要求6所述的方法，其特征在于，所述确定所述角度损失中的第四误差损失、第二误差损失以及第三误差损失，包括：基于所述第一预测侧弯角度与所述真实侧弯角度，通过第四损失函数确定所述第四误差损失，所述第四损失函数是基于对称平均绝对百分比误差的计算方式确定的；基于所述第二预测侧弯角度与所述真实侧弯角度，通过第二损失函数确定所述第二误差损失，所述第二损失函数是基于对称平均绝对百分比误差的计算方式确定的；基于所述第一预测侧弯角度...

【专利技术属性】
技术研发人员：林一，李悦翔，何楠君，马锴，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：