图像识别及模型训练的方法、真臼位置识别的方法及装置制造方法及图纸

本发明专利技术公开一种图像识别及模型训练的方法、真臼位置识别的方法及装置，该真臼位置识别方法包括：获取医学图像数据；对所述医学图像数据进行图像分割，基于图像分割结果确定股骨及骨盆区域；对所述图像分割结果进行多级缩放处理，基于图像缩放结果确定健侧的股骨头中心点和泪滴下缘位置；基于所述健侧的股骨头中心点和泪滴下缘位置确定真臼位置。本申请可以快速排除DDH发育性髋关节脱位的假臼干扰，快速识别真臼位置，方便术者将髋臼杯假体安放在真臼位置，提高术前规划效率。

【技术实现步骤摘要】
图像识别及模型训练的方法、真臼位置识别的方法及装置
本专利技术涉及图像识别
，具体涉及一种图像识别及模型训练的方法、真臼位置识别的方法及装置。
技术介绍
在医学领域中全髋关节置换手术的术前规划主要包括计算所需假体型号及截骨线位置，全髋关节置换手术的术前规划对于手术的成功率起着非常重要的作用，目前主要的术前规划方式为人工通过各种工具进行测量，来确定需要进行手术的关键部位的具体位置，这样的方式效率低而且准确性无法保证，因此，如何能够迅速并精确地识别图像中的关键位置是亟待解决的问题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种图像识别及模型训练的方法、真臼位置识别的方法及装置，以解决现有技术中无法精确识别图像中的关键位置的问题。根据第一方面，本专利技术实施例提供了一种图像识别模型的训练方法，包括：获取图像数据集，所述图像数据集中包括已标记的正样本图像及未标记的负样本图像，所述正样本图像中含有用于表征目标区域的标记；将所述图像数据集输入至第一神经网络模型，进行图像分割，得到第一输出结果；基于所述第一输出结果及图像数据集，对所述第一神经网络模型进行训练，更新所述第一神经网络模型，确定图像分割模型；基于所述第一输出结果生成特征图像；将所述特征图像输入至第二神经网络模型，进行多级图像缩放处理，得到第二输出结果；基于所述第二输出结果及所述特征图像，对所述第二神经网络模型进行训练，更新所述第二神经网络模型，确定关键点识别模型；基于所述图像分割模型及关键点识别模型构建图像识别模型。结合第一方面，在第一方面第一实施方式中，将所述图像数据集输入至第一神经网络模型，进行图像分割，得到第一输出结果，包括：将所述图像数据集输入至所述第一神经网络模型的第一图像处理子模型，对所述图像数据集中的图像数据进行图像采样处理，提取所述图像数据的图像特征；将提取图像特征后的图像数据输入至所述第一神经网络模型的第二图像处理子模型，对所述图像特征进行图像分割，识别所述图像特征的所属类别。结合第一方面第一实施方式，在第一方面第二实施方式中，对所述图像数据集中的图像数据进行图像采样处理，提取所述图像数据的图像特征，包括：对所述图像数据进行下采样，识别所述图像数据的深层特征；对进行下采样后的图像数据进行上采样，将所述深层特征存储到所述图像数据中。结合第一方面第一实施方式，在第一方面第三实施方式中，对所述图像特征进行图像分割，识别所述图像特征的所属类别，包括：从所述图像特征中筛选预设置信度的特征点数据，对所述特征点数据进行双线性插值计算；基于计算后的特征点数据识别图像特征的所属类别。结合第一方面，在第一方面第四实施方式中，将所述特征图像输入至第二神经网络模型，进行多级图像缩放处理，得到第二输出结果，包括：对所述特征图像进行多级下采样，得到符合预设分辨率的第一特征图像；分别对各级下采样的第一特征图像进行上采样，得到第二特征图像；基于各级下采样的第一特征图像及各级上采样的第二特征图像生成合成特征图像；基于所述合成特征图像确定所述特征图像中关键点处于所述合成特征图像中的概率，作为所述第二输出结果。结合第一方面或第一方面任一实施方式，在第一方面第五实施方式中，基于所述第一输出结果及图像数据集，对所述第一神经网络模型进行训练，更新所述第一神经网络模型，确定图像分割模型，包括：基于所述第一输出结果及图像数据集计算第一损失函数；基于所述第一损失函数更新所述第一神经网络模型的参数，确定所述图像分割模型。结合第一方面或第一方面任一实施方式，在第一方面第六实施方式中，基于所述第二输出结果及所述特征图像，对所述第二神经网络模型进行训练，更新所述第二神经网络模型，确定关键点识别模型，包括：基于所述第二输出结果及所述第一输出结果计算第二损失函数；基于所述第二损失函数更新所述第二神经网络模型的参数，确定所述关键点识别模型。根据第二方面，本专利技术实施例提供了一种图像识别方法，包括：获取待识别图像；对所述待识别图像进行图像分割，得到图像分割结果；对所述图像分割结果进行多级缩放处理，得到图像缩放结果；基于所述图像缩放结果识别所述待识别图像中的目标对象。结合第二方面，在第二方面第一实施方式中，对所述待识别图像进行图像分割，得到图像分割结果，包括：将所述待识别图像输入至预设的图像分割模型，对所述待识别图像进行图像分割，得到图像分割结果；所述预设的图像分割模型是基于图像数据集训练得到的，所述图像数据集中包括已标记的正样本图像及未标记的负样本图像，所述正样本图像中含有用于表征目标区域的标记。结合第二方面第一实施方式，在第二方面第二实施方式中，所述图像分割模型包括第一图像处理子模型及第二图像处理子模型，将所述待识别图像输入至预设的图像分割模型，对所述待识别图像进行图像分割，得到图像分割结果，包括：将所述待识别图像输入至所述图像分割模型的第一图像处理子模型，对所述待识别图像中的图像数据进行图像采样处理，提取所述图像数据的图像特征；将提取图像特征后的图像数据输入至所述图像分割模型的第二图像处理子模型，对所述图像特征进行图像分割，识别所述图像特征的所属类别。结合第二方面第二实施方式，在第二方面第三实施方式中，对所述待识别图像中的图像数据进行图像采样处理，提取所述图像数据的图像特征，包括：对所述图像数据进行下采样，识别所述图像数据的深层特征；对进行下采样后的图像数据进行上采样，将所述深层特征存储到所述图像数据中。结合第二方面第二实施方式，在第二方面第四实施方式中，对所述图像特征进行图像分割，识别所述图像特征的所属类别，包括：从所述图像特征中筛选预设置信度的特征点数据，对所述特征点数据进行双线性插值计算；基于计算后的特征点数据识别所属类别。结合第二方面第一实施方式，在第二方面第五实施方式中，对所述图像分割结果进行多级缩放处理，得到图像缩放结果，包括：基于所述图像分割结果生成特征图像；将所述特征图像输入至预设的关键点识别模型，进行多级图像缩放处理，得到图像缩放结果；所述预设的关键点识别模型是基于所述图像数据集训练得到的，所述图像数据集中包括已标记的正样本图像及未标记的负样本图像，所述正样本图像中含有用于表征目标区域的标记。结合第二方面第五实施方式，在第二方面第六实施方式中，将所述特征图像输入至预设的关键点识别模型，进行多级图像缩放处理，得到图像缩放结果，包括：对所述特征图像进行多级下采样，得到符合预设分辨率的第一特征图像；分别对各级下采样的特征图像进行上采样，得到第二特征图像；基于各级下采样的第一特征图像及各级上采样的第二特征图像生成合成特征图像；基于所述合成特征图像确定所述特征图像中关键点处于所述合成特征图像中的概率，作为所述图像缩放结果。根据第三方面，本专利技术实施例提供了一种髋关节关键位置识别方法，包括：获取医学图像数据；对所述医学图像数据进行图像分割，得到包含股骨及骨盆区域的图像分割结果；对所述图像分割结果进行多级缩放处理，得到包含髋关节关键位置的图像缩放结果；基于所述图像缩放结果识别所述医学图像数据中的髋关节关键位本文档来自技高网...

【技术保护点】
1.一种真臼位置识别方法，其特征在于，包括：/n获取医学图像数据；/n对所述医学图像数据进行图像分割，基于图像分割结果确定股骨及骨盆区域；/n对所述图像分割结果进行多级缩放处理，基于图像缩放结果确定健侧的股骨头中心点和泪滴下缘位置；/n基于所述健侧的股骨头中心点和泪滴下缘位置确定真臼位置。/n

【技术特征摘要】
1.一种真臼位置识别方法，其特征在于，包括：
获取医学图像数据；
对所述医学图像数据进行图像分割，基于图像分割结果确定股骨及骨盆区域；
对所述图像分割结果进行多级缩放处理，基于图像缩放结果确定健侧的股骨头中心点和泪滴下缘位置；
基于所述健侧的股骨头中心点和泪滴下缘位置确定真臼位置。


2.根据权利要求1所述的真臼位置识别方法，其特征在于，基于所述健侧的股骨头中心点和泪滴下缘位置确定真臼位置，包括：
将所述健侧的股骨头中心点和泪滴下缘位置镜像翻转至目标区域，得到患侧的股骨头中心点镜像位置和泪滴下缘镜像位置；
基于所述患侧的泪滴下缘镜像位置确定核心点位置，并计算骨盆高度；
基于所述核心点位置及骨盆高度确定包含所述真臼位置的区域。


3.一种图像识别方法，其特征在于，包括：
获取待识别图像；
对所述待识别图像进行图像分割，得到图像分割结果；
对所述图像分割结果进行多级缩放处理，得到图像缩放结果；
基于所述图像缩放结果识别所述待识别图像中的目标对象。


4.根据权利要求3所述的图像识别方法，其特征在于，对所述待识别图像进行图像分割，得到图像分割结果，包括：
将所述待识别图像输入至预设的图像分割模型，对所述待识别图像进行图像分割，得到图像分割结果；所述预设的图像分割模型是基于图像数据集训练得到的，所述图像数据集中包括已标记的正样本图像及未标记的负样本图像，所述正样本图像中含有用于表征目标区域的标记。


5.根据权利要求4所述的图像识别方法，其特征在于，所述图像分割模型包括第一图像处理子模型及第二图像处理子模型，将所述图像数据集输入至预设的图像分割模型，对所述待识别图像进行图像分割，得到图像分割结果，包括：
将所述待识别图像输入至所述图像分割模型的第一图像处理子模型，对所述待识别图像中的图像数据进行图像采样处理，提取所述图像数据的图像特征；
将提取图像特征后的图像数据输入至所述图像分割模型的第二图像处理子模型，对所述图像特征进行图像分割，识别所述图像特征的所属类别。


6.根据权利要求5所述的图像识别方法，其特征在于，对所述图像数据集中的图像数据进行图像采样处理，提取所述图像数据的图像特征，包括：
对所述图像数据进行下采样，识别所述图像数据的深层特征；
对进行下采样后的图像数据进行上采样，将所述深层特征存储到所述图像数据中；
其中，对所述图像特征进行图像分割，识别所述图像特征的所属类别，包括：
从所述图像特征中筛选预设置信度的特征点数据，对所述特征点数据进行双线性插值计算；
基于计算后的特征点数据识别所属类别。


7.根据权利要求3所述的图像识别方法，其特征在于，对所述图像分割结果进行多级缩放处理，得到图像缩放结果，包括：
基于所述图像分割结果生成特征图像；
将所述特征图像输入至预设的关键点识别模型，进行多级图像缩放处理，得到图像缩放结果；所述预设的关键点识别模型是基于所述图像数据集训练得到的，所述图像数据集中包括已标记的正样本图像及未标记的负样本图像，所述正样本图像中含有用于表征目标区域的标记。


8.根据权利要求7所述的图像识别方法，其特征在于，将所述特征图像输入至预设的关键点识别模型，进行多级图像缩放处理，得到图像缩放结果，包括：
对所述特征图像进行多级下采样，得到符合预设分辨率的第一特征图像；
分别对各级下采样的特征图像进行上采样，得到第二特征图像；
基于各级下采样的第一特征图像及各级上采样的第二特征图像生成合成特征图像；
基于所述合成特征图像确定所述特征图像中关键点处于所述合成特征图像中的概率，作为所述图像缩放结果。


9.一种利用如权利要求3至8任一项所述的图像识别方法识别髋关节关键位置的方法，其特征在于，包括：
获取医学图像数据；
对所述医学图像数据进行图像分割，得到包含股骨及骨盆区域的图像分割结果；
对所述图像分割结果进行多级缩放处理，得到包含髋关节关键位置的图像缩放结果；
基于所述图像缩放结果识别所述医学图像数据中的髋关节关键位置。


10.一种图像识别模型的训练方法，其特征在于，包括：
获取图像数据集，所述图像数据集中包括已标记的正样本图像及未标记的负样本图像，所述正样本图像中含有用于表征目标区域的标记；
将所述图像数据集输入至第一神经网络模型，进行图像分割，得到第一输出结果；
基于所述第一输出结果及图像数据集，对所述第一神经网络模型进行训练，更新所述第一神经网络模型，确定图像分割模型；
基于所述第一输出结果生成特征图像；
将所述特征图像输入至第二神经网络模型，进行多级图像缩放处理，得到第二输出结果；
基于所述第二输出结果及所述特征图像，对所述第二神经网络模型进行训练，更新所述第二神经网络模型，确定关键点识别模型；
基于所述图像分割模型及关键点识别模型构建图像识别模型。


11.根据权利要求10所述的图像识别模型的训练方法，其特征在于，将所述图像数据集输入至第一神经网络模型，进行图像分割，得到第一输出结果，包括：
将所述图像数据集输入至所述第一神经网络模型的第一图像处理子模型，对所述图像数据集中的图像数据进行图像采样处理，提取所述图像数据的图像特征；
将提取图像特征后的图像数据输入至所述...

【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：北京长木谷医疗科技有限公司，长木谷医疗科技青岛有限公司，张逸凌，
类型：发明
国别省市：北京;11