基于多任务学习的髋关节关键点位置检测方法及系统技术方案

本发明专利技术涉及医疗信息处理技术领域，具体涉及一种基于多任务学习的髋关节关键点位置检测方法及系统，所述方法包括：获取标定好关键点的待训练图像，所述待训练图像包括正常发育图像与不正常发育图像；构建基于多任务学习框架的多任务网络模型，对所述多任务网络模型进行训练，得到关键点检测模型；利用关键点检测模型对待检测图像进行关键点检测，确定髋关节正位片中关键点所在位置，基于所述关键点所在位置确定测量指标的大小，本发明专利技术对髋关节关键点位置的检测简便灵活，具有速度快、准确率高的优点。的优点。的优点。

【技术实现步骤摘要】
基于多任务学习的髋关节关键点位置检测方法及系统


[0001]本专利技术涉及医疗信息处理
，具体涉及一种基于多任务学习的髋关节关键点位置检测方法及系统。

技术介绍

[0002]发育性髋关节发育不良(Developmental Dysplasia of the Hip，DDH)是常见的小儿骨科疾病之一，是婴幼儿中一系列与髋关节发育相关的疾病。它包含髋臼和股骨近端的发育异常以及髋关节不稳定。新生儿在刚出生的最初几周内通常会有生理性髋关节松弛和髋臼不成熟。大多数情况下松弛将消失，髋臼继续正常发育。通过危险因素评估、连续髋关节查体以及合理运用影像学检查，大多数髋关节病变患儿都可得到诊治，且无长期后遗症。而少儿的DDH诊断极其依赖于临床医生的个人主观经验。
[0003]指标测量的前提是准确识别定位到相关医学关键点，而这些关键点的识别极其依赖临床医生的诊断经验。尤其对于医学资源匮乏的偏远地区医院而言，基于X
‑
Ray的DDH诊断是一个充满挑战的任务。因此借助计算机辅助诊断系统对DDH诊断研究意义重大。
[0004]传统方法中，对髋关节关键点的标注识别主要根据临床医生的主观经验，在X
‑
Ray图像上找到所有医学关键点，极其依赖医生丰富的临床经验，且标注耗时长；而在偏远地区医学资源匮乏的医院，临床医生经验欠缺，未能及时准确的对患者病情进行诊断，可能存在误判情况，错过患者及时就诊的最佳时机。
[0005]基于深度学习的图像算法为数据驱动型解决方案，该类方案的实现需要较大量的X
‑
Ray医学图像对算法模型进行训练，现有应用于DDH检测的图像算法对模型训练时的数据量大概20000张，而此类医学图像的收集难度大、周期长、要求高，每张图像还需要进行人工标注，标注的结果作为金标准用于模型训练，标注过程需要2
‑
3位经验丰富的临床医生进行手动标注，标注周期长、难度大。
[0006]现有的技术方案中，如《一种DDH人工智能辅助诊断方法及装置》专利中提出的方案，需要对髋关节X
‑
Ray正位片进行实例分割后再进行关键点检测；《准确提取髋关节影像中关键点的方法》方案需要设计较复杂的网络，以上方案的实施过程，均需要提前收集大规模的X
‑
Ray数据，并对收集的数据进行医学关键点的人工标定，收集难度大、时间长，对于医疗资源匮乏的机构而言，可行性较低。
[0007]因此，有必要对髋关节关键点位置的检测方案进行改进，以减少标注时间，提高测量指标的准确度。

技术实现思路

[0008]本专利技术目的在于提供一种基于多任务学习的髋关节关键点位置检测方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0009]为了实现上述目的，本专利技术提供以下技术方案：
[0010]一种基于多任务学习的髋关节关键点位置检测方法，所述方法包括以下步骤：
[0011]步骤S100、获取标定好关键点的待训练图像，所述待训练图像包括正常发育图像与不正常发育图像；
[0012]步骤S200、构建基于多任务学习框架的多任务网络模型，对所述多任务网络模型进行训练，得到关键点检测模型；
[0013]步骤S300、利用关键点检测模型对待检测图像进行关键点检测，确定髋关节正位片中关键点所在位置，基于所述关键点所在位置确定测量指标的大小。
[0014]进一步，所述步骤S100包括：
[0015]步骤S110、获取月龄在6个月以上婴幼儿的盆骨正位片医学图像，所述盆骨正位片医学图像包括正常发育图像与不正常发育图像；
[0016]步骤S120、将所述盆骨正位片医学图像转换为原始图像，对所述原始图像中的6个关键点按固定顺序进行标注，其中，所述关键点包括：盆骨正位片医学图像中左右两侧的髋臼上缘、Y型软骨中心、以及股骨头中心；
[0017]步骤S130、采用设定大小的区域框对所述原始图像进行裁剪，将裁剪前已标注的关键点的位置转换为裁剪后的位置，将裁剪后的图像作为待训练图像。
[0018]进一步，所述多任务网络模型包括关键点检测任务模型和辅助分类任务模型，所述多任务网络模型采用的网络结构为：关键点检测任务模型采用编码器解码器神经网络，用于提取待识别图像的特征图；
[0019]所述辅助分类任务模型作为全连接层，与所述编码器解码器神经网络的编码器尾部串联，将所述编码器提取的特征图作为全连接层的输入，输出待识别图像的预测结果。
[0020]进一步，步骤S200中，所述对所述多任务网络模型进行训练，得到关键点检测模型包括：
[0021]利用反向传播算法对多任务网络模型进行训练，确定训练过程中所述多任务网络模型的预测值与金标准的误差；
[0022]在反向传播过程中，基于所述误差的梯度信息实时更新所述多任务网络模型中关键点检测任务模型和辅助分类任务模型的权重；
[0023]当确定所述多任务网络模型的预测值与金标准的误差达到设定的阈值时，完成对所述多任务网络模型的训练，将训练完成的多任务网络模型确定为关键点检测模型。
[0024]进一步，所述多任务网络模型的预测值与金标准的误差为：loss＝ω1loss1+ω2loss2；
[0025]其中，
[0026]其中，loss1为关键点检测任务模型的损失函数，y1为人工标定的是否为关键点的概率值，为模型预测的属于目标关键点的概率值，y1∈[0，1]，α，γ为超参；
[0027]loss2为辅助分类任务模型的损失函数，y2为人工标定的金标准，y2∈{0，1}，为辅助分类任务模型预测的类别概率值，
[0028]进一步，所述测量指标包括CE角、髋臼指数、Perkin现象。
[0029]一种计算机可读存储介质，所述计算机可读存储介质上存储有基于多任务学习的髋关节关键点位置检测程序，所述基于多任务学习的髋关节关键点位置检测程序被处理器执行时实现如上述任意一项所述的基于多任务学习的髋关节关键点位置检测方法的步骤。
[0030]一种基于多任务学习的髋关节关键点位置检测系统，所述系统包括：
[0031]至少一个处理器；
[0032]至少一个存储器，用于存储至少一个程序；
[0033]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的基于多任务学习的髋关节关键点位置检测方法。
[0034]本专利技术的有益效果是：本专利技术公开一种基于多任务学习的髋关节关键点位置检测方法及系统，考虑到基于深度学习的智能图像算法模型在优化过程中需要大量训练样本，本专利技术通过构建基于多任务学习框架的多任务网络模型，利用标定好关键点的正常发育图像与不正常发育图像进行训练，通过挖掘待训练图像的特征，最终达到比单任务模型更高的预测准确率。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的髋关节关键点位置检测方法，其特征在于，所述方法包括以下步骤：步骤S100、获取标定好关键点的待训练图像，所述待训练图像包括正常发育图像与不正常发育图像；步骤S200、构建基于多任务学习框架的多任务网络模型，对所述多任务网络模型进行训练，得到关键点检测模型；步骤S300、利用关键点检测模型对待检测图像进行关键点检测，确定髋关节正位片中关键点所在位置，基于所述关键点所在位置确定测量指标的大小。2.根据权利要求1所述的一种基于多任务学习的髋关节关键点位置检测方法，其特征在于，所述步骤S100包括：步骤S110、获取月龄在6个月以上婴幼儿的盆骨正位片医学图像，所述盆骨正位片医学图像包括正常发育图像与不正常发育图像；步骤S120、将所述盆骨正位片医学图像转换为原始图像，对所述原始图像中的6个关键点按固定顺序进行标注，其中，所述关键点包括：盆骨正位片医学图像中左右两侧的髋臼上缘、Y型软骨中心、以及股骨头中心；步骤S130、采用设定大小的区域框对所述原始图像进行裁剪，将裁剪前已标注的关键点的位置转换为裁剪后的位置，将裁剪后的图像作为待训练图像。3.根据权利要求2所述的一种基于多任务学习的髋关节关键点位置检测方法，其特征在于，所述多任务网络模型包括关键点检测任务模型和辅助分类任务模型，所述多任务网络模型采用的网络结构为：关键点检测任务模型采用编码器解码器神经网络，用于提取待识别图像的特征图；所述辅助分类任务模型作为全连接层，与所述编码器解码器神经网络的编码器尾部串联，将所述编码器提取的特征图作为全连接层的输入，输出待识别图像的预测结果。4.根据权利要求3所述的一种基于多任务学习的髋关节关键点位置检测方法，其特征在于，步骤S200中，所述对所...

【专利技术属性】
技术研发人员：范衠，黄文宁，蔡堉伟，胡军，陈洪江，张炯，容毅标，宁为博，朱智健，朱家祺，谢敏冲，陈添善，袁野，许宏武，张建军，
申请(专利权)人：汕头大学医学院第一附属医院汕头大学医学院，
类型：发明
国别省市：