肋骨骨折检测模型训练系统、方法、检测系统和检测方法技术方案

本发明专利技术涉及一种肋骨骨折检测模型训练系统、方法、检测系统和检测方法，属于人工智能技术领域。本发明专利技术通过采集多个包含肋骨的CT图像，由专家在CT图像上标注肋骨骨折的区域；提取CT图像中的骨骼区域作为目标区域，在目标区域中对CT图像进行采样，得到3D局部CT图像；采用3D DeepLab网络架构模块，使用若干个阳性和若干个阴性样本对模型进行训练，构建了一种新的基于高分辨率3D ResNet

【技术实现步骤摘要】
肋骨骨折检测模型训练系统、方法、检测系统和检测方法


[0001]本专利技术涉及一种对骨折进行检测的技术，具体涉及一种基于深度学习对肋骨CT图像的骨折进行自动检测的模型的训练系统、训练方法、利用该模型进行检测的系统和检测方法，属于人工智能


技术介绍

[0002]肋骨骨折的诊断是重要且复杂的临床实践，法医鉴定和多项业务的日常任务场景（例如保险索赔）都需要精准地进行诊断。但是，现有技术很少有就此调查自动机器学习技术劳动密集型任务。
[0003]而众所周知，肋骨骨折伴随着明显的发病率和死亡率，胸部外伤占全部外伤的10％至15％创伤性损伤。常规胸部CT是胸外伤检查的主要选择，其以揭示隐匿性骨折及与骨折相关的并发症位置为优势。但是，在CT成像中肋骨骨折的检测在三个方面都具有挑战性：第一，肋骨在大量的CT部分之中具有复杂的几何形状；第二，骨折可能不起眼，尤其是在没有脱位的情况下存在，或断裂方向平行于正常观察部位；第三，必须有大量的CT切片按肋骨和肋骨顺序评估，这个过程是繁琐且劳动强度非常大。这些挑战促使结合了现代人工智能技术的自动机器的发展本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肋骨骨折检测模型训练系统，包括以下模块：数据采集和标注模块：采集多个包含肋骨的CT图像，由专家在CT图像上标注肋骨骨折的区域；预处理模块：提取CT图像中的骨骼区域作为目标区域，在目标区域中对CT图像进行采样，得到3D局部CT图像；3D DeepLab网络架构模块：预处理模块采样得到的图像作为输入逐个经过编码器，得到输出特征，然后再经过解码器，输出对肋骨骨折区域的分割结果；所述编码器使用3D ResNet
‑
HR，所述3D ResNet
‑
HR结构由以下公式表述：其中，X
input
代表编码器的输入, X
intermediate
代表编码器的中间结果, X
output
代表编码器的输出，stride=1表示卷积层或最大池化层的步长为1，kernel=7表示卷积层的卷积核大小为7，dilation=2表示卷积层的膨胀率为2；N为模型中ConvBlock的数量，ConvBlock为编码器中的卷积模块，任意的一个ConvBlock由两个连续的ConvLayer和一个最大池化层依次拼接而成，其中ConvLayer由一个卷积层、一个归一化层和一个非线性激活函数依次拼接而成；模型训练模块：使用若干个阳性和若干个阴性样本对模型进行训练，一个所述阳性样本是一个包含专家标注在内的随机中心剪裁，一个所述阴性样本是无骨折的肋骨区域或非肋骨的骨骼区域的剪裁。2.如权利要求1所述的模型训练系统，其特征在于：所述3D DeepLab网络架构模块使用3D ASPP作为编码器的输出特征，所述3D ASPP由一个1
×1×
1的3D卷积层、一个3
×3×
3的3D卷积层、一个膨胀率为2的3
×3×
3的3D膨胀卷积层、一个膨胀率为3的3
×3×
3的3D膨胀卷积层、一个膨胀率为4的3
×3×
3的3D膨胀卷积层和一个全局池化层组成。3.如权利要求1所述的模型训练系统，其特征在于，在3D Deeplab网络架构模块与模型训练模块之间，还包括后处理模块，所述后处理模块对所述3D Deeplab网络架构模块输出的分割结果进行后处理，去除体积小于200个体素单位的连通区域以及存在于人体脊柱区域中的分割结果。4.如权利要求1
‑
3任一项所述的模型训练系统，其特征在于，所述3D DeepLab网络架构模块中编码器的激活函数均为QSwish函数，所述QSwish函数的公式如下：
其中，x表示QSwish函数的输入。5.一种肋骨骨折检测系统，其特征在于，包括数据采集模块、预处理模块和检测模块；所述数据采集模块采集包含肋骨的CT图像；所述预处理模块提取CT图像中的骨骼区域作为目标区域，在目标区域中对CT图像进行采样，得到3D局部CT图像；所述检测模块包含根据权利要求1
‑
4任一项所述模型训练系统得到的模型，所述检测模...

【专利技术属性】
技术研发人员：匡开铭，杨健程，
申请(专利权)人：点内上海生物科技有限公司，
类型：发明
国别省市：