提供骨折检测工具的方法技术

一种方法，包含获得多笔训练数据的步骤，每一笔训练数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签，还包含利用所述训练数据对深度卷积网络模型进行预训练以获得初步深度卷积网络模型的步骤、借由至少排除具有指示出隐性骨折的标签的训练数据来决定所述训练数据的子集的步骤，及利用所述子集训练所述初步深度卷积网络模型，以获得第一深度卷积网络模型的步骤。骤。骤。

【技术实现步骤摘要】
提供骨折检测工具的方法


[0001]本专利技术涉及一种方法，特别是涉及一种提供骨折检测工具的方法。

技术介绍

[0002]小骨骨折包含舟骨骨折，这是腕骨骨折常见的类型，尤其是对于成年男性时。明显的小骨骨折(例如，明显的舟骨骨折)可以由经验丰富的医师从放射线照片中识别，但隐性小骨骨折(例如，隐性舟骨骨折)难以从放射线照片中确认。尽管可以利用计算机断层(Computed Tomography,CT)扫描或磁共振成像(Magnetic Resonance Imaging,MRI)来帮助确认隐性骨折，但这种方式价格高昂。需要一种用于检测隐性小骨骨折的经济解决方案。

技术实现思路

[0003]本专利技术的目的在于提供一种有助于从放射线照片中检测隐性骨折的方法。
[0004]本专利技术的方法，包含一步骤(A)、一步骤(B)、一步骤(C)，及一步骤(D)。
[0005]在该步骤(A)中，获得多笔训练数据，每一笔训练数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签。
[0006]在该步骤(B)中，利用所述训练数据预训练深度卷积网络模型，以获得初步深度卷积网络模型。
[0007]在该步骤(C)中，借由至少排除具有指示出隐性骨折的标签的训练数据来决定所述训练数据的子集。
[0008]在该步骤(D)中，利用所述子集训练所述初步深度卷积网络模型，以获得第一深度卷积网络模型，当所述第一深度卷积网络模型接收到包括受检骨骼的放射线图像的输入数据时，所述第一深度卷积网络模型输出指示出所述受检骨骼的所述放射线图像存在明显骨折的可能性的分数
[0009]较佳地，本专利技术的方法，步骤(A)是获得所述训练数据，每一笔训练数据包括后
‑
前舟骨视角的放射线图像。
[0010]较佳地，本专利技术的方法，步骤(A)包括以下子步骤：
[0011](A
‑
1)获得多个舟骨的多张放射线照片，每一张放射线照片已确认显示出明显骨折、隐性骨折，及无骨折的其中一者；及
[0012](A
‑
2)对于每一张放射线照片，
[0013]分析该放射线照片，以在该放射线照片中定义舟骨区域；
[0014]提取包含所述舟骨区域的该放射线照片的一部分；及
[0015]产生所述训练数据的其中一者，该训练数据对应于该放射线照片，并包括由此提取的该放射线照片的该部分及该标签，该放射线照片的该部分作为该放射线图像，该标签根据该放射线照片被确认显示出明显骨折、隐性骨折，及无骨折的其中一者设置。
[0016]较佳地，本专利技术的方法，还包含以下步骤：
[0017](E)决定多笔控制数据，每一笔控制数据包括骨骼的不同的放射线图像，并且在所
述控制数据输入到所述第一深度卷积网络模型时，使所述第一深度卷积网络模型能够输出指示出明显骨折的可能性低的分数；及
[0018](F)利用所述控制数据及在步骤(C)排除具有指示出隐性骨折的标签的训练数据训练所述第一深度卷积网络模型，以获得第二深度卷积网络模型，当所述第二深度卷积网络模型接收到包括受检骨骼的放射线图像的另一输入数据时，所述第二深度卷积网络模型输出指示出所述放射线图像存在隐性骨折的可能性的分数。
[0019]较佳地，本专利技术的方法，步骤(F)是获得所述第二深度卷积网络模型，当所述第二深度卷积网络模型接收到该另一输入数据时，还输出梯度加权分类激活映射图像，所述梯度加权分类激活映射图像指示出该另一输入数据包括的所述放射线图像存在骨折的可能部位。
[0020]较佳地，本专利技术的方法，
[0021]步骤(A)还获得多个验证数据及多个测试数据，每一笔验证数据及每一笔测试数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签；及
[0022]该方法还包含以下步骤：
[0023](G)借由利用所述验证数据来改进在步骤(F)中获得的所述第二深度卷积网络模型；
[0024](H)使用所述测试数据测试在步骤(G)中已改进的所述第二深度卷积网络模型，以评估所述第二深度卷积网络模型的性能。
[0025]较佳地，本专利技术的方法，步骤(H)还包括以下子步骤：
[0026](H
‑
1)借由利用所述测试数据获得所述第二深度卷积网络模型的接收者操作特征曲线，所述接收者操作特征曲线具有多个点，每一点对应于相关于由所述第二深度卷积网络模型输出且用于判定是否诊断出骨折的所述分数的阈值；及
[0027](H
‑
2)计算出所述接收者操作特征曲线的曲线下面积，以评估所述第二深度卷积网络模型的性能。
[0028]较佳地，本专利技术的方法，还包含以下步骤：
[0029](I)借由在所述接收者操作特征曲线的所述点中找出导致所述接收者操作特征曲线的约登指数最大值的一点，来决定所述第二深度卷积网络模型的决策阈值。
[0030]较佳地，本专利技术的方法，还包含以下步骤：
[0031](J)借由利用三个不同的数据集分别执行三轮的步骤(A)到(H)，每一数据集包括不同的多个训练数据，不同的多个验证数据，及不同的多个测试数据，以便分别获得三个第二深度卷积网络模型；
[0032](K)从所述第二深度卷积网络模型选择其中具有最佳评估性能的一者，并借由找到所选择的第二深度卷积网络模型的所述接收者操作特征曲线上的所述点中导致约登指数的最大值的一点，来决定所选择的第二深度卷积网络模型的决策阈值。
[0033]较佳地，本专利技术的方法，步骤(D)是获得所述第一深度卷积网络模型，当所述第一深度卷积网络模型接收到所述输入数据时，还输出梯度加权分类激活映射图像，所述梯度加权分类激活映射图像指示出所述输入数据包括的所述放射线图像存在骨折的可能部位。
[0034]较佳地，本专利技术的方法，
[0035]步骤(A)还获得多个验证数据及多个测试数据，每一笔验证数据及每一笔测试数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签；及
[0036]该方法还包含以下步骤：
[0037](L)借由利用所述验证数据来改进在步骤(D)中获得的所述第一深度卷积网络模型；
[0038](M)使用所述测试数据测试在步骤(L)中已改进的所述第一深度卷积网络模型，以评估所述第一深度卷积网络模型的性能。
[0039]较佳地，本专利技术的方法，步骤(H)还包括以下子步骤：
[0040](M
‑
1)借由利用所述测试数据获得所述第一深度卷积网络模型的接收者操作特征曲线，所述接收者操作特征曲线具有多个点，每一点对应于相关于由所述第一深度卷积网络模型输出且用于判定是否诊断出骨折的所述分数的阈值；及
[0041](M
‑
2)计算出所述接收者操作特征曲线的曲线下面积，以评估所述第一深度卷积网络模型的性能。
[0042]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，其特征在于：包含以下步骤：(A)获得多笔训练数据，每一笔训练数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签；(B)利用所述训练数据预训练深度卷积网络模型，以获得初步深度卷积网络模型；(C)借由至少排除具有指示出隐性骨折的标签的训练数据来决定所述训练数据的子集；及(D)利用所述子集训练所述初步深度卷积网络模型，以获得第一深度卷积网络模型，当所述第一深度卷积网络模型接收到包括受检骨骼的放射线图像的输入数据时，所述第一深度卷积网络模型输出指示出所述受检骨骼的所述放射线图像存在明显骨折的可能性的分数。2.根据权利要求1所述的方法，其特征在于：步骤(A)是获得所述训练数据，每一笔训练数据包括后
‑
前舟骨视角的放射线图像。3.根据权利要求2所述的方法，其特征在于：步骤(A)包括以下子步骤：(A
‑
1)获得多个舟骨的多张放射线照片，每一张放射线照片已确认显示出明显骨折、隐性骨折，及无骨折的其中一者；及(A
‑
2)对于每一张放射线照片，分析该放射线照片，以在该放射线照片中定义舟骨区域；提取包含所述舟骨区域的该放射线照片的一部分；及产生所述训练数据的其中一者，该训练数据对应于该放射线照片，并包括由此提取的该放射线照片的该部分及该标签，该放射线照片的该部分作为该放射线图像，该标签根据该放射线照片被确认显示出明显骨折、隐性骨折，及无骨折的其中一者设置。4.根据权利要求1所述的方法，其特征在于：还包含以下步骤：(E)决定多笔控制数据，每一笔控制数据包括骨骼的不同的放射线图像，并且在所述控制数据输入到所述第一深度卷积网络模型时，使所述第一深度卷积网络模型能够输出指示出明显骨折的可能性低的分数；及(F)利用所述控制数据及在步骤(C)排除具有指示出隐性骨折的标签的训练数据训练所述第一深度卷积网络模型，以获得第二深度卷积网络模型，当所述第二深度卷积网络模型接收到包括受检骨骼的放射线图像的另一输入数据时，所述第二深度卷积网络模型输出指示出所述放射线图像存在隐性骨折的可能性的分数。5.根据权利要求4所述的方法，其特征在于：步骤(F)是获得所述第二深度卷积网络模型，当所述第二深度卷积网络模型接收到该另一输入数据时，还输出梯度加权分类激活映射图像，所述梯度加权分类激活映射图像指示出该另一输入数据包括的所述放射线图像存在骨折的可能部位。6.根据权利要求4所述的方法，其特征在于：步骤(A)还获得多个验证数据及多个测试数据，每一笔验证数据及每一笔测试数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签；及该方法还包含以下步骤：(G)借由利用所述验证数据来改进在步骤(F)中获得的所述第二深度卷积网络模型；
(H)使用所述测试数据测试在步骤(G)中已改进的所述第二深度卷积网络模型，以评估所述第二深度卷积网络模型的性能。7.根据权利要求6所述的方法，其特征在于：步骤(H)还包括以下子步骤：(H
‑
1)借由利用所述测试数据获得所述第二深度卷积网络模型的接收者操作特征曲线，所述接收者...

【专利技术属性】
技术研发人员：林器弘，锺啟光，郭昶甫，
申请(专利权)人：长庚医疗财团法人林口长庚纪念医院，
类型：发明
国别省市：