深度学习进行3D股骨头建模的系统及方法、存储介质技术方案

本发明专利技术提出一种使用深度学习神经网络辅助股骨模型化的方案，所构建的三维卷积神经网络封装有第一模块DDC：将一个输入进行反卷积，通过上采样，使原图的长、宽、高各变成了输入的两倍后，再进行3D空洞采样操作得到8个与输入相同大小的特征图，与原图进行拼接得到9个特征图，使得该第一模块DDC输出拼接成为了输入通道9倍的一个特征图；第二模块CBM：将一个输入进行3D卷积之后，增加BN层然后适用mish激活函数，输出特征图；第三模块DCM2：先进行DDC操作，接着进行两次CBM操作后池化，输出特征图；和第四模块DCM3：先进行DDC操作，接着进行三次CBM操作后池化，输出特征图。如此，可节约开发时间，在将复杂的结构进封装之后，操作更加简单，可解释性更强。可解释性更强。可解释性更强。

【技术实现步骤摘要】
深度学习进行3D股骨头建模的系统及方法、存储介质


[0001]本专利技术涉及图像数据处理
，更具体地说，涉及一种通过深度学习进行3D股骨头建模识别的方法、系统以及存储介质。

技术介绍

[0002]随着现代社会的飞速发展，各行各业都开始与IT行业产生密不可分的联系，医疗行业也是如此。
[0003]众所周知，在传统的骨科手术中，对于骨骼的建模是需要使用人工进行手工绘制的，非常地费时。
[0004]其次，人工进行绘制有可能受到绘图人员精神状态的影响，并且在很多特殊情况，比如深夜、节假日、以及相关工作人员恰巧不在岗位，便容易造成事故。
[0005]而且，绘制骨骼模型需要相当的经验，培养所需资源也并不廉价。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提出了一种使用深度学习神经网络进行图像数据处理，从而辅助骨骼模型化的绘制方案。
[0007]根据本专利技术的实施方式，提供一种3D股骨头建模系统，通过使计算机执行程序来构成了神经网络，所述神经网络包括：
[0008]DCM2模块，其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种3D股骨头建模系统，通过使计算机执行程序来构成了神经网络，其特征在于，所述神经网络包括：DCM2模块，其进行如下DCM2操作，所述DCM2操作为：进行DDC操作，之后，进行两次CBM操作后，最大池化得到特征图；和DCM3模块，其进行如下DCM3操作，所述DCM3操作为：进行DDC操作，之后，进行三次CBM操作后，最大池化得到特征图，所述DDC操作为：将输入进行反卷积后，再进行完3D空洞采样操作后得到8个特征图，对所得的的8个特征图和原图进行concat拼接，组成了一个特征图，所述CBM操作为：将输入进行卷积、归一化、激活的一个串联过程，所述神经网络构成为：对输入使用一次所述DCM2模块的操作来得到特征图feature map1，对特征图feature map1使用一次所述DCM2模块的操作来得到特征图feature map2，对特征图feature map2使用一次所述DCM3模块的操作来得到特征图feature map3，对特征图feature map3使用一次所述DCM3模块的操作来得到特征图feature map4，将特征图feature map4进行2倍的反卷积后与特征图feature map3进行concat拼接，之后进行4倍的反卷积来得到结果dec1，将特征图feature map4进行4倍的反卷积后与特征图feature map2进行concat拼接，之后，进行两倍的反卷积来得到结果dec2，将特征图feature map4进行8倍的反卷积，之后与特征图feature map1进行concat拼接来得到结果dec3，将结果dec1、dec2、dec3进行concat拼接，对所得到的特征图进行反卷积来得到特征图feature map，对特征图feature map使用sigmoid激活函数来进行输出。2.根据权利要求1所述的3D股骨头建模系统，其特征在于，使用CT图片来作为所述神经网络的输入，将所述CT图片的CT值的窗宽、窗位调整到窗位300Hu、窗宽500...

【专利技术属性】
技术研发人员：黄志俊，刘金勇，钱坤，范昕，
申请(专利权)人：杭州柳叶刀机器人有限公司，
类型：发明
国别省市：