CT影像中肢体部位识别模型训练方法及系统技术方案

本发明专利技术涉及医学影像识别技术领域，提出一种CT影像中肢体部位识别模型训练方法及系统。方法包括：获取CT定位片图像；获取CT薄层序列图像，对CT薄层序列图像进行最大密度投影重建，得到三维最大密度投影图像；并将三维最大密度投影图像生成多个视角对应的多张二维最大密度投影图像；采用CT定位片图像和二维最大密度投影图像进行模型训练，得到肢体部位识别模型。系统包括，第一获取模块、第二获取模块和模型训练模块。本发明专利技术通过最大密度投影图像对训练样本补充，以解决训练样本不足的问题。以解决训练样本不足的问题。以解决训练样本不足的问题。

【技术实现步骤摘要】
CT影像中肢体部位识别模型训练方法及系统


[0001]本专利技术涉及医学影像识别
，尤其涉及一种CT影像中肢体部位识别模型训练方法及系统。

技术介绍

[0002]医学影像质量的好坏直接影响医生的诊断，影像中检查体位是否正确作为医学影像质量评价标准的最基本的内容，具有重要意义。在CT四肢检查中，生成的Dicom文件里记录的检查部位标识是四肢（即Extremity），并没有明确标识当前部位是左右手、左右腿、左右脚等具体部位，会造成检查部位的误检。

技术实现思路

[0003]为了解决上述技术问题或者至少部分地解决上述技术问题，本专利技术提供了一种CT影像中肢体部位识别模型训练方法及系统。
[0004]第一方面，本专利技术提供了一种CT影像中肢体部位识别模型训练方法，包括：获取CT定位片图像；获取CT薄层序列图像，对所述CT薄层序列图像进行最大密度投影重建，得到三维最大密度投影图像；并将所述三维最大密度投影图像生成多个视角对应的多张二维最大密度投影图像；采用所述CT定位片图像和所述二维最大密度投影图像进行模型训练，得到肢体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CT影像中肢体部位识别模型训练方法，其特征在于，包括：获取CT定位片图像；获取CT薄层序列图像，对所述CT薄层序列图像进行最大密度投影重建，得到三维最大密度投影图像；并将所述三维最大密度投影图像生成多个视角对应的多张二维最大密度投影图像；采用所述CT定位片图像和所述二维最大密度投影图像进行模型训练，得到肢体部位识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取CT定位片图像，包括：读取多个CT影像各自的文件信息，获取所述文件信息中的类型标识；从所述多个CT影像中筛选出所述类型标识为定位片标识的CT影像作为所述CT定位片图像。3.根据权利要求1所述的方法，其特征在于，所述采用所述CT定位片图像和所述二维最大密度投影图像进行模型训练，得到肢体部位识别模型，包括：对每一张所述CT定位片图像进行有效区域提取，得到每一张所述CT定位片图像对应的第一有效区域图像，并标记每一张所述第一有效区域图像对应的肢体部位类别；对每一张所述二维最大密度投影图像进行有效区域提取，得到每一张所述二维最大密度投影图像对应的第二有效区域图像，并标记每一张所述第二有效区域图像对应的肢体部位类别；根据各张所述第一有效区域图像、各张所述第二有效区域图像以及每张有效区域图像对应的肢体部位类别，进行模型训练，得到所述肢体部位识别模型。4.根据权利要求3所述的方法，其特征在于，所述根据各张所述第一有效区域图像、各张所述第二有效区域图像以及每张有效区域图像对应的肢体部位类别，进行模型训练，得到所述肢体部位识别模型，包括：采用各张所述第二有效区域图像及对应的肢体部位类别进行模型训练，得到基础模型；对所述基础模型中预设网络层以及所述预设网络层之前的网络结构进行冻结，采用各张所述第一有效区域图像及对应的肢体部位类别对所述基础模型中所述预设网络层之后的网络结构进行训练，得到所述肢体部位识别模型；其中，预设网络层以及所述预设网络层之前的网络结构具有特征提取能力，所述预设网络层之后的网络结构具有分类能力。5.根据权利要求3所述的方法，其特征在于，所述CT定位片图像和所述二维最大密度投影图像均为待处理图像，对每一张所述待处理图像进行有效区域提取，得到对应的有效区域图像，包括：对所述待处理图像进行二值化处理，得到二值化图像；采用光栅扫描法对所述二值化...

【专利技术属性】
技术研发人员：陈栋栋，冯健，赖永航，曹鸥，
申请(专利权)人：青岛美迪康数字工程有限公司，
类型：发明
国别省市：