【技术实现步骤摘要】
[0015]其中,K
n
‑1作为输入所述MSRB模块的特征图,K
n
为所述MSRB模块输出的特征图,f
13
和f
23
均表示卷积核大小为3*3的卷积操作,f
15
和f
25
均表示卷积核大小为5*5的卷积操作,f
11
表示卷积核大小为1*1的卷积操作,σ1、σ2、σ3和σ4均表示非线性激活函数ReLU,[
·
]表示对其中的特征图在通道方向上进行拼接操作。
[0016]当浅层特征图的通道数量为64时,在MSRB模块内部,靠近输入端的3*3卷积层和5*5卷积层先进行特征提取,输出的特征图均为64通道,拼接后的L1为128通道。然后靠近输出端的3*3卷积层和5*5卷积层再次进行特征提取,输出的特征图通道数均为128,拼接后的L2通道数量为256。然后利用1*1的卷积层进行降维,输出通道数量为64的特征图,使得输入和输出MSRB的特征图通道数量相同。在MSRB内部设置了残差连接,便于模型训练,同时避免梯度消失。
[0017]进一步地,所述AEMSRB模块的数学模型可表示为如下公式:
[0018]F1=σ
A1
(f
A13
(N
n
‑1))
[0019]F2=σ
A2
(f
A15
(N
n
‑1))
[0020]F3=f
ca
(f
MFM
(F1,F2,K ...
【技术保护点】
【技术特征摘要】
1.一种利用CT图像检测骨质疏松的方法,其特征是:包括以下步骤:A1、采集获取患者的腰椎样本CT图像,获取训练好的超分辨率重建网络,将所述腰椎样本CT图像输入所述超分辨率重建网络,利用所述超分辨率网络输出获得腰椎重建图像,所述腰椎重建图像的分辨率大于所述腰椎样本CT图像的分辨率;A2、训练ResNet18,然后获取训练好的ResNet18,将所述腰椎重建图像输入训练好的所述ResNet18,通过所述ResNet18对所述腰椎重建图像分类,实现对患者身体骨质疏松状况的检测;所述超分辨率重建网络包括:浅层特征提取单元,所述浅层特征提取单元位于所述超分辨率重建网络的的前端,所述浅层特征提取单元用于提取获得所述腰椎样本CT图像的浅层特征图;深层特征提取单元,所述深层特征提取单元设于所述浅层特征提取单元的下游端,所述深层特征提取单元用于对所述浅层特征图进行特征提取,获得深层特征图;所述深层特征提取单元包括MSRB模块和AEMSRB模块,多个所述MSRB模块首尾顺次连接,多个所述AEMSRB模块首尾顺次连接,所述AEMSRB模块连接于所述MSRB模块的下游端,所述MSRB模块与AEMSRB模块前后对称设置,所述MSRB模块输出的特征图还通过短跳连输入与其对称设置的AEMSRB模块中;图像重构单元,所述图像重构单元设于所述深层特征提取单元的下游端,所述图像重构单元用于接收所述深层特征图并进行超分辨率重建,输出获得所述腰椎重建图像。2.根据权利要求1所述的利用CT图像检测骨质疏松的方法,其特征是:所述MSRB模块的数学模型可表示为如下公式:L1=[σ1(f
13
(K
n
‑1)),σ2(f
15
(K
n
‑1))]L2=[σ3(f
23
(L1)),σ4(f
25
(L1))]K
n
=f
11
(L2)+K
n
‑1其中,K
n
‑1作为输入所述MSRB模块的特征图,K
n
为所述MSRB模块输出的特征图,f
13
和f
23
均表示卷积核大小为3*3的卷积操作,f
15
和f
25
均表示卷积核大小为5*5的卷积操作,f
11
表示卷积核大小为1*1的卷积操作,σ1、σ2、σ3和σ4均表示非线性激活函数ReLU,[
·
]表示对其中的特征图在通道方向上进行拼接操作。3.根据权利要求2所述的利用CT图像检测骨质疏松的方法,其特征是:所述AEMSRB模块的数学模型可表示为如下公式:F1=σ
A1
(f
A13
(N
n
‑1))F2=σ
A2
(f
A15
(N
n
‑1))F3=f
ca
(f
MFM
(F1,F2,K
x
))F4=f
r
([F1,F2],F3)F5=[σ
A3
(f
A23
(F4)),σ
A4
(f
A25
(F4)),K
X
]N
n
=σ
A5
(f
A11
(F5))+N
n
‑1其中,K
x
和N<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。