一种利用CT图像检测骨质疏松的方法及装置制造方法及图纸

本发明专利技术公开了一种利用CT图像检测骨质疏松的方法及装置，所述检测骨质疏松的方法包括对腰椎样本CT图像进行超分辨率重建，利用ResNet18对腰椎重建图像进行分类等步骤，超分辨率重建网络包括浅层特征提取单元、深层特征提取单元和图像重构单元，深层特征提取单元中设有对称的MSRB模块和AEMSRB模块，AEMSRB模块连接在MSRB模块的下游，MSRB模块输出的特征图还通过短跳连输入对应的AEMSRB模块中；超分辨率重建网络具有特征融合效率高、参数量和运算量少、重建效果好等优点，提升了输入ResNet18的图像质量，有利于提升ResNet18对图像分类结果的准确率，进而提升对患者身体骨质疏松状况检测的准确率，满足实际诊疗的需要，缓解医疗资源紧张的局面。资源紧张的局面。

【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
x
))
[0021]F4＝f
r
([F1,F2],F3)
[0022]F5＝[σ
A3
(f
A23
(F4)),σ
A4
(f
A25
(F4)),K
X
][0023]N
n
＝σ
A5
(f
A11
(F5))+N
n
‑1[0024]其中，K
x
和N
n
‑1同时作为输入所述AEMSRB模块的特征图，K
x
代表与该AEMSRB模块对称的MSRB模块输出的特征图，N
n
为所述AEMSRB模块输出的特征图，f
A13
和f
A23
均表示卷积核大小为3*3的卷积操作，f
A15
和f
A25
均表示卷积核大小为5*5的卷积操作，f
A11
表示卷积核大小为1*1的卷积操作，σ
A1
、σ
A2
、σ
A3
、σ
A4
和σ
A5
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，f
MFM
表示MFM融合模块，所述MFM融合模块用于将F1、F2和K
x
融合，f
ca
表示通道注意力模块，f
r
([F1,F2],F3)表示F1与F2拼接后、再与F3融合。
[0025]AEMSRB模块内部的特征图通道数量变化与MSRB内部相似，第一次特征提取后输出的特征图F1和F2的通道数量均为64，拼接后二次特征提取，最后利用1*1卷积层降维为64。通过短跳连输入AEMSRB模块的特征图，同时输入MFM模块和AEMSRB模块尾部。
[0026]进一步地，所述MFM模块可表示为如下公式：
[0027]F
M1
＝σ
M1
(f
M1
([F1,F2,K
x
]))
[0028]F
M2
＝σ
M2
(F1+F2)
[0029]F
M
＝σ
M3
(f
M3
([F
M1
,F
M2
]))
[0030]其中，F1、F2和K
X
三个特征图均为所述MFM融合模块的输入，特征图F
M
为所述MFM融合模块的输出，f
M1
表示卷积核大小为1*1的卷积操作，f
M3
表示卷积核大小为3*3的卷积操作，σ
M1
、σ
M2
和σ
M3
均表示非线性激活函数ReLU，[
·
]表示对其中的特征图进行拼接操作。
[0031]在MFM模块内部，输入的F1、F2和K
x
通道数量均为64，三者拼接后通道数量为192，然后1*1卷积降维为64。另一方面，F1、F2相加激活，得到通道数量为64的特征图。最后再拼接，并利用3*3卷积特征提取，输出的特征图F
M
通道数量为128。考虑到不同AEMSRB模块中F1、F2包含的信息层次不同，通过短跳连输入不同MFM模块中的特征图所包含信息的层次也不同，所以本专利技术采用上述MFM模块结构设计，使得输入MFM模块的F1、F2和前端特征信息能够自适应地融合，最大程度地保留不同通道之间的关联信息，保证通道注意力模块的校准
效果。
[0032]进一步地，所述通道注意力模块包括第一支路和第二支路，所述第一支路包括顺次连接的全局最大池化层、第一全连接层、ReLU激活函数、第二全连接层和sigmoid激活函数，所述第一支路以所述MFM融合模块输出的特征图作为输入，生成输出第一通道注意力图；所述第二支路包括顺次连接的全局中值池化层、第三全连接层、ReLU激活函数、第四全连接层和sigmoid激活函数，全局中值池化层是求特征图通道方向各图层的中位数，所述第二支路以所述MFM融合模块输出的特征图作为输入，生成输出第二通道注意力图。
[0033]第一支路和第二支路中均包含两个全连接层，第一支路和第二支路的第一个全连接层的输入结点都为128个，输出结点都为48个，第二全连接层输入结点都为48个，输出结点都为128个。
[0034]进一步地，特征图F1与特征图F2拼接后得到的特征图，先与所述第一通道注意力图通过矩阵乘法融合，得到增强特征图，然后所述增强特征图再与所述第二通道注意力图通过矩阵乘法融合，得到特征图F4。
[0035]进一步地，所述深层特征提取单元还设有长跳跃连接，所述浅层特征图通过所述长跳跃连接与最后一个所述AEMSRB模块输出的特征图通过元素求和实现融合。
[0036]在本专利技术中，除亚像素卷积层外，其余卷积操作过程中，步长均为1，卷积操作前后特征图长宽尺寸不变。
[0037]本专利技术还提供了一种利用CT图像检测骨质疏松的装置，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的利用CT图像检测骨质疏松的方法。
[本文档来自技高网...

【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<...

【专利技术属性】
技术研发人员：袁兰，
申请(专利权)人：袁兰，
类型：发明
国别省市：