一种基于深度学习的膝关节骨肿瘤检测方法及相关装置制造方法及图纸

本申请公开了一种基于深度学习的膝关节骨肿瘤检测方法及相关装置，所述方法包括获取待识别的膝关节X光图像；分别将所述膝关节X光图像输入若干骨肿瘤检测模型，通过各骨肿瘤检测模型确定所述膝关节X光图像对应的候选预测区域及其对应的置信度；采用非极大抑制处理对获取到的所有候选预测区域进行筛选，以得到骨肿瘤区域。本申请通过经过训练的骨肿瘤检测模型确定若干候选预测区域，然后在采用非极大抑制处理对若干候选预测区域进行处理得到骨肿瘤区域，这样可以提高骨肿瘤区域检测的准确性，减少临床上对骨肿瘤的漏诊。减少临床上对骨肿瘤的漏诊。减少临床上对骨肿瘤的漏诊。

【技术实现步骤摘要】
一种基于深度学习的膝关节骨肿瘤检测方法及相关装置


[0001]本申请涉及生物医学
，特别涉及一种基于深度学习的膝关节骨肿瘤检测方法及相关装置。

技术介绍

[0002]骨肿瘤是一组原发或继发于骨的肿瘤性病变，骨肿瘤是小于20岁的癌症患者的第三大死因。骨肿瘤具有罕见性，临床医生的诊断经验相对缺乏，加之不同骨肿瘤在影像学和病理学上的相似特征较多，因此，骨肿瘤检测复杂性高以及难度大，特别是对一些不明显的骨肿瘤病灶，极易造成漏诊或误诊。
[0003]目前骨肿瘤的检查方法普遍是基于平片、CT及MRI等的影像学检查和病理学检查，其中，平片从整体上展示了骨肿瘤的全貌，提供了检测的独特信息，例如，包括病变的部位、形态、密度、边缘、周围骨质情况以及骨膜新生骨等，并且平片相比CT和MRI方便、价格低廉，从而平片是初诊时对骨肿瘤进行筛查的重要手段。然而，在基于平片对对骨肿瘤进行筛查时，普遍通过临床医生人工筛查，这样一方面非常依赖医生的临床经验，另一方也会存在因人为失误而产生的错检或者漏检的问题。
[0004]因而现有技术还有待改进和提高。

技术实现思路

[0005]本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于深度学习的膝关节骨肿瘤检测方法及相关装置。
[0006]为了解决上述技术问题，本申请实施例第一方面提供了一种基于深度学习的膝关节骨肿瘤检测方法，所述的方法包括：
[0007]获取待识别的膝关节X光图像；
[0008]分别将所述膝关节X光图像输入若干骨肿瘤检测模型，通过各骨肿瘤检测模型确定所述膝关节X光图像对应的候选预测区域及其对应的置信度；
[0009]采用非极大抑制处理对获取到的所有候选预测区域进行筛选，以得到骨肿瘤区域。
[0010]所述的基于深度学习的膝关节骨肿瘤检测方法，其中，所述若干骨肿瘤检测模型中的各骨肿瘤检测模型的模型结构相同，各骨肿瘤检测模型的模型参数为基于不同训练样本集训练得到的。
[0011]所述的基于深度学习的膝关节骨肿瘤检测方法，其中，所述采用非极大抑制处理对获取到的所有候选预测区域进行筛选，以得到骨肿瘤区域具体包括：
[0012]获取各候选预测区域的区域位置，其中，所述区域位置用于反映候选预测区域在膝关节X光图像上的位置信息；
[0013]基于各候选预测区域的区域位置以及置信度，对所有候选预测区域进行筛选，以得到骨肿瘤区域。
[0014]所述的基于深度学习的膝关节骨肿瘤检测方法，其中，所述骨肿瘤检测模型确定候选预测区域及其对应的置信度的过程具体包括：
[0015]通过骨肿瘤检测模型确定若干特征图，其中，若干特征图中各特征图的图像尺寸互不相同；
[0016]基于若干特征图确定所述膝关节X光图像对应的候选预测区域及其对应的置信度。
[0017]所述的基于深度学习的膝关节骨肿瘤检测方法，其中，所述骨肿瘤检测模型为基于预设训练样本集训练得到的，所述预设训练样本集包括若干训练膝关节X光图像以及若干扩充训练膝关节X光图像，其中，扩充训练膝关节X光图像为基于训练膝关节X光图像以及正常膝关节X光图像生成的。
[0018]所述的基于深度学习的膝关节骨肿瘤检测方法，其中，所述扩充训练膝关节X光图像的生成过程具体包括：
[0019]获取正常膝关节X光图像，并通过经过训练的膝关节骨骼分割模型确定所述正常膝关节X光图像对应的膝关节骨骼分割图像；
[0020]在若干训练膝关节X光图像中选取一候选训练膝关节X光图像，将所述候选训练膝关节X光图像中的骨肿瘤区域粘贴于所述正常膝关节X光图像，以得到扩充训练膝关节X光图像。
[0021]所述的基于深度学习的膝关节骨肿瘤检测方法，其中，所述将所述候选训练膝关节X光图像中的骨肿瘤区域粘贴于所述正常膝关节X光图像，以得到扩充训练膝关节X光图像具体为：
[0022]对所述候选训练膝关节X光图像中的骨肿瘤区域进行调整，并将调整后的骨肿瘤区域粘贴于所述正常膝关节X光图像，以得到扩充训练膝关节X光图像。
[0023]本申请实施例第二方面提供了一种基于深度学习的膝关节骨肿瘤检测装置，所述的装置包括：
[0024]获取模块，用于获取待识别的膝关节X光图像；
[0025]确定模块，用于将所述膝关节X光图像输入若干骨肿瘤检测模型，通过各骨肿瘤检测模型确定所述膝关节X光图像对应的候选预测区域及其对应的置信度；
[0026]处理模块，用于采用非极大抑制处理对获取到的所有候选预测区域进行筛选，以得到骨肿瘤区域。
[0027]本申请实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于深度学习的膝关节骨肿瘤检测方法中的步骤。
[0028]本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
[0029]所述通信总线实现处理器和存储器之间的连接通信；
[0030]所述处理器执行所述计算机可读程序时实现如上任一所述的基于深度学习的膝关节骨肿瘤检测方法中的步骤。
[0031]有益效果：与现有技术相比，本申请提供了一种基于深度学习的膝关节骨肿瘤检测方法及相关装置，所述方法包括获取待识别的膝关节X光图像；分别将所述膝关节X光图
像输入若干骨肿瘤检测模型，通过各骨肿瘤检测模型确定所述膝关节X光图像对应的候选预测区域及其对应的置信度；采用非极大抑制处理对获取到的所有候选预测区域进行筛选，以得到骨肿瘤区域。本申请通过经过训练的骨肿瘤检测模型确定若干候选预测区域，然后在采用非极大抑制处理对若干候选预测区域进行处理得到骨肿瘤区域，这样可以提高骨肿瘤区域检测的准确性，减少临床上对骨肿瘤的漏诊。
附图说明
[0032]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本申请提供的基于深度学习的膝关节骨肿瘤检测方法的流程图。
[0034]图2为本申请提供的基于深度学习的膝关节骨肿瘤检测方法中的扩充训练膝关节X光图像的获取过程的流程图。
[0035]图3为为本申请提供的基于深度学习的膝关节骨肿瘤检测方法中的骨肿瘤检测模型的一个示例图。
[0036]图4为本申请提供的基于深度学习的膝关节骨肿瘤检测装置的结构原理图。
[0037]图5为本申请提供的终端设备的结构原理图。
具体实施方式
[0038]本申请提供一种基于深度学习的膝关节骨肿瘤检测方法及相关装置，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的膝关节骨肿瘤检测方法，其特征在于，所述的方法包括：获取待识别的膝关节X光图像；分别将所述膝关节X光图像输入若干骨肿瘤检测模型，通过各骨肿瘤检测模型确定所述膝关节X光图像对应的候选预测区域及其对应的置信度；采用非极大抑制处理对获取到的所有候选预测区域进行筛选，以得到骨肿瘤区域。2.根据权利要求1所述的基于深度学习的膝关节骨肿瘤检测方法，其特征在于，所述若干骨肿瘤检测模型中的各骨肿瘤检测模型的模型结构相同，各骨肿瘤检测模型的模型参数为基于不同训练样本集训练得到的。3.根据权利要求1所述的基于深度学习的膝关节骨肿瘤检测方法，其特征在于，所述采用非极大抑制处理对获取到的所有候选预测区域进行筛选，以得到骨肿瘤区域具体包括：获取各候选预测区域的区域位置，其中，所述区域位置用于反映候选预测区域在膝关节X光图像上的位置信息；基于各候选预测区域的区域位置以及置信度，对所有候选预测区域进行筛选，以得到骨肿瘤区域。4.根据权利要求1所述的基于深度学习的膝关节骨肿瘤检测方法，其特征在于，所述骨肿瘤检测模型确定候选预测区域及其对应的置信度的过程具体包括：通过骨肿瘤检测模型确定若干特征图，其中，若干特征图中各特征图的图像尺寸互不相同；基于若干特征图确定所述膝关节X光图像对应的候选预测区域及其对应的置信度。5.根据权利要求1所述的基于深度学习的膝关节骨肿瘤检测方法，其特征在于，所述骨肿瘤检测模型为基于预设训练样本集训练得到的，所述预设训练样本集包括若干训练膝关节X光图像以及若干扩充训练膝关节X光图像，其中，扩充训练膝关节X光图像为基于训练膝关节X光图像以及正常膝关节X光图像生成的。6.根据权利要求5所述的基于深度学习的膝关节骨肿瘤检测方法，其特征在于，所述扩充训练膝关节X光图像的生成过程...

【专利技术属性】
技术研发人员：黄炳升，厉兵，高振华，徐丹阳，朱东润，林鸿新，刘锐豪，
申请(专利权)人：深圳大学，
类型：发明
国别省市：