一种X光片桡骨远端骨折自动快速诊断方法技术

本发明专利技术公开了一种X光片桡骨远端骨折自动快速诊断方法，通过结合深度学习与图像分析处理技术，使用三层U

【技术实现步骤摘要】
一种X光片桡骨远端骨折自动快速诊断方法


[0001]本专利技术涉及一种X光片桡骨远端骨折诊断方法，尤其是涉及一种X光片桡骨远端骨折自动快速诊断方法。

技术介绍

[0002]文献“基于深度学习的桡骨远端骨折自动分型研究_杨锋”中公开了一种X光片桡骨远端骨折自动快速诊断方法该方法将整个手腕部的X光片作为输入，然后使用DFR
‑
Net深度学习模型同时对桡骨远端骨折的A型、B型和C型进行分类，从而实现诊断。但是，上述方法直接对整体X光片进行判断，而桡骨远端区域在整体X光片中的比例较小，不容易自动的获取核心特征，且整体X光片中干扰因素较多，以致该方法总体平均分类准确率较低，只有84.2％，同时该方法也没有对正常、A型、B型和C型单独的准确率进行描述，只有一个总体平均准确率，无法给后续准确率优化提升提供有力的技术数据。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种分类准确率高，且能够对正常、A型、B型和C型单独的准确率进行描述，能够为后续准确率优化提升提供有力的技术数据的X光片桡骨远端骨折自动快速诊断方法。
[0004]本专利技术解决上述技术问题所采用的技术方案为：一种X光片桡骨远端骨折自动快速诊断方法，包括以下步骤：
[0005]步骤1.对用于分割训练的手腕部X光片图像进行预处理，具体步骤为：
[0006]1.1、获取用于分割训练的500张手腕部X光片图像和每张手腕部X光片图像对应的三张分割掩码图，三张分割掩码图分别为“桡骨”与“腕骨”整体区域分割掩码图、“桡骨远端”区域分割掩码图和“关节面”区域分割掩码图，其中“桡骨”与“腕骨”整体区域分割掩码图通过人工在手腕部X光片图像中将“桡骨”与“腕骨”作为一个整体区域分割标注好得到；
[0007]1.2、将每张手腕部X光片图像和其对应的三张分割掩码图均调整为正方形图像，具体方法如下：
[0008]1)获取手腕部X光片图像的宽w和高h；
[0009]2)判断手腕部X光片图像的宽w和高h是否相等，如果相等则表明其为正方形图像，不做处理，如果h大于w，则在手腕部X光片图像左右分别扩展(h
‑
w)/2宽度黑色像素，使其为正方形图像；如果w大于h，则在手腕部X光片图像上下分别扩展(w
‑
h)/2高度黑色像素，使其为正方形图像；
[0010]1.3、将步骤1.2得到的所有手腕部X光片图像和对应分割掩码图全部进行缩放，使所有手腕部X光片图像和对应的三张分割掩码图的分辨率大小均为224*224；
[0011]1.4、将步骤1.3得到的所有手腕部X光片图像分别进行归一化处理，即将所有手腕部X光片图像的每个像素值均除以255，得到每个手腕部X光片图像的归一化图像，此时得到500张归一化图像，每张归一化图像与归一化处理前的手腕部X光片图像对应的三张分割掩
码图相对应；
[0012]步骤2.训练分割模型，具体过程为：
[0013]2.1、从500张归一化图像中随机获取16张归一化图像和16张归一化图像对应的分割掩码图，并对每张归一化图像和其对应的三张分割掩码图进行相同的数据增广操作，其中，数据增广操作为随机上下左右进行15％范围的平移操作、随机30度以内的旋转操作以及拉伸系数为
‑
5到5的拉伸操作这三种操作中任意一种或者至少两种的随机组合；
[0014]2.2、将数据增广操作后的16张归一化图像和对应的分割掩码图同时输入到端到端分割网络中进行训练，其中所述的端到端分割网络为使用三个结构相同的扩展U
‑
Net按照从上到下顺序级联形成的三层级联的分割网络结构，最上层扩展U
‑
Net用于对“桡骨”与“腕骨”组成的一个整体对象进行分割，其输入的是数据增广操作后的归一化图像和对应的“桡骨”与“腕骨”整体区域分割掩码图，输出的分割预测结果为像素属于“桡骨”和“腕骨”整体区域的概率图；中间层扩展U
‑
Net用于对“桡骨远端”进行分割，其输入的是最上层扩展U
‑
Net输出的分割预测结果、与最上层扩展U
‑
Net一致的数据增广操作后的归一化图像和对应的“桡骨远端”区域分割掩码图，输出的分割预测结果为像素属于“桡骨远端”的概率图；最下层扩展U
‑
Net用于对“关节面”区域进行分割，输入的是中间层扩展U
‑
Net输出的分割预测结果、与最上层扩展U
‑
Net一致的数据增广操作后的归一化图像和对应的“关节面”区域分割掩码图，输出的分割预测结果为像素属于“关节面”的概率图；每个扩展U
‑
Net分别包括从上到下依次设置的5层编码端与5层解码端，每层编码端分别使用DenseNet结构实现，每层编码端用于对输入其内的图像进行最大化池化操作，将图像分辨率缩小为一半后输出，且下一层编码端输入的图像为上一层编码端输出的图像，每一层解码端进行一次传统的图像卷积操作，卷积核大小为3*3，激活采用ReLU方式，，再将输入其内的图像通过双线性差值的上采样操作将分辨率扩大一倍后输出，且上一层解码端输入的图像为下一层解码端输出的图像，每个扩展U
‑
Net中，最上层的编码端的输入为该扩展U
‑
Net的输入，最上层解码端的输出为该扩展U
‑
Net的输出；
[0015]2.3、重复步骤2.1和2.2 10000次后停止，得到训练好的端到端分割网络，该端到端分割网络即为分割模型；
[0016]3.训练分类模型，具体过程为：
[0017]3.1、获取步骤1.1中的500张手腕部X光片图像和对应的“桡骨远端”区域分割掩码图和“关节面”区域分割掩码图；
[0018]3.2、将每张手腕部X光片图像对应的“桡骨远端”区域分割掩码图和“关节面”区域分割掩码图求差后得到“非关节面”区域分割掩码图；
[0019]3.3、人工对所有“非关节面”区域分割掩码图和“关节面”区域分割掩码图进行是否骨折的标注；
[0020]3.4、根据每张手腕部X光片图像对应的“非关节面”区域分割掩码图和“关节面”区域分割掩码图在每张手腕部X光片图像中获取“非关节面”和“关节面”对应的最小矩形框；
[0021]3.5、根据最小矩形框在手腕部X光片图像获取到“关节面”图像和“非关节面”图像这两个图像；
[0022]3.6、使用步骤1.2相同的方法将获取的每张“关节面”图像和“非关节面”图像都调整为正方形图像；
[0023]3.7、将所有调整后的“关节面”图像和“非关节面”图像均缩放到分辨率大小为64*64；
[0024]3.8、将步骤3.7得到的所有“关节面”图像和“非关节面”图像均进行归一化处理，即将所有“关节面”图像和“非关节面”图像的每个像素值均除以255，得到每张“关节面”图像和“非关节面”图像的归一化图像；此时得到500张“关节面”图像的归一化图像和5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种X光片桡骨远端骨折自动快速诊断方法，其特征在于包括以下步骤：步骤1.对用于分割训练的手腕部X光片图像进行预处理，具体步骤为：1.1、获取用于分割训练的500张手腕部X光片图像和每张手腕部X光片图像对应的三张分割掩码图，三张分割掩码图分别为“桡骨”与“腕骨”整体区域分割掩码图、“桡骨远端”区域分割掩码图和“关节面”区域分割掩码图，其中“桡骨”与“腕骨”整体区域分割掩码图通过人工在手腕部X光片图像中将“桡骨”与“腕骨”作为一个整体区域分割标注好得到；1.2、将每张手腕部X光片图像和其对应的三张分割掩码图均调整为正方形图像，具体方法如下：1)获取手腕部X光片图像的宽w和高h；2)判断手腕部X光片图像的宽w和高h是否相等，如果相等则表明其为正方形图像，不做处理，如果h大于w，则在手腕部X光片图像左右分别扩展(h
‑
w)/2宽度黑色像素，使其为正方形图像；如果w大于h，则在手腕部X光片图像上下分别扩展(w
‑
h)/2高度黑色像素，使其为正方形图像；1.3、将步骤1.2得到的所有手腕部X光片图像和对应分割掩码图全部进行缩放，使所有手腕部X光片图像和对应的三张分割掩码图的分辨率大小均为224*224；1.4、将步骤1.3得到的所有手腕部X光片图像分别进行归一化处理，即将所有手腕部X光片图像的每个像素值均除以255，得到每个手腕部X光片图像的归一化图像，此时得到500张归一化图像，每张归一化图像与归一化处理前的手腕部X光片图像对应的三张分割掩码图相对应；步骤2.训练分割模型，具体过程为：2.1、从500张归一化图像中随机获取16张归一化图像和16张归一化图像对应的分割掩码图，并对每张归一化图像和其对应的三张分割掩码图进行相同的数据增广操作，其中，数据增广操作为随机上下左右进行15％范围的平移操作、随机30度以内的旋转操作以及拉伸系数为
‑
5到5的拉伸操作这三种操作中任意一种或者至少两种的随机组合；2.2、将数据增广操作后的16张归一化图像和对应的分割掩码图同时输入到端到端分割网络中进行训练，其中所述的端到端分割网络为使用三个结构相同的扩展U
‑
Net按照从上到下顺序级联形成的三层级联的分割网络结构，最上层扩展U
‑
Net用于对“桡骨”与“腕骨”组成的一个整体对象进行分割，其输入的是数据增广操作后的归一化图像和对应的“桡骨”与“腕骨”整体区域分割掩码图，输出的分割预测结果为像素属于“桡骨”和“腕骨”整体区域的概率图；中间层扩展U
‑
Net用于对“桡骨远端”进行分割，其输入的是最上层扩展U
‑
Net输出的分割预测结果、与最上层扩展U
‑
Net一致的数据增广操作后的归一化图像和对应的“桡骨远端”区域分割掩码图，输出的分割预测结果为像素属于“桡骨远端”的概率图；最下层扩展U
‑
Net用于对“关节面”区域进行分割，输入的是中间层扩展U
‑
Net输出的分割预测结果、与最上层扩展U
‑
Net一致的数据增广操作后的归一化图像和对应的“关节面”区域分割掩码图，输出的分割预测结果为像素属于“关节面”的概率图；每个扩展U
‑
Net分别包括从上到下依次设置的5层编码端与5层解码端，每层编码端分别使用DenseNet结构实现，每层编码端用于对输入其内的图像进行最大化池化操作，将图像分辨率缩小为一半后输出，且下一层编码端输入的图像为上一层编码端输出的图像，每一层解码端进行一次传统的图像卷积操作，卷积核大小为3*3，激活采用ReLU方式，，再将输入其内的图像通过双线性差值的
上采样操作将分辨率扩大一倍后输出，且上一层解码端输入的图像为下一层解码端输出的图像，每个扩展U
‑
Net中，最上层的编码端的输入为该扩展U
‑
Net的输入，最上层解码端的输出为该扩展U
‑
Net的输出；2.3、重复步骤2.1和2.2 10000次后停止，得到训练好的端到端分割网络，该端到端分割网络即为分割模型；3.训练分类模型，具体过程为：3.1、获取步骤1.1中的500张手腕部X光片图像和对应的“桡骨远端”区域分割掩码图和“关节面”区域分割掩码图；3.2、将每张手腕部X光片图像对应的“桡骨远端”区域分割掩码图和“关节面”区域分割掩码图求差后得到“非关节面”区域分割掩码图；3.3、人工对所有“非关节面”区域分割掩码图和“关节面”区域分割掩码图进行是否骨折的标注；3.4、根据每张手腕部X光片图像对应的“非关节面”区域分割掩码图和“关节面”区域分割掩码图在每张手腕部X光片图像中获取“非关节面”和“关节面”对应的最小矩形框；3.5、根据最小矩形框在手腕部X光片图像获取到“关节面”...

【专利技术属性】
技术研发人员：刘云鹏，干开丰，王宇，李瑾，杨亿栋，徐逸群，梁新龙，刘畅，罗德旺，童书阳，沈琬琳，钱俊杰，
申请(专利权)人：宁波工程学院，
类型：发明
国别省市：