一种基于课程学习及空间注意力的骨折假阳性筛除方法技术

本发明专利技术属于医学影像处理技术领域，具体为一种基于课程学习及空间注意力的假阳性筛除方法。本发明专利技术针对骨折检测时，检测模型因骨间相似性高易生成大量假阳性预测结果，提出假阳性筛除网络Rib

【技术实现步骤摘要】
一种基于课程学习及空间注意力的骨折假阳性筛除方法


[0001]本专利技术属于医学影像处理
，具体涉及一种基于课程学习及空间注意力的骨折假阳性筛除方法。

技术介绍

[0002]由于CT图像中骨折具有结构细微、骨间灰度分布相似性高等固有特性，导致现有的骨折检测网络对于真阳性骨折候选区域与假阳性骨折候选区域区分能力存在不足。另一方面，从骨折检测网络的工作原理分析，由于检测网络输入为滑窗裁剪后的图像块，大量图像块仅包含某段骨骼的部分裁剪单元，该图像块会因裁剪而出现断裂线条，线条的特征信息会影响网络对于骨折特征信息的学习。这些因素导致尽管现有的骨折检测网络能够实现较高的骨折检测灵敏度，但仍会输出较多的假阳性预测结果。在临床应用中，检测网络的假阳性预测结果过多可能会干扰医生的诊断，增加医生的诊断负担。
[0003]因此，本专利技术提供一种基于课程学习及空间注意力的假阳性筛除方法，从而有效筛除大量假阳性候选区域，实现良好的临床辅助诊断效果。
[0004]与本专利技术相关的现有技术有如下参考文献：
[0005][1]Ogul B B,Kosucu P,Ozcam A,et al.Lung Nodule Detection in X
‑
Ray Images:A New Feature Set[C].European Conference of the International Federation for Medical and Biological Engineering,2015.
[0006][2]Hamidian S,Sahiner B,Petrick N,et al.3D Convolutional Neural Network for Automatic Detection of Lung Nodules in Chest CT[C].Medical Imaging 2017:Computer
‑
Aided Diagnosis,2017.
[0007][3]Gong J,Liu J,Wang L,et al.Automatic detection of pulmonary nodules in CT images by incorporating 3D tensor filtering with local image feature analysis[J].Physical Medical European Journal of Medical Physics,2018,46:124
–
133.
[0008][4]何学才,金倞,李铭等.基于完全集成网络候选框的肋骨骨折检测方法[J].解剖学报，2022,53(3):396
‑
401。

技术实现思路

[0009]本专利技术的目的在于提出一种基于课程学习及空间注意力的骨折假阳性筛除方法，以筛除大量的骨折假阳性候选区域结果。
[0010]本专利技术提出的基于课程学习及空间注意力的骨折假阳性筛除方法，利用空间注意力机制提升3D ResNet50对骨折区域的特征学习能力；配合课程学习式的训练模式提升网络的分类能力；通过对真假阳性候选区域的有效分类，实现高效的假阳性筛除。
[0011]本专利技术中，空间注意力机制(见图2)的设计原理为：利用全局平均池化GloAvg()处理输入特征图像X得到特征图M，随后通过自适应函数Adaptive sigmoid()处理得到空间
注意力图谱S，由此对特征图X进行加权处理，得到空间注意力特征图X
′
，使得网络更关注于与病灶相关的特征，实现更好的病灶分类效果。
[0012]本专利技术提出的基于课程学习及空间注意力的假阳性筛除方法，具体步骤如下。
[0013]步骤1，首先对于图像进行预处理；包括强度归一化，直方图均衡化及裁剪图像块等；
[0014]具体地，把肋骨骨折CT图像分成许多小块像素，进行非线性拉伸，使局部的灰度直方图均匀分布；采用三阶样条插值法将所有体素重新采样为统一大小；采用最近邻插值法用于相应的分割标注；采用包括随机旋转、剪切、缩放、翻转操作的随机变换以增强数据。
[0015]步骤2，搭建网络模型；该网络模型包含3DResNet50网络和空间注意力机制模块SAM(见图1)，记为Rib
‑
FPRNet；3DResNet50网络由卷积层“7*7*7Conv64”、Conv，批标准化及非线性层BN/Relu，池化层Pool，全局平均池化GloAvgPool和全连接层FC2构成；该网络模型利用卷积、批标准化以及池化等操作获得输入图像的特征图，并结合空间注意力机制获得特征图的注意力特征图谱，随后通过全局平均池化和全连接操作获得分类置信度。
[0016]其中，空间注意力机制获得特征图的注意力特征图谱表示为：
[0017][0018]其中，X表示输入特征图像，X
′
为X经过全局平均池化GloAvg()及自适应激活函数Adaptive sigmoid()处理得到的注意力特征图；
[0019]损失函数计算公式如下：
[0020][0021]L
CE
为损失函数，y
i
∈{0,1}，表示样本i的真实类别，当样本为真阳性肋骨骨折区域时，y
i
为1，否则，y
i
为0；表示样本i预测为真阳性肋骨骨折区域的概率，N表示样本总数。
[0022]步骤3，根据置信度对训练集所有检测结果进行难易程度划分,首先在训练集上进行5折分类交叉训练网络模型Rib
‑
FPRNet，即每次以不同的20％的数据集作为验证集，通过5次预测不同的20％的数据集，得到训练集所有数据样本的分类置信度。再采用三个置信度阈值对样本难易程度进行区分，三个置信度阈值分别为0.8、0.5、0.2。对于真阳性骨折候选区域，预测置信度大于0.8时，该样本为非常简单样本；置信度在0.5至0.8之间时，该样本为简单样本；置信度在0.2至0.5之间时，该样本为困难样本；置信度小于0.2时，为非常困难样本。对于假阳性骨折候选区域，难易程度的划分标准则与上述标准相反。
[0023]其中，训练用损失函数定义如下：
[0024][0025]其中，y
i
∈{0,1}，表示样本i的真实类别，当样本为真阳性肋骨骨折区域时，y
i
为1，否则，y
i
为0。表示样本i预测为真阳性肋骨骨折区域的概率，N表示样本总数。
[0026]步骤4，网络Rib
‑
FPRNet的训练，采用基于课程学习式的训练方法；该网络首先以所有非常简单样本图像块X作为训练集，当训练拟合后，依次补充简单样本、困难样本、非常困难样本进行训练，由此得到模型参数；用训练好的网络Rib
‑
FPRNet，对骨折区域进行真假阳性分类。
[0027]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于课程学习及空间注意力的假阳性筛除方法，其特征在于，利用空间注意力机制提升3D ResNet50对骨折区域的特征学习能力；配合课程学习式的训练模式提升网络的分类能力；通过对真假阳性候选区域的有效分类，实现高效的假阳性筛除效果；所述空间注意力机制模拟人类视觉细胞观察物体的机制，将注意力集中于感兴趣区域，从而避免干扰信息对于网络性能的干扰；该机制利用空间注意力图谱对特征图进行加权处理，使得网络更关注于与病灶相关的特征，实现更好的病灶分类效果；具体步骤如下：步骤1，首先对于骨折CT图像进行预处理；包括强度归一化，直方图均衡化及裁剪图像块；步骤2，搭建网络模型；该网络模型包含3DResNet50网络和空间注意力机制模块SAM，记为Rib
‑
FPRNet；3DResNet50网络由卷积层“7*7*7Conv64”、Conv，批标准化及非线性层BN/Relu，池化层Pool，全局平均池化GloAvgPool和全连接层FC2构成；该网络模型利用卷积、批标准化以及池化操作获得输入图像的特征图，并结合空间注意力机制获得特征图的注意力特征图谱，随后通过全局平均池化和全连接操作获得分类置信度；其中，空间注意力机制获得特征图的注意力特征图谱表示为：其中，X表示输入特征图像，X
′
为X经过全局平均池化GloAvg()及自适应激活函数Adaptive sigmoid()处理得到的注意力特征图；步骤3，根据置信度对训练集所有检测结果进行难易程度划分,首先在训练集上进行5折分类交叉训练网络模型Rib
‑
FPRNet，即每次以不同的20％的数据集作为验证集，通过5次预测不同的20％的数据集，得到训练集所有数据样本的分类置信度；再采用三个置信度阈值对样本难易程度进行区分，三个置信度阈值分别为0.8、0.5、0.2；对于真阳性骨折候选区域，预测置信度大于0.8时，该样本为非常简单样本；置信度在0.5至0.8之间时，该样本为简单样本；置信度在0.2至0.5之间时，该样本为困难样本；置信度小于0.2时，为非常困难样本；对于假阳性骨折候选区域，难易程度的划分标准则与上述标准相反；步骤4，网络Rib
‑
FPRNet的训练，采用基于课程学习式的训练方法；首先以所有非常简单样本图像块X作为训练集，当训练拟合后，依次补充简单样本、困难样本、非常困难样本进行训练，由此得到模型参数；用训练好的网络Rib
‑

【专利技术属性】
技术研发人员：章琛曦，何学才，李铭，宋志坚，
申请(专利权)人：复旦大学，
类型：发明
国别省市：