膝骨关节图像智能检测方法、装置、电子设备及可读介质制造方法及图纸

本发明专利技术提供一种膝骨关节图像智能检测方法、装置、电子设备及可读介质，包括对膝骨关节炎X光数据进行图像标注和增强处理，井按照比例构建训练集和验证集；引入残差融合模块，基于YOLOx神经网络结构框架构建膝骨关节炎X光识别模型；所述识别模型将YOLOx神经网络结构框架中的CSPDarknet模块用多组合残差融合网络ResXBlockNet进行替换，并在多组合残差融合网络ResXBlockNet中引入残差融合模块；基于训练集，进行训练得到训练完成的膝骨关节炎X光识别模型；对新采集的膝骨关节炎X光图片输入至训练完成的识别模型，输出膝骨关节图像智能检测结果。检测结果。检测结果。

【技术实现步骤摘要】
膝骨关节图像智能检测方法、装置、电子设备及可读介质


[0001]本专利技术涉及医学图像智能处理领域，具体地，涉及一种膝骨关节图像智能检测方法、装置、电子设备及可读介质。

技术介绍

[0002]膝骨关节炎(knee osteoarthritis，KOA)是一种严重影响中老年人生活质量的慢性退行性疾病。本病是一种多因素导致的全关节疾病，病因尚不明确，其发生与年龄、肥胖、炎症、创伤及遗传因素等有关。病理特点为关节软骨破坏、软骨下骨硬化或囊性变、关节边缘骨质增生、滑膜病变、关节囊挛缩、韧带松弛或挛缩、肌肉萎软无力等。
[0003]膝关节骨性关节炎的分级评分系统有多种，Kellgren
‑
Lawrence(KL)分级评分系统是最为广泛采用的方法。膝关节骨性关节炎的Kellgren
‑
Lawrence分级评分系统根据膝关节X线的表现将膝骨关节炎从轻到重分为5个等级：0级(正常的膝关节)、I级(有可疑的膝关节关节间隙狭窄现象，有可能出现骨赘，但较轻微)、II级(明确出现小的骨赘及可能的关节间隙狭窄)、III级(大量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种膝骨关节图像智能检测方法，其特征在于：包括以下步骤，步骤1，对膝骨关节炎X光数据进行图像标注和增强处理，井按照比例构建训练集和验证集；步骤2，引入残差融合模块，基于YOLOx神经网络结构框架构建膝骨关节炎X光识别模型；所述识别模型将YOLOx神经网络结构框架中的CSPDarknet模块用多组合残差融合网络ResXBlockNet进行替换，并在多组合残差融合网络ResXBlockNet中引入残差融合模块；步骤3，基于训练集，进行训练得到训练完成的膝骨关节炎X光识别模型；步骤4，对新采集的膝骨关节炎X光图片输入至训练完成的识别模型，输出膝骨关节图像智能检测结果。2.根据权利要求1所述膝骨关节图像智能检测方法，其特征在于：步骤1的实现方式为，获取膝骨关节X光图像数据并分为训练集和验证集，进行标注得到带标注图像数据；对带标注图像进行翻转、色域变换、高斯模糊、缩放尺寸并拼接的增强处理，得到增强后的数据集。3.根据权利要求1或2所述膝骨关节图像智能检测方法，其特征在于：所述膝骨关节炎X光识别模型包括多组合残差融合网络ResXBlockNet、特征金字塔FPN和检测头YoloHead；所述多组合残差融合网络ResXBlockNet中包括输入层、CBL模块以及5个残差融合模块ResxB，将输入层的输入的内容传入给CBL模块，并依次传入5个ResxB模块，ResXBlockNet经特征金字塔FPN进行的特征传输分为三部分，第一部分是第5个残差融合模块ResxB输出的数据直接传输给第一YoloHead；第二部分是第2个残差融合模块ResxB输出的数据及第5个残差融合模块ResxB输出的数据进行CBL和上采样操作，进行Concat连接后输入5个串联的CBL模块，进而输出给第二个YoloHead；第三部分是第1个残差融合模块ResxB块输出的数据和第二部分Concat连接后输入至5个串联的CBL模块后的数据进行Concat连接后输入至5个串联的CBL模块，此时的数据输出至第三个YoloHead进行处理。4.根据权利要求3所述膝骨关节图像智能检测方法，其特征...

【专利技术属性】
技术研发人员：王恒，油梦楠，尤昕源，汪骁虎，张普，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：