一种基于深度学习的脊髓损伤分析方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的脊髓损伤分析方法和装置。其中，该方法包括：制作数据集；对所述数据集进行预处理并调整待训练的脊髓分析神经网络参数；将预处理之后的数据集输入所述待训练的脊髓分析神经网络中进行模型训练；将脊髓损伤患者的实时医学影像图像作为所述训练后的脊髓分析神经网络的输入，以通过所述训练后的脊髓分析神经网络自动识别出脊髓损伤图像所在的位置、严重程度、以及损伤量大小。本发明专利技术利用大量影像数据，结合深度学习方法、纠错算法、定量分析算法以及图像对比算法自动检测出脊髓损伤图像所在的位置、严重程度、以及量大小，使得计算机智能定性、定量分析脊髓损伤成为现实。脊髓损伤成为现实。脊髓损伤成为现实。

【技术实现步骤摘要】
一种基于深度学习的脊髓损伤分析方法和装置


[0001]本专利技术实施例涉及计算机视觉和医学
，尤其涉及一种基于深度学习的脊髓损伤分析方法和装置。

技术介绍

[0002]随着对脊髓损伤的临床研究的不断深入，无论从脊髓损伤的机制、药物都有着长足的进步，但临床研究还停留在原始的“人工”，对脊髓损伤的诊断还停留在“经验学”、“肉眼预估”上，对脊髓损伤具体大小没有一个具体的量化，对同一层面的脊髓损伤信号没有具体程度的划分，然而对于一个专业的脊柱外科医生而言“经验学”、“肉眼预估”有着很大的局限性、随机性和不可控性，依据经验对脊髓损伤信号进行“粗糙”的诊断，不但会增加医生的工作量，还容易造成误诊、漏诊等问题。

技术实现思路

[0003]为了解决现有技术中的问题，本专利技术提供了一种基于深度学习的脊髓损伤分析方法和装置，以准确的检测识别出影像图像中是否存在脊髓并标记出脊髓损伤的位置、轻重、大小以及损伤严重程度，实现脊髓损伤从定性到定量的跨越、有效的缩短因临床经验程度对脊髓损伤诊断的差距以及提高诊断的正确率，减轻工作量，摆脱脊髓损伤诊疗的局限性、随机性和不可控性。
[0004]第一方面，本专利技术实施例提供了一种基于深度学习的脊髓损伤分析方法，包括：S1、利用包含脊髓伤的医学影像图像制作数据集；S2、对所述数据集进行预处理并调整待训练的脊髓分析神经网络参数；S3、将预处理之后的数据集输入所述待训练的脊髓分析神经网络中进行模型训练，以得到训练后的脊髓分析神经网络；S4、将脊髓损伤患者的实时医学影像图像作为所述训练后的脊髓分析神经网络的输入，以通过所述训练后的脊髓分析神经网络自动检测识别出包含脊髓损伤的影像图片、脊髓损伤在图像中的坐标信息、大小以及严重程度的Mask。
[0005]可选的，所述S1具体包括：从脊髓损伤患者的MRI影像检查图像数据中筛选出所有脊髓损伤图像，使用VIA工具标注出所述所有脊髓损伤图像中脊髓损伤的目标Mask；将所有标注好的脊髓损伤图像按照一定的数据格式制作成训练集。
[0006]可选的，该方法还包括：通过纠错算法对所述训练后的脊髓分析神经网络自动检测的结果进行纠错。
[0007]可选的，所述纠错算法包括：分别对比T2相和T2抑脂相检测识别的信号差异，再进行同一层面以及维度的对比，对比后匹配分析权重，从而纠正部分干扰物被错误识别为脊髓损伤的情况。
[0008]可选的，所述S3中的模型训练在具有GPU资源的电脑上面进行。
[0009]第二方面，本专利技术实施例还提供了一种基于深度学习的脊髓损伤分析装置，包括：数据集制作模块，用于利用包含脊髓伤的医学影像图像制作数据集；数据预处理以及参数调整模块，用于对所述数据集进行预处理并调整待训练的脊髓分析神经网络参数；模型训练模块，用于将预处理之后的数据集输入所述待训练的脊髓分析神经网络中进行模型训练，以得到训练后的脊髓分析神经网络；定量分析模块，用于将脊髓损伤患者的实时医学影像图像作为所述训练后的脊髓分析神经网络的输入，以通过所述训练后的脊髓分析神经网络自动检测识别包含脊髓损伤的影像图片、脊髓损伤在图像中的坐标信息、大小以及严重程度的Mask。
[0010]可选的，所述数据集制作模块具体用于：从脊髓损伤患者的MRI影像检查图像数据中筛选出所有脊髓损伤图像，使用VIA工具标注出所述所有脊髓损伤图像中脊髓损伤的目标Mask；将所有标注好的脊髓损伤图像按照一定的数据格式制作成训练集。
[0011]可选的，该装置还包括：纠错模块，用于通过纠错算法对所述训练后的脊髓分析神经网络自动检测的结果进行纠错。
[0012]可选的，所述纠错模块具体用于：分别对比T2相和T2抑脂相检测识别的信号差异，再进行同一层面以及维度的对比，对比后匹配分析权重，从而纠正部分干扰物被错误识别为脊髓损伤的情况。
[0013]本专利技术的有益效果：1、本专利技术通过训练好的神经网络可以准确的检测识别出影像图像中是否存在脊髓并标记出脊髓损伤的位置、轻重、大小以及损伤严重程度，识别过程速度快、精度高、定位准。
[0014]2、本专利技术脊髓损伤的测准确率高，分割效果好，在测试数据上面表现很好，400张脊髓损伤图像只有５张图像出现了漏检的情况。
[0015]3、本专利技术在医院提供的临床数据进行了临床测试，能够准确的筛选出所有脊髓损伤图像以及位置以及定量相关信息。临床医生只需要在终端看模型反馈结果，也可以根据经验适当修正，就能快速高效地实现对脊髓损伤从定性到定量的跨越、有效的缩短因临床经验程度对脊髓损伤诊断的差距以及提高诊断的正确率，减轻工作量，实现精细化，通过此方法为脊髓损伤诊疗提供有力依据。
附图说明
[0016]图1为本专利技术实施例提供的一种基于深度学习的脊髓损伤分析方法的流程图；图2为本专利技术实施例提供的一种用于脊髓分析神经网络的基本结构；图3为本专利技术实施例提供的脊髓损伤检测识别结果的的输入输出样例展示。
具体实施方式
[0017]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便
于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
实施例
[0018]图1为本专利技术实施例一提供的一种基于深度学习的脊髓损伤分析方法的流程图，具体包括如下步骤：S1、利用包含脊髓伤的医学影像图像制作数据集。
[0019]其中，上述医学影像图像可以为MRI影像图像，通过从脊髓损伤患者的MRI影像检查图像数据中选出所有脊髓损伤图片，使用VIA工具精细标注出所有筛选出的影像图像中的脊髓损伤的目标Mask。将所有标注好的脊髓损伤数据按照一定的数据格式制作成训练集。可选的，本实施例中的数据集可以采用COCO数据集的数据格式进行制作。所述的COCO数据集是一个大型的物体检测、分割和字符的数据集。
[0020]作为示例，本实施例中制作的数据集一共包括了3850张标注好的脊髓损伤图像作为神经网络的训练集。
[0021]S2、对所述数据集进行预处理并调整待训练的脊髓分析神经网络参数。
[0022]参见图2，本实施例中使用脊髓分析神经网络是结合脊髓损伤具有微小性，精细的实例分割网络，为了用上述制作好的数据集训练该神经网络，需要调整该神经网络的参数并输入。
[0023]S3、将预处理之后的数据集输入所述待训练的脊髓分析神经网络中进行模型训练，以得到训练后的脊髓分析神经网络。
[0024]具体的，将S1中制作的数据集作为待训练的脊髓分析神经网络的训练集，在有GPU资源的电脑上训练该神经网络，网络收敛之后，以得到训练后的脊髓分析神经网络。
[0025]作为示例，本实施例中使用了3090Ti显卡来训练神经网络，使用预训练模型累计训练了约40小时生成了最终的脊髓损伤智能诊断及定性、定量分析模型。
[0026]S4、将脊髓损伤患者的实时医学影像图像作为所述训练后的脊髓分析神经网络的输入，以通过所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的脊髓损伤分析方法，其特征在于，包括：S1、利用包含脊髓伤的医学影像图像制作数据集；S2、对所述数据集进行预处理并调整待训练的脊髓分析神经网络参数；S3、将预处理之后的数据集输入所述待训练的脊髓分析神经网络中进行模型训练，以得到训练后的脊髓分析神经网络；S4、将脊髓损伤患者的实时医学影像图像作为所述训练后的脊髓分析神经网络的输入，以通过所述训练后的脊髓分析神经网络自动检测识别出包含脊髓损伤的影像图片、脊髓损伤在图像中的坐标信息、大小以及严重程度的Mask。2.根据权利要求1所述的方法，其特征在于，所述S1具体包括：从脊髓损伤患者的MRI影像检查图像数据中筛选出所有脊髓损伤图像，使用VIA工具标注出所述所有脊髓损伤图像中脊髓损伤的目标Mask；将所有标注好的脊髓损伤图像按照一定的数据格式制作成训练集。3.根据权利要求1所述的方法，其特征在于，在所述S4之后，还包括：通过纠错算法对所述训练后的脊髓分析神经网络自动检测的结果进行纠错。4.根据权利要求3所述的方法，其特征在于，所述纠错算法包括：分别对比T2相和T2抑脂相检测识别的信号差异，再进行同一层面以及维度的对比，对比后匹配分析权重，从而纠正部分干扰物被错误识别为脊髓损伤的情况。5.根据权利要求1所述的方法，其特征在于，所述S3中的模型训练在具有GPU资源的电脑上面进行。...

【专利技术属性】
技术研发人员：王艺瑾，卢旭华，杨海松，韩霖，孙钰岭，
申请(专利权)人：上海长征医院，
类型：发明
国别省市：