胸部CT骨折检测优化的方法、装置及设备制造方法及图纸

本说明书实施例公开了一种胸部CT骨折检测优化的方法、装置及设备，所述方法包括：将待检图像输入预设的检测模型，得到肋骨骨折的检出结果，根据所述检出结果，从所述待检图像中获取所述目标候选框所在局部的目标图像块，并得到所述目标图像块的目标特征向量和补充特征向量，将所述目标特征向量与所述补充特征向量拼接后，输入预设的决策树模型，得到所述目标候选框的目标预测置信度，以确定是否保留所述目标候选框。本说明书实施例的技术方案，可以在不增加假阳检出的情况下，检出隐匿性骨折，提高检出准确率。提高检出准确率。提高检出准确率。

【技术实现步骤摘要】
胸部CT骨折检测优化的方法、装置及设备


[0001]本说明书涉及医学影像检测领域，尤其涉及一种胸部CT骨折检测优化的方法、装置及设备。

技术介绍

[0002]在医学实践中，常利用胸部电子计算机断层扫描(Computed Tomography，CT)图像辅助诊断肋骨骨折，为治疗伤病和外伤鉴定提供依据。
[0003]肋骨骨折一般由外伤导致，有些肋骨因所受到外力差异而出现较为隐匿的骨折。在利用深度学习的神经网络模型检测肋骨骨折时，由于这类隐匿性的骨折的预测分值普遍较低，需要降低检测模型的阈值才能检出，然而降低模型的阈值会引入不必要的假阳性检出，导致检出准确率下降。
[0004]因此，提高隐匿性骨折的检出率和准确率是亟需解决的问题。

技术实现思路

[0005]本说明书实施例提供一种胸部CT骨折检测优化的方法、装置及设备，用于解决检出隐匿性骨折的问题，以达到在不增加假阳检出的情况下，检出隐匿性骨折，提高检出准确率的技术效果。
[0006]为解决上述技术问题，本说明书实施例是这样实现的：
[0007]本说明书实施例提供一种胸部CT骨折检测优化的方法，所述方法包括：
[0008]将待检图像输入预设的检测模型，得到肋骨骨折的检出结果，所述检出结果中包括目标候选框以及与所述目标候选框相邻近的多个邻近候选框；
[0009]根据所述检出结果，从所述待检图像中获取所述目标候选框所在局部的目标图像块，将所述目标图像块输入预设的特征提取网络，得到所述目标图像块的目标特征向量；/>[0010]根据所述检出结果，确定所述目标候选框与所述邻近候选框之间的关联信息，根据所述关联信息得到补充特征向量；
[0011]将所述目标特征向量与所述补充特征向量拼接后，输入预设的决策树模型，得到所述目标候选框的目标预测置信度；
[0012]根据所述目标预测置信度确定是否保留所述目标候选框。
[0013]可选地，所述关联信息包括第一向量和第二向量，其中，
[0014]所述第一向量为，按所述目标候选框与K个所述邻近候选框的距离由近及远的顺序，分别计算所述目标候选框与K个所述邻近候选框的肋骨编号之差而得到的K维特征向量；
[0015]所述第二向量为，按所述目标候选框与K个所述邻近候选框的距离由近及远的顺序，分别计算所述目标候选框与K个所述邻近候选框的三维坐标差得到K个三维向量，并将所述K个三维向量拼接而得到的3*K维特征向量；
[0016]其中，若所述邻近候选框的数目不足K个，则在所述第一向量和所述第二向量中的
对应位置补零。
[0017]可选地，所述检出结果还包括多个所述邻近候选框分别对应的多个预测置信度，所述关联信息还包括第三向量，所述第三向量为由K个所述邻近候选框的预测置信度构成的K维特征向量，其中，若所述邻近候选框的数目不足K个，则在所述第三向量中的对应位置补零。
[0018]可选地，所述根据所述关联信息得到补充特征向量，包括：
[0019]将所述第一向量、所述第二向量和所述第三向量中的任一向量作为补充特征向量，或，将所述第一向量、所述第二向量和所述第三向量中的至少两个向量拼接后作为补充特征向量。
[0020]可选地，所述决策树模型为梯度提升决策树模型，所述梯度提升决策树模型包括多个决策树，并输出所述多个决策树预测结果的累加值。
[0021]可选地，所述检测模型包括特征图提取部分和预测部分，所述特征图提取部分为特征金字塔网络结构，所述预测部分的阈值设置允许输出低置信度的病灶候选框。
[0022]可选地，所述检测模型的预测部分包括分类网络，所述分类网络在训练阶段采用了难例挖掘机制，且损失函数为焦点损失函数。
[0023]可选地，所述将所述目标图像块输入预设的特征提取网络，得到所述目标图像块的目标特征向量，包括：
[0024]将所述目标图像块输入三维卷积神经网络，提取最后一层的全联接层的输出特征，得到所述目标图像块的目标特征向量。
[0025]本说明书实施例还提供一种胸部CT骨折检测优化的装置，所述装置包括：
[0026]检测模块，被配置为将待检图像输入预设的检测模型，得到肋骨骨折的检出结果，所述检出结果中包括目标候选框以及与所述目标候选框相邻近的多个邻近候选框；
[0027]目标特征模块，被配置为根据所述检出结果，从所述待检图像中获取所述目标候选框所在局部的目标图像块，将所述目标图像块输入预设的特征提取网络，得到所述目标图像块的目标特征向量；
[0028]补充特征模块，被配置为根据所述检出结果，确定所述目标候选框与所述邻近候选框之间的关联信息，根据所述关联信息得到补充特征向量；
[0029]预测模块，被配置为将所述特征向量与所述补充特征向量拼接后，输入决策树模型，得到所述目标候选框的目标预测置信度；
[0030]优化模块，被配置为根据所述目标预测置信度确定是否保留所述目标候选框。
[0031]本说明书实施例还提供一种胸部CT骨折检测优化的设备，所述设备包括：
[0032]至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
[0033]其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，使所述至少一个处理器能够执行如前所述的胸部CT骨折检测优化的方法。
[0034]本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：针对初筛的每个候选框重新预测置信度，由于在预测时不仅利用目标候选框自身的特征向量，还利用了肋骨骨折空间的分布特性而得到的补充特征向量，因而可以提高对目标候选框的预测准确度，进而解决隐匿性骨折的检出率和准确率的问题。经过实际验证，在平均每个病例为
一个假阳性检出的水平下，应用本说明书的实施例的技术方案较经典方案，对隐匿性骨折的检出率提高3～5个百分点。
附图说明
[0035]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为发生骨折的肋骨图像；
[0037]图2为多个肋骨不同程度骨折的图像；
[0038]图3为本说明书实施例的胸部CT骨折检测优化的方法流程图；
[0039]图4为本说明书实施例中具有特征金字塔网络结构的检测模型示意图；
[0040]图5为本公开实施例中从目标图像块提取目标特征向量的示意图；
[0041]图6为本公开实施例采用梯度提升决策树进行预测的示意图；
[0042]图7为本公开实施例胸部CT骨折检测优化的装置框图。
具体实施方式
[0043]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种胸部CT骨折检测优化的方法，其特征在于，所述方法包括：将待检图像输入预设的检测模型，得到肋骨骨折的检出结果，所述检出结果中包括目标候选框以及与所述目标候选框相邻近的多个邻近候选框；根据所述检出结果，从所述待检图像中获取所述目标候选框所在局部的目标图像块，将所述目标图像块输入预设的特征提取网络，得到所述目标图像块的目标特征向量；根据所述检出结果，确定所述目标候选框与所述邻近候选框之间的关联信息，根据所述关联信息得到补充特征向量；将所述目标特征向量与所述补充特征向量拼接后，输入预设的决策树模型，得到所述目标候选框的目标预测置信度；根据所述目标预测置信度确定是否保留所述目标候选框。2.根据权利要求1所述的方法，其特征在于，所述关联信息包括第一向量和第二向量，其中，所述第一向量为，按所述目标候选框与K个所述邻近候选框的距离由近及远的顺序，分别计算所述目标候选框与K个所述邻近候选框的肋骨编号之差而得到的K维特征向量；所述第二向量为，按所述目标候选框与K个所述邻近候选框的距离由近及远的顺序，分别计算所述目标候选框与K个所述邻近候选框的三维坐标差得到K个三维向量，并将所述K个三维向量拼接而得到的3*K维特征向量；其中，若所述邻近候选框的数目不足K个，则在所述第一向量和所述第二向量中的对应位置补零。3.根据权利要求2所述的方法，其特征在于，所述检出结果还包括多个所述邻近候选框分别对应的多个预测置信度，所述关联信息还包括第三向量，所述第三向量为由K个所述邻近候选框的预测置信度构成的K维特征向量，其中，若所述邻近候选框的数目不足K个，则在所述第三向量中的对应位置补零。4.根据权利要求3所述的方法，其特征在于，所述根据所述关联信息得到补充特征向量，包括：将所述第一向量、所述第二向量和所述第三向量中的任一向量作为补充特征向量，或将所述第一向量、所述第二向量和所述第三向量中的至少两个向量拼接后作为补充特征向量。5.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：张佳琦，丁佳，吕晨翀，
申请(专利权)人：北京医准智能科技有限公司，
类型：发明
国别省市：