一种基于多阶段模型的感染检测方法、装置、设备及介质制造方法及图纸

本发明专利技术提供了一种基于多阶段模型的感染检测方法、装置、设备及介质，用于判断待检部位是否存在感染，包括：获取待检三维图像，并将所述待检三维图像输入预先训练的感染检测模型，其中，所述感染检测模型包括预先训练的部位检测模型，预先训练的感染分类模型；采用所述部位检测模型获取所述待检部位于所述待检三维图像之内所在的第一预测位置，根据所述第一预测位置获取待检三维ROI图像；采用所述感染分类模型对所述待检三维ROI图像进行识别，判断所述待检部位中是否存在感染，并输出判断结果。采用上述技术方案后，能够通过多阶段模型首先提取感兴趣区域(ROI)图像，再对感兴趣区域图像进行感染分类，避免不同步骤下模型参数的相互影响，实现高准确率的感染检测。实现高准确率的感染检测。实现高准确率的感染检测。

【技术实现步骤摘要】
一种基于多阶段模型的感染检测方法、装置、设备及介质


[0001]本专利技术涉及医学影像领域，尤其涉及一种基于多阶段模型的感染检测方法、装置、设备及介质。

技术介绍

[0002]脊柱感染是一种罕见但危险的疾病，其病原体可通过血液、淋巴管、外伤或手术传播到脊柱，导致骨髓炎、脊髓膜炎、椎间盘炎等感染性疾病。近年，非特异性脊柱感染患病率逐渐升高，已发展成为全球性健康问题。临床上，早期诊断和治疗对于预防疾病的进一步发展和患者的康复至关重要。然而，脊柱感染的症状不典型，易与其他骨科疾病混淆，如肿瘤、脊柱结核等。此外，常规检查方法如X线和CT检查等对早期的脊柱感染往往无法准确识别，因此需要一种准确、快速的方法来帮助诊断。
[0003]随着深度学习技术的快速发展，利用计算机视觉方法进行医学影像识别已经成为一种热门的研究方向。近年来，深度学习算法在医学影像识别领域中的应用已经取得了很大的进展，尤其是在肿瘤诊断、骨科疾病诊断等方面。对于脊柱感染的诊断，深度学习算法也被广泛应用，并且已经在一些研究中取得了非常好的表现。目前，一些学者已经开始研究基于深度学习算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多阶段模型的感染检测方法，用于判断待检部位是否存在感染，其特征在于，包括以下步骤：获取待检三维图像，并将所述待检三维图像输入预先训练的感染检测模型，其中，所述感染检测模型包括预先训练的部位检测模型，预先训练的感染分类模型；采用所述部位检测模型获取所述待检部位于所述待检三维图像之内所在的第一预测位置，根据所述第一预测位置获取待检三维ROI图像；采用所述感染分类模型对所述待检三维ROI图像进行识别，判断所述待检部位中是否存在感染，并输出判断结果。2.根据权利要求1所述的感染检测方法，其特征在于，包括：所述待检三维图像由多个待检二维图像组成，采用所述部位检测模型获取所述待检部位于所述多个待检二维图像中的任一之内所在的第二预测位置，根据所述多个第二预测位置获取多个待检二维ROI图像，所述多个待检二维ROI图像组成所述待检三维ROI图像；采用所述感染分类模型对所述多个待检二维ROI图像进行识别，获取所述多个待检二维ROI图像中的任一所对应的单层预测感染概率；根据所述多个单层预测感染概率，判断所述待检部位中是否存在感染。3.根据权利要求2所述的感染检测方法，其特征在于，包括：获取一初始预测图，用于表示所述多个待检二维ROI图像的层数与所述多个单层预测感染概率之间的对应关系；使用中值滤波方法排除所述初始预测图中的异常点，得到校正预测图；根据所述校正预测图，使用KNN聚类算法计算获取自适应阈值；分别对比所述自适应阈值和所述多个单层预测感染概率，判断所述待检部位中是否存在感染，输出判断结果。4.根据权利要求3所述的感染检测方法，其特征在于，包括：判断结果为所述待检部位中存在感染时，进一步输出其所对应的单层预测感染概率大于所述自适应阈值的所述待检二维ROI图像所对应的层数。5.根据权利要求1所述的感染检测方法，其特征在于，所述部位检测模型是通过以下步骤预先训练得到的：获取多个训练二维图像以及一待训练的部位检测模型，对所述待检部位于所述多个训练二维图像中的任一之内所在的训练位置进行标注后，将所述多张训练二维图像输入所述待训练的部位检测模型；采用所述待训练的部位检测模型获取所述待检部位于所述多个训练二维图像中的任一之内所在的第三预测位置...

【专利技术属性】
技术研发人员：胡震霆，陈斌，俞栋栋，王亦浏，
申请(专利权)人：海盐县南北湖医学人工智能研究院，
类型：发明
国别省市：