一种肋骨骨折检测方法技术

本发明专利技术公开了一种肋骨骨折检测方法，涉及肋骨骨折检测领域，其通过预处理已标记肋骨骨折的CT图像得到样本集，并构建肋骨骨折检测模型，模型包括：利用ResNet50组建的主干网络、与主干网络连接的FPN网络、同时与主干网络、FPN网络连接的压缩激励模块、剔除图像X中负样本的Anchor模块，以及利用Anchor模块的输出获取预测类别与预测偏移量向量的预测模块，其通过模型中的Anchor模块剔除图像X中的负样本解决了训练时会出现严重的正负样本失衡以及学习没有针对性的问题，提高了肋骨骨折检测模型的预测精度。预测精度。预测精度。

【技术实现步骤摘要】
一种肋骨骨折检测方法


[0001]本专利技术涉及肋骨骨折检测领域，尤其涉及一种肋骨骨折检测方法。

技术介绍

[0002]影像学检查是目前临床上诊断肋骨骨折的主要方法，以往常采用X
‑
ray影像，现在逐渐被计算机断层扫描(Computed Tomography，CT)图像替代。CT图像是一组连续的2D图像切片序列，每个病人的胸部CT薄层数据有几百张切片，医生在进行肋骨骨折诊断时需要连续观察CT图像，容易产生视觉上的和心理上的双重疲劳，从而增加误诊或漏诊的概率。
[0003]早期，肋骨骨折在临床上采用X
‑
ray图像诊断，因此早期的肋骨骨折辅助诊断研究也面向X
‑
ray图像进行。但是目前大量实验表明，由于X
‑
ray图像上器官的叠加等问题，基于X
‑
ray的肋骨骨折诊断的漏诊率要远远高于基于CT的漏诊率，因此该方法正确率不高。在基于CT图像的肋骨骨折辅助诊断研究中，有一类方法通过现有的工具由原始的CT图像重建得到肋骨展开图，再设计核函数方法进行分类，但目前CT重建的结果可能会漏掉部分细节，并不完全可靠，且仅仅只显示分类结果，给医生提供的帮助有限。目前，基于目标检测的方法将Faster
‑
RCNN模型应用于肋骨骨折检测任务中，并取得了一定的效果，但是由于医学图像的一些数据特性以及任务特性，自然图像中的检测算法直接应用于医学图像任务中时，会出现正负样本严重失衡以及模型学习没有针对性的问题。对肋骨骨折部分分割也可达到肋骨检测的目的，然而相比于肋骨骨折检测标签的标注，分割标签需在图像上对骨折部分的每个像素点进行标注，费时费力，在后续的研究过程中，扩展数据集规模存在一定阻碍。因此本专利技术针对基于Faster
‑
RCNN模型的目标检测方法进行改进，提出了一种肋骨骨折检测方法。

技术实现思路

[0004]为了解决上述技术问题以提高肋骨骨折检测的准确性，本专利技术提出了一种肋骨骨折检测方法，包括：
[0005]S1：获取预设张已标记肋骨骨折的CT图像，并对其进行预处理得到样本集；
[0006]S2：构建肋骨骨折检测模型，所述模型包括：利用ResNet50组建的主干网络、与主干网络连接的FPN网络、同时与主干网络、FPN网络连接的压缩激励模块、剔除图像X中负样本的Anchor模块，以及利用Anchor模块的输出获取预测类别与预测偏移量向量的预测模块；所述图像X为FPN网络的输出图像；所述负样本为非骨组织前景的Anchor；所述预测类别为骨折或非骨折；
[0007]S3：初始化肋骨骨折检测模型中的模型参数，通过样本集训练肋骨骨折检测模型，并在训练过程中计算总损失函数，根据总损失函数的计算值利用梯度下降算法反向更新模型参数，直至总损失函数的计算值小于预设值，得到肋骨骨折检测目标模型；
[0008]S4：通过肋骨骨折检测目标模型获取待检测图像对应的预测类别与预测偏移量向量，并通过预测偏移量向量获取骨折区域对应的位置框。
[0009]进一步地，所述S1步骤中，预处理具体包括：
[0010]设置窗宽窗位，并通过窗宽窗位重新映射各CT图像对应HU值的范围；采用线性归一化将各CT图像的像素值映射至目标范围内；通过线性插值，将各CT图像的层厚重构至预设值。
[0011]进一步地，所述主干网络包括：
[0012]依次连接的第一卷积层、第二卷积层、第三卷积层与第四卷积层；设定每一卷积层的输出为y
i
，其中i＝1，2，3，4，表示第i个卷积层；y
i
表示第i个卷积层输出的特征图；其中：
[0013]所述第一卷积层用于接入输入图像并对其进行卷积计算，得到特征图y1，并输入第二卷积层与压缩激励模块；
[0014]所述第二卷积层用于对特征图y1进行卷积计算，得到特征图y2，并输入第三卷积层与FPN网络；
[0015]所述第三卷积层用于对特征图y2进行卷积计算，得到特征图y3，并输入第四卷积层与FPN网络；
[0016]所述第四卷积层用于对特征图y3进行卷积计算，得到特征图y4，并输入FPN网络。
[0017]进一步地，所述压缩激励模块包括：全连接层与Sigmoid函数；
[0018]所述压缩激励模块用于沿特征图y1的通道维度对特征图y1进行全局平均池化，得到全局特征Z，并通过全连接层传输至Sigmoid函数，通过Sigmoid函数得到向量S，并将特征图y1与向量S沿着特征图y1的通道维度相乘，得到特征图y
′1并输出至FPN网络。
[0019]进一步地，所述FPN网络的输出图像包括第一特征图M1、第二特征图M2、第三特征图M3与第四特征图M4，各特征图对应的计算公式为：
[0020]M1＝Conv(y
′1)+Tri(M2)；
[0021]M2＝Conv(y2)+Tri(M3)；
[0022]M3＝Conv(y3)+Tri(M4)；
[0023]M4＝Conv(y4)；
[0024]式中，Tri()表示双线性插值函数，Conv()表示卷积核大小为3
×
3的卷积。
[0025]进一步地，所述Anchor模块具体用于通过预设剔除方法设定Anchor框并利用Anchor框剔除图像X中的负样本，所述预设剔除方法具体包括：
[0026]获取肋骨骨折检测模型的输入图像，并对其执行开操作，得到图像X1；
[0027]弱化图像X1的背景，并将输入图像与图像X1相减，得到图像X2；
[0028]根据设定阈值二值化图像X2，并利用中值滤波消除二值化后图像的噪声；
[0029]采用预设大小的核膨胀消除噪声后的图像，并对膨胀后的图像进行腐蚀，得到图像X3；
[0030]在第一特征图M1、第二特征图M2、第三特征图M3与第四特征图M4的每个位置上设置Anchor框，并将不处于图像X3骨组织前景的Anchor框剔除。
[0031]进一步地，所述S3步骤具体包括：
[0032]S31：划分样本集为训练集与验证集；
[0033]S32：通过训练集重复训练肋骨骨折检测模型得到多个待验证的肋骨骨折检测模型；重复训练的方法为：在训练集中随机选择R张CT图像输入肋骨骨折检测模型中，并在训练过程中，实时计算总损失函数，根据总损失函数的计算值利用梯度下降算法反向更新模
型参数，直至总损失函数的计算值小于预设值；
[0034]S33：将验证集中的CT图像输入各个待验证的肋骨骨折检测模型，并获取各待验证模型对应的总损失函数计算值，获取总损失函数计算值最小的待验证模型为肋骨骨折检测目标模型。
[0035]进一步地，所述总损失函数的计算公式为：
[0036][0037][0038][0039]其中，N
cls
为肋骨骨折检测模型计算得到的预测框数量，L
cls本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肋骨骨折检测方法，其特征在于，包括：S1：获取预设张已标记肋骨骨折的CT图像，并对其进行预处理得到样本集；S2：构建肋骨骨折检测模型，所述模型包括：利用ResNet50组建的主干网络、与主干网络连接的FPN网络、同时与主干网络、FPN网络连接的压缩激励模块、剔除图像X中负样本的Anchor模块，以及利用Anchor模块的输出获取预测类别与预测偏移量向量的预测模块；所述图像X为FPN网络的输出图像；所述负样本为非骨组织前景的Anchor；所述预测类别为骨折或非骨折；S3：初始化肋骨骨折检测模型中的模型参数，通过样本集训练肋骨骨折检测模型，并在训练过程中计算总损失函数，根据总损失函数的计算值利用梯度下降算法反向更新模型参数，直至总损失函数的计算值小于预设值，得到肋骨骨折检测目标模型；S4：通过肋骨骨折检测目标模型获取待检测图像对应的预测类别与预测偏移量向量，并通过预测偏移量向量获取骨折区域对应的位置框。2.根据权利要求1所述的一种肋骨骨折检测方法，其特征在于，所述S1步骤中，预处理具体包括：设置窗宽窗位，并通过窗宽窗位重新映射各CT图像对应HU值的范围；采用线性归一化将各CT图像的像素值映射至目标范围内；通过线性插值，将各CT图像的层厚重构至预设值。3.根据权利要求1所述的一种肋骨骨折检测方法，其特征在于，所述主干网络包括：依次连接的第一卷积层、第二卷积层、第三卷积层与第四卷积层；设定每一卷积层的输出为y
i
，其中i＝1，2，3，4，表示第i个卷积层；y
i
表示第i个卷积层输出的特征图；其中：所述第一卷积层用于接入输入图像并对其进行卷积计算，得到特征图y1，并输入第二卷积层与压缩激励模块；所述第二卷积层用于对特征图y1进行卷积计算，得到特征图y2，并输入第三卷积层与FPN网络；所述第三卷积层用于对特征图y2进行卷积计算，得到特征图y3，并输入第四卷积层与FPN网络；所述第四卷积层用于对特征图y3进行卷积计算，得到特征图y4，并输入FPN网络。4.根据权利要求3所述的一种肋骨骨折检测方法，其特征在于，所述压缩激励模块包括：全连接层与Sigmoid函数；所述压缩激励模块用于沿特征图y1的通道维度对特征图y1进行全局平均池化，得到全局特征Z，并通过全连接层传输至Sigmoid函数，通过Sigmoid函数得到向量S，并将特征图y1与向量S沿着特征图y1的通道维度相乘，得到特征图y
′1并输出至FPN网络。5.根据权利要求4所述的一种肋骨骨折检测方法，其特征在于，所述FPN网络的输出图像包括第一特征图M1、第二特征图M2、第三特征图M3与第四特征图M4，各特征图对应的计算公式为：M1＝Conv(y
′1)+Tri(M2)；M2＝Conv(y2)+Tri(M3)；M3＝Conv(y3)+Tri(M4)；M4＝Conv(y4)；式中，Tri()表示双线性插值函数，Conv()表示卷积核大小为3
×
3的卷积。
6.根据权利要求5所述的一种肋骨骨折检测方法，其特征在于，所述Anchor模块具体用于通过预设剔除方法设定Anchor框并利用Ancho...

【专利技术属性】
技术研发人员：何秀超，郭立君，张哲昊，关青艳，仇周健，曾颖卿，汪建华，
申请(专利权)人：宁波大学附属第一医院，
类型：发明
国别省市：