基于标志点检测的下颌骨骨折自动检测方法技术

本发明专利技术属于自动检测方法技术领域，尤其涉及一种基于标志点检测的下颌骨骨折自动检测方法。基于标志点检测的下颌骨骨折自动检测方法能够降低数据标注难度，其基于对下颌骨医学影像标志点检测、骨折检测算法，实现了下颌骨骨折的自动检测、定位，并提高了检测效率。包括：步骤1、进行下颌骨标志点检测模型学习；步骤2、进行下颌骨骨折检测模型学习；步骤3、进行下颌骨骨折自动检测。下颌骨骨折自动检测。下颌骨骨折自动检测。

【技术实现步骤摘要】
基于标志点检测的下颌骨骨折自动检测方法


[0001]本专利技术属于自动检测方法
，尤其涉及一种基于标志点检测的下颌骨骨折自动检测方法。

技术介绍

[0002]下颌骨是头部唯一可移动的骨头，位于颌面最下部，容易造成骨折。骨折检测需要借助医学成像技术进行观察，然而医学影像的数据量是庞大的，颌骨骨折往往又是多发，一些细微的骨折容易被忽略，这给人工下颌骨骨折检测带来很大负担。若计算机能自动从医学影像中检测下颌骨骨折，并且定位其分区，判断其类型，便可提高检测效率。
[0003]基于医学影像进行骨折自动检测，一般需要先在医学影像中找到感兴趣区域，现有方法大多采用人工裁剪和筛选切片，这背离自动检测的初衷。由于骨和其他组织在影像上具有较明显的像素值差异，阈值也常被用来确定感兴趣区域。但其无法考虑骨头的形状及位置特征，往往需要搭配其他图像处理技术，带来众多无法学习的参数，给自动检测任务带来新的困难。而自动定位算法如配准、分割也被应用到感兴趣区域的确定，但其需要相对较多的人工标注。
[0004]再者，目前的下颌骨骨折检测方法大多无法自动确定感兴趣区域，定位骨折发生的分区，这限制了骨折检测算法的应用。
[0005]现有文献中，有技术方案是将颌面部CT影像合成为二维全景图片，再对图片中的下颌骨进行分区分割，将分割后的二维图像块输入骨折判别模型，以此确定骨折发生的分区。此方法的缺陷有。
[0006]1.由于分割标签较为费时，难以获得大量标签数据。
[0007]2.丢失了三维数据中的信息。
[0008]专利公开号CN111967540A、专利公开号CN111967539A的专利分别针对颌面部CT（Computed Tomography）和CBCT（ConeBeamComputedTomography）数据，首先根据不同解剖区域将其分为多个图像块，然后将每个图像块分别输入骨折判别模型，以此确定骨折发生的分区。这种方法的缺陷有。
[0009]1.容易忽略分区连接处的骨折。
[0010]2.影响跨分区骨折的检测。

技术实现思路

[0011]本专利技术就是针对现有技术存在的缺陷，提供一种基于标志点检测的下颌骨骨折自动检测方法。
[0012]为实现上述目的，本专利技术采用如下技术方案，包括：步骤1、进行下颌骨标志点检测模型学习。
[0013]步骤2、进行下颌骨骨折检测模型学习。
[0014]步骤3、进行下颌骨骨折自动检测。
[0015]进一步地，所述进行下颌骨标志点检测模型学习包括。
[0016]步骤1.1、确定下颌骨标志点。
[0017]步骤1.2、建立下颌骨标志点检测数据集。
[0018]步骤1.3、选择并学习标志点自动检测算法。
[0019]更进一步地，步骤1.1中，所述确定下颌骨标志点包括：确定十二个下颌骨标志点：左髁突、右髁突、左冠突、右冠突、左下颌切迹、右下颌切迹、左下颌角、右下颌角，左第三磨牙牙根后侧、右第三磨牙牙根后侧、左犬牙牙根内侧、右犬牙牙根内侧。
[0020]更进一步地，步骤1.2中，所述建立下颌骨标志点检测数据集包括：选择含下颌骨的医学影像数据，包括下颌骨健康受检者和下颌骨骨折患者的数据，且二者数量及人口分布特性应相同；（使用多源、无伪影的、骨窗重建数据；）。
[0021]将所选数据划分为训练集、验证集、测试集三部分，每一部分均包含相同比例（即百分之五十）的骨折数据。其中，训练集和验证集用于算法的训练，测试集用于最终算法的测试。
[0022]制作标志点检测标签，包括以标志点为中心固定尺寸区域的分割，以及此数据正常或骨折。
[0023]进一步地，步骤1.3中，所述选择并学习标志点自动检测算法包括。
[0024]选择深度学习U
‑
Net算法，将以标志点为中心的固定尺寸区域作为分割目标。
[0025]预处理下颌骨标志点检测数据集，包括分辨率和灰度值归一化、使用随机旋转扩充数据、使用随机裁剪统一尺寸。
[0026]选择Adam优化算法、Dice损失函数，使用下颌骨标志点检测数据集的训练集和验证集学习下颌骨标志点检测模型，再使用测试集得到学习后模型的性能。
[0027]进一步地，步骤2中，所述进行下颌骨骨折检测模型学习包括：步骤2.1、确定骨折分类标准；包括：将下颌骨骨折分为：A类：无移位，B类：移位，C类：多分支损伤。
[0028]步骤2.2、建立下颌骨骨折检测数据集；包括。
[0029]选择含下颌骨的医学影像数据，包含下颌骨健康受检者和下颌骨骨折患者的数据，二者数量及人口分布特性应相同，骨折数据应含有步骤2.1确定的所有类型骨折。使用多源、无伪影的、骨窗重建数据。
[0030]将所选数据划分为训练集、验证集、测试集三部分，每一部分均包含相同比例（即百分之五十）的骨折数据。其中，训练集和验证集用于算法的训练，测试集用于最终算法的测试。
[0031]制作骨折检测标签，标签包括涵盖下颌骨的感兴趣区域、骨折位置及类型。
[0032]步骤2.3、选择并学习骨折自动检测算法；包括：选择深度学习FasterR
‑
CNN自动检测算法，设定阈值将检测结果分三类，分别对应A、B、C类下颌骨骨折。
[0033]预处理下颌骨骨折检测数据集，包括提取并针对感兴趣区域的：分辨率和灰度值归一化、使用随机旋转扩充数据、使用随机裁剪统一尺寸。
[0034]使用下颌骨骨折检测数据集的训练集和验证集学习下颌骨骨折检测模型，使用测试集得到学习后模型的性能。
[0035]进一步地，步骤3中，所述进行下颌骨骨折自动检测包括。
[0036]步骤3.1、通过标志点检测模型得到颌面部医学影像的标志点。
[0037]步骤3.2、根据标志点检测结果确定下颌骨感兴趣区域。
[0038]步骤3.3、将感兴趣区域输入骨折检测模型，得到骨折检测结果；该骨折检测结果包括矩形框、概率。
[0039]步骤3.4、根据十二个下颌骨标志点：确定九个下颌骨分区：下颌联合，左下颌体、右下颌体，左下颌角及升支、右下颌角及升支，左冠突、右冠突，左髁突、右髁突。
[0040]根据骨折检测结果的矩形框与分区重合部分大小，选择阈值决定所检测骨折所属分区或所跨分区。
[0041]步骤3.5、自动生成算法结果报告。
[0042]与现有技术相比本专利技术有益效果。
[0043]本专利技术基于标志点检测的下颌骨骨折自动检测方法能够降低数据标注难度，其基于对下颌骨医学影像标志点检测、骨折检测算法，实现了下颌骨骨折的自动检测、定位，并提高了检测效率。
附图说明
[0044]下面结合附图和具体实施方式对本专利技术做进一步说明。本专利技术保护范围不仅局限于以下内容的表述。
[0045]图1是下颌骨标志点检测结果图。
[0046]图2是下颌骨骨折检测结果一水平切面仰视图。
[0047]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于标志点检测的下颌骨骨折自动检测方法，其特征在于：包括：步骤1、进行下颌骨标志点检测模型学习；步骤2、进行下颌骨骨折检测模型学习；步骤3、进行下颌骨骨折自动检测。2.根据权利要求1所述的基于标志点检测的下颌骨骨折自动检测方法，其特征在于：所述进行下颌骨标志点检测模型学习包括：步骤1.1、确定下颌骨标志点；步骤1.2、建立下颌骨标志点检测数据集；步骤1.3、选择并学习标志点自动检测算法。3.根据权利要求2所述的基于标志点检测的下颌骨骨折自动检测方法，其特征在于：步骤1.1中，所述确定下颌骨标志点包括：确定十二个下颌骨标志点：左髁突、右髁突、左冠突、右冠突、左下颌切迹、右下颌切迹、左下颌角、右下颌角，左第三磨牙牙根后侧、右第三磨牙牙根后侧、左犬牙牙根内侧、右犬牙牙根内侧。4.根据权利要求2所述的基于标志点检测的下颌骨骨折自动检测方法，其特征在于：步骤1.2中，所述建立下颌骨标志点检测数据集包括：选择含下颌骨的医学影像数据，包括下颌骨健康受检者和下颌骨骨折患者的数据，且二者数量及人口分布特性应相同；将所选数据划分为训练集、验证集、测试集三部分，每一部分均包含相同比例的骨折数据；制作标志点检测标签，包括以标志点为中心固定尺寸区域的分割，以及此数据正常或骨折。5.根据权利要求2所述的基于标志点检测的下颌骨骨折自动检测方法，其特征在于：步骤1.3中，所述选择并学习标志点自动检测算法包括：选择深度学习U
‑
Net算法，将以标志点为中心的固定尺寸区域作为分割目标；预处理下颌骨标志点检测数据集，包括分辨率和灰度值归一化、使用随机旋转扩充数据、使用随机裁剪统一尺寸；选择Adam优化算法、Dice损失函数，使用下颌骨标志点检测数据集的训练集和验证集学习下颌骨标志点检测模型，再使用测试集得到学习后模型的性能...

【专利技术属性】
技术研发人员：俞启明，史力伏，王洋，代茵，
申请(专利权)人：辽宁然辉科技有限公司，
类型：发明
国别省市：