一种感染检测方法、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感染检测方法、装置、设备及介质，包括：获取待检部位所对应的待检横断位图像，并将所述待检横断位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卷积网络、transformer编码器、transformer解码器、前馈网络；采用所述卷积网络与所述transformer编码器获取所述待检横断位图像的第一特征信息；采用所述transformer解码器与所述前馈网络根据所述第一特征信息判断所述待检横断位图像内是否存在实际感染区域；当所述判断结果为所述待检横断位图像内存在实际感染区域时，采用所述前馈网络进一步输出所述实际感染区域位于所述待检横断位图像内所在的第一检测位置。采用上述技术方案，能够得到高正确率的感染判别以及感染位置输出。高正确率的感染判别以及感染位置输出。高正确率的感染判别以及感染位置输出。

【技术实现步骤摘要】
一种感染检测方法、装置、设备及介质


[0001]本专利技术涉及医学影像领域，尤其涉及一种感染检测方法、装置、设备及介质。

技术介绍

[0002]感染是一种常见的疾病，可导致骨髓炎、关节炎等严重并发症，给患者带来极大的痛苦和健康风险。传统的诊断方法包括物理检查、血液检查和影像学检查等，其中影像学检查是诊断骨感染最常用的方法之一。MRI影像作为一种高分辨率的影像学检查方法，广泛应用于骨感染的诊断。然而，由于MRI影像具有复杂的结构和多模态信息，且需要经验丰富的医生进行解读，因此诊断的准确性和效率仍然面临挑战。尤其是在临床上，横断位影像中的病灶相较于矢状位影像更难以被识别。
[0003]随着计算机视觉和深度学习技术的发展，自主检测和定位骨感染的方法已经成为可能。为了提高诊断准确性及诊断效率，需要合适有效的模型从有限的横断位影像里攫取关键信息，对脊柱感染进行精准检测并定位，为医生的诊断提供有效的参考，做到精准识别、尽早识别。

技术实现思路

[0004]为了克服上述技术缺陷，本专利技术的目的在于提供一种感染检测方法、装置、设备及介质，用于对横断位影像进行特征提取以进行感染检测。
[0005]本专利技术公开了一种感染检测方法，包括以下步骤：
[0006]获取待检部位所对应的待检横断位图像，并将所述待检横断位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卷积网络、transformer编码器、transformer解码器、前馈网络；
[0007]采用所述卷积网络与所述transformer编码器获取所述待检横断位图像的第一特征信息；
[0008]采用所述transformer解码器与所述前馈网络根据所述第一特征信息判断所述待检横断位图像内是否存在实际感染区域；
[0009]当所述判断结果为所述待检横断位图像内存在实际感染区域时，采用所述前馈网络进一步输出所述实际感染区域位于所述待检横断位图像内所在的第一检测位置。
[0010]优选地，所述获取所述待检横断位图像的第一特征信息，包括：
[0011]采用所述卷积网络获取所述待检横断位图像的图像特征序列；
[0012]采用所述transformer编码器对所述图像特征序列进行位置编码与注意力加权平均，以获取所述待检横断位图像的全局特征，作为所述待检横断位图像的第一特征信息。
[0013]优选地，所述判断所述待检横断位图像内是否存在实际感染区域，包括：
[0014]采用所述transformer编码器，根据所述第一特征信息，对所述待检横断位图像内的多个局部特征进行聚合，获取多个局部特征之间的关系，
[0015]采用所述前馈网络，根据所述待检横断位图像内多个局部特征之间的关系，判断
所述待检横断位图像内是否存在实际感染区域，并获取实际感染区域位于所述待检横断位图像内所在的第一检测位置。
[0016]优选地，所述感染检测模型是通过以下步骤预先训练得到的：
[0017]获取多个训练横断位图像与一待训练的感染检测模型，所述多个训练横断位图像中的任一内存在一横断位感染区域，获取所述多个横断位感染区域中的任一位于其所对应训练横断位图像内所在的第一相对位置；
[0018]采用所述卷积网络与所述transformer编码器获取所述多个训练横断位图像中的任一的第二特征信息；
[0019]采用所述transformer解码器与所述前馈网络根据所述多个第二特征信息，获取所述多个横断位感染区域中的任一位于其所对应训练横断位图像内所在的第二检测位置；
[0020]分别对比所述多个横断位感染区域中的任一所对应的第一相对位置与第二检测位置，获取第一损失函数，并进行反向传播，以对所述待训练的感染检测模型进行参数优化；
[0021]重复上述步骤，直到所述第一损失函数收敛，得到所述感染检测模型。
[0022]优选地，所述预先训练的步骤还包括：
[0023]获取与所述多个训练横断位图像一一对应的多个训练矢状位图像，所述多个训练矢状位图像中的任一内存在一矢状位感染区域，获取所述多个矢状位感染区域中的任一位于其所对应训练矢状位图像内所在的第二相对位置；
[0024]所述卷积网络与所述transformer编码器获取所述多个训练矢状位图像中的任一的第三特征信息，并将所述多个第三特征信息与所述多个第二特征信息分别一一对应输入至所述transformer解码器；
[0025]所述transformer解码器与所述前馈网络根据所述多个第二特征信息与所述多个第三特征信息，获取所述多个横断位感染区域中的任一位于其所对应训练横断位图像内所在的第二检测位置；
[0026]所述transformer解码器与所述前馈网络根据所述多个第三特征信息，获取所述多个矢状位感染区域中的任一位于其所对应训练矢状位图像内所在的第三检测位置；
[0027]分别对比所述多个横断位感染区域中的任一所对应的第一相对位置与第二检测位置，获取第一损失函数，分别对比所述多个矢状位感染区域中的任一所对应的第二相对位置与第三检测位置，获取第二损失函数，并进行反向传播，以对所述待训练感染检测模型进行参数优化；
[0028]重复上述步骤，直到所述第一损失函数与所述第二损失函数都收敛，得到所述感染检测模型。
[0029]优选地，所述获取第一损失函数，包括：
[0030]所述第一损失函数包括第一分类损失函数、第一定位损失函数，分别对比所述多个横断位感染区域中的任一所对应的第一相对位置与第二检测位置，获取第一交叉熵作为第一分类损失函数，获取第一平均绝对值误差作为第一定位损失函数。
[0031]优选地，所述获取第二损失函数，包括：
[0032]所述第二损失函数包括第二分类损失函数、第二定位损失函数，分别对比所述多个矢状位感染区域中的任一所对应的第二相对位置与第三检测位置，获取第二交叉熵作为
第二分类损失函数，获取第二平均绝对值误差作为第二定位损失函数。
[0033]本专利技术还公开了一种感染检测装置，包括：
[0034]预处理模块，用于获取待检部位所对应的待检横断位图像，并将所述待检横断位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卷积网络、transformer编码器、transformer解码器、前馈网络；
[0035]特征提取模块，用于采用所述卷积网络与所述transformer编码器获取所述待检横断位图像的第一特征信息；
[0036]判断模块，用于采用所述transformer解码器与所述前馈网络根据所述第一特征信息判断所述待检横断位图像内是否存在实际感染区域；
[0037]位置检测模块，用于当所述判断结果为所述待检横断位图像内存在实际感染区域时，采用所述前馈网络进一步输出所述实际感染区域位于所述待检横断位图像内所在的第一检测位置。
[0038]本专利技术还公开了一种电子设备，所述电子设备包括存储有计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种感染检测方法，其特征在于，包括以下步骤：获取待检部位所对应的待检横断位图像，并将所述待检横断位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卷积网络、transformer编码器、transformer解码器、前馈网络；采用所述卷积网络与所述transformer编码器获取所述待检横断位图像的第一特征信息；采用所述transformer解码器与所述前馈网络根据所述第一特征信息判断所述待检横断位图像内是否存在实际感染区域；当所述判断结果为所述待检横断位图像内存在实际感染区域时，采用所述前馈网络进一步输出所述实际感染区域位于所述待检横断位图像内所在的第一检测位置。2.根据权利要求1所述的感染检测方法，其特征在于，所述获取所述待检横断位图像的第一特征信息，包括：采用所述卷积网络获取所述待检横断位图像的图像特征序列；采用所述transformer编码器对所述图像特征序列进行位置编码与注意力加权平均，以获取所述待检横断位图像的全局特征，作为所述待检横断位图像的第一特征信息。3.根据权利要求1所述的感染检测方法，其特征在于，所述判断所述待检横断位图像内是否存在实际感染区域，包括：采用所述transformer编码器，根据所述第一特征信息，对所述待检横断位图像内的多个局部特征进行聚合，获取多个局部特征之间的关系，采用所述前馈网络，根据所述待检横断位图像内多个局部特征之间的关系，判断所述待检横断位图像内是否存在实际感染区域，并获取实际感染区域位于所述待检横断位图像内所在的第一检测位置。4.根据权利要求1所述的感染检测方法，其特征在于，所述感染检测模型是通过以下步骤预先训练得到的：获取多个训练横断位图像与一待训练的感染检测模型，所述多个训练横断位图像中的任一内存在一横断位感染区域，获取所述多个横断位感染区域中的任一位于其所对应训练横断位图像内所在的第一相对位置，将所述多个训练横断位图像输入所述待训练的感染检测模型；采用所述卷积网络与所述transformer编码器获取所述多个训练横断位图像中的任一的第二特征信息；采用所述transformer解码器与所述前馈网络根据所述多个第二特征信息，获取所述多个横断位感染区域中的任一位于其所对应训练横断位图像内所在的第二检测位置；分别对比所述多个横断位感染区域中的任一所对应的第一相对位置与第二检测位置，获取第一损失函数，并进行反向传播，以对所述待训练的感染检测模型进行参数优化；重复上述步骤，直到所述第一损失函数收敛，得到所述感染检测模型。5.根据权利要求4所述的感染检测方法，其特征在于，还包括：获取与所述多个训练横断位图像一一对应的多个训练矢状位图像，所述多个训练矢状位图像中的任一内存在一矢状位感染区域，获取所述多个矢状位感染区域中的任一位于其所对应训练矢状位图像内所在的第二相对位置，将所述多个训练矢状位图像输入所述待训
练的感染检测模型；所述卷积网络与所述t...

【专利技术属性】
技术研发人员：祝思妤，陈斌，俞栋栋，杜文鼎，
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：