基于生成数据增广的儿童颅骨骨折自动检测方法及装置制造方法及图纸

本申请提出了一种基于生成数据增广的儿童颅骨骨折自动检测方法及装置，该方法包括：获取第一儿童脑

【技术实现步骤摘要】
基于生成数据增广的儿童颅骨骨折自动检测方法及装置


[0001]本申请涉及机器学习
，尤其涉及一种基于生成数据增广的儿童颅骨骨折自动检测方法及装置
。

技术介绍

[0002]颅骨骨折是常见的脑部疾病，可导致许多危急和威胁生命的并发症，破碎的颅骨碎片会挫伤大脑或损伤血管，所以及时准确地筛查出颅骨骨折对头部外伤诊断和治疗十分重要
。
[0003]计算机断层扫描
(CT)
是检测颅骨骨折的主要方法
。
精确的诊断需要经验的积累，常规的二维方法需要手动追踪多个切片，传统的三维可视化方法在诊断时需要对图像进行旋转观察从而避免遮挡的影响
。
所以对颅骨
CT
图像的检查相当耗时费力，且由于颅骨特殊的结构和位置，
CT
对轻微颅骨病变容易漏诊
。
[0004]并且，儿童颅骨上的微小骨折病灶容易被漏检，另外，儿童的颅缝尚未闭合，增加了颅缝与骨折的区分难度，容易造成漏检或误检
。

技术实现思路

[0005]针对上述问题，提出了一种基于生成数据增广的儿童颅骨骨折自动检测方法及装置，通过设计骨折病灶与颅缝的数据合成方法进行数据增广，有效区分骨折和颅缝
。
[0006]本申请第一方面提出一种基于生成数据增广的儿童颅骨骨折自动检测方法，包括：
[0007]获取第一儿童脑
CT
影像集，并对所述第一儿童脑
CT
影像集进行像素标注与预处理，得到骨折数据
、
颅缝数据与正常数据；
[0008]构建候选骨折病灶生成模型与候选颅缝生成模型，并根据所述骨折数据
、
颅缝数据和正常数据对其进行训练，得到训练好的骨折病灶生成模型与颅缝生成模型；
[0009]多次随机采样高斯噪声，将所述高斯噪声输入所述骨折病灶生成模型与颅缝生成模型，得到生成骨折
CT patch
数据与生成颅缝
CT patch
数据；
[0010]构建候选骨折检出模型，根据所述骨折数据
、
颅缝数据
、
正常数据
、
生成骨折
CT patch
数据与生成颅缝
CT patch
数据训练所述候选骨折检出模型，直至训练结束，输出骨折检出模型；
[0011]获取第二儿童脑
CT
影像，根据所述骨折检出模型对所述第二儿童脑
CT
影像进行检测
。
[0012]可选的，所述对所述第一儿童脑
CT
影像集进行像素标注与预处理，得到骨折数据
、
颅缝数据与正常数据，包括：
[0013]在所述第一儿童脑
CT
影像集的横截位图像上，对骨折处和颅缝处分别进行逐像素分割标注；
[0014]使用骨窗的窗宽窗位处理标注后的所述第一儿童脑
CT
影像集，将每个体素的像素
值变换到0‑
255
的灰度图像范围内
。
[0015]可选的，所述候选骨折病灶生成模型和所述候选颅缝生成模型都由生成器网络和判别器网络构成，其中，
[0016]所述生成器网络用于将输入的高斯噪声转化为预设大小的
3D CT patch
；
[0017]所述判别器网络用于判断输入的
3D CT patch
为真实数据或生成数据
。
[0018]可选的，所述根据所述骨折数据
、
颅缝数据和正常数据对其进行训练，得到训练好的骨折病灶生成模型与颅缝生成模型，包括：
[0019]分别对所述骨折数据
、
颅缝数据和正常数据进行多次随机选择采样，得到预设大小的包含骨折的
CT patch
阳性样本
、
不包含骨折的
CT patch
阴性样本
、
包含颅缝的
CT patch
阳性样本以及不包含颅缝的
CT patch
阴性样本；
[0020]采用随机梯度下降方法，通过所述包含骨折的
CT patch
阳性样本与不包含骨折的
CT patch
阴性样本对所述候选骨折病灶生成模型进行训练，得到训练好的骨折病灶生成模型；
[0021]以及，采用随机梯度下降方法，通过所述包含颅缝的
CT patch
阳性样本与不包含颅缝的
CT patch
阴性样本对所述候选颅缝生成模型进行训练，得到训练好的颅缝生成模型
。
[0022]可选的，所述候选骨折检出模型为基于
3D
卷积神经网络的二分类网络
。
[0023]可选的，所述根据所述骨折数据
、
颅缝数据
、
正常数据
、
生成骨折
CT patch
数据与生成颅缝
CT patch
数据训练所述候选骨折检出模型，包括：
[0024]根据所述包含骨折的
CT patch
阳性样本与所述生成骨折
CT patch
数据构建第一训练集，根据所述包含颅缝的
CT patch
阳性样本与所述生成颅缝
CT patch
数据构建第二训练集，根据所述正常数据构建第三训练集，其中，所述第一训练集
、
所述第二训练集与所述第三训练集的采样比例为
1:1:1
；
[0025]采用交叉熵损失函数作为优化函数，采用随机梯度下降方法，通过所述第一训练集
、
所述第二训练集和所述第三训练集训练所述候选骨折检出模型
。
[0026]可选的，在通过所述第一训练集
、
所述第二训练集和所述第三训练集训练所述候选骨折检出模型前，所述方法，还包括：
[0027]将所述第一训练集
、
所述第二训练集和所述第三训练集中预设大小的
3D CT patch
采样到预设分辨率
。
[0028]可选的，所述获取第二儿童脑
CT
影像，根据所述骨折检出模型对所述第二儿童脑
CT
影像进行检测，包括：
[0029]对于待判读的所述第二儿童脑
CT
影像，筛选出
HU
值大于
200
的颅骨区域；
[0030]从所述颅骨区域的左上角开始，按照预设规则选取预设大小的测试
patch
；
[0031]将所述测试
patch
输入所述骨折检出模型进行检测，生成检测结果
。
[0032]可选的，所述预设规则，包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于生成数据增广的儿童颅骨骨折自动检测方法，其特征在于，包括：获取第一儿童脑
CT
影像集，并对所述第一儿童脑
CT
影像集进行像素标注与预处理，得到骨折数据
、
颅缝数据与正常数据；构建候选骨折病灶生成模型与候选颅缝生成模型，并根据所述骨折数据
、
颅缝数据和正常数据对其进行训练，得到训练好的骨折病灶生成模型与颅缝生成模型；多次随机采样高斯噪声，将所述高斯噪声输入所述骨折病灶生成模型与颅缝生成模型，得到生成骨折
CT patch
数据与生成颅缝
CT patch
数据；构建候选骨折检出模型，根据所述骨折数据
、
颅缝数据
、
正常数据
、
生成骨折
CT patch
数据与生成颅缝
CT patch
数据训练所述候选骨折检出模型，直至训练结束，输出骨折检出模型；获取第二儿童脑
CT
影像，根据所述骨折检出模型对所述第二儿童脑
CT
影像进行检测
。2.
根据权利要求1所述的方法，其特征在于，所述对所述第一儿童脑
CT
影像集进行像素标注与预处理，得到骨折数据
、
颅缝数据与正常数据，包括：在所述第一儿童脑
CT
影像集的横截位图像上，对骨折处和颅缝处分别进行逐像素分割标注；使用骨窗的窗宽窗位处理标注后的所述第一儿童脑
CT
影像集，将每个体素的像素值变换到0‑
255
的灰度图像范围内
。3.
根据权利要求1所述的方法，其特征在于，所述候选骨折病灶生成模型和所述候选颅缝生成模型都由生成器网络和判别器网络构成，其中，所述生成器网络用于将输入的高斯噪声转化为预设大小的
3D CT patch
；所述判别器网络用于判断输入的
3D CT patch
为真实数据或生成数据
。4.
根据权利要求1所述的方法，其特征在于，所述根据所述骨折数据
、
颅缝数据和正常数据对其进行训练，得到训练好的骨折病灶生成模型与颅缝生成模型，包括：分别对所述骨折数据
、
颅缝数据和正常数据进行多次随机选择采样，得到预设大小的包含骨折的
CT patch
阳性样本
、
不包含骨折的
CT patch
阴性样本
、
包含颅缝的
CT patch
阳性样本以及不包含颅缝的
CT patch
阴性样本；采用随机梯度下降方法，通过所述包含骨折的
CT patch
阳性样本与不包含骨折的
CT patch
阴性样本对所述候选骨折病灶生成模型进行训练，得到训练好的骨折病灶生成模型；以及，采用随机梯度下降方法，通过所述包含颅缝的
CT patch
阳性样本与不包含颅缝的
CT patch
阴性样本对所述候选颅缝生成模型进行训练，得到训练好的颅缝生成模型
。5.
根据权利要求1所述的方法，其特征在于，所述候选骨折检出模型为基于
3D
卷积神经网络的二分类网络
。6.
根据权利要求4所述的方法，其特征在于，所述根据所述骨...

【专利技术属性】
技术研发人员：徐枫，周展平，郭雨晨，
申请(专利权)人：清华大学，
类型：发明
国别省市：