【技术实现步骤摘要】
本专利技术涉及关节关键点检测领域，具体而言，涉及一种基于隐式和显式结构约束的髋关节关键点检测系统。
技术介绍
1、髋关节是人体最大且最稳定的关节，也是人体最核心的承重关节，外加运动等外力因素使得髋关节容易受到损伤，进而引起各种髋关节疾病。目前临床中的髋关节疾病的诊断方式主要是通过专业医生对患者骨盆正位x线片中特定关键点进行标定，再进行相关指标计算，临床中常用且被广泛接受的关键点如图1所示。
2、图1展示了若干个髋关节x射线图像标注的关键点，包括髋臼最外缘点opac、髋臼软骨下硬化带内缘点ipss、泪滴最下缘点ipte和股骨头中心fhce，其中人体左侧关键点标记有l，人体右侧关键点标记有r。但是这种人工手动标注的方式耗时耗力，且容易受到医生的专业知识和临床经验的主观影响。因此，准确识别和定位髋关节解剖关键点能够帮助医生节省大量的重复标定工作的时间。
3、不过，为了克服上述困难，现有技术中提出了多种基于深度学习的髋关节关键点检测方法或模型，主要分为两类：即两阶段检测方法和单阶段检测方法。但是，现有的这两种方法基本只针对儿童的先天性髋关节发育不良疾病(developmental dysplasia of thehip，ddh)所展开的，而针对临床中成年人股骨头坏死(osteonecrosis of the femoralhead,onfh)、髋关节撞击综合征(femoroacetabular impingement,fai)、髋关节骨性关节炎(hip osteoarthritis)等非常常见的髋关节疾病则缺乏实
技术实现思路
1、本专利技术的目的在于克服现有技术缺陷，且提供了一种基于隐式和显式结构约束的髋关节关键点检测系统。
2、本专利技术提供的一种基于隐式和显式结构约束的髋关节关键点检测系统，其技术方案如下：
3、一种基于隐式和显式结构约束的髋关节关键点检测系统，包括：
4、输入模块，用于输入骨盆影像；
5、局部网络模块，用于获取所述骨盆影像中髋关节关键点的局部特征，实现髋关节关键点的初步定位，且对具有强局部结构标识的关键点实现准确定位，获得局部热图；
6、全局网络模块，用于获取所述骨盆影像中髋关节的隐式的整体结构约束关系，形成全局热图；
7、点乘单元，用于执行所述局部热图与所述全局热图的点乘运算，调整部分非强标识性关键点的检测精度；
8、形态感知模块，用于获得关键点之间的显式形态学关联，调整误差大的关键点；
9、其中，
10、所述输入模块分别与所述局部网络模块、所述全局网络模块通信，所述点乘单元分别与所述局部网络模块、所述全局网络模块和所述形态感知模块通信，所述局部网络模块与所述全局网络模块通信。
11、相比较现有技术，本专利技术提出的技术方案，首先，通过局部网络模块可以获取骨影像中关键点位置的局部特征，检测出所有的关键点，并实现对具有强标识性的局部特征的关键点的准确定位。其次，通过全局网络模块可捕获髋关节全局特征作为隐式结构约束，结合点乘单元，可以减少或消除由特征相似所造成的歧义，并调整非强标识性关键点的定位效果。此外，通过形态感知模块获得关键点之间的显式形态学关联，进而提升预测结果的可靠性，使得本专利技术的技术方案不仅对儿童的先天性髋关节发育不良疾病的髋关节关键点检测具有实用性，而且对于临床中成年人股骨头坏死、髋关节撞击综合征、髋关节骨性关节炎等非常常见的髋关节疾病也具有使用性。
12、本专利技术的技术方案可以显著提升关键点检测性能，不仅优于经典的、最新的成年人髋关节关键点检测网络，而且能够在在低误差允许范围内取得更好的检测效果，对于提高临床诊断中指标的检测精度和诊断效率，以及对于相关下游任务的推广而言具有非常重要的现实意义。
13、作为优选，所述局部网络模块包括建立连通关系的：
14、编码器，用于获取所述骨盆影像中不同尺度的髋关节局部特征；
15、解码器，用于对所述编码器得到的每一个尺度的局部特征与前一级上采样之后的特征进行融合，实现髋关节关键点的初步定位，且对具有强局部结构标识对应的关键点进行定位，获得所述局部热图；
16、其中，
17、所述编码器与所述输入模块通信，所述解码器分别与所述全局网络模块、所述形态感知模块通信；
18、进而在初步实现关键点定位的同时，实现对具有强标识性特征的关键点的准确定位。
19、作为优选，所述编码器为卷积神经网络，所述卷积神经网络的卷积为残差卷积；由于卷积神经网络中的每个卷积层对应着不同的感受野大小，使用残差卷积替换传统u-net中的标准卷积，可以尽可能多地捕获关键点周围区域中的强标识性特征信息，在提高模型准确性的同时适当地增加感受野。
20、作为优选，所述全局网络模块包括：
21、扩张卷积单元，用于获得上下文结构特征信息，获得全局热图，减少所述局部网络模块中关键点识别的歧义问题；
22、其中，
23、所述扩张卷积单元分别与与所述输入模块、所述局部网络模块通信，所述点乘单元与所述扩张卷积单元通信；
24、进而，通过扩张卷积单元可以逐渐增大感受野，捕获到更广泛的上下文结构特征信息，并将其用于约束关键点的检测，与此同时，结合了点乘单元后则可以缓解假阳性极值所带来的影响，获得更加精准的关键点预测结果。
25、作为优选，所述形态感知模块通过存储的髋关节形态感知损失函数获得所述关键点之间的显式形态学关联，其中，所述髋关节形态感知损失函数表述如下：
26、lm＝λld+βla
27、式中λ和β为损失参数，ld代表距离损失，la代表角度向量的余弦相似度损失；
28、使用该形态感知损失函数，可通过两个高阶的统计量拟合髋关节之间的显式结构约束关系，对误差较大的关键点进行位置调整。
本文档来自技高网...【技术保护点】
1.一种基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：包括：
2.根据权利要求1所述的基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：所述局部网络模块包括建立连通关系的：
3.根据权利要求2所述的基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：所述编码器为卷积神经网络，所述卷积神经网络的卷积为残差卷积。
4.根据利要求3所述的基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：所述全局网络模块包括：
5.根据权利要求4所述的基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：所述形态感知模块通过存储的髋关节形态感知损失函数获得所述关键点之间的显式形态学关联，其中，所述髋关节形态感知损失函数表述如下：
【技术特征摘要】
1.一种基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：包括：
2.根据权利要求1所述的基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：所述局部网络模块包括建立连通关系的：
3.根据权利要求2所述的基于隐式和显式结构约束的髋关节关键点检测系统，其特征在于：所述编码器为卷积神经网络，所述卷积神经网络的卷积为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。