【技术实现步骤摘要】
本申请属于深度学习，尤其涉及一种基于深度学习算法的骨密度测量方法、装置、设备及计算机可读存储介质。
技术介绍
1、脊柱的骨折通常会导致病人的残疾，严重者甚至有死亡的危险。骨质疏松是发生骨折的一个重要的原因，因此对于骨质疏松的预防成为预防骨折的一个关键。对于骨质疏松的诊断，通常通过对人体的骨密度进行测量，得到骨密度值。
2、目前市面上常用的骨密度测量方式有4种。
3、第一种，单光子吸收测定法，即利用骨组织对放射物质的吸收与骨矿含量成正比的原理，以放射性同位素为光源，测定人体四肢骨的骨矿含量。
4、第二种，双能x线吸收测定法，通过x射线管球经过一定的装置所获得两种能量，即低能和高能光子峰，此种光子峰穿透身体后，扫描系统将所接收的信号送至计算机进行数据处理，得出骨矿含量。
5、第三种，定量ct也就是qct，qct能精确地选择特定部位的骨测量、骨质密度，能分别评估皮质骨的、海绵骨的骨矿密度。
6、第四种，超声波测定法，由于其无辐射和诊断骨折较敏感而引起人们的广泛关注，利用声波传导速度和振幅衰减，能反映骨矿含量多少和骨结构及骨强度的情况，所用的仪器为超声骨密度仪。
7、但是上述四种方法的弊端有2个：
8、1.上述的方法都需要专门的设备进行骨密度的测量，而在一些规模较小的医院，并没有此类设备。
9、2.对于专业仪器的测量也需要专门的人员进行操作，即需要培训专门的仪器操作人员。
10、因此，如何在无需专门设备、专门人员的情况下，准确地进
技术实现思路
1、本申请实施例提供一种基于深度学习算法的骨密度测量方法、装置、设备及计算机可读存储介质，能够在无需专门设备、专门人员的情况下，准确地进行骨密度的测量。
2、第一方面，本申请实施例提供一种基于深度学习算法的骨密度测量方法，包括：
3、获取脊柱ct图像；
4、将脊柱ct图像输入预设的分割网络模型，输出对应的脊椎分割结果；
5、将脊椎分割结果输入预设的回归网络模型，输出对应的骨密度测量结果。
6、可选的，在获取脊柱ct图像之后，还包括：
7、对脊柱ct图像进行归一化处理。
8、可选的，分割网络模型的整个网路结构采用4个分支并行的方式进行，并且在每下次采用生成新分支时，让分支之间通过concatenate的方式进行信息的融合；
9、最终模型所输出的四个分支中，只使用第一个分支的输出作为最终的输出。
10、可选的，第一个分支使用卷积block，每个卷积block由2个convolutional操作、1个batch normalization和1个relu激活函数组成；
11、图像在整个分支上尺寸保持不变，通过这样的方式有效的提取图像的局部细节信息。
12、可选的，在除第一个分支的其他分支，将卷积block置换成transformer block，有效的提取图像中的全局信息。
13、可选的，transformer block包括laplacian算子，用于检测图像中的二阶导数，帮助定位图像中的边缘。
14、可选的，包括：
15、将这个卷积核与图像进行卷积操作，得到梯度变化；
16、基于梯度变化进行边缘检测。
17、第二方面，本申请实施例提供了一种基于深度学习算法的骨密度测量装置，包括：
18、图像获取模块，用于获取脊柱ct图像；
19、脊椎分割模块，用于将脊柱ct图像输入预设的分割网络模型，输出对应的脊椎分割结果；
20、骨密度测量模块，用于将脊椎分割结果输入预设的回归网络模型，输出对应的骨密度测量结果。
21、第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
22、所述处理器执行所述计算机程序指令时实现基于深度学习算法的骨密度测量方法。
23、第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现基于深度学习算法的骨密度测量方法。
24、本申请实施例提供一种基于深度学习算法的骨密度测量方法、装置、设备及计算机可读存储介质，能够在无需专门设备、专门人员的情况下，准确地进行骨密度的测量。
25、该基于深度学习算法的骨密度测量方法，包括：获取脊柱ct图像；将脊柱ct图像输入预设的分割网络模型，输出对应的脊椎分割结果；将脊椎分割结果输入预设的回归网络模型，输出对应的骨密度测量结果。
本文档来自技高网...【技术保护点】
1.一种基于深度学习算法的骨密度测量方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习算法的骨密度测量方法，其特征在于，在获取脊柱CT图像之后，还包括：
3.根据权利要求1所述的基于深度学习算法的骨密度测量方法，其特征在于，分割网络模型的整个网路结构采用4个分支并行的方式进行，并且在每下次采用生成新分支时，让分支之间通过concatenate的方式进行信息的融合；
4.根据权利要求3所述的基于深度学习算法的骨密度测量方法，其特征在于，第一个分支使用卷积Block，每个卷积Block由2个convolutional操作、1个batch normalization和1个ReLu激活函数组成；
5.根据权利要求4所述的基于深度学习算法的骨密度测量方法，其特征在于，在除第一个分支的其他分支，将卷积Block置换成Transformer Block，有效的提取图像中的全局信息。
6.根据权利要求5所述的基于深度学习算法的骨密度测量方法，其特征在于，Transformer Block包括Laplacian算子，用于检测图
7.根据权利要求6所述的基于深度学习算法的骨密度测量方法，其特征在于，包括：
8.一种基于深度学习算法的骨密度测量装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的基于深度学习算法的骨密度测量方法。
...【技术特征摘要】
1.一种基于深度学习算法的骨密度测量方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习算法的骨密度测量方法，其特征在于，在获取脊柱ct图像之后，还包括：
3.根据权利要求1所述的基于深度学习算法的骨密度测量方法，其特征在于，分割网络模型的整个网路结构采用4个分支并行的方式进行，并且在每下次采用生成新分支时，让分支之间通过concatenate的方式进行信息的融合；
4.根据权利要求3所述的基于深度学习算法的骨密度测量方法，其特征在于，第一个分支使用卷积block，每个卷积block由2个convolutional操作、1个batch normalization和1个relu激活函数组成；
5.根据权利要求4所述的基于深度学习算法的骨密度测量方法，其特征在于，在除第一个分支的其他分支，将...
【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：北京长木谷医疗科技股份有限公司，
类型：发明
国别省市：
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。