System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉领域,特别是涉及一种儿童手腕骨折区域图像检测方法。
技术介绍
1、骨折是一个重要的全球公共卫生问题,极大地影响着人们的生活质量。x-ray、磁共振成像(magnetic resonance imaging,mri)和计算机断层扫描(computed tomography,ct)是用于骨折检测的三种常用设备。相比于其它两种设备x-ray成本比较低、操作简单且出片速度快,因而成为使用最广泛的骨折检测设备。目前,对x-ray图像的解读还是采用放射科医生和外科医生技术相结合的人工方式,但这需要该领域经过长期专业训练的放射科医生。根据调查,x-ray图像被误解的比例已经达到26%。另外,人工解读x-ray图像也是非常耗时的。
2、医院儿科经常会接到大量骨折病例,其中儿童手腕骨折占大多数。儿童还处在生长发育期,对手腕骨折的诊断会产生影响。文献“deeploc:deep learning-based bonepathology localization and classification inwrist x-ray”,(razan dibo,andreygalichin,pavel astashev,et al,arxiv preprint arxiv:2308.12727)指出,儿童手腕骨折的漏诊率最高,占病例的32.4%。
3、近年来,计算机辅助诊断系统在帮助放射科医生进行准确有效的医学图像分析方面显示出巨大的潜力。随着深度学习技术的发展,研究人员开始将深度神经网络模型应用于骨折的自动检测
4、在儿童手腕x-ray骨折图像中,部分骨折实例尺寸较小,并且仅凭其外部特征难以识别,对这些目标的精确检测通常需要广泛的上下文信息。同时,标注的骨折数据集中往往会存在低质量标注的样本,导致检测精度较低。
技术实现思路
1、本专利技术的目的是提供一种儿童手腕骨折区域图像检测方法,可准确识别不同尺寸的骨折区域,提高了检测精度。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种儿童手腕骨折区域图像检测方法,所述方法包括:
4、构建改进的yolov8模型;所述改进的yolov8模型以yolov8网络为基础架构,在yolov8网络中backbone结尾的sppf模块前面加入动态调整空间感受野的lsknet模块,在backbone和neck之间添加通道特征融合cffnet模块,并在head端将回归框损失函数替换为wiou v3损失函数;
5、建立儿童手腕创伤图像数据集;所述儿童手腕创伤图像数据集包括多张儿童手腕创伤的x-ray图像和骨折标记;
6、利用所述儿童手腕创伤图像数据集训练改进的yolov8模型,获得最优的儿童手腕骨折检测模型;
7、将待检测的儿童手腕x-ray图像输入最优的儿童手腕骨折检测模型,确定待检测的儿童手腕x-ray图像中的儿童手腕骨折区域。
8、可选地,所述动态调整空间感受野的lsknet模块包括:依次连接的第一conv2d层、第一batchnorm2d层、第一gelu、lskblock模块和第二conv2d层;
9、第一conv2d层用于对backbone模块中第5个c2f特征提取模块的输出进行卷积降维;
10、第一batchnorm2d层用于对conv2d层卷积降维后的特征图进行批量归一化;
11、第一gelu用于对第一batchnorm2d层批量归一化后的特征图进行非线性操作;
12、lskblock模块用于动态调整第一gelu非线性操作后的特征图中特征提取主干的感受野;
13、第二conv2d层用于对lskblock模块输出的特征图进行进一步的特征提取后,输入到sppf模块。
14、可选地,所述lskblock模块包括:大核卷积和空间核选择机制;
15、大核卷积利用具有不同感受野的深度卷积对第一gelu非线性操作后的特征图提取特征,并对提取的每个特征图由1×1的卷积层依据公式进一步提取特征;其中,表示1×1的卷积层进一步提取的第i个深度卷积的特征图,表示第i个深度卷积对应的卷积层,mi表示第i个深度卷积提取的特征图,i∈[1,n],n表示分解的核的数量;
16、空间核选择机制通过卷积层依据公式获得注意力特征s;其中,表示第i个深度卷积对应的空间注意力图;
17、将第一gelu非线性操作后的特征图和注意力特征s依据公式进行逐元素乘积,获得最终输出的特征图y;其中,x表示第一gelu非线性操作后的特征图,表示逐元素乘积。
18、可选地,所述cffnet模块包括依次连接的第二batchnorm2d层、lightconv模块、第二gelu和第三conv2d层;
19、第二batchnorm2d层用于对backbone输出的特征图进行批量归一化;
20、lightconv模块用于融合批量归一化后的特征图的通道信息和压缩参数;
21、第二gelu用于对融合后的特征图进行非线性操作;
22、第三conv2d层用于对非线性操作后的特征图进行卷积降维。
23、可选地,所述lightconv模块包括:依次连接的第四conv2d、第三batchnorm2d层、relu和dwconv。
24、可选地,所述wiou v3损失函数为:
25、
26、
27、
28、
29、其中,为wiou v3损失函数;为wiou v1损失函数;β为用于描述边界框质量的离群度;α和δ均为超参数;x和y为预测的边界框的坐标;xgt和ygt为真实边界框的坐标;wg和hg为最小封闭边界框的宽度和高度;*表示从计算图中分离;为交并比损失函数;wi和hi为预测边界框和真实边界框之间的交叉宽度和交叉高度;w和h为预测边界框的宽度和高度,wgt和hgt为真实边界框的宽度和高度;γ为非单调聚焦系数。
30、可选地,所述改进的yolov8模型的每个解耦头中的边界框回归损失函数为:
31、
32、其中,dfl表示分布焦点损失。
33、可选地,建立儿童手腕创伤图像数据集,具体包括:
34、选取由多张儿童手腕本文档来自技高网...
【技术保护点】
1.一种儿童手腕骨折区域图像检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的儿童手腕骨折区域图像检测方法,其特征在于,所述动态调整空间感受野的LSKNet模块包括:依次连接的第一Conv2d层、第一BatchNorm2d层、第一GELU、LSKBlock模块和第二Conv2d层;
3.根据权利要求2所述的儿童手腕骨折区域图像检测方法,其特征在于,所述LSKBlock模块包括:大核卷积和空间核选择机制;
4.根据权利要求1所述的儿童手腕骨折区域图像检测方法,其特征在于,所述CFFNet模块包括依次连接的第二BatchNorm2d层、LightConv模块、第二GELU和第三Conv2d层;
5.根据权利要求4所述的儿童手腕骨折区域图像检测方法,其特征在于,所述LightConv模块包括:依次连接的第四Conv2d、第三BatchNorm2d层、ReLU和DWConv。
6.根据权利要求1所述的儿童手腕骨折区域图像检测方法,其特征在于,所述WIoU v3损失函数为:
7.根据权利要求6所述的儿童手腕
8.根据权利要求1所述的儿童手腕骨折区域图像检测方法,其特征在于,建立儿童手腕创伤图像数据集,具体包括:
9.根据权利要求1所述的儿童手腕骨折区域图像检测方法,其特征在于,利用所述儿童手腕创伤图像数据集训练改进的YOLOv8模型,获得最优的儿童手腕骨折检测模型,具体包括:
10.根据权利要求9所述的儿童手腕骨折区域图像检测方法,其特征在于,在训练改进的YOLOv8模型过程中,对所述训练集进行数据增强;所述数据增强包括HSV色调、HSV饱和度、HSV值、转换、缩放、翻转、马赛克和混合增强。
...【技术特征摘要】
1.一种儿童手腕骨折区域图像检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的儿童手腕骨折区域图像检测方法,其特征在于,所述动态调整空间感受野的lsknet模块包括:依次连接的第一conv2d层、第一batchnorm2d层、第一gelu、lskblock模块和第二conv2d层;
3.根据权利要求2所述的儿童手腕骨折区域图像检测方法,其特征在于,所述lskblock模块包括:大核卷积和空间核选择机制;
4.根据权利要求1所述的儿童手腕骨折区域图像检测方法,其特征在于,所述cffnet模块包括依次连接的第二batchnorm2d层、lightconv模块、第二gelu和第三conv2d层;
5.根据权利要求4所述的儿童手腕骨折区域图像检测方法,其特征在于,所述lightconv模块包括:依次连接的第四conv2d、第三batchnorm2d层...
【专利技术属性】
技术研发人员:邓明森,陈旭,安冯竞,喻曦,陈建平,张帅,姚灵,
申请(专利权)人:贵州财经大学,
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。