CN110473193A - 髋臼骨缺损的检测方法、检测装置、存储介质和处理器 - Google Patents
髋臼骨缺损的检测方法、检测装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN110473193A CN110473193A CN201910740980.1A CN201910740980A CN110473193A CN 110473193 A CN110473193 A CN 110473193A CN 201910740980 A CN201910740980 A CN 201910740980A CN 110473193 A CN110473193 A CN 110473193A
- Authority
- CN
- China
- Prior art keywords
- image data
- medical image
- training
- acetabular bone
- mentioned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种髋臼骨缺损的检测方法、检测装置、存储介质和处理器。该检测方法包括:获取待测医学影像数据,待测医学影像数据为待检测者的髋臼部位的医学影像数据;采用检测模型对待测医学影像数据进行分析,确定待测医学影像数据的髋臼骨缺损程度,其中,检测模型为使用多组数据通过深度学习训练出的,多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。该方法避免采用现有技术中的分型法确定待测医学影像数据的髋臼骨缺损程度,而是采用训练模型确定待测医学影像数据的髋臼骨缺损程度,并且,该训练模型是采用深度学习训练得到的,这样使得确定的结果较准确。
Description
技术领域
本申请涉及医疗领域,具体而言,涉及一种髋臼骨缺损的检测方法、检测装置、存储介质和处理器。
背景技术
随着接受全髋关节置换术患者年龄不断增长及活动量增大,髋关节翻修手术数量不断增长。造成初次全髋关节置换术失败需行髋关节翻修术的原因很多,有感染、假体聚乙烯内衬磨损和假体习惯性脱位等。假体磨损碎屑所致假体周围骨溶解,进而引起假体无菌性松动,始终是施行髋关节翻修术的最主要原因。面对初次髋关节置换失败后髋关节翻修术,髋臼侧缺损修复重建手术策略及手术技术是对骨科医生的挑战之一。
髋关节翻修术髋臼侧重建面临的最主要问题是髋臼骨缺损,其术前评估常采用Paprosky分型、美国骨科医师学会(AAOS)分型、Saleh分型、Gustilo分型及Gross分型等,其中,Paprosky分型和AAOS分型在临床上应用最为广泛。目前,这些方法难以准确地判断髋臼骨缺损的程度。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解,因此,背景技术中可能包含某些信息,这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种髋臼骨缺损的检测方法、检测装置、存储介质和处理器,以解决现有技术中的评估方法难以准确地判断髋臼骨缺损程度的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种髋臼骨缺损的检测方法,包括:获取待测医学影像数据,所述待测医学影像数据为待检测者的髋臼部位的医学影像数据;采用检测模型对所述待测医学影像数据进行分析,确定所述待测医学影像数据的髋臼骨缺损程度,其中,所述检测模型为使用多组数据通过深度学习训练出的,所述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
进一步地,所述检测模型的构建方法包括:获取所述训练医学影像数据;对所述训练医学影像数据进行预定处理,得到处理医学影像数据;对所述训练医学影像数据、所述处理医学影像数据以及所述训练髋臼骨缺损程度进行训练,得到所述检测模型。
进一步地,所述预定处理包括以下至少之一:旋转、平移和加噪声。
进一步地,所述对所述训练医学影像数据、所述处理医学影像数据以及所述训练髋臼骨缺损程度进行训练,得到所述检测模型,包括:分别获取所述训练医学影像数据以及所述处理医学影像数据中的局部二值模式特征;分别提取所述训练医学影像数据以及所述处理医学影像数据中的深度特征;融合所述局部二值模式特征和所述深度特征,得到融合特征;将所述融合特征以及所述训练髋臼骨缺损程度输入至分类器中,得到所述检测模型。
进一步地,分别获取所述训练医学影像数据以及所述处理医学影像数据中的局部二值模式特征,包括:分别提取所述训练医学影像数据以及所述处理医学影像数据中的预备局部二值模式特征;对所述预备局部二值模式特征进行降维处理,得到所述局部二值模式特征。
进一步地,分别提取所述训练医学影像数据以及所述处理医学影像数据中的预备局部二值模式特征,包括:分别将所述训练医学影像数据以及所述处理医学影像数据划分为多个子块;获取各个所述子块的局部二值模式值;根据所述局部二值模式值获取所述子块的直方图;对各个所述子块的直方图进行归一化处理;连接所述训练医学影像数据对应的归一化处理后的多个所述直方图,得到所述训练医学影像数据对应的预备局部二值模式特征,连接所述处理医学影像数据对应的归一化处理后的多个所述直方图,得到所述处理医学影像数据对应的预备局部二值模式特征。
进一步地,分别提取所述训练医学影像数据以及所述处理医学影像数据中的深度特征,包括:对所述训练医学影像数据以及所述处理医学影像数据进行卷积处理以及池化处理,得到预备数据;将所述预备数据输入第一全连接层,得到所述深度特征。
进一步地,所述待测医学影像数据和/或所述训练医学影像数据为CT断层扫描医学影像数据。
根据本申请的一方面,提供了一种髋臼骨缺损的检测装置,包括:获取单元,用于获取待测医学影像数据,所述待测医学影像数据为待检测者的髋臼部位的医学影像数据;分析单元,用于采用检测模型对所述待测医学影像数据进行分析,确定所述待测医学影像数据的髋臼骨缺损程度,其中,所述检测模型为使用多组数据通过深度学习训练出的,所述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
根据本申请的一方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行任意一种所述的检测方法。
根据本申请的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的检测方法。
应用本申请的技术方案,本发明提出了一种髋臼骨缺损的检测方法、检测装置、存储介质和处理器,该检测方法首先获取待检测者的髋臼部位的医学影像数据;然后,将待评估的医学影像数据的导入深度学习训练好的模型中,确定所述待测医学影像数据的髋臼骨缺损程度。该方法中,避免采用现有技术中的分型法确定待测医学影像数据的髋臼骨缺损程度,而是采用训练模型确定待测医学影像数据的髋臼骨缺损程度,并且,该训练模型是采用深度学习训练得到的,这样使得确定的结果较准确。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的一种髋臼骨缺损的检测方法的流程图;以及
图2示出了根据本申请的实施例的一种髋臼骨缺损的检测装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术中所介绍的,现有技术中的现存的分型方法难以准确判断髋臼骨缺损程度。为了解决难以准确判断髋臼骨缺损程度的技术问题,根据本申请的一种典型的实施例,提供了一种髋臼骨缺损的检测方法。
图1是根据本申请实施例的一种髋臼骨缺损的检测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取待测医学影像数据,上述待测医学影像数据为待检测者的髋臼部位的医学影像数据;
步骤S102,采用检测模型对上述待测医学影像数据进行分析,确定上述待测医学影像数据的髋臼骨缺损程度,其中,上述检测模型为使用多组数据通过深度学习训练出的,上述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
上述方案中,首先获取待检测者的髋臼部位的医学影像数据;然后,将待评估的医学影像数据的导入深度学习训练好的模型中,确定上述待测医学影像数据的髋臼骨缺损程度。该方法中,避免采用现有技术中的分型法确定待测医学影像数据的髋臼骨缺损程度,而是采用训练模型确定待测医学影像数据的髋臼骨缺损程度,并且,该训练模型是采用深度学习训练得到的,这样使得确定的结果较准确。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请的一种实施例,上述检测模型的构建方法包括:获取上述训练医学影像数据;对上述训练医学影像数据进行预定处理,得到处理医学影像数据;对上述训练医学影像数据、上述处理医学影像数据以及上述训练髋臼骨缺损程度进行训练,得到上述检测模型。上述的方案中,对所获得的医学影响数据进行预定处理,从而获得上述医学影像数据的更多特征,从而在进行数据训练时,使数据训练库更加丰富,从而使训练得到的检测模型更为准确,以实现髋臼骨缺损情况的更准确分类。
本申请的预定处理可以为现有技术中的任何可行的处理方法,比如去噪等,本领域技术人员可以选择任何合适的预定处理方式。在本申请的一种实施例中,预定处理包括以下至少之一:旋转、平移和加噪声。通过上述预定处理手段可以获得待训练数据的更多特征,使训练数据库更加丰富,从而得到更加准确的训练模型。旋转不限于图像逆时针或者顺时针旋转预定角度,平移为将图像上的像素点整体平移,可为将图像在某一方向移动某一距离,加噪声为在图像上添加某一类型的噪声信号。上述的旋转、平移和加噪声可以采用现有技术中任何可行的方法实现,比如,加噪声具体可以通过加高斯噪声等来实现。
根据本申请的一种实施例,上述对上述训练医学影像数据、上述处理医学影像数据以及上述训练髋臼骨缺损程度进行训练,得到上述检测模型,包括:分别获取上述训练医学影像数据以及上述处理医学影像数据中的局部二值模式特征;分别提取上述训练医学影像数据以及上述处理医学影像数据中的深度特征;融合上述局部二值模式特征和上述深度特征,得到融合特征;将上述融合特征以及上述训练髋臼骨缺损程度输入至分类器中,得到上述检测模型。
局部二值模式特征和深度特征都是用来表征上述训练医学影像数据以及上述处理医学影像数据的相关特征。通过融合上述局部二值模式特征和上述深度特征,得到融合特征,融合特征更全面地表示了上述训练医学影像数据以及上述处理医学影像数据的特征。结合融合特征和髋臼骨的缺损程度,再通过分类器处理,得到精确的检测模型,从而进一步实现了髋臼骨缺损程度的精确分类。
为了更准确地获取上述训练医学影像数据以及上述处理医学影像数据中的局部二值模式特征,且更进一步提高训练的效率,缩短检测模型的获取时间,根据本申请的一种实施例,分别获取上述训练医学影像数据以及上述处理医学影像数据中的局部二值模式特征,包括:分别提取上述训练医学影像数据以及上述处理医学影像数据中的预备局部二值模式特征;对上述预备局部二值模式特征进行降维处理,得到上述局部二值模式特征。
为了得到更加准确的预备局部二值模式特征,本申请的一种实施例中,分别提取上述训练医学影像数据以及上述处理医学影像数据中的预备局部二值模式特征,包括:分别将上述训练医学影像数据以及上述处理医学影像数据划分为多个子块,即对上述训练医学影像数据以及上述处理医学影像数据进行分块处理;获取各个上述子块的局部二值模式值;根据上述局部二值模式值获取上述子块的直方图;对各个上述子块的直方图进行归一化处理;连接上述训练医学影像数据对应的归一化处理后的多个上述直方图,得到上述训练医学影像数据对应的预备局部二值模式特征,连接上述处理医学影像数据对应的归一化处理后的多个上述直方图,得到上述处理医学影像数据对应的预备局部二值模式特征。
当然,本申请的“分别提取上述训练医学影像数据以及上述处理医学影像数据中的预备局部二值模式特征”并不限于上述的方法,还可以为其他任何合适可行的方法。
为了更准确地获取上述训练医学影像数据以及上述处理医学影像数据中的深度特征,根据本申请的一种实施例,分别提取上述训练医学影像数据以及上述处理医学影像数据中的深度特征,包括:对上述训练医学影像数据以及上述处理医学影像数据进行卷积处理以及池化处理,得到预备数据;将上述预备数据输入第一全连接层,得到上述深度特征。
当然,本申请的“分别提取上述训练医学影像数据以及上述处理医学影像数据中的深度特征”并不限于上述的方法,还可以为其他任何合适可行的方法。
根据本申请的一种实施例,上述待测医学影像数据和/或上述训练医学影像数据为CT断层扫描医学影像数据。相对于X光扫描得到的医学影像数据等来说,CT断层扫描可实现分层投射,断面扫描,二次成像后可获得立体图像,立体图像能够更好地表征被测对象的内部三维数据。这样,如果待测医学影像数据为CT断层扫描医学影像数据,根据该待测医学影像数据得到的分类结果会更为准确;如果训练医学影像数据为CT断层扫描医学影像数据,且根据训练医学影像数据训练得到的模型就更为准确,这样得到的最终分类结果也更准确。
需要说明的是,随着科技的进步,可能会出现比CT断层扫描数据更好地表征髋臼骨结构的数据,本领域技术人员可根据实际需要,选用最为合适种类的医学影像数据。
本申请另一典型的实施例还提供了一种髋臼骨缺损的检测装置,需要说明的是,本申请实施例的一种髋臼骨缺损的检测装置可以用于执行本申请实施例所提供的用于髋臼骨缺损的检测方法。以下对本申请实施例提供的一种髋臼骨缺损的检测装置进行介绍。
图2是根据本申请实施例的一种髋臼骨缺损的检测装置的示意图。如图2所示,该装置包括:
获取单元10,用于获取待测医学影像数据,上述待测医学影像数据为待检测者的髋臼部位的医学影像数据;
分析单元20,用于采用检测模型对上述待测医学影像数据进行分析,确定上述待测医学影像数据的髋臼骨缺损程度,其中,上述检测模型为使用多组数据通过深度学习训练出的,上述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
上述方案中,获取单元获取待检测者的髋臼部位的医学影像数据;分析单元将待评估的医学影像数据的导入深度学习训练好的模型中,确定上述待测医学影像数据的髋臼骨缺损程度。该装置,避免采用现有技术中的分型法确定待测医学影像数据的髋臼骨缺损程度,而是采用训练模型确定待测医学影像数据的髋臼骨缺损程度,并且,该训练模型是采用深度学习训练得到的,这样使得确定的结果较准确。
根据本申请的一种实施例,上述检测装置还包括构建单元,该构建单元构建检测模型,该构建单元包括获取模块、处理模块和训练模块。获取模块用于获取上述训练医学影像数据;处理模块用于对上述训练医学影像数据进行预定处理,得到处理医学影像数据;训练模块用于对上述训练医学影像数据、上述处理医学影像数据以及上述训练髋臼骨缺损程度进行训练,得到上述检测模型。上述的方案中,对所获得的医学影响数据进行预定处理,从而获得上述医学影像数据的更多特征,从而在进行数据训练时,使数据训练库更加丰富,从而使训练得到的检测模型更为准确,以实现髋臼骨缺损情况的更准确分类。
本申请的处理模块可以采用现有技术中的任何可行的处理方式对训练医学影像数据进行处理,比如去噪等,本领域技术人员可以选择可以执行任何合适的预定处理方式的处理模块。在本申请的一种实施例中,预定处理包括以下至少之一:旋转、平移和加噪声。通过上述预定处理手段可以获得待训练数据的更多特征,使训练数据库更加丰富,从而得到更加准确的训练模型。旋转不限于图像逆时针或者顺时针旋转预定角度,平移为将图像上的像素点整体平移,可为将图像在某一方向移动某一距离,加噪声为在图像上添加某一类型的噪声信号。上述的旋转、平移和加噪声可以采用现有技术中任何可行的装置实现,比如,加噪声具体可以通过加高斯噪声等来实现。
根据本申请的一种实施例,训练模块包括第一获取子模块、第一提取子模块、融合子模块和第一输入子模块。第一获取子模块用于分别获取上述训练医学影像数据以及上述处理医学影像数据中的局部二值模式特征;第一提取子模块用于分别提取上述训练医学影像数据以及上述处理医学影像数据中的深度特征;融合子模块用于融合上述局部二值模式特征和上述深度特征,得到融合特征;第一输入子模块用于将上述融合特征以及上述训练髋臼骨缺损程度输入至分类器中,得到上述检测模型。
局部二值模式特征和深度特征都是用来表征上述训练医学影像数据以及上述处理医学影像数据的相关特征。融合子模块通过融合上述局部二值模式特征和上述深度特征,得到融合特征,融合特征更全面地表示了上述训练医学影像数据以及上述处理医学影像数据的特征。结合融合特征和髋臼骨的缺损程度,再通过分类器处理,得到精确的检测模型,从而进一步实现了髋臼骨缺损程度的精确分类。
为了更准确地获取上述训练医学影像数据以及上述处理医学影像数据中的局部二值模式特征,且更进一步提高训练的效率,缩短检测模型的获取时间,根据本申请的一种实施例,第一获取子模块包括第二提取子模块和降维子模块。第二提取子模块用于分别提取上述训练医学影像数据以及上述处理医学影像数据中的预备局部二值模式特征;降维子模块用于对上述预备局部二值模式特征进行降维处理,得到上述局部二值模式特征。
为了得到更加准确的预备局部二值模式特征,本申请的一种实施例中,第二提取子模块包括划分子模块、第二获取子模块、第三获取子模块、第一处理子模块和连接子模块。划分子模块用于分别将上述训练医学影像数据以及上述处理医学影像数据划分为多个子块,即对上述训练医学影像数据以及上述处理医学影像数据进行分块处理;第二获取子模块用于获取各个上述子块的局部二值模式值;第三获取子模块用于根据上述局部二值模式值获取上述子块的直方图;第一处理子模块用于对各个上述子块的直方图进行归一化处理;连接子模块用于连接上述训练医学影像数据对应的归一化处理后的多个上述直方图,得到上述训练医学影像数据对应的预备局部二值模式特征,连接上述处理医学影像数据对应的归一化处理后的多个上述直方图,得到上述处理医学影像数据对应的预备局部二值模式特征。
当然,本申请的第一获取子模块并不限于上述的模块,还可以为其他任何合适可行的模块。
为了更准确地获取上述训练医学影像数据以及上述处理医学影像数据中的深度特征,根据本申请的一种实施例,第一提取子模块包括第二处理子模块和第二输入子模块。第二处理子模块用于对上述训练医学影像数据以及上述处理医学影像数据进行卷积处理以及池化处理,得到预备数据;第二输入子模块用于将上述预备数据输入第一全连接层,得到上述深度特征。
当然,本申请的第一提取子模块并不限于上述的模块,还可以为其他任何合适可行的模块。
根据本申请的一种实施例,上述待测医学影像数据和/或上述训练医学影像数据为CT断层扫描医学影像数据。相对于X光扫描得到的医学影像数据等来说,CT断层扫描可实现分层投射,断面扫描,二次成像后可获得立体图像,立体图像能够更好地表征被测对象的内部三维数据。这样,如果待测医学影像数据为CT断层扫描医学影像数据,根据该待测医学影像数据得到的分类结果会更为准确;如果训练医学影像数据为CT断层扫描医学影像数据,且根据训练医学影像数据训练得到的模型就更为准确,这样得到的最终分类结果也更准确。
需要说明的是,随着科技的进步,可能会出现比CT断层扫描数据更好地表征髋臼骨结构的数据,本领域技术人员可根据实际需要,选用最为合适种类的医学影像数据。
上述的检测装置包括处理器和存储器,上述获取单元、分析单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来准确判断髋臼骨缺损程度。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述髋臼骨缺损的检测方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述髋臼骨缺损的检测方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,获取待测医学影像数据,上述待测医学影像数据为待检测者的髋臼部位的医学影像数据;
步骤S102,采用检测模型对上述待测医学影像数据进行分析,确定上述待测医学影像数据的髋臼骨缺损程度,其中,上述检测模型为使用多组数据通过深度学习训练出的,上述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,获取待测医学影像数据,上述待测医学影像数据为待检测者的髋臼部位的医学影像数据;
步骤S102,采用检测模型对上述待测医学影像数据进行分析,确定上述待测医学影像数据的髋臼骨缺损程度,其中,上述检测模型为使用多组数据通过深度学习训练出的,上述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
实施例
本实施例涉及一种髋臼骨缺损的检测方法,具体步骤包括:
步骤S101,获取待检测者的髋臼部位的CT断层扫描医学影像数据(后面简称待检测CT数据),即待测医学影像数据,具体地:获取待测者的待评估髋臼部位的CT断层扫描医学影像并得到二维医学影像DICOM数据,并对髋臼骨缺损的不同程度进行判定和标记。
步骤S102,采用检测模型对上述待测医学影像数据进行分析,确定上述待测医学影像数据的髋臼骨缺损程度。具体地,该步骤依次包括:
步骤A1,对获取的待检测CT数据进行预定处理,得到处理医学影像数据。
具体包括:对获取的待检测CT数据进行预定处理,得到处理医学影像数据,具体为:将获取的待检测CT数据分别进行旋转、平移和加噪声等。待检测CT数据和处理医学影像数据均作为训练数据,增加了训练的数据量,降低过拟合,提高模型的泛化能力。
步骤A2,获取训练医学影像数据、处理医学影像数据的预备局部二值模式特征,对预备局部二值模式特征进行降维处理,得到局部二值模式特征,预备局部二值模式特征可表示为LBP特征a,局部二值模式特征可表示为LBP特征a。
具体包括:获取预备局部二值模式特征LBP特征a,对预备局部二值模式特征进行降维处理,得到局部二值模式特征,具体为:设定待检测CT数据的像素大小为m×m及子块的尺寸大小为n×n,m和n为正整数且m能被n整除;按照设定的子块尺寸大小对每个髋臼部位待检测CT数据划分m2/n2个相同尺寸大小的子块,对于每个子块中的一个像素,采用算子将相邻的p个子块的像素的灰度值与其进行比较,中的R为半径,P为采样点的个数,若周围子块的像素的灰度值大于该子块的像素的灰度值,则该子块的像素点的位置被标记为1,否则为0;这样,以R为半径的圆形邻域内,中心子块与周围p个子块的像素的灰度值比较后,产生p位二进制数,即得到该中心子块的窗口中心像素点的LBP值,如公式(1)所示:
其中,(xc,yc)是窗口中心像素点,ic是中心子块的像素的灰度值,ip是相邻子块的像素的灰度值,s是一个符号函数:
然后计算每个子块的直方图,然后对直方图进行归一化处理,最后将得到的每个子块的统计直方图进行连接成为每个髋臼部位待检测CT数据的LBP特征a,最终得到2×n2×m/n维的LBP特征a,之后通过PCA进行降维处理后得到h维的LBP特征a;PCA的做法就是通过原来的变量做线性投影形成新的变量,一般通过公式(3)来计算特征的主成分:
y=UT(xi-x) (3)
其中,y表示主成分特征,x表示训练样本的特征均值,xi为需要降维的特征,UT为协
方差矩阵计算公式,如公式(4)所示:
步骤A3,分别提取训练医学影像数据以及处理医学影像数据中的深度特征,深度特征可表示为特征b,对上述训练医学影像数据以及上述处理医学影像数据进行卷积处理以及池化处理,得到预备数据;将上述预备数据输入第一全连接层,得到上述深度特征。
具体包括,分别提取训练医学影像数据以及处理医学影像数据中的深度特征,深度特征可表示为特征b,利用卷积神经网络提取训练医学影像数据以及处理医学影像数据中的深度特征b,具体为:采用vgg-16模型,通过一系列的卷积池化操作,最后通过第一全连接层得到深度特征b;对于卷积层来说,每层卷积层的输出特征是通过将一组M1×M2的滤波器与前一层卷积层的输出特征进行卷积获得,卷积操作的输出公式,如公式(5)所示:
其中,Yj为第j层卷积层所得的输出特征,Xi表示卷积层的输入特征,Wj,i为M1×M2滤波器的权重矩阵,bj为第j层的偏置,代表卷积操作,N为前一层卷积层所有或部分特征的个数。对于池化层来说,通过对前一层的卷积层的每个特征图进行最大采样来获得相应的输出特征;对于第一全连接层,该第一全连接层中的每个神经元连接前面一层池化层中的所有神经元,从而得到一个深度特征b。
步骤A4,融合上述局部二值模式特征和上述深度特征,得到融合特征,融合特征可表示为特征c;具体包括,融合上述局部二值模式特征和上述深度特征,得到融合特征,融合特征可表示为特征c,如公式(6)所示:
c=[a1,b1;a2,b2;a3,b3;…ap,bp] (6)
其中,p为训练的髋臼部位的待检测CT数据的总数。
步骤A5,将上述融合特征以及上述训练髋臼骨缺损程度输入至分类器中,得到上述检测模型。具体包括,将融合特征c输入到分类器中进行分类得到训练好的模型,并得到最终的分类结果,具体为:将上述融合特征c后接一个K维的全连接层,利用softmax分类器进行分类得到训练好的模型,并得到最终的分类结果,softmax函数(即softmax分类器)能将一个含任意实数的K维向量z压缩到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。计算公式如公式(7)所示:
其中,j=1,…K。
步骤A6,将待评估的髋臼部位的CT断层扫描医学影像数据导入到训练好的模型,得出分类结果。具体包括,将待评估的髋臼部位的CT断层扫描医学影像数据导入到训练好的模型,得出分类结果。模型的输入为图片的像素点(在计算机中读取的是一个矩阵),输出的是分类结果。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的髋臼骨缺损的检测方法,首先获取待检测者的髋臼部位的医学影像数据;然后,将待评估的医学影像数据的导入深度学习训练好的模型中,确定上述待测医学影像数据的髋臼骨缺损程度。该方法中,避免采用现有技术中的分型法确定待测医学影像数据的髋臼骨缺损程度,而是采用训练模型确定待测医学影像数据的髋臼骨缺损程度,并且,该训练模型是采用深度学习训练得到的,这样使得确定的结果较准确。
2)、本申请的髋臼骨缺损的检测装置,获取单元获取待检测者的髋臼部位的医学影像数据;分析单元将待评估的医学影像数据的导入深度学习训练好的模型中,确定上述待测医学影像数据的髋臼骨缺损程度。该装置,避免采用现有技术中的分型法确定待测医学影像数据的髋臼骨缺损程度,而是采用训练模型确定待测医学影像数据的髋臼骨缺损程度,并且,该训练模型是采用深度学习训练得到的,这样使得确定的结果较准确。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种髋臼骨缺损的检测方法,其特征在于,包括:
获取待测医学影像数据,所述待测医学影像数据为待检测者的髋臼部位的医学影像数据;
采用检测模型对所述待测医学影像数据进行分析,确定所述待测医学影像数据的髋臼骨缺损程度,其中,所述检测模型为使用多组数据通过深度学习训练出的,所述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
2.根据权利要求1所述的检测方法,其特征在于,所述检测模型的构建方法包括:
获取所述训练医学影像数据;
对所述训练医学影像数据进行预定处理,得到处理医学影像数据;
对所述训练医学影像数据、所述处理医学影像数据以及所述训练髋臼骨缺损程度进行训练,得到所述检测模型。
3.根据权利要求2所述的检测方法,其特征在于,所述预定处理包括以下至少之一:旋转、平移和加噪声。
4.根据权利要求2所述的检测方法,其特征在于,所述对所述训练医学影像数据、所述处理医学影像数据以及所述训练髋臼骨缺损程度进行训练,得到所述检测模型,包括:
分别获取所述训练医学影像数据以及所述处理医学影像数据中的局部二值模式特征;
分别提取所述训练医学影像数据以及所述处理医学影像数据中的深度特征;
融合所述局部二值模式特征和所述深度特征,得到融合特征;
将所述融合特征以及所述训练髋臼骨缺损程度输入至分类器中,得到所述检测模型。
5.根据权利要求4所述的检测方法,其特征在于,分别获取所述训练医学影像数据以及所述处理医学影像数据中的局部二值模式特征,包括:
分别提取所述训练医学影像数据以及所述处理医学影像数据中的预备局部二值模式特征;
对所述预备局部二值模式特征进行降维处理,得到所述局部二值模式特征。
6.根据权利要求5所述的检测方法,其特征在于,分别提取所述训练医学影像数据以及所述处理医学影像数据中的预备局部二值模式特征,包括:
分别将所述训练医学影像数据以及所述处理医学影像数据划分为多个子块;
获取各个所述子块的局部二值模式值;
根据所述局部二值模式值获取所述子块的直方图;
对各个所述子块的直方图进行归一化处理;
连接所述训练医学影像数据对应的归一化处理后的多个所述直方图,得到所述训练医学影像数据对应的预备局部二值模式特征,连接所述处理医学影像数据对应的归一化处理后的多个所述直方图,得到所述处理医学影像数据对应的预备局部二值模式特征。
7.根据权利要求4所述的检测方法,其特征在于,分别提取所述训练医学影像数据以及所述处理医学影像数据中的深度特征,包括:
对所述训练医学影像数据以及所述处理医学影像数据进行卷积处理以及池化处理,得到预备数据;
将所述预备数据输入第一全连接层,得到所述深度特征。
8.根据权利要求1至7中任一项所述的检测方法,其特征在于,所述待测医学影像数据和/或所述训练医学影像数据为CT断层扫描医学影像数据。
9.一种髋臼骨缺损的检测装置,其特征在于,包括:
获取单元,用于获取待测医学影像数据,所述待测医学影像数据为待检测者的髋臼部位的医学影像数据;
分析单元,用于采用检测模型对所述待测医学影像数据进行分析,确定所述待测医学影像数据的髋臼骨缺损程度,其中,所述检测模型为使用多组数据通过深度学习训练出的,所述多组数据中的每组数据均包括:训练医学影像数据和训练医学影像数据对应的训练髋臼骨缺损程度。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至8中任意一项所述的检测方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740980.1A CN110473193A (zh) | 2019-08-12 | 2019-08-12 | 髋臼骨缺损的检测方法、检测装置、存储介质和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740980.1A CN110473193A (zh) | 2019-08-12 | 2019-08-12 | 髋臼骨缺损的检测方法、检测装置、存储介质和处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110473193A true CN110473193A (zh) | 2019-11-19 |
Family
ID=68510633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740980.1A Pending CN110473193A (zh) | 2019-08-12 | 2019-08-12 | 髋臼骨缺损的检测方法、检测装置、存储介质和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473193A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067670A (zh) * | 2019-12-24 | 2020-04-28 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损的评估方法及装置、电子设备 |
CN111145289A (zh) * | 2019-12-30 | 2020-05-12 | 北京爱康宜诚医疗器材有限公司 | 骨盆三维数据的提取方法及装置 |
WO2023029896A1 (zh) * | 2021-09-01 | 2023-03-09 | 北京长木谷医疗科技有限公司 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2010143968A (ru) * | 2010-10-28 | 2012-05-10 | Федеральное государственное учреждение "Центральный научно-исследовательский институт травматологии и ортопедии имени Н.Н. Приорова Р | Способ предоперационной инвазивной лучевой диагностики патологических изменений в тазобедренном суставе при врожденном вывихе бедра у детей |
CN108596247A (zh) * | 2018-04-23 | 2018-09-28 | 南方医科大学 | 一种融合放射组学和深度卷积特征进行图像分类的方法 |
CN109106481A (zh) * | 2018-09-18 | 2019-01-01 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损程度的确定方法及装置 |
CN109124836A (zh) * | 2018-09-18 | 2019-01-04 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损处理方式的确定方法及装置 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109727236A (zh) * | 2018-12-27 | 2019-05-07 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损的评估方法及装置、存储介质以及处理器 |
-
2019
- 2019-08-12 CN CN201910740980.1A patent/CN110473193A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2010143968A (ru) * | 2010-10-28 | 2012-05-10 | Федеральное государственное учреждение "Центральный научно-исследовательский институт травматологии и ортопедии имени Н.Н. Приорова Р | Способ предоперационной инвазивной лучевой диагностики патологических изменений в тазобедренном суставе при врожденном вывихе бедра у детей |
CN108596247A (zh) * | 2018-04-23 | 2018-09-28 | 南方医科大学 | 一种融合放射组学和深度卷积特征进行图像分类的方法 |
CN109106481A (zh) * | 2018-09-18 | 2019-01-01 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损程度的确定方法及装置 |
CN109124836A (zh) * | 2018-09-18 | 2019-01-04 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损处理方式的确定方法及装置 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109727236A (zh) * | 2018-12-27 | 2019-05-07 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损的评估方法及装置、存储介质以及处理器 |
Non-Patent Citations (7)
Title |
---|
张斌斌: "髋关节翻修术中髋臼骨缺损分类和重建研究新进展", 《万方数据知识服务平台》 * |
李德毅: "《中国科协新一代信息技术系列丛书 人工智能导论》", 30 September 2018, 中国科学技术出版社 * |
杨玉国: "髋臼骨缺损的髋关节置换处理及疗效分析", 《万方数据知识服务平台》 * |
王延江: "《数字图像处理》", 30 November 2016, 中国石油大学出版社 * |
陈慧岩: "《无人驾驶车辆理论与设计》", 31 March 2018, 北京理工大学出版社 * |
陈敏: "《认知计算导论》", 30 April 2017, 华中科技大学出版社 * |
黄孝平: "《当代机器深度学习方法与应用研究》", 30 November 2017, 电子科技大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067670A (zh) * | 2019-12-24 | 2020-04-28 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损的评估方法及装置、电子设备 |
CN111145289A (zh) * | 2019-12-30 | 2020-05-12 | 北京爱康宜诚医疗器材有限公司 | 骨盆三维数据的提取方法及装置 |
WO2023029896A1 (zh) * | 2021-09-01 | 2023-03-09 | 北京长木谷医疗科技有限公司 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gangwar et al. | Diabetic retinopathy detection using transfer learning and deep learning | |
CN107464250B (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
Oh et al. | Deep anatomical context feature learning for cephalometric landmark detection | |
Wang et al. | Automatic analysis of lateral cephalograms based on multiresolution decision tree regression voting | |
JP2021529051A (ja) | 3dオブジェクトの正準ポーズの自動化判定、および深層学習を使った3dオブジェクトの重ね合わせ | |
CN111275714B (zh) | 一种基于注意力机制的3d卷积神经网络的前列腺mr图像分割方法 | |
CN110473193A (zh) | 髋臼骨缺损的检测方法、检测装置、存储介质和处理器 | |
Damas et al. | Forensic identification by computer-aided craniofacial superimposition: a survey | |
US9530077B2 (en) | Image analysis | |
CN112699869A (zh) | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 | |
CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
CN116486408B (zh) | 遥感图像跨域语义分割方法及装置 | |
CN112614133A (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
Zhang et al. | Learning-based coronal spine alignment prediction using smartphone-acquired scoliosis radiograph images | |
Nousiainen et al. | Automating chest radiograph imaging quality control | |
Tian et al. | Radiomics and its clinical application: artificial intelligence and medical big data | |
Mardiana et al. | Herbal Leaves Classification Based on Leaf Image Using CNN Architecture Model VGG16 | |
Manikandan et al. | Cataract Fundus Image Detection Using Hybrid Deep Learning Model | |
CN113724328A (zh) | 一种髋关节关键点检测方法和系统 | |
Li et al. | Automatic discoid lateral meniscus diagnosis from radiographs based on image processing tools and machine learning | |
WO2020033594A1 (en) | Interpretable deep machine learning for clinical radiology | |
Alshamrani et al. | [Retracted] Automation of Cephalometrics Using Machine Learning Methods | |
CN113724319A (zh) | 一种人工髋关节假体型号匹配方法和系统 | |
Xu et al. | Auto-segmentation of Hip Joints Using MultiPlanar UNet with Transfer Learning | |
Tasnim et al. | A Deep Learning Based Image Processing Technique for Early Lung Cancer Prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211126 Address after: 102200 Beijing Changping District science and Technology Park No. 10, two floor, Xingye building, Bai Fu Quan road. Applicant after: Beijing Yidian Lingdong Technology Co.,Ltd. Address before: 102200 Beijing Changping District science and Technology Park No. 10, two floor, Xingye building, Bai Fu Quan road. Applicant before: BEIJING AK MEDICAL Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |