CN111414939B - 脊椎骨折区域分析模型训练方法和装置 - Google Patents

脊椎骨折区域分析模型训练方法和装置 Download PDF

Info

Publication number
CN111414939B
CN111414939B CN202010147810.5A CN202010147810A CN111414939B CN 111414939 B CN111414939 B CN 111414939B CN 202010147810 A CN202010147810 A CN 202010147810A CN 111414939 B CN111414939 B CN 111414939B
Authority
CN
China
Prior art keywords
vertebra
bone
output frame
output
feature map
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.)
Active
Application number
CN202010147810.5A
Other languages
English (en)
Other versions
CN111414939A (zh
Inventor
颜立峰
何福金
刘小青
俞益洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN202010147810.5A priority Critical patent/CN111414939B/zh
Publication of CN111414939A publication Critical patent/CN111414939A/zh
Application granted granted Critical
Publication of CN111414939B publication Critical patent/CN111414939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请实施例提供了一种脊椎骨折区域分析模型训练方法和装置，解决了现有脊椎骨折区域分析方式的准确率低和效率低的问题。该方法包括：将基本框输入椎骨主干网络获得的第一椎骨提取特征图；将第一椎骨提取特征图输入N个椎骨渐进层中的第一椎骨渐进层以获得第一椎骨输出框；根据第一椎骨输出框和椎体标准参考数据之间的差别调整第二椎骨渐进层的网络参数，并将第一椎骨输出框输入椎骨主干网络获得第二提取特征图；将椎骨主干网络输出的第m椎骨提取特征图输入N个椎骨渐进层中的第m椎骨渐进层以获得第m输出框；以及根据第m输出框和骨折区域标准参考数据之间的差别调整第m+1输出框的网络参数，并根据第m输出框基于椎骨主干网络获得第m+1提取特征图。

Description

脊椎骨折区域分析模型训练方法和装置
技术领域
本申请涉及影像分析技术领域，具体涉及一种脊椎骨折区域分析模型训练方法、脊椎骨折区域分析方法、装置、电子设备和计算机可读存储介质。
背景技术
深度学习在辅助放射科诊断的应用是目前人工智能领域的研究热点之一。其中骨折作为高发病种，在日常临床工作中，骨科医生往往需要审阅大量的放射影像，并且夜班也有非常大的阅片需求，这已成为急需解决的问题。随着计算机和医疗技术的飞速发展，人工智能辅助医生的可能性，越来越受到骨科医生和研究人员的重视。脊椎骨的骨折，系身体各部位骨折识别中较难的一种，一方面由于拍摄的椎体X光片中，包含很多身体各部分其它器官，这些器官对椎体造成遮挡使得椎体本身难以辨别，另外它们造成非常多的低密度影与骨折低密度影容易造成混淆；另一方面椎体骨折和脱位的类型征象多样化，例如压缩性骨折和脱位没有明显的骨折线，只是椎体的形态和相对位置与常规结构有差异，与普通的骨折的征象有很大的区别。在临床实践中，医生仅仅基于X光识别椎体骨折和脱位准确率相较其它部位低。但基于CT的判断，对病患造成的伤害大，且成本高。已有研究表明，深度学习技术在区分重叠物体的能力和敏感度上，较人类有先天的优势。因此利用深度学习的方法，制作能够自动在放射平片中识别椎体骨折和脱位的装置，以期帮助医生提高脊椎骨折区域分析的准确率，是十分有意义的。
一些运用深度学习技术的自动化装置已经被应用于给医生检测病灶可疑区域的提示。目前基于深度学习，适用于检测的方法有“物体检测”和“实例分割”等方法，其准确率大大超过了其它机器学习方法。
然而，深度学习技术在脊椎骨折的识别中尚未有应用。如果依靠现有的深度学习方法，可以将脊椎骨折的病灶区域当作单一的训练目标，送进人工神经网络里进行训练。但是由于脊椎段放射平片的形态较为多变，并且经常会包括一些身体的其它部位，例如肩部骨块、胸部肋骨、髋部骨块等，还有软组织。这些组织上的骨折或很像骨折的低密度影在脊椎放射平片上出现的频率很高，以致于对于真正脊椎骨折的特征是很大的噪声，这样会影响算法训练的效果和精度。
发明内容
有鉴于此，本申请实施例提供了一种脊椎骨折区域分析模型训练方法和装置，解决了现有脊椎骨折区域分析方式的准确率低和效率低的问题。
根据本申请的一个方面，本申请一实施例提供的一种脊椎骨折区域分析模型训练方法包括：所述脊椎骨折区域分析模型包括用于提取特征图的椎骨主干网络和分别与所述椎骨主干网络连接的N个椎骨渐进层，所述椎骨渐进层配置为基于输入的特征图输出包括骨折区域预测结果的输出框，其中N为大于等于2的整数；其中，所述训练方法包括：将基本框输入所述椎骨主干网络获得的第一椎骨提取特征图；将所述第一椎骨提取特征图输入所述N个椎骨渐进层中的第一椎骨渐进层以获得第一椎骨输出框；根据所述第一椎骨输出框和椎体标准参考数据之间的差别调整第二椎骨渐进层的网络参数，并将所述第一椎骨输出框输入所述椎骨主干网络获得第二提取特征图；将所述椎骨主干网络输出的第m椎骨提取特征图输入所述N个椎骨渐进层中的第m椎骨渐进层以获得第m输出框，其中，m为N≥m≥2的整数变量；以及根据所述第m输出框和骨折区域标准参考数据之间的差别调整第m+1输出框的网络参数，并根据所述第m输出框基于所述椎骨主干网络获得第m+1提取特征图。
在本申请一实施例中，所述根据所述第m输出框基于所述椎骨主干网络获得第m+1提取特征图包括：根据所述第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图；以及将所述融合特征图输入所述椎骨主干网络以获得所述第m+1提取特征图；其中，所述第q输出框基于另一脊椎骨折区域分析模型的训练过程获取，所述另一脊椎骨折区域分析模型，包括用于提取特征图的骨椎主干网络和分别与所述骨椎主干网络连接的P个骨椎渐进层，所述骨椎渐进层配置为基于输入的特征图输出包括椎体区域预测结果的输出框，其中P为大于等于2的整数；其中，所述另一脊椎骨折区域分析模型的训练过程包括：将基本框输入所述骨椎主干网络获得的第一骨椎提取特征图；将所述第一骨椎提取特征图输入所述P个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框；根据所述第一骨椎输出框和骨折区域标准参考数据之间的差别调整第二骨椎渐进层的网络参数，并将所述第一骨椎输出框输入所述骨椎主干网络获得第二提取特征图；将所述骨椎主干网络输出的第q骨椎提取特征图输入所述P个骨椎渐进层中的所述第q骨椎渐进层以获得所述第q输出框，其中，q为P≥q≥2的整数变量；以及根据所述第q输出框和椎体标准参考数据之间的差别调整第q+1输出框的网络参数，并根据所述第q输出框基于所述骨椎主干网络获得第q+1提取特征图。
在本申请一实施例中，所述根据所述第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图包括：以特征叠加或特征相加的方式融合所述第m输出框和所述第q输出框以生成所述融合特征图。
在本申请一实施例中，所述方法进一步包括：基于放射平片确定所述基本框，其中，所述基本框为以每个像素点为中心的框。
在本申请一实施例中，所述方法进一步包括：对原始数据进行筛选以获得具有统一数据格式的所述放射平片；对所述具有统一数据格式的所述放射平片进行标记；以及将标记后的所述放射平片由所述统一数据格式转换为满足计算机识别处理需求的自然图像格式。
根据本申请的一个方面，本申请一实施例提供的一种脊椎骨折区域分析方法，包括：将放射平片输入如前任一所述的方法训练建立的脊椎骨折区域分析模型；以及将所述N个椎骨渐进层中最后一个渐进层输出的输出框作为最终骨折区域预测结果。
根据本申请的一个方面，本申请一实施例提供的一种脊椎骨折区域分析模型训练装置，所述脊椎骨折区域分析模型包括用于提取特征图的椎骨主干网络和分别与所述椎骨主干网络连接的N个椎骨渐进层，所述椎骨渐进层配置为基于输入的特征图输出包括骨折区域预测结果的输出框，其中N为大于等于2的整数；其中，所述训练装置包括：特征提取模块，配置为将基本框输入所述椎骨主干网络获得的第一椎骨提取特征图；预测模块，配置为将所述第一椎骨提取特征图输入所述N个椎骨渐进层中的第一椎骨渐进层以获得第一椎骨输出框；以及调整模块，配置为根据所述第一椎骨输出框和椎体标准参考数据之间的差别调整第二椎骨渐进层的网络参数；其中，所述特征提取模块进一步配置为将所述第一椎骨输出框输入所述椎骨主干网络获得第二提取特征图；所述预测模块进一步配置为将所述椎骨主干网络输出的第m椎骨提取特征图输入所述N个椎骨渐进层中的第m椎骨渐进层以获得第m输出框，其中，m为N≥m≥2的整数变量；以及调整模块进一步配置为根据所述第m输出框和骨折区域标准参考数据之间的差别调整第m+1输出框的网络参数；其中，所述特征提取模块进一步配置为根据所述第m输出框基于所述椎骨主干网络获得第m+1提取特征图。
在本申请一实施例中，所述特征提取模块包括：融合单元，配置为根据所述第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图；以及特征提取执行单元，配置为将所述融合特征图输入所述椎骨主干网络以获得所述第m+1提取特征图；其中，所述第q输出框基于另一脊椎骨折区域分析模型的训练过程获取，所述另一脊椎骨折区域分析模型，包括用于提取特征图的骨椎主干网络和分别与所述骨椎主干网络连接的P个骨椎渐进层，所述骨椎渐进层配置为基于输入的特征图输出包括椎体区域预测结果的输出框，其中P为大于等于2的整数；其中，所述另一脊椎骨折区域分析模型的训练过程包括：将基本框输入所述骨椎主干网络获得的第一骨椎提取特征图；将所述第一骨椎提取特征图输入所述P个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框；根据所述第一骨椎输出框和骨折区域标准参考数据之间的差别调整第二骨椎渐进层的网络参数，并将所述第一骨椎输出框输入所述骨椎主干网络获得第二提取特征图；将所述骨椎主干网络输出的第q骨椎提取特征图输入所述P个骨椎渐进层中的所述第q骨椎渐进层以获得所述第q输出框，其中，q为P≥q≥2的整数变量；以及根据所述第q输出框和椎体标准参考数据之间的差别调整第q+1输出框的网络参数，并根据所述第q输出框基于所述骨椎主干网络获得第q+1提取特征图。
在本申请一实施例中，所述融合单元进一步配置为：以特征叠加或特征相加的方式融合所述第m输出框和所述第q输出框以生成所述融合特征图。
在本申请一实施例中，所述装置进一步包括：基本框获取模块，配置为基于放射平片确定所述基本框，其中，所述基本框为以每个像素点为中心的框。
在本申请一实施例中，所述装置进一步包括：筛选模块，配置为对原始数据进行筛选以获得具有统一数据格式的所述放射平片；标记模块，配置为对所述具有统一数据格式的所述放射平片进行标记；以及格式转换模块将标记后的所述放射平片由所述统一数据格式转换为满足计算机识别处理需求的自然图像格式。
根据本申请的一个方面，本申请一实施例提供的一种脊椎骨折区域分析装置，包括：输入模块，配置为将放射平片输入如前任一所述的方法训练建立的脊椎骨折区域分析模型；以及输出模块，配置为将所述N个椎骨渐进层中最后一个渐进层输出的输出框作为最终骨折区域预测结果。
根据本申请的一个方面，本申请一实施例提供的一种电子设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如前任一所述的方法。
根据本申请的一个方面，本申请一实施例提供的一种计算机可读存储介质，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在被处理器运行时使得所述处理器执行如前任一所述的方法。
本申请实施例提供的一种脊椎骨折区域分析模型训练方法、脊椎骨折区域分析方法、装置、电子设备和计算机可读存储介质，将椎体标准参考数据作为第一椎骨渐进层的学习目标，然后再从第二椎骨渐进层开始以骨折区域标准参考数据为学习目标。由此可见，本申请实施例所训练出的脊椎骨折区域分析模型可利用第一椎骨渐进层先从椎体出发，然后利用第二椎骨渐进层开始由椎体逐步渐进地寻找附近的骨折区域，从而实现了从椎体出发寻找骨折区域，能够排除很多椎体意外的噪声干扰，有效降低算法的假阳性，提高脊椎骨折区域分析的准确性和效率。
附图说明
图1所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法的流程示意图。
图2所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法中阈值数据库的建立过程的流程示意图。
图3所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法中数据预处理过程的流程示意图。
图4所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法中另一脊椎骨折区域分析模型的训练过程流程示意图。
图5所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法中另一脊椎骨折区域分析模型的训练过程的原理示意图。
图6所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法的放射平片预处理过程的流程示意图。
图7所示为本申请一实施例提供的脊椎骨折区域分析模型训练装置的结构示意图。
图8所示为本申请另一实施例提供的脊椎骨折区域分析模型训练装置的结构示意图。
图9所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅是本申请一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法的流程示意图。该脊椎骨折区域分析模型包括用于提取特征图的椎骨主干网络和分别与椎骨主干网络连接的N个椎骨渐进层，椎骨渐进层配置为基于输入的特征图输出包括骨折区域预测结果的输出框，其中N为大于等于2的整数。如图1所示，该训练方法包括：
步骤101：将基本框输入椎骨主干网络获得的第一椎骨提取特征图。
椎骨主干网络为用于对图像提取特征的第一部分网络结构，可由卷积、池化、归一函数、激活函数等组成。椎骨主干主干网络可以使用各种主干网络如ResNet、DenseNet[以及EfficientNet等。对于除了分类以外的任务大多数需要在上述结构后加入FPN网络结构，以匹配图像尺度变化而带来的特征尺度多样性。为了进一步清楚地阐述本申请实施例的技术方案，椎骨主干网络和第一椎骨提取特征图中的限定词“椎骨”用于表明本申请实施例所提供脊椎骨折区域分析模型旨在从椎体出发寻找骨折区域，以与后续的限定词“骨椎”相区分，后续的“骨椎”用于指代从骨折区域寻找椎体。
基本框可基于放射平片确定，在本申请一实施例中，基本框可为以每个像素参考点为中心的框。基本框的取法有很多参数可以设置，如下以图像尺寸为H×W为例：
(1)取框步长s(s>＝1,整数)，代表每隔多少步取一个像素参考点，则选取参考像素参考点的总数就是(H/s)×(W/s)。当s＝1时，所取的像素参考点的个数为H×W就是全图所有的点。
(2)参考尺寸的个数n_scale，代表以每个参考点为中心生成多少个面积的参考框，例如我们设置以每个中心点取三个面积10000像素、90000像素、360000像素，则我们可以生成对应的三个正方形框。
(3)参考长宽比个数n_aspect，如果我们不限定框的形状是正方形，那么我们在每个像素点、每个面积下，还可以生成长宽比不同的长方形。
综合上面三个步骤，所取的基本框的总个数则可表示为(H/s)×(W/s)×(n_scale)×(n_aspect)。
步骤102：将第一椎骨提取特征图输入N个椎骨渐进层中的第一椎骨渐进层以获得第一椎骨输出框。
如图2所示，该训练方法包括N个椎骨渐进层，N为可设置参数。每一个椎骨渐进层通过对输入框对应的提取特征图的区域进行提取，通过若干卷积层，可以预测输出框与输入框偏离值。以一维坐标为例，若输入框坐标为x，提取特征操作为f(x)，卷积操作为g(x)，则卷积的输出为偏离值Δx＝g(x)，那么根据原坐标预测的下一个坐标为x+Δx。
步骤103：根据第一椎骨输出框和椎体标准参考数据(如图2所示的椎体金标准)之间的差别调整第二椎骨渐进层的网络参数，并将第一椎骨输出框输入椎骨主干网络获得第二提取特征图。
驱使渐进层的输出框学习到标准参考数据的区域，因此x+Δx与标准参考数据gt之间的插值作为网络的惩罚，该网络的惩罚值用于调整下一椎骨渐进层的网络参数，最终的目标是使得x+Δx＝gt。对于第一椎骨渐进层而言，学习目标为椎体标准参考数据。
步骤104：将椎骨主干网络输出的第m椎骨提取特征图输入N个椎骨渐进层中的第m椎骨渐进层以获得第m输出框，其中，m为N≥m≥2的整数变量。
如图2所示，从第二椎骨渐进层开始，每一个椎骨渐进层仍是通过对输入框对应的提取特征图的区域进行提取，通过若干卷积层，可以预测输出框与输入框偏离值。
步骤105：根据第m输出框和骨折区域标准参考数据(如图2所示的骨折金标准)之间的差别调整第m+1输出框的网络参数，并根据第m输出框基于椎骨主干网络获得第m+1提取特征图。
从第二椎骨渐进层开始，学习目标由椎体标准参考数据变为了骨折区域标准参考数据，上述过程迭代N次，最终第N层的输出框即可作为最终的骨折框区域预测的输出结果。
由此可见，本申请实施例提供的一种脊椎骨折区域分析模型训练方法，将椎体标准参考数据作为第一椎骨渐进层的学习目标，然后再从第二椎骨渐进层开始以骨折区域标准参考数据为学习目标。由此可见，本申请实施例所训练出的脊椎骨折区域分析模型可利用第一椎骨渐进层先从椎体出发，然后利用第二椎骨渐进层开始由椎体逐步渐进地寻找附近的骨折区域，从而实现了从椎体出发寻找骨折区域，能够排除很多椎体意外的噪声干扰，有效降低算法的假阳性，提高脊椎骨折区域分析的准确性和效率。
在本申请另一实施例中，针对前述现有脊椎骨折区域分析方式的准确率低和效率低的问题，本申请实施例还可以考虑从两个方向去设计网络结构来解决。第一个方向，本申请实施例在标注数据时，不仅对骨折区域进行标注，还对椎体的各个节段进行了标注。因此本申请实施例可以把网络设计成两个节段，第一个节段先将所有的椎体节段识别出来，再从每个椎体节段出发去解析和学习椎体附近骨折的图像特征，这样算法网络对椎体附近的图像特征关注度比较高，可以排除离脊椎较远的骨块的噪声干扰；另一个方向，本申请实施例构建一个从骨折识别出发，在成功识别骨折之后，再去从这些疑似骨折区域出发，去解析和学习周围邻近椎体的图像特征，如果这个区域不是椎体的邻近区域本申请实施例在沿着分支反向的给网络传递惩罚梯度，这样算法网络相比第一个方向能以一种更敏感和更细粒度的方式去学习骨折特征，同时也能排除非椎体区域的骨折。这两个方向各有侧重和优势，于是本申请实施例把这两个网络结合一起，交互迭代训练，以达到互补的目的。
在本申请一实施例中，如图3所示，在根据第m输出框基于椎骨主干网络获得第m+1提取特征图时，可具体执行如下步骤：
步骤301：根据第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图。
第q输出框基于另一脊椎骨折区域分析模型的训练过程获取。该另一脊椎骨折区域分析模型，包括用于提取特征图的骨椎主干网络和分别与骨椎主干网络连接的P个骨椎渐进层，骨椎渐进层配置为基于输入的特征图输出包括椎体区域预测结果的输出框，其中P为大于等于2的整数。该另一脊椎骨折区域分析模型配置为从骨折区域预测出发寻找椎体，能够对病灶区域和尺度的变化较为敏感，能够有效提升算法的检出率。
在本申请一实施例中，可以特征叠加或特征相加的方式融合第m输出框和第q输出框以生成融合特征图。由此可见，这是方式其实是将两个脊椎骨折区域分析模型训练过程中的渐进层对应的中间结果特征图提取出来融合到一起，再分别传递给两个训练过程继续使用。这样两个分支便可同时在完成渐进推理和相互学习的任务。然而应当理解，这个第m输出框和第q输出框的融合方式不限定上述给出的具体方式，本申请对具体的融合方式不做严格限定。
步骤302：将融合特征图输入椎骨主干网络以获得第m+1提取特征图。
这样第m+1提取特征图中便包括了第q输出框中的特征信息，由此实现了利用该两个脊椎骨折区域分析模型的交互迭代训练，以达到互补的目的。
图4所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法中另一脊椎骨折区域分析模型的训练过程流程示意图。图5所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法中另一脊椎骨折区域分析模型的训练过程的原理示意图。如图4和图5所示，该另一脊椎骨折区域分析模型的训练过程包括：
步骤401：将基本框输入骨椎主干网络获得的第一骨椎提取特征图。
步骤402：将第一骨椎提取特征图输入P个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框。
步骤403：根据第一骨椎输出框和骨折区域标准参考数据(如图5所示的骨折金标准)之间的差别调整第二骨椎渐进层的网络参数，并将第一骨椎输出框输入骨椎主干网络获得第二提取特征图。
步骤404：将骨椎主干网络输出的第q骨椎提取特征图输入P个骨椎渐进层中的第q骨椎渐进层以获得第q输出框，其中，q为P≥q≥2的整数变量。
步骤405：根据第q输出框和椎体标准参考数据(如图5所示的椎体金标准)之间的差别调整第q+1输出框的网络参数，并根据第q输出框基于骨椎主干网络获得第q+1提取特征图。
由此可见，该另一脊椎骨折区域分析模型训练方法也包括P个渐进层组成，P为可设置参数。每一个骨椎渐进层的运作方式及公式如同前面的椎骨渐进层所述。有所区别的地方在于，第一骨椎渐进层的输出框对应学习的是骨折区域标准参考数据，从第二骨椎渐进层到第P骨椎渐进层的输出框对应学习的是骨椎体标准参考数据，与图1中的训练过程正好相反。因此该另一脊椎骨折区域分析模型训练方法是从骨折向椎体逐渐推理的渐进过程。该另一脊椎骨折区域分析模型训练方法所建立的模块的脊椎骨折区域分析模型的优势在于，从骨折出发寻找椎体，能够对病灶区域和尺度的变化较为敏感，能够有效提升算法的检出率。
图6所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练方法的放射平片预处理过程的流程示意图。
如图6所示，在基于放射平片确定基本框之前，该放射平片的预处理过程包括如下步骤：
步骤601：对原始数据进行筛选以获得具有统一数据格式的放射平片。
放射平片指从公司数据源收集的符合DICOM(Digital Imaging andCommunications in Medicine)规范的数据。原始数据获取需经过合规筛选，去除对于拍摄质量差或数据受损的部分，剩余的用作放射平片。
步骤602：对具有统一数据格式的放射平片进行标记。
放射平片的标记指对于每一张DICOM平片数据，有医生勾画出病灶征象区域，勾画征象的方式包括但不限于方形框、圆形框、分割轮廓(闭合平滑曲线或开放的平滑曲线)、闭合多边形、线段等方式。病灶征象则包括骨折线、骨折断面、骨折周围软组织和硬组织。该过程采取医生单人或多人标注，并最终由高年资医生统一全部审核。
步骤603：将标记后的放射平片由统一数据格式转换为满足计算机识别处理需求的自然图像格式。
统一数据格式转换是指将DICOM数据格式转换成自然图像格式，方便计算机进行识别。DICOM的图像的每个像素点的数值类型为有符号16位整型(int16)，取值范围约为-4096～4096。而自然图像的数值类型为无符号8位整型，取值范围为0～255。根据DICOM内部读出的窗宽窗位信息或者使用计算机视觉算法对图像进行计算也可以获得窗宽窗位。我们这里定义窗宽为ww，窗位为wc，DICOM图像的原始数值为x，计算机识别的图像数值为y，一个中间值为y*。则该处理的计算公式如下：
y＝0 if y*<0
y＝y* if 0≤y*≤255
y＝255 if y*>255
本申请一实施例还提供一种脊椎骨折区域分析方法，包括：将放射平片输入如前中任一实施例所述的方法训练建立的脊椎骨折区域分析模型；以及将所述N个椎骨渐进层中最后一个渐进层输出的输出框作为最终骨折区域预测结果。基于本申请实施例所提供的脊椎骨折区域分析方法，实现了从椎体出发寻找骨折区域，能够排除很多椎体意外的噪声干扰，有效降低算法的假阳性，提高脊椎骨折区域分析的准确性和效率。
图7所示为本申请一实施例提供的一种脊椎骨折区域分析模型训练装置的结构示意图。该脊椎骨折区域分析模型包括用于提取特征图的椎骨主干网络和分别与椎骨主干网络连接的N个椎骨渐进层，椎骨渐进层配置为基于输入的特征图输出包括骨折区域预测结果的输出框，其中N为大于等于2的整数。如图7所示，该脊椎骨折区域分析模型训练装置70包括：
特征提取模块701，配置为将基本框输入椎骨主干网络获得的第一椎骨提取特征图；
预测模块702，配置为将第一椎骨提取特征图输入N个椎骨渐进层中的第一椎骨渐进层以获得第一椎骨输出框；以及
调整模块703，配置为根据第一椎骨输出框和椎体标准参考数据之间的差别调整第二椎骨渐进层的网络参数；
其中，特征提取模块701进一步配置为将第一椎骨输出框输入椎骨主干网络获得第二提取特征图；
预测模块702进一步配置为将椎骨主干网络输出的第m椎骨提取特征图输入N个椎骨渐进层中的第m椎骨渐进层以获得第m输出框，其中，m为N≥m≥2的整数变量；以及
调整模块703进一步配置为根据第m输出框和骨折区域标准参考数据之间的差别调整第m+1输出框的网络参数；
其中，特征提取模块701进一步配置为根据第m输出框基于椎骨主干网络获得第m+1提取特征图。
在本申请一实施例中，如图8所示，特征提取模块701包括：
融合单元7011，配置为根据第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图；以及
特征提取执行单元7012，配置为将融合特征图输入椎骨主干网络以获得第m+1提取特征图；
其中，第q输出框基于另一脊椎骨折区域分析模型的训练过程获取，另一脊椎骨折区域分析模型，包括用于提取特征图的骨椎主干网络和分别与骨椎主干网络连接的P个骨椎渐进层，骨椎渐进层配置为基于输入的特征图输出包括椎体区域预测结果的输出框，其中P为大于等于2的整数；其中，另一脊椎骨折区域分析模型的训练过程包括：
将基本框输入骨椎主干网络获得的第一骨椎提取特征图；
将第一骨椎提取特征图输入P个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框；
根据第一骨椎输出框和骨折区域标准参考数据之间的差别调整第二骨椎渐进层的网络参数，并将第一骨椎输出框输入骨椎主干网络获得第二提取特征图；
将骨椎主干网络输出的第q骨椎提取特征图输入P个骨椎渐进层中的第q骨椎渐进层以获得第q输出框，其中，q为P≥q≥2的整数变量；以及
根据第q输出框和椎体标准参考数据之间的差别调整第q+1输出框的网络参数，并根据第q输出框基于骨椎主干网络获得第q+1提取特征图。
在本申请一实施例中，融合单元进一步配置为：以特征叠加或特征相加的方式融合第m输出框和第q输出框以生成融合特征图。
在本申请一实施例中，如图8所示，该装置70进一步包括：
基本框获取模块704，配置为基于放射平片确定基本框。
在本申请一实施例中，如图8所示，该装置70进一步包括：
筛选模块705，配置为对原始数据进行筛选以获得具有统一数据格式的放射平片；
标记模块706，配置为对具有统一数据格式的放射平片进行标记；以及
格式转换模块707，配置为将标记后的放射平片由统一数据格式转换为满足计算机识别处理需求的自然图像格式。
本申请另一实施例还提供一种一种脊椎骨折区域分析装置70，包括：输入模块，配置为将放射平片输入如前任一的脊椎骨折区域分析模型训练方法训练建立的脊椎骨折区域分析模型；以及输出模块，配置为将N个椎骨渐进层中最后一个渐进层输出的输出框作为最终骨折区域预测结果。
上述脊椎骨折区域分析模型训练装置70中的各个模块的具体功能和操作已经在上面参考图1到图6描述的脊椎骨折区域分析模型训练方法中进行了详细介绍。因此，这里将省略其重复描述。
需要说明的是，根据本申请实施例的脊椎骨折区域分析模型训练装置70可以作为一个软件模块和/或硬件模块而集成到电子设备90中，换言之，该电子设备90可以包括该脊椎骨折区域分析模型训练装置70。例如，该脊椎骨折区域分析模型训练装置70可以是该电子设备90的操作系统中的一个软件模块，或者可以是针对于其所开发的一个应用程序；当然，该脊椎骨折区域分析模型训练装置70同样可以是该电子设备90的众多硬件模块之一。
在本申请另一实施例中，该脊椎骨折区域分析模型训练装置70与该电子设备90也可以是分立的设备(例如，服务器)，并且该脊椎骨折区域分析模型训练装置70可以通过有线和/或无线网络连接到该电子设备90，并且按照约定的数据格式来传输交互信息。
图9所示为本申请一实施例提供的电子设备的结构示意图。如图9所示，该电子设备90包括：一个或多个处理器901和存储器902；以及存储在存储器902中的计算机程序指令，计算机程序指令在被处理器901运行时使得处理器901执行如上述任一实施例的脊椎骨折区域分析模型训练方法。
处理器901可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器902可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器901可以运行程序指令，以实现上文的本申请的各个实施例的脊椎骨折区域分析模型训练方法中的步骤以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如光线强度、补偿光强度、滤光片的位置等信息。
在一个示例中，电子设备90还可以包括：输入装置903和输出装置904，这些组件通过总线系统和/或其他形式的连接机构(图5中未示出)互连。
例如，在该电子设备是如工业生产线上的机器人时，该输入装置903可以是摄像头，用于捕捉待加工零件的位置。在该电子设备是单机设备时，该输入装置903可以是通信网络连接器，用于从外部的可移动设备接收所采集的输入信号。此外，该输入装置903还可以包括例如键盘、鼠标、麦克风等等。
该输出装置904可以向外部输出各种信息，例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备90中与本申请有关的组件中的一些，省略了诸如总线、输入装置/输出接口等组件。除此之外，根据具体应用情况，电子设备90还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的脊椎骨折区域分析模型训练方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性脊椎骨折区域分析模型训练方法”部分中描述的根据本申请各种实施例的脊椎骨折区域分析模型训练方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器((RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种脊椎骨折区域分析模型训练方法，其特征在于，所述脊椎骨折区域分析模型包括用于提取特征图的椎骨主干网络和分别与所述椎骨主干网络连接的N个椎骨渐进层，所述椎骨渐进层配置为基于输入的特征图输出包括骨折区域预测结果的输出框，其中N为大于等于2的整数；
其中，所述训练方法包括：
将基本框输入所述椎骨主干网络获得的第一椎骨提取特征图；
将所述第一椎骨提取特征图输入所述N个椎骨渐进层中的第一椎骨渐进层以获得第一椎骨输出框；
根据所述第一椎骨输出框和椎体标准参考数据之间的差别调整第二椎骨渐进层的网络参数，并将所述第一椎骨输出框输入所述椎骨主干网络获得第二提取特征图；
将所述椎骨主干网络输出的第m椎骨提取特征图输入所述N个椎骨渐进层中的第m椎骨渐进层以获得第m输出框，其中，m为N≥m≥2的整数变量；以及
根据所述第m输出框和骨折区域标准参考数据之间的差别调整第m+1输出框的网络参数，并根据所述第m输出框基于所述椎骨主干网络获得第m+1提取特征图；
所述根据所述第m输出框基于所述椎骨主干网络获得第m+1提取特征图包括：
根据所述第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图；以及
将所述融合特征图输入所述椎骨主干网络以获得所述第m+1提取特征图；
其中，所述第q输出框基于另一脊椎骨折区域分析模型的训练过程获取，所述另一脊椎骨折区域分析模型，包括用于提取特征图的骨椎主干网络和分别与所述骨椎主干网络连接的P个骨椎渐进层，所述骨椎渐进层配置为基于输入的特征图输出包括椎体区域预测结果的输出框，其中P为大于等于2的整数；其中，所述另一脊椎骨折区域分析模型的训练过程包括：
将基本框输入所述骨椎主干网络获得的第一骨椎提取特征图；
将所述第一骨椎提取特征图输入所述P个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框；
根据所述第一骨椎输出框和骨折区域标准参考数据之间的差别调整第二骨椎渐进层的网络参数，并将所述第一骨椎输出框输入所述骨椎主干网络获得第二提取特征图；
将所述骨椎主干网络输出的第q骨椎提取特征图输入所述P个骨椎渐进层中的所述第q骨椎渐进层以获得所述第q输出框，其中，q为P≥q≥2的整数变量；以及
根据所述第q输出框和椎体标准参考数据之间的差别调整第q+1输出框的网络参数，并根据所述第q输出框基于所述骨椎主干网络获得第q+1提取特征图；
所述骨椎用于表明从骨折区域出发寻找椎体，所述椎骨用于表明从椎体寻找骨折区域。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图包括：
以特征叠加或特征相加的方式融合所述第m输出框和所述第q输出框以生成所述融合特征图。
3.根据权利要求1所述的方法，其特征在于，进一步包括：
基于放射平片确定所述基本框。
4.根据权利要求2所述的方法，其特征在于，进一步包括：
对原始数据进行筛选以获得具有统一数据格式的放射平片；
对所述具有统一数据格式的所述放射平片进行标记；以及
将标记后的所述放射平片由所述统一数据格式转换为满足计算机识别处理需求的自然图像格式。
5.一种脊椎骨折区域分析方法，其特征在于，包括：
将放射平片输入如权利要求1至4中任一所述的方法训练建立的脊椎骨折区域分析模型；以及
将所述N个椎骨渐进层中最后一个渐进层输出的输出框作为最终骨折区域预测结果。
6.一种脊椎骨折区域分析模型训练装置，其特征在于，所述脊椎骨折区域分析模型包括用于提取特征图的椎骨主干网络和分别与所述椎骨主干网络连接的N个椎骨渐进层，所述椎骨渐进层配置为基于输入的特征图输出包括骨折区域预测结果的输出框，其中N为大于等于2的整数；
其中，所述训练装置包括：
特征提取模块，配置为将基本框输入所述椎骨主干网络获得的第一椎骨提取特征图；
预测模块，配置为将所述第一椎骨提取特征图输入所述N个椎骨渐进层中的第一椎骨渐进层以获得第一椎骨输出框；以及
调整模块，配置为根据所述第一椎骨输出框和椎体标准参考数据之间的差别调整第二椎骨渐进层的网络参数；
其中，所述特征提取模块进一步配置为将所述第一椎骨输出框输入所述椎骨主干网络获得第二提取特征图；
所述预测模块进一步配置为将所述椎骨主干网络输出的第m椎骨提取特征图输入所述N个椎骨渐进层中的第m椎骨渐进层以获得第m输出框，其中，m为N≥m≥2的整数变量；以及
调整模块进一步配置为根据所述第m输出框和骨折区域标准参考数据之间的差别调整第m+1输出框的网络参数；
其中，所述特征提取模块进一步配置为根据所述第m输出框基于所述椎骨主干网络获得第m+1提取特征图；
所述根据所述第m输出框基于所述椎骨主干网络获得第m+1提取特征图包括：
根据所述第m输出框和第q骨椎渐进层输出的第q输出框生成融合特征图；以及
将所述融合特征图输入所述椎骨主干网络以获得所述第m+1提取特征图；
其中，所述第q输出框基于另一脊椎骨折区域分析模型的训练过程获取，所述另一脊椎骨折区域分析模型，包括用于提取特征图的骨椎主干网络和分别与所述骨椎主干网络连接的P个骨椎渐进层，所述骨椎渐进层配置为基于输入的特征图输出包括椎体区域预测结果的输出框，其中P为大于等于2的整数；其中，所述另一脊椎骨折区域分析模型的训练过程包括：
将基本框输入所述骨椎主干网络获得的第一骨椎提取特征图；
将所述第一骨椎提取特征图输入所述P个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框；
根据所述第一骨椎输出框和骨折区域标准参考数据之间的差别调整第二骨椎渐进层的网络参数，并将所述第一骨椎输出框输入所述骨椎主干网络获得第二提取特征图；
将所述骨椎主干网络输出的第q骨椎提取特征图输入所述P个骨椎渐进层中的所述第q骨椎渐进层以获得所述第q输出框，其中，q为P≥q≥2的整数变量；以及
根据所述第q输出框和椎体标准参考数据之间的差别调整第q+1输出框的网络参数，并根据所述第q输出框基于所述骨椎主干网络获得第q+1提取特征图；
所述骨椎用于表明从骨折区域出发寻找椎体，所述椎骨用于表明从椎体寻找骨折区域。
7.一种脊椎骨折区域分析装置，其特征在于，包括：
输入模块，配置为将放射平片输入如权利要求1至4中任一所述的方法训练建立的脊椎骨折区域分析模型；以及
输出模块，配置为将所述N个椎骨渐进层中最后一个渐进层输出的输出框作为最终骨折区域预测结果。
8.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至5中任一所述的方法。
9.一种计算机可读存储介质，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在被处理器运行时使得所述处理器执行如权利要求1至5中任一所述的方法。
CN202010147810.5A 2020-03-05 2020-03-05 脊椎骨折区域分析模型训练方法和装置 Active CN111414939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147810.5A CN111414939B (zh) 2020-03-05 2020-03-05 脊椎骨折区域分析模型训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147810.5A CN111414939B (zh) 2020-03-05 2020-03-05 脊椎骨折区域分析模型训练方法和装置

Publications (2)

Publication Number Publication Date
CN111414939A CN111414939A (zh) 2020-07-14
CN111414939B true CN111414939B (zh) 2023-10-27

Family

ID=71494194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147810.5A Active CN111414939B (zh) 2020-03-05 2020-03-05 脊椎骨折区域分析模型训练方法和装置

Country Status (1)

Country Link
CN (1) CN111414939B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240681B (zh) * 2021-05-20 2022-07-08 推想医疗科技股份有限公司 图像处理的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977971A (zh) * 2017-11-09 2018-05-01 哈尔滨理工大学 基于卷积神经网络的椎骨定位的方法
CN109859233A (zh) * 2018-12-28 2019-06-07 上海联影智能医疗科技有限公司 图像处理、图像处理模型的训练方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009531129A (ja) * 2006-03-24 2009-09-03 邦雄 土井 胸部側面の放射線画像上の脊椎骨折を検出するための方法
US10588589B2 (en) * 2014-07-21 2020-03-17 Zebra Medical Vision Ltd. Systems and methods for prediction of osteoporotic fracture risk
EP3568773A4 (en) * 2017-01-12 2020-11-04 Mazor Robotics Ltd. IMAGE-BASED PATHOLOGY PREDICTION USING ARTIFICIAL INTELLIGENCE
US10366491B2 (en) * 2017-03-08 2019-07-30 Siemens Healthcare Gmbh Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
US11166764B2 (en) * 2017-07-27 2021-11-09 Carlsmed, Inc. Systems and methods for assisting and augmenting surgical procedures
JP2020025786A (ja) * 2018-08-14 2020-02-20 富士フイルム株式会社 画像処理装置、方法及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977971A (zh) * 2017-11-09 2018-05-01 哈尔滨理工大学 基于卷积神经网络的椎骨定位的方法
CN109859233A (zh) * 2018-12-28 2019-06-07 上海联影智能医疗科技有限公司 图像处理、图像处理模型的训练方法及系统

Also Published As

Publication number Publication date
CN111414939A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111325745B (zh) 骨折区域分析方法和装置、电子设备及可读存储介质
KR20170047423A (ko) Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템
CN110689551B (zh) 四肢骨分割方法、装置、电子设备及可读存储介质
Attallah RADIC: A tool for diagnosing COVID-19 from chest CT and X-ray scans using deep learning and quad-radiomics
CN113129287A (zh) 一种针对上消化道内镜影像的病灶自动留图方法
CN107516004A (zh) 医学影像图片的识别处理方法及装置
CN110930373A (zh) 一种基于神经网络的肺炎识别装置
CN111414939B (zh) 脊椎骨折区域分析模型训练方法和装置
CN111415333B (zh) 乳腺x射线影像反对称生成分析模型训练方法和装置
CN111401417B (zh) 脊椎骨折区域分析模型训练方法和装置
CN111340760B (zh) 基于多任务两级卷积神经网络的膝关节定位方法
Fitriyah et al. Pulmonary Disease Pattern Recognition on X-Ray Radiography Image Using Artificial Neural Network (ANN) Method
Suneetha et al. Brain tumor detection in MR imaging using DW-MTM filter and region-growing segmentation approach
JP2015173923A (ja) 画像処理装置、画像処理方法およびプログラム
JP2005198887A (ja) 解剖学的構造物の構造検出方法および装置並びにプログラム、構造物除去画像生成装置、異常陰影検出装置
Vijayakumari et al. Cadaver identification with dental radiographs using isoperimetric and nodal graph approach
Bento et al. Fractional order image processing of medical images
CN113837192B (zh) 图像分割方法及装置，神经网络的训练方法及装置
Ning et al. Attention-based multi-scale transfer ResNet for skull fracture image classification
CN112784703B (zh) 一种基于多光谱的人员行动轨迹确定方法
JP2005080758A (ja) 画像処理装置
Rifai et al. Analysis for diagnosis of pneumonia symptoms using chest X-ray based on MobileNetV2 models with image enhancement using white balance and contrast limited adaptive histogram equalization (CLAHE)
CN111415741B (zh) 基于隐式表观学习的乳腺x射线影像分类模型训练方法
Bardosi et al. Metacarpal bones localization in x-ray imagery using particle filter segmentation
Sriveni et al. Detecting Bone Fracture in Medical Images

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
GR01 Patent grant
GR01 Patent grant