CN111667474A

CN111667474A - 骨折识别方法、装置、设备和计算机可读存储介质

Info

Publication number: CN111667474A
Application number: CN202010514168.XA
Authority: CN
Inventors: 杨天潼
Original assignee: Individual
Current assignee: Individual
Priority date: 2020-06-08
Filing date: 2020-06-08
Publication date: 2020-09-15

Abstract

本公开的实施例提供了骨折识别方法、装置、设备和计算机可读存储介质。所述方法包括对获取的骨骼图像进行预处理；将所述预处理后的骨骼图像输入预先训练的区域识别模型，得到区域图像；将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。以此方式，可以对骨骼图像进行骨折识别，无需人工裁剪标注，且识别速度快，准确率高。

Description

骨折识别方法、装置、设备和计算机可读存储介质

技术领域

本公开的实施例一般涉及计算机技术领域，并且更具体地，涉及骨折识别方法、装置、设备和计算机可读存储介质。

背景技术

骨折识别是一个复杂、技术含量较高的问题，诊断困难。由于各地区医疗水平的不一致，且医生的个人经验水平也参差不齐，因此，传统的医生进行骨折识别的方法容易受到地区医疗水平以及医生个人经验水平的影响，导致诊断误差较大。对于鼻骨骨折识别，由于鼻骨具有骨质细小、结构复杂、无骨髓腔、不容易形成骨痂等特点，诊断更加困难。

发明内容

根据本公开的实施例，提供了一种骨折识别方案。

在本公开的第一方面，提供了一种骨折识别方法。该方法包括：对获取的骨骼图像进行预处理；将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所所述骨骼图像为采用CT设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像；所述区域图像为鼻骨区域图像；所述骨折识别结果为鼻骨识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预处理为归一化处理。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像包括：采用预先训练的区域识别模型对所述预处理后的图像进行区域识别，自动裁剪所述预处理后的图像中的待识别区域图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述骨折识别模型为基于CNN的多层双卷积神经网络，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、…第N卷积层、第N池化层、第一全连接层、第二全连接层、输出层；其中，所述第一卷积层、第二卷积层为双卷积层。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述骨折识别模型是通过骨折图像样本集对预设的基于CNN的多层双卷积神经网络进行训练得到的；所述骨折图像样本集包括骨折图像正反样本集，或，包括存在不同骨折程度的正样本以及不存在骨折的负样本。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述双卷积层包括两个单卷积层。

在本公开的第二方面，提供了一种骨折识别装置。该装置包括：预处理模块，用于对获取的骨骼图像进行预处理；区域识别模块，用于将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；骨折识别模块，用于将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了能够在其中实现本公开的实施例的示例性运行环境的示意图；

图2示出了根据本公开的实施例的鼻骨骨折识别方法的流程图；

图3示出了根据本公开的实施例的鼻骨骨折识别模型的示意图；

图4示出了根据本公开的实施例的鼻骨骨折识别模型的双卷积层的示意图；

图5示出了根据本公开的实施例的骨折识别装置的方框图；

图6示出了能够实施本公开的实施例的示例性电子设备的方框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1示出了能够在其中实现本公开的实施例的示例性运行环境100的示意图。在运行环境100中包括客户端102、工作站104。

在本公开的一些实施例中，公开了一种骨折识别方法，包括以步骤：

对获取的骨骼图像进行预处理；

将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；

将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。

在一些实施例中，以所述骨骼图像为颅骨图像，所述骨折为鼻骨骨折进行说明。在其他一些实施例中，所述骨骼图像也可以为其他部位的骨骼图像，所述骨折为其他骨折类型。图2示出了根据本公开实施例的用于鼻骨骨折识别方法200的流程图。方法200可以由图1中的工作站104执行。

在框210，对获取的颅内图像进行预处理；

在一些实施例中，工作站104接收客户端102上传的待识别鼻骨骨折的颅内图像。

所述颅内图像为采用CT设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像。在一些其他实施例中，所述颅内图像为采用核磁共振设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像，具体不作限定。

所述颅内图像也可以为X光图像或核磁共振图像。

在一些实施例中，所述预处理为归一化处理。所述归一化处理包括对所述颅内图像的图像亮度进行归一化处理；以及对所述颅内图像的尺寸进行归一化处理，将其尺寸调整为与样本图像图样的尺寸大小。

在一些实施例中，所述颅内图像为灰度图像。

在框220，将所述预处理后的图像输入预先训练的鼻骨区域识别模型，得到鼻骨区域图像；

在一些实施例中，为了节省算力提高效率，并且避免所述预处理后的图像中除鼻骨以外的组织、骨骼对鼻骨骨折识别模型的识别结果造成影像，采用预先训练的鼻骨区域识别模型对所述预处理后的图像进行鼻骨区域识别，自动裁剪所述预处理后的图像中的鼻骨区域图像。其中，所述鼻骨区域识别模型的输出结果为鼻骨区域中心坐标；所述自动裁剪为以所输出的鼻骨区域中心坐标为中心，以固定区域大小进行裁剪。

在一些实施例中，所述鼻骨区域识别模型为CNN卷积神经网络模型。所述CNN卷积神经网络模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、…第N卷积层、第N池化层、全连接层、输出层。

所述鼻骨区域识别模型是通过对鼻骨区域图像样本集对鼻骨区域识别模型进行训练得到的。

在一些实施例中，首先使用目标检测的方法检测出鼻骨区域，自动裁剪所述预处理后的图像中的鼻骨区域图像，然后将所述鼻骨区域图像进行预处理，设定为统一尺寸，例如128*128。

在一些实施例中，对颅内图像进行图像标注，生成鼻骨区域标注样本，将多个鼻骨区域标注样本及少量负样本(非鼻骨区域颅内图像)作为鼻骨区域图像样本集。例如，对颅内图像中的鼻骨区域通过该区域的左上坐标及右下坐标确定，样本图像以所述的左上及右下两个顶点所确定的矩形区域为鼻骨区域，其他区域为背景。又如，对颅内图像中的鼻骨区域通过该区域的中心位置坐标确定，以其为中心，选择左上、左下、右上、右下固定大小的矩形区域作为鼻骨区域。

在框230，将所述鼻骨区域图像输入预先训练的鼻骨骨折识别模型，得到鼻骨骨折识别结果。

在一些实施例中，所述鼻骨骨折识别模型为CNN卷积神经网络模型，优选基于CNN的多层双卷积神经网络，在一些实施例中，如附图图3所示，所述基于CNN的多层双卷积神经网络包括：【1*128*128】输入层、【32*128*128】第一卷积层、【32*32*32】第一池化层、【64*32*32】第二卷积层、【64*8*8】第二池化层、…第N卷积层、第N池化层、【32】第一全连接层、【2】第二全连接层、输出层。其中，第一卷积层中，每个卷积核大小为1*3*3；第二卷积层中卷积核大小是32*3*3，通道数不变，还是有32个这样的卷积核；第一池化层及第二池化层的规模为2*2，步幅为2，对输入的每个深度切片进行下采样，每个max操作对四个数进行，取4个点的最大值。其中，在每个卷积层后都有Relu层与BatchNorm层，Batchnorm就是在每一批的训练样本上做归一化处理，使得每一层输入的样本分布保持一致。Relu为一个非线性激活函数，能够增加网络的复杂度。在每个全连接层后都有Relu层和Dropout层，Dropout率为25％。输出层使用softmax算是否骨折的概率，然后取argmax得到识别结果为骨折还是非骨折。

其中，如附图图4所示，所述卷积层为双卷积层，包含有两个单卷积层。两个卷积层中的单卷积层的卷积核大小分别是【32*3*3】和【64*3*3】。每个单卷积层后都有Relu层与BatchNorm层，Batchnorm就是在每一批的训练样本上做归一化处理，使得每一层输入的样本分布保持一致。Relu为一个非线性激活函数，能够增加网络的复杂度。双层卷积相比于单层卷积的优势在于，在通道数不变的情况下，进行两次特征提取，这样可以使得更大块的区域被关联起来。简单来说，越多的卷积堆叠，模型看到的感受野就会变大，也就是说模型，可以看到图像上更大的面积。双层卷积相比于单层卷积的优势在于，在通道数不变的情况下，进行两次特征提取，这样可以使得更大块的区域被关联起来。

在一些实施例中，将所述128*128大小的鼻骨区域图像输入所述预先训练的鼻骨骨折识别模型；得到的输出即为所述鼻骨区域图像是否存在骨折的识别结果。

在一些实施例中，所述鼻骨骨折识别模型是通过鼻骨骨折图像样本集对预设的鼻骨骨折识别模型进行训练得到的。其中，训练次数为200个epoch，使用Adam优化器，学习率为0.0001。所述鼻骨骨折图像样本集包括鼻骨骨折图像正反样本集，其比例为1:1，所述正样本为存在鼻骨骨折的图像；所述负样本为不存在鼻骨骨折的图像。在一些实施例中，所述样本鼻骨骨折图像样本集包括存在不同骨折程度的正样本以及不存在鼻骨骨折的负样本；其比例相等。通过对存在不同骨折程度的正样本进行标注，并对预设的鼻骨骨折识别模型进行训练，所得到的鼻骨骨折识别模型可以输出所述鼻骨区域图像的骨折程度识别结果。

在一些实施例中，所述方法还包括：

将识别结果对应的颅内图像及鼻骨区域图像作为新的样本，分别加入鼻骨区域标注样本集和鼻骨骨折图像样本集中，以增加样本集中样本的数量，进一步提高鼻骨区域识别模型和鼻骨骨折识别模型的识别准确率。

根据本公开的实施例，实现了以下技术效果：

可以对颅内图像进行鼻骨骨折识别，无需人工裁剪标注，且识别速度快，准确率高。人工智能鼻区骨折识别算法在测试集上的准确率可达91.1％。进一步地，可以对其他骨骼图像进行骨折识别，无需人工裁剪标注，且识别速度快，准确率高。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图5示出了根据本公开的实施例的鼻骨骨折识别装置500的方框图。装置500可以被包括在图1的工作站104中或者被实现为工作站104。如图5所示，装置500包括：

预处理模块510，用于对获取的颅内图像进行预处理；

鼻骨区域识别模块520，用于将所述预处理后的图像输入预先训练的鼻骨区域识别模型，得到鼻骨区域图像；

鼻骨骨折识别模块530，用于将所述鼻骨区域图像输入预先训练的鼻骨骨折识别模型，得到鼻骨骨折识别结果。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。设备600可以用于实现图1的消息系统104和消息到达率确定系统106中的至少一个。如图所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可以存储设备600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元601执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，CPU 601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims

1.一种骨折识别方法，其特征在于，包括：

对获取的骨骼图像进行预处理；

2.根据权利要求1所述的方法，其特征在于，

所述骨骼图像为采用CT设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像；所述区域图像为鼻骨区域图像；所述骨折识别结果为鼻骨识别结果。

3.根据权利要求1所述的方法，其特征在于，

所述预处理为归一化处理。

4.根据权利要求1所述的方法，其特征在于，将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像包括：

采用预先训练的区域识别模型对所述预处理后的图像进行区域识别，自动裁剪所述预处理后的图像中的待识别区域图像。

5.根据权利要求1所述的方法，其特征在于，

所述骨折识别模型为基于CNN的多层双卷积神经网络，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、…第N卷积层、第N池化层、第一全连接层、第二全连接层、输出层；其中，所述第一卷积层、第二卷积层为双卷积层。

6.根据权利要求1所述的方法，其特征在于，

所述骨折识别模型是通过骨折图像样本集对预设的基于CNN的多层双卷积神经网络进行训练得到的；所述骨折图像样本集包括骨折图像正反样本集，或，包括存在不同骨折程度的正样本以及不存在骨折的负样本。

7.根据权利要求6所述的方法，其特征在于，

所述双卷积层包括两个单卷积层。

8.一种骨折识别装置，其特征在于，包括：

预处理模块，用于对获取的骨骼图像进行预处理；

区域识别模块，用于将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；

骨折识别模块，用于将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。