CN114757873A - 肋骨骨折检测方法、装置、终端设备及可读存储介质 - Google Patents

肋骨骨折检测方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN114757873A
CN114757873A CN202210192954.1A CN202210192954A CN114757873A CN 114757873 A CN114757873 A CN 114757873A CN 202210192954 A CN202210192954 A CN 202210192954A CN 114757873 A CN114757873 A CN 114757873A
Authority
CN
China
Prior art keywords
chest
rib
fracture
image
model
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
Application number
CN202210192954.1A
Other languages
English (en)
Inventor
林黄靖
肖永杰
张宏伟
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.)
Shenzhen Imsight Medical Technology Co Ltd
Original Assignee
Shenzhen Imsight Medical 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 Shenzhen Imsight Medical Technology Co Ltd filed Critical Shenzhen Imsight Medical Technology Co Ltd
Priority to CN202210192954.1A priority Critical patent/CN114757873A/zh
Publication of CN114757873A publication Critical patent/CN114757873A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种肋骨骨折检测方法及装置，所述方法包括：获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。

Description

肋骨骨折检测方法、装置、终端设备及可读存储介质
技术领域
本发明涉及计算机技术领域，特别是涉及一种肋骨骨折检测方法、装置、终端设备及可读存储介质。
背景技术
胸部肋骨骨折是常见的伤病之一，常常发病于中老年群体中。目前，其主要利用影像学知识进行筛查，临床上常用的影像学筛查方法大多是多层螺旋CT影像检查，多层螺旋CT影像会将人体的肺部作一个接一个的断面扫描，可以非常清楚的找到肋骨骨折的具体位置、形变，有助于精确诊断和治疗；
随着医院拍片数量的激增，CT影像诊断中耗时耗力的缺点越来越无法满足人们的需求，医生产生疲倦后容易发生误诊和漏诊，耽误肋骨骨折的检查和治疗。基于此，现有技术方案大多是基于深度学习在CT影像数据中进行肋骨骨折的检测，其需要预先收集大量CT影像数据进行3D层面上的标注，标注后再利用深度卷积神经网络对肋骨进行分割和肋骨骨折的判断，最终输出肋骨骨折的部位和形态，这样，不仅需要大量的样本图像，训练过程也比较复杂，若有大量的需要识别，则无法快速地识别出肋骨骨折位置。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种肋骨骨折检测方法及装置。
第一个方面，本发明实施例提供一种肋骨骨折检测方法，所述方法包括：
获取待检测的胸部图像，其中，所述胸部图像为直接数字化X射线影像；
将所述待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，所述肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；
根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨。
可选地，所述肋骨骨折检测模型通过如下方式获得：
获取胸部样本数据，其中，所述胸部样本数据包括正位图像数据和侧位图像数据；
在训练过程中，采用预设比例的正位图像数据和侧位图像数据，对yolov5x神经网络模型进行训练，以使所述yolov5x神经网络模型在拟合侧位图像数据的同时，也使得所述yolov5x神经网络模型相对于侧位图像数据的偏移度小于预设值；
采用指数移动平均的策略，获取收敛最佳的模型权重文件。
可选地，所述获取胸部样本数据，包括：
获取原始胸部图像，其中，所述原始胸部图像为DICOM格式，且为直接数字化X射线影像；
对所述原始胸部图像进行清洗，得到清洗后的原始胸部图像；
对所述清洗后的原始胸部图像进行归一化处理，得到所述胸部样本数据，其中，所述胸部样本数据包括标注的样本数据和未标注的样本数据。
可选地，所述肋骨骨折检测模型，包括：
根据yolov5x神经网络模型和所述胸部样本数据，确定特征提取网络；
利用空间金字塔池化层对所述特征提取网络最后一层输出的特征图进行处理，得到处理后的多尺度特征图；
利用特征金字塔自上而下和路径聚合网络采用自下而上方向对多尺度特征图进行融合，得到融合特征图，其中，所述融合特征图包括低维和高阶的语义信息；
采用检测头在所述融合特征图中，确定骨折标注框和骨折概率。
可选地，所述根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨，包括：
若在多个不同角度的待检测的胸部图像中至少在一个胸部图像中检测出骨折，则确定所述胸部图像中的骨折位置。
可选地，所述根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨，包括：
若在多个不同角度的待检测的胸部图像中都未检测到骨折，则显示无骨折现象。
第二个方面，本发明实施例提供一种肋骨骨折检测装置，所述装置包括：
获取模块，用于获取待检测的胸部图像，其中，所述胸部图像为直接数字化X射线影像；
检测模块，用于将所述待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，所述肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；
判断模块，用于根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨。
可选地，所述装置还包括模型训练模块，所述模型训练模块用于：
获取胸部样本数据，其中，所述胸部样本数据包括正位图像数据和侧位图像数据；
在训练过程中，采用预设比例的正位图像数据和侧位图像数据，对yolov5x神经网络模型进行训练，以使所述yolov5x神经网络模型在拟合侧位图像数据的同时，也使得所述yolov5x神经网络模型相对于侧位图像数据的偏移度小于预设值；
采用指数移动平均的策略，获取收敛最佳的模型权重文件。
可选地，所述模型训练模块用于：
获取原始胸部图像，其中，所述原始胸部图像为DICOM格式，且为直接数字化X射线影像；
对所述原始胸部图像进行清洗，得到清洗后的原始胸部图像；
对所述清洗后的原始胸部图像进行归一化处理，得到所述胸部样本数据，其中，所述胸部样本数据包括标注的样本数据和未标注的样本数据。
可选地，所述肋骨骨折检测模型，包括：
根据yolov5x神经网络模型和所述胸部样本数据，确定特征提取网络；
利用空间金字塔池化层对所述特征提取网络最后一层输出的特征图进行处理，得到处理后的多尺度特征图；
利用特征金字塔自上而下和路径聚合网络采用自下而上方向对多尺度特征图进行融合，得到融合特征图，其中，所述融合特征图包括低维和高阶的语义信息；
采用检测头在所述融合特征图中，确定骨折标注框和骨折概率。
可选地，所述判断模块，用于：
若在多个不同角度的待检测的胸部图像中至少在一个胸部图像中检测出骨折，则确定所述胸部图像中的骨折位置。
可选地，所述判断模块用于：
若在多个不同角度的待检测的胸部图像中都未检测到骨折，则显示无骨折现象。
第三个方面，本发明实施例提供一种终端设备，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现第一个方面提供的肋骨骨折检测方法。
第四个方面，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现第一个方面提供的肋骨骨折检测方法。
本发明实施例包括以下优点：
本发明实施例提供的肋骨骨折检测方法、装置、终端设备及可读存储介质，通过获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。
附图说明
图1是本发明的一种肋骨骨折检测方法实施例的步骤流程图；
图2是本发明的模型训练的步骤流程图；
图3是本发明的一种肋骨骨折检测装置实施例的结构框图；
图4是本发明的一种终端设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明一实施例提供一种肋骨骨折检测方法，用于对图像中的目标物体进行分割。本实施例的执行主体为肋骨骨折检测装置，设置在终端设备上。
参照图1，示出了本发明的一种肋骨骨折检测方法实施例的步骤流程图，该方法具体可以包括如下步骤：
S101、获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；
具体的，终端设备获取待检测的胸部图像，该胸部图像为直接数字化X射线影像，即DR影像，该胸部图像可以是不同角度的胸部图像，例如，正位图像数据和侧位图像数据。
S102、将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；
具体地，终端设备上预先训练肋骨骨折检测模型，即获取多个不同角度的胸部DR样本影像，并采用样本图像数据对深度学习的神经网络进行训练，得到该肋骨骨折检测模型。
终端设备将待检测的胸部图像输入到该预先训练好的肋骨骨折检测模型，从而确定肋骨检测结果，该肋骨检测结果包括存在骨折情况和不存在骨折情况，若存在骨折情况，则进一步确定骨折位置信息，骨折的数量等。
S103、根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨。
具体地，终端设备根据肋骨骨折检测结果，若待检测的胸部图像中存在肋骨骨折，则确定待检测的胸部图像中的肋骨骨折位置，以及骨折的数量等，若待检测的胸部图像中未检测出骨折的肋骨，则显示未检测出骨折的肋骨。
作为一种可选地实施方式，若在多个不同角度的待检测的胸部图像中至少在一个胸部图像中检测出骨折，则确定胸部图像中的骨折位置。
作为另一种可选地实施方式，若在多个不同角度的待检测的胸部图像中都未检测到骨折，则显示无骨折现象。
本发明实施例提供的肋骨骨折检测方法，通过获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。
本发明又一实施例对上述实施例提供的肋骨骨折检测方法做进一步补充说明。
在本发明实施例中，终端设备需要预先训练肋骨骨折检测模型，具体地，肋骨骨折检测模型通过如下方式获得：
1)获取胸部样本数据，其中，胸部样本数据包括正位图像数据和侧位图像数据；
具体地，获取原始胸部图像，其中，原始胸部图像为DICOM格式，且为直接数字化X射线影像；
对原始胸部图像进行清洗，得到清洗后的原始胸部图像；
对清洗后的原始胸部图像进行归一化处理，得到胸部样本数据，其中，胸部样本数据包括标注的样本数据和未标注的样本数据。
2)在训练过程中，采用预设比例的正位图像数据和侧位图像数据，对yolov5x神经网络模型进行训练，以使yolov5x神经网络模型在拟合侧位图像数据的同时，也使得yolov5x神经网络模型相对于侧位图像数据的偏移度小于预设值；
可选地，肋骨骨折检测模型，包括：
根据yolov5x神经网络模型和胸部样本数据，确定特征提取网络；
利用空间金字塔池化层对特征提取网络最后一层输出的特征图进行处理，得到处理后的多尺度特征图；
利用特征金字塔自上而下和路径聚合网络采用自下而上方向对多尺度特征图进行融合，得到融合特征图，其中，融合特征图包括低维和高阶的语义信息；
采用检测头在融合特征图中，确定骨折标注框和骨折概率。
3)采用指数移动平均的策略，获取收敛最佳的模型权重文件。
根据收敛最佳的模型权重文件，确定最终的肋骨骨折检测模型。
图2是本发明的模型训练的步骤流程图，如图2所示，具体包括：
1)获取胸部DR影像肋骨骨折的数据集；
从医院中收集含有肋骨骨折相似字段的诊断报告，然后根据报告获取对应病人的胸部DR影像DICOM片子，同时对这些DICOM片子进行脱敏处理(脱敏信息包括但不仅限于PatientID、年龄、性别、机构姓名、阅片医师信息等)；接着对数据进行清洗，清洗的DICOM片子主要包括报告和DR影像描述不符的、非胸部正位片或侧位片的、其他身体部位的、过度曝光的、成像不清晰的、重复拍摄等质量不好的；对DICOM数据进行标注，首先由一个放射科医生参考诊断报告将肋骨骨折的区域用矩形框标注起来，然后由资历更高且不少于10年的放射科医生对标注的数据进行审核，最终生成肋骨骨折标注数据。
2)对胸部DR影像数据进行预处理；
胸部DR影像为DICOM格式的图像数据，用SimpleITK库来读取图像数据，将1通道的图像数据转换成3通道的RGB图像数据；接着将RGB图像数据缩放至960×960的大小，然后将数据归一化至0到1之间，再减去0.5，从而生成值域为-0.5至0.5的960×960的图像数据。
训练肋骨骨折检测模型时，还会对上述960×960的图像数据随机挑选以下数据增强操作之中的一种进行处理：水平翻转、在负18°到正18°之间随机挑一个角度进行旋转、在因子0.5至1.5中随机挑一个值调节亮度、在因子0.5至1.5中随机挑一个值调节对比度、裁剪、添加高斯噪音、将肋骨骨折部分区域添加马赛克、在因子0.5至1.0随机挑一个值缩放大小。最终生成待训练图像数据。
3)肋骨骨折检测模型的定义和训练；
参考yolov5的目标检测算法框架，以yolov5x为backbone神经网络模型的特征提取网络；利用空间金字塔池化层(Spatial Pyramid Pooling,简称SPP)对特征提取网络最后一层输出的特征图进行处理，以此来提高了模型对图像的尺度不变性和降低了模型过拟合；
接着利用特征金字塔(FeaturePyramid Network，简称FPN)和路径聚合网络(PathAggregation Network，简称PAN)分别从上而下和自下而上方向对多尺度特征图进行融合，使得融合的特征图兼具更丰富的低维和高阶的语义信息；因为肋骨骨折是比较小的目标，所以只用一个检测头(detectionhead)接在特征融合中所输出的P3(Pyramid 3)特征图上，输出框的4个坐标值+1个目标得分值+1个骨折概率。
模型的一些训练参数定义：
在训练阶段，加载在预先训练过的权重作为基础模型权重；采用的优化算法为自适应矩估计(Adam)，学习率为0.001；训练总次数设定为图片总数量的30倍；学习率会随着训练次数线性下降，在最后一次迭代时学习率会下降至0.0001；损失函数有两个，其中一个是使用二元交叉熵(BinaryCrossEntropyLoss)作为骨折概率和目标得分的损失，另一个是广义交并比(Generalized Intersection over Union，简称GIOU)作为回归边界框的损失；每一次迭代输入16张待训练图像数据。
模型训练过程：
由于胸部DR正位片中的肋骨骨折样本远远多于胸部DR侧位片的，因此模型训练分为两个阶段。第一个阶段只用胸部DR正位片进行训练，训练过程中采用指数移动平均(Exponential Moving Average,简称EMA)的策略，获取收敛最佳的模型权重文件；第二个阶段加入胸部DR侧位片进行微调模型，在训练的每一次迭代中，以1:1的比例输入胸部DR正位片和胸部DR侧位片，保证模型在拟合侧位片肋骨骨折数据的同时也保证模型不会过度偏向侧位片，同样采用EMA的策略来获取收敛最佳的模型权重文件。
4)结合所有模型预测的输出，给出病人的综合预测结果。
每一张DICOM通过肋骨骨折检测模型计算后，预测出的肋骨骨折结果会根据DICOM中的研究实例用户账号(StudyInstanceUID)进行储存。而同一个StudyInstanceUID中可能会有多次拍摄的胸部DR片，所以同一个StudyInstanceUID会记录多条模型预测的结果。本发明实施例中，会自动综合同一个StudyInstanceUID中所有模型预测的结果，给出待检测的胸部图像是否存在骨折情况，具体地，只要有一个片子预测的结果中存在肋骨骨折，都会报阳性，并输出骨折的位置；否则报阴性。
本发明实施例不仅在数据准备阶段节省大量储存空间，还在标注数据图像阶段节约大量时间和人力，更在病人的肋骨骨折筛查计算节约了大量计算时间和计算资源。
需要说明的是，对于方法实施例，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，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，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优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
本发明实施例提供的肋骨骨折检测方法，通过获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。
本发明另一实施例提供一种肋骨骨折检测装置，用于执行上述实施例提供的肋骨骨折检测方法。
参照图3，示出了本发明的一种肋骨骨折检测装置实施例的结构框图，该装置具体可以包括如下模块：获取模块301、检测模块302和判断模块303，其中：
获取模块301用于获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；
检测模块302用于将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；
判断模块303用于根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨。
本发明实施例提供的肋骨骨折检测装置，通过获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。
本发明又一实施例对上述实施例提供的肋骨骨折检测装置做进一步补充说明。
可选地，装置还包括模型训练模块，模型训练模块用于：
获取胸部样本数据，其中，胸部样本数据包括正位图像数据和侧位图像数据；
在训练过程中，采用预设比例的正位图像数据和侧位图像数据，对yolov5x神经网络模型进行训练，以使yolov5x神经网络模型在拟合侧位图像数据的同时，也使得yolov5x神经网络模型相对于侧位图像数据的偏移度小于预设值；
采用指数移动平均的策略，获取收敛最佳的模型权重文件。
可选地，模型训练模块用于：
获取原始胸部图像，其中，原始胸部图像为DICOM格式，且为直接数字化X射线影像；
对原始胸部图像进行清洗，得到清洗后的原始胸部图像；
对清洗后的原始胸部图像进行归一化处理，得到胸部样本数据，其中，胸部样本数据包括标注的样本数据和未标注的样本数据。
可选地，肋骨骨折检测模型，包括：
根据yolov5x神经网络模型和胸部样本数据，确定特征提取网络；
利用空间金字塔池化层对特征提取网络最后一层输出的特征图进行处理，得到处理后的多尺度特征图；
利用特征金字塔自上而下和路径聚合网络采用自下而上方向对多尺度特征图进行融合，得到融合特征图，其中，融合特征图包括低维和高阶的语义信息；
采用检测头在融合特征图中，确定骨折标注框和骨折概率。
可选地，判断模块，用于：
若在多个不同角度的待检测的胸部图像中至少在一个胸部图像中检测出骨折，则确定胸部图像中的骨折位置。
可选地，判断模块用于：
若在多个不同角度的待检测的胸部图像中都未检测到骨折，则显示无骨折现象。
需要说明的是，本实施例中各可实施的方式可以单独实施，也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例提供的肋骨骨折检测装置，通过获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。
本发明再一实施例提供一种终端设备，用于执行上述实施例提供的肋骨骨折检测方法。
图4是本发明的一种终端设备的结构示意图，如图4所示，该终端设备包括：至少一个处理器401和存储器402；
存储器存储计算机程序；至少一个处理器执行存储器存储的计算机程序，以实现上述实施例提供的肋骨骨折检测方法。
本实施例提供的终端设备，通过获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。
本申请又一实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，计算机程序被执行时实现上述任一实施例提供的肋骨骨折检测方法。
根据本实施例的计算机可读存储介质，通过获取待检测的胸部图像，其中，胸部图像为直接数字化X射线影像；将待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；根据肋骨检测结果，判断胸部图像中的肋骨骨折位置或胸部图像中没有骨折的肋骨，本发明实施例可以获取不同角度的胸部图像，分别单独检测不同角度的胸部图像中是否存在肋骨骨折，然后综合几个拍摄角度的胸部图像确定是否存在骨折现象，这样，可以提高识别效率。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、电子设备(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电子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电子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电子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电子设备上，使得在计算机或其他可编程电子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电子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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者电子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、物品或者电子设备所固有的要素。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、物品或者电子设备中还存在另外的相同要素。
以上对本发明所提供的一种肋骨骨折检测方法和一种肋骨骨折检测装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种肋骨骨折检测方法，其特征在于，所述方法包括：
获取待检测的胸部图像，其中，所述胸部图像为直接数字化X射线影像；
将所述待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，所述肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；
根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨。
2.根据权利要求1所述的方法，其特征在于，所述肋骨骨折检测模型通过如下方式获得：
获取胸部样本数据，其中，所述胸部样本数据包括正位图像数据和侧位图像数据；
在训练过程中，采用预设比例的正位图像数据和侧位图像数据，对yolov5x神经网络模型进行训练，以使所述yolov5x神经网络模型在拟合侧位图像数据的同时，也使得所述yolov5x神经网络模型相对于侧位图像数据的偏移度小于预设值；
采用指数移动平均的策略，获取收敛最佳的模型权重文件。
3.根据权利要求2所述的方法，其特征在于，所述获取胸部样本数据，包括：
获取原始胸部图像，其中，所述原始胸部图像为DICOM格式，且为直接数字化X射线影像；
对所述原始胸部图像进行清洗，得到清洗后的原始胸部图像；
对所述清洗后的原始胸部图像进行归一化处理，得到所述胸部样本数据，其中，所述胸部样本数据包括标注的样本数据和未标注的样本数据。
4.根据权利要求3所述的方法，其特征在于，所述肋骨骨折检测模型，包括：
根据yolov5x神经网络模型和所述胸部样本数据，确定特征提取网络；
利用空间金字塔池化层对所述特征提取网络最后一层输出的特征图进行处理，得到处理后的多尺度特征图；
利用特征金字塔自上而下和路径聚合网络采用自下而上方向对多尺度特征图进行融合，得到融合特征图，其中，所述融合特征图包括低维和高阶的语义信息；
采用检测头在所述融合特征图中，确定骨折标注框和骨折概率。
5.根据权利要求1所述的方法，其特征在于，所述根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨，包括：
若在多个不同角度的待检测的胸部图像中至少在一个胸部图像中检测出骨折，则确定所述胸部图像中的骨折位置。
6.根据权利要求1所述的方法，其特征在于，所述根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨，包括：
若在多个不同角度的待检测的胸部图像中都未检测到骨折，则显示无骨折现象。
7.一种肋骨骨折检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的胸部图像，其中，所述胸部图像为直接数字化X射线影像；
检测模块，用于将所述待检测的胸部图像输入到预先训练好的肋骨骨折检测模型，确定肋骨检测结果；其中，所述肋骨骨折检测模型通过采用多个角度的胸部图像对初始神经网络模型训练得到的；
判断模块，用于根据所述肋骨检测结果，判断所述胸部图像中的肋骨骨折位置或所述胸部图像中没有骨折的肋骨。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括模型训练模块，所述模型训练模块用于：
获取胸部样本数据，其中，所述胸部样本数据包括正位图像数据和侧位图像数据；
在训练过程中，采用预设比例的正位图像数据和侧位图像数据，对yolov5x神经网络模型进行训练，以使所述yolov5x神经网络模型在拟合侧位图像数据的同时，也使得所述yolov5x神经网络模型相对于侧位图像数据的偏移度小于预设值；
采用指数移动平均的策略，获取收敛最佳的模型权重文件。
9.一种终端设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1-6中任一项所述的肋骨骨折检测方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-6中任一项所述的肋骨骨折检测方法。
CN202210192954.1A 2022-03-01 2022-03-01 肋骨骨折检测方法、装置、终端设备及可读存储介质 Pending CN114757873A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210192954.1A CN114757873A (zh) 2022-03-01 2022-03-01 肋骨骨折检测方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210192954.1A CN114757873A (zh) 2022-03-01 2022-03-01 肋骨骨折检测方法、装置、终端设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114757873A true CN114757873A (zh) 2022-07-15

Family

ID=82326151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210192954.1A Pending CN114757873A (zh) 2022-03-01 2022-03-01 肋骨骨折检测方法、装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114757873A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363056A (zh) * 2023-01-16 2023-06-30 北京医准智能科技有限公司 胸部ct骨折检测优化的方法、装置及设备
CN116843674A (zh) * 2023-07-25 2023-10-03 中国中医科学院望京医院(中国中医科学院骨伤科研究所) 胫骨骨折的检测方法、装置、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363056A (zh) * 2023-01-16 2023-06-30 北京医准智能科技有限公司 胸部ct骨折检测优化的方法、装置及设备
CN116363056B (zh) * 2023-01-16 2023-09-05 北京医准智能科技有限公司 胸部ct骨折检测优化的方法、装置及设备
CN116843674A (zh) * 2023-07-25 2023-10-03 中国中医科学院望京医院(中国中医科学院骨伤科研究所) 胫骨骨折的检测方法、装置、设备及介质
CN116843674B (zh) * 2023-07-25 2024-01-26 中国中医科学院望京医院(中国中医科学院骨伤科研究所) 胫骨骨折的检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
EP3961500B1 (en) Medical image detection method based on deep learning, and related device
CN113052795B (zh) 一种x射线胸片图像质量确定方法及装置
JP2021504061A (ja) 脊椎骨折を識別するための３次元医用画像解析の方法及びシステム
CN111340827A (zh) 一种肺部ct影像数据处理分析方法及系统
CN114757873A (zh) 肋骨骨折检测方法、装置、终端设备及可读存储介质
CN102460471A (zh) 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的系统
CN112699868A (zh) 一种基于深度卷积神经网络的图像识别方法、设备
Caesarendra et al. Automated Cobb angle measurement for adolescent idiopathic scoliosis using convolutional neural network
CN110992376A (zh) 基于ct图像的肋骨分割方法、装置、介质及电子设备
Tang et al. CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening
US11721023B1 (en) Distinguishing a disease state from a non-disease state in an image
Langarizadeh et al. Improvement of digital mammogram images using histogram equalization, histogram stretching and median filter
CN112241961A (zh) 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统
WO2020172558A1 (en) System and method for automatic detection of vertebral fractures on imaging scans using deep networks
Dovganich et al. Automatic out-of-distribution detection methods for improving the deep learning classification of pulmonary X-ray images
Nazia Fathima et al. Diagnosis of Osteoporosis using modified U-net architecture with attention unit in DEXA and X-ray images
CN113469942B (zh) 一种ct图像病变检测方法
Hossain et al. Semi-automatic assessment of hyoid bone motion in digital videofluoroscopic images
Ji et al. ResDSda_U-Net: A novel U-Net based residual network for segmentation of pulmonary nodules in lung CT images
Bakthula et al. Automated human bone age assessment using image processing methods-survey
AU2019204365B1 (en) Method and System for Image Segmentation and Identification
CN116228660A (zh) 胸部正片异常部位检测方法及装置
CN113450306B (zh) 提供骨折检测工具的方法
Li et al. Automatic detection of pituitary microadenoma from magnetic resonance imaging using deep learning algorithms
Zair et al. An automated segmentation of coronary artery calcification using deep learning in specific region limitation

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