CN115984179A - 鼻骨骨折的识别方法、装置、终端及存储介质 - Google Patents
鼻骨骨折的识别方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115984179A CN115984179A CN202211544690.8A CN202211544690A CN115984179A CN 115984179 A CN115984179 A CN 115984179A CN 202211544690 A CN202211544690 A CN 202211544690A CN 115984179 A CN115984179 A CN 115984179A
- Authority
- CN
- China
- Prior art keywords
- injury
- nasal bone
- image
- model
- injury type
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种鼻骨骨折的识别方法、装置、终端及存储介质。该方法包括:获取鼻骨图像;将鼻骨图像输入经过训练的伤情类型推理模型,得到鼻骨图像对应的伤情类型;其中,伤情类型推理模型为基于空间‑通道注意力的Res‑Attention网络,伤情类型推理模型的输出包括新伤、旧伤和无伤。本发明通过基于空间‑通道注意力的Res‑Attention网络对鼻骨图像进行鼻骨骨折识别,其中空间注意力能够提升图像的主要特征表达能力,通道注意力则主要关注图像中有效信息的表征提取,使得Res‑Attention网络具有更好的特征提取能力,从而快速准确确定鼻骨骨折伤情的预推理结果,便于工作人员根据预推理结果确定鼻骨骨折的诊断结果,实现高效准确地鼻骨骨折识别。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种鼻骨骨折的识别方法、装置、终端及存储介质。
背景技术
鼻骨骨折是耳鼻喉科常见疾病,在外伤导致的面部骨折中占比约37.7%,是面部最为常见的骨折类型。人体鼻部骨质较薄,经由外力撞击后相较其他部位更易发生骨折。由于鼻部骨折解剖结构在CT图像中与骨折线表现极为类似,且骨折形式具有多样化的特点,因此鼻部受伤非常容易误诊或漏诊。在医学活动中,关于鼻骨骨折类型、新鲜与陈旧性骨折的区分非常关键,这对后续诊疗有指导性意义。
目前,有关伤情分类和受伤部位分割的主要方法包括:数值模型,统计学习方法,传统机器学习方法和深度学习方法。传统的数值模型方法依赖于研究人员的专业知识,需要有对鼻骨骨折具有深刻的临床诊断经验的专业人员进行建模,准确性较低。而统计学习方法,传统机器学习方法和深度学习方法则更关注数据本身,试图从输入的鼻骨图像数据中挖掘潜在变化规律,或分析图像像素特征和受伤部位之间的联系,但是由于鼻骨伤情数据的骨折解剖结构与骨折线表现极为类似,且骨折部位往往十分细微,一般的卷积神经网络的识别效果并不理想;而传统YOLO网络的待训练参数较多,对设备算力要求高,导致在现实环境部署较为困难,难以实现高效准确地鼻骨骨折识别。
发明内容
本发明实施例提供了一种鼻骨骨折的识别方法、装置、终端及存储介质,以解决难以高效准确地鼻骨骨折识别的问题。
第一方面,本发明实施例提供了一种鼻骨骨折的识别方法,包括:
获取鼻骨图像;
将鼻骨图像输入经过训练的伤情类型推理模型,得到鼻骨图像对应的伤情类型;其中,伤情类型推理模型为基于空间-通道注意力的Res-Attention网络,伤情类型推理模型的输出包括新伤、旧伤和无伤。
在一种可能的实现方式中,在得到鼻骨图像对应的伤情类型之后,该方法还包括:
若鼻骨图像对应的伤情类型为新伤或旧伤,则将鼻骨图像输入经过训练的伤情部位标注模型,得到鼻骨图像对应的伤情部位;其中,伤情部位标注模型为包含Mobile Basic结构的YOLO模型,Mobile Basic结构包括依次连接的第一CBL层、DBR层、全局池化层、第一全连接层、第一激活层、第二全连接层、第二激活层、乘法器、第二CBL层和加法器,DBR层的输出与乘法器的输入连接,乘法器的输出与加法器的输入连接。
在一种可能的实现方式中,在将鼻骨图像输入经过训练的伤情类型推理模型之前,该方法还包括:
获取初始的伤情类型推理模型;
基于伤情类型数据集对初始的伤情类型推理模型进行训练,得到经过训练的伤情类型推理模型;其中,伤情类型数据集包括多个伤情类型样本,每个伤情类型样本为鼻骨图像,每个伤情类型样本的标签为该伤情类型样本对应的伤情类型。
在一种可能的实现方式中,伤情类型推理模型包括依次连接的卷积池化层、八个残差结构和批标准化层,每个残差结构包括一个CBAM层,每个CBAM层包括空间注意力机制和通道注意力机制。
在一种可能的实现方式中,在将鼻骨图像输入经过训练的伤情部位标注模型之前,该方法还包括:
获取初始的伤情部位标注模型;
基于伤情部位数据集对初始的伤情部位标注模型进行训练,得到经过训练的伤情部位标注模型;其中,伤情部位数据集包括多个伤情部位样本,每个伤情部位样本为鼻骨图像,每个伤情部位样本的标签为该伤情部位样本对应的伤情部位。
在一种可能的实现方式中,YOLO结构中,backbone部分的各个C3结构被替换为mobile basic结构。
在一种可能的实现方式中,获取鼻骨图像包括:
获取头部图像;
对头部图像进行分割,得到鼻骨区域图像;
对鼻骨区域图像进行数据增强,得到鼻骨图像;其中,数据增强包括以下至少一项:平移变换、随机裁剪、增加噪声和二值化。
第二方面,本发明实施例提供了一种鼻骨骨折的识别装置,包括:
获取模块,用于获取鼻骨图像;
识别模块,用于将鼻骨图像输入经过训练的伤情类型推理模型,得到鼻骨图像对应的伤情类型;其中,伤情类型推理模型为基于空间-通道注意力的Res-Attention网络,伤情类型推理模型的输出包括新伤、旧伤和无伤。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
本发明实施例提供的一种鼻骨骨折的识别方法、装置、终端及存储介质的有益效果在于:
本发明通过基于空间-通道注意力的Res-Attention网络对鼻骨图像进行鼻骨骨折识别,其中空间注意力能够提升图像的主要特征表达能力,通道注意力则主要关注图像中有效信息的表征提取,使得Res-Attention网络具有更好的特征提取能力,从而快速准确确定鼻骨骨折伤情的预推理结果,便于工作人员根据预推理结果确定鼻骨骨折的诊断结果,实现高效准确地鼻骨骨折识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的鼻骨骨折的识别方法的实现流程图;
图2是本发明一实施例提供的伤情类型推理模型的结构示意图;
图3是本发明一实施例提供的残差网络结构示意图;
图4是本发明一实施例提供的伤情部位标注模型的结构示意图;
图5是本发明一实施例提供的mobile basic结构示意图;
图6是本发明一实施例提供的鼻骨图像进行二值化处理前后的对比图;
图7是本发明一实施例提供的Res-Attention网络训练损失函数曲线图;
图8是本发明一实施例提供的Res-Attention网络预测准确率曲线图;
图9是本发明一实施例提供的不同网络模型训练损失函数对比图;
图10是本发明一实施例提供的多层CNN模型的预测准确率曲线图;
图11是本发明一实施例提供的Mobile Net模型的预测准确率曲线图;
图12是本发明一实施例提供的Resnet-18模型的预测准确率曲线图;
图13是本发明一实施例提供的经双线性插值后的二值化鼻骨图像;
图14是本发明一实施例提供的鼻骨骨折识别结果示意图;
图15是本发明实施例提供的鼻骨骨折的识别装置的结构示意图;
图16是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的鼻骨骨折的识别方法的实现流程图,详述如下:
步骤101,获取鼻骨图像。
在本实施例中,患者进行检查时通常会拍摄CT图像,得到患者头部DCM格式图像,通过MicroDicom软件读取并转换为常用的PNG格式图片,并利用LabelImg工具对其进行标注并裁剪出鼻骨图像。
步骤102,将鼻骨图像输入经过训练的伤情类型推理模型,得到鼻骨图像对应的伤情类型;其中,伤情类型推理模型为基于空间-通道注意力的Res-Attention网络,伤情类型推理模型的输出包括新伤、旧伤和无伤。
在本实施例中,如图2所示,伤情类型推理模型的结构包括以残差神经网络为代表的空间注意力机制和通道注意力模块。残差神经网络用于提高模型训练的稳定性,通道注意力机制则用于获得不同尺度特征之间的位置和语义信息。如图3所示,残差神经网络利用“捷径”的连接方式,在空间上获得输入数据特征间的关联性,将浅层特征保留到更深的网络层中,这种结构保证了信息在网络的传递过程中较少的丢失,很好的解决了网络深度增加所带来的神经网络退化问题。
在一种可能的实现方式中,在得到鼻骨图像对应的伤情类型之后,该方法还包括:
若鼻骨图像对应的伤情类型为新伤或旧伤,则将鼻骨图像输入经过训练的伤情部位标注模型,得到鼻骨图像对应的伤情部位;其中,伤情部位标注模型为包含Mobile Basic结构的YOLO模型,Mobile Basic结构包括依次连接的第一CBL层、DBR层、全局池化层、第一全连接层、第一激活层、第二全连接层、第二激活层、乘法器、第二CBL层和加法器,DBR层的输出与乘法器的输入连接,乘法器的输出与加法器的输入连接。
在本实施例中,伤情部位标注模型是在YOLO网络的基础上,引入Mobile Basic结构得到的,这一改进减少了YOLO网络约10%的权重参数。由于其参数量的缩减和计算优化,降低了对算力的需求,可将其直接部署在移动终端使用。
在一种可能的实现方式中,在将鼻骨图像输入经过训练的伤情类型推理模型之前,该方法还包括:
获取初始的伤情类型推理模型;
基于伤情类型数据集对初始的伤情类型推理模型进行训练,得到经过训练的伤情类型推理模型;其中,伤情类型数据集包括多个伤情类型样本,每个伤情类型样本为鼻骨图像,每个伤情类型样本的标签为该伤情类型样本对应的伤情类型。
在本实施例中,对初始的伤情类型推理模型进行训练能够得到经过训练的伤情类型推理模型,经过训练的伤情类型推理模型具有较高的识别精度,输出的伤情类型与实际的伤情类型较为接近,从而为医生进行诊断提供有效的参考信息。
在一种可能的实现方式中,伤情类型推理模型包括依次连接的卷积池化层、八个残差结构和批标准化层,每个残差结构包括一个CBAM层,每个CBAM层包括空间注意力机制和通道注意力机制。
在本实施例中,残差结构和空间注意力机制的计算流程分别如公式(1)和公式(2)所示:
F=W2σi(W1x)
y=F(x,{Wi})+x (1)
F1=Poolave(x)
F2=Poolmax(x)
y=σ2(W2(σ1(W1(F1+F2)))x (2)
其中,Wi为第i层权重,σi为第i层激活函数,x为输入数据,y为残差块输出,Poolave和Poolmax分别为自适应平均池化层和自适应最大池化层。
在一种可能的实现方式中,在将鼻骨图像输入经过训练的伤情部位标注模型之前,该方法还包括:
获取初始的伤情部位标注模型;
基于伤情部位数据集对初始的伤情部位标注模型进行训练,得到经过训练的伤情部位标注模型;其中,伤情部位数据集包括多个伤情部位样本,每个伤情部位样本为鼻骨图像,每个伤情部位样本的标签为该伤情部位样本对应的伤情部位。
在本实施例中,使用伤情部位数据集对初始的伤情部位标注模型进行迭代训练,优化伤情部位标注模型的参数,能够提高伤情部位识别的准确性。
在一种可能的实现方式中,YOLO结构中,backbone部分的各个C3结构被替换为mobile basic结构。
在本实施例中,伤情部位标注模型的结构如图4所示,mobile basic结构如图5所示。由图5可知,mobile basic结构具有逆残差结构,通过通道卷积和逐点卷积可显著减少参数量和计算量,从而实现伤情部位标注模型的轻量化,减少训练参数。通道卷积是一种轻量型单元,将其设计为类似于纺锤形的结构,可使其在高维度特征空间上学习多样化特征,减少高维信息损失。本实施例中在Mobile Basic结构末端加入了残差结构,使得网络在深度增加时能更好的保留底层特征,相比于原来的C3结构,减少了梯度消失出现的可能性。
在一种可能的实现方式中,获取鼻骨图像包括:
获取头部图像;
对头部图像进行分割,得到鼻骨区域图像;
对鼻骨区域图像进行数据增强,得到鼻骨图像;其中,数据增强包括以下至少一项:平移变换、随机裁剪、增加噪声和二值化。
在本实施例中,对鼻骨图像进行数据增强,能够在不实质性的增加数据的情况下,提高原数据的数量及质量,以接近于更多数据量产生的价值。图6为本发明一实施例中鼻骨图像进行二值化处理前后的对比图,对鼻骨图像进行二值化操作能够使其更适合神经网络输入,从而提高鼻骨骨折识别的准确性。对于训练数据中的图像进行数据增强,能够使用更少的训练样本,得到较好的训练结果,提高训练效率并降低成本。
在一个具体的实施例中,基于本发明进行鼻骨骨折识别的完整流程包括以下步骤:
步骤一、图6左为MicroDicom软件读取并通过LabelImg工具进行标注并裁剪的患者鼻部CT图像数据。由于数据数量有限,且神经网络模型训练需要大量训练样本以保证模型准确度,本实施例中搭建动态可更新数据库用于存储图像数据,可后续填充样本或扩充检测领域。本发明对已有的样本采用平移变换、随机裁剪、增加噪声等操作以增加样本数量,从而保证模型的泛化能力。
步骤二、为了方便神经网络理解数据特征,需要在图像数据送入神经网络前对其进行二值化操作。图6右为经二值化操作的图片样本。而后通过人工标注的方式,将图像数据分为新伤,旧伤和无伤三种类型以作为网络输出结果的标签。随后对数据集按照比例划分为训练集和测试集,划分结果如表1所示。
表1
步骤三、根据图2结构构建Res-Attention网络结构,其中包括以残差神经网络为代表的空间注意力机制和通道注意力模块。残差神经网络用于提高模型训练的稳定性,通道注意力机制则用于获得不同尺度特征之间的位置和语义信息。残差网络结构如图3所示,它很好的解决了网络深度增加所带来的神经网络退化问题。残差神经网络利用“捷径”的连接方式,在空间上获得输入数据特征间的关联性,将浅层特征保留到更深的网络层中,这种结构保证了信息在网络的传递过程中较少的丢失。公式(1)是残差结构的计算流程:
F=W2σi(W1x)
y=F(x,{Wi})+x (1)
其中Wi为第i层权重,σi为第i层激活函数,x为输入数据,y为残差块输出。通过该跳跃式的结构,在不出现明显网络退化的前提下,残差神经网络可以具有更多的层数,从而获得更加强大的特征提取能力。
本实施例中为了捕获输入图像的位置信息,也在Res-Attention网络中引入了通过通道进行特征信息提取的通道注意力机制。通道注意力机制关注图像中有效信息的表征提取,是对残差块特征提取的补充。为了有效计算通道注意力,压缩输入特征图的空间维数,网络如公式(2)对输入同时进行平均池化和最大池化,用于聚合特征图的空间信息。其中Poolave和Poolmax分别为自适应平均池化层和自适应最大池化层,其他符号含义与公式(1)相同。该模块同时减轻了深度网络的退化问题,使神经网络可以自主判断各通道的权重,也使得网络更加关注重要的特征而忽视掉次要特征。
F1=Poolave(x)
F2=Poolmax(x)
y=σ2(W2(σ1(W1(F1+F2)))x (2)
在神经网络学习模型训练时,输入数据的分布会影响网络训练效果,故而需要对输入数据进行标准化处理。本发明的标准化操作如公式(3)所示,其目的是使输入神经网络的数据满足均值为0,方差为1的分布。
构建Res-Attention网络结束后,将步骤二所得的训练集样本输入网络,经过300代的训练得到如图7的损失函数曲线图。
步骤四、用步骤二所得的测试集对步骤三训练结束的网络进行测试,得到如图8所示的网络准确率。可以看到,随着迭代次数的增加,网络准确率最终趋近于90%。为了对比网络的预测效果,构建多层CNN,Mobile Net和Resnet-18三种不同网络模型作为对比网络,使用同样的训练集和超参数对各对比网络进行训练,并基于平均预测精度、召回率、准确率和混淆矩阵对各网络的识别结果进行评价。图9为各对比网络训练损失函数曲线。图10,11,12分别为多层CNN,Mobile Net和Resnet-18三种网络的预测准确率曲线。可以看出,经过300次的模型迭代,本发明提供的Res-Attention网络的预测准确率远高于以上这三种对比网络。
步骤五、裁剪后的CT图像在经Res-Attention网络识别后,将其标记为鼻骨无伤、鼻骨新伤或鼻骨旧伤图像样本。为了进一步识别伤痕部位及分析伤情,本发明使用YOLO网络对鼻骨损伤部分进行识别。由于每张图像大小不同,故使用双线性插值方法将所有图像调整至600×400像素,得到如图13所示的二值化鼻骨图像。使用LabelImg工具对经过处理后的图像数据进行伤情部位标注并划分为训练集和测试集。其数据分布如表2所示。
表2
图像类别 | 样本数量(张) | 占比 |
训练集鼻骨旧伤图像 | 1308 | 39.7% |
训练集鼻骨新伤图像 | 1327 | 40.3% |
测试集鼻骨旧伤图像 | 327 | 10.0% |
测试集鼻骨新伤图像 | 332 | 10.0% |
标准的YOLO网络其特征提取结构较为冗余,包含大量需训练参数,在实际应用中经常受到硬件算力的限制。本发明在保证识别精度的情况下减少网络模型参数,提出了基于Mobile Net网络的Mobile Basic结构。Mobile Net的逆残差结构可分离卷积是网络结构轻量化的主要因素,通过通道卷积和逐点卷积可显著减少参数量和计算量。通道卷积是一种轻量型单元,将其设计为类似于纺锤型的结构,可使其在高维度特征空间上学习多样化特征,减少高维信息损失。在Mobile Basic块末端加入了残差结构,使得网络在深度增加时能更好的保留底层特征,相比于原来的C3结构,减少了梯度消失出现的可能性。同时根据应用场景的需求引入了比例因子λ。通过调节比例因子,可以改变可分离卷积过程中通道膨胀大小,以适用不同大小的模型结构。其参数量如表3所示,可以发现,当对模型精度的需求越高时,λ所起到的作用越强,在大量减少参数的同时并未对精度产生明显影响。
表3
模型名称 | 原始结构参数量 | 轻量化后参数量 | 减少比例 | 比例因子 |
YOLO 5s | 702326 | 634612 | 9.6% | 1.2 |
YOLO 5m | 20871318 | 17013318 | 18.5% | 1.5 |
YOLO 5l | 46138294 | 35144188 | 23.8% | 1.8 |
YOLO 5x | 86217814 | 62149014 | 27.9% | 2.0 |
基于表2所示的训练集数据对轻量化后的网络进行训练,得到训练后的网络模型参数。
步骤六、利用步骤五训练完毕的YOLO网络对表2中测试集数据进行测试,图14为YOLO网络对鼻骨受伤部位的划分结果,其中方框中数字为伤情预测置信度。
本发明实施例通过基于空间-通道注意力的Res-Attention网络对鼻骨图像进行鼻骨骨折识别,其中空间注意力能够提升图像的主要特征表达能力,通道注意力则主要关注图像中有效信息的表征提取,使得Res-Attention网络具有更好的特征提取能力,从而快速准确确定鼻骨骨折伤情的预推理结果,便于工作人员根据预推理结果确定鼻骨骨折的诊断结果,实现高效准确地鼻骨骨折识别。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图15示出了本发明实施例提供的鼻骨骨折的识别装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图15所示,鼻骨骨折的识别装置15包括:
获取模块151,用于获取鼻骨图像;
识别模块152,用于将鼻骨图像输入经过训练的伤情类型推理模型,得到鼻骨图像对应的伤情类型;其中,伤情类型推理模型为基于空间-通道注意力的Res-Attention网络,伤情类型推理模型的输出包括新伤、旧伤和无伤。
在一种可能的实现方式中,鼻骨骨折的识别装置15还包括定位模块,用于在鼻骨图像对应的伤情类型为新伤或旧伤时,将鼻骨图像输入经过训练的伤情部位标注模型,得到鼻骨图像对应的伤情部位;其中,伤情部位标注模型为包含Mobile Basic结构的YOLO模型,Mobile Basic结构包括依次连接的第一CBL层、DBR层、全局池化层、第一全连接层、第一激活层、第二全连接层、第二激活层、乘法器、第二CBL层和加法器,DBR层的输出与乘法器的输入连接,乘法器的输出与加法器的输入连接。
在一种可能的实现方式中,鼻骨骨折的识别装置15还包括:
伤情类型推理模型获取模块,用于在将鼻骨图像输入经过训练的伤情类型推理模型之前,获取初始的伤情类型推理模型;
伤情类型推理模型训练模块,用于基于伤情类型数据集对初始的伤情类型推理模型进行训练,得到经过训练的伤情类型推理模型;其中,伤情类型数据集包括多个伤情类型样本,每个伤情类型样本为鼻骨图像,每个伤情类型样本的标签为该伤情类型样本对应的伤情类型。
在一种可能的实现方式中,伤情类型推理模型包括依次连接的卷积池化层、八个残差结构和批标准化层,每个残差结构包括一个CBAM层,每个CBAM层包括空间注意力机制和通道注意力机制。
在一种可能的实现方式中,鼻骨骨折的识别装置15还包括:
伤情部位标注模型获取模块,用于在将鼻骨图像输入经过训练的伤情部位标注模型之前,获取初始的伤情部位标注模型;
伤情部位标注模型训练模块,用于基于伤情部位数据集对初始的伤情部位标注模型进行训练,得到经过训练的伤情部位标注模型;其中,伤情部位数据集包括多个伤情部位样本,每个伤情部位样本为鼻骨图像,每个伤情部位样本的标签为该伤情部位样本对应的伤情部位。
在一种可能的实现方式中,YOLO结构中,backbone部分的各个C3结构被替换为mobile basic结构。
在一种可能的实现方式中,获取模块具体用于:
获取头部图像;
对头部图像进行分割,得到鼻骨区域图像;
对鼻骨区域图像进行数据增强,得到鼻骨图像;其中,数据增强包括以下至少一项:平移变换、随机裁剪、增加噪声和二值化。
本发明实施例通过基于空间-通道注意力的Res-Attention网络对鼻骨图像进行鼻骨骨折识别,其中空间注意力能够提升图像的主要特征表达能力,通道注意力则主要关注图像中有效信息的表征提取,使得Res-Attention网络具有更好的特征提取能力,从而快速准确确定鼻骨骨折伤情的预推理结果,便于工作人员根据预推理结果确定鼻骨骨折的诊断结果,实现高效准确地鼻骨骨折识别。
图16是本发明实施例提供的终端的示意图。如图16所示,该实施例的终端16包括:处理器160、存储器161以及存储在所述存储器161中并可在所述处理器160上运行的计算机程序162。所述处理器160执行所述计算机程序162时实现上述各个鼻骨骨折的识别方法实施例中的步骤,例如图1所示的步骤101至步骤102。或者,所述处理器160执行所述计算机程序162时实现上述各装置实施例中各模块/单元的功能,例如图15所示模块/单元151至152的功能。
示例性的,所述计算机程序162可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器161中,并由所述处理器160执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序162在所述终端16中的执行过程。例如,所述计算机程序162可以被分割成图15所示的模块/单元151至152。
所述终端16可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端16可包括,但不仅限于,处理器160、存储器161。本领域技术人员可以理解,图16仅仅是终端16的示例,并不构成对终端16的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器160可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器161可以是所述终端16的内部存储单元,例如终端16的硬盘或内存。所述存储器161也可以是所述终端16的外部存储设备,例如所述终端16上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,所述存储器161还可以既包括所述终端16的内部存储单元也包括外部存储设备。所述存储器161用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器161还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、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。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个鼻骨骨折的识别方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种鼻骨骨折的识别方法,其特征在于,包括:
获取鼻骨图像;
将所述鼻骨图像输入经过训练的伤情类型推理模型,得到所述鼻骨图像对应的伤情类型;其中,所述伤情类型推理模型为基于空间-通道注意力的Res-Attention网络,所述伤情类型推理模型的输出包括新伤、旧伤和无伤。
2.根据权利要求1所述的鼻骨骨折的识别方法,其特征在于,在所述得到所述鼻骨图像对应的伤情类型之后,所述方法还包括:
若所述鼻骨图像对应的伤情类型为新伤或旧伤,则将所述鼻骨图像输入经过训练的伤情部位标注模型,得到所述鼻骨图像对应的伤情部位;其中,所述伤情部位标注模型为包含Mobile Basic结构的YOLO模型,所述Mobile Basic结构包括依次连接的第一CBL层、DBR层、全局池化层、第一全连接层、第一激活层、第二全连接层、第二激活层、乘法器、第二CBL层和加法器,所述DBR层的输出与所述乘法器的输入连接,所述乘法器的输出与所述加法器的输入连接。
3.根据权利要求1所述的鼻骨骨折的识别方法,其特征在于,在所述将所述鼻骨图像输入经过训练的伤情类型推理模型之前,所述方法还包括:
获取初始的伤情类型推理模型;
基于伤情类型数据集对初始的伤情类型推理模型进行训练,得到经过训练的伤情类型推理模型;其中,所述伤情类型数据集包括多个伤情类型样本,每个伤情类型样本为鼻骨图像,每个伤情类型样本的标签为该伤情类型样本对应的伤情类型。
4.根据权利要求3所述的鼻骨骨折的识别方法,其特征在于,所述伤情类型推理模型包括依次连接的卷积池化层、八个残差结构和批标准化层,每个残差结构包括一个CBAM层,每个CBAM层包括空间注意力机制和通道注意力机制。
5.根据权利要求2所述的鼻骨骨折的识别方法,其特征在于,在所述将所述鼻骨图像输入经过训练的伤情部位标注模型之前,所述方法还包括:
获取初始的伤情部位标注模型;
基于伤情部位数据集对初始的伤情部位标注模型进行训练,得到经过训练的伤情部位标注模型;其中,所述伤情部位数据集包括多个伤情部位样本,每个伤情部位样本为鼻骨图像,每个伤情部位样本的标签为该伤情部位样本对应的伤情部位。
6.根据权利要求5所述的鼻骨骨折的识别方法,其特征在于,所述YOLO结构中,backbone部分的各个C3结构被替换为mobile basic结构。
7.根据权利要求1至6任一项所述的鼻骨骨折的识别方法,其特征在于,所述获取鼻骨图像包括:
获取头部图像;
对所述头部图像进行分割,得到鼻骨区域图像;
对所述鼻骨区域图像进行数据增强,得到鼻骨图像;其中,所述数据增强包括以下至少一项:平移变换、随机裁剪、增加噪声和二值化。
8.一种鼻骨骨折的识别装置,其特征在于,包括:
获取模块,用于获取鼻骨图像;
识别模块,用于将所述鼻骨图像输入经过训练的伤情类型推理模型,得到所述鼻骨图像对应的伤情类型;其中,所述伤情类型推理模型为基于空间-通道注意力的Res-Attention网络,所述伤情类型推理模型的输出包括新伤、旧伤和无伤。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211544690.8A CN115984179A (zh) | 2022-12-02 | 2022-12-02 | 鼻骨骨折的识别方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211544690.8A CN115984179A (zh) | 2022-12-02 | 2022-12-02 | 鼻骨骨折的识别方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984179A true CN115984179A (zh) | 2023-04-18 |
Family
ID=85974883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211544690.8A Pending CN115984179A (zh) | 2022-12-02 | 2022-12-02 | 鼻骨骨折的识别方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984179A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593293A (zh) * | 2024-01-18 | 2024-02-23 | 吉林大学 | 鼻骨骨折影像智能处理系统及方法 |
-
2022
- 2022-12-02 CN CN202211544690.8A patent/CN115984179A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593293A (zh) * | 2024-01-18 | 2024-02-23 | 吉林大学 | 鼻骨骨折影像智能处理系统及方法 |
CN117593293B (zh) * | 2024-01-18 | 2024-04-05 | 吉林大学 | 鼻骨骨折影像智能处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN112418329B (zh) | 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统 | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
CN111126481A (zh) | 一种神经网络模型的训练方法及装置 | |
CN113450328B (zh) | 基于改进神经网络的医学图像关键点检测方法及系统 | |
CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN112862024B (zh) | 一种文本识别方法及系统 | |
CN111667474A (zh) | 骨折识别方法、装置、设备和计算机可读存储介质 | |
CN112883980B (zh) | 一种数据处理方法及系统 | |
CN115359066B (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
CN115984179A (zh) | 鼻骨骨折的识别方法、装置、终端及存储介质 | |
CN115424691A (zh) | 病例匹配方法、系统、设备和介质 | |
CN111882559A (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN115393470B (zh) | 一种文物数字线图的绘制方法、绘制系统及绘制装置 | |
CN116258685A (zh) | 全局和局部特征同时提取与融合的多器官分割方法及装置 | |
CN113723417B (zh) | 基于单视图的影像匹配方法、装置、设备及存储介质 | |
CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
CN111126424A (zh) | 一种基于卷积神经网络的超声图像分类方法 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
CN114360695A (zh) | 乳腺超声扫查分析辅助系统、介质及设备 | |
CN112950652A (zh) | 机器人及其手部图像分割方法和装置 | |
CN114049315A (zh) | 关节识别方法、电子设备、存储介质及计算机程序产品 | |
CN112614092A (zh) | 脊柱检测方法和装置 | |
CN115881265B (zh) | 电子病历智能病案质控方法、系统、设备及存储介质 |
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 |