CN116167984A - 用于抑制运动伪影的骨折假阳检出的方法、装置及设备 - Google Patents

用于抑制运动伪影的骨折假阳检出的方法、装置及设备 Download PDF

Info

Publication number
CN116167984A
CN116167984A CN202310061857.3A CN202310061857A CN116167984A CN 116167984 A CN116167984 A CN 116167984A CN 202310061857 A CN202310061857 A CN 202310061857A CN 116167984 A CN116167984 A CN 116167984A
Authority
CN
China
Prior art keywords
rib
adjacent
target
image
motion artifact
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.)
Granted
Application number
CN202310061857.3A
Other languages
English (en)
Other versions
CN116167984B (zh
Inventor
鄂有君
高飞
于灏
丁佳
吕晨翀
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 Yizhun Medical AI Co Ltd
Original Assignee
Beijing Yizhun Medical AI 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 Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202310061857.3A priority Critical patent/CN116167984B/zh
Publication of CN116167984A publication Critical patent/CN116167984A/zh
Application granted granted Critical
Publication of CN116167984B publication Critical patent/CN116167984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例公开了一种用于抑制运动伪影的骨折假阳检出的方法、装置及设备，所述方法包括：获取包含目标肋骨图像的目标裁剪图，所述目标肋骨为标注有病灶检测框的肋骨；确定与所述目标肋骨相邻的相邻肋骨，获取包含所述相邻肋骨图像的相邻裁剪图；将所述目标裁剪图和所述相邻裁剪图输入预设的分类模型，得到预测所述目标肋骨为运动伪影的联合概率Pnew；在所述联合概率Pnew大于阈值的情况下，判定所述目标肋骨为运动伪影。应用本说明书的实施例的技术方案，可以解决在肋骨骨折检测中出现运动伪影的假阳检出的问题，实现提高检测准确率的技术效果。

Description

用于抑制运动伪影的骨折假阳检出的方法、装置及设备
技术领域
本说明书涉及医学影像检测领域，尤其涉及一种在肋骨骨折检测中，用于抑制运动伪影的骨折假阳检出的方法、装置及设备。
背景技术
在拍摄计算机断层扫描(Computed Tomography，CT)图像时，往往会因为患者伤痛或意识不清而无法配合憋气，导致图像中产生呼吸运动伪影(也称为运动伪影)。而运动伪影和肋骨骨折的图像相似度很高，在利用AI技术对肋骨CT图像检测时，经常伴有运动伪影的骨折假阳检出，影响检测准确率。
目前，针对运动伪影的假阳检出，通常采用增加运动伪影的图像数量使网络自我学习，或者基于运动伪影的检测框分数值普遍较低的原理，提高检测模型的阈值。然而，包含运动伪影的数据一方面很难收集，另一方面过多增加运动伪影的图像数量可能会影响模型对骨折的检出；而提高检测模型阈值，会使部分分数值较低的骨折检测框被漏检。
由此可见，在肋骨骨折检测中，解决运动伪影的假阳检出的问题时，现有的技术方案均存在不足，需要找到更优的技术方案。
发明内容
本说明书实施例提供一种用于抑制运动伪影的骨折假阳检出的方法、装置及设备，用于解决肋骨骨折检测中存在运动伪影的假阳检出的问题，以达到提高检测准确率的技术效果。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供一种用于抑制运动伪影的骨折假阳检出的方法，应用于肋骨骨折的检测中，所述方法包括：
获取包含目标肋骨图像的目标裁剪图，所述目标肋骨为标注有病灶检测框的肋骨；
确定与所述目标肋骨相邻的相邻肋骨，获取包含所述相邻肋骨图像的相邻裁剪图；
将所述目标裁剪图和所述相邻裁剪图输入预设的分类模型，得到预测所述目标肋骨为运动伪影的联合概率Pnew；
在所述联合概率Pnew大于阈值的情况下，判定所述目标肋骨为运动伪影。
本说明书实施例还提供一种用于抑制运动伪影的假阳检出的装置，应用于肋骨骨折的检测中，所述装置包括：
第一获取模块，被配置为获取包含目标肋骨图像的目标裁剪图，所述目标肋骨为标注有病灶检测框的肋骨；
第二获取模块，被配置为确定与所述目标肋骨相邻的相邻肋骨，获取包含所述相邻肋骨图像的相邻裁剪图；
联合概率模块，被配置为将所述目标裁剪图和所述相邻裁剪图输入预设的分类模型，得到预测所述目标肋骨为运动伪影的联合概率Pnew；
判定模块，被配置为在所述联合概率Pnew满足预设条件的情况下，判定所述目标肋骨为运动伪影。
本说明书实施例还提供一种用于抑制运动伪影的骨折假阳检出的设备，应用于肋骨骨折的检测中，所述设备包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，使所述至少一个处理器能够执行如前所述的用于抑制运动伪影的骨折假阳检出的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：根据肋骨的CT图像得到肋骨骨折的检测结果之后，识别运动伪影，利用两个模型完成骨折检测和假阳抑制，不增加原有的肋骨骨折模型学习的图像数量，也不改变原模型的检测阈值，不会影响原模型的骨折检出的效果，具有结构简单、兼容性高的优势，同时，结合了病灶肋骨的上下文信息进行识别，能够更准确区分骨折和运动伪影，提高了识别准确率。此外，利用基于注意力机制的分类模型关注重点特征，进一步提高了识别准确率。由此，应用本说明书的实施例的技术方案，可以解决在肋骨骨折检测中出现运动伪影的假阳检出的问题，实现提高检测准确率的技术效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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为存在运动伪影的肋骨CT图像；
图2为发生肋骨骨折的肋骨CT图像；
图3为裁剪出来的存在运动伪影的肋骨图像；
图4为裁剪出来的发生肋骨骨折的肋骨图像
图5为本公开实施例提供的用于抑制运动伪影的骨折假阳检出的方法流程图；
图6为本公开实施例中的分类模型的一种分支网络结构；
图7为本公开实施例中的分类模型的另一种分支网络结构；
图8为ResNet残差网络中的残差块的基本结构；
图9为卷积块注意力模块CBAM的模块架构示意图；
图10为卷积块注意力模块CBAM中的通道注意力模块的架构示意图；
图11为卷积块注意力模块CBAM中的空间注意力模块的架构示意图；
图12为卷积块注意力模块CBAM与残差块结合的结构示意图；
图13为本公开实施例用于抑制运动伪影的骨折假阳检出的装置框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
从肋骨的CT图像看，运动伪影和肋骨骨折很相似，对医生或者对AI来说，区分判断的难度都很高。因而，在利用AI技术进行肋骨骨折检测时，经常伴有运动伪影的骨折假阳检出的情形发生。
发明人在研究肋骨骨折和运动伪影的不同之处时发现，在同层面的图像中，当某肋骨表现为运动伪影时，与其同侧(人体左侧或右侧)的相邻的肋骨一般也会同时出现运动伪影，如图1所示；但是在实际为骨折的情形下，骨折肋骨的相邻肋骨不会呈现类似的图像，如图2所示。
为方便对比，将上述图像中的肋骨分别进行裁剪。以图1中的肋骨10为目标肋骨，分别裁剪其相邻的肋骨11和12，得到的裁剪图如图3所示。以图2中的肋骨20为目标肋骨，分别裁剪其相邻的肋骨21和22，得到的裁剪图如图4所示。
从图3和图4可以看到，目标肋骨与其相邻的上一根肋骨和下一根肋骨均会表现出相同的影像特征。据此可推断：目标肋骨至少与一根相邻的肋骨均会呈现运动伪影，若目标肋骨与相邻肋骨均不存在相似特征，则可排除运动伪影。
基于上述发现和推断结论，发明人在本说明书的一个实施例中提供了一种用于抑制运动伪影的假阳检出的方法，用以解决现有技术在肋骨骨折检测中存在运动伪影的假阳检出的问题，通过在原有的肋骨检出模型之后，增加利用肋骨的上下文信息来判断运动伪影的分类模型，不需要增加原有的肋骨骨折模型学习的图像数量，也不需要提高原模型的检测阈值，不会影响原模型的骨折检出效果，具有结构简单、兼容性强、检出效率高且识别准确率高的技术效果。
本说明书的一个实施例中的技术方案，为解决上述运动伪影的假阳检出问题，总体思路如下：
在肋骨骨折检测模型之后，增加一个结合上下文的运动伪影假阳抑制模型，以标注了病灶检测框的肋骨为目标肋骨，在同层面图像中裁剪出目标肋骨的图像及其相邻肋骨的图像，将这些裁剪的图像输入预先构建和训练得到的分类模型，结合相邻肋骨提供的上下文信息识别该病灶检测框是否为运动伪影，进而抑制原肋骨骨折检测模型的假阳检出，提高系统的识别准确率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对本公开实施例的技术方案进行详细的说明。
图5示意性示出了根据本公开实施例的用于抑制运动伪影的假阳检出的方法流程图。
如图5所示，该方法包括操作S110～S140。
在操作S110，获取包含目标肋骨图像的目标裁剪图，所述目标肋骨为标注有病灶检测框的肋骨。
其中，病灶检测框是基于对待检的肋骨CT图像的检测而标注的。具体地，可以利用已有的肋骨骨折检出模型，对待检的肋骨CT图像进行检测，输出的标注有病灶检测框的检出图像。已有的肋骨骨折检出模型，可以采用适用肋骨的图像识别和分类技术实现，本公开对此不做具体限定。
根据检出图像，将标注有病灶检测框的肋骨确定为目标肋骨，对目标肋骨进行后续的运动伪影的识别和判定。在包含检测框的检出图像中，每个检测框都是肋骨骨折检出模型检出的发生骨折的病灶区域，由于运动伪影与骨折图像的相似度很高，这些检测框中可能会包含有被误检为骨折的运动伪影，即检出结果中存在骨折假阳性的检测框。为此，针对上述的病灶检测框，需进行进一步的识别，剔除运动伪影导致的假阳检测框。
确定目标肋骨后，可以从原始的肋骨图像中裁剪出包含目标肋骨图像的目标裁剪图，从多层面图像中裁剪后得到的就是三维的图像块。在某层面的图像上，裁剪图的尺寸可根据实际肋骨的大小进行统一，例如，裁剪的肋骨图像统一为48mm*48mm，同时在48层面的图像中进行裁剪，可以得到维度为48*48*48的三维的图像块。
在操作S120，确定与所述目标肋骨相邻的相邻肋骨，获取包含所述相邻肋骨图像的相邻裁剪图。
根据本公开实施例，相邻肋骨是指与目标肋骨同侧(人体左侧或右侧)且与目标肋骨最邻近的一根肋骨，目标肋骨的相邻肋骨至少有一根，如果目标肋骨处于中间位置，则会具有上下两根相邻的肋骨。
在确定与目标肋骨相邻的相邻肋骨时，可以在同层面的图像中，识别出图像中的各个肋骨，然后从中定位出与目标肋骨同侧的相邻肋骨。由于大多数人群每侧具有12根肋骨，可以按照从上到下的顺序对肋骨进行编号，如第1根肋骨编号为1，第5根肋骨编号为5，以此类推。相邻肋骨可根据目标肋骨的编号来确定与其同侧的相邻的肋骨，即编号比目标肋骨的编号大1或小1的肋骨。也可以目标肋骨的中线定位来确定，具体而言，以目标肋骨检测框的中线为基准，将该中线距离最近的一根或两根肋骨作为相邻肋骨。实际中，可以利用深度学习等技术识别同层面图像中的各个肋骨，进而定位出相邻肋骨。本公开对具体采用的图像识别技术不做限定，只要其可辅助实现定位和采集包含相邻肋骨的图像即可。
确定相邻肋骨后，在同层面的图像中裁剪出包含相邻肋骨图像的相邻裁剪图，相邻裁剪图也是三维图像块，三维尺寸与目标裁剪图保持一致。具体而言，相邻肋骨可以是与目标肋骨距离最近的第一相邻肋骨，相邻裁剪图为包含第一相邻肋骨图像的裁剪图，即得到的单侧的相邻裁剪图。相邻肋骨可以也可以是与目标肋骨上下相邻的第一相邻肋骨和第二相邻肋骨，相邻裁剪图是包含第一相邻肋骨图像的裁剪图和包含第二相邻肋骨图像的裁剪图，即得到的是双侧的相邻裁剪图。另外，由于CT图像是具有多个连续层面的医学图像，在本操作中，为获得目标肋骨的上下文信息，裁剪目标肋骨和相邻肋骨均在在同层面的图像中裁剪，并通过多层面的图像，可以得到每个肋骨的三维的裁剪图像数据。
下面举例说明目标肋骨与相邻肋骨的位置关系。例如在图1中，以肋骨10为目标肋骨，其两侧的肋骨11和12为相邻肋骨，此时，在同层面图像中裁剪出来的相邻裁剪图就有两个，分别为包含肋骨11的裁剪图和包含肋骨12的裁剪图，即得到的是双侧的相邻裁剪图。又例如在图2中，假设肋骨23被标注了病灶检测框，其作为目标肋骨时，只有单侧的相邻肋骨22，此时裁剪得到的相邻裁剪图就只有一个，即包含肋骨22的裁剪图。
在操作S130，将所述目标裁剪图和所述相邻裁剪图输入预设的分类模型，得到预测所述目标肋骨为运动伪影的联合概率Pnew。
根据本公开实施例，预设的分类模型是具有多个网络支路的二分类的三维的深度学习网络模型，该分类模型的每个网络支路针对所输入的三维的裁剪图，输出预测该裁剪图中的肋骨属于骨折或运动伪影的预测概率，然后根据多个支路输出的概率预测目标肋骨为运动伪影的联合概率Pnew。
图6给出了该分类模型的一种分支网络结构，在该结构中，分类模型具有两个网络支路，这两个支路具有相同的结构和权重参数，该结构适用于输入单个相邻裁剪图的情况，也就是说，设定仅采集与目标肋距离最近第一相邻肋骨来进行运动伪影的判定，此时的相邻裁剪图为包含第一相邻肋骨图像的第一相邻裁剪图。在图6中，将目标肋骨的目标裁剪图输入中间的支路，对应输出针对该目标肋骨属于骨折或运动伪影的预测概率P，将第一相邻裁剪图输入另一个支路，得到针对该第一相邻肋骨的预测概率P1，进而得到联合概率Pnew。
在图6的网络结构中，联合概率Pnew可以按下式计算：
Pnew＝1-(1-P*P1) (1)
上式(1)的原理为：如果目标肋骨为运动伪影，则期望P和P1均无限接近1，如果目标肋骨非运动伪影，则期望P*P1无限接近0。利用上式(1)，在判断一个检测框是否为运动伪影时，可以利用目标肋骨的相邻肋骨的相似性，有利于提升预测准确度。
图7给出了该分类模型的另一种分支网络结构，在该结构中，分类模型具有三个网络支路，这三个支路具有相同的结构和权重参数，该结构可适用输入两个相邻裁剪图情形。当相邻肋骨包括了与目标肋上下相邻的第一相邻肋骨和第二相邻肋骨，对应的相邻裁剪图包括第一相邻裁剪图和第二相邻裁剪图时，利用图7的网络结构，将目标肋骨的目标裁剪图输入中间的支路，对应输出的是针对该目标肋骨属于骨折或运动伪影的预测概率P，将目标肋骨两侧的相邻肋骨的裁剪图分别输入另外两支路，得到的则是针对相邻肋骨的预测概率P1和P2，进而得到联合概率Pnew。
在图7的网络结构中，联合概率Pnew可以按下式计算：
Pnew＝1-(1-P*P1)*(1-P*P2) (2)
上式(2)的原理为：如果目标肋骨为运动伪影，则期望P和P1均无限接近1、或者P和P2均无限接近1，如果目标肋骨非运动伪影，则期望P*P1无限接近0且P*P2无限接近0。利用上式(2)，在判断一个检测框是否为运动伪影时，利用目标肋骨的上下肋骨的信息，能够进一步提升预测准确度，并且也能有效避免将实际为骨折的检测框误分类为运动伪影的情况发生。
图7的三支路的网络结构的具有适用场景更广泛的优势。在目标肋骨具有上下相邻的两根肋骨时，可以利用上下相邻的肋骨来获得联合概率，当目标肋骨仅有单侧的相邻肋骨可用时，也可仅利用图7的网络结构，并以公式(2)计算联合概率Pnew。具体而言，当目标肋骨仅有单侧相邻肋骨可用时，可以用包含已知数据的替代图像代替缺失侧的相邻肋骨的裁剪图，例如，替代图像可以是全0的图像。
根据本公开实施例，预设的分类模型为基于残差网络(Residual Network，ResNet)框架而构建的二分类模型，用于针对输入的图像输出分类为运动伪影的预测概率，在该分类模型中包含了多个集成了注意力机制的残差块结构。该分类模型已经预先完成了训练。在分类模型中加入注意力机制可以关注重要特征，抑制不必要的特征。具体来说，在图6和图7的网络结构中，每个支路都是加入了注意力机制的具有残差结构的网络模型。每个支路将输入的三维图像的三维特征层层传递，最终通过全局平均池化和全连接层，利用sigmoid激活函数输出该输入图像分类为运动伪影的预测概率。
下面简单介绍残差网络ResNet。ResNet是卷积神经网络的一种，用来做特征提取，常用于图像识别和分类。ResNet的残差块的基本结构如图8所示，左侧是正常的卷积层，特征向量层层向下传递，右侧增加一条连线，形成残差结构，该残差结构的输出的是卷积后的向量和输入向量的叠加，即F(X)+X。
ResNet根据其网络结构中的卷积层数具体命名，例如，ResNet50网络，其由50个卷积层前后连接而成，除此之外，常用的还有ResNet18，ResNet101等，主要区别是卷积层数的不同。在本公开实施例中，采用的是3D-ResNet50网络，用来提取输入的裁剪得到的肋骨图像块的三维特征。在ResNet中加入注意力机制，可以使网络自动聚焦于输入数据的关键信息部分，增强ResNet的特征表达能力，进而提高分类模型的预测能力。
根据本公开实施例，在上述预设的分类模型中，加入的注意力机制采用的是卷积块注意力模块(Convolutional Block Attention Module，CBAM)，CBAM是一个混合域的注意力机制，依次包括通道注意力(Channel Attention)模块和空间注意力(SpatialAttention)模块。
图9给出了CBAM的模块架构示意图。输入的特征图依次通过通道注意力模块，然后与原始特征图作用生成新的特征图，再通过空间注意力模块，然后再与空间注意力模块的输入特征图作用生成新的特征图，作为输出。CBAM通过空间和通道两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整，加深关键性特征的表示，提升了特征提取能力。
图10是CBAM中的通道注意力模块架构的示意图。如图10所示，通道注意力模块，依次包括全局维度的第一池化层、多层感知机(MLP)网络和sigmoid激活函数。其中，第一池化层仅对对输入的特征图中前k个元素进行平均池化。在通道注意力模块中，输入的特征图进行池化后，通过MLP得到通道注意力权重，最后通过sigmoid函数对权重进行归一化处理。
通道注意力模块中的第一池化层没有采用最大值池化(max pooling)和均值池化(avg pooling)的方式，是因为，在avg pooling方式下，由于考虑了所有的特征信息，那些最强的特征信息反而会被弱化，而在max pooling方式下，由于只选择了最大的特征信息，会丢失其他的特征信息。本公开的实施例采用选取特征图中的前k个元素进行平均的池化方式，可以降低以上两种池化方式带来的负面影响。特征图的前k个元素可以根据实际业务验证出较佳的选取范围，例如选择前10％个元素，或者前20％个元素等。
图11是CBAM中的空间注意力模块架构的示意图。如图11所示，空间注意力模块，依次包括通道维度的第二池化层、卷积层和sigmoid激活函数，其中，第二池化层对输入的特征图中的前k个元素进行平均。
图12给出了CBAM与残差块结合的结构示意图，在每个残差块的加和之前嵌入了CBAM的注意力模块，然后叠加残差提供给下一个卷积块。在残差网络结构中，利用CBAM模型从通道和空间两个维度增强特征的表达能力，可以实现更高的识别率，有助于提升模型分类性能。
在操作S140，在所述联合概率Pnew大于阈值的情况下，判定所述目标肋骨为运动伪影。
根据本公开的实施例，在得到的联合概率Pnew后，比较联合概率值和预设的阈值，在联合概率Pnew大于阈值的情况下，可判定该目标肋骨为运动伪影，即该检测框为假阳检测框，可予以剔除。预设的阈值可以是0.5，也可根据实际业务需求进行调整。
应用本公开的实施例的，可对检测结果中所有标注了病灶检测框的肋骨进行遍历验证，逐个判定这些病灶检测框中是否存在运动伪影的假阳检出，剔除假阳的检出结果，从而提高骨折检测的准确率。
根据本公开实施例的技术方案，在不改变原有的肋骨骨折检出模型的基础上，对标注有病灶检测框的肋骨进一步识别其是否为运动伪影，结合检测框内的目标肋骨的上下文信息进行判断，可有效区分骨折和运动伪影，同时，在分类模型中增加了改进的注意力机制，进一步提高了分类准确率，从而实现了结构简单、处理效率高、兼容性强、分类准确率高的技术效果。
基于同一发明构思，本公开还提供了一种用于抑制运动伪影的骨折假阳检出的装置，下面参照图13对本公开实施例的装置200进行说明。
图13示意性示出了根据本公开实施例的用于抑制运动伪影的骨折假阳检出的装置200的框图。其中，该装置200可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图13所示，该装置200包括第一获取模块210、第二获取模块220、联合概率模块230，以及判定模块240。该装置200可以执行上文描述的各种方法。
第一获取模块210，被配置为获取包含目标肋骨图像的目标裁剪图，所述目标肋骨为标注有病灶检测框的肋骨。
第二获取模块220，被配置为确定与所述目标肋骨相邻的相邻肋骨，获取包含所述相邻肋骨图像的相邻裁剪图。
联合概率模块230，被配置为将所述目标裁剪图和所述相邻裁剪图输入预设的分类模型，得到预测所述目标肋骨为运动伪影的联合概率Pnew。
判定模块240，被配置为在所述联合概率Pnew满足预设条件的情况下，判定所述目标肋骨为运动伪影。
根据本公开实施例的技术方案，在不改变原有的肋骨骨折检出模型的基础上，对标注有病灶检测框的肋骨进一步识别其是否为运动伪影，结合检测框内的目标肋骨的上下文信息进行判断，可有效区分骨折和运动伪影，同时，在分类模型中增加了改进的注意力机制，进一步提高了分类准确率，从而实现了结构简单、处理效率高、兼容性强、分类准确率高的技术效果。
本公开还提供了一种用于抑制运动伪影的假阳检出的设备，包括：
至少一个处理器；
以及，
与所述至少一个处理器通信连接的存储器；
其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，使所述至少一个处理器能够执行上述任一实施例所述的用于抑制运动伪影的假阳检出的方法。
本公开还提供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可执行指令，所述计算机可执行指令被处理器执行时实现上述任一实施例所述的用于抑制运动伪影的假阳检出的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，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。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell UniversityProgramming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。
本说明书是参照根据本说明书实施例的方法、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优化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优化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优化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优化设备上，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。
内存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)。内存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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (10)

1.一种用于抑制运动伪影的骨折假阳检出的方法，应用于肋骨骨折的检测中，其特征在于，所述方法包括：
获取包含目标肋骨图像的目标裁剪图，所述目标肋骨为标注有病灶检测框的肋骨；
确定与所述目标肋骨相邻的相邻肋骨，获取包含所述相邻肋骨图像的相邻裁剪图；
将所述目标裁剪图和所述相邻裁剪图输入预设的分类模型，得到预测所述目标肋骨为运动伪影的联合概率Pnew；
在所述联合概率Pnew大于阈值的情况下，判定所述目标肋骨为运动伪影。
2.根据权利要求1所述的方法，其特征在于，所述相邻裁剪图为包含第一相邻肋骨图像的第一相邻裁剪图，其中，所述第一相邻肋骨为与所述目标肋骨距离最近的一根肋骨；
所述联合概率为：Pnew＝1-(1-P*P1)
其中，P和P1为所述分类模型针对所输入的所述目标裁剪图和所述第一相邻裁剪图，对应输出的预测概率。
3.根据权利要求1所述的方法，其特征在于，所述相邻裁剪图包括：包含第一相邻肋骨图像的第一相邻裁剪图和包含第二相邻肋骨图像的第二相邻裁剪图，其中，所述第一相邻肋骨和所述第二相邻肋骨为与所述目标肋骨上下相邻的肋骨。
4.根据权利要求3所述的方法，其特征在于，所述联合概率为：
Pnew＝1-(1-P*P1)*(1-P*P2)
其中，P、P1和P2为所述分类模型针对所输入的所述目标裁剪图、所述第一相邻裁剪图以及所述第二相邻裁剪图，对应输出的预测概率。
5.根据权利要求1所述的方法，其特征在于，所述分类模型为基于残差网络框架而构建的二分类模型，用于针对所输入的图像输出分类为运动伪影的预测概率，其中，所述分类模型包含多个集成了注意力机制的残差块结构。
6.根据权利要求5所述的方法，其特征在于，所述注意力机制为卷积块注意力模块，所述卷积块注意力模块依次包括通道注意力模块和空间注意力模块，并嵌入在所述残差块结构中。
7.根据权利要求6所述的方法，其特征在于，所述通道注意力模块依次包括第一池化层、多层感知机网络和sigmoid激活函数，其中，所述第一池化层对输入的特征图中的前k个元素进行平均池化。
8.根据权利要求6所述的方法，其特征在于，所述空间注意力模块依次包括第二池化层、卷积层和sigmoid激活函数，其中，所述第二池化层对输入的特征图中的前k个元素进行平均池化。
9.一种用于抑制运动伪影的假阳检出的装置，应用于肋骨骨折的检测中，其特征在于，所述装置包括：
第一获取模块，被配置为获取包含目标肋骨图像的目标裁剪图，所述目标肋骨为标注有病灶检测框的肋骨；
第二获取模块，被配置为确定与所述目标肋骨相邻的相邻肋骨，获取包含所述相邻肋骨图像的相邻裁剪图；
联合概率模块，被配置为将所述目标裁剪图和所述相邻裁剪图输入预设的分类模型，得到预测所述目标肋骨为运动伪影的联合概率Pnew；
判定模块，被配置为在所述联合概率Pnew满足预设条件的情况下，判定所述目标肋骨为运动伪影。
10.一种用于抑制运动伪影的假阳检出的设备，应用于肋骨骨折的检测中，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，使所述至少一个处理器能够执行权利要求1至8中任一项所述的用于抑制运动伪影的骨折假阳检出的方法。
CN202310061857.3A 2023-01-13 2023-01-13 用于抑制运动伪影的骨折假阳检出的方法、装置及设备 Active CN116167984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310061857.3A CN116167984B (zh) 2023-01-13 2023-01-13 用于抑制运动伪影的骨折假阳检出的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310061857.3A CN116167984B (zh) 2023-01-13 2023-01-13 用于抑制运动伪影的骨折假阳检出的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116167984A true CN116167984A (zh) 2023-05-26
CN116167984B CN116167984B (zh) 2023-11-24

Family

ID=86414203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310061857.3A Active CN116167984B (zh) 2023-01-13 2023-01-13 用于抑制运动伪影的骨折假阳检出的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116167984B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087215A (zh) * 2018-08-09 2018-12-25 国网山东省电力公司经济技术研究院 多风电场输出功率联合概率密度预测方法
CN110796613A (zh) * 2019-10-10 2020-02-14 东软医疗系统股份有限公司 一种图像伪影的自动识别方法及装置
CN111798440A (zh) * 2020-07-11 2020-10-20 大连东软教育科技集团有限公司 医学图像伪影自动识别方法、系统及存储介质
CN114708301A (zh) * 2022-03-31 2022-07-05 深圳睿心智能医疗科技有限公司 一种运动伪影识别方法、装置、存储介质及电子设备
CN115249279A (zh) * 2021-04-28 2022-10-28 上海联影医疗科技股份有限公司 医学图像处理方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087215A (zh) * 2018-08-09 2018-12-25 国网山东省电力公司经济技术研究院 多风电场输出功率联合概率密度预测方法
CN110796613A (zh) * 2019-10-10 2020-02-14 东软医疗系统股份有限公司 一种图像伪影的自动识别方法及装置
CN111798440A (zh) * 2020-07-11 2020-10-20 大连东软教育科技集团有限公司 医学图像伪影自动识别方法、系统及存储介质
CN115249279A (zh) * 2021-04-28 2022-10-28 上海联影医疗科技股份有限公司 医学图像处理方法、装置、计算机设备和存储介质
CN114708301A (zh) * 2022-03-31 2022-07-05 深圳睿心智能医疗科技有限公司 一种运动伪影识别方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN116167984B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN113286194B (zh) 视频处理方法、装置、电子设备及可读存储介质
CN109919928B (zh) 医学影像的检测方法、装置和存储介质
CN113095124B (zh) 一种人脸活体检测方法、装置以及电子设备
CN108765334A (zh) 一种图像去噪方法、装置以及电子设备
CN107977634A (zh) 一种针对视频的表情识别方法、装置及设备
US20110150328A1 (en) Apparatus and method for blockiing objectionable image on basis of multimodal and multiscale features
CN114140651A (zh) 胃部病灶识别模型训练方法、胃部病灶识别方法
CN111860248A (zh) 一种基于孪生渐进注意引导融合网络的视觉目标跟踪方法
CN116343314A (zh) 一种表情识别方法、装置、存储介质及电子设备
CN109816650A (zh) 一种基于二维dsa图像的目标区域识别方法及其系统
CN116152933A (zh) 一种异常检测模型的训练方法、装置、设备及存储介质
CN116167984B (zh) 用于抑制运动伪影的骨折假阳检出的方法、装置及设备
CN116363056B (zh) 胸部ct骨折检测优化的方法、装置及设备
CN117612269A (zh) 一种生物攻击检测方法、装置及设备
CN117079777A (zh) 一种医学影像的补全方法、装置、存储介质及电子设备
CN116912214A (zh) 用于对动脉瘤检测图像进行分割的方法、设备及存储介质
CN115082405B (zh) 颅内病灶的检测模型的训练方法、检测方法、装置及设备
CN116030309A (zh) 一种对抗样本生成方法、装置、存储介质及电子设备
CN112927815B (zh) 一种预测颅内动脉瘤信息的方法、装置以及设备
CN116309582B (zh) 一种便携式超声扫描图像的识别方法、装置及电子设备
CN112418160A (zh) 基于互注意力神经网络的就餐人员监控方法
CN116152246B (zh) 一种图像识别方法、装置、设备及存储介质
CN116128940B (zh) 一种肋骨骨折检出假阳性的抑制方法、装置及设备
Zhang et al. Friends Across Time: Multi-Scale Action Segmentation Transformer for Surgical Phase Recognition
CN117726907B (zh) 一种建模模型的训练方法、三维人体建模的方法以及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Applicant after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 301, 3rd Floor, Zhizhen Building, No. 7 Zhichun Road, Haidian District, Beijing, 100000

Applicant before: Beijing Yizhun Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant