CN116958703A - 一种基于髋臼骨折的识别方法、装置 - Google Patents
一种基于髋臼骨折的识别方法、装置 Download PDFInfo
- Publication number
- CN116958703A CN116958703A CN202310967086.4A CN202310967086A CN116958703A CN 116958703 A CN116958703 A CN 116958703A CN 202310967086 A CN202310967086 A CN 202310967086A CN 116958703 A CN116958703 A CN 116958703A
- Authority
- CN
- China
- Prior art keywords
- module
- network
- fracture
- model
- acetabulum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 206010000397 Acetabulum fracture Diseases 0.000 title claims description 19
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 206010017076 Fracture Diseases 0.000 claims description 56
- 238000013138 pruning Methods 0.000 claims description 43
- 210000000588 acetabulum Anatomy 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 244000141353 Prunus domestica Species 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 101100128229 Caenorhabditis elegans ldb-1 gene Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012633 leachable Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Prostheses (AREA)
Abstract
本发明涉及医学图像处理技术领域，且公开了一种基于髋臼骨折的识别方法，包括以下步骤：S1、从医院获取髋臼骨折CT图像，并通过专业人士进行标注，得到数据集后划分为训练集和测试集。本发明通过提出了一种轻量化的髋臼骨折识别模型，通过精心设计的输入网络、特征提取网络和分类网络三大模块，实现了高效的骨折识别，相比已有的基于DenseNet的骨折识别网络，该模型具有更低的参数量和计算复杂度，同时保持了较高的识别准确率，在输入网络中采用了空洞卷积技术，提高了模型的感受野，弥补髋臼骨折识别的方法和系统的缺失，用以解决已有的DenseNet髋臼骨折识别模型的运算复杂度高、内存消耗大以及难以在终端设备上部署的问题。
Description
技术领域
本发明涉及医学图像处理技术领域，具体为一种基于髋臼骨折的识别方法、装置。
背景技术
髋臼骨折是一种由于高能量引起的比较罕见的骨折类型，通常是骨科医生治疗的最复杂创伤之一。每年的髋臼骨折发生率稳定在3％左右。目前，诊断髋臼骨折的主要医学手段包括胸部计算机断层扫描(CT)和骨盆前后X线片(PAR)。对于放射科医生来说，通过人工阅片来检阅髋臼骨折CT的类别信、是一项极具挑战性的工作。该工作需要耗费医生大量的时间，而且由于髋臼骨折类别的复杂性、视觉疲劳等原因可能出现误诊、漏诊的情况。
近年来计算机辅助诊断(CAD)系统被广泛应用于其他骨折识别的医学图像处理领域，解决医学图像领域中复杂的计算机视觉问题。随着深度学习的发展，卷积神经网络(如VGG、ResNet、DenseNet和MobileNet)成为了医学图像识别领域主流。
如公开号为CN116309425A的专利公开了基于DenseNet网络注意力机制医学图像异常检测方法及装置，其发明阐述了如何借助DenseNet网络结合注意力机制结合的方法缓解医学图像异常检测中的小样本问题。但是并没有进行模型的轻量化处理，不能实现边缘设备的部署。
目前现有技术还存在以下缺点：
1.深度学习技术目前广泛的应用于医学骨折识别领域，然而在髋臼骨折识别上还缺乏识别技术。
2.DenseNet髋臼骨折识别模型在识别的灵敏度、特异性和准确性上超过了10名临床医生的鉴别，但是其密集计算限制了其在边缘设备上的应用。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于髋臼骨折的识别方法、装置，旨在弥补髋臼骨折识别的方法和系统的缺失，用以解决已有的DenseNet髋臼骨折识别模型的运算复杂度高、内存消耗大以及难以在终端设备上部署的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种基于髋臼骨折的识别方法，包括以下步骤：
S1、从医院获取髋臼骨折CT图像，并通过专业人士进行标注，得到数据集后划分为训练集和测试集；
S2、构建Light-DenseNet髋臼骨折识别模型：鉴于髋臼骨折识别模型的轻量化需求，将其分为输入网络、特征提取网络和分类网络三个模块，输入网络采用小卷积核的空洞卷积，旨在消除数据集中的冗余信息，特征提取网络采用轻量化的稠密块(Light-DenseBlock，LDB模块)以及轻量化的过度层(Light-Transition Layer，LTL模块)，以提取局部特征，分类网络根据提取的局部特征进行数据分类；
S3、模型剪枝和量化：模型剪枝和量化过程分为训练模块和迭代模块。训练模块使用反向传播算法对Light-DenseNet髋臼骨折识别模型进行预训练，迭代模块包括剪枝模块和微调模块，用于对卷积层进行迭代，剪枝模块根据通道重要性指标和预先定义的剪枝比例对通道进行剪枝，根据通道的重要性排序，剪去一定比例的最不重要的通道，微调模块对剪枝后的网络进行微调，以恢复模型的性能，在迭代过程中，重复执行剪枝模块和微调模块，这个迭代过程可以根据需要进行多轮，直到达到所有卷积层遍历结束；
S4、通过最后一次剪枝和微调，得到了精度最佳且参数量较低的Light-DenseNet髋臼骨折识别模型，对于待测试的髋臼骨折CT图像，将其输入训练好的Light-DenseNet髋臼骨折识别模型中，即可获得对应类别的输出结果。
优选的，所述S2中输入网络部分具体包括3层膨胀率为2的3×3的空洞卷积和1个3*3的池化层。
优选的，所述S2中特征提取网络部分具体包括LDB_1模块、一个LTL模块、LDB_2模块、一个LTL模块、LDB_3模块、一个LTL模块、LDB_4模块和一个LTL模块，最终提取出了感兴趣的局部特征，其中LDB模块是指使用Ghost轻量级卷积模块代替原始稠密块中的普通卷积，轻量化的过度块是指使用可学习分组卷积代替传统的普通卷积。
优选的，所述S2中输出网络部分具体包含一层7*7的全局平均池化和包含3个神经元的全连接层，根据提取的局部特征确定髋臼是否骨折。
优选的，所述S3中训练模块，用于基于反向传播算法，训练卷积神经网络模型同时对批处理归一化BN层的可训练尺度因子γ进行L1正则化，得到神经网络模型各中间层的参数，包括每层输入通道数Cin、输出通道数Cout和卷积层中每个滤波器对应的比例信息，其中一个卷积层可表示为{a1，a2，...，aout}，其中ai代表第i个滤波器，输出的第i个通道是由第i个滤波器得到的(即i也代表输出通道序号)；
迭代模块是指针对每一层卷积层进行剪枝和微调的模块，即针对模型中的每个卷积层逐层进行剪枝和微调操作；
在剪枝操作中，通过下列公式：
(其中γi是该卷积层对应的BN层中第i个可变的比例因子)计算对应通道的重要性，得到该卷积层的数组P进行排序，然后修剪数组P中数值小于设置的阈值的通道对应的滤波器以及特征映射。
一种髋臼图像识别装置，包括：
数据集获取模块，用于获取髋臼图像并找专业人士进行标注，并划分成训练集和测试集；
髋臼图像识别网络构建模块，用于构建Light-DenseNet髋臼骨折识别模型，即输入网络、特征提取网络和分类网络；
髋臼图像识别网络训练模块，是使用训练集对构建的识别网络进行训练，得到在测试集上表现良好的髋臼图像识别网络；
髋臼图像类别确定模块，用于获取待测的髋臼图像，并将髋臼图像输入到训练好的识别网络，得到待测髋臼图像的类别。
优选的，提供一种计算机设备，该计算机设备可以是终端，所述计算机设备执行时实现基于髋臼骨折的识别方法。
优选的，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于髋臼骨折的识别方法。
(三)有益效果
与现有技术相比，本发明提供了一种基于髋臼骨折的识别方法、装置，具备以下有益效果：
该一种基于髋臼骨折的识别方法、装置，通过提出了一种轻量化的髋臼骨折识别模型，通过精心设计的输入网络、特征提取网络和分类网络三大模块，实现了高效的骨折识别，相比已有的基于DenseNet的骨折识别网络，该模型具有更低的参数量和计算复杂度，同时保持了较高的识别准确率，在输入网络中采用了空洞卷积技术，提高了模型的感受野；在特征提取模块，使用Chost、可学习分组卷积大大降低了模型参数，在进行网络结构轻量化之后进一步引入了模型剪枝和量化的技术，更加减少了模型的参数量和计算量，弥补髋臼骨折识别的方法和系统的缺失，用以解决已有的DenseNet髋臼骨折识别模型的运算复杂度高、内存消耗大以及难以在终端设备上部署的问题。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明髋臼骨折CT图像识别方法流程示意图；
图2为本发明模型结构示意图；
图3为本发明髋臼图像识别装置示意图；
图4为本发明计算机设备内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
如图1-4所示，本发明提供了一种基于髋臼骨折的识别方法，包括以下步骤：
S1、从医院获取髋臼骨折CT图像，并通过专业人士进行标注，得到数据集后划分为训练集和测试集；
S2、构建Light-DenseNet髋臼骨折识别模型：鉴于髋臼骨折识别模型的轻量化需求，将其分为输入网络、特征提取网络和分类网络三个模块，输入网络采用小卷积核的空洞卷积，旨在消除数据集中的冗余信息，特征提取网络采用轻量化的稠密块(Light-DenseBlock，LDB模块)以及轻量化的过度层(Light-Transition Layer，LTL模块)，以提取局部特征，分类网络根据提取的局部特征进行数据分类；
S3、模型剪枝和量化：模型剪枝和量化过程分为训练模块和迭代模块。训练模块使用反向传播算法对Light-DenseNet髋臼骨折识别模型进行预训练，迭代模块包括剪枝模块和微调模块，用于对卷积层进行迭代，剪枝模块根据通道重要性指标和预先定义的剪枝比例对通道进行剪枝，根据通道的重要性排序，剪去一定比例的最不重要的通道，微调模块对剪枝后的网络进行微调，以恢复模型的性能，在迭代过程中，重复执行剪枝模块和微调模块，这个迭代过程可以根据需要进行多轮，直到达到所有卷积层遍历结束；
S4、通过最后一次剪枝和微调，得到了精度最佳且参数量较低的Light-DenseNet髋臼骨折识别模型，对于待测试的髋臼骨折CT图像，将其输入训练好的Light-DenseNet髋臼骨折识别模型中，即可获得对应类别的输出结果。
S2中输入网络部分具体包括3层膨胀率为2的3×3的空洞卷积(代替了原来的1层7×7的普通卷积，增加了感受野范围，并显著的减少了输入网络部分的参数量和计算量)和1个3*3的池化层。
S2中特征提取网络部分具体包括LDB_1模块(6个LDB模块)、一个LTL模块、LDB_2模块(12个LDB模块)、一个LTL模块、LDB_3模块(32个LDB模块)、一个LTL模块、LDB_4模块(32个LDB模块)和一个LTL模块，最终提取出了感兴趣的局部特征，其中LDB模块是指使用Ghost轻量级卷积模块代替原始稠密块中的普通卷积(该模块的关键思想是在保持通道数量的同时压缩网络，包括与来来相比少量的普通卷积和线性操作)，轻量化的过度块是指使用可学习分组卷积代替传统的普通卷积(可学习分组卷积就是将特征图分成G个组进行在组内各自的卷积，进而实现了这部分参数量G倍的下降)。
S2中输出网络部分具体包含一层7*7的全局平均池化和包含3个神经元的全连接层，根据提取的局部特征确定髋臼是否骨折。
其中DenseNet和Light-DenseNet的结构对比表如下：
【与原有DenseNet模型结构对比表】
【与原有DenseNet模型计算量和参数量对比表】
| 模型 | 106×计算量 | 106×参数量 |
| DenseNet-169 | 4070.79 | 14.307 |
| Light-DenseNet | 2998.34 | 9.379 |
由上表可知模型的复杂度和有效性，
首先在输入网络利用VGG网络思想，使用小卷积核代替大卷核，在达到相同的视野范围上减少参数；其次在密集块中引入轻量化模块—Ghost卷积模块，其通过少量普通卷积加上线性操作代替原有的多数量的同尺寸的普通卷积，进而在不改变最终通道数目的情况下降低参数；最后使用可学习分组卷积替换过渡层中的普通的卷积，降低参数。上表中呈现了已有的髋臼骨折识别模型DenseNet169和Light-DenseNet的计算量和参数量，从表中可以看出，Light-DenseNet网络模型的参数量最少。可见，Light-DenseNet的结构设计具有高效性。
【网络模型的准确率对比】
| 模型 | A型骨折AUC | B型骨折AUC | C型骨折AUC |
| DenseNet-169 | 0.963 | 0.991 | 1.000 |
| Light-DenseNet | 0.935 | 0.973 | 0.954 |
实验数据来自于河北省第三医院采集的髋臼骨折数据，并通过专业医护认识进行数据标注，通过使用AUC这个评估分类模型性能的常用指标进行评估。其中在ROC曲线下，AUC表示了模型在不同阈值下的真阳性率与假阳性率之间的关系。AUC的取值范围在0到1之间，越接近1表示模型的性能越好，能更准确地区分正例和负例。从上图中可以看出，轻量化模型在精度上会有所损失。
【网络模型和医生进行对比】
| 模型 | 敏感性 | 特异性 | 准确性 |
| 10名临床医生 | 0.750/0.735 | 0.909/0.909 | 0.829/0.822 |
| Light-DenseNet | 0.898/0.862 | 0.949/0.967 | 0.931/0.912 |
为了进一步验证Light-DenseNet的诊断性能，通过和之前10名医师做的诊断实验进行敏感性、特异性和准确性的对比，从上表中可以看出，该Light-Weight模型的诊断表现比临床医生好，其中之前做的实验是，通过招募了5名住院医生和5名主治医师，其中住院医生有1-4年的急性创伤相关经验，主治医师有5-8年的经验。在测试之前，通过指导所有10名临床医生只关注一个问题，即指示是否存在髋臼骨折，然后，测试集的骨折位置的图像以5秒的间隔自动呈现在每个参与医生的屏幕上，根据测试结果，如果一个骨折案例被10名医生中的5名或更多人错过，将其定义为潜在误诊案例。通过计算敏感性、特异性、准确性来评估临床医生的诊断性能。
S3中训练模块，用于基于反向传播算法，训练卷积神经网络模型同时对批处理归一化BN层的可训练尺度因子γ进行L1正则化，得到神经网络模型各中间层的参数，包括每层输入通道数Cin、输出通道数Cout和卷积层中每个滤波器对应的比例信息，其中一个卷积层可表示为{a1，a2，...，aout}，其中ai代表第i个滤波器，输出的第i个通道是由第i个滤波器得到的(即i也代表输出通道序号)；
迭代模块是指针对每一层卷积层进行剪枝和微调的模块，即针对模型中的每个卷积层逐层进行剪枝和微调操作；
在剪枝操作中，通过下列公式：
(其中γi是该卷积层对应的BN层中第i个可变的比例因子)计算对应通道的重要性，得到该卷积层的数组P进行排序，然后修剪数组P中数值小于设置的阈值的通道对应的滤波器以及特征映射。
在微调操作中，本发明为了加快迭代速度，将稀疏训练和微调模型进行了融合，因此对得到的剪枝后网络模型进行稀疏训练之后，再微调至模型精度。其中稀疏训练使得模型的权重参数趋向于稀疏分布，即大部分权重为0。这种稀疏分布有助于突显不同通道之间的差异，使得剪枝操作更加准确和有效。通过稀疏训练，可以更快地达到微调的效果，提高模型的性能。
迭代模块对每一层的卷积层依次进行剪枝和微调，直至完成模型中所有卷积层的剪枝和微调工作。通过迭代模块的循环操作，逐步优化模型的结构和参数，实现对深度学习模型的高效剪枝和性能恢复。
一种髋臼图像识别装置，包括：
数据集获取模块，用于获取髋臼图像并找专业人士进行标注，并划分成训练集和测试集；
髋臼图像识别网络构建模块，用于构建Light-DenseNet髋臼骨折识别模型，即输入网络、特征提取网络和分类网络；
髋臼图像识别网络训练模块，是使用训练集对构建的识别网络进行训练，得到在测试集上表现良好的髋臼图像识别网络；
髋臼图像类别确定模块，用于获取待测的髋臼图像，并将髋臼图像输入到训练好的识别网络，得到待测髋臼图像的类别。
装置中的各个模块均可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
一种计算机设备，该计算机设备可以是终端，计算机设备执行时实现基于髋臼骨折的识别方法，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口和输入输出设备。其中，处理器用于提供计算和控制能力，可以执行复杂的计算任务。存储器包括非易失性存储介质和内存储器，其中非易失性存储介质用于存储操作系统、计算机程序和数据集等重要数据，而内存储器则为操作系统和计算机程序的运行提供临时存储空间。该计算机设备的通信接口用于与外部的终端通过网络连接通信。计算机设备的显示屏用于显示图像、界面和结果，以便用户进行观察和交互。该计算机设备还可以具有其他的输入设备，如键盘和鼠标，用于用户的输入和操作。该计算机设备可运行描述的髋臼骨折识别算法的计算机程序。
因此该存储器在被处理器执行的时候可以实现识别步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于髋臼骨折的识别方法，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在本发明：
1.轻量化髋臼骨折识别模型：提出了一种轻量化的髋臼骨折识别模型，通过精心设计的输入网络、特征提取网络和分类网络三大模块，实现了高效的骨折识别。相比已有的基于DenseNet的骨折识别网络，该模型具有更低的参数量和计算复杂度，同时保持了较高的识别准确率。
2.空洞卷积和Ghost模块的应用：在输入网络中采用了空洞卷积技术，提高了模型的感受野；在特征提取模块，使用Chost、可学习分组卷积大大降低了模型参数。
3.在进行网络结构轻量化之后进一步引入了模型剪枝和量化的技术，更加减少了模型的参数量和计算量。
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“包括一个引用结构”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种基于髋臼骨折的识别方法，其特征在于，包括以下步骤：
S1、从医院获取髋臼骨折CT图像，并通过专业人士进行标注，得到数据集后划分为训练集和测试集；
S2、构建Light-DenseNet髋臼骨折识别模型：鉴于髋臼骨折识别模型的轻量化需求，将其分为输入网络、特征提取网络和分类网络三个模块，输入网络采用小卷积核的空洞卷积，旨在消除数据集中的冗余信息，特征提取网络采用轻量化的稠密块以及轻量化的过度层，以提取局部特征，分类网络根据提取的局部特征进行数据分类；
S3、模型剪枝和量化：模型剪枝和量化过程分为训练模块和迭代模块，训练模块使用反向传播算法对Light-DenseNet髋臼骨折识别模型进行预训练，迭代模块包括剪枝模块和微调模块，用于对卷积层进行迭代，剪枝模块根据通道重要性指标和预先定义的剪枝比例对通道进行剪枝，根据通道的重要性排序，剪去一定比例的最不重要的通道，微调模块对剪枝后的网络进行微调，以恢复模型的性能，在迭代过程中，重复执行剪枝模块和微调模块，这个迭代过程可以根据需要进行多轮，直到达到所有卷积层遍历结束；
S4、通过最后一次剪枝和微调，得到了精度最佳且参数量较低的Light-DenseNet髋臼骨折识别模型，对于待测试的髋臼骨折CT图像，将其输入训练好的Light-DenseNet髋臼骨折识别模型中，即可获得对应类别的输出结果。
2.根据权利要求1所述的一种基于髋臼骨折的识别方法，其特征在于：所述S2中输入网络部分具体包括3层膨胀率为2的3×3的空洞卷积和1个3*3的池化层。
3.根据权利要求1所述的一种基于髋臼骨折的识别方法，其特征在于：所述S2中特征提取网络部分具体包括LDB_1模块、一个LTL模块、LDB_2模块、一个LTL模块、LDB_3模块、一个LTL模块、LDB_4模块和一个LTL模块，最终提取出了感兴趣的局部特征，其中LDB模块是指使用Ghost轻量级卷积模块代替原始稠密块中的普通卷积，轻量化的过度块是指使用可学习分组卷积代替传统的普通卷积。
4.根据权利要求1所述的一种基于髋臼骨折的识别方法，其特征在于：所述S2中输出网络部分具体包含一层7*7的全局平均池化和包含3个神经元的全连接层，根据提取的局部特征确定髋臼是否骨折。
5.根据权利要求1所述的一种基于髋臼骨折的识别方法，其特征在于：所述S3中训练模块，用于基于反向传播算法，训练卷积神经网络模型同时对批处理归一化BN层的可训练尺度因子γ进行L1正则化，得到神经网络模型各中间层的参数，包括每层输入通道数Cin、输出通道数Cout和卷积层中每个滤波器对应的比例信息，其中一个卷积层可表示为{a1，a2，...，aout}，其中ai代表第i个滤波器，输出的第i个通道是由第i个滤波器得到的(即i也代表输出通道序号)；
迭代模块是指针对每一层卷积层进行剪枝和微调的模块，即针对模型中的每个卷积层逐层进行剪枝和微调操作；
在剪枝操作中，通过下列公式：
其中γi是该卷积层对应的BN层中第i个可变的比例因子，计算对应通道的重要性，得到该卷积层的数组P进行排序，然后修剪数组P中数值小于设置的阈值的通道对应的滤波器以及特征映射。
6.一种髋臼图像识别装置，其特征在于，包括：
数据集获取模块，用于获取髋臼图像并找专业人士进行标注，并划分成训练集和测试集；
髋臼图像识别网络构建模块，用于构建Light-DenseNet髋臼骨折识别模型，即输入网络、特征提取网络和分类网络；
髋臼图像识别网络训练模块，是使用训练集对构建的识别网络进行训练，得到在测试集上表现良好的髋臼图像识别网络；
髋臼图像类别确定模块，用于获取待测的髋臼图像，并将髋臼图像输入到训练好的识别网络，得到待测髋臼图像的类别。
7.一种计算机设备，该计算机设备可以是终端，其特征在于，所述计算机设备执行时实现权利要求1至5中任一项所述的方法。
8.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310967086.4A CN116958703A (zh) | 2023-08-02 | 2023-08-02 | 一种基于髋臼骨折的识别方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310967086.4A CN116958703A (zh) | 2023-08-02 | 2023-08-02 | 一种基于髋臼骨折的识别方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116958703A true CN116958703A (zh) | 2023-10-27 |
Family
ID=88458204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310967086.4A Pending CN116958703A (zh) | 2023-08-02 | 2023-08-02 | 一种基于髋臼骨折的识别方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958703A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117679160A (zh) * | 2023-12-26 | 2024-03-12 | 北京长木谷医疗科技股份有限公司 | 创伤骨折复位方法、装置、设备及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160327A (zh) * | 2020-04-02 | 2020-05-15 | 北京建筑大学 | 一种基于轻量化卷积神经网络的表情识别方法 |
| CN113284149A (zh) * | 2021-07-26 | 2021-08-20 | 长沙理工大学 | Covid-19胸部ct图像识别方法、装置及电子设备 |
| CN113962990A (zh) * | 2021-12-16 | 2022-01-21 | 长沙理工大学 | 胸部ct图像识别方法、装置、计算机设备和存储介质 |
| CN115393690A (zh) * | 2022-09-02 | 2022-11-25 | 西安工业大学 | 一种轻量化神经网络的空对地观测多目标识别方法 |
| CN115546894A (zh) * | 2022-10-12 | 2022-12-30 | 南京信息工程大学 | 基于轻量化OpenPose时空图网络的行为检测方法 |
| CN115862066A (zh) * | 2022-12-05 | 2023-03-28 | 华东理工大学 | 一种改进YOLOv5的轻量化社区场景下行人检测方法 |
| CN116188878A (zh) * | 2023-04-25 | 2023-05-30 | 之江实验室 | 基于神经网络结构微调的图像分类方法、装置和存储介质 |
| CN116386129A (zh) * | 2023-01-28 | 2023-07-04 | 济南大学 | 一种基于轻量化GLnet网络的手语识别方法及系统 |
-
2023
- 2023-08-02 CN CN202310967086.4A patent/CN116958703A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160327A (zh) * | 2020-04-02 | 2020-05-15 | 北京建筑大学 | 一种基于轻量化卷积神经网络的表情识别方法 |
| CN113284149A (zh) * | 2021-07-26 | 2021-08-20 | 长沙理工大学 | Covid-19胸部ct图像识别方法、装置及电子设备 |
| CN113962990A (zh) * | 2021-12-16 | 2022-01-21 | 长沙理工大学 | 胸部ct图像识别方法、装置、计算机设备和存储介质 |
| CN115393690A (zh) * | 2022-09-02 | 2022-11-25 | 西安工业大学 | 一种轻量化神经网络的空对地观测多目标识别方法 |
| CN115546894A (zh) * | 2022-10-12 | 2022-12-30 | 南京信息工程大学 | 基于轻量化OpenPose时空图网络的行为检测方法 |
| CN115862066A (zh) * | 2022-12-05 | 2023-03-28 | 华东理工大学 | 一种改进YOLOv5的轻量化社区场景下行人检测方法 |
| CN116386129A (zh) * | 2023-01-28 | 2023-07-04 | 济南大学 | 一种基于轻量化GLnet网络的手语识别方法及系统 |
| CN116188878A (zh) * | 2023-04-25 | 2023-05-30 | 之江实验室 | 基于神经网络结构微调的图像分类方法、装置和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117679160A (zh) * | 2023-12-26 | 2024-03-12 | 北京长木谷医疗科技股份有限公司 | 创伤骨折复位方法、装置、设备及可读存储介质 |
| CN117679160B (zh) * | 2023-12-26 | 2024-06-11 | 北京长木谷医疗科技股份有限公司 | 创伤骨折复位方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022063200A1 (zh) | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 | |
| CN112070119B (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
| CN109146879B (zh) | 一种检测骨龄的方法及装置 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN109377484B (zh) | 一种检测骨龄的方法及装置 | |
| CN112241766A (zh) | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 | |
| CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
| CN111008974A (zh) | 多模型融合的股骨颈骨折区域定位和分割方法及系统 | |
| CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
| CN110021425A (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
| CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
| CN110472049B (zh) | 疾病筛查文本分类方法、计算机设备和可读存储介质 | |
| CN116958703A (zh) | 一种基于髋臼骨折的识别方法、装置 | |
| CN112508063A (zh) | 基于增量学习的医学图像分类方法 | |
| WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
| CN112950614A (zh) | 一种基于多尺度空洞卷积的乳腺癌检测方法 | |
| CN109255786B (zh) | 一种检测骨龄的方法及装置 | |
| CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
| CN112102230A (zh) | 超声切面识别方法、系统、计算机设备和存储介质 | |
| CN114663735B (zh) | 基于联合全局及局部卷积神经网络特征的双骨龄评估方法 | |
| CN110555846A (zh) | 基于卷积神经网络的全自动骨龄评定方法 | |
| CN114419000A (zh) | 基于多尺度几何嵌入卷积神经网络的股骨头坏死指标预测系统 | |
| CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
| 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 |
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 |