CN117218088B - 一种前臂x光影像的处理方法 - Google Patents

Abstract

本申请涉及图像数据处理或产生技术领域，特别是涉及一种前臂X光影像的处理方法。所述方法包括以下步骤：获取目标前臂X光影像P；获取P中桡骨的骨折区域A₁的最小矩形包围盒B₁；获取B₁的第一位置(x’₁,y’₁)；获取P中桡骨近端中心的位置和获取P中桡骨远端中心的位置；获取桡骨对应的第一比例δ₁；获取尺骨对应的第二比例δ₂；获取预设的石膏固定范围列表H；遍历H，将(δ₁,δ₂)和h_r输入经训练的目标神经网络模型，获取(δ₁,δ₂)和h_r的匹配度ζ_r，并将ζ_r追加至预设的匹配度集合G；将max(G)对应的石膏固定范围确定为与P匹配的石膏固定范围。本发明可为用户推荐一个石膏固定范围。

Description

一种前臂X光影像的处理方法

技术领域

本发明涉及图像数据处理或产生技术领域，特别是涉及一种前臂X光影像的处理方法。

背景技术

石膏固定具有能够根据肢体的形状进行塑形且塑形之后的固定作用较为可靠的优点，现有技术中当前臂出现骨折时，一般是给出现骨折的整个前臂都打上石膏，但是，石膏往往比较沉重，对骨折患者来说也是一种负担。如何为用户推荐一个既不影响对前臂的固定效果又较小的石膏固定范围，是亟待解决的技术问题。

发明内容

本发明目的在于，提供前臂X光影像的处理方法，以为用户推荐一个既不影响对前臂的固定效果又较小的石膏固定范围。

根据本发明的第一方面，提供了一种前臂X光影像的处理方法，包括以下步骤：

S100，获取目标前臂X光影像P；P＝{p₁,p₂,…,p_i,…,p_n}，p_i为P中第i个像素点，i的取值范围为1到n，n为P中像素点的数量。

S200，获取P中桡骨的骨折区域A₁的最小矩形包围盒B₁，A₁＝{p¹ ₁,p¹ ₂,…,p¹ _a1,…,p¹ _N1}，p¹ _a1为P中桡骨中第a1个被判定为骨折像素点的像素点，B₁＝{b¹ ₁,b¹ ₂,…,b¹ _j1,…,b¹ _m1}，b¹ _j1为B₁中第j1个子区域，b¹ _j1＝{b¹ _j1,1,b¹ _j1,2,…,b¹ _j1,k1,…,b¹ _j1,u1}，b¹ _j1,k1为b¹ _j1中第k1个像素点，a1的取值范围为1到N1，N1为P中桡骨被判定为骨折像素点的像素点的数量，j1的取值范围为1到m1，m1为B₁中子区域的数量，k1的取值范围为1到u1，u1为b¹ _j1中像素点的数量。

S300，获取B₁的第一位置(x’₁,y’₁)，x’₁为B₁的第一位置的横坐标，y’₁为B₁的第一位置的纵坐标，x’₁＝∑^m1 _j1＝1(q_j1×x_j1/u1)/m1，y’₁＝∑^m1 _j1＝1(q_j1×y_j1/u1)/m1，q_j1为A₁∩b¹ _j1中像素点的数量，x_j1为b¹ _j1的中心位置的横坐标，y_j1为b¹ _j1的中心位置的纵坐标。

S400，获取P中桡骨近端中心的位置(x^- ₁,y^- ₁)和获取P中桡骨远端中心的位置(x⁺ ₁,y⁺ ₁)，x^- ₁为P中桡骨近端中心的位置的横坐标，y^- ₁为P中桡骨近端中心的位置的纵坐标，x⁺ ₁为P中桡骨远端中心的位置的横坐标，y⁺ ₁为P中桡骨远端中心的位置的纵坐标。

S500，获取桡骨对应的第一比例δ₁，δ₁＝(d² _1,2-d² _1,1)^0.5/d_1,3，d_1,1为(x’₁,y’₁)到(x^- ₁,y^- ₁)与(x⁺ ₁,y⁺ ₁)的连线的距离，d_1,2为(x’₁,y’₁)与(x^- ₁,y^- ₁)的距离，d_1,3为(x^- ₁,y^- ₁)与(x⁺ ₁,y⁺ ₁)的距离。

S600，获取尺骨对应的第二比例δ₂。

S700，获取预设的石膏固定范围列表H，H＝(h₁,h₂,…,h_r,…,h_R)，h_r为H中第r个石膏固定范围，r的取值范围为1到R，R为H中石膏固定范围的数量。

S800，遍历H，将(δ₁,δ₂)和h_r输入经训练的目标神经网络模型，获取(δ₁,δ₂)和h_r的匹配度ζ_r，并将ζ_r追加至预设的匹配度集合G，G的初始化为空集。

S900，将max(G)对应的石膏固定范围确定为与P匹配的石膏固定范围，max()为取最大值。

本发明与现有技术相比，其至少具有以下有益效果：

本发明获取了目标前臂X光影像，并获取了该影像中桡骨的骨折区域的最小矩形包围盒，基于该最小矩形包围盒的每一子区域的中心位置的坐标和该子区域中包括的骨折像素点的数量，本发明获取了最小矩形包围盒的第一位置，该第一位置可以用于表示桡骨骨折的严重区域的位置；基于该第一位置、P中桡骨近端中心的位置和P中桡骨远端中心的位置，本发明获取了桡骨对应的第一比例，该第一比例可以用于表征桡骨骨折相对位置；本发明的尺骨对应的第二比例可以表征尺骨骨折相对位置；该第一比例结合第二比例可以唯一表征前臂的骨折情况，本发明将第一比例、第二比例和预设的石膏固定范围输入经训练的目标神经网络模型，可以得到该第一比例和第二比例是否与该预设的石膏固定范围匹配；本发明通过将第一比例、第二比例和预设的石膏固定范围列表中的每一石膏固定范围输入到经训练的目标神经网络模型，本发明得到了预设的石膏固定范围列表中与该第一比例和第二比例最匹配的石膏固定范围，并将该最匹配的石膏固定范围作为与目标前臂X光影像匹配的石膏固定范围。本发明利用经训练的神经网络模型得到了与目标前臂X光影像匹配的石膏固定范围，该石膏固定范围是根据目标前臂X光影像对应的桡骨骨折位置和尺骨骨折位置得到的，其是一个在不影响对前臂的固定效果的前提下的相较于将整个前臂都打上石膏的范围而言相对较小的范围，将该石膏固定范围输出在用户界面上可以作为用户在考量石膏固定范围时的一个参考。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的前臂X光影像的处理方法的流程图。

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。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

根据本发明，提供了一种前臂X光影像的处理方法，如图1所示，包括以下步骤：

S100，获取目标前臂X光影像P；P＝{p₁,p₂,…,p_i,…,p_n}，p_i为P中第i个像素点，i的取值范围为1到n，n为P中像素点的数量。

S200，获取P中桡骨的骨折区域A₁的最小矩形包围盒B₁，A₁＝{p¹ ₁,p¹ ₂,…,p¹ _a1,…,p¹ _N1}，p¹ _a1为P中桡骨中第a1个被判定为骨折像素点的像素点，B₁＝{b¹ ₁,b¹ ₂,…,b¹ _j1,…,b¹ _m1}，b¹ _j1为B₁中第j1个子区域，b¹ _j1＝{b¹ _j1,1,b¹ _j1,2,…,b¹ _j1,k1,…,b¹ _j1,u1}，b¹ _j1,k1为b¹ _j1中第k1个像素点，a1的取值范围为1到N1，N1为P中桡骨被判定为骨折像素点的像素点的数量，j1的取值范围为1到m1，m1为B₁中子区域的数量，k1的取值范围为1到u1，u1为b¹ _j1中像素点的数量。

可选的，利用经训练的第一神经网络模型识别P中桡骨中的骨折像素点。本实施例中骨折像素点即对应位置为骨折位置的像素点，非骨折像素点即对应位置不为骨折位置的像素点。可选的，对第一神经网络模型的训练过程包括：

S210，获取前臂X光影像样本集合。

S220，对前臂X光影像样本集合中每一前臂X光影像样本中桡骨中的骨折像素点进行标注。

可选的，利用人工对每一前臂X光影像样本中桡骨中的骨折像素点进行标注。

S230，将前臂X光影像样本集合和标注结果输入到第一神经网络模型进行训练。

本实施例中经训练的第一神经网络模型具有识别前臂X光影像中桡骨中的骨折像素点的功能。

本领域技术人员知悉，现有技术中任何的获取最小矩形包围盒的方法均落入本发明的保护范围。

S300，获取B₁的第一位置(x’₁,y’₁)，x’₁为B₁的第一位置的横坐标，y’₁为B₁的第一位置的纵坐标，x’₁＝∑^m1 _j1＝1(q_j1×x_j1/u1)/m1，y’₁＝∑^m1 _j1＝1(q_j1×y_j1/u1)/m1，q_j1为A₁∩b¹ _j1中像素点的数量，x_j1为b¹ _j1的中心位置的横坐标，y_j1为b¹ _j1的中心位置的纵坐标。

本实施例中m1＝round(v₁/v₀)×round(w₁/w₀)，v₁为B₁的长度，w₁为B₁的宽度，v₀为预设的子区域的初始长度，w₀为预设的子区域的初始宽度，round()为四舍五入取整。本实施例中w₀和v₀为经验值，B₁中每一子区域的长度为v₁/round(v₁/v₀)，B₁中每一子区域的宽度为w₁/round(w₁/w₀)，如果出现某子区域中包括不完整的像素点的情况，则舍弃该子区域中不完整的像素点，将舍弃后得到的完整的像素点的集合作为该子区域的像素点的集合，并将该舍弃后得到的完整的像素点的集合与A₁求交集后得到的交集中像素点的数量作为该子区域对应的q_j1；本实施例中不完整的像素点指的是只有部分面积落入子区域中的像素点，完整的像素点指的是全部面积落入子区域中的像素点。

本实施例B₁中每一子区域的面积相较于单一像素点的面积较大，m1小于B₁中像素点的数量，由此，本实施例获取B₁的第一位置的过程中执行求和运算的时间较短，提高了获取B₁的第一位置的效率。

S400，获取P中桡骨近端中心的位置(x^- ₁,y^- ₁)和获取P中桡骨远端中心的位置(x⁺ ₁,y⁺ ₁)，x^- ₁为P中桡骨近端中心的位置的横坐标，y^- ₁为P中桡骨近端中心的位置的纵坐标，x⁺ ₁为P中桡骨远端中心的位置的横坐标，y⁺ ₁为P中桡骨远端中心的位置的纵坐标。

可选的，利用经训练的第二神经网络模型同时识别P中桡骨中的骨折像素点、P中桡骨近端中心的位置和P中桡骨远端中心的位置。可选的，对第二神经网络模型的训练过程包括：

S410，获取前臂X光影像样本集合。

S420，对前臂X光影像样本集合中每一前臂X光影像样本中桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置进行标注。

可选的，利用人工对每一前臂X光影像样本中桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置进行标注。

S430，将前臂X光影像样本集合和标注结果输入到第二神经网络模型进行训练。

本实施例中经训练的第二神经网络模型同时具有识别前臂X光影像中桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置的功能。

本领域技术人员知悉，现有技术中任何的可用于多目标识别的语义分割模型均落入本发明的保护范围。

S500，获取桡骨对应的第一比例δ₁，δ₁＝(d² _1,2-d² _1,1)^0.5/d_1,3，d_1,1为(x’₁,y’₁)到(x^- ₁,y^- ₁)与(x⁺ ₁,y⁺ ₁)的连线的距离，d_1,2为(x’₁,y’₁)与(x^- ₁,y^- ₁)的距离，d_1,3为(x^- ₁,y^- ₁)与(x⁺ ₁,y⁺ ₁)的距离。

S600，获取尺骨对应的第二比例δ₂。

本实施例中获取尺骨对应的第二比例δ₂的过程与上述获取桡骨对应的第一比例δ₁的过程类似，包括以下步骤：

S610，获取P中尺骨的骨折区域A₂的最小矩形包围盒B₂，A₂＝{p⁰ ₁,p⁰ ₂,…,p⁰ _a2,…,p⁰ _N2}，p⁰ _a2为P中尺骨中第a2个被判定为骨折像素点的像素点，B₂＝{b⁰ ₁,b⁰ ₂,…,b⁰ _j2,…,b⁰ _m2}，b⁰ _j2为B₂中第j2个子区域，b⁰ _j2＝{b⁰ _j2,1,b⁰ _j2,2,…,b⁰ _j2,k2,…,b⁰ _j2,u2}，b⁰ _j2,k2为b⁰ _j2中第k2个像素点，a2的取值范围为1到N2，N2为P中尺骨被判定为骨折像素点的像素点的数量，j2的取值范围为1到m2，m2为B₂中子区域的数量，k2的取值范围为1到u2，u2为b⁰ _j2中像素点的数量。

可选的，利用经训练的第三神经网络模型同时识别P中尺骨中的骨折像素点、P中桡骨中的骨折像素点、P中桡骨近端中心的位置和P中桡骨远端中心的位置。可选的，对第三神经网络模型的训练过程包括：

S611，获取前臂X光影像样本集合。

S612，对前臂X光影像样本集合中每一前臂X光影像样本中尺骨中的骨折像素点、桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置进行标注。

可选的，利用人工对每一前臂X光影像样本中尺骨中的骨折像素点、桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置进行标注。

S613，将前臂X光影像样本集合和标注结果输入到第三神经网络模型进行训练。

本实施例中经训练的第三神经网络模型同时具有识别前臂X光影像中尺骨中的骨折像素点、桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置的功能。

本领域技术人员知悉，现有技术中任何的可用于多目标识别的语义分割模型均落入本发明的保护范围。

本领域技术人员知悉，现有技术中任何的获取最小矩形包围盒的方法均落入本发明的保护范围。

S620，获取B₂的第一位置(x’₂,y’₂)，x’₂为B₂的第一位置的横坐标，y’₂为B₂的第一位置的纵坐标，x’₂＝∑^m2 _j2＝1(q_j2×x_j2/u2)/m2，y’₂＝∑^m2 _j2＝1(q_j2×y_j2/u2)/m2，q_j2为A₂∩b⁰ _j2中像素点的数量，x_j2为b⁰ _j2的中心位置的横坐标，y_j2为b⁰ _j2的中心位置的纵坐标。

本实施例中m2＝round(v₂/v₀)×round(w₂/w₀)，v₂为B₂的长度，w₂为B₂的宽度。本实施例中B₂中每一子区域的长度为v₂/round(v₂/v₀)，B₂中每一子区域的宽度为w₂/round(w₂/w₀)，如果出现某子区域中包括不完整的像素点的情况，则舍弃该子区域中不完整的像素点，将舍弃后得到的完整的像素点的集合作为该子区域的像素点的集合，并将该舍弃后得到的完整的像素点的集合与A₂求交集后得到的交集中像素点的数量作为该子区域对应的q_j2。

本实施例B₂中每一子区域的面积相较于单一像素点的面积较大，m2小于B₂中像素点的数量，由此，本实施例获取B₂的第一位置的过程中执行求和运算的时间较短，提高了获取B₂的第一位置的效率。

S630，获取P中尺骨近端中心的位置(x^- ₂,y^- ₂)和获取P中尺骨远端中心的位置(x⁺ ₂,y⁺ ₂)，x^- ₂为P中尺骨近端中心的位置的横坐标，y^- ₂为P中尺骨近端中心的位置的纵坐标，x⁺ ₂为P中尺骨远端中心的位置的横坐标，y⁺ ₂为P中尺骨远端中心的位置的纵坐标。

可选的，利用经训练的第四神经网络模型同时识别P中尺骨中的骨折像素点、P中尺骨近端中心的位置、P中尺骨远端中心的位置、P中桡骨中的骨折像素点、P中桡骨近端中心的位置和P中桡骨远端中心的位置。可选的，对第四神经网络模型的训练过程包括：

S631，获取前臂X光影像样本集合。

S632，对前臂X光影像样本集合中每一前臂X光影像样本中尺骨中的骨折像素点、尺骨近端中心的位置、尺骨远端中心的位置、桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置进行标注。

可选的，利用人工对每一前臂X光影像样本中尺骨中的骨折像素点、尺骨近端中心的位置、尺骨远端中心的位置、桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置进行标注。

S633，将前臂X光影像样本集合和标注结果输入到第四神经网络模型进行训练。

本实施例中经训练的第四神经网络模型同时具有识别前臂X光影像中尺骨中的骨折像素点、尺骨近端中心的位置、尺骨远端中心的位置、桡骨中的骨折像素点、桡骨近端中心的位置和桡骨远端中心的位置的功能。

本领域技术人员知悉，现有技术中任何的可用于多目标识别的语义分割模型均落入本发明的保护范围。

S640，获取尺骨对应的第二比例δ₂。

具体的，δ₂＝(d² _2,2-d² _2,1)^0.5/d_2,3，d_2,1为(x’₂,y’₂)到(x^- ₂,y^- ₂)与(x⁺ ₂,y⁺ ₂)的连线的距离，d_2,2为(x’₂,y’₂)与(x^- ₂,y^- ₂)的距离，d_2,3为(x^- ₂,y^- ₂)与(x⁺ ₂,y⁺ ₂)的距离，x^- ₂为P中尺骨近端中心的位置的横坐标，y^- ₂为P中尺骨近端中心的位置的纵坐标，x⁺ ₂为P中尺骨远端中心的位置的横坐标，y⁺ ₂为P中尺骨远端中心的位置的纵坐标，x’₂为B₂的第一位置的横坐标，y’₂为B₂的第一位置的纵坐标，B₂为P中尺骨的骨折区域的最小矩形包围盒。

S700，获取预设的石膏固定范围列表H，H＝(h₁,h₂,…,h_r,…,h_R)，h_r为H中第r个石膏固定范围，r的取值范围为1到R，R为H中石膏固定范围的数量。

本实施例中H中任意两石膏固定范围不相同，每一h_r为[0,1]的子范围。例如，[0,1]中的0表示从前臂的近端，1表示前臂的远端，当石膏固定范围为[0,1]时，表示给前臂都打上石膏；[0,1/2]中的1/2前臂的近端与前臂的远端的中间位置；[0,1/2]中的1/2表示前臂的近端与前臂的远端的中间位置，当石膏固定范围为[0,1/2]时，表示给前臂的近端到该中间位置之间的部分打上石膏；[1/4,3/4]中的1/4表示前臂上距离前臂的近端1/4倍的前臂总长的位置，3/4表示前臂上距离前臂的近端3/4倍的前臂总长的位置，当石膏固定范围为[1/4,3/4]时，表示给前臂上距离前臂的近端1/4倍的前臂总长的位置到3/4倍的前臂总长的位置之间的部分打上石膏；以此类推。

S800，遍历H，将(δ₁,δ₂)和h_r输入经训练的目标神经网络模型，获取(δ₁,δ₂)和h_r的匹配度ζ_r，并将ζ_r追加至预设的匹配度集合G，G的初始化为空集。

具体的，目标神经网络模型的训练过程包括：

S810，获取第一样本数据S，S＝(s₁,s₂,…,s_c,…,s_e)，s_c为第c个第一样本数据，s_c＝(δ_c,1,δ_c,2)，c的取值范围为1到e，e为样本的数量，δ_c,1为第c个样本的桡骨对应的第一比例，δ_c,2为第c个样本的尺骨对应的第二比例。

S820，获取第一样本数据F，F＝(f₁,f₂,…,f_c,…,f_e)，f_c为第c个样本对应的石膏固定范围。

优选的，f_c＝[min(max(0,δ_c,1-d₀/d_1,3),max(0,δ_c,2-d₀/d_2,3)),min(1,max(δ_c,1+d₀/d_1,3,δ_c,2+d₀/d_2,3))]，d₀为预设的石膏固定最小长度阈值，min()为取最小值。本实施例中d₀对应的是石膏相较于骨折位置的延伸长度，可用于保证石膏对骨裂位置的固定作用，可选的，d₀为经验值；本实施例中在桡骨和尺骨均存在骨折的情况下，结合桡骨的骨折位置和尺骨的骨折位置优选能够同时满足桡骨骨折位置固定和尺骨骨折位置固定的石膏固定范围，保证了石膏对骨裂位置的固定效果。

S830，获取标签E，E＝(g₁,g₂,…,g_c,…,g_e)，g_c为s_c的标签，0≤g_c≤1，g_c与s_c和f_c之间的匹配度正相关。

可选的，g_c为人工的经验值。当g_c＝0时，表示s_c和f_c之间的匹配度为0，即s_c和f_c之间完全不匹配；当g_c＝1时，表示s_c和f_c之间的匹配度为1，即s_c和f_c之间完全匹配。本实施例中g_c越大，表示s_c和f_c之间越匹配。

S840，利用S、F和E对目标神经网络模型进行训练。

本实施例中经训练的目标神经网络模型可以用于判定输入的桡骨对应的第一比例和尺骨对应的第二比例与输入的石膏固定范围的匹配度。

可选的，本实施例的目标神经网络模型包括第一编码器、第二编码器和判别器，所述第一编码器的用于对桡骨对应的第一比例和尺骨对应的第二比例进行编码，得到第一特征向量；所述第二编码器用于对石膏固定范围进行编码，得到第二特征向量；所述判别器用于获取第一特征向量和第二特征向量的匹配度。

在对目标神经网络模型进行训练的过程中，判别器的输入为第一特征向量、第二特征向量以及对应的标签；经训练的目标神经网络模型中判别器具有为第一特征向量和第二特征向量打标签的功能，即具有判别第一特征向量和第二特征向量之间匹配度的功能。

本领域技术人员知悉，可用于实现上述功能的编码器和判别器的结构为现有技术，此处不再赘述。

S900，将max(G)对应的石膏固定范围确定为与P匹配的石膏固定范围，max()为取最大值。

本发明获取了目标前臂X光影像，并获取了该影像中桡骨的骨折区域的最小矩形包围盒，基于该最小矩形包围盒的每一子区域的中心位置的坐标和该子区域中包括的骨折像素点的数量，本发明获取了最小矩形包围盒的第一位置，该第一位置可以用于表示桡骨骨折的严重区域的位置；基于该第一位置、P中桡骨近端中心的位置和P中桡骨远端中心的位置，本发明获取了桡骨对应的第一比例，该第一比例可以用于表征桡骨骨折相对位置；本发明的尺骨对应的第二比例可以表征尺骨骨折相对位置；该第一比例结合第二比例可以唯一表征前臂的骨折情况，本发明将第一比例、第二比例和预设的石膏固定范围输入经训练的目标神经网络模型，可以得到该第一比例和第二比例是否与该预设的石膏固定范围匹配；本发明通过将第一比例、第二比例和预设的石膏固定范围列表中的每一石膏固定范围输入到经训练的目标神经网络模型，本发明得到了预设的石膏固定范围列表中与该第一比例和第二比例最匹配的石膏固定范围，并将该最匹配的石膏固定范围作为与目标前臂X光影像匹配的石膏固定范围。本发明利用经训练的神经网络模型得到了与目标前臂X光影像匹配的石膏固定范围，该石膏固定范围是根据目标前臂X光影像对应的桡骨骨折位置和尺骨骨折位置得到的，其是一个在不影响对前臂的固定效果的前提下的相较于将整个前臂都打上石膏的范围而言相对较小的范围，将该石膏固定范围输出在用户界面上可以作为用户在考量石膏固定范围时的一个参考。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本发明的范围由所附权利要求来限定。

Claims (6)

1.一种前臂X光影像的处理方法，其特征在于，包括以下步骤：

S100，获取目标前臂X光影像P；P＝{p₁,p₂,…,p_i,…,p_n}，p_i为P中第i个像素点，i的取值范围为1到n，n为P中像素点的数量；

S200，获取P中桡骨的骨折区域A₁的最小矩形包围盒B₁，A₁＝{p¹ ₁,p¹ ₂,…,p¹ _a1,…,p¹ _N1}，p¹ _a1为P中桡骨中第a1个被判定为骨折像素点的像素点，B₁＝{b¹ ₁,b¹ ₂,…,b¹ _j1,…,b¹ _m1}，b¹ _j1为B₁中第j1个子区域，b¹ _j1＝{b¹ _j1,1,b¹ _j1,2,…,b¹ _j1,k1,…,b¹ _j1,u1}，b¹ _j1,k1为b¹ _j1中第k1个像素点，a1的取值范围为1到N1，N1为P中桡骨被判定为骨折像素点的像素点的数量，j1的取值范围为1到m1，m1为B₁中子区域的数量，k1的取值范围为1到u1，u1为b¹ _j1中像素点的数量；

S300，获取B₁的第一位置(x’₁,y’₁)，x’₁为B₁的第一位置的横坐标，y’₁为B₁的第一位置的纵坐标，x’₁＝∑^m1 _j1＝1(q_j1×x_j1/u1)/m1，y’₁＝∑^m1 _j1＝1(q_j1×y_j1/u1)/m1，q_j1为A₁∩b¹ _j1中像素点的数量，x_j1为b¹ _j1的中心位置的横坐标，y_j1为b¹ _j1的中心位置的纵坐标；

S400，获取P中桡骨近端中心的位置(x^- ₁,y^- ₁)和获取P中桡骨远端中心的位置(x⁺ ₁,y⁺ ₁)，x^- ₁为P中桡骨近端中心的位置的横坐标，y^- ₁为P中桡骨近端中心的位置的纵坐标，x⁺ ₁为P中桡骨远端中心的位置的横坐标，y⁺ ₁为P中桡骨远端中心的位置的纵坐标；

S500，获取桡骨对应的第一比例δ₁，δ₁＝(d² _1,2-d² _1,1)^0.5/d_1,3，d_1,1为(x’₁,y’₁)到(x^- ₁,y^- ₁)与(x⁺ ₁,y⁺ ₁)的连线的距离，d_1,2为(x’₁,y’₁)与(x^- ₁,y^- ₁)的距离，d_1,3为(x^- ₁,y^- ₁)与(x⁺ ₁,y⁺ ₁)的距离；

S600，获取尺骨对应的第二比例δ₂；δ₂＝(d² _2,2-d² _2,1)^0.5/d_2,3，d_2,1为(x’₂,y’₂)到(x^- ₂,y^- ₂)与(x⁺ ₂,y⁺ ₂)的连线的距离，d_2,2为(x’₂,y’₂)与(x^- ₂,y^- ₂)的距离，d_2,3为(x^- ₂,y^- ₂)与(x⁺ ₂,y⁺ ₂)的距离，x^- ₂为P中尺骨近端中心的位置的横坐标，y^- ₂为P中尺骨近端中心的位置的纵坐标，x⁺ ₂为P中尺骨远端中心的位置的横坐标，y⁺ ₂为P中尺骨远端中心的位置的纵坐标，x’₂为B₂的第一位置的横坐标，y’₂为B₂的第一位置的纵坐标，B₂为P中尺骨的骨折区域的最小矩形包围盒；

S700，获取预设的石膏固定范围列表H，H＝(h₁,h₂,…,h_r,…,h_R)，h_r为H中第r个石膏固定范围，r的取值范围为1到R，R为H中石膏固定范围的数量；

S800，遍历H，将(δ₁,δ₂)和h_r输入经训练的目标神经网络模型，获取(δ₁,δ₂)和h_r的匹配度ζ_r，并将ζ_r追加至预设的匹配度集合G，G的初始化为空集；

S900，将max(G)对应的石膏固定范围确定为与P匹配的石膏固定范围，max()为取最大值。

2.根据权利要求1所述的前臂X光影像的处理方法，其特征在于，目标神经网络模型的训练过程包括：

S810，获取第一样本数据S，S＝(s₁,s₂,…,s_c,…,s_e)，s_c为第c个第一样本数据，s_c＝(δ_c,1,δ_c,2)，c的取值范围为1到e，e为样本的数量，δ_c,1为第c个样本的桡骨对应的第一比例，δ_c,2为第c个样本的尺骨对应的第二比例；

S820，获取第一样本数据F，F＝(f₁,f₂,…,f_c,…,f_e)，f_c为第c个样本对应的石膏固定范围；

S830，获取标签E，E＝(g₁,g₂,…,g_c,…,g_e)，g_c为s_c的标签，0≤g_c≤1，g_c与s_c和f_c之间的匹配度正相关；

S840，利用S、F和E对目标神经网络模型进行训练。

3.根据权利要求2所述的前臂X光影像的处理方法，其特征在于，f_c＝[min(max(0,δ_c,1-d₀/d_1,3),max(0,δ_c,2-d₀/d_2,3)),min(1,max(δ_c,1+d₀/d_1,3,δ_c,2+d₀/d_2,3))]，d₀为预设的石膏固定最小长度阈值，min()为取最小值。

4.根据权利要求1所述的前臂X光影像的处理方法，其特征在于，所述目标神经网络模型包括第一编码器、第二编码器和判别器，所述第一编码器用于对桡骨对应的第一比例和尺骨对应的第二比例进行编码，得到第一特征向量；所述第二编码器用于对石膏固定范围进行编码，得到第二特征向量；所述判别器用于获取第一特征向量和第二特征向量的匹配度。

5.根据权利要求1所述的前臂X光影像的处理方法，其特征在于，利用经训练的第一神经网络模型获取p¹ _a1，所述第一神经网络模型的训练过程包括：

S210，获取前臂X光影像样本集合；

S220，对前臂X光影像样本集合中每一前臂X光影像样本中桡骨中的骨折像素点进行标注；

S230，将前臂X光影像样本集合和标注结果输入到第一神经网络模型进行训练。

6.根据权利要求1所述的前臂X光影像的处理方法，其特征在于，m1＝round(v₁/v₀)×round(w₁/w₀)，v₁为B₁的长度，w₁为B₁的宽度，v₀为预设的子区域的初始长度，w₀为预设的子区域的初始宽度，round()为四舍五入取整。