[发明专利]一种应用于手掌X光片的多尺度手掌骨骼分割方法

权利要求书

1.一种应用于手掌X光片的多尺度手掌骨骼分割方法，其特征在于，包括如下步骤：

步骤1，收集不同年龄段的手掌X光片原始图像，根据手掌骨骼形状，对每个像素点标注类别，得到标注类别的图像；

步骤2，对原始图像进行预处理，增加图片对比度；所述的预处理为使用伽马变换方法，公式如下：

I′(x,y)＝(I(x,y)*r)^γ,r∈[0,1]

其中，I(x,y)是输入像素的灰度值，I′(x,y)是输出像素的灰度值，γ为伽马系数，通过改变γ的值，增加图像的对比度；

步骤3，对进行过预处理的图像进行尺度变换处理；所述的尺度变换处理为：将输入图像分辨率转换为224x224和512x512两种尺度；

步骤4，设计卷积神经网络结构，所述卷积神经网络包含对输入数据进行处理的卷积层、激活层；

步骤5，将标注类别的图像和经过尺度变换的原始图像一起输入到卷积神经网络，对不同尺度的原始图像进行卷积特征提取，将提取的不同尺度的特征信息进行融合后进行卷积处理，进行模型训练直至模型收敛；

步骤6，训练完成，进行分割应用。

2.根据权利要求1所述的应用于手掌X光片的多尺度手掌骨骼分割方法，其特征在于，步骤1中，所述标注类别的具体方式为：骨骼区域的像素标注为1，非骨骼区域的像素标注为0。

3.根据权利要求1所述的应用于手掌X光片的多尺度手掌骨骼分割方法，其特征在于，步骤5中，所述的卷积神经网络在特征提取过程使用两个残差卷积单元，所述残差卷积单元由卷积层和激活层组成；所述卷积层对图像进行特征提取，卷积公式如下：

其中，f(x,y)是输入图像，g(x,y)是卷积核函数，m与n分别代表卷积核的长和宽；

所述激活层对卷积后的特征进行非线性变化，激活函数为relu函数，公式如下：

f(t)＝max(0,t)

其中，t代表输入信息量。

4.根据权利要求1所述的应用于手掌X光片的多尺度手掌骨骼分割方法，其特征在于，步骤5中，所述的不同尺度的特征信息进行融合的具体步骤为：

首先，使用反卷积方法将不同尺度的特征图变换成统一尺度的特征图；

然后，将统一尺度的特征图通过相加方式进行融合为综合特征图；

最后，对综合特征图再次进行卷积处理。

5.根据权利要求1所述的应用于手掌X光片的多尺度手掌骨骼分割方法，其特征在于，步骤5中，所述的模型训练的具体步骤为：

首先，使用前向传递区分原始图像中每个像素的类别；

然后，计算其区分的类别与人工标注的真实类别之间的误差；

最后，使用反向传递对卷积层中的权重参数进行更新，反复迭代训练直至模型收敛。

6.根据权利要求5所述的应用于手掌X光片的多尺度手掌骨骼分割方法，其特征在于，所述的前向传递使用softmax方法计算图像像素类别，计算公式如下：

其中，c表示真实标注的类别数目，i是类别编号，且i小于c，β_i是卷积神经网络输出结果，表示结果属于类别i时的值，β_k表示第k个类的输出值，φ_i表示像素值属于第i个类别的概率值，概率值的范围区间为[0,1]，φ_i的数值越大则说明此像素值属于类别i的概率越高。

7.根据权利要求5所述的应用于手掌X光片的多尺度手掌骨骼分割方法，其特征在于，所述计算误差的函数为损失函数，计算公式如下：

其中，c表示真实标注的类别数目，i是类别编号，且i小于c，β_i是卷积神经网络输出结果，表示结果属于类别i时的值，β_k表示第k个类的输出值，1{y＝i}表示当像素的类别等于i时，该表达式等于1，否则等于0，L为判别结果与真实标注的误差。