[发明专利]基于人工智能的骨骼形变分析方法

说明书

基于人工智能的骨骼形变分析方法，将素材模型按照给定比例划分成训练集、验证集和测试集；获得预训练基础模型，通过特征提取器将图片转化为高维度的特征向量并作为预训练基础模型的输入进行迁移学习训练；通过验证集对预训练基础模型进行局部关联、权值共享、多核卷积和池化数据降维，卷积神经网络由最后一层开始逐层向前反向传播进行权值的调整，将学习到的特征转化为概率结果进行分类识别，并在卷积神经网络的全连接层里连接所有的特征，将输出值送给分类器；将预训练基础模型应用到验证集得到模型的输出结果，通过将测试集数据输入至训练好的模型利用正确率来测试模型性能。本发明增加骨骼类形变分析结果正确率，降低人力成本。

技术领域

本发明涉及图形处理技术领域，具体涉及一种基于人工智能的骨骼形变分析方法。

背景技术

人工智能是计算机科学的一个分支，它企图了解智能的实质，并研究出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。目前，Tensorflow、keras、caffe等人工智能学习框架已经经历了几年的发展时间，在诸多图像识别领域有了很深的积累和进步。但是与医疗领域的结合中还处于摸索阶段。并没有专用的人工智能技术方案来辅助医生进行骨骼形变分析。骨骼在受到外力撞击时或机体生理环境发生变化时可能产生一定的形变，对骨骼形变的分析有助于机体的健康。传统的技术方案在对骨骼形变分析时，分析结果准确性差，效率低并且成本较高。

发明内容

本发明的目的在于提供一种基于人工智能的骨骼形变分析方法，基于人工智能来辅助骨骼形变的分析，增加骨骼类形变分析结果的正确率，同时大大降低医生的人力成本。

为实现上述目的，本发明实施例提供一种基于人工智能的骨骼形变分析方法，所述分析方法包括以下步骤：

步骤一：收集骨骼X光片样本形成素材库，并根据病变位置对骨骼X光片进行标记，将标记完成的骨骼X光片生成素材模型；

步骤二：将生成的骨骼X光片素材模型按照给定比例划分成训练集、验证集和测试集；

步骤三：对训练集中的骨骼X光片图像数据进行预处理，基于卷积神经网络获得预训练基础模型，通过特征提取器将图片转化为高维度的特征向量并作为预训练基础模型的输入进行迁移学习训练；

步骤四：通过验证集对预训练基础模型进行局部关联、权值共享、多核卷积和池化数据降维，卷积神经网络由最后一层开始逐层向前反向传播进行权值的调整，将学习到的特征转化为概率结果进行分类识别，并在卷积神经网络的全连接层里连接所有的特征，将输出值送给分类器；

步骤五：在训练若干周期后，将预训练基础模型应用到验证集得到模型的输出结果，通过将测试集数据输入至训练好的模型利用正确率来测试模型性能。

作为基于人工智能的骨骼形变分析方法的优选方案，所述步骤一中，骨骼X光片样本从医疗机构、体检机构或高校中收集；所述步骤二中，训练集、验证集与测试集的划分比例依次为60％、20％、20％。

作为基于人工智能的骨骼形变分析方法的优选方案，所述步骤三中，将图像数据通过随机旋转、平移、缩放、对称与剪切进行数据增强，剪切处理过程中，识别X光片骨骼边缘进行剪切，保留有效信息；

所述步骤三中，利用ImageNet数据集获得预训练基础模型，预训练基础模型的结构选择VGG、Inception或ResNet作为特征提取器；

所述步骤三中，卷积神经网络包括输入层、卷积层、激活函数、池化层和全连接层。

作为基于人工智能的骨骼形变分析方法的优选方案，所述输入层对原始图像数据进行去均值和归一化预处理，去均值过程中将输入数据各个维度中心化为0，归一化过程中将输入数据幅度归一化到相同的范围，归一化过程中通过BN算法在网络每一层的输入前增加一层BN层，对输入数据进行归一化处理。