[发明专利]髋关节影像中的关键点自动提取方法

权利要求书

1.一种髋关节影像中的关键点自动提取方法，其特征在于，包括：

根据专家标注的k个关键点的位置，利用髋关节影像X生成以每一个关键点为中心的k个圆形标签掩码，并采用区域分割网络进行分割，获得k通道概率图；

对k通道概率图做二值化处理，在处理后的每一个通道中寻找最大的稳定且连通区域，并根据寻找到的每一个区域来预测一个关键点位置，最终预测到k个关键点；

其中，采用三级级联的结构来预测关键点位置；

第一级的输入是髋关节影像X和相对应的圆形标签掩码，圆形标签掩码的半径为P，第一级的输出为k个关键点位置；

第二级输入是在髋关节影像X中以第一级的输出关键点为中心截取的图像，圆形标签掩码的半径为P/4，第二级的输出为k个关键点位置；

第三级输入是在髋关节影像X中以第二级输出的关键点为中心截取的图像，圆形标签掩码的半径为P/8，第三级输出的k个关键点位置为最终预测结果。

2.根据权利要求1所述的一种髋关节影像中的关键点自动提取方法，其特征在于，所述区域分割网络输出k通道概率图的每一个通道都用来预测一个关键点，在训练阶段，采用均方误差损失函数：

其中，l_MSE(.)表示均方误差损失函数，x_n表示训练用的髋关节影像，s(.)函数表示区域分割网络，y_n表示利用x_n生成的圆形标签掩码集合，N表示训练阶段的图像总数。

3.根据权利要求1所述的一种髋关节影像中的关键点自动提取方法，其特征在于，设置指示模块来监督区域分割网络的分割结果；指示模块是一个基于深度学习的二分类网络；

二分网络的训练是两类数据：一类是圆形标签掩码，一类是区域分割网络输出的k通道概率图，区域分割网络与指示模块交替训练，直到指示模块难以分辨圆形标签掩码和输出概率图；训练采用交叉熵损失函数：

其中，l_bce(.)表示二进制交叉熵损失函数，x_n表示训练用的髋关节影像，s(.)函数表示区域分割网络，y_n表示利用x_n生成的圆形标签掩码集合，N表示训练阶段的图像总数。

4.根据权利要求1所述的一种髋关节影像中的关键点自动提取方法，其特征在于，三级级联结构中所采用的区域分割网络的深度逐渐变浅。

5.根据权利要求1所述的一种髋关节影像中的关键点自动提取方法，其特征在于，采用最大稳定极值区域算法寻找最大的稳定且连通区域，将寻找到的每一个区域的外接矩形中心作为一个预测的关键点位置。