[发明专利]多模型融合的股骨颈骨折区域定位和分割方法及系统

权利要求书

1.一种多模型融合的股骨颈骨折区域定位和分割方法，其特征在于，包括：

对获取的股骨颈X光片图像进行预处理；

将预处理后的X光片图像输入至构建且训练完成的检测神经网络进行检测，获取股骨颈区域图像Picture_origin；

将股骨颈区域图像Picture_origin输入至构建且训练完成的分割网络，获得分割效果图Picture_binarv；

融合获得的分割效果图Picture_binary和股骨颈区域图像Picture_origin以形成表征骨折区域和骨折程度的热力图。

2.根据权利要求1所述的多模型融合的股骨颈骨折区域定位和分割方法，其特征在于，对获取的包含股骨颈的X光片进行预处理的步骤包括：

计算获取的X光片图像中像素的最大值max和最小值min；

进行归一化处理，归一化公式为：

3.根据权利要求1所述的多模型融合的股骨颈骨折区域定位和分割方法，其特征在于，所述热力图的生成步骤包括：

将分割效果图Picture_binary乘以255并变成三通道，形成分割处理图Picture_after；

股骨颈区域图像Picture_origin和分割处理图Picturea_fter通过融合公式生成热力图Picture_heat，融合公式如下：

Picture_heat＝alpha*Picture_origin+beta*Picture_after+gamma

其中，alpha，beta表示权重，alpha与beta的和等于1，gamma表示偏差值。

4.根据权利要求1所述的多模型融合的股骨颈骨折区域定位和分割方法，其特征在于，在构建检测神经网络或采用神经网络进行检测时，采用以下步骤来获取股骨颈X光片的检测特征F_detection：

步骤2.1：输入一组股骨颈X光片样本；

步骤2.2：经7*7大小的卷积操作后进行批量归一化，之后经Relu激活函数操作；

步骤2.3：经过最大池化操作，提取特征；

步骤2.4：提取的特征经过残差卷积模块，该残差卷积模块包括2组3*3的卷积操作和批量归一化；

步骤2.5：重复步骤2.4三次，得到股骨颈X光片样本的检测特征F_detection。

5.根据权利要求4所述的多模型融合的股骨颈骨折区域定位和分割方法，其特征在于，在构建检测神经网络或采用神经网络进行检测时，采用以下步骤来获取股骨颈区域图像Picture_origin：

步骤2.6：将步骤2.5得到的特征F_detection输入到区域候选模块中，得到网络建议的候选框；

步骤2.7：将特征F_detection输入到感兴趣区域池化模块中，得到特征F_ROI；

步骤2.8：将特征F_ROI输入到全连接层，得到特征F_fc；

步骤2.9：特征F_fc分别经过含有N个隐藏神经单元的全连接层和N*4个隐藏单元的全连接层，分别得到大小为N的候选区域所属的类的特征F_cls和大小为N*4的表征候选区域在图像中的精确位置的特征F_regression。