[发明专利]骨折区域分析方法和装置、电子设备及可读存储介质

说明书

本申请实施例提供了一种骨折区域分析方法和装置、电子设备及计算机可读存储介质，解决了现有骨折区域分析方式的准确率低和效率低的问题。该骨折区域分析方法包括：将骨骼影像输入骨骼部位识别模型以获得骨骼部位识别结果，其中，骨骼部位识别模型为基于深度学习的训练过程建立的分类神经网络模型；基于骨骼部位识别结果确定对应的骨骼部位阈值；将骨骼影像输入骨折区域检测模型以获得多个骨折预测区域以及与多个骨折预测区域分别对应的多个置信度值，其中，骨折区域检测模型为基于深度学习的训练过程建立的神经网络模型；基于骨骼部位阈值，将置信度值大于骨骼部位阈值的骨折预测区域筛选出来；以及将筛选出来的骨折预测区域进行可视化输出。

技术领域

本申请涉及影像分析技术领域，具体涉及一种骨折区域分析方法、装置、电子设备及计算机可读存储介质。

背景技术

传统的医学影像处理通常依赖经验丰富的医生以肉眼进行判断，这种方式存在以下几个主要问题：第一，对医生的专业知识要求比较高，并且医生的判断往往带有一定的主观性，对于一些复杂的病例，不同医生会给出不一样的结果，这时候通常需要几个经验丰富的医生进行联合判断才能得出比较可靠的结论。第二，耗时长，效率非常的低下。例如，对于一些3D的CT(电子计算机断层扫描)图像，医生通常需要半个小时，甚至更多的时间才能完成对一个病人的评估。第三，人容易疲劳，长时间的工作容易产生漏诊，引起不必要医疗纠纷。这些因素是限制医生工作的效率的主要原因，同时也是制约现代医学发展的瓶颈之一。

近年来，在强大算力的支持下，深度学习在图像领域快速发展，特别是在自然图像的检测、分割、去燥等任务中表现出了卓越的性能。在这些成功案例的影响下，将深度学习应用到医学影像学的临床与科研实践中，利用人工智能的计算机辅助诊断技术来对医学影像图像进行前期的检测和识别成为了研究的重点。一方面，它可以帮助医生更快的从大量图像中找到需要关注的病灶区域，从而得到更为直接、准确和清晰的病灶信息。另一方面，这种方式大大地减少了医生阅片的时间，减轻了医生的工作负担，有效的提高了医生工作的效率。

临床上最为常见的骨折诊断方式是基于X光影像的骨折诊断。相对于CT，X光也是一种更为廉价的骨折诊断方式。临床上对于X光影像中骨折位置判断的准确性直接关系着后续治疗方案的确定，快速并且准确地找出X光骨折影像中的骨折区域是近几年基于X光骨折检测研究的重点。目前对于X光骨折区域的检测方法，按照特征提取方式的不同可以分为传统方法和基于深度学习的方法，传统方式主要基于一些手动设计的特征描述子来提取图像的特征，随后接上一个支持向量机或者朴素贝叶斯分类器实现分类。由于手动设计的特征描述子通常具有一定的局限性，不能很好的提取所有的图像特征，最终的性能也相对差一些。近年来，基于卷积神经网络的深度学习方法由于强大的特征提取能力，从而表现出了相对传统方法更为卓越的性能，得到研究者更多的关注。

通常，X光骨折影像包括手、腕、足、踝、肘、肩、髋、膝等多个部位，不同部位的骨折在X光上的表现是不一样的，并且难易程度也是不同的，比如：手部和膝部的骨折相对于髋部来说，识别的难度要高很多，医生需要花的时间也更长。这使得多个部位的骨折在同时优化时往往会受到一定程度的制约，限制了模型的学习能力，所以目前的方法通常只对单个部位的骨折影像进行检测，如：手部或者腕部。但这种单部位的检测方式对于临床使用来说意义不大，普适性偏差。

发明内容

有鉴于此，本申请实施例提供了一种骨折区域分析方法和装置，解决了现有骨折区域分析方式的准确率低和效率低的问题。

根据本申请的一个方面，本申请一实施例提供的一种骨折区域分析方法包括：将骨骼影像输入骨骼部位识别模型以获得骨骼部位识别结果，其中，所述骨骼部位识别模型为基于深度学习的训练过程建立的分类神经网络模型；基于所述骨骼部位识别结果确定对应的骨骼部位阈值；将所述骨骼影像输入骨折区域检测模型以获得多个骨折预测区域以及与所述多个骨折预测区域分别对应的多个置信度值，其中，所述骨折区域检测模型为基于深度学习的训练过程建立的神经网络模型；基于所述骨骼部位阈值，将所述置信度值大于所述骨骼部位阈值的所述骨折预测区域筛选出来；以及将筛选出来的所述骨折预测区域进行可视化输出。