[发明专利]一种基于小样本深度学习的肋骨骨折图像检测方法

说明书

本发明公开了一种基于小样本深度学习的肋骨骨折图像检测方法，包括如下步骤：步骤一、对收集到的肋骨骨折CT图像进行标注；步骤二、采用YOLOv3模型进行特征提取；步骤三、将提取的特征向量进行迁移学习；步骤四、进行深度学习训练。与现有技术相比，本发明的积极效果是：本发明提出了基于YOLOv3模型、借助迁移学习方法处理小样本，建立肋骨骨折图像检测的深度学习模型。本发明方法把较少的肋骨CT图像作为输入层的数据进行深度学习训练，得到的有效率较高，因此本发明方法能够建立小样本深度学习模型，从而为医生的诊断提供良好的依据。

技术领域

本发明公开了一种基于小样本深度学习的肋骨骨折图像检测方法。

背景技术

肋骨骨折是常见的外伤之一，其诊断主要依靠影像学检查。临床上对肋骨骨折进行影像学检查的方法主要有DR检查和多层螺旋CT检查。DR是目前胸部损伤检查首选方法，其检查费用低、操作简单、辐射剂量小，广泛应用于肋骨骨折的常规检查中，但由于其对创伤性肋骨骨折的检查结果受多因素影响，误诊率和漏诊率较高。多层螺旋CT横断或斜行扫描也应用到肋骨骨折的诊断上。但由于肋骨数多而形态不规则，CT检查存在计数不准，范围局限等缺陷。SCT及MSCT的2D及3D重建在骨骼疾病的诊断方面包括肋骨骨折诊断方面得到了广泛的应用。传统的数据分析方法和图像分析方法常常不能满足人们的要求，肋骨骨折存在漏诊的情况，影响医生的诊断，耽误病人及时地治疗。近年来，随着计算机技术和医学影像技术的发展，医学图像分析已经进入大数据时代，医学图像处理学术界注意到了深度学习方法在计算机视觉处理领域的巨大成功，并将其应用到医学图像处理的不同任务，特别是在图像识别与分类、图像定位与检测、病灶分割、图像配准和融合、计算机辅助诊断和显微图像分析方面，深度学习算法对辅助医生准确、高效地诊断发挥了至关重要的作用。

深度学习是目前计算机视觉领域研究的热点之一，是机器学习的一个分支，它通过模拟人脑神经系统，建立与之相类似的深度分层模型结构，将原始数据依次传递，最终转化为更高层、更为抽象的特征。深度学习可以将特征提取和分类相结合，实现自动提取特征，极大地提高识别准确率。深度学习具有如下特点：一是特征学习，深度学习方法能够根据不同的应用自动从海量数据中学习到所需的高级特征表示，更能表达数据的内在信息；二是深层结构，深度学习模型结构深，通常拥有5层甚至更多层的隐层节点，包含更多的非线性变换，使得拟合复杂模型的能力大大增强；三是无监督学习，输入的数据只有本身数据信息，没有标签信息，深度学习未标记数据的模式，通过数据内在的一些特征和联系将数据自动分类。深度学习对医学图像的分析中，使用的算法模型包括受限玻尔兹曼机、深度信念网络、卷积神经网络、自动编码器、深度玻尔兹曼机等，这些模型无一例外都是通过大量的图像数据来训练，其过程则是对众多参数进行调优，例如学习率、动量系数、权重衰减系数等。

卷积神经网络(convolutional neural network，C N N)是受生物视觉认知机制启发的深度学习方法，在深度学习的历史中发挥了重要作用，是第一个表现良好的深度模型之一。目前，CNN在图像检查分类中的应用非常广泛，取得了良好的成果，例如：Xu等人将多实例学习框架应用于具有深度学习特征的分类训练中对组织病理学图像分类结肠癌；Payan等使用深度学习方法，特别是稀疏自编码器和三维卷积神经网络，建立一个基于大脑MRI扫描的算法，可以预测阿尔茨海默病患者的疾病状态；Arevalo等采用CNN自动学习区分性特征，提出了乳腺癌诊断的特征学习框架，对乳房X线照片病变分类；Gao等和Abdi等分别应用CNN对超声波心动图心尖四腔切面对心动回波质量进行自动分级通过融合两个2D CNN提取超声波心动图的时域和空域信息特征，对超声波心动图进行视点分类，从而辅助诊断心脏病。