[发明专利]自动定位头影测量标志点的方法

权利要求书

1.一种自动定位头影测量标志点的方法，其特征是，步骤如下：

步骤一，X线头颅侧位片的数据准备：所标注的数据集以及实验过程中训练集、测试集均来自医院建立的二维X线头颅侧位片数据库；

步骤二，在训练集中获取医生的标注点，进行特征选择：首先将训练集中标注点的平均形状作为模型初始值以便测试，将X线侧位片中像素点的强度作为特征，将医生标注点附近一定范围内的像素点和点之间的距离作为特征池；

步骤三，训练第一层回归树模型，每经过一级级联回归器，对所有标志点的位置更新一次，使其更靠近标注点，计算当前形状与真实形状之间的差值作为残差；

步骤四，训练级联网络中每一级的回归器，使用平均形状对整体的解剖学标志点的位置进行粗略估计，采用梯度提升算法训练回归器，减小初始值与真实值之间的平方误差，得到每一级的级联回归因子，每个回归器由当前形状和残差训练获得；

步骤五，将当前形状更新为当前形状+残差，构造级联残差回归树，根据特征进行节点分裂，在特征池中随机挑选两个点，计算每一张图片在两点的像素值及像素差，随机产生分裂阈值，对阈值进行判断，则一个节点分裂完成，直到分裂到叶子节点。

2.如权利要求1所述的自动定位头影测量标志点的方法，其特征是，步骤三和步骤四详细描述如下：

步骤三，第一级回归模型训练过程，对于数据集(I₁，S₁)，...(I_n，S_n)，I₁为第i张图片，S_i为标志点的位置，是第一层级联回归的第t层预测的关键点位置，是该层回归的结果和真实值的差值，按照如下方式层层迭代，在第t层级联中产生γ_t的回归器，即第一级回归训练得到的模型：

步骤四，用梯度提升树来学习每一级回归器，构造级联残差回归树，减少初始形状和真实值之间的平方误差：

评估方法，由平均径向误差MRE和成功检测率两个方面来评估：

径向误差R由下式得出，

其中Δx和Δy分别为水平和竖直方向所检测到的标志点与真实标志点的绝对差值，平均径向误差MRE的计算公式如下，其中n为图片的数量：

若检测到的标志点与真实标志点绝对差值不大于z mm，则认为该地标的检测是准确的检测；否则，视为误检，准确度小于z mm时成功检测率Pz的公式为：

医学上z一般取2mm，2.5mm，3mm，4mm，通常认为检测的结果点与真实标志点之间距离的绝对差值不大于4mm，则认为此检测为有效的检测；绝对差值不大于2mm，则认为此检测结果准确。