[发明专利]髋关节图像中骨骼解剖关键点定位方法、电子设备及介质

说明书

本发明涉及图像处理领域，公开了一种髋关节图像中骨骼解剖关键点定位方法、电子设备及介质，该方法包括：获取待定位髋关节图像；将待定位髋关节图像输入预先训练的识别模型，以输出待定位髋关节图像的识别结果；通过预先训练得到识别模型包括：创建识别初始模型；获取多张人工标注关键点的髋关节样本图像；将髋关节样本图像输入残差卷积神经网络初始模型，以得到关键点特征图；将关键点特征图经过全局池化后，输入图卷积神经网络初始模型，通过关键点连接图对关键点特征图进行图卷积，得到融合特征图；将融合特征和关键点特征图进行点积操作，预测各个关键点的位置。本发明能有效地建模髋关节各解剖关键点之间的空间相关性，达到先进的结果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种髋关节图像中骨骼解剖关键点定位方法、电子设备及介质。

背景技术

髋关节X-ray图像骨骼关键点的定位与识别一直是医疗影像研究的热点之一。精准可靠的定位结果能够辅助骨科临床医生根据患者X片进行疾病诊断、术前测量和手术规划。传统的关键点定位技术大多基于回归森林方法，通过提取局部的哈尔特征并利用决策树来推断当前像素与目标关键点的联系。然而，人体髋关节结构形状变化大，易受病变的影响，传统的方法泛化性能较差。近年来，深度卷积神经网络在医疗影像分析上表现出了强大潜能。利用反向传播，卷积网络能够端到端地从标注数据中学习并提取对目标任务有用的特征。多项工作已经展示了卷积神经网络在髋关节X光正位片骨骼解剖关键点识别任务上的良好性能。

但是，经典的卷积神经网络依赖于局部的卷积算子，无法高效地建模全局关系，而骨骼的解剖关键点往往在形状和位置上都有很强的相关性。忽略这种医学上的关联性会使得模型只考虑局部的图像特征，导致泛化性和鲁棒性有限。因此，传统的卷积神经网络在识别骨骼解剖关键点的性能上仍有很大的提升空间。

发明内容

针对所述缺陷，本发明实施例公开了一种髋关节图像中骨骼解剖关键点定位方法、电子设备及介质，其能够有效地建模解剖关键点之间的位置关系，提高解剖关键点的准确性和鲁棒性。

本发明实施例第一方面公开了一种髋关节图像中骨骼解剖关键点定位方法，包括：

获取待定位髋关节图像；

将所述待定位髋关节图像输入预先训练的识别模型，以输出所述待定位髋关节图像的识别结果；

其中，通过预先训练得到识别模型的方法，包括：

创建识别初始模型，所述识别初始模型包括级联的残差卷积神经网络初始模型和图卷积神经网络初始模型；

获取多张人工标注关键点的髋关节样本图像；

将所述髋关节样本图像输入所述残差卷积神经网络初始模型，以得到关键点特征图；

将所述关键点特征图经过全局池化后，输入所述图卷积神经网络初始模型，以使预先制定的关键点连接图对所述关键点特征图进行图卷积，得到融合特征图；

将所述融合特征和所述关键点特征图进行点积操作，得到预测的各个关键点位置；

对预测的各个关键点位置利用所述髋关节样本图像中的人工标注关键点进行监督学习，确定损失函数，将所述损失函数回传至所述识别初始模型，以得到最终的识别模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述获取多张人工标注关键点的髋关节样本图像，包括：

获取多张髋关节样本图像，并对所述髋关节样本图像进行脱敏处理；

由一名或多名骨科临床医生对所述脱敏后的髋关节样本图像进行解剖关键点标注，得到带有人工标注关键点的髋关节样本图像；

当多名骨科临床医生对同一髋关节样本图像进行解剖关键点标注时，所述同一髋关节样本图像的人工标注关键点为所述多名骨科临床医生标注的解剖关键点的均值。