[发明专利]基于多任务学习的髋关节关键点位置检测方法及系统

权利要求书

1.一种基于多任务学习的髋关节关键点位置检测方法，其特征在于，所述方法包括以下步骤：

步骤S100、获取标定好关键点的待训练图像，所述待训练图像包括正常发育图像与不正常发育图像；

步骤S200、构建基于多任务学习框架的多任务网络模型，对所述多任务网络模型进行训练，得到关键点检测模型；

步骤S300、利用关键点检测模型对待检测图像进行关键点检测，确定髋关节正位片中关键点所在位置，基于所述关键点所在位置确定测量指标的大小；

其中，所述多任务网络模型包括关键点检测任务模型和辅助分类任务模型，所述多任务网络模型采用的网络结构为：关键点检测任务模型采用编码器解码器神经网络，用于提取待识别图像的特征图；

所述辅助分类任务模型作为全连接层，与所述编码器解码器神经网络的编码器尾部串联，将所述编码器提取的特征图作为全连接层的输入，输出待识别图像的预测结果，所述预测结果为正常发育图像或不正常发育图像；

所述步骤S100包括：

步骤S110、获取月龄在6个月以上婴幼儿的盆骨正位片医学图像，所述盆骨正位片医学图像包括正常发育图像与不正常发育图像；

步骤S120、将所述盆骨正位片医学图像转换为原始图像，对所述原始图像中的6个关键点按固定顺序进行标注，其中，所述关键点包括：盆骨正位片医学图像中左右两侧的髋臼上缘、Y型软骨中心、以及股骨头中心；

步骤S130、采用设定大小的区域框对所述原始图像进行裁剪，将裁剪前已标注的关键点的位置转换为裁剪后的位置，将裁剪后的图像作为待训练图像；

步骤S200中，所述对所述多任务网络模型进行训练，得到关键点检测模型包括：

利用反向传播算法对多任务网络模型进行训练，确定训练过程中所述多任务网络模型的预测值与金标准的误差；

在反向传播过程中，基于所述误差的梯度信息实时更新所述多任务网络模型中关键点检测任务模型和辅助分类任务模型的权重；

当确定所述多任务网络模型的预测值与金标准的误差达到设定的阈值时，完成对所述多任务网络模型的训练，将训练完成的多任务网络模型确定为关键点检测模型；

所述多任务网络模型的预测值与金标准的误差为：loss＝ω₁loss1+ω₂loss2；

其中，

其中，loss1为关键点检测任务模型的损失函数，y₁为人工标定的是否为关键点的概率值，为模型预测的属于目标关键点的概率值，y₁∈[0，1]，α，γ为超参；

loss2为辅助分类任务模型的损失函数，y₂为人工标定的金标准，y₂∈{0，1}，为辅助分类任务模型预测的类别概率值，

2.根据权利要求1所述的一种基于多任务学习的髋关节关键点位置检测方法，其特征在于，所述测量指标包括CE角、髋臼指数、Perkin现象。

3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的基于多任务学习的髋关节关键点位置检测方法的步骤。

4.一种基于多任务学习的髋关节关键点位置检测系统，其特征在于，所述系统包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至2任一项所述的基于多任务学习的髋关节关键点位置检测方法。