[发明专利]基于深度学习的股骨髓腔形态识别方法、装置及存储介质

权利要求书

1.一种基于深度学习的股骨髓腔形态识别方法，其特征在于，包括：

获取髋关节的二维医学图像；

基于预先训练好的图像分割网络模型对所述髋关节的二维医学图像进行图像分割处理，基于图像分割结果得到股骨区域的二维医学图像；

对所述股骨区域的二维医学图像进行处理，得到股骨的三维医学图像；

在患者的冠状面方向上，将所述股骨的三维医学图像通过正投影变换得到股骨的正投影图像；

对所述股骨的正投影图像进行透视处理，得到所述股骨的透视图像；

将所述股骨的透视图像输入VGG分类器网络，以获得所述VGG分类器网络输出的股骨的髓腔形态的种类，所述种类包括正常型、香槟型、烟囱型；

所述VGG分类器网络为VGG16,使用是3x3的小卷积核和2x2的池化核，其中包含16个隐藏层，包括：13个卷积层和3个全连接层，同时每个卷积段的结尾都会连接一个最大的池化层；

对所述股骨区域的二维医学图像进行处理，得到股骨的三维医学图像，包括：

对所述股骨区域的二维医学图像进行三维重建，得到所述股骨区域的三维医学图像；

基于所述股骨区域的三维医学图像，获得所述股骨区域的像素点点集中包含的若干个像素点的坐标；

基于所述若干个像素点的坐标，分别确定X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点；

根据所述X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点，确定所述股骨的三维医学图像。

2.根据权利要求1所述的基于深度学习的股骨髓腔形态识别方法，其特征在于，所述图像分割网络模型的预先训练过程包括：

获取髋关节的二维医学图像数据集，其中，所述二维医学图像数据集中包含有多个二维医学图像；

标注出各个所述二维医学图像中的股骨区域；

将经过标注后的各个二维医学图像按照预设比例划分为训练数据集、验证数据集和测试数据集；

基于所述训练数据集、验证数据集、测试数据集并结合神经网络算法和深度学习训练出图像分割网络模型。

3.根据权利要求2所述的基于深度学习的股骨髓腔形态识别方法，其特征在于，基于所述训练数据集、验证数据集、测试数据集并结合神经网络算法和深度学习训练出图像分割网络模型，包括：

通过第一图像分割网络模型对所述训练数据集进行粗分割处理：对所述训练数据集中的二维医学图像执行多次下采样，以通过卷积层和池化层的处理识别各二维医学图像的深层特征；对进行下采样后的二维医学图像执行多次上采样，以通过上采样层和卷积层的处理反向存储所述深层特征至所述二维医学图像中；利用Adam分类优化器进行图像粗分类处理，获得图像粗分割结果；其中，各卷积层后均设置有激活函数；

通过第二图像分割模型对所述图像粗分割结果进行精分割处理：从所述深层特征中筛选预设置信度的特征点数据，对所述特征点数据进行双线性插值计算，基于计算后的特征点数据识别所述深层特征的所属类别，获得最终的图像分割结果；

基于所述最终的图像分割结果以及所述训练数据集、验证数据集和测试数据集计算损失函数；

基于所述损失函数调整所述图像分割网络模型的参数，直至所述图像分割网络模型训练成功。

4.根据权利要求1所述的基于深度学习的股骨髓腔形态识别方法，其特征在于，所述将所述股骨的透视图像输入VGG分类器网络，以获得所述VGG分类器网络输出的股骨的髓腔形态的种类，包括：

所述VGG分类器网络输出的股骨的髓腔形态的种类包括：正常型、香槟型、烟囱型。

5.根据权利要求4所述的基于深度学习的股骨髓腔形态识别方法，其特征在于，所述VGG分类器网络包含16个隐藏层，包括：13个卷积层和3个全连接层。