[发明专利]基于多任务深度学习强直性脊柱炎的自动分级方法

权利要求书

1.一种基于多任务深度学习强直性脊柱炎的自动分级方法，其特征在于，所述方法包括：

获取目标样本数据集；所述目标样本数据集包括多个预处理后的2D髋部正位X光片图像；

根据所述目标样本数据集构建髋关节间隙目标识别网络；

根据所述目标样本数据集构建基于全局注意力的髋关节间隙分割网络；

根据所述髋关节间隙目标识别网络和所述髋关节间隙分割网络对所述多个预处理后的2D髋部正位X光片图像进行目标识别检测和分割，得到髋关节间隙分割结果；

对所述髋关节间隙分割结果进行边缘提取处理，得到髋关节间隙轮廓曲线；

对所述髋关节间隙轮廓曲线进行距离测量，得到测量结果；

根据预设评分系统对所述测量结果进行病症分级。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标样本数据集构建髋关节间隙目标识别网络包括：

在所有的所述2D髋部正位X光片图像中标注出待分割区域、待分割区域的位置信息、强直性脊柱炎达到四级病症的区域、以及强直性脊柱炎达到四级病症的区域的位置信息，并制成第一预设格式的数据集；

将预处理后的2D髋部正位X光片图像存储为第二预设格式的图像；

将仅包含髋关节骨间隙区域的图像及其位置信息输入预设检测网络中进行训练，得到所述髋关节间隙目标识别网络。

3.根据权利要求2所述的方法，其特征在于，所述将仅包含髋关节骨间隙区域的图像及其位置信息输入预设检测网络中进行训练，得到所述髋关节间隙目标识别网络包括：

通过卷积神经网络获取仅包含髋关节骨间隙区域的X光片图像的特征图；

在所述特征图上生成每个像素点映射到原来的2D髋部正位X光片图像中的锚点，以每个所述锚点为中心设置九个候选框；

通过二分类网络确定每个候选框内部是否包含有目标对象，输出包含有所述目标对象的概率值；

通过边框回归网络回归分支对所述二分类网络确定的所述目标对象的偏差进行计算，得到每个候选框所需要的平移量和变换尺度大小；

计算二分类网络的交叉熵损失函数L_cls和边框回归网络的平滑L1损失函数L_reg；

根据所述交叉熵损失函数L_cls和所述边框回归网络的平滑L1损失函数L_reg得到损失函数L_F；

使用预设优化器对所述损失函数L_F最小化；

通过所述预设优化器对最小化后的损失函数L_F进行反向传播，以实现对二分类网络和边框回归网络的优化，直到损失函数L_F收敛，得到候选框所包含有目标对象的概率值、以及候选框所需的平移量和变换尺度大小；

通过预设检测网络的提取层接收候选框所包含有目标对象的概率值、候选框所需的平移量和变换尺度大小，得到平移和尺度变换后的候选框；

根据非极大值抑制的策略，剔除发生重叠的候选框，保留概率值最高的候选框，得到髋关节间隙目标识别网络。

4.根据权利要求3所述的方法，其特征在于，所述根据所述交叉熵损失函数L_cls和所述边框回归网络的平滑L1损失函数L_reg得到损失函数L_F包括：

根据公式得到损失函数L_F；

其中，λ为权重参数，σ为控制平滑L1损失函数L_reg平滑程度的参数，N_cls为候选框的个数，N_reg为特征图的大小，p_i表示第i个候选框被二分类网络预测为包含目标对象的概率，表示第i个候选框中只包含目标对象为1的真实标签，t_i表示边框回归网络预测的第i个候选框的偏移量，表示第i个候选框相对于标注的区域的真实偏移量。