[发明专利]一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片方法及系统

权利要求书

1.一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片方法，其特征在于，包括以下步骤：

S1：CT影像输入：用户通过输入模块输入初始的CT影像；

S2：CT影像预处理：由数据预处理模块对输入的CT影像进行切片和切块处理，得到2D切片序列图像数据集和3D切块序列图像数据集，并进行数据增强以及数据划分；

S3：3D初检：将S1得到的3D切块序列图像数据集作为输入，由图像初检模块得到初步的疑似骨折区域，作为病灶区域；

S4：2D筛选：将S2得到的病灶区域映射至对应的2D切片序列图像数据上，由病灶筛选模块进行分类，保留真阳性区域并输出骨折概率；

S5：3D分割：将S3保留的真阳性区域，按比例映射至主干网络、FPN的不同尺度特征图上，由精细分割模块得到最终的3D分割结果；

S6：阅片结果输出：将骨折检测结果输出给用户；

所述骨折检测结果，包括由S5得到的3D分割结果所对应的2D切片图像，及骨折区域、骨折类型的标注。

2.一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片系统，其特征在于，包括：CT影像输入模块，数据预处理模块，图像初检模块，病灶筛选模块，精细分割模块，结果输出模块。

3.如权利要求2所述的一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片系统，其特征在于，所述数据预处理模块，包括：切片预处理功能，切块预处理功能，数据增强功能，数据划分功能；

所述切片预处理功能，将获取的原始CT影像按指定方向、指定图像大小转换为2D切片序列图像数据集；

所述切块预处理功能，将获取的原始CT影像按指定图块大小转换为3D切块序列图像数据集；

所述数据增强功能，包括图像旋转、图像翻转、图像缩放；

所述数据划分功能，通过k折交叉验证的方法将图像数据集划分为训练集与验证集。

4.如权利要求3所述的一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片系统，其特征在于，所述图像旋转，包括：

对于2D切片图像数据，以图像中心为旋转中心，按逆时针方向旋转90°、180°或270°；

对于3D切块图像数据，以xy平面中心绕z轴逆时针旋转90°、180°或270°；

所述图像翻转，包括：

对于2D切片图像数据，以图像中心进行水平翻转或垂直翻转；

对于3D切块图像数据，以yz平面绕x轴翻转或xz平面绕y轴进行翻转；

所述图像缩放，包括：

对于2D切片图像数据，将图像进行0.7~1.3倍的缩放；

对于3D切块图像数据，保持z方向图像不变，将xy方向进行0.7~1.3倍的缩放。

5.如权利要求2所述的一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片系统，其特征在于，所述图像初检模块，包括：由3D卷积神经网络构成，负责检出疑似存在骨折的病灶区域；

所述3D卷积神经网络，分为主干网络、特征金字塔网络及检测组件。

6.如权利要求2所述的一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片系统，其特征在于，所述病灶筛选模块，由2D分类卷积神经网络构成，负责对图像初检模块得到的病灶区域进一步判断剔除假阳性结果，及区分骨折类型；

所述2D分类卷积神经网络，获得由图像初检模块得到的3D病灶区域，并处理成对应的2D切片图像集，由2D分类卷积神经网络对每一个切片图像进行分类，分类结果为切片图像对应预设骨折的概率；

所述预设骨折，包括：弯曲骨折、移位骨折、无移位骨折、节段性骨折。

7.如权利要求6所述的一种基于深度学习的肋骨CT影像骨折检测分割辅助阅片系统，其特征在于，所述分类结果，当某种预设骨折的概率值最高且大于相应的阈值，则表示该切片图像存在此类骨折，否则表示该切片不存在骨折；

所述阈值，弯曲骨折、移位骨折、无移位骨折、节段性骨折对应的概率阈值分别为0.6、0.7、0.6、0.8；

当连续的n个切片图像的输出结果都表示存在同一类预设骨折时，则认为该病灶区域存在此类骨折，作为真阳性区域并保留该病灶区域。