[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

说明书

本发明公开了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，包括：S1：用户输入初始的CT影像；S2：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、3D切块序列图像数据集，进行数据增强和数据划分；S3：将得到的3D切块序列图像数据集作为输入，得到初步疑似骨折区域作为病灶区域；S4：将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：将保留的真阳性区域，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；通过上述方式，本发明能够提高CT影像排查的效率，提高诊断准确率的同时有效降低医生工作量。

技术领域

本发明涉及图像处理领域，特别是涉及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。

背景技术

近年来对于医学影像诊断的需求不断攀升，CT影像即为一种常见的3D医学影像。而由于CT影像的层厚、层间距较小，一例患者的CT影像可能会产生上百张扫描图像。为了准确地进行诊断，医生需要对这些图像逐张进行排查，寻找病灶，工作量大，耗时耗力，给医生带来较为沉重的工作负担。

已公开的专利CN113077419A，公开了一种用于髋关节CT影像识别的信息处理方法，首先对CT影像进行预处理，后将预处理后的图像输入至2DDenseUnet神经网络模型中，对骨折区域进行识别，而后将识别的骨折区域的影像数据输入至MaskRCNN网络模型，由该MaskRCNN对骨折区域进行分割，生成骨折块区域的影像数据；最后将骨折区域的影像映射到CT影像的原始影像尺度，但上述专利只对解决骨折区域识别不准确的问题，无法系统的解决骨折类型的判别，同时只在二维图像上进行肺结节检测，无法利用CT影像的空间信息，存在准确率较低和假阳性率较高的缺陷。已公开的专利CN113077418A，基于卷积神经网络的CT影像骨骼分割方法，通过足够的数据量以及参数量，使得骨骼识别模型可以学习到更加复杂以及更高维度的特征，但存在常见检测网络框架结构冗余，参数量大造成网络训练周期长，模型无法小型化的缺陷。

发明内容

本发明主要解决的技术问题是提供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，能够提高CT影像排查的效率，并能为医生提供预诊断结果，提高诊断准确率的同时有效降低医生工作量。

为解决上述技术问题，本发明采用的一个技术方案是：提供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，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。

并提供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，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。

进一步的，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；