[发明专利]一种基于深度学习的胸腰椎骨折识别分割与检测定位方法

说明书

本发明公开了一种基于深度学习的胸腰椎骨折识别分割与检测定位方法，包括以下步骤：S1：采集CT图像，并利用U‑Net神经网络进行胸腰椎识别分割，得到存在骨折的胸腰椎骨目标区域；S2：在存在骨折的胸腰椎骨目标区域中，利用Faster‑Rcnn深度学习网络进行胸腰椎骨折检测，并定位。本发明需首先从CT图像中定位可能存在骨折的胸腰椎骨目标区域，以供后续深入分析椎骨状态。由此，运用Faster‑Rcnn深度学习网络来检测胸腰椎骨骨折，探索关注目标在影像场景空间中的相对位置关联关系，定位骨折位置是属于胸椎还是腰椎并在其各自第几节，形成胸腰椎各类骨折的检测分割和定位方法，其定位准确。

技术领域

本发明属于医学类深度学习图像处理技术领域，具体涉及一种基于深度学习的胸腰椎骨折识别分割与检测定位方法。

背景技术

脊柱骨折是骨科最常见的疾病之一，是由外力引起的脊柱椎体骨质发生的连续性破坏。脊柱骨折其损伤机制复杂、骨折表现多样，不同临床医师对同一个患者的诊断分型存在较大差异。智能化、精准化和微创化是骨科医疗的发展方向，面向提高骨科骨折诊断准确度和效率、减少误诊、提升骨科诊断的智能化水平等方面的重大需求，本发明以胸腰椎骨为对象，研究基于机器视觉的影像(以CT影像为例)中骨折病症的机器自主检测与识别定位技术，形成针对性的影像中骨折病症智能诊断模型与方法。

发明内容

本发明为了解决上述问题，提出了一种基于深度学习的胸腰椎骨折识别分割与检测定位方法。

本发明的技术方案是：一种基于深度学习的胸腰椎骨折识别分割与检测定位方法包括以下步骤：

S1：采集CT图像，并利用U-Net神经网络进行胸腰椎识别分割，得到存在骨折的胸腰椎骨目标区域；

S2：在存在骨折的胸腰椎骨目标区域中，利用Faster-Rcnn深度学习网络进行胸腰椎骨折检测，并定位。

进一步地，步骤S1包括以下子步骤：

S11：采集CT图像，对CT图像进行预处理，并对预处理后的CT图像进行分类和标注，得到用于U-Net神经网络的训练集和验证集；

S12：将预处理后的CT图像的尺寸裁剪为572×572，利用跳跃连接卷积神经网络对裁剪后的训练集中的CT图像进行卷积和下采样，获取浅层级特征，利用跳跃连接卷积神经网络对裁剪后的训练集中的CT图像进行反卷积和上采样，获取高层级特征；

S13：利用跳跃连接卷积神经网络将浅层级特征和高层级特征进行融合，得到CT图像中骨折与正常骨头的特征映射图；

S14：利用U-Net神经网络对训练集的CT图像进行像素分类，完成对U-Net神经网络的训练；

S15：利用训练集对训练完成的U-Net神经网络进行测试，得到存在骨折的胸腰椎骨目标区域。

进一步地，步骤S14中，利用pixel-wise softmax分类器进行像素分类，得到各个像素点的概率p_k(x)，其计算公式为：

其中，a_k(x)表示在位置x处的像素在特征图中的第k层的激活值；K表示像素点的类别总数；a_k′(x)表示在位置x处的像素在特征图中的第k′层的激活值。

进一步地，步骤S2包括以下子步骤：

S21：对CT图像进行预处理，并对预处理后的CT图像进行分类和标注，得到用于深度学习网络的训练集和验证集；

S22：对训练集的CT图像进行缩放，并将缩放后的CT图像输入至深度学习网络，得到CT图像的特征图；