[发明专利]基于目标检测和图注意力机制的细小骨折检测方法及系统

权利要求书

1.一种基于目标检测和图注意力机制的细小骨折检测方法，其特征是，包括：

获取多张时序胸部CT图像，对图像进行预处理后，以标注细小骨折区域的胸部CT图像为训练样本，构建训练样本集；

利用训练样本集训练细小骨折检测模型；所述训练过程为：将训练样本图像输入细小骨折检测模型，利用卷积神经网络提取图像特征，通过图卷积神经网络提取图注意力矩阵，图像特征和图注意力矩阵相结合得到最终特征，基于最终特征，结合YOLO目标检测网络，输出细小骨折区域预测框，根据预测框和目标框之间的距离损失，训练细小骨折检测模型；

将待测时序胸部CT图像输入训练完成的细小骨折检测模型，输出细小骨折区域及骨折类型。

2.如权利要求1所述的基于目标检测和图注意力机制的细小骨折检测方法，其特征是，所述预处理包括：

将多张时序胸部CT图像进行堆叠，合成一张多通道图像；

根据胸部CT图像的像素间距离进行重采样，完成归一化。

3.如权利要求1所述的基于目标检测和图注意力机制的细小骨折检测方法，其特征是，所述图像特征和图注意力矩阵相结合得到最终特征，包括：

利用1×1卷积对图卷积神经网络提取的图注意力矩阵进行计算，将最后的非线性激活函数变为sigmoid，使计算结果的值域在0～1之间；

将经过计算的图注意力矩阵与卷积神经网络提取的特征图相乘，得到最终特征。

4.如权利要求1所述的基于目标检测和图注意力机制的细小骨折检测方法，其特征是，时序胸部CT图像输入细小骨折检测模型后，依次输出相应的目标检测预测框，将输出结果输入至细小骨折检测优化模型，采用基于z方向的NMS算法和目标跟踪算法，对整个图像序列预测结果进行后处理加强。

5.如权利要求4所述的基于目标检测和图注意力机制的细小骨折检测方法，其特征是，采用基于z方向的NMS算法和目标跟踪算法，包括：

将上一胸部CT图像中置信度最高的预测框位置、下一胸部CT图像中置信度最高的预测框位置映射到当前胸部CT图像中，将当前胸部CT图像中置信度最高的预测框位置作为中心点，比较该位置与映射位置；

若映射位置的z坐标在预设的取值范围之内且该映射位置的预测框与中心点位置的预测框的IOU大于设定阈值，则删除该映射位置的预测框，以当前胸部CT图像中置信度最高的预测框为最终预测框输出，反之则将该映射位置的预测框作为最终预测框输出。

6.如权利要求5所述的基于目标检测和图注意力机制的细小骨折检测方法，其特征是，z坐标的取值范围根据胸部CT图像的像素间距离确定。

7.一种基于目标检测和图注意力机制的细小骨折检测系统，其特征是，包括：

训练样本构建模块，用于获取多张时序胸部CT图像，对图像进行预处理后，以标注细小骨折区域的胸部CT图像为训练样本，构建训练样本集；

细小骨折检测模型训练模块，用于利用训练样本集训练细小骨折检测模型；所述训练过程为：将训练样本图像输入细小骨折检测模型，利用卷积神经网络提取图像特征，通过图卷积神经网络提取图注意力矩阵，图像特征和图注意力矩阵相结合得到最终特征，基于最终特征，结合YOLO目标检测网络，输出细小骨折区域预测框，根据预测框和目标框之间的距离损失，训练细小骨折检测模型；

细小骨折检测模块，用于将待测时序胸部CT图像输入训练完成的细小骨折检测模型，输出细小骨折区域及骨折类型。

8.如权利要求7所述的基于目标检测和图注意力机制的细小骨折检测系统，其特征是，还包括细小骨折检测优化模块，用于将输出结果输入至细小骨折检测优化模型，采用基于z方向的NMS算法和目标跟踪算法，对整个图像序列预测结果进行后处理加强。

9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于目标检测和图注意力机制的细小骨折检测方法的步骤。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于目标检测和图注意力机制的细小骨折检测方法的步骤。