[发明专利]髋关节分割方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种基于DoubleUnet多任务神经网络模型的髋关节分割方法，其特征在于，包括：

获取待分割的髋关节图像；

将所述髋关节图像输入预设的DoubleUnet多任务神经网络模型，输出髋关节分割结果；

其中，所述髋关节分割结果包括髋关节中骨盆、左侧股骨和右侧股骨三个部位的分割结果；

所述DoubleUnet多任务神经网络模型是基于DoubleUnet多任务神经网络经过模型训练得到的，所述DoubleUnet多任务神经网络包括两个Unet网络分支；第一网络分支结果和开始的输入相叠加输入到第二网络分支，且第一网络分支中VGG19输出的四个分支结果分别和第二网络分支上采样层相结合，以减少特征丢失；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，增强对边界特征的分割。

2.根据权利要求1所述的基于DoubleUnet多任务神经网络模型的髋关节分割方法，其特征在于，在将所述髋关节图像输入预设的DoubleUnet多任务神经网络模型之前，所述方法还包括：

获取髋关节图像数据集；

标注所述髋关节图像数据集中髋关节图像的髋关节区域，并将所述髋关节区域确定为分割mask；其中，每个所述分割mask与所述髋关节图像一一对应；

将每个所述髋关节图像及其对应的分割mask的图像格式均转换为PNG格式；

将所有转换为PNG格式的髋关节图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集。

3.根据权利要求2所述的基于DoubleUnet多任务神经网络模型的髋关节分割方法，其特征在于，在将所有转换为PNG格式的髋关节图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集之后，所述方法还包括：

利用所述训练集对所述DoubleUnet多任务神经网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述DoubleUnet多任务神经网络模型。

4.根据权利要求3所述的基于DoubleUnet多任务神经网络模型的髋关节分割方法，其特征在于，所述利用所述训练集对所述DoubleUnet多任务神经网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述DoubleUnet多任务神经网络模型，包括：

在模型训练过程中，设置训练的batch_size为64；

设置初始化学习率为1e-4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；

设置优化器为Adam优化器；

设置损失函数为DICE loss；

设置每迭代1000次，对所述训练集和所述验证集做一次验证，通过早停法来判断网络训练停止时间，并得到所述DoubleUnet多任务神经网络模型。

5.根据权利要求1所述的基于DoubleUnet多任务神经网络模型的髋关节分割方法，其特征在于，所述DoubleUnet多任务神经网络的卷积层使用残差卷积，以减少特征损失；

其中，所述残差卷积为由1x1，3x3和1x1卷积核组成的残差单元。

6.根据权利要求1所述的基于DoubleUnet多任务神经网络模型的髋关节分割方法，其特征在于，所述注意力机制网络包括位置注意力机制网络和通道注意力机制网络；

其中，所述位置注意力机制网络，用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征；

所述通道注意力机制网络，用于通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射。

7.根据权利要求6所述的基于DoubleUnet多任务神经网络模型的髋关节分割方法，其特征在于，所述位置注意力机制网络，用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征，包括：

初始化生成一个位置注意力矩阵，用于对任意两个点之间的关系建模；

将所述位置注意力矩阵与特征矩阵进行矩阵乘法，得到相乘结果；

对所述相乘结果和所述特征矩阵进行逐元素的加法，得到最终对全局语义具有一定表征能力的结果。