基于人工智能的骨折线检测与骨折类型识别方法及系统与流程

本发明涉及医学影像处理，具体涉及基于人工智能的骨折线检测与骨折类型识别方法及系统。

背景技术：

1、骨折是临床常见的骨创伤，准确检测骨折线并识别骨折类型对治疗方案制定至关重要。目前临床主要依赖放射科医师肉眼判读x射线或ct影像，但骨折线常表现为细窄低密度带，易受骨小梁纹理、骨质硬化及影像噪声干扰，嵌插、螺旋等不规则骨折更易漏诊。

2、现有基于深度学习的辅助检测方法多采用常规卷积神经网络，规则采样网格难以适配骨折线不规则走向与错位嵌插形态，且骨小梁多尺度纹理提取不充分，单一注意力机制难以同时压制背景响应与强化细微骨折线，多数方案仅输出分割掩膜或仅做分类，无法端到端同时给出像素级骨折线与骨折类型，临床应用受限。

技术实现思路

1、针对上述存在的技术不足，本发明的目的是提供基于人工智能的骨折线检测与骨折类型识别方法及系统，解决骨折线检测依赖人工、精度低且无法同时实现分型与分割的问题。

2、为解决上述技术问题，本发明采用如下技术方案：

3、第一方面，本发明提供基于人工智能的骨折线检测与骨折类型识别方法，包括：

4、步骤s1、获取待检测骨骼部位的医学影像数据并进行归一化处理得到标准化影像数据；

5、步骤s2、将标准化影像数据输入至跨阶段局部密集连接网络，通过递归门控卷积提取不同尺度下的骨小梁纹理特征并沿通道维度拼接为多层级特征图；

6、步骤s3、将多层级特征图输入至双路径协同注意力模块，第一条路径通过通道注意力筛选骨折线相关通道响应值，第二条路径通过空间注意力生成骨折区域边界权重图，两条路径输出经逐元素点乘后与原始特征残差连接得到强化特征表示；

7、步骤s4、将强化特征表示输入至自适应形变感知分类网络，自适应形变感知分类网络利用可变形卷积对骨折线不规则走向进行动态采样建模并输出骨折类型标签与骨折线像素级分割掩膜。

8、优选地，在第一方面的一种可能的实施方式中，所述步骤s1中归一化处理的过程包括：

9、对待检测骨骼部位的医学影像数据进行骨骼区域粗定位，截取包含目标骨质的感兴趣区域；

10、将感兴趣区域内像素灰度值映射至预设灰度区间，按照目标骨骼部位的解剖尺寸对感兴趣区域进行仿射变换，输出尺寸统一的标准化影像数据。

11、优选地，在第一方面的一种可能的实施方式中，所述步骤s2中跨阶段局部密集连接网络由若干个依次连接的跨阶段局部密集块与过渡层交替堆叠构成；

12、每个跨阶段局部密集块内设若干密集连接子层，子层间通过通道维度的特征拼接实现局部密集复用；

13、局部密集块的首尾设跨阶段分割分支，将输入特征沿通道拆分为两路，一路进入密集连接子层，另一路跳过密集连接子层直接与子层输出在通道维度拼接；

14、过渡层对拼接后的特征进行通道数压缩与下采样，形成多层级的尺度递减特征图序列；

15、各跨阶段局部密集块输出的多尺度特征图经通道对齐后沿通道维度拼接为多层级特征图。

16、优选地，在第一方面的一种可能的实施方式中，所述递归门控卷积在每个密集连接子层内递归执行；

17、单次门控卷积以当前输入特征与上一次递归输出的特征共同作为门控信号生成的依据；

18、首次递归的上一次递归输出初始化为该子层的输入特征；

19、门控信号与当前卷积核权重逐通道调制后作用于输入特征，输出该次递归的中间特征；

20、递归终止时的输出与该密集连接子层的跳跃输入沿通道拼接。

21、优选地，在第一方面的一种可能的实施方式中，所述步骤s3中双路径协同注意力模块的结构包括：

22、多层级特征图分别输入至第一条路径和第二条路径；

23、第一条路径依次连接全局池化层、全连接层与激活函数层，输出通道维的权重向量；

24、第二条路径依次连接若干卷积层与激活函数层，输出与输入特征图空间尺寸一致的空间权重图；

25、两条路径的输出分别与多层级特征图做逐通道乘法与逐空间位置乘法，乘法结果逐元素点乘后与原多层级特征图做逐元素加法，得到强化特征表示。

26、优选地，在第一方面的一种可能的实施方式中，所述第一条路径中，全局池化层对多层级特征图的每个通道做全局平均池化；

27、全连接层将池化后的通道向量映射至低维再映射回原通道数，其间插入非线性激活，末端经sigmoid函数输出取值介于0至1的通道权重向量，通道权重向量与多层级特征图沿通道方向逐通道相乘，输出加权后的通道特征图。

28、优选地，在第一方面的一种可能的实施方式中，所述第二条路径中，多层级特征图先经逐层空洞率递增的卷积层提取多感受野边界线索，再经1至3层卷积将通道数压缩为单通道，经sigmoid函数输出空间权重图；

29、空间权重图与多层级特征图逐空间位置相乘，乘积与第一条路径的输出逐元素点乘，点乘结果与多层级特征图逐元素相加构成残差，输出强化特征表示。

30、优选地，在第一方面的一种可能的实施方式中，所述步骤s4中自适应形变感知分类网络由编码器与解码器构成；

31、编码器接收强化特征表示，其中至少两层卷积层采用可变形卷积层，可变形卷积层内设偏移量预测子层，偏移量预测子层根据强化特征表示预测二维空间偏移量；

32、可变形卷积核依据偏移量对采样网格做非规则偏移，对骨折线的走向、错位、嵌插形态做动态采样；

33、解码器对编码器各层级输出做逐级上采样与跳层拼接，末端分叉为分类头与分割头。

34、优选地，在第一方面的一种可能的实施方式中，所述偏移量预测子层由1层卷积构成，输入为当前层级的强化特征表示，输出通道数为可变形卷积核采样点数的2倍，分别对应每个采样点在高度方向与宽度方向的偏移量；

35、偏移量经归一化后叠加至规则网格坐标得到形变采样坐标，可变形卷积在形变采样坐标处，通过双线性插值从当前层输入特征图中提取对应的特征值；

36、分类头对解码器末层特征做全局池化后经全连接层输出骨折类型标签；

37、分割头对解码器末层特征逐像素卷积输出与输入影像同尺寸的二值分割掩膜，掩膜中前景像素构成骨折线像素级标注。

38、第二方面，本发明提供基于人工智能的骨折线检测与骨折类型识别系统，所述系统用于实现如第一方面所述的基于人工智能的骨折线检测与骨折类型识别方法，包括：

39、影像获取模块，获取待检测骨骼部位的医学影像数据并进行归一化处理得到标准化影像数据；

40、特征提取模块，将标准化影像数据输入至跨阶段局部密集连接网络，通过递归门控卷积提取不同尺度下的骨小梁纹理特征并沿通道维度拼接为多层级特征图；

41、协同注意力模块，将多层级特征图输入至双路径协同注意力模块，第一条路径通过通道注意力筛选骨折线相关通道响应值，第二条路径通过空间注意力生成骨折区域边界权重图，两条路径输出经逐元素点乘后与原始特征残差连接得到强化特征表示；

42、分类分割模块，将强化特征表示输入至自适应形变感知分类网络，自适应形变感知分类网络利用可变形卷积对骨折线不规则走向进行动态采样建模并输出骨折类型标签与骨折线像素级分割掩膜。

43、本发明的有益效果在于：通过归一化截取骨骼roi并仿射至统一解剖尺寸，消除不同部位与设备间的尺度和灰度差异。

44、采用跨阶段局部密集连接网络配合递归门控卷积，在密集复用局部特征的同时以门控信号逐通道调制卷积权重，充分提取多尺度骨小梁纹理并降低冗余计算。

45、双路径协同注意力中通道路径筛选骨折线相关通道、空间路径以空洞率递增卷积捕获多感受野边界线索，两路输出逐元素点乘后残差连接，显著强化骨折区域响应并抑制正常骨质干扰。

46、自适应形变感知分类网络以可变形卷积依据预测偏移量对骨折线走向、错位、嵌插做动态非规则采样，编码器—解码器末端分叉为分类头与分割头，端到端同步输出骨折类型标签与像素级骨折线掩膜，检测与分型精度显著提升。