一种基于脊柱DR图像的骨折识别模型的构建方法及装置

一种基于脊柱dr图像的骨折识别模型的构建方法及装置
技术领域
1.本发明涉及胸部dr医学图像处理技术领域，具体涉及一种基于脊柱dr图像的骨折识别模型的构建方法及装置。


背景技术：

2.骨折是一种常见的医院患者高发病种，骨折指骨结构的连续性完全或部分断裂。多见于儿童及老年人，中青年人也时有发生。病人常为—个部位骨折，少数为多发性骨折。经及时恰当处理，多数病人能恢复原来的功能，少数病人会遗留有不同程度的后遗症。因此，及时诊断，提早治疗非常重要。
3.现有技术中通常根据临床诊断的症状以及影像学检查的结果来诊断骨折，传统影像学检查是医生查看患者影像，肉眼分辨是否骨折以及骨折的区域，这对医生的经验和能力都有很高的要求。同时，相比ct成像，dr影像由于低经济性和低剂量辐射特性，可能成为医学诊断的常用手段。但是，dr影像由于存在身体对脊柱部分的遮挡，造成dr影像在脊柱部分的显像不清晰，脊柱部分的骨折更难被医生识别。因此，亟需一种针对dr影像的脊柱部分的骨折识别模型，辅助医生识别脊柱部分的骨折，提高对脊柱部分骨折的诊断准确性。


技术实现要素：

4.针对现有技术存在的不足，本发明提出一种基于脊柱dr图像的骨折识别模型的构建方法及装置，提高了对dr影像中脊柱部分的骨折诊断准确性。
5.第一方面，本发明提供一种基于脊柱dr图像的骨折识别模型的构建方法。
6.在第一种可实现方式中，基于脊柱dr图像的骨折识别模型的构建方法，包括：
7.结合第一种可实现方式，在第二种可实现方式中，获取原始数据集包括：获取若干个骨折患者的脊柱dr影像，并对各骨折患者的脊柱dr影像标注标签为阳性，同时在骨折区域标注矩形框；获取若干个正常人体的脊柱dr影像，并对各正常人体的脊柱dr影像标注标签为阴性。
8.结合第一种可实现方式，在第三种可实现方式中，对原始数据集进行预处理，包括：对原始数据集进行降噪处理；对降噪后的原始数据集进行图像增强处理。
9.结合第三种可实现方式，在第四种可实现方式中，对原始数据集进行降噪处理，包括：采用导向滤波对原始数据集中的各脊柱dr影像进行降噪处理。
10.结合第四种可实现方式，在第五种可实现方式中，对降噪后的原始数据集进行图像增强处理，包括：采用伽马变换对降噪后的各脊柱dr影像进行图像增强，获得各脊柱dr增强影像。
11.结合第五种可实现方式，在第六种可实现方式中，对预处理后的原始数据集进行重采样，获得待训练数据，包括：将各脊柱dr增强影像在x、y维度上放大一倍，获得各脊柱dr放大影像；将各脊柱dr增强影像在x、y维度上缩小一倍，获得各脊柱dr缩小影像；分别对各脊柱dr放大影像和各脊柱dr缩小影像进行采样；将各脊柱dr增强影像、采样的各脊柱dr放
大影像和各脊柱dr缩小影像确定为待训练数据。
12.结合第一种可实现方式，在第七种可实现方式中，根据待训练数据构建骨折识别模型，包括：对yolov5网络进行改进；利用待训练数据对改进后的yolov5网络进行训练，获得骨折识别模型。
13.结合第七种可实现方式，在第八种可实现方式中，对yolov5网络进行改进，包括：将yolov5网络中backbone模块的最后两层中的普通卷积改为膨胀卷积，且dilate＝2；将yolov5网络中neck模块的三个输出的csp2_1中的普通卷积改为膨胀卷积，且dilate＝2。
14.第二方面，本发明提供一种基于脊柱dr图像的骨折识别模型的构建装置。
15.在第九种可实现方式中，原始数据集获取模块，被配置为获取原始数据集，原始数据集中包括骨折患者的脊柱dr影像和正常人体的脊柱dr影像；预处理模块，被配置为对原始数据集进行预处理；待训练数据获取模块，被配置为对预处理后的原始数据集进行重采样，获得待训练数据；骨折识别模型构建模块，被配置为根据待训练数据构建骨折识别模型。
16.由上述技术方案可知，本发明的有益技术效果如下：
17.通过获取包括骨折患者的脊柱dr影像和正常人体的脊柱dr影像的原始数据集，对原始数据集进行预处理和重采样来获得待训练数据，然后根据待训练数据构建骨折识别模型，从而建立了针对dr影像的脊柱部分的骨折识别模型，辅助医生识别脊柱dr影像的骨折，提高了dr影像中脊柱部分的骨折诊断效率和准确性。
附图说明
18.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
19.图1为本发明提供的一种基于脊柱dr图像的骨折识别模型的构建方法的示意图；
20.图2为本发明提供的一种基于脊柱dr图像的骨折识别模型的构建装置的示意图。
具体实施方式
21.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
22.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
23.结合图1所示，本实施例提供了一种基于脊柱dr图像的骨折识别模型的构建方法，包括：
24.步骤s01、获取原始数据集，原始数据集中包括骨折患者的脊柱dr影像和正常人体的脊柱dr影像；
25.步骤s02、对原始数据集进行预处理；
26.步骤s03、对预处理后的原始数据集进行重采样，获得待训练数据；
27.步骤s04、根据待训练数据构建骨折识别模型。
28.可选地，获取原始数据集包括：获取若干个骨折患者的脊柱dr影像，并对各骨折患者的脊柱dr影像标注标签为阳性，同时在骨折区域标注矩形框；获取若干个正常人体的脊柱dr影像，并对各正常人体的脊柱dr影像标注标签为阴性。
29.可选地，对原始数据集进行预处理，包括：对原始数据集进行降噪处理；对降噪后的原始数据集进行图像增强处理。对原始数据集中的各脊柱dr影像进行降噪处理和图像增强处理，降低了深度学习网络训练的难度。
30.可选地，对原始数据集进行降噪处理，包括：采用导向滤波对原始数据集中的各脊柱dr影像进行降噪处理。通过导向滤波对各脊柱dr影像进行降噪处理，较好地保护了影像中的特征轮廓，且增强了特征的细节。
31.可选地，对降噪后的原始数据集进行图像增强处理，包括：采用伽马变换对降噪后的各脊柱dr影像进行图像增强，获得各脊柱dr增强影像。通过伽马变换对导向滤波后的脊柱dr影像进行图像增强，对脊柱dr影像中的高灰度值进行了灰度区间拓宽，使得骨形区域更加明显。
32.通过导向滤波和伽马变换对脊柱dr影像进行预处理，减弱了dr影像在脊柱部分的显像不明显对骨折检出的影响，能够对dr图像的脊柱骨形结构部位图像质量进行最大程度的优化，降低模型假阳性的同时增加骨折区域的检出率。
33.可选地，对预处理后的原始数据集进行重采样，获得待训练数据，包括：将各脊柱dr增强影像在x、y维度上放大一倍，获得各脊柱dr放大影像；将各脊柱dr增强影像在x、y维度上缩小一倍，获得各脊柱dr缩小影像；分别对各脊柱dr放大影像和各脊柱dr缩小影像进行采样；将各脊柱dr增强影像、采样的各脊柱dr放大影像和各脊柱dr缩小影像确定为待训练数据。通过对各脊柱dr增强影像进行放大一倍和缩小一倍的图像重采样操作，然后将各脊柱dr增强影像、采样的各脊柱dr放大影像和各脊柱dr缩小影像作为待训练数据，对改进后的yolov5网络进行训练，以便改进后的yolov5网络更能够学到骨折整体特征和局部细微特征，提高了构建的骨折识别模型的准确性。同时，采取3种尺度的脊柱dr增强影像的输入训练模式，使得模型能从细小特征和全局特征学习骨折区域的潜在特征情况，这对模型整体的精确度以及模型的良好泛化能力提供了极大的保障。
34.可选地，根据待训练数据构建骨折识别模型，包括：对yolov5网络进行改进；利用待训练数据对改进后的yolov5网络进行训练，获得骨折识别模型。
35.可选地，对yolov5网络进行改进，包括：将yolov5网络中backbone模块的最后两层中的普通卷积改为膨胀卷积，且dilate＝2；将yolov5网络中neck模块的三个输出的csp2_1中的普通卷积改为膨胀卷积，且dilate＝2。通过对yolov5网络中的ackbone模块的最后两层和neck模块的三个输出的csp2_1中的普通卷积改为膨胀卷积，增加了网络的感受野，使得特征提取保留了更多的全局信息多层次特征，增强了改进后的yolov5对骨折区域特征的识别能力，降低了网络的漏检率。
36.在一些实施例中，改进后的yolov5网络(r-yolo-v5)包括输入端、图像特征提取部分即backbone模块、图像特征提取细化部分即neck模块、预测部分即prediction模块。将各脊柱dr增强影像、采样的各脊柱dr放大影像和各脊柱dr缩小影像通过输入端输入r-yolo-v5中，传输到backbone模块进行图像特征提取。r-yolo-v5中backbone模块的最后两层为膨胀卷积(dilated conv)，且dilate＝2，感受野增大一倍，降低了网络的漏检率。backbone模
块还包括残差网络卷积块。backbone模块将提取的图像特征传输到neck模块，neck模块对提取的图像特征进行深入细化特征提取。neck模块包含膨胀卷积模块以及一些短接连接模块，neck模块的三个输出的csp2_1中的为膨胀卷积，且dilate＝2。neck模块将提取的深入细化特征传输到prediction模块，prediction模块根据深入细化特征通过softmax激活函数分别预测各脊柱dr影像中有骨折的得分，根据得分判断是否有骨折，若有骨折则输出1，并预测骨折区域回归框的坐标(x1，y1；x2，y2)，若正常则输出0。
37.在一些实施例中，待训练数据包括训练样本和测试样本。将训练样本中的脊柱dr影像作为模型的输入，将训练样本中的脊柱dr影像对应的标签作为模型的输出，对改进后的yolov5网络进行深度学习训练。将测试样本中的脊柱dr影像输入训练后的网络中，获得输出值；将各脊柱dr影像的输出值分别与对应的标签进行比较，若一致，则结果正确，若不一致，则结果错误。统计测试样本的总数量和结果正确的数量，将结果正确的数量除以测试样本的总数量，获得训练后的网络的正确率，在正确率大于预设阈值的情况下，停止训练并将该正确率对应的网络确定为最终的骨折识别模型。
38.结合图2所示，本实施例提供了一种基于脊柱dr图像的骨折识别模型的构建装置，包括：原始数据集获取模块101、预处理模块102、待训练数据获取模块103、骨折识别模型构建模块104。原始数据集获取模块101被配置为获取原始数据集，原始数据集中包括骨折患者的脊柱dr影像和正常人体的脊柱dr影像；预处理模块102被配置为对原始数据集进行预处理；待训练数据获取模块103被配置为对预处理后的原始数据集进行重采样，获得待训练数据；骨折识别模型构建模块104被配置为根据待训练数据构建骨折识别模型。
39.通过获取包括骨折患者的脊柱dr影像和正常人体的脊柱dr影像的原始数据集，对原始数据集进行预处理和重采样来获得待训练数据，然后根据待训练数据构建骨折识别模型，从而建立了针对dr影像的脊柱部分的骨折识别模型，辅助医生识别脊柱dr影像的骨折，提高了dr影像中脊柱部分的骨折诊断效率和准确性。
40.可选地，原始数据集获取模块通过以下方式实现获取原始数据集，包括：获取若干个骨折患者的脊柱dr影像，并对各骨折患者的脊柱dr影像标注标签为阳性，同时在骨折区域标注矩形框；获取若干个正常人体的脊柱dr影像，并对各正常人体的脊柱dr影像标注标签为阴性。
41.可选地，预处理模块通过以下方式实现对原始数据集进行预处理，包括：对原始数据集进行降噪处理；对降噪后的原始数据集进行图像增强处理。
42.可选地，预处理模块通过以下方式实现对原始数据集进行降噪处理，包括：采用导向滤波对原始数据集中的各脊柱dr影像进行降噪处理。通过导向滤波对各脊柱dr影像进行降噪处理，较好的保护了影像中特征轮廓，且增强了特征的细节。
43.可选地，预处理模块通过以下方式实现对降噪后的原始数据集进行图像增强处理，包括：采用伽马变换对降噪后的各脊柱dr影像进行图像增强，获得各脊柱dr增强影像。通过伽马变换对导向滤波后的脊柱dr影像进行图像增强，对脊柱dr影像中的高灰度值进行了灰度区间拓宽，使得骨形区域更加明显。
44.可选地，待训练数据获取模块通过以下方式实现对预处理后的原始数据集进行重采样，获得待训练数据，包括：将各脊柱dr增强影像在x、y维度上放大一倍，获得各脊柱dr放大影像；将各脊柱dr增强影像在x、y维度上缩小一倍，获得各脊柱dr缩小影像；分别对各脊
柱dr放大影像和各脊柱dr缩小影像进行采样；将各脊柱dr增强影像、采样的各脊柱dr放大影像和各脊柱dr缩小影像确定为待训练数据。通过对各脊柱dr增强影像进行放大一倍和缩小一倍的图像重采样操作，然后将各脊柱dr增强影像、采样的各脊柱dr放大影像和各脊柱dr缩小影像作为待训练数据，对改进后的yolov5网络进行训练，以便改进后的yolov5网络能更能够学到骨折整体特征和局部细微特征，提高了构建的骨折识别模型的准确性。
45.可选地，骨折识别模型构建模型通过以下方式实现根据待训练数据构建骨折识别模型，包括：对yolov5网络进行改进；利用待训练数据对改进后的yolov5网络进行训练，获得骨折识别模型。
46.可选地，骨折识别模型构建模型通过以下方式实现对yolov5网络进行改进，包括：将yolov5网络中backbone模块的最后两层中的普通卷积改为膨胀卷积，且dilate＝2；将yolov5网络中neck模块的三个输出的csp2_1中的普通卷积改为膨胀卷积，且dilate＝2。通过对yolov5网络中的ackbone模块的最后两层和neck模块的三个输出的csp2_1中的普通卷积改为膨胀卷积，增加了网络的感受野，降低了网络的漏检率。
47.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。