骨折识别方法、装置、设备和计算机可读存储介质制造方法及图纸

本公开的实施例提供了骨折识别方法、装置、设备和计算机可读存储介质。所述方法包括对获取的骨骼图像进行预处理；将所述预处理后的骨骼图像输入预先训练的区域识别模型，得到区域图像；将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。以此方式，可以对骨骼图像进行骨折识别，无需人工裁剪标注，且识别速度快，准确率高。

【技术实现步骤摘要】
骨折识别方法、装置、设备和计算机可读存储介质
本公开的实施例一般涉及计算机
，并且更具体地，涉及骨折识别方法、装置、设备和计算机可读存储介质。
技术介绍
骨折识别是一个复杂、技术含量较高的问题，诊断困难。由于各地区医疗水平的不一致，且医生的个人经验水平也参差不齐，因此，传统的医生进行骨折识别的方法容易受到地区医疗水平以及医生个人经验水平的影响，导致诊断误差较大。对于鼻骨骨折识别，由于鼻骨具有骨质细小、结构复杂、无骨髓腔、不容易形成骨痂等特点，诊断更加困难。
技术实现思路
根据本公开的实施例，提供了一种骨折识别方案。在本公开的第一方面，提供了一种骨折识别方法。该方法包括：对获取的骨骼图像进行预处理；将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所所述骨骼图像为采用CT设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像；所述区域图像为鼻骨区域图像；所述骨折识别结果为鼻骨识别结果。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预处理为归一化处理。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像包括：采用预先训练的区域识别模型对所述预处理后的图像进行区域识别，自动裁剪所述预处理后的图像中的待识别区域图像。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述骨折识别模型为基于CNN的多层双卷积神经网络，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、…第N卷积层、第N池化层、第一全连接层、第二全连接层、输出层；其中，所述第一卷积层、第二卷积层为双卷积层。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述骨折识别模型是通过骨折图像样本集对预设的基于CNN的多层双卷积神经网络进行训练得到的；所述骨折图像样本集包括骨折图像正反样本集，或，包括存在不同骨折程度的正样本以及不存在骨折的负样本。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述双卷积层包括两个单卷积层。在本公开的第二方面，提供了一种骨折识别装置。该装置包括：预处理模块，用于对获取的骨骼图像进行预处理；区域识别模块，用于将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；骨折识别模块，用于将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。附图说明结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：图1示出了能够在其中实现本公开的实施例的示例性运行环境的示意图；图2示出了根据本公开的实施例的鼻骨骨折识别方法的流程图；图3示出了根据本公开的实施例的鼻骨骨折识别模型的示意图；图4示出了根据本公开的实施例的鼻骨骨折识别模型的双卷积层的示意图；图5示出了根据本公开的实施例的骨折识别装置的方框图；图6示出了能够实施本公开的实施例的示例性电子设备的方框图。具体实施方式为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。图1示出了能够在其中实现本公开的实施例的示例性运行环境100的示意图。在运行环境100中包括客户端102、工作站104。在本公开的一些实施例中，公开了一种骨折识别方法，包括以步骤：对获取的骨骼图像进行预处理；将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。在一些实施例中，以所述骨骼图像为颅骨图像，所述骨折为鼻骨骨折进行说明。在其他一些实施例中，所述骨骼图像也可以为其他部位的骨骼图像，所述骨折为其他骨折类型。图2示出了根据本公开实施例的用于鼻骨骨折识别方法200的流程图。方法200可以由图1中的工作站104执行。在框210，对获取的颅内图像进行预处理；在一些实施例中，工作站104接收客户端102上传的待识别鼻骨骨折的颅内图像。所述颅内图像为采用CT设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像。在一些其他实施例中，所述颅内图像为采用核磁共振设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像，具体不作限定。所述颅内图像也可以为X光图像或核磁共振图像。在一些实施例中，所述预处理为归一化处理。所述归一化处理包括对所述颅内图像的图像亮度进行归一化处理；以及对所述颅内图像的尺寸进行归一化处理，将其尺寸调整为与样本图像图样的尺寸大小。在一些实施例中，所述颅内图像为灰度图像。在框220，将所述预处理后的图像输入预先训练的鼻骨区域识别模型，得到鼻骨区域图像；在一些实施例中，为了节省算力提高效率，并且避免所述预处理后的图像中除鼻骨以外的组织、骨骼对鼻骨骨折识别模型的识别结果造成影像，采用预先训练的鼻骨区域识别模型对所述预处理后的图像进行鼻骨区域识别，自动裁剪所述预处理后的图像中的鼻骨区域图像。其中，所述鼻骨区域识别模型的输出结果为鼻骨区域中心坐标；所述自动裁剪为以所输出的鼻骨区域中心坐标为中心，以固定区域大小进行裁剪。在一些实施例中，所述鼻骨区域识别模型为CNN卷积神经网络模型。所述CNN卷积神经网络模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、…第N卷积层、第N池化层、全连接层、输出层。所述鼻骨区域识别模型是通过对鼻骨区域图像样本集对鼻骨区域识别模型进行训练得到的。在一些实施例中，首先使用目标检测的方法检测出鼻骨区域，自动裁剪所述预处理后的图像中的鼻骨区域图像，然后将所述鼻骨区域图像进行预处本文档来自技高网...

【技术保护点】
1.一种骨折识别方法，其特征在于，包括：/n对获取的骨骼图像进行预处理；/n将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；/n将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。/n

【技术特征摘要】
1.一种骨折识别方法，其特征在于，包括：
对获取的骨骼图像进行预处理；
将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；
将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。


2.根据权利要求1所述的方法，其特征在于，
所述骨骼图像为采用CT设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像；所述区域图像为鼻骨区域图像；所述骨折识别结果为鼻骨识别结果。


3.根据权利要求1所述的方法，其特征在于，
所述预处理为归一化处理。


4.根据权利要求1所述的方法，其特征在于，将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像包括：
采用预先训练的区域识别模型对所述预处理后的图像进行区域识别，自动裁剪所述预处理后的图像中的待识别区域图像。


5.根据权利要求1所述的方法，其特征在于，
所述骨折识别模型为基于CNN的多层双卷积神经网络，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、…第N卷积层、第N池化层、第一全连接层、第二全连接层、输出层；...

【专利技术属性】
技术研发人员：杨天潼，
申请(专利权)人：杨天潼，
类型：发明
国别省市：北京;11