【技术实现步骤摘要】
基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法
[0001]本专利技术涉及CT图片识别领域,特别涉及一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法。
技术介绍
[0002]目前对于CT图片的识别,主要依靠专业的CT读片医师来完成。人工阅片结果的正确性在很大程度上取决于阅片医师的个人素质,这种素质是综合性的,包括医师内部自身专业技能水平方面的,也包括医师精神状态方面的,这样对于阅片结果会带有一定的主观性。如果阅片医师如果精神状态不佳、绪烦乱,则可能会影响阅片的结果,会出现一定的错误,而且人工阅片具有费时、费力、高成本等不足之处。随着人工智能研究的深入,特别是深度学习在图片识别方面的长足发展,越来越多的研究希望借助人工智能从CT图片提取特征,建立快速识别模型。
技术实现思路
[0003]本专利技术的目的在于提供一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法,可以简便、快速、低成本从骨盆CT图片提取特征,并对这些特征进行转化,得到转化后的综合特征信息数据,综合特征信息数据进一步用于个体受伤的快速识别模型。
[0004]本专利技术解决其技术问题所采用的技术方案是:一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法,包括以下步骤:1)对若干个体进行CT扫描;这些个体包括骨盆正常和骨盆受伤的,收集这些个体的骨盆CT图片,阅片医师对这些骨盆CT图片进行标记,标记出正常个体和受伤个体;2)收集这些个体的骨盆CT图片;3)利用卷积神经网络特征提取器对骨盆CT图片进 ...
【技术保护点】
【技术特征摘要】
1.一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法,其特征在于,包括以下步骤:1)对若干个体进行CT扫描;2)收集这些个体的骨盆CT图片;3)利用卷积神经网络特征提取器对骨盆CT图片进行特征提取,得到特征数据,并利用转化方程对这些特征数据进行转化,得到转化后的综合特征信息数据。2.根据权利要求1所述的转化方法,其特征在于,所述特征数据包括x1
‑
x29共29个特征数据;所述综合特征信息数据包括Y1
‑
Y8共8个数据。3.根据权利要求2所述的转化方法,其特征在于,Y1的转化方程为:Y1=
‑
0.002608[x1]
‑
0.003528[x2]
‑
0.01981[x3]+0.003867[x4]
‑
0.03497[x5]
‑
0.02528[x6]
‑
0.005055[x7]
‑
0.06280[x8]
‑
0.001421[x9]
‑
0.0009575[x10]
‑
0.07293[x11]
‑
0.05886[x12]
‑
0.04936[x13]
‑
0.06122[x14]
‑
0.03372[x15]
‑
0.07198[x16]
‑
0.02127[x17]
‑
0.05554[x18]
‑
0.03507[x19]
‑
0.07764[x20]
‑
0.06150[x21]
‑
0.04577[x22]
‑
0.07286[x23]
‑
0.03010[x24]+0.01372[x25]
‑
0.07084[x26]
‑
0.06171[x27]
‑
0.07209[x28]
‑
0.04400[x29]+15.087。4.根据权利要求2所述的转化方法,其特征在于,Y2的转化方程为:Y2=+0.001791[x1]
‑
0.03705[x2]+0.009386[x3]+0.09622[x4]+0.008747[x5]+0.01043[x6]+0.1009[x7]+0.01433[x8]+0.1572[x9]+0.02748[x10]+0.03883[x11]+0.03646[x12]
‑
0.01670[x13]+0.01962[x14]+0.04708[x15]
‑
0.06334[x16]+0.1111[x17]
‑
0.03009[x18]+0.06032[x19]
‑
0.05217[x20]
‑
0.05729[x21]
‑
0.006463[x22]
‑
0.01770[x23]+0.01615[x24]+0.1990[x25]
‑
0.02558[x26]
‑
0.02540[x27]
‑
0.04620[x28]
‑
0.04119[x29]
‑
4.735。5.根据权利要求2所述的转化方法,其特征在于,Y3的转化方程为:Y3=
‑
0.1135[x1]
‑
0.2012[x2]
‑
0.003212[x3]+0.1380[x4]+0.03829[x5]
‑
0.1143[x6]
‑
0.01008[x7]
‑
0.07625[x8]+0.09322[x9]
‑
0.02301[x10]+0.06214[x11]+0.02814[x12]+0.02732[x13]
‑
0.04548[x14]+0.04238[x15]
‑
0.01092[x16]
‑
0.01883[x17]+0.02114[x18]+0.05014[x19]
‑
0.1207[x20]
‑
0.01414[x21]
‑
0.03235[x22]
‑
0.05944[x23]+0.02177[x24]+0.09775[x25]+0.0008945[x26]
‑
0.01516[x27]+0.04469[x28]+0.01955[x29]+3.522。6.根据权利要求2所述的转化方法,其特征在于,Y4的转化方程为:Y4=+0.1375[x1]
‑
0.04963[x2]+0.04133[x3]+0.1679[x4]
‑
5.722E
‑
06[x5]
‑
0.1303[x6]+0.06474[x7]
‑
0.09825[x8]+0.1322[x9]
‑
0.02689[x10]+0.01115[x11]+0.06599[x12]+0.08598[x13]
‑
0.1722[x14]+0.03749[x15]+0.04015[x16]
‑
0.09560[x17]+0.06715[x18]+0.03999[x19]
‑
0.08566[x20]+0.009685[x21]
【专利技术属性】
技术研发人员:王飞翔,夏文涛,刘太昂,汪茂文,
申请(专利权)人:司法鉴定科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。