一种基于CT图像检测骨质状况的方法及电子设备技术

本发明专利技术公开了一种基于CT图像检测骨质状况的方法及电子设备，所述检测骨质状况的方法包括对腰椎CT图像进行超分辨率重建，利用图像分类网络对腰椎超分图像进行分类等步骤，通过提升腰椎CT图像的分辨率，同时去除相当部分原始CT图像中的噪音，提升分类网络对输入图像分类的准确率，从而提升骨质状况检测的精度和准确率。超分辨率重建网络包括初步特征提取模块、多通道特征提取模块、MF融合模块和图像重建模块，MF融合模块包括多个子模块，子模块与多通道特征提取模块对应设置；利用多个子模块以渐进的方式去融合不同尺度的特征信息，提高特征融合模块对无用信息的过滤效果，保留更多对图像重建有用的信息。对图像重建有用的信息。

【技术实现步骤摘要】
一种基于CT图像检测骨质状况的方法及电子设备


[0001]本专利技术属于医疗
，具体地说，涉及一种基于CT图像检测骨质状况的方法及电子设备。

技术介绍

[0002]骨质疏松症(OP)是一种以低骨量和骨组织微结构破坏为特征的全身骨代谢性疾病，临床表现为骨骼疼痛和易于骨折。由于不同的骨质密度对X射线吸收存在差异，所以可以通过腰椎CT图像对骨质疏松进行量化诊断。有研究表明(如申请号为201910913768.0的专利技术专利)，利用人工智能技术，能够对CT图像中的腰椎骨质状况进行自动检测。但是，受设备性能和成本等客观因素的影响，原始CT图像分辨率通常比较低，这对神经网络分类效果产生了较大的不利影响，进而限制了最终骨质状况检测的精度和准确率。

技术实现思路

[0003]针对现有技术中上述的不足，本专利技术提供了一种基于CT图像检测骨质状况的方法及电子设备，以提高神经网络对骨质状况检测的精度和准确率。
[0004]为了达到上述目的，本专利技术采用的解决方案是：一种基于CT图像检测骨质状况的方法，包括以下步骤：
[0005]A1、获取原始腰椎CT图像，获取训练好的超分辨率重建网络，所述超分辨率重建网络包括初步特征提取模块、多通道特征提取模块、MF融合模块和图像重建模块，所述MF融合模块包括多个子模块，所述子模块与所述多通道特征提取模块对应设置；
[0006]A2、将所述原始腰椎CT图像输入所述超分辨率重建网络，先利用所述初步特征提取模块对所述原始腰椎CT图像进行特征提取，得到初步特征图；
[0007]A3、所述初步特征图顺次经过多个所述多通道特征提取模块，前一个多通道特征提取模块输出的特征图作为其后面一个多通道特征提取模块的输入，提取各个所述多通道特征提取模块输出的特征图；
[0008]A4、位于所述MF融合模块头部的子模块同时以所述初步特征图和靠近所述初步特征提取模块的多通道特征提取模块输出的特征图作为输入，下游的各个所述子模块依次将与自身对应的多通道特征提取模块输出的特征图和上游子模块输出的特征图融合，最终输出得到中间特征图；
[0009]A5、将所述中间特征图输入所述图像重建模块，利用所述图像重建模块对所述中间特征图进行超分辨率重建，获得分辨率大于所述原始腰椎CT图像的腰椎超分图像；
[0010]A6、获取训练好的图像分类网络，将所述腰椎超分图像输入所述图像分类网络，利用所述图像分类网络对所述腰椎超分图像进行分类，以获取所述腰椎超分图像中对应腰椎的骨质状况信息。
[0011]进一步地，所述多通道特征提取模块的数学模型可表示为如下公式：
[0012]F1＝σ1(f
31
(M))
[0013]F2＝σ2(f
32
(M))
[0014]F3＝σ3(f
33
(M))
[0015]F4＝[F1,σ4(f
34
(F2)),σ5(f5(F3))][0016]F5＝σ6(f1(F4))
[0017]F6＝f
ca
(F1,F2,F3)
[0018]N＝f
ml
(F5,F6)+M
[0019]其中，M为输入所述多通道特征提取模块的特征图，f
31
、f
32
、f
33
和f
34
均表示卷积核大小为3*3的卷积操作，f5表示卷积核大小为5*5的卷积操作，f1表示卷积核大小为1*1的卷积操作，σ1、σ2、σ3、σ4、σ5和σ6均表示非线性激活函数ReLU，[
·
]表示对其中的特征图进行拼接操作，f
ca
表示通道注意力模块，F1、F2和F3作为所述通道注意力模块的输入，F6表示所述通道注意力模块生成输出的通道注意力图，F
ml
(F5,F6)表示将通道注意力图F6与特征图F5做乘法操作，N为所述多通道特征提取模块输出的特征图。
[0020]进一步地，所述通道注意力模块的数学模型为：
[0021]F
a1
＝σ
a1
(f
a1
([F1,F2,F3]))
[0022]F6＝δ(f
a3
(σ
a2
(f
a2
(p
v
(F
a1
)))))
[0023]其中，F1、F2和F3为输入所述通道注意力模块的特征图，[
·
]表示对其中的特征图进行拼接操作，f
a1
表示卷积核大小为1*1的卷积操作，σ
a1
和σ
a2
均表示非线性激活函数ReLU，p
v
表示全局方差池化操作，f
a2
和f
a3
均表示全连接操作，δ为sigmoid激活函数，F6为所述通道注意力模块输出的所述通道注意力图。通道注意力模块中，先利用卷积核大小为1*1的卷积操作对输入的特征图进行降维操作，降低特征图的通道数量，这个过程中，实现了信息在不同通道上的交换，最终生成的通道注意力图对不同信息的调制效果更加准确。
[0024]进一步地，所述子模块的数学模型为：
[0025]FS1＝σ
S1
(f
S1
(K1+K2))
[0026]FS2＝σ
S2
(f
S2
(K2))
[0027]FS＝σ
S3
(f
S3
([K1,FS1,FS2]))
[0028]其中，K1表示所述初步特征图或上游子模块输出的特征图，K2表示与所述子模块对应的多通道特征提取模块输出的特征图，K1和K2作为所述子模块的输入，f
s1
表示卷积核大小为3*3的卷积操作，f
s2
表示卷积核大小为3*3的可变形卷积操作，f
s3
表示卷积核大小为1*1的卷积操作，σ
s1
、σ
s2
和σ
s3
均表示非线性激活函数ReLU，[
·
]表示对其中的特征图进行拼接操作，FS为所述子模块输出的特征图。
[0029]进一步地，所述图像重建模块包括前端卷积层、第一激活函数、亚像素卷积层、后端卷积层和第二激活函数，所述中间特征图顺次经过所述前端卷积层、所述第一激活函数、所述亚像素卷积层、所述后端卷积层和所述第二激活函数后，生成所述腰椎超分图像。
[0030]进一步地，所述图像分类网络为VGG16。
[0031]本专利技术还提供了一种基于CT图像检测骨质状况的电子设备，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的基于CT图像检测骨质状况的方法。
[0032]本专利技术的有益效果是：
[0033](1)采用超分辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CT图像检测骨质状况的方法，其特征是：包括以下步骤：A1、获取原始腰椎CT图像，获取训练好的超分辨率重建网络，所述超分辨率重建网络包括初步特征提取模块、多通道特征提取模块、MF融合模块和图像重建模块，所述MF融合模块包括多个子模块，所述子模块与所述多通道特征提取模块对应设置；A2、将所述原始腰椎CT图像输入所述超分辨率重建网络，先利用所述初步特征提取模块对所述原始腰椎CT图像进行特征提取，得到初步特征图；A3、所述初步特征图顺次经过多个所述多通道特征提取模块，提取各个所述多通道特征提取模块输出的特征图；A4、位于所述MF融合模块头部的子模块同时以所述初步特征图和靠近所述初步特征提取模块的多通道特征提取模块输出的特征图作为输入，下游的各个所述子模块依次将对应的多通道特征提取模块输出的特征图与上游子模块输出的特征图融合，最终输出得到中间特征图；A5、将所述中间特征图输入所述图像重建模块，利用所述图像重建模块对所述中间特征图进行超分辨率重建，获得分辨率大于所述原始腰椎CT图像的腰椎超分图像；A6、获取训练好的图像分类网络，将所述腰椎超分图像输入所述图像分类网络，利用所述图像分类网络对所述腰椎超分图像进行分类，以获取所述腰椎超分图像中对应腰椎的骨质状况信息。2.根据权利要求1所述的基于CT图像检测骨质状况的方法，其特征是：所述多通道特征提取模块的数学模型可表示为如下公式：F1＝σ1(f
31
(M))F2＝σ2(f
32
(M))F3＝σ3(f
33
(M))F4＝[F1,σ4(f
34
(F2)),σ5(f5(F3))]F5＝σ6(f1(F4))F6＝f
ca
(F1,F2,F3)N＝f
ml
(F5,F6)+M其中，M为输入所述多通道特征提取模块的特征图，f
31
、f
32
、f
33
和f
34
均表示卷积核大小为3*3的卷积操作，f5表示卷积核大小为5*5的卷积操作，f1表示卷积核大小为1*1的卷积操作，σ1、σ2、σ3、σ4、σ5和σ6均表示非线性激活函数ReLU，[
·
]表示对其中的特征图进行拼接操作，f
ca
表示通道注意力模块，F1、F2和F3作为所述通道注意力模块的输入，F6表示所述通道注意力模块生成输出的通道注意力图，F
ml
(F5,F6)表示将通道注意力图F6与特征图F5做乘法操作，N为所述多通道特征提取模块输出的特征图。3.根据权利要求2所述的基于CT图像检测骨质状况的方法，其特征是：所述通道注意力模块的数学模型为：F
a1<...

【专利技术属性】
技术研发人员：赵雯，黄昶荃，张展，吴晓丹，
申请(专利权)人：西安市第三医院，
类型：发明
国别省市：