颅骨骨折的检测方法、装置及存储介质制造方法及图纸

本申请涉及神经网络技术领域，尤其涉及一种颅骨骨折的检测方法、装置及存储介质。所述方法包括：获取待检测的头部医学图像；获取目标检测模型，所述目标检测模型包括随机残差网络，所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据；根据所述头部医学图像，调用所述目标检测模型输出得到目标检测结果，所述目标检测结果用于指示颅骨骨折的检测情况。本申请实施例通过在目标检测模型中引入设计的随机残差网络，可以降低网络参数的敏感性，避免在训练数据有限的场景下过拟合，有效地提高了模型在小数据集上的泛化能力，从而提高模型的检测效果。提高模型的检测效果。提高模型的检测效果。

【技术实现步骤摘要】
颅骨骨折的检测方法、装置及存储介质


[0001]本申请涉及神经网络
，尤其涉及一种颅骨骨折的检测方法、装置及存储介质。

技术介绍

[0002]随着计算机技术的发展，人们越来越多地通过图像来传递信息。目标检测是图像处理中的重要分支，其目的是确定图像中目标对象所在的位置。
[0003]传统的医学图像的目标检测方式，是通过在医学图像中查找目标对象上的定位点来确定目标对象在图像中的位置。以目标对象是颅骨骨折为例，颅骨骨折是一种常见的创伤性疾病，颅骨骨折检测是一个重要的应用。颅骨骨折区域往往很小，不规则，与电子计算机断层扫描(Computed Tomography，CT)图像上的周围正常组织相似。相关技术中，颅骨骨折检测的流程可以包括如下几个步骤：首先采用二值化的方法对颅骨区域进行分割；颅骨区域的图像送进区域提取网络(Region Proposal Network，RPN)预测可能的区域；将预测出来的可能区域进行分类和回归，得到最终的预测框。
[0004]但是在上述方法中，采用二值化的方法对颅骨区域进行分割容易漏掉一些粉碎性骨折的骨片，且目前的RPN模型的检测效果不佳。

技术实现思路

[0005]有鉴于此，本申请提出了一种颅骨骨折的检测方法、装置及存储介质。所述技术方案包括：
[0006]根据本申请的一方面，提供了一种颅骨骨折的检测方法，用于计算机设备中，所述方法包括：
[0007]获取待检测的头部医学图像；
[0008]获取目标检测模型，所述目标检测模型包括随机残差网络，所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据；
[0009]根据所述头部医学图像，调用所述目标检测模型输出得到目标检测结果，所述目标检测结果用于指示颅骨骨折的检测情况。
[0010]在一种可能的实现方式中，所述随机残差网络包括至少两个顺次连接的随机残差模块，所述随机残差模块包括所述随机卷积层。
[0011]在另一种可能的实现方式中，所述随机残差模块还包括随机深度、丢弃(英文：Dropout)层、带参数的修正线性单元(Parametric Rectified Linear Unit，PReLU)层和批量归一化(Batch Normalization，BN)层中的至少一个结构。
[0012]在另一种可能的实现方式中，所述目标检测模型还包括目标检测预测头和后处理模块；
[0013]所述根据所述头部医学图像，调用所述目标检测模型输出得到目标检测结果，包括：
[0014]将所述头部医学图像输入至所述目标检测模型的所述随机残差网络中，输出得到图像特征；
[0015]将所述图像特征输入至所述目标检测预测头中，输出得到预测结果，所述预测结果包括检测框和置信度；
[0016]将所述预测结果输入至所述后处理模块中，输出得到所述目标检测结果。
[0017]在另一种可能的实现方式中，所述将所述预测结果输入至所述后处理模块中，输出得到所述目标检测结果，包括：
[0018]根据所述预测结果，通过所述后处理模块采用非极大值抑制算法得到二维的中间检测结果；
[0019]根据所述中间检测结果，通过所述后处理模块采用层不连续抑制算法输出得到所述目标检测结果，所述层不连续抑制算法用于将二维的所述中间检测结果在深度方向进行融合。
[0020]在另一种可能的实现方式中，所述获取目标检测模型之前，还包括：
[0021]获取多个候选图像样本；
[0022]对所述多个候选图像样本进行数据增强处理得到多个目标图像样本，所述多个目标图像样本中阴性样本背景的比例大于所述多个候选图像样本中阴性样本背景的比例；
[0023]根据所述多个目标图像样本，对预设检测网络进行训练得到所述目标检测模型。
[0024]在另一种可能的实现方式中，所述多个候选图像样本包括多个第一阳性样本和多个第一阴性样本，所述对所述多个候选图像样本进行数据增强处理得到多个目标图像样本，包括：
[0025]对多个所述第一阳性样本进行图像的几何变换得到多个第二阳性样本，对多个所述第一阴性样本进行图像的几何变换得到多个第二阴性样本；
[0026]将阳性目标随机粘贴至多个所述第二阳性样本和多个所述第二阴性样本中，得到多个第三阳性样本；
[0027]将多个所述第二阴性样本与多个所述第三阳性样本进行拼接，得到所述多个目标图像样本。
[0028]根据本申请的另一方面，提供了一种颅骨骨折的检测装置，用于计算机设备中，所述装置包括：
[0029]第一获取单元，用于获取待检测的头部医学图像；
[0030]第二获取单元，用于获取目标检测模型，所述目标检测模型包括随机残差网络，所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据；
[0031]调用单元，用于根据所述头部医学图像，调用所述目标检测模型输出得到目标检测结果，所述目标检测结果用于指示颅骨骨折的检测情况。
[0032]在一种可能的实现方式中，所述随机残差网络包括至少两个顺次连接的随机残差模块，所述随机残差模块包括所述随机卷积层。
[0033]在另一种可能的实现方式中，所述随机残差模块还包括随机深度、Dropout层、PReLU层和BN层中的至少一个结构。
[0034]在另一种可能的实现方式中，所述目标检测模型还包括目标检测预测头和后处理模块；所述调用单元，还用于：
[0035]将所述头部医学图像输入至所述目标检测模型的所述随机残差网络中，输出得到图像特征；
[0036]将所述图像特征输入至所述目标检测预测头中，输出得到预测结果，所述预测结果包括检测框和置信度；
[0037]将所述预测结果输入至所述后处理模块中，输出得到所述目标检测结果。
[0038]在另一种可能的实现方式中，所述调用单元，还用于：
[0039]根据所述预测结果，通过所述后处理模块采用非极大值抑制算法得到二维的中间检测结果；
[0040]根据所述中间检测结果，通过所述后处理模块采用层不连续抑制算法输出得到所述目标检测结果，所述层不连续抑制算法用于将二维的所述中间检测结果在深度方向进行融合。
[0041]在另一种可能的实现方式中，所述装置还包括：训练单元；所述训练单元，用于：
[0042]获取多个候选图像样本；
[0043]对所述多个候选图像样本进行数据增强处理得到多个目标图像样本，所述多个目标图像样本中阴性样本背景的比例大于所述多个候选图像样本中阴性样本背景的比例；
[0044]根据所述多个目标图像样本，对预设检测网络进行训练得到所述目标检测模型。
[0045]在另一种可能的实现方式中，所述多个候选图像样本包括多个第一阳性样本和多个第一阴性样本，所述训练单元，还用于：
[0046]对多个所述第一阳性样本进行图像的几何变换得到多个第二阳性样本，对多个所述第一阴性样本进行图像的几何变换得到多个第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种颅骨骨折的检测方法，其特征在于，用于计算机设备中，所述方法包括：获取待检测的头部医学图像；获取目标检测模型，所述目标检测模型包括随机残差网络，所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据；根据所述头部医学图像，调用所述目标检测模型输出得到目标检测结果，所述目标检测结果用于指示颅骨骨折的检测情况。2.根据权利要求1所述的方法，其特征在于，所述随机残差网络包括至少两个顺次连接的随机残差模块，所述随机残差模块包括所述随机卷积层。3.根据权利要求2所述的方法，其特征在于，所述随机残差模块还包括随机深度、丢弃Dropout层、带参数的修正线性单元PReLU层和批量归一化BN层中的至少一个结构。4.根据权利要求1至3任一所述的方法，其特征在于，所述目标检测模型还包括目标检测预测头和后处理模块；所述根据所述头部医学图像，调用所述目标检测模型输出得到目标检测结果，包括：将所述头部医学图像输入至所述目标检测模型的所述随机残差网络中，输出得到图像特征；将所述图像特征输入至所述目标检测预测头中，输出得到预测结果，所述预测结果包括检测框和置信度；将所述预测结果输入至所述后处理模块中，输出得到所述目标检测结果。5.根据权利要求4所述的方法，其特征在于，所述将所述预测结果输入至所述后处理模块中，输出得到所述目标检测结果，包括：根据所述预测结果，通过所述后处理模块采用非极大值抑制算法得到二维的中间检测结果；根据所述中间检测结果，通过所述后处理模块采用层不连续抑制算法输出得到所述目标检测结果，所述层不连续抑制算法用于将二维的所述中间检测结果在深度方向进行融合。6.根据权利要求1至5任一所述的方法，其特征在于，所述获取目标检测模型之前，还包括：获取多个候选图像样本；对所述多个候选图像样本进行数据增强处理得到多个目标图像样本...

【专利技术属性】
技术研发人员：刘亚欧，黄一锟，吴振洲，
申请(专利权)人：首都医科大学附属北京天坛医院，
类型：发明
国别省市：