本申请涉及一种CT图像检测方法、装置、系统、电子装置和存储介质，其中，该CT图像检测方法包括：取所有参与方对应的原始CT图像，根据该原始CT图像生成训练集；将该训练集输入至群体学习平台，并利用该群体学习平台分别训练得到骨骼分割提取模型和骨折检测模型；其中，该群体学习平台由每个该参与方上预先部署的各本地集群搭建生成；获取至少一个该参与方的待测CT图像，将该待测CT图像输入至该骨骼分割提取模型以输出骨骼特征，并将该骨骼特征输入至该骨折检测模型，以生成该待测CT图像的骨折检测结果。通过本申请，解决了CT图像检测的准确性低的问题。性低的问题。性低的问题。
【技术实现步骤摘要】
CT图像检测方法、装置、系统、电子装置和存储介质
[0001]本申请涉及CT图像检测
，特别是涉及CT图像检测方法、装置、系统、电子装置和存储介质。
技术介绍
[0002]电子计算机断层扫描(Computed Tomography，简称为CT)是一种利用数位几何处理后重建的三维放射线医学影像。该技术主要通过单一轴面的X射线旋转照射人体，由于不同的组织对X射线的吸收能力(或称阻射率)不同，可以用电脑的三维技术重建出断层面影像，经由窗宽、窗位处理，可以得到相应组织的断层影像，将断层影像层层堆叠，即可形成立体影像。
[0003]人体CT断层扫描是在医院上用来判断骨折的一个重要手段。人体由于受外力的作用而导致骨折，有些严重的骨折很容易被发现，而一些细微的骨折不容易通过外观直接发现，需要通过如X光或者CT图像的辅助手段来检查确定骨折位置。然而，在相关技术中，由于医疗数据涉及到客户的个人隐私问题，医疗机构仅能使用自己内部的数据进行建模预测，因此目前的人工智能检测模型所需要的CT图像都是各家医院自用数据，形成了数据孤岛，无法进行联合使用。且单个医疗机构的内部数据有限，来源相对单一，无法保证质量及多样性，影响到预测模型的准确性、可靠性和泛化性，导致CT图像检测的准确性较低。
[0004]目前针对相关技术中CT图像检测的准确性低的问题，尚未提出有效的解决方案。
技术实现思路
[0005]本申请实施例提供了一种CT图像检测方法、装置、系统、电子装置和存储介质，以至少解决相关技术中CT图像检测的准确性低的问题。
[0006]第一方面，本申请实施例提供了一种CT图像检测方法，所述方法包括：
[0007]获取所有参与方对应的原始CT图像，根据所述原始CT图像生成训练集；
[0008]将所述训练集输入至群体学习平台，并利用所述群体学习平台分别训练得到骨骼分割提取模型和骨折检测模型；其中，所述群体学习平台由每个所述参与方上预先部署的各本地集群搭建生成；
[0009]获取至少一个所述参与方的待测CT图像，将所述待测CT图像输入至所述骨骼分割提取模型以输出骨骼特征，并将所述骨骼特征输入至所述骨折检测模型，以生成所述待测CT图像的骨折检测结果。
[0010]在其中一些实施例中，利用所述群体学习平台训练得到所述骨骼分割提取模型包括：
[0011]通过所述群体学习平台，将所述训练集输入至UNet++网络的多个深度不同的全卷积网络，以使得每个所全卷积网络分别输出卷积结果和下采样结果，并将所述卷积结果和所述下采样结果进行融合处理得到对应的语义特征信息；
[0012]对每个所述语义特征信息进行上采样处理以得到上采样结果，并将所有所述上采
样结果进行融合得到融合结果；
[0013]设置学习率和衰减方式，根据所述学习率、衰减方式和所述融合结果训练所述UNet++网络，待所述训练集迭代结束后得到所述骨骼分割提取模型。
[0014]在其中一些实施例中，利用所述群体学习平台训练得到所述骨折检测模型包括：
[0015]通过所述群体学习平台，将所述训练集输入至3D DenseNet网络进行训练，以生成所述骨折检测模型。
[0016]在其中一些实施例中，所述根据所述原始CT图像生成训练集包括：
[0017]获取预设物理尺寸；
[0018]根据所述预设物理尺寸对所述原始CT图像进行归一化处理，得到处理后的归一化数据集，并获取所述归一化数据集的标注数据；
[0019]根据所述归一化数据集和所述标注数据生成所述训练集。
[0020]在其中一些实施例中，所述利用所述群体学习平台分别训练得到骨骼分割提取模型和骨折检测模型之后，所述方法还包括：
[0021]根据所述原始CT图像生成测试集；
[0022]将所述测试集输入至所述骨骼分割提取模型，输出得到所述测试集对应的 Jaccard相似系数和Dice系数；
[0023]根据所述Jaccard相似系数和所述Dice系数得到骨骼分割测试结果。
[0024]在其中一些实施例中，所述群体学习平台的搭建方法包括：
[0025]在所有所述参与方上分别部署独立的Kubernetes本地集群；其中，每个 Kubernetes本地集群之间相互连接；
[0026]拉取群体学习组件的Dokcer镜像，并在所述Kubernetes本地集群上部署所述群体学习组件的Docker镜像，进而生成所述群体学习平台。
[0027]第二方面，本申请实施例提供了一种CT图像检测装置，所述装置包括：获取模块、训练模块和生成模块；
[0028]所述获取模块，用于获取所有参与方对应的原始CT图像，根据所述原始 CT图像生成训练集；
[0029]所述训练模块，用于将所述训练集输入至群体学习平台，并利用所述群体学习平台分别训练得到骨骼分割提取模型和骨折检测模型；其中，所述群体学习平台由每个所述参与方上预先部署的各本地集群搭建生成；
[0030]所述生成模块，用于获取至少一个所述参与方的待测CT图像，将所述待测 CT图像输入至所述骨骼分割提取模型以输出骨骼特征，并将所述骨骼特征输入至所述骨折检测模型，以生成所述待测CT图像的骨折检测结果。
[0031]第三方面，本申请实施例提供了一种CT图像检测系统，所述系统包括：终端设备、传输设备以及主控装置；其中，所述终端设备通过传输设备连接主控装置；
[0032]所述主控装置用于执行如上述第一方面所述的CT图像检测方法，以生成待测CT图像的骨折检测结果；
[0033]所述传输设备用于将所述骨折检测结果传输至所述终端设备；
[0034]所述终端设备用于显示所述骨折检测结果。
[0035]第四方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所
等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”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。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
[0049]在本实施例中，提供了一种CT图像检测方法的应用场景，图1是根据本申请实施例的一种CT图像检测方法的应用场景示意图，如图1所示，在该应用环境中，包括终端设备102和主控装置104。该主控装置104本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种CT图像检测方法，其特征在于，所述方法包括：获取所有参与方对应的原始CT图像，根据所述原始CT图像生成训练集；将所述训练集输入至群体学习平台，并利用所述群体学习平台分别训练得到骨骼分割提取模型和骨折检测模型；其中，所述群体学习平台由每个所述参与方上预先部署的各本地集群搭建生成；获取至少一个所述参与方的待测CT图像，将所述待测CT图像输入至所述骨骼分割提取模型以输出骨骼特征，并将所述骨骼特征输入至所述骨折检测模型，以生成所述待测CT图像的骨折检测结果。2.根据权利要求1所述的CT图像检测方法，其特征在于，利用所述群体学习平台训练得到所述骨骼分割提取模型包括：通过所述群体学习平台，将所述训练集输入至UNet++网络的多个深度不同的全卷积网络，以使得每个所全卷积网络分别输出卷积结果和下采样结果，并将所述卷积结果和所述下采样结果进行融合处理得到对应的语义特征信息；对每个所述语义特征信息进行上采样处理以得到上采样结果，并将所有所述上采样结果进行融合得到融合结果；设置学习率和衰减方式，根据所述学习率、衰减方式和所述融合结果训练所述UNet++网络，待所述训练集迭代结束后得到所述骨骼分割提取模型。3.根据权利要求2所述的CT图像检测方法，其特征在于，利用所述群体学习平台训练得到所述骨折检测模型包括：通过所述群体学习平台，将所述训练集输入至3D DenseNet网络进行训练，以生成所述骨折检测模型。4.根据权利要求1所述的CT图像检测方法，其特征在于，所述根据所述原始CT图像生成训练集包括：获取预设物理尺寸；根据所述预设物理尺寸对所述原始CT图像进行归一化处理，得到处理后的归一化数据集，并获取所述归一化数据集的标注数据；根据所述归一化数据集和所述标注数据生成所述训练集。5.根据权利要求1所述的CT图像检测方法，其特征在于，所述利用所述群体学习平台分别训练得到骨骼分割提取模型和骨折检测模型之后，所述方法还包括：根据所述原始CT图像生成测试集；将所述测试集输入至所述骨骼分割...
【专利技术属性】
技术研发人员：许杰，方敏，王俊杰，张旷，
申请(专利权)人：浙江一山智慧医疗研究有限公司，
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。