一种髋关节的超声智能识别方法及装置制造方法及图纸

本发明专利技术所提供的一种髋关节的超声智能识别方法及装置，所述髋关节的超声智能识别方法包括：获取目标髋关节所在的图像，得到各个待筛选图像；计算各个所述待筛选图像的标准切面概率值，根据所述标准切面概率值对所述待筛选图像进行筛选，得到标准切面图像；测量所述标准切面图像中的髋关节特征数据。本发明专利技术通过计算各个所述待筛选图像的标准切面概率值，在待筛选图像中筛选出标准切面图像，无需医师手动查找图像，实现了识别的标准化，提高了检查髋关节的操作效率和准确率。关节的操作效率和准确率。关节的操作效率和准确率。

【技术实现步骤摘要】
一种髋关节的超声智能识别方法及装置


[0001]本专利技术涉及超声医学
，尤其涉及的是一种髋关节的超声智能识别方法及装置。

技术介绍

[0002]发育性髋关节发育不良(Developmental Dysplasia of the Hip，简称：DDH))是新生儿及婴幼儿时期最常见的骨关节畸形之一。DDH是指股骨头和髋臼对应关系的异常，包括骨性、软骨性以及软组织结构和形态的异常。DDH的常见类别包括髋臼发育不良的稳定髋关节、髋关节半脱位、髋关节完全脱位但可以复位、完全脱位且不能复位等。其中，髋关节半脱位：股骨头与髋臼之间可见，较宽间隙，两者不能完全嵌合，骨性髋臼发育不良，由于股骨头向后上方移位，髋臼受压变形。髋关节完全脱位：股骨头向后上方软组织内移位，股骨头与髋臼窝完全分离，髋臼窝空虚且变浅，骨性髋臼盖的内缘多呈平坦型或圆形。
[0003]目前在临床工作中，通常依靠医师手动找髋关节中立位冠状切面，然后在冻结状态下，进行测量或者是从存储的电影中自动找到中立位冠状切面，然后再进行测量。这种方法操作比较繁琐，对医生而言工作效率低下，工作量较大。
[0004]因此，现有技术存在缺陷，有待改进与发展。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种髋关节的超声智能识别方法及装置，旨在解决现有技术中手动找髋关节中立位冠状切面的操作效率低的问题。
[0006]本专利技术解决技术问题所采用的技术方案如下：
[0007]一种髋关节的超声智能识别方法，其特征在于，包括：
[0008]获取目标髋关节所在的图像，得到各个待筛选图像；
[0009]计算各个所述待筛选图像的标准切面概率值，根据所述标准切面概率值对所述待筛选图像进行筛选，得到标准切面图像；
[0010]测量所述标准切面图像中的髋关节特征数据。
[0011]在一种实现方式中，所述获取目标髋关节的待筛选图像，包括：
[0012]获取目标髋关节所在的图像，得到各个待筛选图像中的中立位冠状切面；
[0013]和/或，获取目标髋关节所在的图像，得到各个待筛选图像中的中立位外侧横切面；
[0014]和/或，获取目标髋关节所在的图像，得到各个待筛选图像中的屈髋后外侧横切面。
[0015]在一种实现方式中，计算各个所述待筛选图像的标准切面概率值，根据所述标准切面概率值对所述待筛选图像进行筛选，得到标准切面图像，包括：
[0016]计算各个所述待筛选图像的标准切面概率值，所述标准切面概率值用于表征各个
所述待筛选图像吻合于髋关节标准图像的程度；
[0017]将所述标准切面概率值大于预设阈值的待筛选图像作为标准切面图像。
[0018]在一种实现方式中，所述计算各个所述待筛选图像的标准切面概率值，包括：
[0019]将各个待筛选图像输入预先训练的图像回归网络，得到各个所述待筛选图像的标准切面概率值；
[0020]所述图像回归网络的训练过程包括：
[0021]获取第一训练集，所述第一训练集中包括训练图像，以及各个训练图像对应的评分；
[0022]利用所述第一训练集对预先设计的卷积分类回归神经网络进行训练，得到已训练的图像回归网络。
[0023]在一种实现方式中，所述计算各个所述待筛选图像的标准切面概率值，包括：
[0024]将各个待筛选图像输入预先训练的组织定位分类网络，得到各个所述待筛选图像中标准特征的概率；
[0025]根据各个所述待筛选图像中标准特征的概率，按照标准图像概率计算公式进行计算，得到各个所述待筛选图像的标准切面概率值；
[0026]所述标准图像概率计算公式为：
[0027]其中，所述P
score
为图像的标准图像概率；所述i∈(1,N)，N为标准特征的数量；所述W
i
为第i个标准特征权重，所述fscore
i
为第i个标准特征的概率；
[0028]所述组织定位分类网络的训练过程包括：
[0029]获取第二训练集，所述第二训练集中包括标准训练图像；
[0030]对所述第二训练集中的每个标准训练图像中的标准特征进行标注，得到标准特征的类别及评分；
[0031]利用标注后的所述第二训练集对预先设计的初始组织定位分类网络进行训练，得到已训练的组织定位分类网络。
[0032]在一种实现方式中，测量所述标准切面图像中的髋关节特征数据，包括：
[0033]对所述标准切面图像进行自动分割，并对分割后的所述标准切面图像进行图像后处理算法分析，得到所述标准切面图像中标准特征的关键线；
[0034]根据所述关键线得到所述标准切面图像中的髋关节特征数据。
[0035]在一种实现方式中，测量所述标准切面图像中的髋关节特征数据之后，还包括：
[0036]将所述髋关节特征数据保存到数据库中，并根据所述髋关节特征数据生成测量参数曲线。
[0037]本专利技术还提供一种髋关节的超声智能识别装置，包括：
[0038]获取模块，用于获取目标髋关节所在的图像，得到各个待筛选图像；
[0039]计算模块，用于计算各个所述待筛选图像的标准切面概率值，根据所述标准切面概率值对所述待筛选图像进行筛选，得到标准切面图像；
[0040]测量模块，用于测量所述标准切面图像中的髋关节特征数据。
[0041]本专利技术还提供一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的髋关节的超声智能识别程序，所述髋关节的超声智能识别程序被所述处理
器执行时实现如上所述的髋关节的超声智能识别方法的步骤。
[0042]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如上所述的髋关节的超声智能识别方法的步骤。
[0043]本专利技术所提供的获取目标髋关节所在的图像，得到各个待筛选图像；计算各个所述待筛选图像的标准切面概率值，根据所述标准切面概率值对所述待筛选图像进行筛选，得到标准切面图像；测量所述标准切面图像中的髋关节特征数据。本专利技术通过计算各个所述待筛选图像的标准切面概率值，在待筛选图像中筛选出标准切面图像，无需医师手动查找图像，实现了识别的标准化，提高了检查髋关节的操作效率和准确率。
附图说明
[0044]图1是髋关节示意图。
[0045]图2是股骨头与髋臼的切面图。
[0046]图3是髋关节发育类型图解。
[0047]图4是髋关节发育类型对应的髋关节超声图像。
[0048]图5是超声探头的定位方式示意图。
[0049]图6是Graf法分型表。
[0050]图7是Graf法测量的3个关键点。
[0051]图8是基线、骨顶线、软骨顶线、α角、β角测量。
[0052]图9是本专利技术中髋关节的超声智能识别方法较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种髋关节的超声智能识别方法，其特征在于，包括：获取目标髋关节所在的图像，得到各个待筛选图像；计算各个所述待筛选图像的标准切面概率值，根据所述标准切面概率值对所述待筛选图像进行筛选，得到标准切面图像；测量所述标准切面图像中的髋关节特征数据。2.根据权利要求1所述的髋关节的超声智能识别方法，其特征在于，所述获取目标髋关节的待筛选图像，包括：获取目标髋关节所在的图像，得到各个待筛选图像中的中立位冠状切面；和/或，获取目标髋关节所在的图像，得到各个待筛选图像中的中立位外侧横切面；和/或，获取目标髋关节所在的图像，得到各个待筛选图像中的屈髋后外侧横切面。3.根据权利要求1所述的髋关节的超声智能识别方法，其特征在于，计算各个所述待筛选图像的标准切面概率值，根据所述标准切面概率值对所述待筛选图像进行筛选，得到标准切面图像，包括：计算各个所述待筛选图像的标准切面概率值，所述标准切面概率值用于表征各个所述待筛选图像吻合于髋关节标准图像的程度；将所述标准切面概率值大于预设阈值的待筛选图像作为标准切面图像。4.根据权利要求3所述的髋关节的超声智能识别方法，其特征在于，所述计算各个所述待筛选图像的标准切面概率值，包括：将各个待筛选图像输入预先训练的图像回归网络，得到各个所述待筛选图像的标准切面概率值；所述图像回归网络的训练过程包括：获取第一训练集，所述第一训练集中包括训练图像，以及各个训练图像对应的评分；利用所述第一训练集对预先设计的卷积分类回归神经网络进行训练，得到已训练的图像回归网络。5.根据权利要求3所述的髋关节的超声智能识别方法，其特征在于，所述计算各个所述待筛选图像的标准切面概率值，包括：将各个待筛选图像输入预先训练的组织定位分类网络，得到各个所述待筛选图像中标准特征的概率；根据各个所述待筛选图像中标准特征的概率，按照标准图像概率计算公式进行计算，得到各个所述待筛选图像的标准切面概率值；所述标准图像概率计算公式为：其中，所述P
score...

【专利技术属性】
技术研发人员：孙丽丽，聂岩岩，白永志，欧阳俊华，邢锐桐，
申请(专利权)人：深圳蓝影医学科技股份有限公司，
类型：发明
国别省市：