本申请提供了一种髋关节分割方法、装置、电子设备及计算机可读存储介质。该髋关节分割方法，包括：获取待分割的髋关节图像；将髋关节图像输入预设的髋关节分割模型，输出髋关节分割结果；其中，髋关节分割模型是基于改进后的LadderNet网络经过模型训练得到的，改进后的LadderNet网络是在LadderNet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，用于增强对髋关节图像边界特征的分割；并且，在LadderNet网络的最后一层添加深度聚合金字塔网络，用于提取不同层级不同尺度的卷积特征，挖掘髋关节图像最后一层的特征信息，以定位分割位置。根据本申请实施例，能够更加准确地进行髋关节分割。能够更加准确地进行髋关节分割。能够更加准确地进行髋关节分割。
【技术实现步骤摘要】
髋关节分割方法、装置、电子设备及计算机可读存储介质
[0001]本申请属于深度学习智能识别
，尤其涉及一种髋关节分割方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]传统图像分割算法是基于阈值分割、边缘检测或区域增长来分割医学图像，这类方法分割精度较差，粗略分割目标区域，不能精确分割目标区域边界。
[0003]因此，如何更加准确地进行髋关节分割是本领域技术人员亟需解决的技术问题。
技术实现思路
[0004]本申请实施例提供一种髋关节分割方法、装置、电子设备及计算机可读存储介质，能够更加准确地进行髋关节分割。
[0005]第一方面，本申请实施例提供一种髋关节分割方法，包括：
[0006]获取待分割的髋关节图像；
[0007]将髋关节图像输入预设的髋关节分割模型，输出髋关节分割结果；
[0008]其中，髋关节分割模型是基于改进后的LadderNet网络经过模型训练得到的，改进后的LadderNet网络是在LadderNet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，用于增强对髋关节图像边界特征的分割；
[0009]并且，在LadderNet网络的最后一层添加深度聚合金字塔网络，用于提取不同层级不同尺度的卷积特征，挖掘髋关节图像最后一层的特征信息，以定位分割位置。
[0010]可选的，在将髋关节图像输入预设的髋关节分割模型之前，方法还包括：
[0011]获取髋关节图像数据集；
[0012]标注髋关节图像数据集中髋关节图像的髋关节区域，并将髋关节区域确定为分割mask；其中，每个分割mask与髋关节图像一一对应；
[0013]将每个髋关节图像及其对应的分割mask的图像格式均转换为PNG格式；
[0014]将所有转换为PNG格式的髋关节图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集。
[0015]可选的，在将所有转换为PNG格式的髋关节图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集之后，方法还包括：
[0016]利用训练集对改进后的LadderNet网络进行模型训练，并利用验证集和测试集进行验证和测试，得到髋关节分割模型。
[0017]可选的，利用训练集对改进后的LadderNet网络进行模型训练，并利用验证集和测试集进行验证和测试，得到髋关节分割模型，包括：
[0018]在模型训练过程中，设置训练的batch_size为64；
[0019]设置初始化学习率为1e
‑
4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；
[0020]设置优化器为Adam优化器；
[0021]设置损失函数为DICE loss；
[0022]设置每迭代1000次，对训练集和验证集做一次验证，通过早停法来判断网络训练停止时间，并得到髋关节分割模型。
[0023]可选的，LadderNet网络的卷积层使用残差卷积，以减少特征损失；
[0024]其中，残差卷积为由1x1，3x3和1x1卷积核组成的残差单元。
[0025]可选的，注意力机制网络包括位置注意力机制网络和通道注意力机制网络；
[0026]其中，位置注意力机制网络，用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征；
[0027]通道注意力机制网络，用于通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射。
[0028]可选的，深度聚合金字塔网络以1/64图像分辨率的特征映射为输入，采用指数步长的大池核生成1/128、1/256、1/512图像分辨率的特征映射；
[0029]并且，利用全局平均池生成输入特征图和图像级信息，对特征图进行上采样，然后使用更多的3
×
3卷积，以分层残差的方式融合不同尺度的上下文信息，以获得更多的上下文信息。
[0030]第二方面，本申请实施例提供了一种髋关节分割装置，包括：
[0031]图像获取模块，用于获取待分割的髋关节图像；
[0032]髋关节分割结果获取模块，用于将髋关节图像输入预设的髋关节分割模型，输出髋关节分割结果；
[0033]其中，髋关节分割模型是基于改进后的LadderNet网络经过模型训练得到的，改进后的LadderNet网络是在LadderNet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，用于增强对髋关节图像边界特征的分割；
[0034]并且，在LadderNet网络的最后一层添加深度聚合金字塔网络，用于提取不同层级不同尺度的卷积特征，挖掘髋关节图像最后一层的特征信息，以定位分割位置。
[0035]可选的，装置还包括：
[0036]训练样本数据集获取模块，用于获取髋关节图像数据集；标注髋关节图像数据集中髋关节图像的髋关节区域，并将髋关节区域确定为分割mask；其中，每个分割mask与髋关节图像一一对应；将每个髋关节图像及其对应的分割mask的图像格式均转换为PNG格式；将所有转换为PNG格式的髋关节图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集。
[0037]可选的，装置还包括：
[0038]模型训练模块，用于利用训练集对改进后的LadderNet网络进行模型训练，并利用验证集和测试集进行验证和测试，得到髋关节分割模型。
[0039]可选的，模型训练模块，用于：
[0040]在模型训练过程中，设置训练的batch_size为64；
[0041]设置初始化学习率为1e
‑
4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；
[0042]设置优化器为Adam优化器；
[0043]设置损失函数为DICE loss；
[0044]设置每迭代1000次，对训练集和验证集做一次验证，通过早停法来判断网络训练停止时间，并得到髋关节分割模型。
[0045]可选的，LadderNet网络的卷积层使用残差卷积，以减少特征损失；
[0046]其中，残差卷积为由1x1，3x3和1x1卷积核组成的残差单元。
[0047]可选的，注意力机制网络包括位置注意力机制网络和通道注意力机制网络；
[0048]其中，位置注意力机制网络，用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征；
[0049]通道注意力机制网络，用于通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射。
[0050]可选的，深度聚合金字塔网络以1/64图像分辨率的特征映射为输入，采用指数步长的大池核生成1/128、1/256、1/512图像分辨率的特征映射；
[0051]并且，利用全局平均池生成输入特征图和图像级信息，对特征图进行上采样，然本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种髋关节分割方法，其特征在于，包括：获取待分割的髋关节图像；将所述髋关节图像输入预设的髋关节分割模型，输出髋关节分割结果；其中，所述髋关节分割模型是基于改进后的LadderNet网络经过模型训练得到的，所述改进后的LadderNet网络是在LadderNet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，用于增强对髋关节图像边界特征的分割；并且，在所述LadderNet网络的最后一层添加深度聚合金字塔网络，用于提取不同层级不同尺度的卷积特征，挖掘髋关节图像最后一层的特征信息，以定位分割位置。2.根据权利要求1所述的髋关节分割方法，其特征在于，在将所述髋关节图像输入预设的髋关节分割模型之前，所述方法还包括：获取髋关节图像数据集；标注所述髋关节图像数据集中髋关节图像的髋关节区域，并将所述髋关节区域确定为分割mask；其中，每个所述分割mask与所述髋关节图像一一对应；将每个所述髋关节图像及其对应的分割mask的图像格式均转换为PNG格式；将所有转换为PNG格式的髋关节图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集。3.根据权利要求2所述的髋关节分割方法，其特征在于，在将所有转换为PNG格式的髋关节图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集之后，所述方法还包括：利用所述训练集对所述改进后的LadderNet网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述髋关节分割模型。4.根据权利要求3所述的髋关节分割方法，其特征在于，所述利用所述训练集对所述改进后的LadderNet网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述髋关节分割模型，包括：在模型训练过程中，设置训练的batch_size为64；设置初始化学习率为1e
‑
4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；设置优化器为Adam优化器；设置损失函数为DICEloss；设置每迭代1000次，对所述训练集和所述验证集做一次验证，通过早停法来判断网络训练停止时间，并得到所述髋关节分割模型。5.根据权利要...
【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：张逸凌，
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。