基于人工智能的髋关节图像分割方法及系统技术方案

本发明专利技术实施例公开了一种基于人工智能的髋关节图像分割方法及系统，基于人工智能的髋关节图像分割方法包括：获取髋关节医学图像数据集，对所述髋关节医学图像数据集进行预处理得到预处理图像，基于所述预处理图像构建训练集；构建改进VB

【技术实现步骤摘要】
基于人工智能的髋关节图像分割方法及系统


[0001]本专利技术涉及计算机
，具体涉及一种基于人工智能的髋关节图像分割方法及系统。

技术介绍

[0002]在医学图像处理领域中图像分割是非常重要的一项技术，图像分割的过程是将医学图像中感兴趣区域提取出来，分割结果对于术前手术规划、术中导航、术后结果的评估都具有重要的参考价值。
[0003]髋关节三维立体结构通常是对髋关节对应的CT断层图像进行基于人工智能的髋关节图像分割而获得。近年来，人工智能深度学习技术已被成功应用于医学图像处理领域，基于人工智能深度学习技术可以实现病变部位或目标区域的自动识别及分割处理。但是，传统的基于人工智能的髋关节图像分割方法繁琐、耗时且分割精度较差。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种基于人工智能的髋关节图像分割方法及系统，用以解决现有技术中基于人工智能的髋关节图像分割方法繁琐且分割精度较差的问题。
[0005]为实现上述目的，本专利技术实施例提供一种基于人工智能的髋关节图像分割方法，所述方法具体包括：
[0006]获取髋关节医学图像数据集，对所述髋关节医学图像数据集进行预处理得到预处理图像，基于所述预处理图像构建训练集；
[0007]构建改进VB
‑
Net神经网络模型，其中，所述改进VB
‑
Net神经网络模型包括VB
‑
Net神经网络、双向ConvLSTM网络结构以及注意力机制模块；
[0008]将所述训练集输入至所述改进VB
‑
Net神经网络模型进行训练，得到训练好的改进VB
‑
Net神经网络模型；
[0009]基于所述训练好的改进VB
‑
Net神经网络模型对髋关节医学图像进行分割得到分割结果。
[0010]在上述技术方案的基础上，本专利技术还可以做如下改进：
[0011]进一步地，所述对所述髋关节医学图像数据集进行预处理得到预处理图像，包括：
[0012]对所述髋关节医学图像数据集进行标注，提取含有髋关节部分的标签作为标注文件，将所述标注文件和所述髋关节医学图像数据集中髋关节医学图像数据转为图片格式，将转为图片格式的髋关节医学图像数据和对应的转为图片格式的所述标注文件划分为训练集、验证集和/或测试集。
[0013]进一步地，所述通过所述训练集对所述改进VB
‑
Net神经网络模型进行训练得到训练好的改进VB
‑
Net神经网络模型，包括：
[0014]基于所述训练集训练所述改进VB
‑
Net神经网络模型；
[0015]基于所述验证集对训练后的所述改进VB
‑
Net神经网络模型进行性能评估，得到满
足性能条件的改进VB
‑
Net神经网络模型；
[0016]基于所述测试集评估满足性能条件的所述改进VB
‑
Net神经网络模型的分割结果，得到所述改进VB
‑
Net神经网络模型所对应的评价指数。
[0017]进一步地，所述双向ConvLSTM网络结构包括ForwardConvLSTM和BackwordConvLSTM，所述ForwardConvLSTM用于对每一帧的特征图进行前向的时空建模，所述BackwordConvLSTM用于对每一帧的特征图进行后向的时空建模。
[0018]进一步地，所述双向ConvLSTM网络结构添加在VB
‑
Net神经网络的跳跃连接结构中，基于所述双向ConvLSTM网络结构将前向序列和后向序列的最后一个序列输出进行合并操作，作为特征提取模块的输出，基于所述双向ConvLSTM网络结构得到所述预处理图像的时序信息、图像空间信息和局部特征信息。
[0019]进一步地，所述双向ConvLSTM网络结构包括输入门i
t
、输出门o
t
、遗忘门f
t
和记忆单元C
t
；
[0020]通过公式1计算输入门i
t
；
[0021][0022]通过公式2计算遗忘门f
t
；
[0023][0024]通过公式3计算记忆单元C
t
；
[0025][0026]通过公式4计算输出门o
t
；
[0027][0028]通过公式5计算t时间步的隐藏状态张量H
t
；
[0029][0030]其中，*表示卷积操作，表示矩阵的按位置乘法，t代表第t个时间步，X
t
是t时间步的输入张量，H
t
‑1是t
‑
1时间步的隐藏状态张量，C
t
是t时间步的记忆单元张量，W和b分别是指对应张量的卷积核和偏置项，W和b的下标为区分具体的参数位置。
[0031]进一步地，所述注意力机制模块包括若干个卷积层，基于所述卷积层使用不同大小的池化操作，聚合不同区域的上下文信息。
[0032]一种基于人工智能的髋关节图像分割系统，包括：
[0033]获取模块，用于获取髋关节医学图像数据集；
[0034]预处理模块，用于对所述髋关节医学图像数据集进行预处理得到预处理图像，基于所述预处理图像构建训练集；
[0035]构建模块，用于构建改进VB
‑
Net神经网络模型；
[0036]训练模块，用于通过所述训练集对所述改进VB
‑
Net神经网络模型进行训练得到训练好的改进VB
‑
Net神经网络模型；
[0037]所述改进VB
‑
Net神经网络模型用于对髋关节医学图像进行分割得到分割结果；
[0038]其中，所述改进VB
‑
Net神经网络模型是在VB
‑
Net神经网络的基础上引入双向
ConvLSTM网络结构和注意力机制模块；
[0039]三维重建模块，用于基于所述分割结果对所述髋关节医学图像进行三维重建。
[0040]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
[0041]一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
[0042]本专利技术实施例具有如下优点：
[0043]本专利技术中基于人工智能的髋关节图像分割方法，获取髋关节医学图像数据集，对所述髋关节医学图像数据集进行预处理得到预处理图像，基于所述预处理图像构建训练集；构建改进VB
‑
Net神经网络模型；通过所述训练集对所述改进VB
‑
Net神经网络模型进行训练得到训练好的改进VB
‑
Net本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的髋关节图像分割方法，其特征在于，所述方法包括：获取髋关节医学图像数据集，对所述髋关节医学图像数据集进行预处理得到预处理图像，基于所述预处理图像构建训练集；构建改进VB
‑
Net神经网络模型，其中，所述改进VB
‑
Net神经网络模型包括VB
‑
Net神经网络、双向ConvLSTM网络结构以及注意力机制模块；将所述训练集输入至所述改进VB
‑
Net神经网络模型进行训练，得到训练好的改进VB
‑
Net神经网络模型；基于所述训练好的改进VB
‑
Net神经网络模型对髋关节医学图像进行分割得到分割结果。2.根据权利要求1所述基于人工智能的髋关节图像分割方法，其特征在于，所述对所述髋关节医学图像数据集进行预处理得到预处理图像，包括：对所述髋关节医学图像数据集进行标注，提取含有髋关节部分的标签作为标注文件，将所述标注文件和所述髋关节医学图像数据集中髋关节医学图像数据转为图片格式，将转为图片格式的髋关节医学图像数据和对应的转为图片格式的所述标注文件划分为训练集、验证集和/或测试集。3.根据权利要求2所述基于人工智能的髋关节图像分割方法，其特征在于，所述通过所述训练集对所述改进VB
‑
Net神经网络模型进行训练得到训练好的改进VB
‑
Net神经网络模型，包括：基于所述训练集训练所述改进VB
‑
Net神经网络模型；基于所述验证集对训练后的所述改进VB
‑
Net神经网络模型进行性能评估，得到满足性能条件的改进VB
‑
Net神经网络模型；基于所述测试集评估满足性能条件的所述改进VB
‑
Net神经网络模型的分割结果，得到所述改进VB
‑
Net神经网络模型所对应的评价指数。4.根据权利要求1所述基于人工智能的髋关节图像分割方法，其特征在于，双向ConvLSTM网络结构包括ForwardConvLSTM和BackwordConvLSTM，所述ForwardConvLSTM用于对每一帧的特征图进行前向的时空建模，所述BackwordConvLSTM用于对每一帧的特征图进行后向的时空建模。5.根据权利要求1所述基于人工智能的髋关节图像分割方法，其特征在于，所述双向ConvLSTM网络结构添加在VB
‑
Net神经网络的跳跃连接结构中，基于所述双向ConvLSTM网络结构将前向序列和后向序列的...

【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：