System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,尤其涉及一种骨科疾病辅助检测方法、装置、设备及介质。
技术介绍
1、目前,骨科疾病种类繁多,如可以包括骨折、骨赘、关节炎、骨质疏松等多种类型,这些疾病可能发生在人体的四肢、脊柱、髋部等部位,尤其对于微小骨折、骨赘等不易被发现的骨科疾病类型,若通过骨骼图像诊断骨科疾病通常需要经验丰富的医生进行深入分析,耗时费力。
2、因此,如何辅助医生对骨科疾病进行有效诊断成为了亟待解决的问题。
技术实现思路
1、鉴于以上内容,有必要提供一种骨科疾病辅助检测方法、装置、设备及介质,旨在解决骨科疾病诊断耗时耗力的问题。
2、一种骨科疾病辅助检测方法,所述骨科疾病辅助检测方法包括:
3、响应于骨科疾病辅助检测指令,解析所述骨科疾病辅助检测指令得到待处理图像;
4、调取预先训练的骨科疾病辅助检测模型;其中,所述骨科疾病辅助检测模型包括图像特征学习模块、特征增强模块及预测模块;
5、利用所述图像特征学习模块对所述待处理图像进行特征提取,得到图像特征;
6、利用所述特征增强模块对所述图像特征进行增强处理,得到增强特征;
7、将所述增强特征输入至所述预测模块,并根据所述预测模块的输出数据确定所述待处理图像中骨科疾病的预测类型及预测位置;
8、根据所述预测类型及所述预测位置生成骨科疾病辅助检测报告,并将所述骨科疾病辅助检测报告发送至所述骨科疾病辅助检测指令的触发者。
9、根据本专利技
10、获取所述骨科疾病辅助检测模型中骨干网络输出的特征数量作为目标数量;
11、将所述待处理图像输入至所述图像特征学习模块进行特征学习,得到所述目标数量个层级的所述图像特征。
12、根据本专利技术优选实施例,所述利用所述特征增强模块对所述图像特征进行增强处理,得到增强特征包括:
13、利用所述特征增强模块由所述图像特征中的高层级特征向低层级特征传递语义信息,得到至少一个语义增强特征;
14、利用所述特征增强模块融合所述至少一个语义增强特征,并由所述低层级特征向所述高层级特征传递位置信息,得到所述增强特征。
15、根据本专利技术优选实施例,所述利用所述特征增强模块由所述图像特征中的高层级特征向低层级特征传递语义信息,得到至少一个语义增强特征包括:
16、获取所述图像特征其中,fm表示第m层级的图像特征,m表示所述目标数量;
17、采用下述公式由所述高层级特征向所述低层级特征传递语义信息,得到所述语义增强特征
18、
19、
20、其中,fm-1表示第m-1层级的语义增强特征;fm表示第m层级的语义增强特征;conv表示卷积运算;up表示上采样运算;wm,m-1表示自适应融合第m层级的图像特征fm与第m-1层级的图像特征fm-1时fm的权重;wm-1,m-1表示自适应融合fm与fm-1时fm-1的权重;wm+1,m表示自适应融合第m+1层级的语义增强特征fm+1与fm时fm+1的权重;wm,m表示自适应融合fm+1与fm时fm的权重;∈表示为了归一化融合特征的常数。
21、根据本专利技术优选实施例,所述利用所述特征增强模块融合所述至少一个语义增强特征,并由所述低层级特征向所述高层级特征传递位置信息,得到所述增强特征包括:
22、采用下述公式对所述语义增强特征与所述图像特征进行融合,并由所述低层级特征向所述高层级特征传递位置信息,得到所述增强特征
23、
24、
25、
26、其中,p1表示第1层级的增强特征;pm表示第m层级的增强特征;pm表示第m层级的增强特征;w21表示自适应融合第1层级的图像特征f1与第2层级的语义增强特征f2时f2的权重;w11表示自适应融合f1与f2时f1的权重;wm-1,m表示自适应融合第m-1层级的增强特征pm-1、fm与fm时pm-1的权重;w′m,m表示自适应融合pm-1、fm与fm时fm的权重;w′m′,m表示自适应融合pm-1、fm与fm时fm的权重;wm-1,m表示自适应融合第m-1层级的增强特征pm-1与fm时pm-1的权重;wm,m表示自适应融合pm-1与fm时fm的权重。
27、根据本专利技术优选实施例,所述预测模块与sparse r-cnn网络的检测头的结构相同;所述将所述增强特征输入至所述预测模块,并根据所述预测模块的输出数据确定所述待处理图像中骨科疾病的预测类型及预测位置包括:
28、从所述增强特征中获取除p1外的其他增强特征作为待处理特征;
29、将所述待处理特征输入至所述预测模块;
30、获取所述预测模块的分类分支的输出数据预测所述预测类型,以及获取所述预测模块的回归分支的输出数据预测所述预测位置。
31、根据本专利技术优选实施例,所述调取预先训练的骨科疾病辅助检测模型前,所述方法还包括:
32、获取基于sparse r-cnn网络构建的初始网络;
33、采用下述公式配置所述初始网络对应的每个候选框的权重:zi=log(xi×yi);其中,zi表示第i个候选框的权重,xi表示第i个候选框的宽,yi表示第i个候选框的高;i为正整数;
34、采用下述公式,根据每个候选框的权重配置归一化的权重项系数:其中,α表示所述权重项系数,nb表示训练时一个批次的样本中候选框的数量,zk表示第k个候选框的权重;
35、采用下述公式,根据所述权重项系数对所述初始网络的初始损失函数进行调整,得到所述初始网络的当前损失函数:ltotal=αlsparse;其中,ltotal表示所述当前损失函数,lsparse表示所述初始损失函数;
36、基于所述当前损失函数对所述初始网络进行训练;
37、当所述当前损失函数达到收敛时停止训练,并将当前得到的模型确定为所述骨科疾病辅助检测模型。
38、一种骨科疾病辅助检测装置,所述骨科疾病辅助检测装置包括:
39、解析单元,用于响应于骨科疾病辅助检测指令,解析所述骨科疾病辅助检测指令得到待处理图像;
40、调取单元,用于调取预先训练的骨科疾病辅助检测模型;其中,所述骨科疾病辅助检测模型包括图像特征学习模块、特征增强模块及预测模块;
41、提取单元,用于利用所述图像特征学习模块对所述待处理图像进行特征提取,得到图像特征;
42、增强单元,用于利用所述特征增强模块对所述图像特征进行增强处理,得到增强特征;
43、预测单元,用于将所述增强特征输入至所述预测模块,并根据所述预测模块的输出数据确定所述待处理图像中骨科疾病的预测类型及预测位置;
本文档来自技高网...【技术保护点】
1.一种骨科疾病辅助检测方法,其特征在于,所述骨科疾病辅助检测方法包括:
2.如权利要求1所述的骨科疾病辅助检测方法,其特征在于,所述图像特征学习模块与Sparse R-CNN网络的骨干网络的结构相同;所述利用所述图像特征学习模块对所述待处理图像进行特征提取,得到图像特征包括:
3.如权利要求2所述的骨科疾病辅助检测方法,其特征在于,所述利用所述特征增强模块对所述图像特征进行增强处理,得到增强特征包括:
4.如权利要求3所述的骨科疾病辅助检测方法,其特征在于,所述利用所述特征增强模块由所述图像特征中的高层级特征向低层级特征传递语义信息,得到至少一个语义增强特征包括:
5.如权利要求4所述的骨科疾病辅助检测方法,其特征在于,所述利用所述特征增强模块融合所述至少一个语义增强特征,并由所述低层级特征向所述高层级特征传递位置信息,得到所述增强特征包括:
6.如权利要求5所述的骨科疾病辅助检测方法,其特征在于,所述预测模块与SparseR-CNN网络的检测头的结构相同;所述将所述增强特征输入至所述预测模块,并根据所述预测模块的输出
7.如权利要求1所述的骨科疾病辅助检测方法,其特征在于,所述调取预先训练的骨科疾病辅助检测模型前,所述方法还包括:
8.一种骨科疾病辅助检测装置,其特征在于,所述骨科疾病辅助检测装置包括:
9.一种计算机设备,其特征在于,所述计算机设备包括:
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的骨科疾病辅助检测方法。
...【技术特征摘要】
1.一种骨科疾病辅助检测方法,其特征在于,所述骨科疾病辅助检测方法包括:
2.如权利要求1所述的骨科疾病辅助检测方法,其特征在于,所述图像特征学习模块与sparse r-cnn网络的骨干网络的结构相同;所述利用所述图像特征学习模块对所述待处理图像进行特征提取,得到图像特征包括:
3.如权利要求2所述的骨科疾病辅助检测方法,其特征在于,所述利用所述特征增强模块对所述图像特征进行增强处理,得到增强特征包括:
4.如权利要求3所述的骨科疾病辅助检测方法,其特征在于,所述利用所述特征增强模块由所述图像特征中的高层级特征向低层级特征传递语义信息,得到至少一个语义增强特征包括:
5.如权利要求4所述的骨科疾病辅助检测方法,其特征在于,所述利用所述特征增强模块融合所述至少一个语义增强特征,并由所述低层级特征向所述高层级特征传...
【专利技术属性】
技术研发人员:郭丽莎,吴艳茹,吴慧钊,王煦涵,张勇振,刘思雨,周子涵,梁艺茹,王雨佳,王佳圆,张开翔,李冰,
申请(专利权)人:河北医科大学,
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。