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() 基于深度学习的X线测量后足力线角的方法及系统技术方案_技高网

基于深度学习的X线测量后足力线角的方法及系统技术方案

技术编号:43617792 阅读:8 留言:0更新日期:2024-12-11 14:59
本发明专利技术公开了一种基于深度学习的X线测量后足力线角的方法及系统,涉及医学检测技术领域。该方法包括:获取并对后足力线位样本图像进行处理,以构建训练数据集;构建卷积神经网络模型,并基于训练数据集对卷积神经网络模型进行训练,以得到最终的卷积神经网络模型;获取并将患者的后足力线位X线片输入到最终的卷积神经网络模型中进行分割处理,输出分割结果;根据分割结果进行解剖轴线拟合,根据解剖轴线计算后足力线角。本发明专利技术可以实现基于X线影像及人工智能辅助诊断对后足畸形进行快速精准的诊断。

【技术实现步骤摘要】

本专利技术涉及医学检测,具体而言,涉及一种基于深度学习的x线测量后足力线角的方法及系统。


技术介绍

1、后足畸形是引起足部疼痛最常见病因之一,后足力线角度是评估后足畸形患者的重要指标之一,其测量方法和准确性对于临床诊断和治疗具有重要意义。影像学检查是评估后足力线角度的主要方法之一。通过x线、ct扫描等影像学手段,可以详细观察踝与后足的骨性结构,从而测量后足力线角度。例如,x线片可以显示踝与后足的骨性结构,而ct及其三维重建技术则能提供更详尽的解剖信息,有助于更准确地评估后足力线角度。此外,改良后的足力线拍摄方法和测量方法,如改良tha法,提高了测量的准确性和可重复性,为临床提供了更可靠的参考依据。

2、影像学是诊断足畸形的重要手段,虽然其也起到了一定的作用,但是目前一般是结合人工测量后足力线角度,其一致性较差。


技术实现思路

1、为了克服上述问题或者至少部分地解决上述问题,本专利技术提供一种基于深度学习的x线测量后足力线角的方法及系统,可以实现基于x线影像及人工智能辅助诊断对后足畸形进行快速精准的诊断。

2、为解决上述技术问题,本专利技术采用的技术方案为:

3、第一方面,本专利技术提供一种基于深度学习的x线测量后足力线角的方法,包括以下步骤:

4、获取并对后足力线位样本图像进行处理,以构建训练数据集;

5、构建卷积神经网络模型,并基于训练数据集对卷积神经网络模型进行训练,以得到最终的卷积神经网络模型;

6、获取并将患者的后足力线位x线片输入到最终的卷积神经网络模型中进行分割处理,输出分割结果;

7、根据分割结果进行解剖轴线拟合,根据解剖轴线计算后足力线角。

8、本方法通过获取大量的样本图像并进行处理,构建一个合理的数据集,并构建有效的卷积神经网络模型,以便后续进行精准高效的图像分割,将后足力线位x线片进行胫骨和跟骨分割,并分别进行解剖轴拟合,最终根据拟合结果计算后足力线角,实现基于x线影像及人工智能辅助诊断对后足畸形进行快速精准的诊断。

9、基于第一方面,进一步地,上述获取并对后足力线位样本图像进行处理,以构建训练数据集的方法包括以下步骤:

10、获取n个后足力线位样本图像,其中:n为大于等于1的自然数;

11、对每个后足力线位样本图像标记i个感兴趣区域轮廓ri,并生成对应的掩膜图像,其中:1≤i≤i,且i为自然数;所述掩膜图像由i个对每一感兴趣区域轮廓ri中坐标点赋予不同代表值i,尺寸与原始的后足力线位样本图像相同的二值化掩膜矩形构成;

12、将n个掩膜图像与n个后足力线位样本图像配对组成训练数据集。

13、基于第一方面,进一步地,上述构建卷积神经网络模型的方法包括以下步骤:

14、构建卷积神经网络模型,并设定卷积神经网络模型的超参数,其中:卷积神经网络模型的输入通道为1,输出通道为1×(i+1),输出分别对应i个感兴趣区域轮廓的检测概率图与背景的检测概率图。

15、基于第一方面,进一步地,上述基于训练数据集对卷积神经网络模型进行训练,以得到最终的卷积神经网络模型的方法包括以下步骤:

16、将训练数据集分为训练集、验证集和测试集;

17、将训练集分批次输入到卷积神经网络模型中进行训练,使用损失函数计算输出图像与掩模图像的差异作为训练误差反馈给卷积神经网络模型,并通过学习算法更新模型参数;

18、每一批次训练结束后,采用验证集对卷积神经网络模型进行性能测试,直至性能测试指标达到预设稳定值,则认定卷积神经网络模型训练完成,并保存为最终的卷积神经网络模型。

19、基于第一方面,进一步地,上述将患者的后足力线位x线片输入到最终的卷积神经网络模型中进行分割处理的方法包括以下步骤:

20、将患者的后足力线位x线片输入到最终的卷积神经网络模型中,基于卷积神经网络模型对后足力线位x线片进行感兴趣区域分割,输出维度为1×(i+1)的分割结果,分割结果包括1个输入通道中与i个感兴趣区域对应的概率图和1个背景概率图。

21、基于第一方面,进一步地,该基于深度学习的x线测量后足力线角的方法,还包括以下步骤:

22、根据预设的概率阈值对概率图进行二值化处理,得到二值化掩膜图像;

23、对于除背景概率图外的第i个感兴趣区域所得到的二值化掩膜图像,保留面积最大的前2个连通域,并保证该2个连通域分别位于输出概率图的垂直平分线两侧,作为输出的第i个感兴趣区域的分割结果。

24、基于第一方面,进一步地,上述根据分割结果进行解剖轴线拟合的方法包括以下步骤:

25、基于i个感兴趣区域的分割结果,分别对前2个连通域计算解剖轴线,以得到第1连通域拟合轴线和第2连通域拟合轴线。

26、第二方面,本专利技术提供一种基于深度学习的x线测量后足力线角的系统,包括训练集构建模块、模型训练模块、图像分割模块以及后足力线角计算模块,其中:

27、训练集构建模块,用于获取并对后足力线位样本图像进行处理,以构建训练数据集;

28、模型训练模块,用于构建卷积神经网络模型,并基于训练数据集对卷积神经网络模型进行训练,以得到最终的卷积神经网络模型;

29、图像分割模块,用于获取并将患者的后足力线位x线片输入到最终的卷积神经网络模型中进行分割处理,输出分割结果;

30、后足力线角计算模块,用于根据分割结果进行解剖轴线拟合,根据解剖轴线计算后足力线角。

31、本系统基于训练集构建模块、模型训练模块、图像分割模块以及后足力线角计算模块等多个模块的配合,通过获取大量的样本图像并进行处理,构建一个合理的数据集,并构建有效的卷积神经网络模型,以便后续进行精准高效的图像分割,将后足力线位x线片进行胫骨和跟骨分割,并分别进行解剖轴拟合,最终根据拟合结果计算后足力线角,实现基于x线影像及人工智能辅助诊断对后足畸形进行快速精准的诊断。

32、第三方面,本申请提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器;当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。

33、第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。

34、本专利技术至少具有如下优点或有益效果:

35、本专利技术提供一种基于深度学习的x线测量后足力线角的方法及系统,通过获取大量的样本图像并进行处理,构建一个合理的数据集,并构建有效的卷积神经网络模型,以便后续进行精准高效的图像分割,将后足力线位x线片进行胫骨和跟骨分割,并分别进行解剖轴拟合,最终根据拟合结果计算后足力线角,实现基于x线影像及人工智能辅助诊断对后足畸形进行快速精准的诊断。

本文档来自技高网...

【技术保护点】

1.一种基于深度学习的X线测量后足力线角的方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于深度学习的X线测量后足力线角的方法,其特征在于,所述获取并对后足力线位样本图像进行处理,以构建训练数据集的方法包括以下步骤:

3.根据权利要求1所述的一种基于深度学习的X线测量后足力线角的方法,其特征在于,所述构建卷积神经网络模型的方法包括以下步骤:

4.根据权利要求1所述的一种基于深度学习的X线测量后足力线角的方法,其特征在于,所述基于训练数据集对卷积神经网络模型进行训练,以得到最终的卷积神经网络模型的方法包括以下步骤:

5.根据权利要求1所述的一种基于深度学习的X线测量后足力线角的方法,其特征在于,所述将患者的后足力线位X线片输入到最终的卷积神经网络模型中进行分割处理的方法包括以下步骤:

6.根据权利要求5所述的一种基于深度学习的X线测量后足力线角的方法,其特征在于,还包括以下步骤:

7.根据权利要求6所述的一种基于深度学习的X线测量后足力线角的方法,其特征在于,所述根据分割结果进行解剖轴线拟合的方法包括以下步骤:

8.一种基于深度学习的X线测量后足力线角的系统,其特征在于,包括训练集构建模块、模型训练模块、图像分割模块以及后足力线角计算模块,其中:

9.一种电子设备,其特征在于,包括:

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

...

【技术特征摘要】

1.一种基于深度学习的x线测量后足力线角的方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于深度学习的x线测量后足力线角的方法,其特征在于,所述获取并对后足力线位样本图像进行处理,以构建训练数据集的方法包括以下步骤:

3.根据权利要求1所述的一种基于深度学习的x线测量后足力线角的方法,其特征在于,所述构建卷积神经网络模型的方法包括以下步骤:

4.根据权利要求1所述的一种基于深度学习的x线测量后足力线角的方法,其特征在于,所述基于训练数据集对卷积神经网络模型进行训练,以得到最终的卷积神经网络模型的方法包括以下步骤:

5.根据权利要求1所述的一种基于深度学习的x线测量后足力线角的方法,其特征在于,所述将患者的后...

【专利技术属性】
技术研发人员:王丽丽方军杰刘晓鸣陈斌张景峰俞学强王狄森
申请(专利权)人:宁波市第二医院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1