【技术实现步骤摘要】
本专利技术涉及医学图像的处理技术，特别涉及一种在医学图像中进行肋骨骨折检测的方法、系统及计算机可读存储介质。
技术介绍
1、肋骨骨折在胸部钝性和穿透性创伤中较为常见。相较传统的x线平片，通过计算机断层扫描(ct)、磁共振成像(mri)等方式获取的三维医学图像，可以提供更丰富的影像学信息。目前常见的方式下，临床医师直接通过医疗影像存储与传输系统的查看器进行阅片，可以调整图像的对比度，滚动浏览轴向切片，寻找与肋骨相关的模式来对骨折进行定性，报告受影响的肋骨、骨折的类型及相对位置等信息。然而，由于肋骨数量多而形态不规则，需要医师从采集到的大量图像中观察肋骨骨折，工作量大，而且诊断结论依靠个人经验给出，容易有误诊或漏诊的风险。
技术实现思路
1、本专利技术的目的在于提供一种在医学图像中进行肋骨骨折检测的方法、系统及计算机可读存储介质，结合多种图像处理和人工智能技术，对医学图像中存在的肋骨骨折进行自动检测。
2、本专利技术的一个技术方案在于提供一种在医学图像中进行肋骨骨折检测的方法，其包括：
3、接收医学图像；
4、使用标记检测算法，对所述医学图像中的解剖结构进行解析，确定所述医学图像中的肋骨区域；
5、使用第一个深度神经网络，在所述医学图像的肋骨区域中分割肋骨；
6、使用第二个深度神经网络，根据肋骨分割的结果对所述医学图像中的肋骨骨折区域进行分割。
7、本方案中，通过标记检测算法先对解剖结构解析，可以将计算资源集中在确
8、可选地，使用所述标记检测算法，在医学图像上对解剖结构进行解析，得到解剖标志的位置信息；
9、使用所述标记检测算法时，包括：
10、经过训练的人工智能体，基于最佳动作值函数近似器来执行一组用于将状态空间朝向医学图像中的解剖标志移动并使累积未来奖励值最大化的动作；
11、所述状态空间定义为解剖标志的候选位置及候选位置周围的固定区域；
12、所执行的一组动作，是从预先确定的动作集中选择的；所述动作集中的动作包括：用于改变状态空间的焦点位置的一个或多个参数动作，和用于改变状态空间的分辨率的一个或多个尺度缩放动作；根据动作执行后状态空间与解剖标志的接近程度，为动作集中的每个动作设置有相应的奖励值；
13、所执行的一组动作中，包括至少一个尺度缩放动作。
14、本方案中，将目标对象的外观和搜索策略的建模作为统一的行为任务，由人工智能体自动执行，通过与图像的封闭环境重复交互进行特征提取，累积的奖励变化量化了人工智能体的行为，便于其优化动作选择。所公开的实施例中，既实现了通过强化学习来优化行为学习的执行，又实现了通过深度学习进行有效的分层特征提取的优点。
15、可选地，经过训练的人工智能体所执行的一组动作中，包括多个尺度缩放动作，对应于将状态空间的分辨率逐级提高的多个尺度；每个尺度下搜索到解剖标志时的收敛点，作为在下一个尺度进行搜索时的起始位置；分辨率最低一级的尺度下，是从任意位置或指定位置开始搜索的。
16、本方案中，通过执行尺度缩放动作来提供具有不同大小和分辨率的搜索窗口；使人工代理在搜索目标对象时获得不同的视场，有效地提高了检测的速度和准确性。
17、可选地，所述第一个深度神经网络是第一图像到图像神经网络；经过训练的第一图像到图像神经网络，基于向其输入的对应于肋骨区域的图像，生成用于分割肋骨的肋骨分割掩模。
18、本方案中，可以直接向图像到图像神经网络输入图像来进行分割处理，不需要预先指定特征，提高了检测效率；并且，可以利用同一网络同时进行多种不同的分割任务(多标签分割)，或者通过修改网络架构或训练方法来适应不同的数据集和任务。
19、可选地，所述第一图像到图像神经网络的训练，包括将所述第一图像到图像神经网络作为第一生成器与第一鉴别器一起进行对抗性训练；第一鉴别器用于对第一生成器根据训练图像产生的预测肋骨分割掩模和地面真实肋骨分割掩模进行区分；
20、通过学习第一生成器和第一鉴别器的损失权重，以最小化第一图像到图像神经网络具有的第一损失函数，来降低第一分割损失，增加预测肋骨分割掩模被第一鉴别器负向分类的概率，并增加地面真实肋骨分割掩模被第一鉴别器正向分类的概率；所述第一分割损失是预测肋骨分割掩模和地面真实肋骨分割掩模之间的二值交叉熵。
21、本方案在训练过程中，采用对抗性网络来对图像到图像神经网络输出的预测样本和真实样本进行区分，实现了良好的分割质量和更快的处理速度。
22、可选地，所述第二个深度神经网络是第二图像到图像神经网络；经过训练的第二图像到图像神经网络，输入有所接收的医学图像，和第一个深度神经网络在所述医学图像的肋骨区域中分割肋骨得到的肋骨分割掩模；
23、根据所述肋骨分割掩模对具有第二损失函数的第二图像到图像神经网络的损失权重进行调整，使肋骨区域外的损失值为0；使用损失权重调整后的图像到图像神经网络基于所接收的医学图像，生成用于分割肋骨骨折的骨折分割掩模。
24、可选地，第二图像到图像神经网络的训练，包括将所述第二图像到图像神经网络作为第二生成器与第二鉴别器一起进行对抗性训练；第二鉴别器用于对第二生成器根据训练图像产生的预测骨折分割掩模和地面真实骨折分割掩模进行区分；训练期间，使用地面真实肋骨分割掩模对第二图像到图像神经网络的第二损失函数的损失权重进行调整，使肋骨区域外的损失值为0；
25、通过学习第二生成器和第二鉴别器的损失权重，以最小化第二损失函数，来降低第二分割损失，增加预测骨折分割掩模被第二鉴别器负向分类的概率，并增加地面真实骨折分割掩模被第二鉴别器正向分类的概率；所述第二分割损失是第二图像到图像神经网络根据训练图像生成的预测的骨折分割掩模和地面真实骨折分割掩模之间的二值交叉熵。
26、本方案中，通过肋骨分割掩模调整第二图像到图像神经网络的损失权重，这样可以专注于处理肋骨区域内的特征和细节，提高检测的准确性，并且可以忽略掉肋骨区域外的噪声、干扰等因素对训练和分割任务的影响，避免为压制假阳性而浪费计算资源，提高了检测和训练时的效率。
27、可选地，所述第一图像到图像神经网络与第二图像到图像神经网络具有相同的、用于提取特征的主干网络；所述主干网络具有卷积编码器-解码器架构，包括多个编码器、多个解码器，和将至少一部分解码器与相应的输出层连接的多个分支；
28、每个分支的输出通道的尺寸与所在图像到图像神经网络的输入图像的大小匹配；所有分支对应的输出层的特征拼接并输入到一个最终输出层；所在图像到图像神经网络的分割损失，对应于所有分支的输出层和最终输出层的损失项的加权。本方案中，基于深度监督网络可以提高图像到图像神经网络的性能，实现良好的边界检测和分割结果。
29、可选地，所本文档来自技高网...
【技术保护点】
1.一种在医学图像中进行肋骨骨折检测的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，
3.如权利要求2所述的方法，其特征在于，
4.如权利要求1所述的方法，其特征在于，
5.如权利要求4所述的方法，其特征在于，
6.如权利要求4所述的方法，其特征在于，
7.如权利要求6所述的方法，其特征在于，
8.如权利要求6所述的方法，其特征在于，
9.如权利要求1所述的方法，其特征在于，所述方法还包括：
10.如权利要求1所述的方法，其特征在于，所述方法还包括：
11.如权利要求1所述的方法，其特征在于，
12.一种在医学图像中进行肋骨骨折检测的系统，其特征在于，
13.一种计算机可读存储介质，其存储有计算机程序指令，其特征在于，
【技术特征摘要】
1.一种在医学图像中进行肋骨骨折检测的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，
3.如权利要求2所述的方法，其特征在于，
4.如权利要求1所述的方法，其特征在于，
5.如权利要求4所述的方法，其特征在于，
6.如权利要求4所述的方法，其特征在于，
7.如权利要求6所述的方法，其特征在于，
<...【专利技术属性】
技术研发人员：G·沙班，乔纳森·斯佩尔，S·格比克，付玮琳，徐宙冰，
申请(专利权)人：西门子数字医疗科技上海有限公司，
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。