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】
本专利技术涉及医学图像分割与特征点定位领域,尤其是涉及一种基于深度学习的儿童发育性髋关节发育不良辅助诊断系统。
技术介绍
1、儿童发育性髋关节发育不良(developmental dysplasia of the hip,ddh)是新生儿中相对常见的疾病,发生率约为每千名新生儿中有1至5例。患儿的髋关节长期受到异常应力可能导致其解剖结构发生改变,加速关节软骨的退化。在股骨部分脱位情况下,股骨头仅与髋臼外上缘接触,使软骨和盂唇不得不承受原本应分布在整个髋关节的力的冲击,使得髋臼外上缘变得圆钝或有缺损,加剧股骨头与髋臼的错位,最终导致骨关节炎的早发性病变、骨骼畸形及下肢功能障碍。股骨完全脱位的患儿,其髋臼缺乏来自股骨头适当的力学刺激,会导致髋臼骨质发育受限。髋关节脱位也可能造成全身性姿态与步态的异常,引发运动障碍,对患者的生活质量产生持久的负面影响。因此,异常的髋臼和股骨形态使得发育性髋关节发育不良的诊断变得愈发复杂。
2、深度学习正朝着精准诊断和个性化治疗方向快速推进。近年来,深度学习不仅仅用于医学成像报告生成、乳腺癌筛查与诊断等细分应用场景,更逐渐扩展至临床决策支持、药物研发、个体化治疗以及远程医疗等多方面。特别是在基于深度学习的算法中,系统能够处理和分析海量数据,挖掘出传统方法难以发现的潜在病理特征,同时也可以通过主动学习或交互式分割解决稀缺标签及弱标签造成的数据限制。深度学习还在推动医学研究的创新,通过整合基因组数据、影像数据和电子病历,实现跨领域、多维度的数据分析,进而提升诊疗效果。
3、深度学习在
4、在深度学习模型的帮助下,儿童发育性髋关节发育不良的诊断也逐步向半自动化甚至全自动化发展。深度学习技术正在逐步优化和重塑发育性髋关节发育不良的诊断流程,为更高效的医疗服务提供坚实的技术支持。但尚未有针对儿童发育性髋关节发育不良影像质控与诊断的全自动化系统被提出并且针对患儿开展持续而细致的评估,以最大程度地降低“晚期”脱位的潜在风险。
5、随着人们对儿童健康的关注度不断加强,初生儿童的疾病筛查需求也日益增加,医疗资源匮乏的现状也变得愈发严重。因此,迫切需要引入全自动化的影像质控与诊断方案,以缓解因体位误差和医疗资源不足导致的诊断不准确,提升诊断的一致性与可靠性。
技术实现思路
1、本专利技术提供了一种基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,可实现儿童发育性髋关节发育不良的快速、准确的影像质控与分级诊断。
2、一种基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序,所述的计算机存储器中存储有训练好的实例分割模型和特征点定位模型;
3、所述的实例分割模型用于从儿童骨盆影像中分割出双侧闭孔和髂骨;
4、所述的特征点定位模型通过多尺度特征提取,用于从儿童骨盆影像中精确定位8个髋关节特征点,包括左右两侧的髋臼内缘、髋臼上外缘、股骨头干骺端中点以及股骨头骨化中心;
5、所述计算机处理器执行所述计算机程序时实现以下步骤:
6、将待诊断的儿童骨盆影像输入训练好的实例分割模型,分割出双侧闭孔和髂骨;基于分割结果,获得闭孔和髂骨的最大横径、面积,并进一步计算闭孔和髂骨的旋转指数、面积比,以判断骨盆影像的对称性;如果判定骨盆影像对称,则符合质控标准;质控流程结束后,选择将符合质控标准的影像或全部影像送入特征点定位模型进行特征点检测及ihdi分级。
7、进一步地,所述的实例分割模型的结构如下:
8、通过特征金字塔网络fpn对不同尺度的儿童骨盆影像进行多层次特征提取,生成具有空间信息的特征图;特征图生成后,通过区域提议网络rpn生成候选区域框,用于标识影像中潜在的目标区域;候选框和特征图被输入到roialign层,进行空间变换和池化操作,输出包括像素级分割掩膜、类别预测和边界框预测在内的结果,用于精确区分影像中的双侧闭孔和髂骨。
9、对实例分割模型的进行训练时,构建儿童发育性髋关节发育不良的分割质控数据集,采用端到端的方式,实例分割模型采用imagenet预训练模型参数固定最底两层进行微调;
10、在网络优化过程中,采用随机梯度下降,对多任务损失函数l进行优化,公式如下:
11、l=lcls+lbox+lmask
12、其中,lcls是分类损失,lbox是边框损失,lmask是掩膜损失,在网络优化中引入两阶段的学习率调整策略。
13、进一步地,所述的特征点定位模型采用多分辨率子网络并行堆叠的架构,输入的儿童骨盆影像首先经过两个卷积核为3×3、步距为2的卷积层处理,每次卷积操作后进行批量归一化和relu激活;经过两次卷积后,特征图的空间分辨率下采样至原始影像的四分之一;
14、经过两个卷积层处理后的特征图再依次进入bottleneck模块和过渡层结构;其中,过渡层结构包括三个过渡层,每个过渡层中都增加一个新的尺度分支来捕获不同尺度的特征;
15、每个尺度分支首先通过2个basic block与2个basic-sablock,逐层提取当前尺度下的影像特征;接着,各分支之间通过特征交互实现跨尺度信息的整合;最终,第三个过渡层的输出进行尺度融合,将所有不同尺度的特征相加后通过relu激活,生成融合后的多尺度输出。
16、每个过渡层中都增加一个新的尺度分支来捕获不同尺度的特征,具体包括:
17、第一个过渡层利用bottleneck模块的输出,通过两个并行的3×3卷积操作,分别生成下采样4倍和下采样8倍的特征图;第二个过渡层中,基于已下采样至8倍的特征图,利用卷积核大小为3x3、步距为2的卷积操作,增加一个下采样16倍的特征图;在第三个过渡层中,基于已下采样至16倍的特征图,通过卷积核为3x3、步距为2的卷积操作,进一步增加一个下采样32倍的特征图。
18、所述的basic-sa block包括两个卷积层与一个simam模块,具体结构如下:
19、特征图首先经过第一个卷积层的处理,该卷积层的卷积核大小为3×3、步长为1,并使用填充设置为1;第一层卷积操作完成后,输出特征图本文档来自技高网...
【技术保护点】
1.一种基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序,其特征在于,所述的计算机存储器中存储有训练好的实例分割模型和特征点定位模型;
2.根据权利要求1所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,所述的实例分割模型的结构如下:
3.根据权利要求2所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,对实例分割模型的进行训练时,构建儿童发育性髋关节发育不良的分割质控数据集,采用端到端的方式,实例分割模型采用ImageNet预训练模型参数固定最底两层进行微调;
4.根据权利要求1所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,所述的特征点定位模型采用多分辨率子网络并行堆叠的架构,输入的儿童骨盆影像首先经过两个卷积核为3×3、步距为2的卷积层处理,每次卷积操作后进行批量归一化和ReLU激活;经过两次卷积后,特征图的空间分辨率下采样至原始影像的四分之一;
5.根据权利要求4所述的基于
6.根据权利要求4所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,所述的Basic-SA Block包括两个卷积层与一个SimAM模块,具体结构如下:
7.根据权利要求6所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,最小化能量函数的公式为:
8.根据权利要求4所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,对特征点定位模型进行训练时,构建儿童发育性髋关节发育不良的特征点定位数据集,采用端到端的方式,特征点定位模型采用CoCo预训练模型参数进行微调;
...【技术特征摘要】
1.一种基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序,其特征在于,所述的计算机存储器中存储有训练好的实例分割模型和特征点定位模型;
2.根据权利要求1所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,所述的实例分割模型的结构如下:
3.根据权利要求2所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,对实例分割模型的进行训练时,构建儿童发育性髋关节发育不良的分割质控数据集,采用端到端的方式,实例分割模型采用imagenet预训练模型参数固定最底两层进行微调;
4.根据权利要求1所述的基于深度学习的儿童发育性髋关节发育不良辅助诊断系统,其特征在于,所述的特征点定位模型采用多分辨率子网络并行堆叠的架构,输入的儿童骨盆影像首先经过两个卷积核为3×3、步距为2的卷积层...
【专利技术属性】
技术研发人员:俞刚,蒋仁杰,齐国强,袁贞明,吴英飞,赵国强,
申请(专利权)人:浙江大学,
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。