CN108764241A - 分割股骨近端的方法、装置、计算机设备和存储介质 - Google Patents
分割股骨近端的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108764241A CN108764241A CN201810362198.6A CN201810362198A CN108764241A CN 108764241 A CN108764241 A CN 108764241A CN 201810362198 A CN201810362198 A CN 201810362198A CN 108764241 A CN108764241 A CN 108764241A
- Authority
- CN
- China
- Prior art keywords
- thighbone
- near end
- net
- parted pattern
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000001694 thigh bone Anatomy 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 139
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 238000000638 solvent extraction Methods 0.000 claims abstract description 42
- 210000000689 upper leg Anatomy 0.000 claims abstract description 33
- 241001269238 Data Species 0.000 claims abstract description 26
- 230000003902 lesion Effects 0.000 claims description 50
- 210000000988 bone and bone Anatomy 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 26
- 230000002708 enhancing effect Effects 0.000 claims description 17
- 230000000977 initiatory effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 13
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 51
- 230000000694 effects Effects 0.000 abstract description 18
- 238000005520 cutting process Methods 0.000 abstract description 8
- 230000004888 barrier function Effects 0.000 abstract description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 83
- 230000006870 function Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 20
- 238000005070 sampling Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 8
- 238000013526 transfer learning Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 206010007710 Cartilage injury Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002224 dissection Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000009916 joint effect Effects 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical group OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229960001484 edetic acid Drugs 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请揭示了分割股骨近端的方法、装置、计算机设备和存储介质，其中，分割股骨近端的方法，包括：将股骨的3D MRI图像输入到通过3D U‑net预先训练得到的分割模型中；通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界；根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。本申请通过从3D MRI图像中通过分割模型自动分离出来股骨近端，通过将股骨近端从原图中分离出来，减少诊断干扰信息，极大的提高医生的诊断效率；本申请提出了基于3DU‑net的3D MRI股骨近端分割技术，通过具有深度监督学习效果的3DU‑net网络，利用少量标注样本训练获得了精准的分割模型，实现对3D MRI股骨近端的精准分割，弥补了现有标注的3D MRI图像数据困乏，难以获得精准分割的技术难题。
Description
技术领域
本申请涉及到计算机技术领域，特别是涉及到分割股骨近端的方法、装置、计算机设备和存储介质。
背景技术
近年来，由于计算机硬件水平的提高，深度神经网络技术得到了突飞猛进的发展，深度神经网络技术在图像、文字或音频处理等方面取得了巨大的成果，但在医学领域的还未得到广泛应用。股骨髋臼撞击症是引起成年人臀部疼痛的原因之一，更是被认为是引起软骨损伤的关键因素以及骨关节炎的先兆。由于不会造成放射性危害，MRI诊断现在被作为进行股骨髋臼撞击症诊断的标准工具。但是，现有技术中医生一般会通过分析2D MRI切片图像凭医疗经验进行人工诊断，诊断效率低且诊断误差几率大。因此，如何更精确有效地分离股骨近端成为亟待解决的问题。
发明内容
本申请的主要目的为提供分割股骨近端的方法，旨在解决3D MRI图像中精准分离股骨近端的技术问题。
本申请提出一种分割股骨近端的方法，包括：
将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中；
通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界；
根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
优选地，所述将3D MRI图像输入到通过3D U-net预先训练得到的分割模型中的步骤之前，包括：
在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数；
在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型；
通过将预设的测试集数据输入所述分割模型，判断所述分割模型的准确率是否达到预设阈值；
若达到，则确定所述分割模型满足应用需求。
优选地，所述在所述3D U-net的初始化参数下通过监督学习获取到3DU-net的编码器和解码器分别对应的优化参数的步骤之前，包括：
将C3D的卷积层网络中与所述3D U-net编译器具有相同特征图个数的各层参数迁移至所述3D U-net编译器中作为所述3D U-net的初始化参数。
优选地，所述在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤，包括：
将所述训练集数据输入3D U-net，通过3D U-net的编码器减少池化层的空间维度，定位训练集数据的各像素级；
通过与所述编码器相连的解码器逐步修复所述训练集数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端的分割边界的所述分割模型。
优选地，所述通过与所述编码器相连的解码器逐步修复所述训练数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端分割边界的所述分割模型的步骤，包括：
将所述解码器逐步修复所述训练数据的细节和空间维度之后的输出信息，输入到与各解码器相连的分支网络进行训练；
通过分析所述分支网络的输出结果，获取优化权重参量的所述分割模型。
优选地，所述在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤之前，包括：
将原始3D MRI图像数据以及对原始3D MRI图像数据旋转指定角度后的增强数据组成数据集；
将所述数据集中的每个3D MRI图像数据切割成指定数量和指定大小的子块；
将所有的所述子块随机分为两组，一组作为训练集数据，另一组作为测试集数据。
优选地，所述根据所述分割边界对所述3D MRI图像中的股骨近端进行分割的步骤之后，包括：
获取分割后的股骨近端的病变区域的位置信息以及病变区域的分布信息；
通过分析所述病变区域的位置信息以及病变区域的分布信息，输出股骨髋臼撞击的病症信息。
优选地，所述通过分析所述病变区域的位置信息以及病变区域的分布信息，输出股骨髋臼撞击的病症信息的步骤之后，包括：
将所述病症信息与所述病例的身份信息、确诊反馈信息汇集成诊断股骨髋臼撞击的先验数据库。
优选地，所述将所述病症信息与所述病例的身份信息、确诊反馈信息汇集成诊断股骨髋臼撞击的先验数据库的步骤之后，包括：
在所述先验数据库搜寻与新病症信息相似度最高的历史病症信息；
输出所述历史病症信息对应的确诊反馈信息。
本申请还提供了一种分割股骨近端的装置，包括：
第一输入模块，用于将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中；
识别模块，用于通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界；
分割模块，用于根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种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上述的方法的步骤。
本申请有益技术效果：本申请通过从3D MRI图像中通过分割模型自动分离出来股骨近端，通过将股骨近端从原图中分离出来，减少诊断干扰信息，极大的提高医生的诊断效率；本申请提出了基于3DU-net的3D MRI股骨近端分割技术，通过具有深度监督学习效果的3DU-net网络，利用少量标注样本训练获得了精准的分割模型，实现对3D MRI股骨近端的精准分割，弥补了现有标注的3D MRI图像数据困乏，难以获得精准分割的技术难题；通过汇集病变诊断数据形成先验数据库，辅助提高医生诊断病症的诊断准确度，弥补医生因经验不足而导致诊断准确度不高的缺陷，具有实际应用价值。
附图说明
图1本申请一实施例的分割股骨近端的方法流程示意图；
图2本申请一实施例的分割股骨近端的装置结构示意图；
图3本申请一实施例的分割股骨近端的装置优化结构示意图；
图4本申请一实施例的第二输入模块的结构示意图；
图5本申请一实施例的分类单元的结构示意图；
图6本申请再一实施例的分割股骨近端的装置结构示意图；
图7本申请又一实施例的分割股骨近端的装置结构示意图；
图8本申请又一实施例的分割股骨近端的装置结构示意图；
图9本申请又一实施例的分割股骨近端的装置结构示意图；
图10本申请一实施例的计算机设备内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例的分割股骨近端的方法，包括：
S1：将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中。
本实施例的股骨的3D MRI(Magnetic Resonance Imaging，图像磁共振成像)为通过核磁共振信号进行空间编码的“数字图像”，磁共振信号直接来自于物体本身，磁共振成像可以得到物体任何方向的断层图像、三维体图像，可以重建出物体图像，比如以不同灰度显示不同人体股骨结构的解剖和病理的断面图像。本实施例的3D U-net是分割型网络模型，整个网络呈“U”形，也是网络名为U-net的来源。在“U”字的下行区域属于编辑器，上行区域属于解码器。3D U-net网络是深度监督学习网络，所谓深度监督学习是指：利用一组已知正确答案的样本调整分类器的参数，使其达到所要求性能的过程。对于深度监督学习网络就是利用有标签的数据来学习的网络，被初始化的网络根据预测值与标签的差别不断修改网络中的参数，使网络的预测值越来越接近标签，以达到学习的目的，可利用少量标注样本训练获得了精准的分割模型，实现对股骨的3D MRI股骨近端的精准分割，弥补了现有标注的3DMRI图像数据困乏，难以获得精准分割的技术难题，且训练时间短，降低了模型成本。
S2：通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界。
3D U-net的编辑器各层对输入的3D MRI数据进行卷积和池化，以进行特征提取，解码器各层使用反卷积对提取的特征进行解码得到映射层并输出，映射层的大小与输入图像大小相同，映射层指示出原始3D MRI图的每一部分代表的含义，即分割结果，本实施例通过3D U-net训练的分割模型识别出原始3D MRI图的哪一部分是股骨近端。
S3：根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
本实施例通过3D U-net训练得到分割模型分割3D MRI的股骨近端，使得分割数据的准确率更高，具有较高的实用价值。本实施例通过从3D MRI图像中通过分割模型自动分离出来股骨近端，通过将股骨近端从原图中分离出来，减少诊断干扰信息，极大的提高医生的诊断效率。
进一步地，上述步骤S1之前，包括：
S11：在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数。
本步骤的初始化参数包括随机的初始化参量或优化的初始化参量。本步骤通过监督学习训练3D U-net时，通过权值矩阵判断训练过程是否收敛，当两次迭代之间的权值变化很小，比如变化值小于1％，则认为训练收敛，训练收敛时3D U-net编码器和解码器的参数达到最大优化，以确定优化状态下的网络权重值矩阵，以便输出准确率高的分割模型。
S12：在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型。
本实施例通过由具有详细标注信息的3D MRI图像以及每个3D MRI图像对应的股骨近端的分割边界组成的训练集数据，输入到3D U-net进行训练，以获取到股骨近端边缘的特征的提取方式，以便训练出可以从3D MRI图像中识别股骨近端的分割边界的分割模型。
S13：通过将预设的测试集数据输入所述分割模型，判断所述分割模型的准确率是否达到预设阈值。
本实施例的测试集数据与训练集数据均来自同一样本集且经过同样的数据处理，但测试集数据与训练集无交集。本实施例通过把数据集分为训练集与测试集，在训练集上训练模型，通过测试集来测试模型效果。本实施例中分割模型的准确率通过Dice系数来衡量，Dice系数是集合相似度度量函数，本实施例的Dice系数计算公式为：2*|X∩Y|/(|X|+|Y|)，X是预测区域，Y是图层表面实况，即标注区域(值域范围：0-1)。本实施例的分割模型在测试集上的最终Dice系数达到0.98时，表示测试集与原始标注的训练集重合度非常高。
S14：若达到，则确定所述分割模型满足应用需求。
进一步地，步骤S11之前，包括：
S10：将C3D的卷积层网络中与所述3D U-net编译器具有相同特征图个数的各层参数迁移至所述3D U-net编译器中作为所述3D U-net的初始化参数。
为避免过拟合，训练集数据的集合应该足够大，但训练耗时太长，为了减小训练时间并防止过拟合，本实施例通过迁移学习把C3D(3D convolution，三维卷积网络)的网络参数作为3D U-net编译器的各层参数。C3D网络结构共有8个卷积层，4次池化层。其中卷积核的大小均为3*3*3，池化核的大小为2*2*2。且前6个卷积层的特征图个数(64,128,256,256,512,512)与3DU-net网络中对应编辑器各层的特征图个数(64,128,256,256,512,512)相同，所以卷积层的参数个数相同，通过已经训练好的C3D的卷积层参数初始化3D U-net网络的卷积层，即编码器的各层参数，所以本实施例通过获取C3D模型的前6个卷积层的参数，用于初始化3D U-net网络的编译器的各层参数。本实施例通过已经训练好的C3D的卷积层参数初始化3D U-net网络的卷积层的过程为迁移学习过程，本实施例C3D网络与3D U-net网络的训练过程中使用的数据不同。本实施例通过迁移学习在保证训练效果的同时可以减少训练时间，通过迁移学习训练的网络模型相比于通过随机初始化的方式初始化整个网络的训练效果更优化。
进一步地，上述步骤S12，包括：
S120：将所述训练集数据输入3D U-net，通过3D U-net的编码器减少池化层的空间维度，定位训练集数据的各像素级。
本实施例的编码器是一个特征图尺寸逐渐收缩、通道数逐渐增加的全卷积神经网络结构，可以接收任意尺寸的输入图像，卷积层和池化层交替工作，用来捕捉上下图层的信息，并逐步对特征图进行下采样，以恢复图像大小。在网络训练向前传播的过程中，编码器逐渐收缩，以减少池化层的空间维度，通过池化层扩大了感受野，定位训练集数据的各像素级。本实施例的卷积层均优选使用3*3*3卷积核，最大池化层均使用2*2*2池化核。本申请其他实施例中卷积核与池化核的大小可调，在不同的网络中可以不同，同一网络中的不同卷积层和池化层也可以不同。
S121：通过与所述编码器相连的解码器逐步修复所述训练集数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端的分割边界的所述分割模型。
本实施例的解码器是一个与编码器具有对称的结构，其特征图尺寸逐渐扩张，通道数逐渐减少，逐步修复物体的细节和空间维度，并通过对特征图进行上采样，逐步恢复高分辨率的图片细节。本实施例的编码器的池化层虽然扩大了感受野但造成了位置信息的丢失，像素级分类要求保留位置信息。本实施例的编码器和解码器之间通常存在跳跃连接，跳跃连接能够将低层次的特征图和高层次的特征图结合起来，能帮助解码器更好地修复目标的细节，有利于像素级的分类。在上采样部分，大量的特征通道能向更高分辨率的层传送上下图层信息，从而对每个像素都产生了一个预测，同时对最后一个卷积层的特征图进行上采样,使它恢复到输入图像相同的尺寸，同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行像素分类，进而识别股骨近端的分割边界。
进一步地，上述步骤S121，包括：
S1210：将所述解码器逐步修复所述训练数据的细节和空间维度之后的输出信息，输入到与各解码器相连的分支网络进行训练。
本实施例通过3D U-net在卷积训练过程中输入训练集数据的图像经过卷积核、池化核之后会图像尺寸变小，需要通过反卷积进行上采样，得到与原图一样大小的映射层，但上采样倍数越大会丢失越多的细节，所以需要将不同层的不同上采样的结果进行综合来得到最后的结果，本实施例通过下层输出层L，中层输出层M和上层输出层U的三个输出分别代表在不同上采样倍数下的结果。比如输入图像大小是64*64*64，在下层输出层L之前的大小是16*16*16，需要进行4倍的上采样才能获取原图大小，而在中层输出层M之前的大小是32*32*32，需要进行2倍的上采样才能获取原图大小。本实施例的解码器各层的输出，都分别作为一个分支网络的输入，分支网络最终分别得到下层输出层L，中层输出层M和上层输出层U的三个输出。以便通过三个输出的交叉熵损失函数来表示3D U-net的损失函数，以便进一步优化整个3DU-net网络权重，使抽象表述更准确、更接近全局最优，取得更好的分割效果。
S1211：通过分析所述分支网络的输出结果，获取优化权重参量的所述分割模型的。
本实施例的3D U-net的损失函数定义为分支网络的三个输出交叉熵损失函数的加和，具体形式如下：
其中，W是3D U-net的主网络的权重，ωl,ωm,ωu分别是分支网络的下层输出层L，中层输出层M和上层输出层U的权重，χ代表训练数据，是进一步避免过拟合的正则项。本实施例的损失函数越大说明差别越大，损失函数越小差别越小。本实施例通过主网络的权重与分支网络的权重共同作用于损失函数，上述损失函数收敛时获取分割模型的优化权重参量，即上述损失函数收敛时对应的主网络的权重与分支网络的权重。本实施例的3D U-net的损失函数定义为分支网络的三个输出交叉熵损失函数的加和，使主网络的权重与分支网络的权重共同影响着损失函数的大小，影响着分割模型预测得到的股骨近端的分割边界与训练集中输入的已知股骨近端的分割边界的差距。上述公式中c∈{l,m,u}，即c是一个指代符，指代{l,m.u}中的一个，写在求和符号Σ下面表示，把c为取值为{l,m,u}三个的值进行求和。即下述公式
等价于：
进一步地，本申请再一实施例中，步骤S12之前，包括：
S122：将原始3D MRI图像数据以及对原始3D MRI图像数据旋转指定角度后的增强数据组成数据集。
本实施例使用少量的标注样本进行分割模型训练，为防止过拟合的发生，对原始数据进行了增强操作。本实施例通过对原始数据进行旋转指定角度进行数据增强。举例地，对原始数据进行(90度、180度、270度)旋转，因为90度、180度、270度均匀分布在0-360度，通过旋转此三个角度，使增强数据均匀变化。
S123：将所述数据集中的每个3D MRI图像数据切割成指定数量和指定大小的子块。
本步骤通过从增强数据集的每个图片中随机切割子块作为训练集数据，本实施例中每个图片中随机切割出多个64*64*64的子块，并选出10个作为训练集数据。
S124：将所有的所述子块随机分为两组，一组作为训练集数据，另一组作为测试集数据。
举例地，原始图像共10个，做三个角度数据旋转增强之后变为30个图像，每个图像切出10个作为训练集数据，则训练集数据总共有300个。本申请其他实施例将上述训练集数据标准化到均值为0、方差为1。本实施例通过数据标准化也称为归一化，将不同量纲和不同数量级大小的数据变成可以相互进行数学计算和具有可比性的数据，归一化使得数据在各个维度的分布比较接近，能够适当扩大数据差异，加速模型训练过程的收敛。本实施例的均值为0方差为1的计算过程如下：比如一组数据为：
X:{x1,x2,x3,.....,xn}，设其平均值为：E(X)＝μ，设其方差为：D(X)＝σ2，那么经过变换：y＝(x-μ)/σ，得到的新变量：Y:{y1,y2,y3,......yn}的均值为0、方差为1。
进一步地，本申请又一实施例中，步骤S3之后，包括：
S30：获取分割后的股骨近端的病变区域的位置信息以及病变区域的分布信息。
本实施例的病变区域的位置信息以及病变区域的分布信息，通过预训练的病变区域分割模型识别病变区域的边缘信息获得。病变区域的位置信息可通过位于股骨近端的坐标信息获得，病变区域的分布信息包括病变区域的数量、各病变区域的位置信息的相对关系等，比如，病变位置为髋臼处，病变区域的分布信息为一个病变区域，具体为髋臼过度覆盖且髋臼窝加深；再比如，病变位置为股骨头颈交区，病变区域的分布信息为一个病变区域，具体为股骨头颈交区存在突起等。
S31：通过分析所述病变区域的位置信息以及病变区域的分布信息，输出股骨髋臼撞击的病症信息。
比如：髋臼过度覆盖且髋臼窝加深，则表示盂唇撕裂、软骨损伤易发生于前上、后下部等病症信息。本步骤可以通过预先建立的分析模型来获取分割后的股骨髋臼撞击的病症信息，分析模型的网络结构包括但不限于卷积神经网络、全卷积神经网络或U-net。
进一步地，本申请又一实施例中，步骤S31之后，包括：
S32：将所述病症信息与所述病例的身份信息、确诊反馈信息汇集成诊断股骨髋臼撞击的先验数据库。
本步骤的身份信息包括但不限于性别、年龄、运动喜好等，所述的确诊反馈信息包括但不限于髋臼异常、股骨头异常等，所述病症信息包括各病症信息分别对应的特征矩阵。本实施例通过形成先验数据库，以提高类似病症的再次诊断效率和诊断精准度。
进一步地，本申请又一实施例中，步骤S32之后，包括：
S33：在所述先验数据库搜寻与新病症信息相似度最高的历史病症信息。
本步骤通过比较分析模型输出的新输出病症信息的特征矩阵和先验数据库中各病症信息的特征矩阵的相似度，实现相似病症的诊断。
S34：输出所述历史病症信息对应的确诊反馈信息。
本实施例通过将先验数据库结合影像分割模型，推广到现实的自动化病症诊断中，提高医生的诊断效率和准确性。
本实施例通过从3D MRI图像中通过分割模型自动分离出来股骨近端，通过将股骨近端从原图中分离出来，减少诊断干扰信息，极大的提高医生的诊断效率；本申请提出了基于3DU-net的3D MRI股骨近端分割技术，通过具有深度监督学习效果的3DU-net网络，利用少量标注样本训练获得了精准的分割模型，实现对3D MRI股骨近端的精准分割，弥补了现有标注的3D MRI图像数据困乏，难以获得精准分割的技术难题；通过汇集病变诊断数据形成先验数据库，辅助提高医生诊断病症的诊断准确度，弥补医生因经验不足而导致诊断准确度不高的缺陷，具有实际应用价值。
参照图2，本申请一实施例的分割股骨近端的装置，包括：
第一输入模块1，用于将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中。
本实施例的3D MRI(Magnetic Resonance Imaging，图像磁共振成像)为通过核磁共振信号进行空间编码的“数字图像”，磁共振信号直接来自于物体本身，磁共振成像可以得到物体任何方向的断层图像、三维体图像，可以重建出物体图像，比如以不同灰度显示不同人体股骨结构的解剖和病理的断面图像。本实施例的3D U-net是分割型网络模型，整个网络呈“U”形，也是网络名为U-net的来源。在“U”字的下行区域属于编辑器，上行区域属于解码器。3DU-net网络是深度监督学习网络，所谓深度监督学习是指：利用一组已知正确答案的样本调整分类器的参数，使其达到所要求性能的过程。对于深度监督学习网络就是利用有标签的数据来学习的网络，被初始化的网络根据预测值与标签的差别不断修改网络中的参数，使网络的预测值越来越接近标签，以达到学习的目的，可利用少量标注样本训练获得了精准的分割模型，实现对股骨的3D MRI股骨近端的精准分割，弥补了现有标注的3DMRI图像数据困乏，难以获得精准分割的技术难题，且训练时间短，降低了模型成本。
识别模块2，用于通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界。
3D U-net的编辑器各层对输入的3D MRI数据进行卷积和池化，以进行特征提取，解码器各层使用反卷积对提取的特征进行解码得到映射层并输出，映射层的大小与输入图像大小相同，映射层指示出原始3D MRI图的每一部分代表的含义，即分割结果，本实施例通过3D U-net训练的分割模型识别出原始3DMRI图的哪一部分是股骨近端。
分割模块3，用于根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
本实施例通过3D U-net训练得到分割模型分割3D MRI的股骨近端，使得分割数据的准确率更高，具有较高的实用价值。本实施例通过从3D MRI图像中通过分割模型自动分离出来股骨近端，通过将股骨近端从原图中分离出来，减少诊断干扰信息，极大的提高医生的诊断效率。
参照图3，本实施例的分割股骨近端的装置，包括：
第一获取模块11，用于在所述3D U-net的初始化参数下通过监督学习获取到3DU-net的编码器和解码器分别对应的优化参数。
本实施例的初始化参数包括随机的初始化参量或优化的初始化参量。本实施例通过监督学习训练3D U-net时，通过权值矩阵判断训练过程是否收敛，当两次迭代之间的权值变化很小，比如变化值小于1％，则认为训练收敛，训练收敛时3D U-net编码器和解码器的参数达到最大优化，以确定优化状态下的网络权重值矩阵，以便输出准确率高的分割模型。
第二输入模块12，用于在所述优化参数下，将预设训练集数据输入3DU-net训练所述分割模型。
本实施例通过由具有详细标注信息的3D MRI图像以及每个3D MRI图像对应的股骨近端的分割边界组成的训练集数据，输入到3D U-net进行训练，以获取到股骨近端边缘的特征的提取方式，以便训练出可以从3D MRI图像中识别股骨近端的分割边界的分割模型。
判断模块13，用于通过将预设的测试集数据输入最佳参量下的分割模型，判断所述分割模型的准确率是否达到预设阈值。
本实施例的测试集数据与训练集数据均来自同一样本集且经过同样的数据处理，但测试集数据与训练集无交集。本实施例通过把数据集分为训练集与测试集，在训练集上训练模型，通过测试集来测试模型效果。本实施例中分割模型的准确率通过Dice系数来衡量，Dice系数是集合相似度度量函数，本实施例的Dice系数计算公式为：2*|X∩Y|/(|X|+|Y|)，X是预测区域，Y是图层表面实况，即标注区域(值域范围：0-1)。本实施例的分割模型在测试集上的最终Dice系数达到0.98时，表示测试集与原始标注的训练集重合度非常高。
确定模块14，用于若分割模型的准确率达到预设阈值，则确定所述分割模型满足应用需求。
进一步地，本实施例的分割股骨近端的装置，包括：
初始化模块10，用于将C3D的卷积层网络中与所述3D U-net编译器具有相同特征图个数的各层参数迁移至所述3D U-net编译器中作为所述3D U-net的初始化参数。
为避免过拟合，训练集数据的集合应该足够大，但训练耗时太长，为了减小训练时间并防止过拟合，本实施例通过迁移学习把C3D(3D convolution，三维卷积网络)的网络参数作为3D U-net编译器的各层参数。C3D网络结构共有8个卷积层，4次池化层。其中卷积核的大小均为3*3*3，池化核的大小为2*2*2。且前6个卷积层的特征图个数(64,128,256,256,512,512)与3DU-net网络中对应编辑器各层的特征图个数(64,128,256,256,512,512)相同，所以卷积层的参数个数相同，通过已经训练好的C3D的卷积层参数初始化3D U-net网络的卷积层，即编码器的各层参数，所以本实施例通过获取C3D模型的前6个卷积层的参数，用于初始化3D U-net网络的编译器的各层参数。本实施例通过已经训练好的C3D的卷积层参数初始化3D U-net网络的卷积层的过程为迁移学习过程，本实施例C3D网络与3D U-net网络的训练过程中使用的数据不同。本实施例通过迁移学习在保证训练效果的同时可以减少训练时间，通过迁移学习训练的网络模型相比于通过随机初始化的方式初始化整个网络的训练效果更优化。
参照图4，本实施例的第二输入模块12，包括：
定位单元120，用于将所述训练集数据输入3D U-net，通过3D U-net的编码器减少池化层的空间维度，定位训练集数据的各像素级。
本实施例的编码器是一个特征图尺寸逐渐收缩、通道数逐渐增加的全卷积神经网络结构，可以接收任意尺寸的输入图像，卷积层和池化层交替工作，用来捕捉上下图层的信息，并逐步对特征图进行下采样，以恢复图像大小。在网络训练向前传播的过程中，编码器逐渐收缩，以减少池化层的空间维度，通过池化层扩大了感受野，定位训练集数据的各像素级。本实施例的卷积层均优选使用3*3*3卷积核，最大池化层均使用2*2*2池化核。本申请其他实施例中卷积核与池化核的大小可调，在不同的网络中可以不同，同一网络中的不同卷积层和池化层也可以不同。
分类单元121，用于通过与所述编码器相连的解码器逐步修复所述训练集数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端的分割边界的分割模型。
本实施例的解码器是一个与编码器具有对称的结构，其特征图尺寸逐渐扩张，通道数逐渐减少，逐步修复物体的细节和空间维度，并通过对特征图进行上采样，逐步恢复高分辨率的图片细节。本实施例的编码器的池化层虽然扩大了感受野但造成了位置信息的丢失，像素级分类要求保留位置信息。本实施例的编码器和解码器之间通常存在跳跃连接，跳跃连接能够将低层次的特征图和高层次的特征图结合起来，能帮助解码器更好地修复目标的细节，有利于像素级的分类。在上采样部分，大量的特征通道能向更高分辨率的层传送上下图层信息，从而对每个像素都产生了一个预测，同时对最后一个卷积层的特征图进行上采样,使它恢复到输入图像相同的尺寸，同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行像素分类，进而识别股骨近端的分割边界。
参照图5，本实施例的分类单元121，包括：
训练子单元1210，用于将所述解码器逐步修复所述训练数据的细节和空间维度之后的输出信息，输入到与各解码器相连的分支网络进行训练。
本实施例通过3D U-net在卷积训练过程中输入训练集数据的图像经过卷积核、池化核之后会图像尺寸变小，需要通过反卷积进行上采样，得到与原图一样大小的映射层，但上采样倍数越大会丢失越多的细节，所以需要将不同层的不同上采样的结果进行综合来得到最后的结果，本实施例通过下层输出层L，中层输出层M和上层输出层U的三个输出分别代表在不同上采样倍数下的结果。比如输入图像大小是64*64*64，在下层输出层L之前的大小是16*16*16，需要进行4倍的上采样才能获取原图大小，而在中层输出层M之前的大小是32*32*32，需要进行2倍的上采样才能获取原图大小。本实施例的解码器各层的输出，都分别作为一个分支网络的输入，分支网络最终分别得到下层输出层L，中层输出层M和上层输出层U的三个输出。以便通过三个输出的交叉熵损失函数来表示3D U-net的损失函数，以便进一步优化整个3DU-net网络权重，使抽象表述更准确、更接近全局最优，取得更好的分割效果。
获取子单元1211，用于通过分析所述分支网络的输出结果，获取优化权重参量的所述分割模型。
本实施例的3D U-net的损失函数定义为分支网络的三个输出交叉熵损失函数的加和，具体形式如下：
其中，W是3D U-net的主网络的权重，ωl,ωm,ωu分别是分支网络的下层输出层L，中层输出层M和上层输出层U的权重，χ代表训练数据，是进一步避免过拟合的正则项。本实施例的损失函数越大说明差别越大，损失函数越小差别越小。本实施例通过主网络的权重与分支网络的权重共同作用于损失函数，上述损失函数收敛时获取分割模型的优化权重参量，即上述损失函数收敛时对应的主网络的权重与分支网络的权重。本实施例的3D U-net的损失函数定义为分支网络的三个输出交叉熵损失函数的加和，使主网络的权重与分支网络的权重共同影响着损失函数的大小，影响着分割模型预测得到的股骨近端的分割边界与训练集中输入的已知股骨近端的分割边界的差距。上述公式中c∈{l,m,u}，即c是一个指代符，指代{l,m.u}中的一个，写在求和符号Σ下面表示，把c为取值为{l,m,u}三个的值进行求和。即下述公式
等价于：
ζc(x；W,ωl,ωm,ωu)＝αlζl(x；W,ωl)+λ(ψ(W)+ψ(ωl))
+αmζm(x；W,ωm)+λ(ψ(W)+ψ(ωm))
+αuζu(x；W,ωl)+λ(ψ(W)+ψ(ωl))
参照图6，本申请再一实施例的分割股骨近端的装置，包括：
组成模块122，用于将原始3D MRI图像数据以及对原始3D MRI图像数据旋转指定角度后的增强数据组成数据集。
本实施例使用少量的标注样本进行分割模型训练，为防止过拟合的发生，对原始数据进行了增强操作。本实施例通过对原始数据进行旋转指定角度进行数据增强。举例地，对原始数据进行(90度、180度、270度)旋转，因为90度、180度、270度均匀分布在0-360度，通过旋转此三个角度，使增强数据均匀变化。
切割模块123，用于将所述数据集中的每个3D MRI图像数据切割成指定数量和指定大小的子块。
本实施例通过从增强数据集的每个图片中随机切割子块作为训练集数据，本实施例中每个图片中随机切割出多个64*64*64的子块，并选出10个作为训练集数据。
区分模块124，用于将所有的所述子块随机分为两组，一组作为训练集数据，另一组作为测试集数据。
举例地，原始图像共10个，做三个角度数据旋转增强之后变为30个图像，每个图像切出10个作为训练集数据，则训练集数据总共有300个。本申请其他实施例将上述训练集数据标准化到均值为0、方差为1。本实施例通过数据标准化也称为归一化，将不同量纲和不同数量级大小的数据变成可以相互进行数学计算和具有可比性的数据，归一化使得数据在各个维度的分布比较接近，能够适当扩大数据差异，加速模型训练过程的收敛。本实施例的均值为0方差为1的计算过程如下：比如一组数据为：
X:{x1,x2,x3,.....,xn}，设其平均值为：E(X)＝μ，设其方差为：D(X)＝σ2，那么经过变换：y＝(x-μ)/σ，得到的新变量：Y:{y1,y2,y3,......yn}的均值为0、方差为1。
参照图7，本申请又一实施例的分割股骨近端的装置，包括：
第二获取模块30，用于获取分割后的股骨近端的病变区域的位置信息以及病变区域的分布信息。
本实施例的病变区域的位置信息以及病变区域的分布信息，通过预训练的病变区域分割模型识别病变区域的边缘信息获得。病变区域的位置信息可通过位于股骨近端的坐标信息获得，病变区域的分布信息包括病变区域的数量、各病变区域的位置信息的相对关系等，比如，病变位置为髋臼处，病变区域的分布信息为一个病变区域，具体为髋臼过度覆盖且髋臼窝加深；再比如，病变位置为股骨头颈交区，病变区域的分布信息为一个病变区域，具体为股骨头颈交区存在突起等。
第一输出模块31，用于通过分析所述病变区域的位置信息以及病变区域的分布信息，输出股骨髋臼撞击的病症信息。
比如：髋臼过度覆盖且髋臼窝加深，则表示盂唇撕裂、软骨损伤易发生于前上、后下部等病症信息。本实施例可以通过预先建立的分析模型来获取分割后的股骨髋臼撞击的病症信息，分析模型的网络结构包括但不限于卷积神经网络、全卷积神经网络或U-net。
参照图8，本申请又一实施例的分割股骨近端的装置，包括：
汇集模块32，用于将所述病症信息与所述病例的身份信息、确诊反馈信息汇集成诊断股骨髋臼撞击的先验数据库。
本实施例的身份信息包括但不限于性别、年龄、运动喜好等，所述的确诊反馈信息包括但不限于髋臼异常、股骨头异常等，所述病症信息包括各病症信息分别对应的特征矩阵。本实施例通过形成先验数据库，以提高类似病症的再次诊断效率和诊断精准度。
参照图9，本申请又一实施例的分割股骨近端的装置，包括：
搜寻模块33，用于在所述先验数据库搜寻与新病症信息相似度最高的历史病症信息。
本实施例通过比较分析模型输出的新输出病症信息的特征矩阵和先验数据库中各病症信息的特征矩阵的相似度，实现相似病症的诊断。
第二输出模块34，用于输出所述历史病症信息对应的确诊反馈信息。
本实施例通过将先验数据库结合影像分割模型，推广到现实的自动化病症诊断中，提高医生的诊断效率和准确性。
参照图10，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于通过3D U-net训练分割模型并实现3D MRI的股骨近端分割等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分割股骨近端的方法。
上述处理器执行上述分割股骨近端的方法的步骤：将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中；通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界；根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
上述计算机设备，通过从3D MRI图像中通过分割模型自动分离出来股骨近端，通过将股骨近端从原图中分离出来，减少诊断干扰信息，极大的提高医生的诊断效率；提出了基于3DU-net的3D MRI股骨近端分割技术，通过具有深度监督学习效果的3DU-net网络，利用少量标注样本训练获得了精准的分割模型，实现对3D MRI股骨近端的精准分割，弥补了现有标注的3D MRI图像数据困乏，难以获得精准分割的技术难题；通过汇集病变诊断数据形成先验数据库，辅助提高医生诊断病症的诊断准确度，弥补医生因经验不足而导致诊断准确度不高的缺陷，具有实际应用价值。
在一个实施例中，上述处理器将3D MRI图像输入到通过3D U-net预先训练得到的分割模型中的步骤之前，包括：在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数；在所述优化参数下，将预设训练集数据输入3DU-net训练所述分割模型；通过将预设的测试集数据输入所述分割模型，判断所述分割模型的准确率是否达到预设阈值；若达到，则确定所述分割模型满足应用需求。
在一个实施例中，上述处理器在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数的步骤之前，包括：将C3D的卷积层网络中与所述3D U-net编译器具有相同特征图个数的各层参数迁移至所述3D U-net编译器中作为所述3D U-net的初始化参数。
在一个实施例中，在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤，包括：将所述训练集数据输入3D U-net，通过3DU-net的编码器减少池化层的空间维度，定位训练集数据的各像素级；通过与所述编码器相连的解码器逐步修复所述训练集数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端的分割边界的所述分割模型。
在一个实施例中，处理器通过与所述编码器相连的解码器逐步修复所述训练数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端分割边界的所述分割模型的步骤，包括：将所述解码器逐步修复所述训练数据的细节和空间维度之后的输出信息，输入到与各解码器相连的分支网络进行训练；通过分析所述分支网络的输出结果，获取优化权重参量的所述分割模型。
在一实施例中，上述处理器在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤之前，包括：将原始3D MRI图像数据以及对原始3D MRI图像数据旋转指定角度后的增强数据组成数据集；将所述数据集中的每个3D MRI图像数据切割成指定数量和指定大小的子块；将所有的所述子块随机分为两组，一组作为训练集数据，另一组作为测试集数据。
在一个实施例中，上述处理器根据所述分割边界对所述3D MRI图像中的股骨近端进行分割的步骤之后，包括：获取分割后的股骨近端的病变区域的位置信息以及病变区域的分布信息；通过分析所述病变区域的位置信息以及病变区域的分布信息，输出股骨髋臼撞击的病症信息。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现分割股骨近端的方法，具体为：将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中；通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界；根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
上述计算机可读存储介质，通过从3D MRI图像中通过分割模型自动分离出来股骨近端，通过将股骨近端从原图中分离出来，减少诊断干扰信息，极大的提高医生的诊断效率；提出了基于3DU-net的3D MRI股骨近端分割技术，通过具有深度监督学习效果的3DU-net网络，利用少量标注样本训练获得了精准的分割模型，实现对3D MRI股骨近端的精准分割，弥补了现有标注的3DMRI图像数据困乏，难以获得精准分割的技术难题；通过汇集病变诊断数据形成先验数据库，辅助提高医生诊断病症的诊断准确度，弥补医生因经验不足而导致诊断准确度不高的缺陷，具有实际应用价值。
在一个实施例中，上述处理器将3D MRI图像输入到通过3D U-net预先训练得到的分割模型中的步骤之前，包括：在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数；在所述优化参数下，将预设训练集数据输入3DU-net训练所述分割模型；通过将预设的测试集数据输入所述分割模型，判断所述分割模型的准确率是否达到预设阈值；若达到，则确定所述分割模型满足应用需求。
在一个实施例中，上述处理器在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数的步骤之前，包括：将C3D的卷积层网络中与所述3D U-net编译器具有相同特征图个数的各层参数迁移至所述3D U-net编译器中作为所述3D U-net的初始化参数。
在一个实施例中，在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤，包括：将所述训练集数据输入3D U-net，通过3DU-net的编码器减少池化层的空间维度，定位训练集数据的各像素级；通过与所述编码器相连的解码器逐步修复所述训练集数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端的分割边界的所述分割模型。
在一个实施例中，处理器通过与所述编码器相连的解码器逐步修复所述训练数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端分割边界的所述分割模型的步骤，包括：将所述解码器逐步修复所述训练数据的细节和空间维度之后的输出信息，输入到与各解码器相连的分支网络进行训练；通过分析所述分支网络的输出结果，获取优化权重参量的所述分割模型。
在一实施例中，上述处理器在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤之前，包括：将原始3D MRI图像数据以及对原始3D MRI图像数据旋转指定角度后的增强数据组成数据集；将所述数据集中的每个3D MRI图像数据切割成指定数量和指定大小的子块；将所有的所述子块随机分为两组，一组作为训练集数据，另一组作为测试集数据。
在一个实施例中，上述处理器根据所述分割边界对所述3D MRI图像中的股骨近端进行分割的步骤之后，包括：获取分割后的股骨近端的病变区域的位置信息以及病变区域的分布信息；通过分析所述病变区域的位置信息以及病变区域的分布信息，输出股骨髋臼撞击的病症信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种分割股骨近端的方法，其特征在于，包括：
将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中；
通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界；
根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
2.根据权利要求1所述的分割股骨近端的方法，其特征在于，所述将3D MR I图像输入到通过3D U-net预先训练得到的分割模型中的步骤之前，包括：
在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数；
在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型；
通过将预设的测试集数据输入所述分割模型，判断所述分割模型的准确率是否达到预设阈值；
若达到，则确定所述分割模型满足应用需求。
3.根据权利要求2所述的分割股骨近端的方法，其特征在于，所述在所述3D U-net的初始化参数下通过监督学习获取到3D U-net的编码器和解码器分别对应的优化参数的步骤之前，包括：
将C3D的卷积层网络中与所述3D U-net编译器具有相同特征图个数的各层参数迁移至所述3D U-net编译器中作为所述3D U-net的初始化参数。
4.根据权利要求2所述的分割股骨近端的方法，其特征在于，所述在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤，包括：
将所述训练集数据输入3D U-net，通过3D U-net的编码器减少池化层的空间维度，定位训练集数据的各像素级；
通过与所述编码器相连的解码器逐步修复所述训练集数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端的分割边界的所述分割模型。
5.根据权利要求4所述的分割股骨近端的方法，其特征在于，所述通过与所述编码器相连的解码器逐步修复所述训练数据的细节和空间维度，对各所述像素级进行分类，以形成识别所述股骨近端分割边界的所述分割模型的步骤，包括：
将所述解码器逐步修复所述训练数据的细节和空间维度之后的输出信息，输入到与各解码器相连的分支网络进行训练；
通过分析所述分支网络的输出结果，获取优化权重参量的所述分割模型。
6.根据权利要求2所述的分割股骨近端的方法，其特征在于，所述在所述优化参数下，将预设训练集数据输入3D U-net训练所述分割模型的步骤之前，包括：
将原始3D MRI图像数据以及对原始3D MRI图像数据旋转指定角度后的增强数据组成数据集；
将所述数据集中的每个3D MRI图像数据切割成指定数量和指定大小的子块；
将所有的所述子块随机分为两组，一组作为训练集数据，另一组作为测试集数据。
7.根据权利要求1所述的分割股骨近端的方法，其特征在于，所述根据所述分割边界对所述3D MRI图像中的股骨近端进行分割的步骤之后，包括：
获取分割后的股骨近端的病变区域的位置信息以及病变区域的分布信息；
通过分析所述病变区域的位置信息以及病变区域的分布信息，输出股骨髋臼撞击的病症信息。
8.一种分割股骨近端的装置，其特征在于，包括：
第一输入模块，用于将股骨的3D MRI图像输入到通过3D U-net预先训练得到的分割模型中；
识别模块，用于通过所述分割模型识别所述3D MRI图像中股骨近端的分割边界；
分割模块，用于根据所述分割边界对所述3D MRI图像中的股骨近端进行分割。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810362198.6A CN108764241A (zh) | 2018-04-20 | 2018-04-20 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
| PCT/CN2018/095496 WO2019200747A1 (zh) | 2018-04-20 | 2018-07-12 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810362198.6A CN108764241A (zh) | 2018-04-20 | 2018-04-20 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108764241A true CN108764241A (zh) | 2018-11-06 |
Family
ID=64011191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810362198.6A Pending CN108764241A (zh) | 2018-04-20 | 2018-04-20 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108764241A (zh) |
| WO (1) | WO2019200747A1 (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754389A (zh) * | 2018-12-07 | 2019-05-14 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置及设备 |
| CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及系统 |
| CN109919932A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
| CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
| CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN110717060A (zh) * | 2019-09-04 | 2020-01-21 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置及存储介质 |
| CN110738107A (zh) * | 2019-09-06 | 2020-01-31 | 上海衡道医学病理诊断中心有限公司 | 一种具备模型迁移功能的显微图像识别分割方法 |
| CN111193254A (zh) * | 2019-12-06 | 2020-05-22 | 北京国电通网络技术有限公司 | 一种住宅日用电负荷预测方法和设备 |
| CN111260055A (zh) * | 2020-01-13 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 基于三维图像识别的模型训练方法、存储介质和设备 |
| CN111489357A (zh) * | 2019-01-29 | 2020-08-04 | 广州市百果园信息技术有限公司 | 一种图像分割方法、装置、设备及存储介质 |
| CN111553882A (zh) * | 2020-03-31 | 2020-08-18 | 江苏广宇淘璞网络科技有限公司 | Mr图像股骨头缺血型坏死识别方法及装置 |
| CN112438745A (zh) * | 2019-09-04 | 2021-03-05 | 株式会社岛津制作所 | 图像解析方法、处理装置、测定装置及学习模型制作方法 |
| CN113396440A (zh) * | 2019-02-14 | 2021-09-14 | 卡尔蔡司医疗技术公司 | 用于oct图像转化、眼科图像去噪的系统及其神经网络 |
| CN113822231A (zh) * | 2021-11-08 | 2021-12-21 | 中国人民解放军陆军特色医学中心 | 一种基于深度学习图像识别的转子间骨折手术辅助系统 |
| CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
| CN115486934A (zh) * | 2022-09-21 | 2022-12-20 | 贵州澳特拉斯科技有限公司 | 用于膝关节置换术前规划的图像分割方法 |
| WO2023024883A1 (zh) * | 2021-08-24 | 2023-03-02 | 北京长木谷医疗科技有限公司 | 基于深度强化学习的股骨柄放置方法、装置及电子设备 |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008643B (zh) * | 2019-10-29 | 2024-03-19 | 平安科技（深圳）有限公司 | 基于半监督学习的图片分类方法、装置和计算机设备 |
| CN111179229B (zh) * | 2019-12-17 | 2023-10-20 | 中信重工机械股份有限公司 | 一种基于深度学习的工业ct缺陷检测方法 |
| CN111145188B (zh) * | 2019-12-25 | 2023-06-06 | 西安电子科技大学 | 一种基于ResNet与UNet模型的图像分割方法 |
| CN111429474B (zh) * | 2020-02-27 | 2023-04-07 | 西北大学 | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 |
| CN111369565B (zh) * | 2020-03-09 | 2023-09-15 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于图卷积网络的数字病理图像的分割与分类方法 |
| CN111507993B (zh) * | 2020-03-18 | 2023-05-19 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
| CN111461053B (zh) * | 2020-04-13 | 2023-05-23 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别系统 |
| CN113538447A (zh) * | 2020-04-14 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 标注方法、装置以及数据处理方法 |
| CN111714145B (zh) * | 2020-05-27 | 2022-07-01 | 浙江飞图影像科技有限公司 | 基于弱监督分割的股骨颈骨折检测方法及系统 |
| CN111784704B (zh) * | 2020-06-24 | 2023-11-24 | 中国人民解放军空军军医大学 | Mri髋关节炎症分割与分类自动定量分级序贯方法 |
| CN111784653B (zh) * | 2020-06-28 | 2023-08-01 | 西安电子科技大学 | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 |
| CN112419267A (zh) * | 2020-11-23 | 2021-02-26 | 齐鲁工业大学 | 基于深度学习的脑胶质瘤分割模型及分割方法 |
| CN112613374A (zh) * | 2020-12-16 | 2021-04-06 | 厦门美图之家科技有限公司 | 人脸可见区域解析与分割方法、人脸上妆方法及移动终端 |
| CN112734723B (zh) * | 2021-01-08 | 2023-06-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
| CN113496494B (zh) * | 2021-06-17 | 2024-08-09 | 北京理工大学 | 基于drr模拟数据生成的二维骨骼分割方法及装置 |
| CN117668497B (zh) * | 2024-01-31 | 2024-05-07 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
| CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
| CN107358608B (zh) * | 2017-08-23 | 2023-07-21 | 西安邮电大学 | 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法 |
-
2018
- 2018-04-20 CN CN201810362198.6A patent/CN108764241A/zh active Pending
- 2018-07-12 WO PCT/CN2018/095496 patent/WO2019200747A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
| CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| AHMED ABDULKADIR等: "3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation", ARXIV:1606.06650V1[CS.CV] * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754389B (zh) * | 2018-12-07 | 2021-08-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置及设备 |
| CN109754389A (zh) * | 2018-12-07 | 2019-05-14 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置及设备 |
| CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及系统 |
| CN111489357A (zh) * | 2019-01-29 | 2020-08-04 | 广州市百果园信息技术有限公司 | 一种图像分割方法、装置、设备及存储介质 |
| CN113396440A (zh) * | 2019-02-14 | 2021-09-14 | 卡尔蔡司医疗技术公司 | 用于oct图像转化、眼科图像去噪的系统及其神经网络 |
| CN109919932A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
| CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
| CN110298844B (zh) * | 2019-06-17 | 2021-06-29 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN112438745A (zh) * | 2019-09-04 | 2021-03-05 | 株式会社岛津制作所 | 图像解析方法、处理装置、测定装置及学习模型制作方法 |
| CN110717060B (zh) * | 2019-09-04 | 2023-08-18 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置及存储介质 |
| CN110717060A (zh) * | 2019-09-04 | 2020-01-21 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置及存储介质 |
| CN110738107A (zh) * | 2019-09-06 | 2020-01-31 | 上海衡道医学病理诊断中心有限公司 | 一种具备模型迁移功能的显微图像识别分割方法 |
| CN111193254A (zh) * | 2019-12-06 | 2020-05-22 | 北京国电通网络技术有限公司 | 一种住宅日用电负荷预测方法和设备 |
| CN111260055A (zh) * | 2020-01-13 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 基于三维图像识别的模型训练方法、存储介质和设备 |
| CN111260055B (zh) * | 2020-01-13 | 2023-09-01 | 腾讯科技（深圳）有限公司 | 基于三维图像识别的模型训练方法、存储介质和设备 |
| CN111553882A (zh) * | 2020-03-31 | 2020-08-18 | 江苏广宇淘璞网络科技有限公司 | Mr图像股骨头缺血型坏死识别方法及装置 |
| WO2023024883A1 (zh) * | 2021-08-24 | 2023-03-02 | 北京长木谷医疗科技有限公司 | 基于深度强化学习的股骨柄放置方法、装置及电子设备 |
| CN113920128B (zh) * | 2021-09-01 | 2023-02-21 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
| CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
| CN113822231A (zh) * | 2021-11-08 | 2021-12-21 | 中国人民解放军陆军特色医学中心 | 一种基于深度学习图像识别的转子间骨折手术辅助系统 |
| CN115486934A (zh) * | 2022-09-21 | 2022-12-20 | 贵州澳特拉斯科技有限公司 | 用于膝关节置换术前规划的图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019200747A1 (zh) | 2019-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764241A (zh) | 分割股骨近端的方法、装置、计算机设备和存储介质 | |
| CN110490202B (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
| CN110807788B (zh) | 医学图像处理方法、装置、电子设备及计算机存储介质 | |
| CN108806793A (zh) | 病变监测方法、装置、计算机设备和存储介质 | |
| CN109903292A (zh) | 一种基于全卷积神经网络的三维图像分割方法及系统 | |
| CN110110617A (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
| CN109920501A (zh) | 基于卷积神经网络和主动学习的电子病历分类方法及系统 | |
| CN108765369A (zh) | 肺结节的检测方法、装置、计算机设备和存储介质 | |
| CN112699869A (zh) | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 | |
| CN116884597A (zh) | 基于自监督预训练和多示例学习的病理图像乳腺癌分子分型方法及系统 | |
| US20240221373A1 (en) | Training method for training artificial neural network for determining breast cancer lesion area, and computing system performing same | |
| CN110189342A (zh) | 脑胶质瘤区域自动分割方法 | |
| Tang et al. | Automatic lumbar spinal CT image segmentation with a dual densely connected U-Net | |
| Wang et al. | DPBET: A dual-path lung nodules segmentation model based on boundary enhancement and hybrid transformer | |
| CN108053401A (zh) | 一种b超图像处理方法及装置 | |
| CN109255786A (zh) | 一种检测骨龄的方法及装置 | |
| CN110473171A (zh) | 脑龄检测方法、计算机设备和存储介质 | |
| CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
| CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
| Yang et al. | Review of deep learning-based image inpainting techniques | |
| CN112488996A (zh) | 非齐次三维食管癌能谱ct弱监督自动标注方法与系统 | |
| CN118762241B (zh) | 医学图像病灶分类方法及系统 | |
| US12094147B2 (en) | Estimating a thickness of cortical region by extracting a plurality of interfaces as mesh data | |
| CN109934796A (zh) | 一种基于深度集成学习的器官自动勾画方法 | |
| CN116912253B (zh) | 基于多尺度混合神经网络的肺癌病理图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
| RJ01 | Rejection of invention patent application after publication |