[发明专利]基于卷积神经网络的头颅影像标志点检测方法

说明书

本发明公开了一种基于卷积神经网络的头颅影像标志点检测方法，包括如下步骤：数据预处理、训练集的选择、网络结构的设计以及损失函数的选择。与相关技术相比较，本发明提供的基于卷积神经网络的头颅影像标志点检测方法具有如下有益效果：可以有效减少噪音数据对训练结果的影响；可以降低距离图像块较远的点对预测结果的影响，最终提升了预测精度；提升了标志点的定位精度。

技术领域

本发明涉及一种图像处理方法，特别是基于深度学习的头颅影像标志点检测方法。

背景技术

图像关键点检测在物体检测、图像配准及目标识别均有广泛应用,医学图像中解剖标志点检测在疾病诊断，医学图像分割中有广泛应用。传统医学图像解剖点标记需要领域专家进行标注，花费大量人力资源，且效率低下,目前深度学习的标志点检测主要分为两类，基于回归法的方法和基于分类的方法。

第一类是基于分类的方法，Sercan 等实现的标志点检测的方法是在标志点周围邻域取图像块，每个标志点训练一个网络，该网络用来做二分类问题，判断图像块是否包含标志点，从而找出候选标志点位置，最后利用形状模型从候选点中找出最佳优选标志点。该方法存在的问题是使用形状模型选择最佳候选点时，只用了角度、距离等统计信息，可能存在偏差。

第二类是基于回归的方法，Jun Zhang等提出两阶段面向任务的网络结构，该方法第一阶段利用图像块训练网络参数，第二阶段建立图像块之间的关联，端到端预测标志点位置信息。该方法针对大量标志点问题具有较好的效果，对少量标志点效果并不太理想，且直接利用图像信息熵取图像块仍存在大量的无法应用于最终预测的图像块。

因此，需要提供一种新的基于卷积神经网络的头颅影像标志点检测方法以解决上述技术问题。

发明内容

本发明提供了一种基于卷积神经网络的头颅影像标志点检测方法，其显著提升了标志点的定位精度。

为了实现上述目的，本发明的技术方案如下：

一种基于卷积神经网络的头颅影像标志点检测方法，包括如下步骤：

S1、数据预处理，根据给定的图像边框对训练集中的图像进行裁剪，使用Sobel算子提取图像轮廓信息，使用中值滤波对图像进行平滑，使用Canny算子对平滑过的图像进行处理；

S2、训练集的选择，在Canny算子处理过的图像上随机取图像块，若图像块的信息熵大于预设的阈值，则在原始图像上取对应的图像块作为训练，第一阶段网络的标签用0/1标签，第二阶段网络的标签用标志点到该图像块中心的曼哈顿距离；

S3、网络结构的设计，使用两阶段网络结构对标志点位置进行预测，第一阶段使用分类网络，训练出含有标志点的图像块，计算出每个标志点的邻域；第二阶段使用回归网络，在每个标志点邻域范围取图像块，分别训练每个标志点最终位置；

S4、损失函数的选择，采用基于距离的加权损失，其损失函数为：

其中N表示标志点个数，表示损失的权重；α表示权重的调节系数，T_i表示第i个点的真实位置，P_i表示第i个点的预测位置。

作为本发明的一种改进，在步骤S1中，数据预处理具体包括如下步骤：

根据给定的轮廓信息对图像进行剪裁；

使用Sobel算子提取图像的轮廓信息；

使用中值滤波对图像进行平滑处理；

使用Canny算子对平滑过的图像做进一步处理，得到图像的边缘信息。