[发明专利]脊椎骨折区域分析模型训练方法和装置

说明书

本申请实施例提供了一种脊椎骨折区域分析模型训练方法和装置，解决了现有脊椎骨折区域分析方式的准确率低和效率低的问题。该方法包括：将基本框输入骨椎主干网络获得的第一骨椎提取特征图；将第一骨椎提取特征图输入N个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框；根据第一骨椎输出框和椎体标准参考数据之间的差别调整第二骨椎渐进层的网络参数，并将第一骨椎输出框输入骨椎主干网络获得第二提取特征图；将骨椎主干网络输出的第m骨椎提取特征图输入N个骨椎渐进层中的第m骨椎渐进层以获得第m输出框；以及根据第m输出框和骨折区域标准参考数据之间的差别调整第m+1输出框的网络参数，并根据第m输出框基于骨椎主干网络获得第m+1提取特征图。

技术领域

本申请涉及影像分析技术领域，具体涉及一种脊椎骨折区域分析模型训 练方法、脊椎骨折区域分析方法、装置、电子设备和计算机可读存储介质。

背景技术

深度学习在辅助放射科诊断的应用是目前人工智能领域的研究热点之 一。其中骨折作为高发病种，在日常临床工作中，骨科医生往往需要审阅大 量的放射影像，并且夜班也有非常大的阅片需求，这已成为急需解决的问题。 随着计算机和医疗技术的飞速发展，人工智能辅助医生的可能性，越来越受 到骨科医生和研究人员的重视。脊骨椎的骨折，系身体各部位骨折识别中较 难的一种，一方面由于拍摄的椎体X光片中，包含很多身体各部分其它器 官，这些器官对椎体造成遮挡使得椎体本身难以辨别，另外它们造成非常多的低密度影与骨折低密度影容易造成混淆；另一方面椎体骨折和脱位的类型 征象多样化，例如压缩性骨折和脱位没有明显的骨折线，只是椎体的形态和 相对位置与常规结构有差异，与普通的骨折的征象有很大的区别。在临床实 践中，医生仅仅基于X光识别椎体骨折和脱位准确率相较其它部位低。但 基于CT的判断，对病患造成的伤害大，且成本高。已有研究表明，深度学 习技术在区分重叠物体的能力和敏感度上，较人类有先天的优势。因此利用深度学习的方法，制作能够自动在放射平片中识别椎体骨折和脱位的装置， 以期帮助医生提高脊椎骨折区域分析的准确率，是十分有意义的。

一些运用深度学习技术的自动化装置已经被应用于给医生检测病灶可 疑区域的提示。目前基于深度学习，适用于检测的方法有“物体检测”和“实 例分割”等方法，其准确率大大超过了其它机器学习方法。

然而，深度学习技术在脊骨椎折的识别中尚未有应用。如果依靠现有的 深度学习方法，可以将脊骨椎折的病灶区域当作单一的训练目标，送进人工 神经网络里进行训练。但是由于脊椎段放射平片的形态较为多变，并且经常 会包括一些身体的其它部位，例如肩部骨块、胸部肋骨、髋部骨块等，还有 软组织。这些组织上的骨折或很像骨折的低密度影在脊椎放射平片上出现的 频率很高，以致于对于真正脊骨椎折的特征是很大的噪声，这样会影响算法 训练的效果和精度。

发明内容

有鉴于此，本申请实施例提供了一种脊椎骨折区域分析模型训练方法和 装置，解决了现有脊椎骨折区域分析方式的准确率低和效率低的问题。

根据本申请的一个方面，本申请一实施例提供的一种脊椎骨折区域分析 模型训练方法包括：所述脊椎骨折区域分析模型包括用于提取特征图的骨椎 主干网络和分别与所述骨椎主干网络连接的N个骨椎渐进层，所述骨椎渐 进层配置为基于输入的特征图输出包括骨折区域预测结果的输出框，其中N 为大于等于2的整数；其中，所述训练方法包括：将基本框输入所述骨椎主 干网络获得的第一骨椎提取特征图；将所述第一骨椎提取特征图输入所述N 个骨椎渐进层中的第一骨椎渐进层以获得第一骨椎输出框；根据所述第一骨椎输出框和骨折区域标准参考数据之间的差别调整第二骨椎渐进层的网络 参数，并将所述第一骨椎输出框输入所述骨椎主干网络获得第二提取特征 图；将所述骨椎主干网络输出的第m骨椎提取特征图输入所述N个骨椎渐 进层中的第m骨椎渐进层以获得第m输出框，其中，m为N≥m≥2的整数变 量；以及根据所述第m输出框和椎体标准参考数据之间的差别调整第m+1 输出框的网络参数，并根据所述第m输出框基于所述骨椎主干网络获得第 m+1提取特征图。