[发明专利]骨折识别方法、装置、设备和计算机可读存储介质

说明书

本公开的实施例提供了骨折识别方法、装置、设备和计算机可读存储介质。所述方法包括对获取的骨骼图像进行预处理；将所述预处理后的骨骼图像输入预先训练的区域识别模型，得到区域图像；将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。以此方式，可以对骨骼图像进行骨折识别，无需人工裁剪标注，且识别速度快，准确率高。

技术领域

本公开的实施例一般涉及计算机技术领域，并且更具体地，涉及骨折识别方法、装置、设备和计算机可读存储介质。

背景技术

骨折识别是一个复杂、技术含量较高的问题，诊断困难。由于各地区医疗水平的不一致，且医生的个人经验水平也参差不齐，因此，传统的医生进行骨折识别的方法容易受到地区医疗水平以及医生个人经验水平的影响，导致诊断误差较大。对于鼻骨骨折识别，由于鼻骨具有骨质细小、结构复杂、无骨髓腔、不容易形成骨痂等特点，诊断更加困难。

发明内容

根据本公开的实施例，提供了一种骨折识别方案。

在本公开的第一方面，提供了一种骨折识别方法。该方法包括：对获取的骨骼图像进行预处理；将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所所述骨骼图像为采用CT设备拍摄颅内骨骼得到的横断面图像、矢状面影像或冠状面影像；所述区域图像为鼻骨区域图像；所述骨折识别结果为鼻骨识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预处理为归一化处理。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像包括：采用预先训练的区域识别模型对所述预处理后的图像进行区域识别，自动裁剪所述预处理后的图像中的待识别区域图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述骨折识别模型为基于CNN的多层双卷积神经网络，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、…第N卷积层、第N池化层、第一全连接层、第二全连接层、输出层；其中，所述第一卷积层、第二卷积层为双卷积层。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述骨折识别模型是通过骨折图像样本集对预设的基于CNN的多层双卷积神经网络进行训练得到的；所述骨折图像样本集包括骨折图像正反样本集，或，包括存在不同骨折程度的正样本以及不存在骨折的负样本。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述双卷积层包括两个单卷积层。

在本公开的第二方面，提供了一种骨折识别装置。该装置包括：预处理模块，用于对获取的骨骼图像进行预处理；区域识别模块，用于将所述预处理后的图像输入预先训练的区域识别模型，得到区域图像；骨折识别模块，用于将所述区域图像输入预先训练的骨折识别模型，得到骨折识别结果。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：