[发明专利]提供骨折检测工具的方法

权利要求书

1.一种方法，其特征在于：包含以下步骤：

(A)获得多笔训练数据，每一笔训练数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签；

(B)利用所述训练数据预训练深度卷积网络模型，以获得初步深度卷积网络模型；

(C)借由至少排除具有指示出隐性骨折的标签的训练数据来决定所述训练数据的子集；及

(D)利用所述子集训练所述初步深度卷积网络模型，以获得第一深度卷积网络模型，当所述第一深度卷积网络模型接收到包括受检骨骼的放射线图像的输入数据时，所述第一深度卷积网络模型输出指示出所述受检骨骼的所述放射线图像存在明显骨折的可能性的分数。

2.根据权利要求1所述的方法，其特征在于：步骤(A)是获得所述训练数据，每一笔训练数据包括后-前舟骨视角的放射线图像。

3.根据权利要求2所述的方法，其特征在于：步骤(A)包括以下子步骤：

(A-1)获得多个舟骨的多张放射线照片，每一张放射线照片已确认显示出明显骨折、隐性骨折，及无骨折的其中一者；及

(A-2)对于每一张放射线照片，

分析该放射线照片，以在该放射线照片中定义舟骨区域；

提取包含所述舟骨区域的该放射线照片的一部分；及

产生所述训练数据的其中一者，该训练数据对应于该放射线照片，并包括由此提取的该放射线照片的该部分及该标签，该放射线照片的该部分作为该放射线图像，该标签根据该放射线照片被确认显示出明显骨折、隐性骨折，及无骨折的其中一者设置。

4.根据权利要求1所述的方法，其特征在于：还包含以下步骤：

(E)决定多笔控制数据，每一笔控制数据包括骨骼的不同的放射线图像，并且在所述控制数据输入到所述第一深度卷积网络模型时，使所述第一深度卷积网络模型能够输出指示出明显骨折的可能性低的分数；及

(F)利用所述控制数据及在步骤(C)排除具有指示出隐性骨折的标签的训练数据训练所述第一深度卷积网络模型，以获得第二深度卷积网络模型，当所述第二深度卷积网络模型接收到包括受检骨骼的放射线图像的另一输入数据时，所述第二深度卷积网络模型输出指示出所述放射线图像存在隐性骨折的可能性的分数。

5.根据权利要求4所述的方法，其特征在于：步骤(F)是获得所述第二深度卷积网络模型，当所述第二深度卷积网络模型接收到该另一输入数据时，还输出梯度加权分类激活映射图像，所述梯度加权分类激活映射图像指示出该另一输入数据包括的所述放射线图像存在骨折的可能部位。

6.根据权利要求4所述的方法，其特征在于：

步骤(A)还获得多个验证数据及多个测试数据，每一笔验证数据及每一笔测试数据包括骨骼的不同的放射线图像，及指示出明显骨折、隐性骨折，及无骨折的其中一者的标签；及

该方法还包含以下步骤：

(G)借由利用所述验证数据来改进在步骤(F)中获得的所述第二深度卷积网络模型；

(H)使用所述测试数据测试在步骤(G)中已改进的所述第二深度卷积网络模型，以评估所述第二深度卷积网络模型的性能。

7.根据权利要求6所述的方法，其特征在于：步骤(H)还包括以下子步骤：

(H-1)借由利用所述测试数据获得所述第二深度卷积网络模型的接收者操作特征曲线，所述接收者操作特征曲线具有多个点，每一点对应于相关于由所述第二深度卷积网络模型输出且用于判定是否诊断出骨折的所述分数的阈值；及

(H-2)计算出所述接收者操作特征曲线的曲线下面积，以评估所述第二深度卷积网络模型的性能。

8.根据权利要求7所述的方法，其特征在于：还包含以下步骤：

(I)借由在所述接收者操作特征曲线的所述点中找出导致所述接收者操作特征曲线的约登指数最大值的一点，来决定所述第二深度卷积网络模型的决策阈值。