[发明专利]一种上肢骨定位与前臂骨融合畸形的识别方法及系统

说明书

本发明涉及一种上肢骨定位与前臂骨融合畸形的识别方法及系统，其中方法包括：获取待测CT影像资料；对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；根据所述分类结果对前臂骨融合畸形进行判断。本发明将得到的待测三维连通域输入至构建训练好的分类模型中，从而使得需要训练的样本量很少，解决了医学影像中普遍存在的样本量不足的问题。

技术领域

本发明涉及医学图像分析技术领域，特别是涉及一种上肢骨定位与前臂骨融合畸形的识别方法及系统。

背景技术

随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中不可或缺的工具和技术手段。近年来，人工智能技术出现并不断发展，机器学习作为人工智能的核心技术得到了广泛的应用，尤其是在医学图像分类及医学图像识别等方面，常用的机器学习算法包括神经网络、支持向量机(SVM)、决策树、随机森林等方法。

虽然卷积神经网络是目前最为流行且准确率高的机器学习算法，但其依赖于大量的样本，而这在医学图像分析领域是一个很大的难题。现有的比较流行的用于医学影像识别的方法通常是基于卷积神经网络进行的，通过搭建多层卷积神经网络，并输入大量样本后，训练神经网络，学习相关参数，最后利用训练好的卷积神经网络进行图像分类。对于医学影像，特别是三维CT影像，其样本量获取数目明显无法满足卷积神经网络的需求，且每个样本规模都较大，如对于300张CT影像每张像素512*512的一套CT影像而言，单个样本的规模为300*512*512，单纯采用卷积神经网络将需求更大的样本量。

同时，针对前臂骨的畸形研究的相关文献较少，基于初始的尺桡骨定位及目标识别的研究更少。数据是机器学习的核心资源，仅掌握算法而缺乏数据无法获得较好的训练结果。同时，医院之间的数据共享和互通程度较低，获得大规模的数据十分困难。对于前臂骨等专门部位的CT影像，其样本量更是十分受限。在样本量不足的情况下，卷积神经网络进行医学影像分类及识别根本无法实现。

发明内容

本发明的目的是提供一种上肢骨定位与前臂骨融合畸形的识别方法及系统，解决了前臂骨识别医学影像中普遍存在的样本量不足的问题。

为实现上述目的，本发明提供了如下方案：

一种上肢骨定位与前臂骨融合畸形的识别方法，包括：

获取待测CT影像资料；

对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；

对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；

将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；

根据所述分类结果对前臂骨融合畸形进行判断。

优选地，所述最小二乘支持向量机分类模型的训练方法为：

获取多个训练CT影像资料；

对所述训练CT影像资料进行阈值分割，得到多个训练三维二值矩阵；

对所述训练三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个训练三维连通域；

计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注；所述属性参数包括包含体素数量、表征CT层跨度、所在层均值和描述体素左右位置对应维度的均值；所述预设标注信息包括所述三维连通域所在的区域信息；