一种基于成对比较的骨折区域识别方法和系统与流程

本发明涉及计算机辅助医学诊断技术领域，尤其涉及一种基于成对比较的骨折区域识别方法和系统。

背景技术：

机辅助医学诊断，即计算机辅助检测是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，辅助发现病灶，提高诊断的准确率。

近年来，随着计算机技术的高速发展，CAD技术在一些医疗发达国家的相应领域取得了较快的发展，特别是在涉及医学影像学的领域。实践证明，CAD在提高诊断准确率、减少漏诊、提高工作效率等方面起到了极大的积极促进作用。目前，CAD研究大多局限在乳腺和胸部肺节节性病变，在CT虚拟结肠内镜(CTC)、肝脏疾病CT诊断、脑肿瘤MRI诊断等的CAD研究仍很少，而且较不成熟。传统方法是用几何方法提取病变特征，然后用决策树、神经元网络(ANN)、Bayes网络、规则提取等方法对病变进行分类处理。传统方法辅助骨折诊断是先用小波变换等算法进行骨骼分割，然后用SVM等分类算法进行骨折分类。这个方法的适用性低，只是针对某块骨骼(比如手部)的某区域骨折类别的判断，不能快速的减轻医生负担。随着卷积神经网络的发展，可以用区域卷积神经网络(faster-RCNN)对骨骼进行分割和识别，然后通过成对比较网络判断该区域是否骨折。

技术实现要素：

基于背景技术存在的技术问题，本发明提出了一种基于成对比较的骨折区域识别方法和系统；

本发明提出的一种基于成对比较的骨折区域识别方法，包括：

S1、获取训练X光图；

S2、将训练X光图分割为n个骨骼子区域；

S3、将n个骨骼子区域进行分类并构造训练样本，根据所述训练样本进行训练得到成对比较网络；

S4、获取目标X光图；

S5、将目标X光图分割为n个目标骨骼子区域；

S6、通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量，并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域。

优选地，步骤S2，具体包括：通过RCNN对训练X光图进行识别，将训练X光图分割为n个骨骼子区域。

优选地，步骤S3，具体包括：

将n个骨骼子区域进行骨折子区域与非骨折子区域分类；

将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本；

根据训练样本进行训练得到成对比较网络，所述比较网络中包含骨折代表元和非骨折代表元。

优选地，步骤S6，具体包括：通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn，通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小，当Ai＞Bi时，判断第i个目标骨骼子区域为骨折子区域，其中1≤i≤n。

优选地，步骤S5，具体包括：通过RCNN对目标X光图进行识别，将目标X光图分割为n个目标骨骼子区域。

一种基于成对比较的骨折区域识别系统，包括：

第一获取模块，用于获取训练X光图；

第一分割模块，用于将训练X光图分割为n个骨骼子区域；

比较网络构造模块，用于将n个骨骼子区域进行分类并构造训练样本，根据所述训练样本进行训练得到成对比较网络；

第二获取模块，用于获取目标X光图；

第二分割模块，用于将目标X光图分割为n个目标骨骼子区域；

骨折比对识别模块，用于通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量，并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域。

优选地，所述第一分割模块，具体用于：通过RCNN对训练X光图进行识别，将训练X光图分割为n个骨骼子区域。

优选地，所述比较网络构造模块，具体用于：

将n个骨骼子区域进行骨折子区域与非骨折子区域分类；

将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本；

根据训练样本进行训练得到成对比较网络，所述比较网络中包含骨折代表元和非骨折代表元。

优选地，所述骨折比对识别模块，具体用于：

通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn，通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小，当Ai＞Bi时，判断第i个目标骨骼子区域为骨折子区域，其中1≤i≤n。

优选地，所述第二分割模块，具体用于：通过RCNN对目标X光图进行识别，将目标X光图分割为n个目标骨骼子区域。

本发明通过获取训练X光图，将训练X光图分割为n个骨骼子区域，将n个骨骼子区域进行分类并构造训练样本，根据所述训练样本进行训练得到成对比较网络，获取目标X光图，将目标X光图分割为n个目标骨骼子区域，通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量，并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域，如此，对于一张X光图能标记出骨折的可能性区域，通过区域卷积神经网络RCNN对骨骼进行识别和分割，然后通过成对比较网络判断该区域是否骨折，通过医生的复查找出确切骨折区域，快速的减轻骨科医生的负担。

附图说明

图1为本发明提出的一种基于成对比较的骨折区域识别方法的流程示意图；

图2为本发明提出的一种基于成对比较的骨折区域识别系统的模块示意图。

具体实施方式

参照图1，本发明提出的一种基于成对比较的骨折区域识别方法，包括：

步骤S1，获取训练X光图。

步骤S2，将训练X光图分割为n个骨骼子区域，具体包括：通过RCNN对训练X光图进行识别，将训练X光图分割为n个骨骼子区域。

在具体方案中，经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用，即可用于骨骼子区域的识别，所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上采用CNN提取特征，进行物体判断。

步骤S3，将n个骨骼子区域进行分类并构造训练样本，根据所述训练样本进行训练得到成对比较网络，具体包括：将n个骨骼子区域进行骨折子区域与非骨折子区域分类；将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本；根据训练样本进行训练得到成对比较网络。

在具体方案中，将n个骨骼子区域分为多个骨折子区域和多个非骨折子区域，然后将多个骨折子区域之间进行互相组队，即骨折子区域-骨折子区域组对，将多个非骨折子区域之间进行互相组队，即非骨折子区域-非骨折子区域组对，将多个骨折子区域与多个非骨折子区域分别进行组队，即骨折子区域-非骨折子区域组对从而构造样本，再通过大量训练样本进行训练得到成对比较网络，所述比较网络中包含骨折代表元和非骨折代表元。

步骤S4，获取目标X光图。

步骤S5，将目标X光图分割为n个目标骨骼子区域，具体包括：通过RCNN对目标X光图进行识别，将目标X光图分割为n个目标骨骼子区域。

在具体方案中，经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用，即可用于骨骼子区域的识别，所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上采用CNN提取特征，进行物体判断。

步骤S6，通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量，并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域，具体包括：通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn，通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小，当Ai＞Bi时，判断第i个目标骨骼子区域为骨折子区域，其中1≤i≤n。

在具体方案中，通过对比较网络分别对n个目标骨骼子区域进行比对，比较n个目标骨骼子区域与对应部位的骨折代表元的相似性，得到分数骨折代表元的相似性分数向量A1、A1…An，比较n个目标骨骼子区域与对应部位的非骨折代表元的相似性，得到分数骨折代表元的相似性分数向量B1、B1…Bn，再通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小，当Ai＞Bi时，判断第i个目标骨骼子区域为骨折子区域，进一步的，根据所述骨折子区域得到目标X光图中骨折区域。

参照图2，本发明提出的一种基于成对比较的骨折区域识别系统，包括：

第一获取模块，用于获取训练X光图。

第一分割模块，用于将训练X光图分割为n个骨骼子区域，具体用于：通过RCNN对训练X光图进行识别，将训练X光图分割为n个骨骼子区域。

在具体方案中，经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用，即可用于骨骼子区域的识别，所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上采用CNN提取特征，进行物体判断。

比较网络构造模块，用于将n个骨骼子区域进行分类并构造训练样本，根据所述训练样本进行训练得到成对比较网络，具体用于：将n个骨骼子区域进行骨折子区域与非骨折子区域分类；将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本；根据训练样本进行训练得到成对比较网络。

在具体方案中，将n个骨骼子区域分为多个骨折子区域和多个非骨折子区域，然后将多个骨折子区域之间进行互相组队，即骨折子区域-骨折子区域组对，将多个非骨折子区域之间进行互相组队，即非骨折子区域-非骨折子区域组对，将多个骨折子区域与多个非骨折子区域分别进行组队，即骨折子区域-非骨折子区域组对从而构造样本，再通过大量训练样本进行训练得到成对比较网络，所述比较网络中包含骨折代表元和非骨折代表元。

第二获取模块，用于获取目标X光图。

第二分割模块，用于将目标X光图分割为n个目标骨骼子区域，具体用于：通过RCNN对目标X光图进行识别，将目标X光图分割为n个目标骨骼子区域。

在具体方案中，经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用，即可用于骨骼子区域的识别，所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上采用CNN提取特征，进行物体判断。

骨折比对识别模块，用于通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量，并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域，具体用于：通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn，通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小，当Ai＞Bi时，判断第i个目标骨骼子区域为骨折子区域，其中1≤i≤n

在具体方案中，通过对比较网络分别对n个目标骨骼子区域进行比对，比较n个目标骨骼子区域与对应部位的骨折代表元的相似性，得到分数骨折代表元的相似性分数向量A1、A1…An，比较n个目标骨骼子区域与对应部位的非骨折代表元的相似性，得到分数骨折代表元的相似性分数向量B1、B1…Bn，再通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小，当Ai＞Bi时，判断第i个目标骨骼子区域为骨折子区域，进一步的，根据所述骨折子区域得到目标X光图中骨折区域。

本实施方式通过获取训练X光图，将训练X光图分割为n个骨骼子区域，将n个骨骼子区域进行分类并构造训练样本，根据所述训练样本进行训练得到成对比较网络，获取目标X光图，将目标X光图分割为n个目标骨骼子区域，通过成对比较网络分别对n个目标骨骼子区域进行比对，得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量，并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域，如此，对于一张X光图能标记出骨折的可能性区域，通过区域卷积神经网络RCNN对骨骼进行识别和分割，然后通过成对比较网络判断该区域是否骨折，通过医生的复查找出确切骨折区域，快速的减轻骨科医生的负担。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。