[发明专利]髋关节图像中骨骼解剖关键点定位方法、电子设备及介质

权利要求书

1.一种髋关节图像中骨骼解剖关键点定位方法，其特征在于，包括：

获取待定位髋关节图像；

将所述待定位髋关节图像输入预先训练的识别模型，以输出所述待定位髋关节图像的识别结果；

其中，通过预先训练得到识别模型的方法，包括：

创建识别初始模型，所述识别初始模型包括级联的残差卷积神经网络初始模型和图卷积神经网络初始模型；

获取多张人工标注关键点的髋关节样本图像；

将所述髋关节样本图像输入所述残差卷积神经网络初始模型，以得到关键点特征图；

将所述关键点特征图经过全局池化后，输入所述图卷积神经网络初始模型，以使预先制定的关键点连接图对所述关键点特征图进行图卷积，得到融合特征图；

将所述融合特征和所述关键点特征图进行点积操作，得到预测的各个关键点位置；

对预测的各个关键点位置利用所述髋关节样本图像中的人工标注关键点进行监督学习，确定损失函数，将所述损失函数回传至所述识别初始模型，以得到最终的识别模型。

2.如权利要求1所述的髋关节图像中骨骼解剖关键点定位方法，其特征在于，所述获取多张人工标注关键点的髋关节样本图像，包括：

获取多张髋关节样本图像，并对所述髋关节样本图像进行脱敏处理；

由一名或多名骨科临床医生对所述脱敏后的髋关节样本图像进行解剖关键点标注，得到带有人工标注关键点的髋关节样本图像；

当多名骨科临床医生对同一髋关节样本图像进行解剖关键点标注时，所述同一髋关节样本图像的人工标注关键点为所述多名骨科临床医生标注的解剖关键点的均值。

3.如权利要求1所述的髋关节图像中骨骼解剖关键点定位方法，其特征在于，将所述髋关节样本图像输入所述残差卷积神经网络初始模型，以得到关键点特征图，包括：

将所述髋关节样本图像输入所述残差卷积神经网络初始模型用于提取关键点特征，在目标关键点个数为n个时，所述残差卷积神经网络初始模型对应输出n个关键点特征图。

4.如权利要求1所述的髋关节图像中骨骼解剖关键点定位方法，其特征在于，将所述关键点特征图经过全局池化后，输入所述图卷积神经网络初始模型，以使预先制定的关键点连接图对所述关键点特征图进行图卷积，得到融合特征，包括：

将所述关键点特征图经过全局池化，得到池化后的关键点特征图；

将所述池化后的关键点特征图输入图卷积神经网络初始模型，图卷积神经网络初始模型将所述池化后的关键点特征图和预先制定的关键点连接图进行图卷积，得到融合特征。

5.如权利要求1所述的髋关节图像中骨骼解剖关键点定位方法，其特征在于，将所述融合特征和所述关键点特征图进行点积操作，得到预测的各个关键点位置，包括：

将所述关键点特征图和融合特征进行点积操作，得到加权特征图；

将所述加权特征图进行卷积操作，得到预测的各个关键点位置。

6.如权利要求1所述的髋关节图像中骨骼解剖关键点定位方法，其特征在于，将所述待定位髋关节图像输入预先训练的识别模型之前，还包括：

对所述待定位髋关节图像进行预处理；

或/和；

将所述髋关节样本图像输入所述残差卷积神经网络初始模型之前，还包括：

对所述髋关节样本图像进行预处理。

7.如权利要求6所述的髋关节图像中骨骼解剖关键点定位方法，其特征在于，所述预处理包括降噪处理、对比度增强处理、边缘处理以及数据增强处理中的一种或多种；

当所述预处理包括数据增强处理时，所述数据增强处理包括水平翻转、随机平移和旋转、色彩抖动以及随机擦除中的一种或多种；在对髋关节样本图像进行数据增强处理时，髋关节样本图像上的人工标注关键点随之变换。