[发明专利]肋骨骨折检测模型训练系统、方法、检测系统和检测方法

说明书

本发明涉及一种肋骨骨折检测模型训练系统、方法、检测系统和检测方法，属于人工智能技术领域。本发明通过采集多个包含肋骨的CT图像，由专家在CT图像上标注肋骨骨折的区域；提取CT图像中的骨骼区域作为目标区域，在目标区域中对CT图像进行采样，得到3D局部CT图像；采用3D DeepLab网络架构模块，使用若干个阳性和若干个阴性样本对模型进行训练，构建了一种新的基于高分辨率3D ResNet‑HR的肋骨骨折检测模型，将获得的检测模型用于肋骨骨折的检测，可以获得良好的预期性能。采用本发明所得到的检测模型用于肋骨骨折检测系统，与人工观察相比，速度提高了15倍以上，较好地解决了现有肋骨骨折检测技术的敏感性和特异性较差的技术问题。

技术领域

本发明涉及一种对骨折进行检测的技术，具体涉及一种基于深度学习对肋骨CT图像的骨折进行自动检测的模型的训练系统、训练方法、利用该模型进行检测的系统和检测方法，属于人工智能技术领域。

背景技术

肋骨骨折的诊断是重要且复杂的临床实践，法医鉴定和多项业务的日常任务场景（例如保险索赔）都需要精准地进行诊断。但是，现有技术很少有就此调查自动机器学习技术劳动密集型任务。

而众所周知，肋骨骨折伴随着明显的发病率和死亡率，胸部外伤占全部外伤的10％至15％创伤性损伤。常规胸部CT是胸外伤检查的主要选择，其以揭示隐匿性骨折及与骨折相关的并发症位置为优势。但是，在CT成像中肋骨骨折的检测在三个方面都具有挑战性：第一，肋骨在大量的CT部分之中具有复杂的几何形状；第二，骨折可能不起眼，尤其是在没有脱位的情况下存在，或断裂方向平行于正常观察部位；第三，必须有大量的CT切片按肋骨和肋骨顺序评估，这个过程是繁琐且劳动强度非常大。这些挑战促使结合了现代人工智能技术的自动机器的发展从而用以检测肋骨骨折。

新兴的深度学习技术在医学图像计算研究方面一直占据主导地位。目前将深度学习技术用于骨骼的骨折检测已有相关报道。例如，公开号为CN109859233A的中国专利申请，其公开了一种图像处理、模型的训练方法及系统，其是包括获取待检测图像；将所述待检测图像输入神经网络模型进行处理，得到骨骼分割结果、骨骼中心线分割结果和骨骼骨折检测结果，其中的神经网络模型是基于训练图像进行机器训练学习确定的，但是该技术是针对所有骨骼，并没有针对肋骨这一个特定的肋骨类型。再如，由Cheng Chi-Tung等发表的Application of a deep learning algorithm for detection and visualization ofhip fractures on plain pelvic radiographs的学术论文，该论文应用深度学习算法对髋部骨折进行检测和可视化，采用2012年1月至2017年12月25502例肢体X线片对DCNN进行预训练，在2008年8月至2016年期间，用3605枚PXRs进行了在训练，该算法识别髋部骨折的准确率为91%，灵敏度为98%，假阴性率为2%。但是该论文涉及的是针对髋部骨折检测的深度学习算法。

在现有技术中，较少涉及肋骨骨折的自动检测研究。例如Samuel Gunz等的研究“Automated rib fracture detection of postmortem computed tomography imagesusing machine learning techniques”，开发了基于2D肋骨展开工具和二维CNN的投影的半自动方法从而来进行分类是否存在肋骨骨折。从根本上讲，该肋骨展开工具的敏感性和特异性并不令人满意，导致其在现实世界中性能有限并且适用性不佳。除此之外，二维图像分类解决方案过度简化了此问题，缺乏肋骨骨折的定位和计数能力。

因此，基于上述技术问题与缺陷，当前所面临的对肋骨CT图像的骨折位置进行自动检测的现实环境，亟待一种能够针对肋骨CT图像自动检测肋骨骨折的系统，以实现更快检测肋骨骨折，以及对肋骨骨折的定位和计数更加精准，从而加快读片时间，降低漏诊概率。

发明内容