[发明专利]一种基于改进Faster-RCNN的头影标记点定位方法

说明书

一种基于改进Faster‑RCNN的头影标记点定位方法，头影测量是正畸疗诊过程不可或缺的分析手段，其中机器学习方法在医学影像分析方面具有突出优势，基于学习的方法不受观察者主动性的影响，使得定位的准确性得到了大大提高，但其准确性很大程度上取决于训练数据的数量与准确性；本发明提出一种主干网络先将图像划分为若干个小区域，通过卷积核提取特征值，再通过池化层进行下采样，在不影响图像质量的情况下压缩图片，再通过全连接层将特征进行整合，获取图像特征具有高层含义，提高检测的准确性，另外，利用K‑Means++的思想消除异常点，降低误检测概率，在保证检测的稳定性的同时提高了准确性，本发明能实现头颅侧位X光片标记点的自动检测，能在临床上进行运用。

技术领域

本发明属于医疗领域，具体涉及一种改进Faster-RCNN的高精度自动定位的头颅侧位X光片解剖标记点的方法。

背景技术

头影测量是正畸、正颌诊疗过程中不可或缺的分析手段。随着计算机辅助技术的发展，头影测量自动定点已经在二维头影测量中基本实现，并达到了较高的精确度，大大减轻了操作者的负担；而由于锥体束计算机断层扫描(CBCT)影像无放大失真、组织重叠等缺点，能精确定位头影测量分析的解剖标志，对于诊断和分析先天或后天的颅面部不对称畸形具有天然的优势，三维头影测量自动定点已经成为目前头影测量领域重要的研究方向。

然而目前二维头影测量自动定点方法中，还存在着在推广不充分的问题，相关软件如Dolphin、WinCeph、Uceph价格昂贵，多在大型医院使用，实际情况是大多数中小型医院标记点的输入仍停留在人工定位的水平，不仅工作量大，主观因素强，而且还不可避免地会产生人为误差，直接影响着测量的准确性和预测的可靠性。而且标记点属于小尺寸目标，标记点缺乏区分自身与背景的外观信息，在深度卷积神经网络中极易丢失特征信息，在检测时容易出现漏检和误检的情况。因此，进一步提高二维头影测量的准确性和稳定性仍是值得研究的重点。

发明内容

本发明的目的在于针对目前二维头影测量自动定点的准确性和稳定性较低，以及人类对二维头影的标记点进行人工定位具有很强的主观影响，提供一种改进Faster-RCNN的头影标记点定位方法以解决上述背景技术中的问题。

为了实现上述目的，本发明通过以下技术方案实现：

一种基于改进Faster-RCNN的头影标记点定位方法，具体包括以下步骤：

步骤1：对原始二维头颅侧位X光片进行增强和去噪处理，在label文件中加入标记点类别信息；

步骤2：将处理后的数据集按比例分成训练集、验证集和测试集；

步骤3：进行CNN部分，将FPN和ResNet进行融合，FPN通过双向融合的方式获得强语义信息和位置信息，ResNet对增强后的图像进行特征提取操作；

步骤4：候选区域网络RPN遍历整个特征图生成anchors映射回原图，根据NMS输出比较精确的ROIs，经过卷积层feature map用ROI pooling固定全连接层的输入维度，然后把经过RPN输出的ROIs映射到ROIpooling的feature map上进行bbox回归和分类；

步骤5：在ResNet50FPN和RPN中加入混合注意力机制提高模型的检测性能；

步骤6：在检测模型得到输出图像后，利用K-Means++算法消除异常值点，实现标记点的检测优化。

本发明的有益效果：