本发明涉及头颅侧位片关键点标注技术领域,特别是一种基于深度学习的头颅侧位片关键点自动侦测方法及系统。
背景技术:
目前在头颅侧位片标注关键点时,传统的做法是医生操控鼠标直接在侧位片上进行手工描点,该方法耗时长,有经验的医生手工描点一个侧位片至少需要15分钟,并且医生经验对关键点准确性有很大影响。
技术实现要素:
为解决现有技术中存在的问题,本发明提供了一种基于深度学习的头颅侧位片关键点自动侦测方法及系统,可快速标注出侧位片关键点,并且将精度控制在临床要求范围内。
本发明采用的技术方案是:
一种基于深度学习的头颅侧位片关键点自动侦测方法,包括如下步骤:
a、准备数量为l的侧位片作为样本;
b、在步骤a中的每个样本中标注出预测框和关键点;
c、搭建两个层数为m的深度神经网络模型,其中一个为预测框模型,另外一个为关键点模型;
d、用步骤b中标注好的样本分别对步骤c中的两个模型进行监督训练n次;
e、将新的侧位片输入至预测框模型,得到预测框,将预测框区域的图片抠出,并将抠出的图片输入关键点模型,得到关键点坐标。
优选地,在步骤a中,l大于50000。
为保证样本的多样性,准备数量大于50000的样本,使训练得到的网络模型具有优秀的泛化能力。
优选地,在步骤c中,m大于50。
为保证网络模型的容量和复杂度,搭建两个深度神经网络模型,其中一个为预测框模型,另外一个为关键点模型,且层数均大于50层,使训练得到的网络模型拥有足够的能力来侦测各种复杂情况下的关键点。
优选地,在步骤d中,n为6。
训练次数以6次为宜,6次训练轮数使得训练得到的模型不至于过拟合,也不会欠拟合。
一种基于深度学习的头颅侧位片关键点自动侦测系统,包括图形储存模块、样本标注模块、预测框深度神经网络模块、关键点深度神经网络模块;
图形储存模块:用于接收并储存侧位片样本图形和新的侧位片图形;
样本标注模块:用于读取图形储存模块中的侧位片样本图形,接收标注信息并更新至侧位片样本图形后重新储存入图形储存模块;
预测框深度神经网络模块:用于读取图形储存模块中储存的标注后的侧位片样本图形进行训练生成标注有预测框的侧位片样本图形输出至关键点深度神经网络模块,以及用于读取图形储存模块中新的侧位片图形生成标注有预测框的新的侧位片图形输出至关键点深度神经网络模块;
关键点深度神经网络模块:用于接收预测框深度神经网络模块传输的标注有预测框的侧位片样本图形进行关键点标注训练并输出标注有预测框及关键点的侧位片样本图形,以及用于接收预测框深度神经网络模块传输的标注有预测框的新的侧位片图形进行关键点标注并输出标注有预测框及关键点的新的侧位片图形。
优选地,所述图形储存模块的样本储存量大于50000张。
优选地,所述预测框深度神经网络模块和关键点深度神经网络模块的层数大于50层。
优选地,所述关键点为为颅部正中矢状面上蝶鞍影响中心点,所述预测框为囊括完整的蝶鞍影像的最小矩形框。
本发明的有益效果是:采用成熟的深度学习神经网络,通过大量样本的学习,提升模型对关键点的自动侦测能力,可快速标注出侧位片关键点,并且将精度控制在临床要求范围内。
附图说明
图1为本发明实施例中基于深度学习的头颅侧位片关键点自动侦测方法的流程示意图;
图2为本发明实施例中头颅侧位片标注出预测框和关键点的示意图;
图3为本发明实施例中基于深度学习的头颅侧位片关键点自动侦测系统的示意框图;
附图标记说明:1、图形储存模块,2、样本标注模块,3、预测框深度神经网络模块,4、关键点深度神经网络模块。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1
一种基于深度学习的头颅侧位片关键点自动侦测方法,如图1所示,包括如下步骤:
s1、准备数量为5000的侧位片作为样本;
s2、在步骤s1中的每个样本中标注出预测框和关键点;如图2所示,图中黑色方框为预测框,黑色圆点为关键点;
s3、搭建两个层数为50的深度神经网络模型,其中一个为预测框模型,另外一个为关键点模型;
s4、用步骤s2中标注好的样本分别对步骤s3中的两个模型进行监督训练6次;
s5、将新的侧位片输入至预测框模型,得到预测框,将预测框区域的图片抠出,并将抠出的图片输入关键点模型,得到关键点坐标。
具体地,预测框为人工标注产生的,黑色框在标注时需要囊括该关键点相关的医学解剖结构,如图2中的关键点称为蝶鞍点,医学上定义为颅部正中矢状面上蝶鞍影响中心点,那么该预测框就需要囊括完整的蝶鞍影像。各关键点拥有各自不同大小的预测框,需要根据医学定义及医生经验来标注,允许有一定误差,因为预测框仅需要预测大致范围,精确的关键点位置由关键点模型来完成判断。
实施例2
一种基于深度学习的头颅侧位片关键点自动侦测方法,包括如下步骤:
s1、准备数量为6000的侧位片作为样本;
s2、在步骤s1中的每个样本中标注出预测框和关键点;
s3、搭建两个层数为60的深度神经网络模型,其中一个为预测框模型,另外一个为关键点模型;
s4、用步骤s2中标注好的样本分别对步骤s3中的两个模型进行监督训练6次;
s5、将新的侧位片输入至预测框模型,得到预测框,将预测框区域的图片抠出,并将抠出的图片输入关键点模型,得到关键点坐标。
实施例3
一种基于深度学习的头颅侧位片关键点自动侦测方法,包括如下步骤:
s1、准备数量为7000的侧位片作为样本;
s2、在步骤s1中的每个样本中标注出预测框和关键点;
s3、搭建两个层数为70的深度神经网络模型,其中一个为预测框模型,另外一个为关键点模型;
s4、用步骤s2中标注好的样本分别对步骤s3中的两个模型进行监督训练6次;
e、将新的侧位片输入至预测框模型,得到预测框,将预测框区域的图片抠出,并将抠出的图片输入关键点模型,得到关键点坐标。
实施例4
一种基于深度学习的头颅侧位片关键点自动侦测系统,该系统用于实现实施例1-3任一实施例中所述的方法,如图3所示,包括图形储存模块1、样本标注模块2、预测框深度神经网络模块3、关键点深度神经网络模块4;
图形储存模块:用于接收并储存侧位片样本图形和新的侧位片图形;
样本标注模块:用于读取图形储存模块中的侧位片样本图形,接收标注信息并更新至侧位片样本图形后重新储存入图形储存模块;
预测框深度神经网络模块:用于读取图形储存模块中储存的标注后的侧位片样本图形进行训练生成标注有预测框的侧位片样本图形输出至关键点深度神经网络模块,以及用于读取图形储存模块中新的侧位片图形生成标注有预测框的新的侧位片图形输出至关键点深度神经网络模块;
关键点深度神经网络模块:用于接收预测框深度神经网络模块传输的标注有预测框的侧位片样本图形进行关键点标注训练并输出标注有预测框及关键点的侧位片样本图形,以及用于接收预测框深度神经网络模块传输的标注有预测框的新的侧位片图形进行关键点标注并输出标注有预测框及关键点的新的侧位片图形。
其中,所述图形储存模块的样本储存量大于50000张;所述预测框深度神经网络模块和关键点深度神经网络模块的层数大于50层;所述关键点为为颅部正中矢状面上蝶鞍影响中心点,所述预测框为囊括完整的蝶鞍影像的最小矩形框。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。