CN109886320B - 一种人体股骨x光片智能识读方法及*** - Google Patents
一种人体股骨x光片智能识读方法及*** Download PDFInfo
- Publication number
- CN109886320B CN109886320B CN201910090919.7A CN201910090919A CN109886320B CN 109886320 B CN109886320 B CN 109886320B CN 201910090919 A CN201910090919 A CN 201910090919A CN 109886320 B CN109886320 B CN 109886320B
- Authority
- CN
- China
- Prior art keywords
- ray film
- image
- layer
- ray
- femoral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 210000000689 upper leg Anatomy 0.000 claims abstract description 20
- 230000005855 radiation Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000003707 image sharpening Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 26
- 210000000988 bone and bone Anatomy 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000003759 clinical diagnosis Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 claims 1
- 210000001694 thigh bone Anatomy 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007639 printing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000018084 Bone neoplasm Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000002436 femur neck Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人体股骨X光片智能识读方法，包括下列步骤，对骨骼X光片进行除噪预处理，使图像平滑，并通过图像锐化，增强图像对比度；通过自适应辐射梯度法快速提取X光片中股骨关节这一关键部位的轮廓特征；利用尺度不变特征转换算法对骨骼X光片图像进行特征提取；通过改进的BP神经网络进行特征匹配，输出诊断结果，完成人体股骨X光片的智能识读。本发明的方法具有较强的鲁棒性和自适应迭代的特点，利用尺度不变特征转换算法和改进的BP神经网络技术对人体骨骼X光片进行智能识读，准确高效，最大程度降低X光片诊断对医师人工识读的依赖。
Description
技术领域
本发明涉及一种人体骨骼X光片智能识读***及方法，属于图像识别、神经网络、医学应用领域。
背景技术
随着当今医疗流程的标准化，拍“平片”(X光片)成为临床诊断不可或缺的一环，拍片数量的快速增长而坐诊医师数量却相对稳定，因而提供高效的诊断成为医院临床应用的迫切需求。目前患者所拍X光片几乎全靠医师的人工识读，费时费力并且准确度受医师临床经验的影响很大。
当前借助计算机辅助识读方法由于X光片图像噪声较多，对于图像轮廓分割不清晰将导致提取的特征点不够充足，从而影响特征的自动判断，并且需要借助专业的设备来完成，在实际应用中效果十分有限。
发明内容
本发明要解决的问题是提供一种人体骨骼X光片智能识读***及方法。
为解决上述技术问题，本发明的一种人体股骨X光片智能识读方法，包括下列步骤，
S1：对骨骼X光片进行除噪预处理，使图像平滑，并通过图像锐化，增强图像对比度；
S2：通过自适应辐射梯度法快速提取X光片中股骨关节这一关键部位的轮廓特征；
S3：利用尺度不变特征转换算法对骨骼X光片图像进行特征提取；
S4：通过改进的BP神经网络进行特征匹配，输出诊断结果，完成人体股骨X光片的智能识读。
作为进一步的限定，S1中对骨骼X光片进行除噪预处理时，首先对骨骼X光片图像进行二值化处理，以便后续快速进行特征的分割、提取和识别。
作为进一步的限定，S2中通过自适应辐射梯度法提取股骨关节轮廓特征时，利用最小二乘法拟合出一条近似的股骨体中轴线，股骨头位于股骨最上端，类似于球形，通过股骨头区域的各边界点坐标，用最小二乘法拟合一个股骨头的近似圆形，求出圆形半径。
作为进一步的限定，S3中，骨骼X光片图像的二维高斯函数为：
其中，σ2是高斯方差，通过图像与高斯函数进行卷积处理得到不同尺度下的尺度空间：
L(x，y，σ)＝G(x，y，σ)*g(x，y)，
其中，g(x，y)是经过步骤S1处理后得到的图像，σ是高斯标准差，即空间尺度因子，利用高斯差函数建立尺度空间：
D(x，y，σ)＝[G(x，y，Kσ)-G(x，y，σ)]*g(x，y)＝L(x，y，Kσ)-L(x，y，σ)，
其中，K是固定的系数，将高斯差图像中的每个像素与其邻域以及对应尺度空间的邻域进行比较，选取灰度值最大或最小者，记录其坐标位置和尺度空间作为候选特征点，设立极值点为Wmax，将其高斯差函数进行泰勒展开：
其中，W＝(x，y，σ)T，T是转置矩阵，对
式
求导并令其等于0便可求出极值点的偏移度，选择极值点偏移值较小的一侧像素作为候选特征点，重复计算S3步骤，得到精确位置，替换所有尺度的候选特征点位置，得到骨骼轮廓特征点。
作为进一步的限定，S4中将股骨X片经S1，S2，S3步骤的处理得到各样本的特征作为样本集，并根据样本划分为训练集、测试集和验证集，结果集由临床中所有的诊断结果构成，以此来训练有导师学习神经网络。
作为进一步的限定，激活函数、隐含层等要素做如下设置：
输入层：股骨X平片的特征点X＝{X1，X2，…，Xq}，q＞50，
隐含层：隐含层神经元数
其中q为输入层特征点数，k1为输出层分类类别数，
表示向上取整，
表示向下取整，隐含层激活函数统一采用可导并且有下边界无上边界的特性函数
来克服“梯度消失”和“输入饱和”；
连接权值：输入层与隐含层各连接权值为ωij，隐含层与输出层各连接权值为ωjt；
阈值：隐含层神经元阈值为θj，j为隐含层神经元计数；输出层神经元阈值为bt，t为输出层神经元计数；
输出层：神经元个数等于分类类别数k1，输出层激活函数采用softMax函数
进一步克服“梯度消失”和“饱和”问题；
误差：在本发明所述的多分类背景下，为了加快神经网络的收敛速度，采用如下方法计算误差，
其中δ表示输出的***误差，
表示输出层第t个神经元的预测输出，zt表示输出层第t个神经元对应的实际结果，
表示预测输出与实际结果由差异的数量，确定了以上网络结构，即可根据典型BP神经网络的迭代过程展开训练。
本发明还涉及一种人体股骨X光片智能识读***，包括X光机***，X光机***连接主控计算机，主控计算机一方面用于操控X光机***工作，另一方面对X光机***拍摄的X光片图像进行处理、存储、分析，智能识读X光片并生成诊断结果，所述主控计算机上运行权利要求1-6所述的人体股骨X光片智能识读方法的智能识读软件。
作为进一步的限定，所述主控计算机通过网络连接到路由设备，路由设备通过业务交换机连接到医院的内网；
所述业务交换机通过内网连接到核心交换机，核心交换机还连接有本地服务器，本地服务器上存储有X光片的影像及确诊结果历史记录；
所述核心交换机通过网闸及网络安全设备连接到云服务器上，云服务器按照业务逻辑分为业务层、数据层、服务层和接口层，其中业务层用来提供用户身份认证、权限管理和交互信息的获取等；数据层用于对数据信息进行存储、安全加密和报表服务等；服务层用来提供扩展服务，包括提供接口服务、数据二次分析、响应式业务处理等；接口层用于对第三方***提供API接口、数据流、web服务以及其它个性化接口等；
主控计算机、本地服务器或云服务器运行上述的人体股骨X光片智能识读方法的智能识读软件。
作为进一步的限定，所述主控计算机、本地服务器或云服务器上的智能识读软件不断优化和迭代智能识读模型，任何一个设备迭代出新一代的模型，都会同步到其它设备。
本发明的方法具有较强的鲁棒性和自适应迭代的特点，利用尺度不变特征转换算法和改进的BP神经网络技术对人体骨骼X光片进行智能识读，准确高效，最大程度降低X光片诊断对医师人工识读的依赖。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是人体骨骼X光片智能识读***模型图。
图2是人体骨骼X光片智能识读方法流程图。
图3是骨骼X光片智能识读方法框图。
图4是股骨轮廓结构图。
图5是原股骨X平片。
图6是经处理得到股骨轮廓特征点后的效果图。
图7是改进的BP神经网络结构图。
具体实施方式
本发明的人体股骨X光片智能识读***包括：
X光机***1，利用X射线的穿透作用，显示出人体各部不同密度的阴影，获得骨骼X光片；X光机***1通过线缆，包括但不限于网线、串口线、光纤等或无线方式连接主控计算机2，主控计算机2一方面用于操控X光机***工作；另一方面对X光机***拍摄的X光片图像进行处理、存储、分析，智能识读X光片并生成诊断结果；
主控计算机2通过网络连接到路由设备3，路由设备3通过业务交换机4连接到医院的内网；路由设备3还连接有胶片打印机5，可打印X光片胶片；路由设备3还可连接普通打印机6，用来打印诊断结果；路由设备3还可连接综合打印机7，既可以打印胶片又可显示和打印诊断结果；
业务交换机4通过内网连接到核心交换机9，核心交换机9还连接有本地服务器8，本地服务器8上存储有X光片的影像及确诊结果历史记录，其上运行有智能识读基础软件，该智能识读软件不断调用本地服务器8上所存储的影像及确诊结果作为训练样本数据，不断优化和迭代智能识读模型；
核心交换机9通过网闸及网络安全设备10连接到云服务器11上，云服务器11按照业务逻辑分为业务层、数据层、服务层和接口层，其中业务层用来提供用户身份认证、权限管理和交互信息的获取等；数据层用于对数据信息进行存储、安全加密和报表服务等；服务层用来提供扩展服务，包括提供接口服务、数据二次分析、响应式业务处理等；接口层用于对第三方***提供API接口、数据流、web服务以及其它个性化接口等；
终端设备12,包括但不限于PC电脑、手机等移动终端设备，通过公网连接到云服务器11，个人用户通过管理***软件查看影像及诊断结果。
如图1是人体骨骼X光片智能识读***架构图。
该***的智能识读软件可运行在***框架内任何具有处理能力的设备上，包括但不限于主控计算机2，本地服务器8，云服务器11，终端设备12；上述具有处理能力的各设备都在不断优化和迭代智能识读模型，任何一个设备迭代出新一代的模型，都会同步到其它设备。
具体步骤可参照图2的人体骨骼X光片智能识读方法流程图。
人体骨骼X光片智能识读方法包括：
S1：对骨骼X光片进行除噪预处理，使图像平滑，并通过图像锐化，增强图像对比度；
构建骨骼x光片智能识读方法流程，如图3所示。首先对骨骼X光片图像进行二值化处理，以便后续快速进行特征的分割、提取和识别。二值化阈值的选取直接关系到图像二值化效果以及对骨骼特征点的准确定位。
计算样本X光片图像在去掉背景后灰度级i对应的灰度级平均值μi为：
其中，yi是图像直方图上灰度级为i所对应的像素总数，yj为背景直方图灰度级为j所对应的像素总数，s为背景灰度级最大值；X光片图像灰度级最大取值为n，例如b为位图灰度级最大值n＝2b；
利用上述平均值计算得到最优化的二值化阈值m：
j＝0,1,…,p，表示灰度级；m是j在上式取得最大值时的对应值，即二值化阈值，这样得到的阈值将最大限度将各灰度级的像素均匀的二值化。
利用上述阈值产生二值图像：
其中，f(x，y)是图像的灰度函数，(x，y)是像素坐标,1(x，y)表示二值处理的上限值，0(x，y)表示二值处理的下限值，在实际应用中，这两个值的取值方法为：所对应的灰度能够产生明显的对比，例如在位图中可用1(x，y)＝255，0(x，y)＝0等来产生明显的对比效果。
通过二值化阈值将骨骼X光片图像进行二值化，但背景区域产生一些孤立噪声点，因此需要通过中值滤波法进行除噪。首先确定一个奇数像素的窗口W，将各像素按灰度值进行排序，用窗口中其他点灰度值的中值作为窗口中心点的灰度值：
g(x，y)＝med{f(x-k，y-l)，(k，l∈W)}
其中，f(x，y)，g(x，y)分别是原始图像和处理后的图像，med表示取中位值，k，l是邻域内各点到该点的距离。通过中值滤波去除二值图像背景的孤立噪声点，使图像平滑，但经过中值的图像轮廓变得模糊，因此需要通过拉普拉斯滤波器对图像进行锐化处理：
从而增强图像的对比度，有利于边缘特征点的提取。
图3是骨骼x光片智能识读方法框图。
S2：通过自适应辐射梯度法来快速提取X光片中股骨关节这一关键部位的轮廓特征；
对X光片图像预处理后需要提取骨骼轮廓特征(以股骨为实施例，如图4所示)，方便进行诊断。计算骨骼边界点像素坐标系列(xLi，yLi)、(xRi，yRi)的中点坐标序列：
利用最小二乘法拟合出一条近似的股骨体中轴线y＝kx+b：
股骨头位于股骨最上端，类似于球形，通过股骨头区域的各边界点坐标，用最小二乘法拟合一个股骨头的近似圆形，设立所求的圆形为：
(x-x0)2+(y-y0)2＝R2
其中，(x0，y0)是圆心的坐标，R是半径。设立某圆形与股骨头的差异度为：
其中，(xc，yc)是某圆形的圆心坐标，r是某圆形的半径，M是边界点数量。差异度越小，该圆形与股骨头越近似。
自适应辐射梯度法包括：
①通过确定类圆形内的某个点，以该点为中心向四周发射辐射线；
②利用灰度梯度最大差值估计类圆形的边缘。
通过自适应辐射梯度法可以准确分割出股骨头的外部轮廓，对于类圆形图像的分割精度较高，相较于其他方法对噪声敏感度低，可以抗拒周围骨骼带来的影响。根据X光片图像拍摄的位置得到股骨头的中心点Pc，以中心点为起点，每隔45度角引出辐射线，并在每条辐射线上搜索相邻辐射线同一位置像素点灰度梯度值之差最大的像素点，即股骨边缘点。更正类圆形的中心点：
其中，xe1是0度辐射线所确定的边缘点的横坐标，xe5是180度辐射线所确定的边缘点的横坐标，ye3是90度辐射线所确定的边缘点的纵坐标，ye7是270度辐射线所确定的边缘点的纵坐标。若修正后的中心点与之前的中心点之间的距离大于距离阈值，则继续修正；否则计算中心点到每个边缘点距离的均值作为股骨头的均半径R′：
其中，Pei是修正后中心点到第i条辐射线所确定的边缘点，D是距离。一条辐射线确定一个边缘点，将边缘点依次连接，组成的闭合区域即为股骨头，提取股骨头轮廓，同样可以得到股骨颈、大粗隆、小粗隆等其他部位的轮廓。参见图4股骨轮廓结构图。
S3：经S1和S2步骤处理后，利用尺度不变特征转换(SIFT)算法对骨骼X光片图像进行特征提取；
SIFT算法是在图像尺度空间寻找极值点，提取图像尺度和旋转变化具有不变性，对光照变换和图像变形具有较强适应性的特征点及其特征描述。
骨骼X光片图像的二维高斯函数为：
其中，σ2是高斯方差。通过图像与高斯函数进行卷积处理得到不同尺度下的尺度空间：
L(x，y，σ)＝G(x，y，σ)*g(x，y)
其中，g(x，y)是经过步骤S1处理后得到的图像，σ是高斯标准差，即空间尺度因子。利用高斯差函数建立尺度空间：
D(x，y，σ)＝[G(x，y，Kσ)-G(x，y，σ)]*g(x，y)＝L(x，y，Kσ)-L(x，y，σ)
其中，K是固定的系数。将高斯差图像中的每个像素与其邻域以及对应尺度空间的邻域进行比较，选取灰度值最大或最小者，记录其坐标位置和尺度空间作为候选特征点。设立极值点为Wmax，将其高斯差函数进行泰勒展开：
其中，W＝(x，y，σ)T，T是转置矩阵。对
S4：通过改进的BP神经网络进行特征匹配，输出诊断结果，完成人体骨骼X光片的智能识读。
从图6可知，经过S1,S2,S3步骤处理后得到的单幅股骨X平片的特征点，会产生少数的新噪声特征点，在本发明中不需要特别处理这类噪声，而是利用S4步骤神经网络的泛化性能，在大样本量的背景下，这类噪声会被自然的过滤掉。
将医院本地服务器8上存储的所有股骨X片经S1，S2，S3步骤的处理得到各样本的特征作为样本集，并根据样本划分为训练集、测试集和验证集，结果集由临床中所有的诊断结果构成，以此来训练有导师学习神经网络。
本实施例采用改进的BP神经网络作为智能识读的模型，如图7所示。
在应用中，可由骨平片判断的症状有多种，因此X光片的智能识读方法可归结为一个多分类问题。在本实施例所述的多分类问题中，若采用一般性BP神经网络，在实际应用中随着训练的深入，将会经常性的面临“梯度消失”和“输入饱和”的问题，导致模型的各层权值无法更新。
基于以上问题，本实施例将从激活函数、隐含层等要素做如下设置：
输入层：股骨X平片的特征点X＝{X1,X2,…,Xq}，q>50，
隐含层：隐含层神经元数
其中q为输入层特征点数，k1为输出层分类类别数，
表示向上取整，
表示向下取整。隐含层激活函数统一采用可导并且有下边界无上边界的特性函数
来克服“梯度消失”和“输入饱和”。
连接权值：输入层与隐含层各连接权值为ωij，隐含层与输出层各连接权值为ωjt。
阈值：隐含层神经元阈值为θj，j为隐含层神经元计数；输出层神经元阈值为bt，t为输出层神经元计数。
输出层：神经元个数等于分类类别数k1，输出层激活函数采用softMax函数
进一步克服“梯度消失”和“饱和”问题。
误差：在本发明所述的多分类背景下，为了加快神经网络的收敛速度，采用如下方法计算误差，
其中δ表示输出的***误差，
表示输出层第t个神经元的预测输出，zt表示输出层第t个神经元对应的实际结果，
表示预测输出与实际结果由差异的数量。
确定了以上网络结构，即可根据典型BP神经网络的迭代过程展开训练。
(1)信号的前向传递：参考图7所示网络结构，信号由输入层输入经过隐含层各神经元的输出yi＝fi(XT·Wi-θi)，其中yi为隐含层第i个神经元的输出，fi为隐含层第i个神经元的激活函数,Wi＝[w1i，w2i，…，wni]；隐含层信号再经过输出层输出
其中
表示输出层第t个神经元的预测输出，YT表示隐含层神经元的输出向量，Wt＝[w1t，w2t，…，wmt]；最后，经输出层神经元输出后，计算***误差
(2)误差的反向传递及连接权值的修正：
***误差反向传递到隐含层神经元的误差为：
其中i表示隐含层的第i个神经元；j表示输出层的第j个神经元。
连接权值修正：
输入层与隐含层的连接权值修正为
隐含层与输出层的连接权值修正为
其中μ为学习率。
经以上计算，就完成了一次神经网络的迭代，计算误差，若不符合要求则重复上述两个过程，若符合要求则停止迭代，神经网络模型训练完毕。
将拍摄的股骨X光片输入到模型中，神经网络将自动输出诊断结果，为最大限度避免误诊信息，***还利用专家法将不同位置特征点以及点间特征匹配结果集中相应的诊断结果，例如：股骨中轴线产生偏移、股骨头上某段特征点产生偏移可能存在骨肿瘤、骨关节间隙与股骨长度比值的大小产生的专家判断结果等相比对，选取特征匹配相似度最高的三个诊断结果作为***智能识读的最终结果。
将诊断结果与患者挂号信息关联，并以可识别的编码，包括但不限于条形码、二维码等方式嵌入X光片底部，患者凭借身份证或病历卡到自助打印设备打印X光片，并扫描X光片上的可识别编码获得自己的诊断信息；还可以借助个人终端设备，包括但不限于PC电脑、手机、平板电脑等终端设备上的管理软件登录来查看诊断影像及结果，实现人体骨骼X光片的智能识读。该***中只要有处理能力的节点均可运行该方法。
综上所述，便完成了本发明所述的一种人体股骨X光片智能识读***及方法。以上仅为本方法的较佳实施例，该方法具有较强的鲁棒性和自适应迭代的特点，利用尺度不变特征转换算法和改进的BP神经网络技术对人体骨骼X光片进行智能识读，准确高效，最大程度降低X光片诊断对医师人工识读的依赖。
Claims (7)
1.一种人体股骨X光片智能识读方法，其特征在于：包括下列步骤，
S1：对骨骼X光片进行除噪预处理，使图像平滑，并通过图像锐化，增强图像对比度；
S2：通过自适应辐射梯度法快速提取X光片中股骨关节这一关键部位的轮廓特征；
S3：利用尺度不变特征转换算法对骨骼X光片图像进行特征提取；
S4：通过改进的BP神经网络进行特征匹配，输出诊断结果，完成人体股骨X光片的智能识读；
其中，在S1中对骨骼X光片进行除噪预处理时，首先对骨骼X光片图像进行二值化处理，以便后续快速进行特征的分割、提取和识别；
计算样本X光片图像在去掉背景后灰度级i对应的灰度级平均值μi为：
其中，yi是图像直方图上灰度级为i所对应的像素总数，yj为背景直方图灰度级为j所对应的像素总数，s为背景灰度级最大值；X光片图像灰度级最大取值为n，b为位图灰度级最大值n＝2b；
利用上述平均值计算得到最优化的二值化阈值m：
j＝0,1,…,p，表示灰度级；m是j在上式取得最大值时的对应值，即二值化阈值，这样得到的阈值将最大限度将各灰度级的像素均匀的二值化；
利用上述阈值产生二值图像：
其中，f(x，y)是图像的灰度函数，(x，y)是像素坐标，1(x，y)表示二值处理的上限值，0(x，y)表示二值处理的下限值；
确定一个奇数像素的窗口W，将各像素按灰度值进行排序，用窗口中其他点灰度值的中值作为窗口中心点的灰度值：
g(x，y)＝med{f(x-k，y-l)，(k，l∈W)}
其中，f(x，y),g(x，y)分别是原始图像和处理后的图像,med表示取中位值，k，l是邻域内各点到该点的距离；
通过拉普拉斯滤波器对图像进行锐化处理：
从而增强图像的对比度，有利于边缘特征点的提取；
S4中激活函数、隐含层等要素做如下设置：
输入层：股骨X平片的特征点X＝{X1,X2,…,Xq}，q>50，
隐含层：隐含层神经元数
其中q为输入层特征点数，k1为输出层分类类别数，
表示向上取整，
表示向下取整，隐含层激活函数统一采用可导并且有下边界无上边界的特性函数
来克服“梯度消失”和“输入饱和”；
连接权值：输入层与隐含层各连接权值为ωij，隐含层与输出层各连接权值为ωjt；
阈值：隐含层神经元阈值为θj，j为隐含层神经元计数；输出层神经元阈值为bt，t为输出层神经元计数；
输出层：神经元个数等于分类类别数k1，输出层激活函数采用softMax函数
进一步克服“梯度消失”和“饱和”问题；
误差：在多分类背景下，为了加快神经网络的收敛速度，采用如下方法计算误差，
其中δ表示输出的***误差，
表示输出层第t个神经元的预测输出，zt表示输出层第t个神经元对应的实际结果，
表示预测输出与实际结果由差异的数量，确定了以上网络结构，即可根据典型BP神经网络的迭代过程展开训练。
2.按照权利要求1所述的人体股骨X光片智能识读方法，其特征在于：S2中通过自适应辐射梯度法提取股骨关节轮廓特征时，利用最小二乘法拟合出一条近似的股骨体中轴线，股骨头位于股骨最上端，类似于球形，通过股骨头区域的各边界点坐标，用最小二乘法拟合一个股骨头的近似圆形，求出圆形半径。
3.按照权利要求1所述的人体股骨X光片智能识读方法，其特征在于：S3中，骨骼X光片图像的二维高斯函数为：
其中，σ2是高斯方差，通过图像与高斯函数进行卷积处理得到不同尺度下的尺度空间：L(x，y，σ)＝G(x，y，σ)*g(x，y)，
其中，g(x，y)是经过步骤S1处理后得到的图像，σ是高斯标准差，即空间尺度因子，利用高斯差函数建立尺度空间：
D(x，y，σ)＝[G(x，y，Kσ)-G(x，y，σ)]*g(x，y)＝L(x，y，Kσ)-L(x，y，σ)，
其中，K是固定的系数，将高斯差图像中的每个像素与其邻域以及对应尺度空间的邻域进行比较，选取灰度值最大或最小者，记录其坐标位置和尺度空间作为候选特征点，设立极值点为Wmax，将其高斯差函数进行泰勒展开：
其中，W＝(x，y，σ)T，T是转置矩阵，对
式求导并令其等于0便可求出极值点的偏移度，选择极值点偏移值较小的一侧像素作为候选特征点，重复计算S3步骤，得到精确位置，替换所有尺度的候选特征点位置，得到骨骼轮廓特征点。
4.按照权利要求1所述的人体股骨X光片智能识读方法，其特征在于：S4中将股骨X片经S1，S2，S3步骤的处理得到各样本的特征作为样本集，并根据样本划分为训练集、测试集和验证集，结果集由临床中所有的诊断结果构成，以此来训练有导师学习神经网络。
5.一种人体股骨X光片智能识读***，其特征在于：包括X光机***，X光机***连接主控计算机，主控计算机一方面用于操控X光机***工作，另一方面对X光机***拍摄的X光片图像进行处理、存储、分析，智能识读X光片并生成诊断结果，所述主控计算机上运行权利要求1-4任一项 所述的人体股骨X光片智能识读方法的智能识读软件。
6.按照权利要求5所述的人体股骨X光片智能识读***，其特征在于：
所述主控计算机通过网络连接到路由设备，路由设备通过业务交换机连接到医院的内网；
所述业务交换机通过内网连接到核心交换机，核心交换机还连接有本地服务器，本地服务器上存储有X光片的影像及确诊结果历史记录；
所述核心交换机通过网闸及网络安全设备连接到云服务器上，云服务器按照业务逻辑分为业务层、数据层、服务层和接口层，其中业务层用来提供用户身份认证、权限管理和交互信息的获取等；数据层用于对数据信息进行存储、安全加密和报表服务等；服务层用来提供扩展服务，包括提供接口服务、数据二次分析、响应式业务处理等；接口层用于对第三方***提供API接口、数据流、web服务以及其它个性化接口等；
主控计算机、本地服务器或云服务器运行权利要求1-4任一项 所述的人体股骨X光片智能识读方法的智能识读软件。
7.按照权利要求6所述的人体股骨X光片智能识读***，其特征在于：所述主控计算机、本地服务器或云服务器上的智能识读软件不断优化和迭代智能识读模型，任何一个设备迭代出新一代的模型，都会同步到其它设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090919.7A CN109886320B (zh) | 2019-01-30 | 2019-01-30 | 一种人体股骨x光片智能识读方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090919.7A CN109886320B (zh) | 2019-01-30 | 2019-01-30 | 一种人体股骨x光片智能识读方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886320A CN109886320A (zh) | 2019-06-14 |
| CN109886320B true CN109886320B (zh) | 2020-04-21 |
Family
ID=66927473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910090919.7A Active CN109886320B (zh) | 2019-01-30 | 2019-01-30 | 一种人体股骨x光片智能识读方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886320B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020259600A1 (en) * | 2019-06-24 | 2020-12-30 | Conova Medical Technology Limited | A device, process and system for diagnosing and tracking of the development of the spinal alignment of a person |
| CN111027571B (zh) * | 2019-11-29 | 2022-03-01 | 浙江工业大学 | 一种手腕部参照骨特征区域自适应提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886306A (zh) * | 2014-04-08 | 2014-06-25 | 山东大学 | 一种基于SURF特征点匹配和RANSAC模型估计的牙齿X-ray影像匹配方法 |
| CN108921171A (zh) * | 2018-06-22 | 2018-11-30 | 宁波工程学院 | 一种骨关节x线片自动识别分级方法 |
-
2019
- 2019-01-30 CN CN201910090919.7A patent/CN109886320B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886306A (zh) * | 2014-04-08 | 2014-06-25 | 山东大学 | 一种基于SURF特征点匹配和RANSAC模型估计的牙齿X-ray影像匹配方法 |
| CN108921171A (zh) * | 2018-06-22 | 2018-11-30 | 宁波工程学院 | 一种骨关节x线片自动识别分级方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于医学透视图像的股骨上段特征提取;秦岭;《中国优秀硕士学位论文全文数据库》;20110215(第2期);第2、17、20-21页 * |
| 基于曲线拟合的SIFT 特征精确定位算法;刘影;《通信技术》;20130110;第46卷(第253期);第92-94页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886320A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
| CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理*** | |
| CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
| CN112184617A (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
| CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及*** | |
| CN108875623B (zh) | 一种基于图像特征融合对比技术的人脸识别方法 | |
| CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
| CN116434266B (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
| CN109886320B (zh) | 一种人体股骨x光片智能识读方法及*** | |
| CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
| CN110458792A (zh) | 人脸图像质量的评价方法及装置 | |
| CN110223331B (zh) | 一种大脑mr医学图像配准方法 | |
| CN112802019A (zh) | 一种基于脊柱AIS影像的lenke分型方法 | |
| Yang et al. | A Face Detection Method Based on Skin Color Model and Improved AdaBoost Algorithm. | |
| CN113128518B (zh) | 基于孪生卷积网络和特征混合的sift误匹配检测方法 | |
| CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
| CN107729863B (zh) | 人体指静脉识别方法 | |
| CN113610746A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
| CN109190505A (zh) | 基于视觉理解的图像识别方法 | |
| CN110910497B (zh) | 实现增强现实地图的方法和*** | |
| CN109886325B (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 | |
| CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
| Khavalko et al. | Classification and Recognition of Medical Images Based on the SGTM Neuroparadigm. | |
| CN112597842B (zh) | 基于人工智能的运动检测面瘫程度评估*** | |
| CN114926635A (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240522 Address after: 264000 middle section of lvsida Road, Laishan Economic Development Zone, Yantai City, Shandong Province Patentee after: Shandong Wendeng Osteopathic Yantai Hospital Co.,Ltd. Country or region after: China Address before: No. 16 Hangzhou Road, Shibei District, Qingdao City, Shandong Province, 266003 Patentee before: Jiang Zijun Country or region before: China |