申请/专利权人:推想医疗科技股份有限公司
申请日:2020-04-13
公开(公告)日:2021-05-28
公开(公告)号:CN111524106B
主分类号:G06T7/00(20170101)
分类号:G06T7/00(20170101);G06K9/46(20060101);G06K9/62(20060101)
优先权:
专利状态码:有效-授权
法律状态:2021.05.28#授权;2020.09.04#实质审查的生效;2020.08.11#公开
摘要:本发明实施例公开了一种颅骨骨折检测和模型训练方法、装置、设备和存储介质。模型训练方法包括:获取多组颅骨骨折训练样本数据;基于各组颅骨骨折训练样本数据,对基于神经网络的初始目标检测模型进行训练,生成颅骨骨折检测模型;其中,颅骨骨折检测模型包括由深度卷积神经网络和多尺度目标检测网络构成的特征提取主网络和无候选框分类子网络;特征提取主网络用于对头部医学图像进行特征提取,获得至少一个融合特征层,融合特征层融合了低层卷积特征层的位置信息和高层卷积特征层的语义信息;无候选框分类子网络用于至少对各融合特征层中的最后一个融合特征层进行卷积操作,获得模型输出结果。通过上述技术方案,实现了颅骨骨折的高精度检测。
主权项:1.一种颅骨骨折检测模型的训练方法,其特征在于,包括:获取多组颅骨骨折训练样本数据,所述颅骨骨折训练样本数据包括头部医学图像和所述头部医学图像对应的颅骨骨折标注图像;基于各组所述颅骨骨折训练样本数据,对基于神经网络的初始目标检测模型进行训练,生成颅骨骨折检测模型;其中,所述颅骨骨折检测模型包括由深度卷积神经网络和多尺度目标检测网络构成的特征提取主网络和无候选框分类子网络;所述特征提取主网络用于对所述头部医学图像进行特征提取,获得至少一个融合特征层,所述融合特征层融合了低层卷积特征层的位置信息和高层卷积特征层的语义信息;所述无候选框分类子网络用于至少对各所述融合特征层中的最后一个融合特征层进行卷积操作,获得模型输出结果;所述特征提取主网络的内部结构为:利用所述深度卷积神经网络对所述头部医学图像进行多组卷积操作和池化操作,获得图像尺度分别为所述头部医学图像对应的原始图像尺度的18、116和132的第一卷积特征层、第二卷积特征层和第三卷积特征层;对所述第三卷积特征层进行空洞卷积操作获得尺度不变的第四卷积特征层,并对所述第四卷积特征层进行卷积操作和池化操作,获得图像尺度为所述原始图像尺度的164的第五卷积特征层;对所述第四卷积特征层进行卷积操作和上采样操作,获得与所述第二卷积特征层同尺度的第一升尺度特征层,并对所述第一升尺度特征层和所述第二卷积特征层进行叠加融合,获得第一融合结果,以及对所述第一融合结果进行空洞卷积操作,获得尺度不变的第一融合特征层;对所述第一融合特征层进行卷积操作和上采样操作,获得与所述第一卷积特征层同尺度的第二升尺度特征层,并对所述第二升尺度特征层和所述第一卷积特征层进行叠加融合,获得第二融合结果,以及对所述第二融合结果进行空洞卷积操作,获得尺度不变的第二融合特征层,作为所述最后一个融合特征层;所述颅骨骨折检测模型还包括基于候选框的分类子网络,所述基于候选框的分类子网络用于对所述第四卷积特征层、所述第五卷积特征层、所述第一融合特征层和所述第二融合特征层中的至少一个进行卷积操作,获得所述模型输出结果。
全文数据:
权利要求:
百度查询: 推想医疗科技股份有限公司 颅骨骨折检测和模型训练方法、装置、设备和存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。