申请/专利权人：东南大学

申请日：2023-03-27

公开（公告）日：2023-06-13

公开（公告）号：CN116258712A

主分类号：G06T7/00

分类号：G06T7/00;G06T7/73;G06T5/00;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.06.30#实质审查的生效;2023.06.13#公开

摘要：一种基于残差网络的Cobb角检测方法，首先建立模型定位椎体中心，然后在该基础上通过学习到的角度偏移量追踪椎体的四个角标志，这种方法能够保证椎体特征点的相对顺序。与基于回归、分割的方法对比结果表明，该方法在低对比度和模糊X射线图像中的Cobb角测量和特征点检测方面具有一定的优势。本发明采用MICCAI、SKI10数据集进行结果验证，实验结果表明，本文算法的平均精准率提高9%，检测速度可达30fps。

主权项：1.一种基于残差网络的Cobb角检测方法，其特征在于，具体步骤如下：步骤1，用户上传脊柱CT图片到服务器；步骤2，对输入图像进行预处理；步骤3，残差网络训练过程具体表示为：令为通用常数，经预处理的灰度化图片真实分类标签对残差网络输入层进行无偏差的卷积构成： 其中矩阵中元素待确定，输出特征Y0为一下模块的输入数据：Yp+1＝Yp+FYp，ωp，p＝0，...，p-1其中Yp表示第p个残差块的输入特征，F是特征复合函数，ωp为可调参数，在训练时调整，表示网络块总数；通过矩阵乘法和误差运算，脊柱图像的深层特征Yp在输出层会转变成m×1维向量，通过softmax归一化为残差网络输入图像x分类预测概率； 其中是权重矩阵，是偏差向量，σ为softmax函数，整体特征训练过程优化为：在条件Y0＝Sx，Yp+1＝Yp+FYp，ωp，p＝0，...，P-1下最小损失函数 其中||·||为距离测度，用于对比训练集Ω中图片x的真实分类hx和预测分类MYp间的差异，通过多次训练迭代和参数调整，使用测试数据集评估椎骨特征点模型；步骤4，将步骤2处理后的灰度图像大小固定为1024×512，使用步骤3训练的ResNet34Conv1-5来提取输入图像的高级语义特征，然后，使用跳过连接将深层特征与浅层特征结合起来；步骤5，使用卷积层构建中心点热图：使用中心点热图进行物体检测和姿势联合定位，对于每个点k，其地面真值是一个未归一化的二维高斯圆盘，用来表示，椎体大小决定半径σ的大小，根据Focalloss的变式去优化构建参数； 步骤6，使用卷积层构建中心偏移图：网络的输出特征图与输入图像相比缩小，输入图像上的一个位置x,y被映射到缩小后的特征映射的位置其中n是降采样因子，从缩小的特征图中提取中心点后，使用中心偏移量将这些点映射到原始输入图像，中心偏移量被定义为： 步骤7，使用对称平均绝对百分比误差SMAPE来评估测量的Cobb角的准确性: 步骤8，通过比较预测的椎骨角标位置和实际测量的角标位置来评估该算法的准确性，平均检测误差为：

全文数据：

权利要求：

百度查询： 东南大学 一种基于残差网络的Cobb角检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD