申请/专利权人：常州大学

申请日：2022-05-20

公开（公告）日：2023-09-22

公开（公告）号：CN114939988B

主分类号：B29C64/245

分类号：B29C64/245;B29C64/386;B33Y30/00;B33Y50/00;A61B6/00

优先权：

专利状态码：有效-授权

法律状态：2023.09.22#授权;2022.09.13#实质审查的生效;2022.08.26#公开

摘要：本发明公开了一种基于AI的踝骨骨折检测与三维重建方法，包括构建踝骨骨折数据集和踝骨骨骼数据集、对踝骨骨折数据集中的踝骨骨折CT图片进行预处理、利用预处理踝骨骨折数据集对改进YOLOV4模型进行训练、利用踝骨骨骼数据集对改进Unet网络进行训练及将待检测的踝骨CT图片输入到训练好的改进YOLOV4模型，改进YOLOV4模型对待检测的踝骨CT图片进行骨折检测；改进Unet网络对对应踝骨CT图片并进行非骨折区域抑制、语义分割；三维重建算法对分割后的踝骨CT图片进行三维重建；利用3D打印打印重建模型。本发明能够对输入的踝骨CT图片进行骨折检测，并在检测出骨折的情况下对输入的踝骨CT图片进行语义分割、三维重建和3D打印，以帮助医生更好地做出诊断。

主权项：1.一种基于AI的踝骨骨折检测与三维重建方法，其特征在于，包括：构建踝骨骨折数据集和踝骨骨骼数据集；其中，所述踝骨骨折数据集包括标注有骨折位置的多个踝骨骨折CT图片，所述踝骨骨骼数据集包括标注有骨骼区域的多个踝骨CT图片；对所述踝骨骨折数据集中的踝骨骨折CT图片进行预处理，以删除人体组织信息，保留骨骼信息，得到预处理踝骨骨折数据集；利用所述预处理踝骨骨折数据集对改进YOLOV4模型进行训练，利用所述踝骨骨骼数据集对改进Unet网络进行训练，保存训练最好的网络模型；将待检测的踝骨CT图片输入到训练好的改进YOLOV4模型，改进YOLOV4模型呈现骨折检测结果，并在判断待检测的踝骨CT图片存在骨折的情况下，将骨折图像索引和骨折位置传送至训练好的改进Unet网络；改进Unet网络通过所述骨折图像索引找到对应踝骨CT图片并通过骨折位置抑制对应踝骨CT图片的非骨折区域，然后对其进行语义分割并将分割后的图片索引传送给三维重建算法；所述三维重建算法通过所述分割后的图片索引找到对应分割后的图片并对分割后的图片进行三维重建，得到重建模型，并导出STL格式文件；利用3D打印打印所述重建模型；其中，所述改进YOLOV4模型包括特征提取网络、特征增强网络和网络输出层；其中，所述特征提取网络采用DenseNet网络；所述特征增强网络中加入有CBAM注意力机制与ConvLstm时空卷积；所述网络输出层针对踝骨骨折特点三尺度使用的网格划分分别为：20x20,40x40,60x60；所述改进Unet网络包括特征提取模块、注意力机制模块及加强特征提取模块；其中，所述特征提取模块中的网络采用MobileNet_V3网络；所述注意力机制采用ECA模块；所述加强特征提取模块各层尺寸与特征提取模块相同，以实现直接堆叠。

全文数据：

权利要求：

百度查询： 常州大学 基于AI的踝骨骨折检测与三维重建方法

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