肩袖扫描图像的处理方法、电子设备及存储介质

本发明涉及图像处理分析，尤其涉及一种肩袖扫描图像的处理方法、电子设备及存储介质。

背景技术：

1、肩袖损伤是临床上最常见的引起肩部疼痛、功能受限的原因之一。目前作为肩袖损伤诊断方法包括病史，症状，体征，影像学检测等，缺少任何单一的诊断要素均难以做出明确诊断，“多位一体化”是当前临床诊断肩袖损伤最常用的诊疗手段。

2、在mri(magnetic resonance imaging,磁共振成像)技术普及之前，肩袖损伤的确诊率并不高，而近年来随着mri等检查手段的发展和普及，肩袖损伤的确诊率也稳步提高。有研究表明，肩关节mri对肱二头肌肌腱长头完全撕裂的敏感度为67％，特异性可高达98％。同时对冈上肌肌肉等撕裂的敏感性也极高，故它也被认为是目前临床上用于诊断肩袖损伤最为重要的一项影像学检查之一。mri不仅可以较为清晰地判断肩关节内的炎症发生程度，又直观地展现患者的肩袖结构，判断肩袖损伤发生部位，为进一步评估手术特征、设计手术方案提供依据。

3、随着ai(artificial intelligence,人工智能)技术的不断发展，其在医学方面的研究也在逐渐多样化，各类算法也在不断完善，例如通过ai技术自动识别脑部肿瘤，肝脏肿瘤，直肠癌变，以向医师提供可靠辅助诊断意见。

4、但是，针对如何利用人工智能解决识别复杂肩部囊肿，目前业界暂未提出较佳的技术解决方案，此外肩部囊肿为小目标检测问题，而直接复用其他类似的肿瘤识别算法无法保障识别性能。

技术实现思路

1、本发明实施例提供了一种肩袖扫描图像的处理方法、电子设备及存储介质，用于至少解决上述技术问题之一。

2、第一方面，本发明实施例提供一种肩袖扫描图像的处理方法，包括：获取待处理的肩袖扫描图像；将所述待处理的肩袖扫描图像输入至预设的肩袖囊肿检测模型，以由所述肩袖囊肿检测模型输出相应的肩袖囊肿识别结果；其中，所述肩袖囊肿识别结果为存在对应囊肿区域位置的肩袖囊肿，或者所述肩袖囊肿识别结果为不存在肩袖囊肿；所述肩袖囊肿检测模型采用yolov5深度神经网络，所述肩袖囊肿检测模型的训练样本集包含多个预标注了相应的肩袖囊肿标签的肩袖扫描图像样本，以及所述肩袖囊肿标签包含肩袖囊肿的标注区域位置。

3、优选地，所述肩袖囊肿检测模型包括级联的第一特征处理模块、第二特征处理模块和输出模块，所述第一特征处理模块包含c3模块和空间池化sppf模块，所述第二特征处理模块采用panet网络结构，用于对所述第一中间处理模块中不同网络层的信息进行融合，所述输出模块包含多层输出层，每一输出层分别用于检测处理相应尺寸大小的目标向量，所述目标向量用于描述肩袖囊肿的位置。

4、优选地，所述第一特征处理模块还包含mobilenetv2模块，所述mobilenetv2模块针对不同通道的图像特征分别设置有相应的注意力权重。

5、优选地，所述第一特征处理模块还包含级联至mobilenetv2模块的输出端的odconv模块。

6、优选地，在将所述待处理的肩袖扫描图像输入至预设的肩袖囊肿检测模型，以由所述肩袖囊肿检测模型输出相应的肩袖囊肿识别结果之后，所述方法还包括：在确定所述肩袖囊肿识别结果为存在对应囊肿区域位置的肩袖囊肿的情况下，提取所述肩袖扫描图像中的至少一个肩部特征区域；所述肩部区域包括选自以下中的一者或多者：肩峰、喙突、肩胛盂唇和肩关节；根据所述囊肿区域位置与所述肩部特征区域之间的相对位置，确定相应的肩袖囊肿类别，所述肩袖囊肿类别包含以下中的任意一者：肩峰下滑囊囊肿、喙突下的滑囊囊肿、肩胛盂唇外侧的内囊肿、肩关节上方囊肿。

7、优选地，所述肩袖囊肿检测模型包含数据增强模块，所述数据增强模块用于在模型训练阶段生成与所述训练样本集相应的增强样本集。

8、优选地，所述获取待处理的肩袖扫描图像，包括：获取待处理的肩袖mri图像；根据预设的图像格式转换算法，确定所述肩袖mri图像所对应的肩袖扫描图像；所述图像格式转换算法用于将dicom格式的图像转换为png格式的图像。

9、优选地，在根据预设的图像格式转换算法，确定所述肩袖mri图像所对应的肩袖扫描图像之后，所述方法包括：裁剪所述肩袖扫描图像中的背景图像区域。

10、优选地，所述肩袖囊肿检测模型的损失函数采用giou loss损失函数。

11、第二方面，本发明实施例提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法的步骤。

12、第三方面，本发明实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述方法的步骤。

13、第四方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述方法的步骤。

14、上述技术方案，与现有技术相比至少具有如下有益效果：

15、上述方案，通过肩袖囊肿检测模型处理肩袖扫描图像，预测图像中是否存在相应的肩袖囊肿的识别结果，利用yolov5深度神经网络对图像中小目标的识别结果比较敏感的特点，能有效提高对图像中的肩袖囊肿区域的小目标检测精度。此外，由于囊肿的形状大小不一，采用其他类型的神经网络会产生较大的小目标检测误差，因此通过yolov5深度神经网络中更加深层的网络结构，具有较强的特征提取和特征融合能力，大幅提高了肩袖囊肿识别结果的精确度。

技术特征：

1.一种肩袖扫描图像的处理方法，包括：

2.根据权利要求1所述的肩袖扫描图像的处理方法，其中，所述肩袖囊肿检测模型包括级联的第一特征处理模块、第二特征处理模块和输出模块，

3.根据权利要求2所述的肩袖扫描图像的处理方法，其中，所述第一特征处理模块还包含mobilenetv2模块，所述mobilenetv2模块针对不同通道的图像特征分别设置有相应的注意力权重。

4.根据权利要求3所述的肩袖扫描图像的处理方法，其中，所述第一特征处理模块还包含级联至mobilenetv2模块的输出端的odconv模块。

5.根据权利要求1所述的肩袖扫描图像的处理方法，其中，在将所述待处理的肩袖扫描图像输入至预设的肩袖囊肿检测模型，以由所述肩袖囊肿检测模型输出相应的肩袖囊肿识别结果之后，所述方法还包括：

6.根据权利要求1所述的肩袖扫描图像的处理方法，其中，所述获取待处理的肩袖扫描图像，包括：

7.根据权利要求要求6所述的肩袖扫描图像的处理方法，其中，在根据预设的图像格式转换算法，确定所述肩袖mri图像所对应的肩袖扫描图像之后，所述方法包括：

8.根据权利要求1所述的肩袖扫描图像的处理方法，其中，所述肩袖囊肿检测模型的损失函数采用giou loss损失函数。

9.一种电子设备，包括：

10.一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备读取并执行，以用于执行如上述权利要求1-8中任一项所述方法的步骤。

技术总结
本发明提供肩袖扫描图像的处理方法、电子设备及存储介质，在该方法中，包括：获取待处理的肩袖扫描图像；将待处理的肩袖扫描图像输入至预设的肩袖囊肿检测模型，以由肩袖囊肿检测模型输出相应的肩袖囊肿识别结果；其中，肩袖囊肿识别结果为存在对应囊肿区域位置的肩袖囊肿，或者肩袖囊肿识别结果为不存在肩袖囊肿；肩袖囊肿检测模型采用YOLOv5深度神经网络，肩袖囊肿检测模型的训练样本集包含多个预标注了相应的肩袖囊肿标签的肩袖扫描图像样本，以及肩袖囊肿标签包含肩袖囊肿的标注区域位置。由此，利用YOLOv5深度神经网络对图像中小目标的识别结果比较敏感的特点，能有效提高对图像中的肩袖囊肿区域的小目标检测精度。

技术研发人员：郭金,侯浩楠,刘振龙,房景超,李孟祺
受保护的技术使用者：北京科技大学
技术研发日：
技术公布日：2024/1/14