一种基于深度学习的定位像准确度判断方法及系统

本发明涉及医学图像处理，具体涉及一种基于深度学习的定位像准确度判断方法及系统。

背景技术：

1、医学影像检查是医疗单位在对患者进行诊疗时常用的辅助诊疗手段，其中医学图像质量的好坏，直接影响着临床医生对疾病的诊断。定位像是患者拍摄图像时最重要的一步，定位像对于需要精确影像引导的介入手术或放射治疗计划制定至关重要，不精确的定位将直接影响到治疗方案的设计与实施效果，定位像拍摄不准确，会导致图像无法完整清晰的显示解剖结构，从而影响后续的诊断图像的质量；若定位像的定位偏差较大，可能会漏诊目标病变或误将非病灶区域作为重点，导致临床医生做出错误的诊断决策。因此，需对定位像的拍摄准确度进行判断。

技术实现思路

1、本发明的目的是提供一种基于深度学习的定位像准确度判断方法及系统，以对定位像的拍摄准确度进行判断，实现定位像的准确拍摄。

2、为了实现上述目的，本发明的第一方面，提供了一种基于深度学习的定位像准确度判断方法，包括：

3、获取待预测定位像；

4、将待预测定位像输入定位像预测网络，输出各关键点的预测位置；

5、判断各关键点的预测位置是否在预设范围内；

6、其中，所述定位像预测网络为改进的hrnet网络，改进的hrnet网络中的每个卷积层后均包括一个适配层，所述适配层基于三维卷积构建得到。

7、优选的，所述定位像预测网络还包括通道注意力模块，定位像预测网络将最后一次特征融合后的特征图输入通道注意力模块，得到注意力特征，并融合注意力特征与最后一次特征融合后的特征图，得到融合特征。

8、优选的，通过带关键点标注的定位像生成高斯热力图，使用高斯热力图对定位像预测网络进行训练。

9、优选的，所述带关键点标注的定位像，为通过对原始定位像进行预处理与关键点标注得到，所述预处理包括对原始定位像进行多窗融合。

10、优选的，所述多窗融合，包括：分别对骨窗、肺窗、软组织窗、胸窗以及默认窗宽窗位进行线性映射，形成五个通道的多窗融合图像。

11、优选的，若关键点的预测位置超出预设范围，则表明待预测定位像的对应位置扫描过多或扫描不充分。

12、本发明的第二方面，提供了一种基于深度学习的定位像准确度判断系统，包括：

13、图像获取模块，被配置为获取待预测定位像；

14、关键点预测模块，被配置为将待预测定位像输入定位像预测网络，输出各关键点的预测位置；

15、判断模块，被配置为判断各关键点的预测位置是否在预设范围内；

16、其中，所述定位像预测网络为改进的hrnet网络，改进的hrnet网络中的每个卷积层后均包括一个适配层，所述适配层基于三维卷积构建得到。

17、本发明的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以完成上述一种基于深度学习的定位像准确度判断方法的步骤。

18、本发明的第四方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述一种基于深度学习的定位像准确度判断方法的步骤。

19、本发明的第五方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述一种基于深度学习的定位像准确度判断方法的步骤。

20、与现有技术相比，本发明的有益效果是：

21、本发明提供了一种基于深度学习的定位像准确度判断方法及系统，使用训练后的改进的hrnet网络预测定位像的个关键点位置，以判断定位像扫描位置的准确性，通过在每个卷积层后增加一个基于三维卷积的适配层，实现了hrnet对医学图像的适配，从而融合医学的信息，有效提高了hrnet可以适配的图像的领域；通过在hrnet中增加通道注意力模块，实现了原始特征层附加权重，能够让重要的特征权重更高，不重要的特征权重较低，提高了关键点预测精度；考虑基于不同厂家ct机器拍摄的定位像的差异，在图像预处理过程中引入多窗融合，可对扫描头颈胸腹盆的定位像提供一个完整的融合，从而有效融合了多家厂商定位像的特点，可以增广出不同的组合，更有效的表达了定位像的输入特征，提高了hrnet关键点识别的准确性。

22、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于深度学习的定位像准确度判断方法，其特征在于，包括：

2.如权利要求1所述的一种基于深度学习的定位像准确度判断方法，其特征在于，所述定位像预测网络还包括通道注意力模块，定位像预测网络将最后一次特征融合后的特征图输入通道注意力模块，得到注意力特征，并融合注意力特征与最后一次特征融合后的特征图，得到融合特征。

3.如权利要求1所述的一种基于深度学习的定位像准确度判断方法，其特征在于，通过带关键点标注的定位像生成高斯热力图，使用高斯热力图对定位像预测网络进行训练。

4.如权利要求3所述的一种基于深度学习的定位像准确度判断方法，其特征在于，所述带关键点标注的定位像，为通过对原始定位像进行预处理与关键点标注得到，所述预处理包括对原始定位像进行多窗融合。

5.如权利要求4所述的一种基于深度学习的定位像准确度判断方法，其特征在于，所述多窗融合，包括：分别对骨窗、肺窗、软组织窗、胸窗以及默认窗宽窗位进行线性映射，形成五个通道的多窗融合图像。

6.如权利要求1所述的一种基于深度学习的定位像准确度判断方法，其特征在于，若关键点的预测位置超出预设范围，则表明待预测定位像的对应位置扫描过多或扫描不充分。

7.一种基于深度学习的定位像准确度判断系统，其特征在于，包括：

8.一种电子设备，其特征在于，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以完成权利要求1-6任一项所述方法的步骤。

9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述方法的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6任一项所述方法的步骤。

技术总结
本发明提供了一种基于深度学习的定位像准确度判断方法及系统，涉及医学图像处理技术领域，所述方法包括：获取待预测定位像；将待预测定位像输入定位像预测网络，输出各关键点的预测位置；判断各关键点的预测位置是否在预设范围内；其中，所述定位像预测网络为改进的HRNet网络，改进的HRNet网络中的每个卷积层后均包括一个适配层，所述适配层基于三维卷积构建得到。本发明能够提高定位像拍摄的准确度。

技术研发人员：于德新,张杨,窦穹穹
受保护的技术使用者：山东大学齐鲁医院
技术研发日：
技术公布日：2025/2/5