买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江康源医疗器械有限公司

摘要：本发明属于图像识别领域，具体涉及一种基于深度学习的桡骨密度检测方法、系统、装置。该检测方法包括如下步骤：S1、构建一个基于U‑Net网络改进的手臂特征提取模型。S2、在模型的softmax层后端添加一个自修正模块。S3、获取真实的人体前臂的X射线图像，构成训练集。S4、利用训练集对模型进行训练。S5、获取满足训练要求的权重模型，使用该权重模型对待检测的人体前臂的X射线图像的原始图像进行预测，输出十分类特征图像；S6、基于十分类特征图像和原始图像计算出桡骨远端13处的桡骨图像灰度值。S7、根据桡骨图像灰度值计算出桡骨密度的准确值。本发明解决传统骨密度分析方法的数据处理过程需要依赖人工，且测量结果的可靠性较低的问题。

主权项：1.一种基于深度学习的桡骨密度检测方法，其特征在于，其包括如下步骤：S1：构建一个基于U-Net网络改进的手臂特征提取模型，所述手臂特征提取模型依次包含四个下采样层、四个上采样层、一个核为1的十通道全卷积层，以及一个用于分类的softmax层；每个所述下采样层包括全卷积relu激活层、批量归一化层和最大池化层；每个所述上采样层包括全卷积relu激活层、反卷积层和融合层；所述手臂特征提取模型的输入为人体前臂的X射线图像，输出为包含桡骨特征的十分类特征图像；S2：在所述手臂特征提取模型的softmax层后端添加一个自修正模块，所述自修正模块用于将网络模型最后一层的输出与预先标记的监督数据图像进行交叉熵误差运算；然后通过网络的反向传播对各层参数进行优化；S3：获取真实的人体前臂的X射线图像，对图像进行预处理得到原始样本，进而得到包含多个原始样本的训练集；S4：利用所述训练集对添加自修正模块的所述手臂特征提取模型进行训练，并在训练过程中，对每次输出的十分类特征图像中的桡骨特征进行人工修正，将包含修改标记的修正图像作为所述监督数据图像输出到所述自修正模块，用于对所述手臂特征模型进行重新训练和优化；S5：获取满足训练要求的所述手臂特征提取模型的权重模型，使用该权重模型对待检测的人体前臂的X射线图像的原始图像进行预测，输出十分类特征图像；S6：基于所述十分类特征图像和所述原始图像计算出桡骨远端13处的桡骨图像灰度值；计算方法如下：S61：对所述十分类特征图像中的桡骨特征部分进行二值化处理，得到桡骨二值化图像，并采用openCV轮廓寻找算法提取桡骨二值化图像中的桡骨轮廓；S62：计算所述桡骨轮廓的最小外切矩形，定义所述最小外切矩形的长度为桡骨长度，并定义所述轮廓宽度较大的一侧为桡骨的远端；S63：定位距桡骨远端13处的目标基准线，提取目标基准线周围固定长宽值的区域作为目标区域；S64：构造一个与所述原始图像或桡骨二值化图像大小一致的模板图像，将所述模板图像中对应目标区域的部分的像素值置为0xffff，对应目标区域外的部分的像素值置为0；S65：将所述原始图像和所述模板图像进行逻辑位与操作，进而提取出原始图像中对应模板文件目标区域内部分的灰度值，该灰度值即为所述桡骨图像灰度值；S7：根据上步骤得出的所述桡骨图像灰度值，计算出桡骨密度的准确值。

全文数据：

权利要求：

百度查询： 浙江康源医疗器械有限公司 一种基于深度学习的桡骨密度检测方法、系统、装置