基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法及系统.pdf

《基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法及系统.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010623638.6 (22)申请日 2020.06.30 (71)申请人 北京青燕祥云科技有限公司 地址 100049 北京市石景山区石景山路54 号院金融街长安中心1号楼10层1001- 1010 (72)发明人 石发强胡飞王方 (74)专利代理机构 北京圣州专利代理事务所 (普通合伙) 11818 代理人 王振佳 (51)Int.Cl. G06T 7/00(2017.01) (54)发明名称 基于人体胸部CT扫描序列数据的肋骨骨折 AI辅助诊断方法及系统 (57)摘。

2、要 本发明公开了一种基于人体胸部CT扫描序 列数据的肋骨骨折AI辅助诊断方法， 包括以下步 骤： S1、 标注训练并验证AI辅助诊断模型； S2、 获 取CT扫描序列数据； S3、 预处理； S4、 诊断， 将预处 理CT图像数据， 输入AI辅助诊断模型RibsNet中， 完成诊断， 若检测到疑似病灶， 则输出预测数据， 否则， 预测数据为空； S5、 输出诊断， 将预测数据 进行后处理， 然后叠加显示在胸部CT扫描序列 中， 并展示出骨折疑似病灶信息。 本发明采用上 述基于人体胸部CT扫描序列数据的肋骨骨折AI 辅助诊断方法， 可识别出人体胸部CT扫描序列中 是否存在疑似骨折病灶， 同时精确。

3、标识、 显示病 灶区域与病灶类型， 并对疑似病灶进行评分， 从 而协助医生进行肋骨骨折的筛查工作， 提高了诊 断效率和准确率。 权利要求书2页 说明书4页 附图2页 CN 111739015 A 2020.10.02 CN 111739015 A 1.一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法， 其特征在于： 包括 以下步骤： S1、 标注训练并验证基于CT扫描序列的肋骨骨折AI辅助诊断模型RibsNet； S2、 获取人体胸部CT扫描序列数据； S3、 CT扫描序列数据预处理 将不同格式的人体胸部CT扫描序列数据进行归一化处理； S4、 诊断 将经过步骤S3预处理的CT图像数。

4、据， 输入步骤S1获得的AI辅助诊断模型RibsNet中， 然 后通过GPU加速模型或CPU兼容模型， 完成诊断， 若检测到疑似病灶， 则输出预测数据， 否则， 预测数据为空； S5、 输出诊断 将由步骤S4获得的预测数据进行后处理， 然后叠加显示在胸部CT扫描序列中， 并展示 出骨折疑似病灶的位置信息、 类型信息与可信度得分。 2.根据权利要求1所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方 法， 其特征在于： 步骤S1具体包括以下步骤： S11、 数据标注 标注CT扫描序列中的肋骨骨折病灶， 获得位置信息及其类型信息， 若为多发性病灶， 则 独立标识每个病灶获得标准数据集，。

5、 并将所有标准数据集按比例分为训练集数据和验证集 数据； S12、 模型训练 基于训练集数据中的CT扫描序列数据、 肋骨骨折位置信息与类型信息， 在GPU服务器上 训练基于CT扫描序列的肋骨骨折检测的深度卷积神经网络模型RibsNet； S13、 模型验证 基于验证集数据和训练集数据中的CT扫描序列数据、 肋骨骨折位置信息以及类型信 息， 根据可用的开发环境中软硬件资源限制调试优化训练参数与评价标准， 测试AI辅助诊 断模型， 直至测试的平均检测准确率达到90以上， 则认定AI辅助诊断模型训练完成。 3.根据权利要求2所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方 法， 其特征。

6、在于： 步骤S11中位置信息包含病灶的中心点坐标集合宽度信息和高度信息， 类 型信息包含新鲜骨折与陈旧骨折两种信息。 4.根据权利要求1所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方 法， 其特征在于： 步骤S3中不同格式的人体胸部CT扫描序列数据经数据归一化处理后获得 分辨率为512512的CT图像。 5.根据权利要求1所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方 法， 其特征在于： 步骤S4中的预测数据包括给定CT扫描序列中一张或多张图片中存在的一 个或多个疑似病灶， 每个病灶包含其位置信息、 类型信息和可信度得分。 6.一种基于上述权利要求1-5任一项所。

7、述的一种基于CT扫描序列的肋骨骨折AI辅助诊 断方法的辅助诊断系统， 其特征在于： 包括： 数据标注模块， 用于标注CT扫描序列中的肋骨骨折位置与类型信息， 最终形成用于深 度学习模型训练与验证的标准数据集； 权利要求书 1/2 页 2 CN 111739015 A 2 图像输入模块， 用于调用直接存储在系统中或者远程传输的胸部CT扫描序列数据； 图像预处理模块， 用于将不同格式的人体胸部CT扫描序列进行数据归一化处理； 诊断模块， 用于将预处理后的CT图片数据输入AI辅助诊断模型后得到疑似病灶预测数 据； 诊断输出模块， 用于将疑似病灶预测数据后处理后， 叠加显示在胸部Ct扫描序列数据 图像。

8、中， 并展示出检测到的全部疑似病灶位置信息、 类型信息及可信度信息。 7.根据权利要求6所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方 法的系统， 其特征在于： 所述AI辅助诊断模型为YOLO深度目标检测神经网络。 权利要求书 2/2 页 3 CN 111739015 A 3 基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法及 系统 技术领域 0001 本发明涉及一种肋骨骨折辅助诊断技术， 尤其涉及一种基于人体胸部CT扫描序列 数据的肋骨骨折AI辅助诊断方法及系统。 背景技术 0002 由于频繁发生的交通事故等原因造成的肋骨骨折等外伤， 会造成患者胸痛、 骨折、 气胸、 。

9、血胸等临床表现症状， 严重威胁着人们的生命安全。 现有的肋骨骨折主要通过CT(计 算机断层扫描技术)成像扫描的方式来进行检查， 但由于影像科医生数量不足、 读片工作量 大等因素的制约， 肋骨骨折筛查的效率尚不能满足实际的医疗需求。 0003 因基于深度学习的图像中目标检测技术， 通过输入医学影像数据， 输出AI(人工智 能模型)辅助诊断结果， 具有准确率高、 筛查效率高、 运行成本低等显著特点， 所以被广泛应 用于医疗实践中。 但是当前缺乏针对基于胸部CT扫描图像的肋骨骨折检测系统。 发明内容 0004 本发明的目的是提供一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断 方法， 可识别出。

10、人体胸部CT扫描序列中是否存在疑似骨折病灶， 同时精确标识、 显示病灶区 域与病灶类型， 并对疑似病灶进行评分， 从而协助医生进行肋骨骨折的筛查工作， 提高了诊 断效率和准确率。 0005 为实现上述目的， 本发明提供了一种基于人体胸部CT扫描序列数据的肋骨骨折AI 辅助诊断方法， 包括以下步骤： 0006 S1、 标注训练并验证基于CT扫描序列的肋骨骨折AI辅助诊断模型RibsNet； 0007 S2、 获取人体胸部CT扫描序列数据； 0008 S3、 CT扫描序列数据预处理 0009 将不同格式的人体胸部CT扫描序列数据进行归一化处理； 0010 S4、 诊断 0011 将经过步骤S3预处。

11、理的CT图像数据， 输入步骤S1获得的AI辅助诊断模型RibsNet 中， 然后通过GPU加速模型或CPU兼容模型， 完成诊断， 若检测到疑似病灶， 则输出预测数据， 否则， 预测数据为空； 0012 S5、 输出诊断 0013 将由步骤S4获得的预测数据进行后处理， 然后叠加显示在胸部CT扫描序列中， 并 展示出骨折疑似病灶的位置信息、 类型信息与可信度得分。 0014 优选的， 步骤S1具体包括以下步骤： 0015 S11、 数据标注 0016 标注CT扫描序列中的肋骨骨折病灶， 获得位置信息及其类型信息， 若为多发性病 灶， 则独立标识每个病灶获得标准数据集， 并将所有标准数据集按比例分。

12、为训练集数据和 说明书 1/4 页 4 CN 111739015 A 4 验证集数据； 0017 S12、 模型训练 0018 基于训练集数据中的CT扫描序列数据、 肋骨骨折位置信息与类型信息， 在GPU服务 器上训练基于CT扫描序列的肋骨骨折检测的深度卷积神经网络模型RibsNet； 0019 S13、 模型验证 0020 基于验证集数据和训练集数据中的CT扫描序列数据、 肋骨骨折位置信息以及类型 信息， 根据可用的开发环境中软硬件资源限制调试优化训练参数与评价标准， 测试AI辅助 诊断模型， 直至测试的平均检测准确率达到90以上， 则认定AI辅助诊断模型训练完成。 0021 优选的， 步骤。

13、S11中位置信息包含病灶的中心点坐标集合宽度信息和高度信息， 类 型信息包含新鲜骨折与陈旧骨折两种信息。 0022 优选的， 步骤S3中不同格式的人体胸部CT扫描序列数据经数据归一化处理后获得 分辨率为512512的CT图像。 0023 优选的， 步骤S4中的预测数据包括给定CT扫描序列中一张或多张图片中存在的一 个或多个疑似病灶， 每个病灶包含其位置信息、 类型信息和可信度得分。 0024 基于CT扫描序列的肋骨骨折AI辅助诊断方法的辅助诊断系统， 包括： 0025 数据标注模块， 用于标注CT扫描序列中的肋骨骨折位置与类型信息， 最终形成用 于深度学习模型训练与验证的标准数据集； 0026。

14、 图像输入模块， 用于调用直接存储在系统中或者远程传输的胸部CT扫描序列数 据； 0027 图像预处理模块， 用于将不同格式的人体胸部CT扫描序列进行数据归一化处理； 0028 诊断模块， 用于将预处理后的CT图片数据输入AI辅助诊断模型后得到疑似病灶预 测数据； 0029 诊断输出模块， 用于将疑似病灶预测数据后处理后， 叠加显示在胸部Ct扫描序列 数据图像中， 并展示出检测到的全部疑似病灶位置信息、 类型信息及可信度信息。 0030 优选的， 所述AI辅助诊断模型为YOLO深度目标检测神经网络。 0031 因此， 本发明采用上述基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方 法， 可。

15、识别出人体胸部CT扫描序列中是否存在疑似骨折病灶， 同时精确标识、 显示病灶区域 与病灶类型， 并对疑似病灶进行评分， 从而协助医生进行肋骨骨折的筛查工作， 提高了诊断 效率和准确率。 0032 下面通过附图和实施例， 对本发明的技术方案做进一步的详细描述。 附图说明 0033 图1为本发明的实施例一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断 方法的系统的结构框图； 0034 图2为本发明的实施例一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断 方法及系统的实现效果图。 具体实施方式 0035 以下将结合附图对本发明作进一步的描述， 需要说明的是， 本实施例以本技术方 说明书 。

16、2/4 页 5 CN 111739015 A 5 案为前提， 给出了详细的实施方式和具体的操作过程， 但本发明的保护范围并不限于本实 施例。 0036 图1为本发明的实施例一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断 方法的系统的结构框图； 图2为本发明的实施例一种基于人体胸部CT扫描序列数据的肋骨 骨折AI辅助诊断方法及系统的实现效果图， 如图1和图2所示， 本发明包括以下步骤： 0037 S1、 标注训练并验证基于CT扫描序列的肋骨骨折AI辅助诊断模型RibsNet； 0038 步骤S1具体包括以下步骤： 0039 S11、 数据标注 0040 标注CT扫描序列中的肋骨骨折病灶，。

17、 获得位置信息及其类型信息， 若为多发性病 灶， 则独立标识每个病灶获得标准数据集， 并将所有标准数据集按比例分为训练集数据和 验证集数据； 其中步骤S11中位置信息包含病灶的中心点坐标集合宽度信息和高度信息， 类 型信息包含新鲜骨折与陈旧骨折两种信息； 0041 S12、 模型训练 0042 基于训练集数据中的CT扫描序列数据、 肋骨骨折位置信息与类型信息， 在GPU服务 器上训练基于CT扫描序列的肋骨骨折检测的深度卷积神经网络模型RibsNet； 0043 S13、 模型验证 0044 基于验证集数据和训练集数据中的CT扫描序列数据、 肋骨骨折位置信息以及类型 信息， 根据可用的开发环境中。

18、软硬件资源限制调试优化训练参数与评价标准， 测试AI辅助 诊断模型， 直至测试的平均检测准确率达到90以上， 则认定AI辅助诊断模型训练完成。 0045 S2、 获取人体胸部CT扫描序列数据； 0046 S3、 CT扫描序列数据预处理 0047 将不同格式的人体胸部CT扫描序列数据进行归一化处理； 步骤S3中不同格式的人 体胸部CT扫描序列数据经数据归一化处理后获得分辨率为512512的CT图像。 0048 S4、 诊断 0049 将经过步骤S3预处理的CT图像数据， 输入步骤S1获得的AI辅助诊断模型RibsNet 中， 然后通过GPU加速模型或CPU兼容模型， 完成诊断， 若检测到疑似病灶。

19、， 则输出预测数据， 否则， 预测数据为空； 0050 步骤S4中的预测数据包括给定CT扫描序列中一张或多张图片中存在的一个或多 个疑似病灶， 每个病灶包含其位置信息、 类型信息和可信度得分。 0051 S5、 输出诊断 0052 将由步骤S4获得的预测数据进行后处理， 然后叠加显示在胸部CT扫描序列中， 并 展示出骨折疑似病灶的位置信息、 类型信息与可信度得分。 0053 基于CT扫描序列的肋骨骨折AI辅助诊断方法的辅助诊断系统， 包括： 0054 数据标注模块， 用于标注CT扫描序列中的肋骨骨折位置与类型信息， 最终形成用 于深度学习模型训练与验证的标准数据集； 0055 图像输入模块， 。

20、用于调用直接存储在系统中或者远程传输的胸部CT扫描序列数 据； 0056 图像预处理模块， 用于将不同格式的人体胸部CT扫描序列进行数据归一化处理； 0057 诊断模块， 用于将预处理后的CT图片数据输入AI辅助诊断模型后得到疑似病灶预 说明书 3/4 页 6 CN 111739015 A 6 测数据； 0058 诊断输出模块， 用于将疑似病灶预测数据后处理后， 叠加显示在胸部Ct扫描序列 数据图像中， 并展示出检测到的全部疑似病灶位置信息、 类型信息及可信度信息。 0059 优选的， 所述AI辅助诊断模型为YOLO深度目标检测神经网络。 0060 还需要说明的是本发明公开系统的软件界面主要由。

21、图像输入与图像展示两部分 组成， 并通过图像输入部分的 路径选择 导向虚拟键将胸部CT扫描序列数据导入系统， 然 后点击 开始检测 导向虚拟键， 系统开始智能诊断， 检查识别出输入图像中是否存在疑似 肋骨骨折病灶并精确标识出病灶位置和类型信息， 同时对疑似病灶进行可信度评分， 而后 在图像展示部分显示。 0061 因此， 本发明采用上述基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方 法， 可识别出人体胸部CT扫描序列中是否存在疑似骨折病灶， 同时精确标识、 显示病灶区域 与病灶类型， 并对疑似病灶进行评分， 从而协助医生进行肋骨骨折的筛查工作， 提高了诊断 效率和准确率。 0062 最后应说明的是： 以上实施例仅用以说明本发明的技术方案而非对其进行限制， 尽管参照较佳实施例对本发明进行了详细的说明， 本领域的普通技术人员应当理解： 其依 然可以对本发明的技术方案进行修改或者等同替换， 而这些修改或者等同替换亦不能使修 改后的技术方案脱离本发明技术方案的精神和范围。 说明书 4/4 页 7 CN 111739015 A 7 图1 说明书附图 1/2 页 8 CN 111739015 A 8 图2 说明书附图 2/2 页 9 CN 111739015 A 9 。