技术摘要：
本发明公开一种MR图像股骨头缺血型坏死识别方法及装置。本发明涉及计算机图像处理技术领域，解决传统的股骨头缺血坏死分期方法效率较低的问题。本发明通过获取MR原始图像，将MR原始图像输入预先训练好的股骨头定位模型中，以定位出股骨头在MR原始图像中的位置，并根据  全部
背景技术：
股骨头缺血坏死(AFNH)是临床中常有的关节慢性疾病，通常是由供血不足或中断 造成，引发骨细胞自发性死亡。随着病变范围的扩大，会引起股骨头表面塌陷，变形，甚至断 裂、移位，并且会有大量积液产生。此时会出现剧烈疼痛，继续发展会妨碍髋关节的正常活 动，病情难以逆转。倘若不进行及时的医治，可能会造成永久残疾。 股骨头缺血坏死常用的诊断技术主要有X线摄片、计算机体成像(CT)、核磁共振 (MR)等。X射线结果图片的分辨率低，坏死结构易重复，缺血性坏死病变区域没有明显的特 征，并且检测率低。CT扫描可清楚地观察到骨小梁结构，软骨断裂，关节面塌陷等的变化。不 过，CT检查不擅长发现水肿和积液等。核磁共振对股骨头坏死特征信号极敏感，可以发现股 骨头坏死早期的信号改变。股骨头组织中水分和脂肪的含量发生轻微的改变，核磁共振的 信号就能够有较大的变化。MR检查能够取得股骨头不同角度的切面，方便查看股骨头的整 体组织和形状变化。MR的高软组织分辨率可以得到更为清楚的图层，通过多方位、多参数成 像的优势提高股骨头缺血坏死的检出率，有利于早期发现并治疗。 传统的股骨头缺血坏死分期方法主要是医师的人工判断，也有研究者提出了通过 对股骨头三维重建，并计算坏死体积来判断分期类别。其通过Mimics等软件，对患者MR检查 数据进行三维结构重现，再通过统计软件得到股骨头坏死区域的体积，从而辅助判断。但其 方法涉及人工手动分割，仍需要花费很多时间。 近年来，深度学习在医学影像处理范畴获得非常优异的表现，甚至在一些任务中 超过了专家级医生。深度学习已经被广泛到应用到医学图像定位与检测、图像配准、病灶分 割、计算机辅助诊断(Computer  Aided  Diagnosis，CAD)等。目前，深度学习在一些眼科、皮 肤科疾病识别，肝脏分隔等方面已经取得了优异的成果，但是在ANFH的智能识别方面，目前 国内外采取的大多是传统机器学习算法，还没有研究者把深度学习用到股骨头缺血坏死的 智能识别上。 因此，有必要提出一种基于Faster  R-CNN与CNN的MR图像股骨头缺血型坏死识别 方法及装置，以解决上述问题。
技术实现要素：
本发明针对传统的股骨头缺血坏死分期方法存在的问题，结合当下深度学习的主 流模型和方法，提出一种MR图像股骨头缺血型坏死识别方法及装置，可以实现股骨头的定 位及坏死程度分期。 第一方面，本发明提供一种MR图像股骨头缺血型坏死识别方法，其特征在于，所述 方法包括： 4 CN 111553882 A 说　明　书 2/6 页 获取MR原始图像； 将所述MR原始图像输入预先训练好的股骨头定位模型中，以定位出股骨头在所述 MR原始图像中的位置，并根据所述位置对MR原始图像进行剪裁，得到裁剪后的MR图像；其 中，所述股骨头定位模型的训练方式如下：选择MR检查结果中冠状面靠近股骨头中间的图 像，制作Pascal  VOC格式的目标检测数据集，所述目标检测训练集包括MR图像以及MR图像 中股骨头位置的XML格式标注文件；搭建Faster  R-CNN目标检测框架，输入所述目标检测数 据集进行训练，得到股骨头定位模型； 将裁剪后的MR图像输入到预先训练好的股骨头缺血型坏死程度五分类模型中，以 识别出裁剪后的MR图像中股骨头坏死程度的分期；其中，所述股骨头缺血型坏死程度五分 类模型的训练方式如下：对所述MR检查结果中冠状面靠近股骨头中间的图像进行预处理， 制作五分类数据集；搭建CNN分类模型，输入所述五分类数据集进行训练，得到股骨头缺血 型坏死程度五分类模型； 在所述MR原始图像中标出股骨头的位置和分期。 结合第一方面，在第一方面的第一种可实现方式中，所述Faster  R-CNN目标检测 框架中，图像的特征提取采用在ImageNet图像集上预训练过的VGG16模型，通过区域生成网 络生成候选区域，通过Fast  R-CNN区分前景和背景，并修正候选区域的坐标位置。 结合第一方面，在第一方面的第二种可实现方式中，对所述MR检查结果中冠状面 靠近股骨头中间的图像进行预处理，包括： 根据标注文件里的坐标位置，从MR检查结果中冠状面靠近股骨头中间的图像中裁 剪出股骨头局部图像； 将股骨头局部图像中所有右侧股骨头进行水平镜像，得到方向一致的股骨头局部 图像； 采用随机裁剪的方式对所述方向一致的股骨头局部图像进行图像扩增； 采用双线性插值法将图像扩增后的股骨头局部图像统一放缩到80×80大小。 结合第一方面，在第一方面的第三种可实现方式中，所述制作五分类数据集中，股 骨头缺血型坏死的分类采用ARCO五分期法。 结合第一方面，在第一方面的第四种可实现方式中，所述CNN分类模型由12个卷积 层、5个池化层和2个全连接层组成。 结合第一方面的第四种可实现方式，在第一方面的第五种可实现方式中，所述CNN 分类模型的输入图像大小为80×80×3；所述卷积层采用堆叠的结构，卷积核大小为3×3， 步长为1；所述池化层采用最大池化的方式进行特征降维，核大小为2×2，步长为2。 结合第一方面的第五种可实现方式，在第一方面的第六种可实现方式中，所述CNN 分类模型的激活函数采用修正线性单元，并采用均值为0、标准偏差为0.1正态分布方法来 初始化权重w。 结合第一方面的第六种可实现方式，在第一方面的第七种可实现方式中，所述卷 积层的第1、2层相堆叠，卷积核个数为64，输出结果为80×80×64的特征图，然后加上一个 最大池化层进行特征降维；第3、4层和第5、6层卷积分别按照相同方式相堆叠以及加上一个 最大池化层进行特征降维；后面6个卷积层分别3个相堆叠，卷积最后得到5×5×512的特征 图，利用池化层再次对5×5×512的特征图进行降维，输出维度为2×2×512。 5 CN 111553882 A 说　明　书 3/6 页 结合第一方面的第七种可实现方式，在第一方面的第八种可实现方式中，所述全 连接层输出1×1×1024大小的向量，最后一个全连接层使用softmax分类器判断类别，得到 股骨头坏死的分期。 第二方面，本发明提供一种MR图像股骨头缺血型坏死识别装置，所述装置包括： 获取单元，用于获取MR原始图像； 第一输入单元，用于将所述MR原始图像输入预先训练好的股骨头定位模型中，以 定位出股骨头在所述MR原始图像中的位置，并根据所述位置对MR原始图像进行剪裁，得到 裁剪后的MR图像；其中，所述股骨头定位模型的训练方式如下：选择MR检查结果中冠状面靠 近股骨头中间的图像，制作Pascal  VOC格式的目标检测数据集，所述目标检测训练集包括 MR图像以及MR图像中股骨头位置的XML格式标注文件；搭建Faster  R-CNN目标检测框架，输 入所述目标检测数据集进行训练，得到股骨头定位模型； 第二输入单元，用于将裁剪后的MR图像输入到预先训练好的股骨头缺血型坏死程 度五分类模型中，以识别出裁剪后的MR图像中股骨头坏死程度的分期；其中，所述股骨头缺 血型坏死程度五分类模型的训练方式如下：对所述MR检查结果中冠状面靠近股骨头中间的 图像进行预处理，制作五分类数据集；搭建CNN分类模型，输入所述五分类数据集进行训练， 得到股骨头缺血型坏死程度五分类模型； 标注单元，用于在所述MR原始图像中标出股骨头的位置和分期。 本发明的有益效果：本发明结合当下深度学习的主流模型和方法，提出一种基于 Faster  R-CNN与CNN的MR图像股骨头缺血型坏死识别方法及装置，Faster  R-CNN可以准确 定位股骨头，CNN模型能够学习股骨头缺血坏死的特征并进行分类，结合训练过的股骨头定 位模型和股骨头缺血型坏死程度五分类模型，在一定的准确率内，能够实现MR图像中股骨 头缺血型坏死的自动识别，显著提升对MR图像股骨头缺血型坏死的识别效率。 附图说明 为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简 单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其他的附图。 图1为本发明的MR图像股骨头缺血型坏死识别方法的流程图； 图2为对MR检查结果中冠状面靠近股骨头中间的图像进行预处理的流程图； 图3为本发明的MR图像股骨头缺血型坏死识别装置的示意图。