(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111635429.4 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113989407 A (43)申请公布日 2022.01.28 (73)专利权人 青岛美迪康数字 工程有限公司 地址 266005 山东省青岛市 市南区太平路 51号山东国际贸易大厦15层 (72)发明人 陈栋栋　冯健　赖永航　曹鸥　 (74)专利代理 机构 北京慧智兴达知识产权代理 有限公司 1 1615 代理人 李丽颖 (51)Int.Cl. G06T 11/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 103841924 A,2014.0 6.04 CN 101295406 A,2008.10.29 US 2011231162 A1,201 1.09.22 审查员 常津铭 (54)发明名称 CT影像中肢体部位识别模型训练方法及系 统 (57)摘要 本发明涉及医学影像识别技术领域， 提出一 种CT影像中肢体部位识别模型训练方法及系统。 方法包括： 获取CT定位片图像； 获取CT薄层序列 图像， 对CT薄层序列图像进行最大密度投影重 建， 得到三维最大密度投影图像； 并将三维最大 密度投影图像生成多个视角 对应的多张二维最 大密度投影图像； 采用CT定位片图像和二维最大 密度投影图像进行模型训练， 得到肢体部位识别 模型。 系统包括， 第一获取模块、 第二获取模块和 模型训练模块。 本发明通过最大密度投影图像对 训练样本补充， 以解决训练样本不足的问题。 权利要求书2页 说明书7页 附图3页 CN 113989407 B 2022.03.25 CN 113989407 B 1.一种CT影 像中肢体部位识别模型训练方法， 其特 征在于， 包括： 获取CT定位片图像； 获取CT薄层序列图像， 对所述CT薄层序列图像进行最大密度投影重建， 得到三维最大 密度投影图像； 并将所述三 维最大密度投影图像生成多个视角对应的多张二 维最大密度投 影图像； 采用所述CT定位片图像和所述二维最大密度投影图像进行模型训练， 得到肢体部位识 别模型; 所述采用所述CT定位片图像和所述二维最大密度投影图像进行模型训练， 包括： 对每 一张所述CT定位片图像进 行有效区域提取， 得到每一张所述CT定位片图像对应的第一有效 区域图像， 并标记每一张所述第一有效区域图像对应的肢体部位类别； 对每一张所述二维 最大密度投影图像进 行有效区域提取， 得到每一张所述二维最大密度投影图像对应的第二 有效区域图像， 并标记每一张所述第二有效区域图像对应的肢体部位类别。 2.根据权利 要求1所述的方法， 其特征在于， 所述获取CT定位片图像， 包括： 读取多个CT 影像各自的文件信息， 获取所述文件信息中的类型标识； 从所述多个CT影像中筛选出所述 类型标识为定位片标识的CT影 像作为所述CT定位片图像。 3.根据权利要求1所述的方法， 其特征在于， 所述采用所述CT定位片图像和所述二维最 大密度投影图像进行模型训练， 得到肢体部位识别模型， 包括： 根据各张所述第 一有效区域图像、 各张所述第 二有效区域图像以及每张有 效区域图像 对应的肢体部位类别， 进行模型训练， 得到所述肢体部位识别模型。 4.根据权利要求3所述的方法， 其特征在于， 所述根据各张所述第一有效区域图像、 各 张所述第二有效区域图像以及每张有效区域图像对应的肢体部位类别， 进行模型训练， 得 到所述肢体部位识别模型， 包括： 采用各张所述第二有效区域图像及对应的肢体部位类别进行模型训练， 得到基础模 型； 对所述基础模型中预设网络层以及所述预设网络层 之前的网络结构进行冻结， 采用各 张所述第一有效区域图像及对应的肢体部位类别对所述基础模型中所述预设网络层之后 的网络结构进 行训练， 得到所述肢体部位识别模型； 其中， 预设 网络层以及所述预设网络层 之前的网络结构具有特 征提取能力， 所述预设网络层之后的网络结构具有分类能力。 5.根据权利要求3所述的方法， 其特征在于， 所述CT定位片图像和所述二维最大密度投 影图像均为待处理图像， 对每一张所述待处理图像进行有效区域提取， 得到对应的有效区 域图像， 包括： 对所述待处 理图像进行二 值化处理， 得到二 值化图像； 采用光栅扫描法对所述二值化图像进行像素点遍历， 确定所述二值化图像中第 一个满 足预设条件的像素点和最后一个满足所述预设条件的像素点； 其中， 所述预设条件包括： 预 设数量的相邻像素点的像素值均为25 5； 将第一个满足所述预设条件的像素点作为左上角边界点以及将所述最后一个满足所 述预设条件的像素点作为右下角边界点， 对所述待处理图像进行区域提取， 得到所述待处 理图像对应的有效区域图像。 6.根据权利要求5所述的方法， 其特征在于， 所述对所述待处理图像进行二值化处理之权　利　要　求　书 1/2 页 2 CN 113989407 B 2前， 所述方法还 包括： 获取所述待处 理图像的窗宽信息和窗位信息； 根据所述窗宽信 息和所述窗位信息， 将所述待处理图像 中每一个像素点的16位像素值 转化为对应的8位像素值； 将像素值位数转变后的待处理图像进行腐蚀处理， 以去掉所述待处理图像中的标尺信 息。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述窗宽信息和所述窗位信息， 将所述待处 理图像中每一个 像素点的16位像素值 转化为对应的8位像素值， 包括： 采用第一公式计算 最大调整值和最小调整值， 所述第一公式包括： min=(2*窗位 ‑窗宽)/2+0.5 max=(2*窗位+窗宽)/2+0.5 采用第二公式将所述待处理图像 中每一个像素点的16位像素值转化为对应的8位像素 值， 所述第二公式包括： 8位像素值=(16位像素值 ‑min)*255/2*(max‑min) 式中， min为所述最小调整值， max为所述 最大调整值。 8.根据权利要求4所述的方法， 其特征在于， 所述采用各张所述第 二有效区域图像及对 应的肢体部位类别进行模型训练， 得到基础模型， 包括： 采用ImageNet  数据集中的预训练模型进行参数初始化， 并根据初始化参数、 各张所述 第二有效区域图像及对应的肢体部位类别进行模型训练， 得到所述基础模型。 9.一种CT影 像中肢体部位识别模型训练系统， 其特 征在于， 包括： 第一获取模块， 用于获取CT定位片图像； 第二获取模块， 用于获取CT薄层序列图像， 对所述CT薄层序列图像进行最大密度投影 重建， 得到三维最大密度 投影图像； 并将所述三维最大密度投影图像生成多个视角对应的 多张二维最大密度投影图像； 模型训练模块， 用于采用所述CT定位片图像和所述二维最大密度投影图像进行模型训 练， 得到肢体部位识别模型， 所述采用所述CT定位片图像和所述二维最大密度 投影图像进 行模型训练， 包括： 对每一张所述CT定位片图像进 行有效区域提取， 得到每一张所述CT定位 片图像对应的第一有效区域图像， 并标记每一张所述第一有效区域图像对应的肢体部位类 别； 对每一张所述二维最大密度 投影图像进行有效区域提取， 得到每一张所述二维最大密 度投影图像对应的第二有效区域图像， 并标记每一张所述第二有效区域图像对应的肢体部 位类别。权　利　要　求　书 2/2 页 3 CN 113989407 B 3