导航：首页> 飞行器；航空；宇宙航行>基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法

基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法

文献发布时间：2023-06-19 10:24:22

技术领域

本发明涉及CT图片识别领域，特别涉及一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法。

背景技术

目前对于CT图片的识别，主要依靠专业的CT读片医师来完成。人工阅片结果的正确性在很大程度上取决于阅片医师的个人素质，这种素质是综合性的，包括医师内部自身专业技能水平方面的，也包括医师精神状态方面的，这样对于阅片结果会带有一定的主观性。如果阅片医师如果精神状态不佳、绪烦乱，则可能会影响阅片的结果，会出现一定的错误，而且人工阅片具有费时、费力、高成本等不足之处。随着人工智能研究的深入，特别是深度学习在图片识别方面的长足发展，越来越多的研究希望借助人工智能从CT图片提取特征，建立快速识别模型。

发明内容

本发明的目的在于提供一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法，可以简便、快速、低成本从骨盆CT图片提取特征，并对这些特征进行转化，得到转化后的综合特征信息数据，综合特征信息数据进一步用于个体受伤的快速识别模型。

本发明解决其技术问题所采用的技术方案是：

一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法，包括以下步骤：

1)对若干个体进行CT扫描；这些个体包括骨盆正常和骨盆受伤的，收集这些个体的骨盆CT图片，阅片医师对这些骨盆CT图片进行标记，标记出正常个体和受伤个体；

2)收集这些个体的骨盆CT图片；

3)利用卷积神经网络特征提取器对骨盆CT图片进行特征提取，得到特征数据，并利用转化方程对这些特征数据进行转化，得到转化后的综合特征信息数据。

本发明可以简便、快速、低成本从骨盆CT图片提取特征，并对这些特征进行转化，得到转化后的综合特征信息数据，这个综合特征信息数据作为数据源代入到个体受伤的快速识别模型中，基于个体受伤的快速识别模型得出的结果，从而判别出个体是否受伤。本发明得到的综合特征信息数据仅为中间结果，并不能直接判断个体是否受伤，只有进一步作为变量代入到个体受伤的快速识别模型后，经过模型的进一步分析计算，才能获得判断个体是否受伤的判断依据。本发明最关键的核心是如何将CT图片信息提取出特征数据，再进一步开发转化模型，排除特征数据中的冗余信息，得到一个进一步的处理数据，从而作为最终识别个体是否受伤模型的数据源，经过模型进一步数据计算和转换，以协助快速获得识别个体是否受伤的判断依据。

所述特征数据包括x1-x29共29个特征数据；所述综合特征信息数据包括Y1-Y8共8个数据。

作为优选，Y1的转化方程为：

Y1＝-0.002608[x1]-0.003528[x2]-0.01981[x3]+0.003867[x4]-0.03497[x5]-0.02528[x6]-0.005055[x7]-0.06280[x8]-0.001421[x9]-0.0009575[x10]-0.07293[x11]-0.05886[x12]-0.04936[x13]-0.06122[x14]-0.03372[x15]-0.07198[x16]-0.02127[x17]-0.05554[x18]-0.03507[x19]-0.07764[x20]-0.06150[x21]-0.04577[x22]-0.07286[x23]-0.03010[x24]+0.01372[x25]-0.07084[x26]-0.06171[x27]-0.07209[x28]-0.04400[x29]+15.087。

作为优选，Y2的转化方程为：

Y2＝+0.001791[x1]-0.03705[x2]+0.009386[x3]+0.09622[x4]+0.008747[x5]+0.01043[x6]+0.1009[x7]+0.01433[x8]+0.1572[x9]+0.02748[x10]+0.03883[x11]+0.03646[x12]-0.01670[x13]+0.01962[x14]+0.04708[x15]-0.06334[x16]+0.1111[x17]-0.03009[x18]+0.06032[x19]-0.05217[x20]-0.05729[x21]-0.006463[x22]-0.01770[x23]+0.01615[x24]+0.1990[x25]-0.02558[x26]-0.02540[x27]-0.04620[x28]-0.04119[x29]-4.735。

作为优选，Y3的转化方程为：

Y3＝-0.1135[x1]-0.2012[x2]-0.003212[x3]+0.1380[x4]+0.03829[x5]-0.1143[x6]-0.01008[x7]-0.07625[x8]+0.09322[x9]-0.02301[x10]+0.06214[x11]+0.02814[x12]+0.02732[x13]-0.04548[x14]+0.04238[x15]-0.01092[x16]-0.01883[x17]+0.02114[x18]+0.05014[x19]-0.1207[x20]-0.01414[x21]-0.03235[x22]-0.05944[x23]+0.02177[x24]+0.09775[x25]+0.0008945[x26]-0.01516[x27]+0.04469[x28]+0.01955[x29]+3.522。

作为优选，Y4的转化方程为：

Y4＝+0.1375[x1]-0.04963[x2]+0.04133[x3]+0.1679[x4]-5.722E-06[x5]-0.1303[x6]+0.06474[x7]-0.09825[x8]+0.1322[x9]-0.02689[x10]+0.01115[x11]+0.06599[x12]+0.08598[x13]-0.1722[x14]+0.03749[x15]+0.04015[x16]-0.09560[x17]+0.06715[x18]+0.03999[x19]-0.08566[x20]+0.009685[x21]-0.07393[x22]-0.03277[x23]+0.05434[x24]+0.05768[x25]+0.002512[x26]-0.06272[x27]+0.007202[x28]-0.05132[x29]-3.472。

作为优选，Y5的转化方程为：

Y5＝-0.004278[x1]-0.03228[x2]-0.03842[x3]-0.04562[x4]+0.002254[x5]+0.03222[x6]+0.07669[x7]-0.1307[x8]+0.08191[x9]-0.004142[x10]+0.06341[x11]+0.1195[x12]+0.03697[x13]-0.1907[x14]-0.07101[x15]-0.02194[x16]-0.07558[x17]+0.04869[x18]+0.006796[x19]-0.04322[x20]+0.06071[x21]+0.01823[x22]-0.03642[x23]+0.05275[x24]+0.1535[x25]-0.02061[x26]-0.009553[x27]-0.003576[x28]-0.03984[x29]+0.2459。

作为优选，Y6的转化方程为：

Y6＝+0.03842[x1]+0.05029[x2]-0.02583[x3]+0.02608[x4]+0.01359[x5]+0.08693[x6]+0.07072[x7]-0.1622[x8]-0.01445[x9]-0.06404[x10]+0.01896[x11]+0.1473[x12]+0.05971[x13]-0.04348[x14]-0.07814[x15]-0.05191[x16]+0.01407[x17]+0.05281[x18]-0.02281[x19]-0.1182[x20]-0.003314[x21]+0.05001[x22]+0.04439[x23]-0.07144[x24]-0.001820[x25]+0.06537[x26]-0.05198[x27]+0.02168[x28]-0.03421[x29]-0.5222。

作为优选，Y7的转化方程为：

Y7＝-0.02849[x1]+0.1337[x2]-0.03743[x3]+0.07537[x4]-0.01519[x5]-0.03177[x6]+0.08396[x7]-0.1775[x8]+0.004585[x9]+0.03242[x10]+0.02601[x11]-0.07063[x12]+0.08590[x13]+0.01693[x14]-0.02172[x15]+0.003717[x16]+0.07345[x17]+0.05540[x18]-0.06135[x19]-0.05733[x20]+0.001809[x21]+0.04623[x22]+0.07425[x23]-0.008544[x24]+0.03472[x25]-0.01514[x26]+0.07609[x27]-0.02744[x28]+0.04169[x29]-2.856。

作为优选，Y8的转化方程为：

Y8＝-0.04109[x1]+0.04229[x2]-0.03447[x3]-0.05996[x4]+0.004215[x5]-0.01111[x6]+0.04588[x7]-0.07993[x8]+0.1370[x9]-0.01799[x10]+0.01631[x11]-0.08259[x12]+0.06593[x13]+0.1146[x14]-0.09861[x15]+0.02502[x16]+0.1166[x17]+0.1020[x18]-0.02671[x19]-0.07814[x20]+0.03331[x21]-0.04498[x22]+0.05445[x23]-0.05827[x24]-0.04238[x25]-0.05418[x26]-0.05118[x27]-0.07210[x28]+0.04190[x29]+1.110。

本发明的有益效果是：

一、简便快速收集数据：利用CT仪器扫描个体得到骨盆CT图片数据需要10分钟，对骨盆CT图片数据进行特征提取、数据转化，整个过程只需要2秒钟即可，方便、快捷，而且仅需一人即可完成。

二、低成本：本发明基于骨盆CT图片转化后数据作为中间结果，作为数据源代入到个体受伤的快速识别模型中，就能快速识别受伤个体，相比于人工医师阅片，用人少，时间短，降低了成本。

附图说明

图1为正常个体的骨盆CT图片。

图2为受伤个体的骨盆CT图片。

具体实施方式

下面通过具体实施例，对本发明的技术方案作进一步的具体说明。

本发明中，若非特指，所采用的原料和设备等均可从市场购得或是本领域常用的。下述实施例中的方法，如无特别说明，均为本领域的常规方法。

实施例：

一种基于骨盆CT图片获得用于快速识别受伤个体的数据的转化方法，包括以下步骤：

1)对若干个体进行CT扫描；

2)收集这些个体的骨盆CT图片；

3)利用卷积神经网络特征提取器对骨盆CT图片进行特征提取，得到特征数据，并利用转化方程对这些特征数据进行转化，得到转化后的综合特征信息数据；所述特征数据包括x1-x29共29个特征数据；所述综合特征信息数据包括Y1-Y8共8个数据。

Y1的转化方程为：

Y2的转化方程为：

Y3的转化方程为：

Y4的转化方程为：

Y5的转化方程为：

Y6的转化方程为：

Y7的转化方程为：

Y8的转化方程为：

具体实例：

基于本发明骨盆CT图片转化后数据快速识别受伤个体的方法，包括如下步骤：

(1)对116个个体进行CT扫描，得到116个骨盆CT图片，如图1和图2所示。阅片医师对这116个骨盆CT图片进行标记，标记出正常个体和受伤个体；

(2)利用卷积神经网络特征提取器对骨盆CT图片进行特征提取，得到特征数据，结果如表1所示；

表1特征数据

。

(3)对于提取到的29个特征，由于包含了过多的冗余信息，我们将这29个特征数据代入以下映射转换方程，得到映射转换后数据，如表2所示。

表2转换后数据

。

(4)以转化后的综合特征信息数据为自变量，以个体正常和个体受伤为目标变量，采用支持向量机算法建立个体受伤的快速识别模型。对于支持向量机建模过程中，其选择的径向基核函数，其惩罚因子选择为30。其建模准确率为98.28％。

(5)根据个体是否受伤的支持向量机判别模型和待检测个体的转换后数据，快速预报待检测个体是否受伤。其预报准确率为86.67％，如表3所示。

表3预报结果

116个个体是否受伤的支持向量机预报模型的建模结果：

首先对若干个体进行CT扫描，这些个体包括骨盆正常和骨盆受伤的。收集这些个体的骨盆CT图片，阅片医师对这些骨盆CT图片进行标记，标记出正常个体和受伤个体。其次利用卷积神经网络特征提取器对骨盆CT图片进行特征提取，得到特征数据，并利用转化方程对这些特征数据进行转化，得到转化后的综合特征信息数据。最后以转化后的综合特征信息数据为自变量，以个体正常和个体受伤为目标变量，采用支持向量机算法建立个体受伤的快速识别模型。其建模准确率为98.28％。

对30个待测个体的预报结果，如表3所示；对新的个体进行CT扫描得到待判别个体是否受伤的待测骨盆CT图片，通卷积神经网络特征提取器提取出这些待测骨盆CT图片的特征数据，利用转化方程进行转化，最后将转化后的数据代入个体是否受伤的支持向量机判别模型，判别出个体是否受伤。其预报准确率为86.67％，如表3所示。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

完整全部详细技术资料下载

该技术已申请专利。仅供学习研究，如用于商业用途，请联系技术所有人。
专利发明人：王飞翔;夏文涛;刘太昂;汪茂文;
专利申请人：司法鉴定科学研究院;

上一篇：一种基于几何约束的家具动态设计展示方法及系统
下一篇：一种水上无人机海上防翻转系统