面向小样本股骨骨折分型的多视角注意力融合方法

摘要：

目的 股骨粗隆间骨折是老年人最常见的骨折,不同类型的骨折需要不同的治疗方法.计算机图像识别技术可以辅助医生提高诊断准确率.传统的图像特征提取和机器学习方法,无法实现细粒度、高精度的分类,且少见针对3维图像的骨折分型方法.基于深度学习方法,通常需要大量的样本参与训练才能得出较好的分型性能.针对上述问题,本文提出一种面向小样本、多分类的骨折分型方法.方法 将原始CT(computed tomography)分层扫描图像进行3维重建,获取不同视角下的2维图像信息,利用添加注意力机制的多视角深度学习网络融合组合特征,并联合旋转网络获得视角不变特征,最终得到预期分型结果.结果 针对自建训练数据集(5类,每类23个样本),实验在4种3维深度学习网络模型上进行比较.基于注意力机制的多视角融合深度学习方法比传统深度学习模型的准确率提高了25％;基于旋转网络的方法比多视角深度学习方法提高8％.通过对比实验表明,提出的多视角融合深度学习方法大大优于传统基于体素的方法,并且也有利于使网络快速收敛.结论 在骨折分型中,本文提出的添加注意力机制的多视角融合分型方法优于传统基于体素的深度学习方法,具有更高的准确率和更好的性能.

关键词：骨折分型;3维重建;多视角采样;多视角融合;注意力机制

所属期刊栏目：27

分类号：TP3;R68(计算技术、计算机技术)

资助基金：国家自然科学基金61971106

在线出版日期：2022-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：784-796