(19)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 20221024626 6.9 (22)申请日 2022.03.14 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 刘侠　谢林浩　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01) G06T 5/00(2006.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进Faster-RCNN的头影标记点定 位方法 (57)摘要 一种基于改进Faster ‑RCNN的头影标记点定 位方法， 头影测量是正畸疗诊过程不可或缺的分 析手段， 其中机器学习方法在医学影像 分析方面 具有突出优势， 基于学习的方法不受观察者主动 性的影响， 使得定位的准确性得到了大大提高， 但其准确性很大程度上取决于训练数据的数量 与准确性； 本发 明提出一种主干网络先将图像划 分为若干个小区域， 通过卷积核提取特征值， 再 通过池化层进行下采样， 在不影 响图像质量的情 况下压缩图片， 再通过全连接层将特征进行整 合， 获取图像特征具有高层含义， 提高检测的准 确性， 另外， 利用K ‑Means++的思想消除异常点， 降低误检测概率， 在保证检测的稳定性的同时提 高了准确性， 本发明能实现头颅侧位X光片标记 点的自动检测， 能在临床上进行运用。 权利要求书2页 说明书3页 附图2页 CN 114638800 A 2022.06.17 CN 114638800 A 1.一种基于改进Faster ‑RCNN的头影标记点定位方法， 其特征在于， 所述标记点检测方 法， 包括以下步骤： 步骤一： 预处 理部分， 对图像进行增强和去噪处 理， 对标记点进行分类； 步骤二： 将数据集分为训练集、 验证集和 测试集三个部分， 比例可设置为7:2:1； 步骤三： 模型主干网络参考ResNet和FPN， 结合构成ResNet50FPN， 负责从输入的数据中 提取特征， 输出为特 征图集合； 步骤四： 候选区域网络RPN， 负责从特 征图中提取候选区域； 步骤五： 为主干网络和候选区域网络提供通道 注意力和空间注意力机制； 步骤六： 采用K ‑Means++算法对输出图像， 按照检测点之间的距离大小， 将检测点划分 为K个， K取值参照标签文件坐标点的值。 2.根据权利要求1所述的一种基于改进Faster ‑RCNN的头影标记点定位方法， 其特征在 于， 所述步骤一中对头颅侧 位X光图片进行增强和去噪处理， 通过高斯滤波消除噪声， 二维 高斯函数计算公式如下： 式中σ 代表标准差， 取值 为1， 对图像平 滑效果比较明显； 牙颌面标记点可分为四个大类， 分别是颅部标记点(5)、 上颌标记点(7)、 下颌标记点 (9)和软组织侧面标记 点(11)共32种标记 点， 按照标记 点坐标位置对其进行分类， 目的是提 高模型的学习能力和泛化能力。 3.根据权利要求1所述的一种基于改进Faster ‑RCNN的头影标记点定位方法， 其特征在 于， 所述步骤二中将数据集分为训练集、 验证集和测试集三个部 分， 训练集用于模型拟合的 数据样本； 验证集是模型训练过程中单独留出 的样本集， 它 可以用于调整模型 的超参数和 用于的模型 的能力进行初步评估， 通常用来在模型迭代训练时， 用以验证当前模型泛化能 力， 以决定是否停止训练； 测试集可以用来评估 模型的最终泛化能力。 4.根据权利要求1所述的一种基于改进Faster ‑RCNN的头影标记点定位方法， 其特征在 于， 所述步骤三中FPN网络有两条路径： 一条路径是卷积网络的前馈计算， 计算由不同比例的特征映射组成的特征图， 其缩放 步长为2， ResNet卷积块的步距分别设置为2,4,6,8,12； 另外一条路径通过对更抽象但语义更强的高层特征图进行上采样来减轻高分辨率特 征对检测的影响， 两条路径合并后的结果使用3 ×3的卷积， 目的是用来减少上采样带来的 混叠效应。 5.根据权利要求1所述的一种基于改进Faster ‑RCNN的头影标记点定位方法， 其特征在 于， 所述步骤四中RPN首先进行3 ×3卷积为了更好融合每个点周围的信息， 每个点都有9个 anchor， 都要对框分fore和back， 为2 个维度， 所以每个点输出为W*H*18， 回归的时候需要四 个值定框， 分别为上下左右4个维度， 即为4k， 输出为W*H*36， 随后按照输入foreground   softmax scores对anchor排序， 目的是在2000个anchor中找到最优anchor， 接着将anchor 映射回原图， 按照NMS由大到小排序foreground  anchors， 提取top作为结果输出proposal。 6.根据权利要求1所述的一种基于改进Faster ‑RCNN的头影标记点定位方法， 其特征在 于， 所述步骤五中将混合注意力机制加入主干网络和 候选区域网络中， 其中通道域注意力权　利　要　求　书 1/2 页 2 CN 114638800 A 2思想借鉴了I nception和MobileNet网络， 通道域注意力的计算公式如下： 式中c表示第c个卷积核， σ表示Sigmoid函数； MLP表示多层感知器， 用于共享参数； AvgPool()表示平均池化运算， MaxPool()表 示最大池化运算； 和 分别代表全局平 均池化和全局最大池化输出的特 征， 空间域注意力的计算公式如下： 式中S表示特定的空 间域， Ms表示生成的空 间注意力特征， 卷积层 使用7*7的卷积核， H和W分别代 表特征图的高和宽 。 7.根据权利要求1所述的一种基于改进Faster ‑RCNN的头影标记点定位方法， 其特征在 于， 所述步骤 六中采用K ‑Means++算法的目的是降低检测标记 点的误检率， 提高模 型检测精 度， 实现过程包括以下步骤： (1)随机生成一个质心， 按照质心之间尽量远的原则逐个生成K个质心； (2)求图中所有检测点， 求其到K个聚类中心的距离， 将检测点归类到距离最小的中心 的聚类， 如此迭代n次； (3)在每次迭代过程中， 利用均值 等方法更新各个聚类的中心点； (4)对于K个聚类中心， 利用2,3步迭代更新后， 如果位置点变化很小(可以设置阈值)， 则认为达 到稳定状态， 迭代结束； (5)选取距离质心最近的检测点作为预测点， 筛除其 他的点。权　利　要　求　书 2/2 页 3 CN 114638800 A 3