[发明专利]一种基于Mask RCNN的医学图像中脊柱自动定位方法

权利要求书

1.一种基于Mask RCNN的医学图像中脊柱自动定位方法,其特征在于，包括步骤：

(1)构建训练样本：选取脊柱椎体矢状面CT图像，为各个图像添加椎体的包络框的像素坐标、倾角、Mask分类信息，得到训练样本；

(2)利用Mask RCNN网络作为脊柱自动定位模型，并在FasterRCNN的最后一层增加一个用于提取倾角的卷积输出支路，即构建好的脊柱自动定位模具有三个卷积输出支路，第一个支路输出候选区域的相关参数，第二个支路输出候选区域为目标的概率值，第三个支路输出候选区域中的倾角值；

(3)利用训练样本训练脊柱自动定位模型；

所述训练好的脊柱自动定位模型包括特征提取网络、Mask分支网络、区域生成网络rpn和目标检测器fast-rcnn；其中，

特征提取网络提取原始图像的卷积特征图；

Mask分支网络对输入的原始图像进行骨骼粗提取，得到骨骼mask图；

卷积特征图和骨骼mask图经过一个1×1的卷积核进行卷积后，生成新的卷积特征图；

新的卷积特征图送入区域生成网络，区域生成网络生成椎体包络框候选区域；

目标检测器fast-rcnn中的ROI池化层对椎体包络框候选区域和新的卷积特征图进行ROI池化，得到相同大小的特征图和各个特征图的特征信息，然后将特征信息输入到三个输出全连接层进行回归、分类和倾角提取，得到椎体包络框的像素坐标和倾角；

(4)将新获取的脊柱椎体矢状面CT图像输入训练好的脊柱自动定位模型，得到椎体包络框的像素坐标和椎体的倾角。

2.根据权利要求1所述的一种基于Mask RCNN的医学图像中脊柱自动定位方法,其特征在于，所述Mask RCNN网络的损失函数为：

L_fastrcnn(Img_in)＝L_conf+L_loc

L_Ang(Ang_n)＝(Ang_j(n)-AngPred_n)²

其中，Img_in表示输入图像，L_fastrcnn(Img_in)为输入图像Img_in的定位框误差，N为网络预设的预测定位框的总数，j(n)表示某一预测定位框n所对应的真正的椎体定位框的索引，β为权重系数，L_Ang(Ang_n)表示第n个椎体的实际角度与预测角度之间的角度差异，式中，Ang_j(n)表示第n个椎体的实际角度，AngPred_n表示第n个椎体的预测角度；

L_conf为定位框的类别误差损失函数，表达式为：

L_loc为定位框的坐标损失函数，表达式为：

其中，L_conf(x,c)表示定位框x为真正的椎体定位框j的损失，c_n,j表示softmax层的输入,为softmax层的输出；l表示网络预测的定位框的位置(cx,cy)和尺寸信息(w,h)，(cx,cy)表示预测定位框左上角坐标，w表示预测定位框的宽度，h表示预测定位框的高，为预测的定位框的中心位置坐标，表示预测的定位框的宽度，表示预测的定位框的高度；g表示预测框所对应的真实定位框的位置和尺寸信息为真实的定位框的中心位置坐标，为真实的定位框的宽度，为真实的定位框的高度。