[发明专利]一种基于Mask RCNN的医学图像中脊柱自动定位方法

说明书

本发明提出一种基于Mask RCNN的医学图像中脊柱自动定位方法，该方法利用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；用添加了椎体包络框像素坐标、椎体倾角、Mask分类信息的脊柱椎体矢状面CT图像作为训练样本训练脊柱自动定位模型；利用训练好的脊柱自动定位模型预测新输入的脊柱椎体矢状面CT图像中椎体包络框的像素坐标、椎体的中心和倾角。采用本发明所述方法可以实现脊柱自动定位并识别每个椎体的包络框的像素坐标和倾角。

技术领域

本发明涉及脊柱自动定位技术，尤其是一种基于于Mask RCNN的医学图像中脊柱自动定位方法。

背景技术

近些年CT系统凭借着优秀的图像质量，快速的成像速度，在医学领域有着越来越广泛的应用。CT系统利用精确准直的X射线与灵敏度极高的探测器接收透过人体的信号，扫描采集的数据经过图像重建算法形成断层图像。CT图像在临床上有着广泛的应用，近年来随着多层螺旋CT技术的发展，探测器的排数已经从开始的4排，64排，一直到现在的256排CT。这随之而来带来了海量的数据需要医生来解读，所以计算机辅助分析的工作就变得非常重要。比如在CT对脊柱的扫描中，通常会扫描一个脊柱的定位像，然后一般医生会手动框选每个脊柱的位置和方向，以便于CT系统对各个脊柱沿着脊柱的方向进行扫描。再比如，在脊柱整形外科中，通常需要医生辨别每个脊柱的位置，并按照每个脊柱的空间方向重新生成断层图像，进而诊断病人的脊柱的健康状况，在这个过程中通常需要人工来判读比如弯曲程度和弯曲方向等等信息。

目前的大多数系统中都是基于医生的人工阅片，手动判别每个椎体的范围，位置，和方向。由于人体一共有，33块椎骨，如果全部采用人工标注，会严重影响阅片效率，阅片医生的工作强度大，而且会由于主观的误差存在标记不一致的问题。而且人工阅片通常是通过不同方向的二维视图，很难准确全面的判别三维的空间角度。

虽然目前也有自动分割椎骨的方法，但是这些方法也仅仅是分割整个椎体的区域，还不能直接给出脊柱的和椎体的空间位置关系，最后椎体的方向和位置还需要人工来判读。比如专利201711299213.9提出一种脊柱X线影像的数据处理方法，该方法是针对多个方向的X线的平片图像进行脊柱的识别，无法实现对三维CT扫描图像的自动识别。申请201711315308.5提出一种基于主动轮廓模型的脊柱CT图像自动定位分割方法，该方法能够自动定位椎骨中心和分割初始轮廓位置，进而可以对椎骨进行自动分割，但不能提供每个脊柱的位置和方向等空间位置信息。

发明内容

发明目的：为弥补现有技术的空白，本发明提出一种基于于Mask RCNN的医学图像中脊柱自动定位方法，可以实现脊柱自动定位并识别每个椎体的包络框的像素坐标、椎体的中心和倾角。

技术方案：为实现上述目的，本发明提出一种基于Mask RCNN的医学图像中脊柱自动定位方法，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；

(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，得到得到椎体包络框的像素坐标和椎体的倾角。

具体的，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；