[发明专利]一种髋关节CT图像中骨的分割方法

说明书

本发明提出一种髋关节CT图像中骨的分割方法，包括以下步骤：S1，获取若干个髋关节CT图像序列，并进行骨的人工标注；S2，训练stackGAN（阶段生成对抗网络）；S3，训练BiLSTM（双向长短期记忆网络）；S4，输入一个髋关节CT图像序列；S5，使用已训练的stackGAN进行骨分割；S6，使用已训练的BiLSTM进行后处理，得到最终的骨分割结果。本发明以二维切片图像为输入，不仅提高了数据适应性，而且降低了模型复杂度；同时充分利用了切片之间的三维结构信息，提高了分割的准确性。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种髋关节CT图像中骨的分割方法。

背景技术

髋关节是位于骨盆与股骨之间的球窝关节，其中股骨头的末端为球形，正好插入骨盆髋臼。髋关节轴向连接躯干与下肢，可以朝六个不同的方向运动，在我们进行各种活动时承载身体的重量并支撑臀部与腿部肌肉的力量，是身体中最为灵活和承重最大的关节，因此也是全身关节中最容易出现问题的关节之一。

骨关节炎是世界上最常见的关节疾病，其发病率和患病率均随年龄的增长而增加。髋关节严重病变的患者如果通过药物治疗不能获得有效的止痛和功能改善，应考虑进行全髋关节置换手术。对于骨关节炎严重的病例，本发明提出的基于stackGAN和BiLSTM的髋关节CT图像中骨的分割方法可以实现骨的分割，辅助医生对骨盆和股骨进行形态和结构分析，为全髋关节置换手术的术前评估、术中指导和术后评价提供支持。

髋关节CT图像中骨的分割在临床和治疗上有着重要的应用，很多髋关节CT图像中骨的分割方法被提出。但是由于下列因素：髋关节组织损伤可引发关节间隙变窄、模糊甚至骨变形； CT 图像在采集过程中存在伪影、部分体积效应等影响；髋关节在人体中的位置和形态跟个体有较大的关联性；深度学习算法需要大量的训练数据很难获取。这些因素对骨分割的准确性和稳定性有很大影响，髋关节CT图像中骨的分割方法还有很大的提高空间，迫切需要准确性高和稳定性强的骨分割方法。

发明内容

发明目的：为了提高髋关节CT图像中骨分割的准确性和稳定性，本发明提供一种髋关节CT图像中骨的分割方法。

技术方案：一种髋关节CT图像中骨的分割方法，包括如下步骤。

S1：获取若干个髋关节CT图像序列，使用标注软件对图像中的骨进行人工分割，人工分割结果定义为骨的标准分割结果。

S2：使用S1中髋关节CT切片图像及其标准的骨分割结果作为训练数据训练stackGAN。stackGAN包括第一阶段反向条件生成对抗网络和第二阶段正向条件生成对抗网络两个阶段，具体训练过程如下：

S2.1：以S1中CT切片图像及其对应的分割结果为输入，提取非骨特征训练反向条件生成对抗网络；

S2.2：反向条件生成对抗网络训练完成后，以S1中CT切片图像及其对应的分割结果和反向条件生成对抗网络的输出作为正向条件生成对抗网络的输入，提取骨特征训练正向条件生成对抗网络。

S3：使用S2中训练的stackGAN处理S1中髋关节CT图像得到的骨分割结果和S1中的标准骨分割结果作为训练数据训练BiLSTM。

S4：输入一个髋关节CT图像序列。

S5：使用S2中训练好的stackGAN对S4中的髋关节CT图像序列的每一张切片进行骨分割，具体过程如下：

S5.1：第一阶段反向条件生成对抗网络提取非骨特征生成骨的粗分割标签；

S5.2：第二阶段正向条件生成对抗网络以骨的粗分割标签为先验，提取骨特征，进一步生成更为精准的骨分割标签。

S6：使用S3中训练好的BiLSTM对S5得到的骨分割结果进行后处理，得到最终的骨分割结果，具体过程如下：