[发明专利]脊柱检测方法和装置

说明书

本发明提供一种脊柱检测方法和装置，该方法包括：将目标脊柱的影像数据输入到脊柱检测模型的特征提取模块，获取特征；将特征输入到脊柱检测模型的颈部网络模块，获取多尺度融合特征；将多尺度融合特征输入到脊柱检测模型的粗定位模块，获取影像数据中目标脊柱的初始位置；根据多尺度融合特征、目标脊柱的初始位置和脊柱检测模型的细回归模块，获取目标脊柱的优化位置。本发明使用的脊柱检测模型中只有编码模块，没有解码模块，从而使得该脊柱检测模型的参数量和检测时间均更少，提高了检测效率；另外，将脊柱检测分为粗定位和细回归两个阶段，即使在数据量比较少的情况下，脊柱检测模型也能有较高的训练精度，从而提高了脊柱检测精度。

技术领域

本发明涉及图像处理和人工智能技术领域，尤其涉及一种脊柱检测方法和装置。

背景技术

脊柱问题已经呈现年轻化趋势，并且越来越多人面临脊柱疾病的困扰。然而一般每一位患者的脊柱图像会包含多个序列，每一个序列又包含多个切片，需要医生在数十个甚至上百个切片中寻找可能病变的切片和位置，而后再进行逐个椎体和椎间盘的病变分析。寻找可能病变区域的过程虽然较为简单但工作量比较大，可以通过自动化的辅助技术提高提升在这一部分的工作效率。

随着计算机技术的不断发展，过去一二十年，各种计算机辅助技术已经被用来辅助医生对脊柱的椎体和椎间盘可能病变区域的定位，例如梯度直方图、概率模型、GrowCut等等。例如，某现有技术通过基于手工特征、回归森林和生成模型，提出一种两阶段方法为CT种的椎体进行定位和识别。

但随着近年来深度学习的快速发展，基于深度学习的各种方法被证明具有更好的性能，因此逐步取代了传统计算机视觉方法，并被广泛用作计算机辅助技术提高医生的工作效率。例如，现有技术采用基于深度学习的联合学习模型J-CNN提高了椎体识别的准确率。另一现有技术首先提取基于强度的特征，而后使用深度神经网络定位椎体。现有技术U-Net被证明了在少量数据下能够达到精确的分割效果，某现有技术采用该模型在CT和X-ray图像上进行椎体分割，再根据分割结果进行定位，也取得了不错的效果。另一现有技术开发了多任务VGG-M架构，用来辅助医生为多种脊柱疾病进行分级。另一项有技术提出一种端到端的三阶段的自动模型，用来直接在3D CT空间中进行椎体的定位和识别。又一现有技术基于大量数据和人工标注，采用分割模型对椎体和椎间盘进行预测，而后基于分割预测结果构建多输入、多输出分类器，为椎体和椎间盘分配类别。

上述方法由于复杂的模型，从而很难提供实时性的预测，对于医生的辅助有限。相比上述方法，本发明开发了一种能够在小数据量的数据中进行充分学习，并且精度和效率都更高的模型，从而能够有效地辅助医生进一步提高工作效率。

发明内容

本发明提供一种脊柱检测方法和装置，用以解决现有技术中脊柱检测方法工作量大、耗时长的缺陷，实现耗时短、精度高的脊柱检测。

本发明提供一种脊柱检测方法，包括：

将目标脊柱的影像数据输入到脊柱检测模型的特征提取模块，获取特征；

将所述特征输入到所述脊柱检测模型的颈部网络模块，获取多尺度融合特征；

将所述多尺度融合特征输入到所述脊柱检测模型的粗定位模块，获取所述影像数据中所述目标脊柱的初始位置；

根据所述多尺度融合特征、所述目标脊柱的初始位置和所述脊柱检测模型的细回归模块，获取所述目标脊柱的优化位置；

其中，所述脊柱检测模型是基于样本影像以及样本标签训练得到的。

根据本发明提供一种的脊柱检测方法，还包括：

将所述多尺度融合特征输入到所述脊柱检测模型的分类模块，获取所述影像数据中脊柱的椎体和椎间盘的生长情况分类。