[发明专利]一种脊椎图像分割与识别方法

权利要求书

1.一种脊椎图像分割与识别方法，其特征在于，包括以下步骤：

S1：输入初始医学影像，基于Fully Convolutional Networks网络预测出脊柱的初始位置，并返回脊柱的中心点坐标；

S2：在步骤S1的基础上，基于Hybrid Loss Guided Convolutional Networks使用热力图和关键点回归进行椎骨的定位和识别；

S3：在步骤S2的基础上，基于U-Net对每个定位和识别的椎骨进行二进制分割，并将各个预测合并到最终的多标签椎骨分割结果中；

步骤S1包括以下子步骤：

S11：初始医学影像预处理阶段，将CT图像重新采样为8mm体素间距，并初始化网络输入为图像中心；U-Net网络输入大小为[64 * 64 * 128]mm，使最大[512 * 512 * 1024]mm范围的脊柱CT输入网络；

S12：调整U-Net网络，使其执行平均池化、执行线性上采样，U-Net网络使用五个级别，其中每个卷积层的内核大小为[3*3*3]，并具有64个filter的输出；此外，卷积层使用0填充，使网络输入和输出大小保持不变；

步骤S2的具体步骤如下：

步骤S21：Hybrid Loss Guided Convolutional Networks网络结合特征点的局部特征及其空间结构，局部特征部分包括在向下采样到低级别之前的两个卷积层以及在与向上采样的低级别连接之后的两个卷积层；每个卷积层使用ReLU激活函数，内核大小为[3*3*3]，并具有64filter输出；空间结构部分由四个具有[7*7*7]个内核的卷积组成，并以局部特征部分分辨率的四分之一进行处理；

步骤S22：在步骤S21的基础上，Hybrid Loss Guided Convolutional Networks网络增加数个分层的侧面路径，以缩短梯度流的反向传播路径，并将浅层暴露进行监督；并将加权交叉熵损失与多类骰子相似性系数损失混合，以公平地指导培训过程；

步骤S23：在步骤S22的基础上，Hybrid Loss Guided Convolutional Networks网络对i=1:N的N个目标椎骨进行热力图回归，网络同时预测N个热力图，即每个单独的椎骨的单个热力图；将预测的热力图单独着色并合并为单个图像；最终的特征点坐标被确定为的局部最大值的最长序列；

步骤S24：在步骤S23的基础上，将每个输入都重采样到2mm的体素间距，网络输入大小为[96*96*64]，使最大[192*192*128]mm范围的脊柱CT输入网络；将网络输入的中心放在预测的脊柱坐标上。

2.如权利要求1所述的一种脊椎图像分割与识别方法，其特征在于，步骤S3包括以下具体步骤：

Fully Convolutional Networks网络将对每个局部椎骨进行二进制分割，然后将单独分割的椎骨的结果合并到最终的多标签分割结果中；其中，矩形表示单个椎骨周围的裁剪区域，每个局部椎骨均经过单独处理，然后将每个单独椎骨重采样到原始位置；通过将每个体素处的标签设置为响应最大的标签，可得到最终的多标签分割结果。