[发明专利]一种脊椎图像分割与识别方法

说明书

本发明属于脊椎图像处理技术领域，公开了一种脊椎图像分割与识别方法，包括：输入初始医学影像，基于低分辨率的FCN网络预测出脊柱的初始位置，并返回脊柱的中心点坐标；基于HLGCN使用热力图和关键点回归进行椎骨的定位和识别；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。本发明首先对脊椎进行粗略定位，然后定位并识别单个椎骨，最后以高分辨率对每个椎骨进行分割，来解决在高度重复的结构中同时分割和标记椎骨的难题。设计FCN网络，构建有效的端到端映射；并充分利用3D上下文信息，将FCN与迁移学习和深度监督机制紧密结合，以应对因过度平滑和梯度消失而导致的潜在训练困难。

技术领域

本发明属于脊椎图像处理技术领域，具体涉及一种脊椎图像分割与识别方法。

背景技术

随着社会的不断发展，工作压力日益增大，脊椎疾病困扰着各年龄阶段和各种职业人群，已成为影响公共健康的几大顽疾之一。随着医学影像技术的不断进步，医学影像技术(CT、MRI等)在脊椎疾病诊断中被广泛应用。在脊柱外科手术中，医生首先根据病人的影像资料制定治疗方案，比如确定椎弓根钉的植入角度、植入深度等。若获取了脊柱的三维结构视图，医生则可以直观地测量，从而制定手术计划。而获取脊柱的三维模型，需要精确分割出椎骨骼部分，椎骨分割结果直接影响三维重建的效果。若获取了病变椎骨的具体椎节位置，医生则可以因地制宜地制定手术计划的同时还可以减轻病人多次检查的痛苦及经济压力。因此，如何准确高效地分割和识别椎骨成为目前医学界和计算机领域研究的热点。

发明内容

本发明目的在于提供一种脊椎图像分割与识别方法，用于解决上述现有技术中存在的技术问题之一，如：如何准确高效地分割和识别椎骨。

为实现上述目的，本发明的技术方案是：

一种脊椎图像分割与识别方法，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。

进一步的，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。

进一步的，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；