[发明专利]一种脊柱影像分割方法、介质及电子设备

权利要求书

1.一种脊柱影像分割方法，其特征在于，所述脊柱影像分割方法包括：

获取脊柱序列影像；

根据所述脊柱序列影像获取三维影像体块；

利用一椎骨中心点定位网络对所述三维影像体块进行处理，以获取椎骨内切球检测框，其中，所述椎骨中心点定位网络为一训练好的第一机器学习模型；

利用一椎骨中心点细化网络对所述椎骨内切球检测框和所述脊柱序列影像进行处理，以获取精细椎骨中心点坐标，其中，所述椎骨中心点细化网络为一训练好的第二机器学习模型；

利用一椎骨分割网络对所述精细椎骨中心点坐标和所述三维影像体块进行处理，以获取脊柱掩膜，其中，所述椎骨分割网络为一训练好的第三机器学习模型。

2.根据权利要求1所述的脊柱影像分割方法，其特征在于，在获取所述三维影像体块以前，所述脊柱影像分割方法还包括：

对所述脊柱序列影像进行预处理，以获取空间分辨率和坐标系一致的脊柱序列影像。

3.根据权利要求1所述的脊柱影像分割方法，其特征在于，所述椎骨中心点定位网络的训练方法包括：

获取训练数据，所述训练数据包括训练序列影像、所述训练序列影像中的椎骨类别以及所述训练序列影像中的椎骨中心点位置坐标；

根据所述训练序列影像获取多个训练三维影像体块；

根据所述训练序列影像中的椎骨类别和椎骨中心点位置坐标，获取所述训练序列影像的金标准内切球检测框；

利用所述训练三维影像体块和所述金标准内切球检测框对所述第一机器学习模型进行训练，以获取所述椎骨中心点定位网络。

4.根据权利要求3所述的脊柱影像分割方法，其特征在于，所述椎骨中心点定位网络的训练方法还包括：对所述训练三维影像体块进行增广处理。

5.根据权利要求3所述的脊柱影像分割方法，其特征在于，所述椎骨中心点细化网络的训练方法包括：

利用所述椎骨中心点定位网络对所述训练序列影像进行处理，以获取训练内切球检测框；

根据所述训练内切球检测框获取训练高斯热力图；

根据所述训练高斯热力图和所述训练序列影像获取两通道体块训练图像；

根据所述金标准内切球检测框的中心点坐标和半径获取金标准高斯热力图；

利用所述两通道体块训练图像和所述金标准高斯热力图对所述第二机器学习模型进行训练，以获取所述椎骨中心点细化网络。

6.根据权利要求5所述的脊柱影像分割方法，其特征在于，利用所述椎骨中心点细化网络对所述椎骨内切球检测框和脊柱序列影像进行处理，以获取所述精细椎骨中心点坐标的实现方法包括：

根据所述椎骨内切球检测框生成第一高斯热力图；

根据所述第一高斯热力图和所述脊柱序列影像获取一两通道体块图像；

利用所述椎骨中心点细化网络对所述两通道体块图像进行处理，以获取第二高斯热力图；

根据所述第二高斯热力图获取所述精细椎骨中心点坐标。

7.根据权利要求3所述的脊柱影像分割方法，其特征在于，所述训练数据还包括所述训练序列影像的椎骨分割掩膜，所述椎骨分割网络的训练方法包括：

利用所述椎骨中心点定位网络对所述训练序列影像进行处理，以获取训练内切球检测框；

利用所述椎骨中心点细化网络对所述训练内切球检测框和所述训练序列影像进行处理，以获取椎骨中心点训练坐标；

利用所述椎骨中心点训练坐标和所述训练序列影像的椎骨分割掩膜对所述第三机器学习模型进行处理，以获取所述椎骨分割网络。

8.根据权利要求1所述的脊柱影像分割方法，其特征在于：所述椎骨中心点定位网络包括预测分支、级联的深度卷积网络和基于自注意力机制的深度语言模型，且所述深度卷积网络和所述深度语言模型采用跳层连接的方式相叠加。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1-8任一项所述的脊柱影像分割方法。

10.一种电子设备，其特征在于，所述电子设备包括：

存储器，存储有一计算机程序；

处理器，与所述存储器通信相连，调用所述计算机程序时执行权利要求1-8任一项所述的脊柱影像分割方法；

显示器，与所述处理器和所述存储器通信相连，用于显示所述脊柱影像分割方法的相关GUI交互界面。