[发明专利]一种基于深度学习的分节段椎骨CT图像分割方法

说明书

本发明公开了一种基于深度学习的分节段椎骨CT图像分割方法，涉及图像分割技术领域；它的分割方法如下：步骤一、脊椎CT图像的预处理；步骤二、椎骨中心检测；步骤三、椎骨CT图像分割；本发明利用深度学习的方式自动检测出当前图像中所有的可见椎骨中心，通过分割网络对其进行高分辨率分割；帮助医生早期有效发现椎骨畸形和损伤，从而能够及时预防和治疗。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于深度学习的分节段椎骨 CT图像分割方法。

背景技术

脊柱是人体骨骼系统的重要组成部分，在维持和支撑身体结构及器官的同时，也对人体机械活动和负荷转移发挥着重要作用。由脊柱畸形或损伤导致的脊椎类疾病具有很大的危害，并且在其早期普遍难以得到诊断。而在医学影像 (如CT、MR等)分析下，能够做到有效发现椎骨畸形和损伤，从而能够及时预防和治疗。椎骨检测和椎骨分割是进行诊断和治疗的重要步骤。早期的椎骨分割算法和机器学习方法由于其自身的局限性导致分割精度不高。而深度学习尤其是深度卷积神经网络能够通过数据驱动的方式从原始图像数据中学习最具代表性的特征，并得到显著优于其他方法的分割结果。但目前大部分深度学习方法还存在一些问题：

首先，过度依赖先验知识。大部分现有方法事先假设了图像中椎骨的数量以及椎骨的解剖特性，其中一部分方法只能分割腰椎部分，这些先验知识限制了算法在其它复杂场景下的使用。

其次，对横断面FOV(Field of View)敏感。对于横断面FOV较大的图像，部分方法能根据与椎骨相邻的人体其它器官等语义信息推断出每个椎骨的类别。然而当横断面FOV较小时，模型会由于感知不到椎骨相邻的语义信息导致泛化风险增大。

发明内容

为解决早期的椎骨分割算法和机器学习方法由于其自身的局限性导致分割精度不高的问题；本发明的目的在于提供一种基于深度学习的分节段椎骨CT 图像分割方法。

本发明的一种基于深度学习的分节段椎骨CT图像分割方法，它的分割方法如下：

步骤一、脊椎CT图像的预处理：

(1.1)、统一分辨率，由于数据集中的3D CT图像来源与不同的扫描设备，不同3D图像会因扫描参数的不同导致图像的空间分辨率spacing不同，甚至 3D图像的各个维度上的分辨率也有所差异；图像间分辨率的差异会使得网络难以训练，拟把所有图像的分辨率都统一到1.25mm×1.25mm×1.25mm；

(1.2)、重采样，图像重采样采用线性插值方式，而标签采用最近邻插值；

(1.3)、标准化，需统计整个数据集中图像的均值μ和标准差σ，然后对每个3D图像减去均值μ再除以标准差σ使每个扫描图像的数据尺度稳定在一定范围内；

(1.4)、对于某些对比度很低的椎骨CT切片图像拟采用Gamma变换进行图像增强处理；

步骤二、椎骨中心检测：

椎骨中心检测算法包含两个模块，分别为2D分割网络和基于DBSCAN算法改进的聚类算法PDBSCAN；

(2.1)、2D分割网络以U-net为主干网络，把maxpool和upsample之后的2 个3×3卷积替换成bottleneck残差块以减少参数、加快训练；

(2.2)、PDBSCAN算法：在上一步得到的概率热图中椎骨中心的密度是最高的，因此只需要找到概率热图中密度较为集中的区域便可以确定为椎骨中心；在DBSCAN算法基础上，针对椎骨中心检测任务拟重新定义椎骨中心邻域密度；椎骨中心邻域密度定义公式(1)所示，其中ε为领域半径，δ(p_i，ε)为以像素p_i为中心，ε为半径的领域，Wij为像素i与像素j之间的相关系数，N_ε为该领域中包含的像素点个数；