[发明专利]CT图像分割与骨密度t值预测方法、系统、计算机设备

说明书

本发明属于医学图像处理技术领域，公开了一种CT图像分割与骨密度t值预测方法、系统、计算机设备，CT图像分割与骨密度t值预测方法包括：对CT图像进行预处理；将ResNet的恒等快捷连接思想与U‑net的编码器部分结合，提取图像特征；使用转置卷积的方法与U‑net的解码器部分相结合，进行特征解码；模型分割完成后，统计结果区域的平均灰度值；基于该平均灰度值，使用线性回归的方法预测骨密度t值。本发明通过对CT图像中脊柱部分进行自动化分割，进而利用该区域灰度值预估患者的骨密度t值，这能够有效降低检查成本，提高医师诊断效率，规范化诊断结果。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种CT图像分割与骨密度t 值预测方法、系统、计算机设备。

背景技术

目前，医学图像分割是指将图像进行逐像素分类，标记出病变区域，便于 医生后续的诊断与处理。这项工作主要由富有经验的医生人工进行，而自动化 医学图像分割则旨在通过深度学习技术，使用计算机对医学图像进行自动分割。 自动化分割的核心技术在于高效的提取图像的语义信息，同时准确的捕捉待分 割区域的位置信息，评价分割结果的主要指标是交并比(Intersection of Union， IOU)。常规的基于深度学习的自动化图像分割主要包括4个阶段：图像预处理， 特征编码(或特征提取)，特征解码和分类(或分割)。

图像预处理阶段对图像进行修正，增强等操作；特征编码阶段是从预处理 后的图像中提取语义信息，将其映射到一个固定大小的特征图中；特征解码阶 段是从特征图还原图像的位置信息，并将该信息映射成原图大小的特征图；分 类阶段是指对解码后的特征图进行逐像素的识别分类，最终得到分割结果图。 对于基于深度学习的自动化图像分割来说，特征编码和特征解码阶段主要由深 度网络进行，这是系统的关键所在。一方面，如何在减少特征提取复杂性的同 时，尽量保证网络提取到高效的语义信息，另一方面，如何让网络从图像的语 义信息中还原出准确的位置信息，同时，又怎样将两种信息高效融合，共同作 用于最后的分割，这是一项非常具有挑战性的任务，现有技术中尚未有相关报 道。因此，选择合适的特征提取和解码网络，对实现准确的分割以及后续的骨 密度t值预测都极为重要。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有技术中关于如何在减少特征提取复杂性的同时，尽量保证网络提 取到高效的语义信息的相关方案尚未见报道。

(2)现有技术中关于如何让网络从图像的语义信息中还原出准确的位置信 息，同时又怎样将两种信息高效融合，共同作用于最后的分割的相关方案尚未 见报道。

解决以上问题及缺陷的难度为：

(1)如何尽可能使用较小层数的网络模型提取到更有效的语义信息以实现 分割是相关技术的难点之一。

(2)如何从低分辨率的语义信息特征图中还原准确的位置信息，并将两种 信息高效结合也是本技术的难点之一。

解决以上问题及缺陷的意义为：

快速准确的实现分割，提升医师对CT影像的判读效率，减少模型训练和部 署成本。

发明内容

针对现有技术存在的问题，本发明提供了一种CT图像分割与骨密度t值预 测方法、系统、计算机设备。

本发明是这样实现的，一种CT图像分割与骨密度t值预测方法，所述CT 图像分割与骨密度t值预测方法包括以下步骤：

步骤一，图像预处理：对CT图像进行灰度映射以及数据增强处理；

步骤二，特征编码：将ResNet的恒等快捷连接思想与U-net的编码器部分 结合，利用网络模型提取图像特征；

步骤三，特征解码：使用转置卷积的方法与U-net的解码器部分相结合，将 经过编码的低分辨率特征图还原成高分辨率的分割结果图；