CN109523523A - 基于fcn神经网络和对抗学习的椎体定位识别分割方法 - Google Patents

基于fcn神经网络和对抗学习的椎体定位识别分割方法 Download PDF

Info

Publication number
CN109523523A
CN109523523A CN201811297777.3A CN201811297777A CN109523523A CN 109523523 A CN109523523 A CN 109523523A CN 201811297777 A CN201811297777 A CN 201811297777A CN 109523523 A CN109523523 A CN 109523523A
Authority
CN
China
Prior art keywords
centrum
center
fiqure
label
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811297777.3A
Other languages
English (en)
Other versions
CN109523523B (zh
Inventor
郑宇铄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201811297777.3A priority Critical patent/CN109523523B/zh
Publication of CN109523523A publication Critical patent/CN109523523A/zh
Application granted granted Critical
Publication of CN109523523B publication Critical patent/CN109523523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于FCN神经网络和对抗学习的椎体定位识别分割方法，利用分步学习的思想，分别进行了椎体语义分割和椎体图心的定位和识别。并且又将语义分割所获得的信息分为了形态信息及类别信息。类别信息用于增强椎体图心的识，能够解决由于相邻椎体相似度太高，相邻MRI椎体标记混乱导致椎体定位识别不够精确的问题。

Description

基于FCN神经网络和对抗学习的椎体定位识别分割方法
技术领域
本发明公布一种椎体定位识别分割方法，具体的说，是一种基于FCN神经网络和对抗学习的椎体定位识别分割方法。
背景技术
在计算机辅助脊柱手术的背景下，确切的知道单个椎骨的形状是非常重要的，例如，用于脊柱活组织检查、植入物或椎弓根螺钉的插入等。但在大多数情况下，不仅要求精确分割而且还需要定位识别单个椎骨，例如，确保特定的椎骨参与外科手术。在计算机断层扫描(CT)或磁共振成像(MRI)脊柱成像中自动定位和标记椎骨，已成为一种临床任务的重要工具，包括病理诊断，手术计划和术后评估。具体应用如椎骨分割、骨折检测、肿瘤检测、配准和统计形状分析也可以受益于有效的椎骨定位和标记算法。因此，自动定位，标记和分割椎骨是建立一个脊椎诊断和治疗计算机系统的基本需要。
CT提供了骨结构的高对比度，MRI扫描描绘了软组织结构，从而允许表征/量化例如椎间盘退变等常见的脊柱疾病。这导致近年来对用于脊柱成像的MRI技术的兴趣增加。相比于CT，MRI面临的挑战是椎体的弱边缘信息，强烈的噪音导致椎体成像灰度不均匀，具有不同分辨以及众多采集协议类型，导致椎体定位识别不够精确。
发明内容
针对现有技术的缺陷，本发明提供一种基于FCN神经网络和对抗学习的椎体定位识别分割方法，能够同时利用椎体的语义分割和图心能量预测这两个不同层次的信息，解决由于相邻椎体相似度太高、相邻椎体标记混乱导致MRI椎体定位识别不够精确的问题。
为了解决所述技术问题，本发明采用的技术方案是：基于FCN神经网络和对抗学习的椎体定位识别分割方法，包括以下步骤：S01)、准备MRI脊柱图像，然后根据MRI脊柱图像生产椎体分割标签和能量标签；S02)、构建深度学习网络，深度学习网络包括两组并行的多功能网络和对抗学习网络，然后将MRI图像及分割标签输入其中一个多功能网络，进行对抗训练，将MRI图像及能量标签输入另外一个多功能网络，进行对抗训练；S03)、输入测试集至两个训练好的多功能网络，由分割标签和能量标签训练的多功能网络会分别输出单个椎体的语义分割图和单个椎体图心的能量预测图；S04)、将生成的单个椎体语义分割结果通过忽略类别信息获得椎体形态信息，根据单个椎体语义分割结果中的类别信息和单个椎体图心的能量预测生成加强后的椎体图心热图预测，然后识别椎体的质心以及标定。
进一步的，利用ITK-SNAP软件对MRI图像进行椎体分割标签的标注，利用ITK-SNAP软件的工具箱将MRI图像中的椎体进行掩膜标记，从最下方的椎骨开始，沿着椎体边缘画出闭合曲线，填充闭合曲线内部，生成与椎体形状位置一致的掩膜标记为1，对其他椎体也执行相同的操作，并按照递升次序依次标记，进行掩膜标记后的与分割的MRI图像等大的图像就是生成的分割标签，背景的标签是0。
进一步的，由分割标签算出椎体图心，根据图心生成能量标签，具体过程为：根据公式计算能量标签，其中ui代表标签为i的椎体的图心，σ代表从图心向周围扩散的半径，k代表高斯分布在图心处的值，x代表位置，yi代表x处的高斯函数值。
进一步的，MRI脊柱图像包括具有不同分辨率、不同程度病变、包含不同椎体块数的多张图像，进行标签标注前，先将图像像素大小调整为统一大小。
进一步的，训练和测试神经网络时，采用5折交叉验证法。
进一步的，多功能网络的输出、分割标签、能量标签共同作为对抗学习网络的输入，对抗学习网络的输出又反馈至多功能网络。
进一步的，单个椎体的语义分割结果包括i个通道，每个通道为相应分割标签的椎体预测的形态信息和类别信息，单个椎体图心的能量预测图包括i个通道，每个通道为相应分割标签的椎体质心预测的能量分布。
进一步的，将单个椎体的语义分割结果的类别信息和单个椎体图心的能量预测，在对应椎体通道的每个像素点做加权和，从而生成加强后的椎体图心热图预测，然后在加强后的椎体图心热图预测上找能量最集中处，确定图心坐标，将图心坐标所拥有的类别信息作为当前椎体的识别标签。
本发明的有益效果：本发明不依赖某个特殊的椎体来进行顺序识别，利用分步学习的思想，分别进行了椎体语义分割和椎体图心的定位和识别。并且又将语义分割所获得的信息分为了形态信息及类别信息。类别信息用于增强椎体图心的识，能够解决由于相邻椎体相似度太高，相邻MRI椎体标记混乱导致椎体定位识别不够精确的问题。
附图说明
图1为本发明的整体流程图；
图2为本发明利用MRI图像进行单个椎体定位、识别、分割的方法流程图；
图3是本发明中的多功能网络架构示意图；
图4是本发明用于对抗学习网络架构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
本实施例公开一种基于FCN神经网络和对抗学习的椎体定位识别分割方法，如图1所示，本方法首先要准备MRI脊柱图像，然后根据MRI脊柱图像标注椎体分割标签和能量标签，附图1中统称为标签。然后训练数据和测试数据，构建深度学习网络，将MRI图像及分割标签输入多功能网络，进行对抗训练，将MRI图像及能量标签输入多功能网络，进行对抗训练。之后通过输入测试集，由分割标签和能量标签训练的多功能网络会分别输出单个椎体的语义分割图和单个椎体图心的能量预测图。将生成的单个椎体语义分割结果通过忽略类别信息获得椎体形态信息，根据单个椎体语义分割结果中的类别信息和单个椎体图心的能量预测生成加强后的椎体图心热图预测，然后识别椎体的质心以及标定，得出最终预测结果。
本实施例中，所述MRI脊柱图像包括具有不同分辨率、不同程度病变、包含不同椎体块数的T1和T2图像，进行标签标注前，先将图像像素大小统一调整为512*512。
本实施例中，利用ITK-SNAP软件来对MRI图像进行椎体分割标签的标注，利用ITK-SNAP软件的工具箱将MRI图像中的椎体进行掩膜标记。从最下方的尾椎骨开始，沿着椎体边缘画出闭合曲线，填充闭合曲线内部，生成与椎体形状位置一致的掩膜标记为1。其它椎体，也执行上述操作，从下往上依次标记2、3、4、5等,背景的标签是0。每张MRI包含的椎体块数不一样，实验所用的数据集MRI图像的椎体块数有6、7、8这3种情况。进行掩膜标记后的MRI图像就是生成的分割标签，分割标签与MRI图像等大。
由分割标签算出椎体图心，根据生成的分割标签，由于每个椎体都是一个单独的连通域，求每个连通域的质心，即得到每个椎体的图心。
由图心生成能量标签的具体过程为：根据公式其中ui代表标签为i的椎体的图心，σ代表从图心向周围扩散的半径，k代表高斯分布在图心处的值，x∈R2代表位置，yi代表x处的高斯函数值。根据上述公式可以由各个椎体的图像的图心得到能量标签。
本实施例中，训练数据和测试数据采用5折交叉验证法。
构建深度学习网络，本实施例中，深度学习网络包括两组并行的多功能网络和对抗学习网络。多功能网络采用FCN(卷积和反卷积)的基本架构，网络结构如图3所示。由于椎体识别问题中椎体之间具有固定顺序的特点，又结合LSTM来更好地学习空间顺序特征。为了解决MRI脊柱图像包含椎体块数和面积不一致的问题，利用可变形卷积自主学习感受野。
对抗学习网络作为判别器，帮助多功能网络更好地训练。将多功能网络的输出结果和真实标签分别作为对抗学习网络的输入，两者输出的结果不断竞争，在这种对抗学习的训练模式下，多功能网络可以学习到更合理的参数。所述真实标签是指分割标签或能量标签。对抗学习网络的输入是真实的分割标签，预测的分割标签，真实的能量标签或预测的能量标签。其网络架构图如图4所示。
本实施例中，对抗训练的过程为：多功能网络的输出、分割标签、能量标签共同作为对抗学习网络的输入，对抗学习网络的输出又以损失函数的形式反馈至多功能网络。多功能网络和对抗学习网络的输出结果相互竞争，在这种对抗学习的训练模式下，多功能网络可以学习到更合理的参数。多功能网络训练好以后输入测试集，由分割标签和能量标签训练的多功能网络会分别输出单个椎体的语义分割图和单个椎体图心的能量预测图。
本实施例中，单个椎体的语义分割结果包括i个通道，每个通道为相应分割标签的椎体预测的形态信息和类别信息，单个椎体图心的能量预测图包括i个通道，每个通道为相应分割标签的椎体质心预测的能量分布。
将单个椎体的语义分割结果的类别信息和单个椎体图心的能量预测，在对应椎体通道的每个像素点做加权和，从而生成加强后的椎体图心热图预测，然后在加强后的椎体图心热图预测上找能量最集中处，确定图心坐标，将图心坐标所拥有的类别信息作为当前椎体的识别标签。
实施例2
本实施公布的椎体定位识别分割方法用于对单个椎体定位、识别和分割，如图2所示，为其流程图，这里只描述了一次交叉验证试验的流程。
MRI图像和标签；实现方法是将MRI脊柱图像、分割标签、能量标签同时作为程序中数据的读入。
多功能网络：图中有两个多功能网络，多功能网络1和多功能网络2。多功能网络1和多功能网络2的网络结构相同，都是图3的网络结构。
对抗学习网络：作为判别器，帮助多功能网络更好地训练。将多功能网络的输出结果和真实标签分别作为对抗学习网络的输入，两者输出的结果不断竞争，在这种对抗学习的训练模式下，多功能网络可以学习到更合理的参数。所述真实标签是指分割标签或能量标签。
多功能网络1的训练：将MRI图像的训练集和对应的分割标签输入多功能网络1，对抗学习网络1作为判别器，共同组成了对抗学习的训练模式。
多功能网络2的训练：将MRI图像的训练集和对应的能量标签输入多功能网络2，对抗学习网络2作为判别器，共同组成了对抗学习的训练模式。
单个椎体的语义分割结果：MRI图像和分割标签输入时多功能网络的输出，512*512*classnum，第i个通道包含分割标签为i的椎体预测的形态信息。
单个椎体图心的能量预测：MRI图像和能量标签输入时多功能网络的输出，512*512*classnum，第i个通道包含分割标签为i的椎体质心预测的能量分布。
椎体分割的形态信息：将512*512*classnum，忽略掉类别信息，各个椎体都为一类，背景归为一类，形成2值掩膜。
椎体分割的类别信息：就是1*1*classnum包含了每个像素点的类别信息。
加强后的椎体图心热图预测：就是将单个椎体的语义分割结果和单个椎体图心的能量预测，在对应椎体通道的每个像素点做加权和。
上述描述中，classnum表示类别数。
椎体的质心以及标定：加强后的椎体图心热图预测能够增强椎体图心的类别信息。通过找能量最集中处，确定图心坐标，将图心坐标所拥有的类别信息作为当前椎体的识别标签。
如图3为本发明中的多功能网络具体实现。其中利用了FCN的基本架构，卷积和反卷积。由于椎体识别问题中椎体之间具有固定顺序的特点，又结合LSTM来更好地学习空间顺序特征。为了解决MRI脊柱图像包含椎体块数和面积不一致的问题，利用可变形卷积自主学习感受野。
如图4本为发明对抗学习的网络具体实现。网络的输入是真实的分割、预测的分割标签、真实的能量标签或预测的能量标签。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围内。

Claims (8)

1.基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：包括以下步骤：S01)、准备MRI脊柱图像，然后根据MRI脊柱图像标注椎体分割标签和能量标签；S02)、构建深度学习网络，深度学习网络包括两组并行的多功能网络和对抗学习网络，然后将MRI图像及分割标签输入其中一个多功能网络，进行对抗训练，将MRI图像及能量标签输入另一个多功能网络，进行对抗训练；S03)、输入测试集至两个训练好的多功能网络，由分割标签和能量标签训练的多功能网络会分别输出单个椎体的语义分割图和单个椎体图心的能量预测图；S04)、将生成的单个椎体语义分割结果通过忽略类别信息获得椎体形态信息，根据单个椎体语义分割结果中的类别信息和单个椎体图心的能量预测生成加强后的椎体图心热图预测，然后识别椎体的质心以及标定。
2.根据权利要求1所述的基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：利用ITK-SNAP软件对MRI图像进行椎体分割标签的标注，利用ITK-SNAP软件的工具箱将MRI图像中的椎体进行掩膜标记，从最下方的椎骨开始，沿着椎体边缘画出闭合曲线，填充闭合曲线内部，生成与椎体形状位置一致的掩膜标记为1，对其他椎体也执行相同的操作，并按照递升次序依次标记，进行掩膜标记后的与分割的MRI图像等大的图像就是生成的分割标签，背景的标签是0。
3.根据权利要求2所述的基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：由分割标签算出椎体图心，根据图心生成能量标签，具体过程为：根据公式计算能量标签，其中ui代表标签为i的椎体的图心，σ代表从图心向周围扩散的半径，k代表高斯分布在图心处的值，x代表位置，yi代表x处的高斯函数值。
4.根据权利要求1所述的基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：MRI脊柱图像包括具有不同分辨率、不同程度病变、包含不同椎体块数的多张图像，进行标签标注前，先将图像像素大小调整为统一大小。
5.根据权利要求1所述的基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：训练和测试神经网络时，采用5折交叉验证法。
6.根据权利要求1所述的基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：多功能网络的输出、分割标签、能量标签共同作为对抗学习网络的输入，对抗学习网络的输出又反馈至多功能网络。
7.根据权利要求1所述的基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：单个椎体的语义分割结果包括i个通道，每个通道为相应分割标签的椎体预测的形态信息和类别信息，单个椎体图心的能量预测图包括i个通道，每个通道为相应分割标签的椎体质心预测的能量分布。
8.根据权利要求1所述的基于FCN神经网络和对抗学习的椎体定位识别分割方法，其特征在于：将单个椎体的语义分割结果的类别信息和单个椎体图心的能量预测，在对应椎体通道的每个像素点做加权和，从而生成加强后的椎体图心热图预测，然后在加强后的椎体图心热图预测上找能量最集中处，确定图心坐标，将图心坐标所拥有的类别信息作为当前椎体的识别标签。
CN201811297777.3A 2018-11-01 2018-11-01 基于fcn神经网络和对抗学习的椎体定位识别分割方法 Active CN109523523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811297777.3A CN109523523B (zh) 2018-11-01 2018-11-01 基于fcn神经网络和对抗学习的椎体定位识别分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811297777.3A CN109523523B (zh) 2018-11-01 2018-11-01 基于fcn神经网络和对抗学习的椎体定位识别分割方法

Publications (2)

Publication Number Publication Date
CN109523523A true CN109523523A (zh) 2019-03-26
CN109523523B CN109523523B (zh) 2020-05-05

Family

ID=65774241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811297777.3A Active CN109523523B (zh) 2018-11-01 2018-11-01 基于fcn神经网络和对抗学习的椎体定位识别分割方法

Country Status (1)

Country Link
CN (1) CN109523523B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192248A (zh) * 2019-12-30 2020-05-22 山东大学 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法
CN112184617A (zh) * 2020-08-17 2021-01-05 浙江大学 一种基于深度学习的脊椎mri影像关键点检测方法
WO2021017297A1 (zh) * 2019-08-01 2021-02-04 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备
CN112438745A (zh) * 2019-09-04 2021-03-05 株式会社岛津制作所 图像解析方法、处理装置、测定装置及学习模型制作方法
CN112700448A (zh) * 2021-03-24 2021-04-23 成都成电金盘健康数据技术有限公司 一种脊椎图像分割与识别方法
CN113470004A (zh) * 2021-07-22 2021-10-01 上海嘉奥信息科技发展有限公司 一种基于ct的单个椎体的分割方法、系统及介质
CN113516614A (zh) * 2020-07-06 2021-10-19 阿里巴巴集团控股有限公司 脊柱影像的处理方法、模型训练方法、装置及存储介质
CN113610825A (zh) * 2021-08-13 2021-11-05 推想医疗科技股份有限公司 术中影像的肋骨识别方法及系统
CN113643314A (zh) * 2021-07-02 2021-11-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
US12056847B2 (en) 2020-07-06 2024-08-06 Alibaba Group Holding Limited Image processing method, means, electronic device and storage medium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130035761A1 (en) * 2011-08-07 2013-02-07 Knee Creations, Llc. Subchondral treatment of joint pain of the spine
CN107680134A (zh) * 2017-09-29 2018-02-09 沈阳东软医疗系统有限公司 医学图像中脊椎标定方法、装置及设备
CN107945204A (zh) * 2017-10-27 2018-04-20 西安电子科技大学 一种基于生成对抗网络的像素级人像抠图方法
CN108230301A (zh) * 2017-12-12 2018-06-29 哈尔滨理工大学 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
US20180260951A1 (en) * 2017-03-08 2018-09-13 Siemens Healthcare Gmbh Deep Image-to-Image Recurrent Network with Shape Basis for Automatic Vertebra Labeling in Large-Scale 3D CT Volumes
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130035761A1 (en) * 2011-08-07 2013-02-07 Knee Creations, Llc. Subchondral treatment of joint pain of the spine
US20180260951A1 (en) * 2017-03-08 2018-09-13 Siemens Healthcare Gmbh Deep Image-to-Image Recurrent Network with Shape Basis for Automatic Vertebra Labeling in Large-Scale 3D CT Volumes
CN107680134A (zh) * 2017-09-29 2018-02-09 沈阳东软医疗系统有限公司 医学图像中脊椎标定方法、装置及设备
CN107945204A (zh) * 2017-10-27 2018-04-20 西安电子科技大学 一种基于生成对抗网络的像素级人像抠图方法
CN108230301A (zh) * 2017-12-12 2018-06-29 哈尔滨理工大学 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI BI 等: "Dual-Path Adversarial Learning for Fully Convolutional Network (FCN)-Based Medical Image Segmentation", 《35TH COMPUTER GRAPHICS INTERNATIONAL CONFERENCE》 *
蒋冬梅 等: "CT图像椎骨分割的局部模糊主动轮廓方法", 《计算机工程与应用》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021017297A1 (zh) * 2019-08-01 2021-02-04 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备
CN112438745A (zh) * 2019-09-04 2021-03-05 株式会社岛津制作所 图像解析方法、处理装置、测定装置及学习模型制作方法
CN111192248A (zh) * 2019-12-30 2020-05-22 山东大学 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法
CN111192248B (zh) * 2019-12-30 2023-05-05 山东大学 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法
US20220083821A1 (en) * 2020-07-06 2022-03-17 Alibaba Group Holding Limited Processing method, model training method, means, and storage medium for spinal images
US12056847B2 (en) 2020-07-06 2024-08-06 Alibaba Group Holding Limited Image processing method, means, electronic device and storage medium
US11841923B2 (en) * 2020-07-06 2023-12-12 Alibaba Group Holding Limited Processing method, model training method, means, and storage medium for spinal images
CN113516614A (zh) * 2020-07-06 2021-10-19 阿里巴巴集团控股有限公司 脊柱影像的处理方法、模型训练方法、装置及存储介质
CN112184617A (zh) * 2020-08-17 2021-01-05 浙江大学 一种基于深度学习的脊椎mri影像关键点检测方法
CN112700448A (zh) * 2021-03-24 2021-04-23 成都成电金盘健康数据技术有限公司 一种脊椎图像分割与识别方法
CN112700448B (zh) * 2021-03-24 2021-06-08 成都成电金盘健康数据技术有限公司 一种脊椎图像分割与识别方法
CN113643314A (zh) * 2021-07-02 2021-11-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
CN113643314B (zh) * 2021-07-02 2023-09-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
CN113470004A (zh) * 2021-07-22 2021-10-01 上海嘉奥信息科技发展有限公司 一种基于ct的单个椎体的分割方法、系统及介质
CN113610825B (zh) * 2021-08-13 2022-03-29 推想医疗科技股份有限公司 术中影像的肋骨识别方法及系统
CN113610825A (zh) * 2021-08-13 2021-11-05 推想医疗科技股份有限公司 术中影像的肋骨识别方法及系统

Also Published As

Publication number Publication date
CN109523523B (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN109523523A (zh) 基于fcn神经网络和对抗学习的椎体定位识别分割方法
Chen et al. Automatic localization and identification of vertebrae in spine CT via a joint learning model with deep neural networks
ES2914387T3 (es) Estudio inmediato
CN112116609A (zh) 基于图像中的结构或材料分割的机器学习分类方法与系统
BR112015001099B1 (pt) Método, aparelho e sistema para rotular uma ou mais partes de uma coluna em uma imagem de um corpo humano ou animal
CN111340859B (zh) 用于图像配准的方法、学习装置和医学成像装置
CN108230301A (zh) 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
Taghizadeh et al. Automated CT bone segmentation using statistical shape modelling and local template matching
Wu et al. AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases
CN113610808A (zh) 基于个体脑连接图的群体脑图谱个体化方法、系统和设备
De Silva et al. Registration of MRI to intraoperative radiographs for target localization in spinal interventions
CN105184794B (zh) 一种基于张量图像的csm辅助分析系统及方法
CN111192248A (zh) 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法
EP3107031A1 (en) Method, apparatus and system for spine labeling
CN112349391A (zh) 一种优化肋骨自动标号方法
CN115175619A (zh) 一种使用医学图像分析人体成分的方法及其装置
Lenga et al. Deep learning based rib centerline extraction and labeling
CN112927213B (zh) 一种医学图像分割方法、介质及电子设备
Seifert et al. A knowledge-based approach to soft tissue reconstruction of the cervical spine
Sha et al. Detection of spinal fracture lesions based on improved faster-rcnn
Xue et al. A dual-selective channel attention network for osteoporosis prediction in computed tomography images of lumbar spine
CN115272283A (zh) 一种结直肠肿瘤的内窥oct图像分割方法、设备、介质及产品
Styner et al. Corpus callosum subdivision based on a probabilistic model of inter-hemispheric connectivity
Zhang et al. Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation
CN113658234A (zh) 脑部图像处理方法、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant