CN110866921A - 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 - Google Patents
基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 Download PDFInfo
- Publication number
- CN110866921A CN110866921A CN201910989817.9A CN201910989817A CN110866921A CN 110866921 A CN110866921 A CN 110866921A CN 201910989817 A CN201910989817 A CN 201910989817A CN 110866921 A CN110866921 A CN 110866921A
- Authority
- CN
- China
- Prior art keywords
- training
- segmentation
- self
- slice
- slices
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 165
- 238000012549 training Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012360 testing method Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 13
- 210000000988 bone and bone Anatomy 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 239000010410 layer Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 239000011229 interlayer Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010058907 Spinal deformity Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 206010041569 spinal fracture Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于自训练和切片传播的弱监督脊椎椎体分割方法和系统，从病人的CT图像数据中获取每一张矢状面切片；以正中矢状面切片上每块脊骨的四个顶点作为标签，训练一个Mask RCNN分割网络；使用自训练的方法，并结合置信区域选择与条件随机场，来优化训练集标签；使用切片传播的方法，不断地扩充训练集，继续同一个分割网络，直至收敛。本发明能够仅通过一张矢状面的脊骨四个顶点标签，训练一个能对全部矢状面进行预测的分割模型，从而完成对脊椎椎体的三维分割。
Description
技术领域
本发明涉及计算机视觉与医学影像分析领域，具体地，涉及基于自训练和切片传播的弱监督脊椎椎体分割方法和系统。
背景技术
CT图像的脊椎椎体分割通常是许多脊柱成像任务的先决条件，例如脊柱畸形评估、椎骨骨折检测等。传统的脊椎椎体的分割方法大多是基于图或者基于模型的方法，需要大量的标注数据和计算时间。随着深度神经网络在图像处理领域逐渐发展，深度学习的方法在脊椎椎体分割上获得了更好的效果和更广泛的应用。然而医疗影像数据的标签非常难以获取，十分耗时耗力而且需要医生的专业知识，同时也很难保证标签的准确性和一致性。基于上述原因，弱监督脊椎椎体分割方法应运而生，在不使用三维体素标签的情况下，完成整个脊椎椎体的三维分割任务。
在基于弱监督的图像处理领域，弱监督可以分为三类，不完全监督、不确切监督和不准确的监督。在不完全监督学习领域，即半监督学习领域，自训练方法是一种高效的方法，利用大量的无标签样本和少量的有标签样本来训练分类器，解决有样本标签不足这个难题。相比于其他半监督学习方法，自训练方法的优势在于简单以及不需要任何假设。
经检索，公开号为CN108038860A、申请号为201711236700.0的中国发明专利，公开了一种基于3D全卷积神经网络的脊柱分割方法。该方法通过脊柱CT数据集来构建一个3D全卷积神经网络，该网络输出维度与输入维度相同，网络结构分为一个压缩的过程和一个扩张的过程，压缩过程每个阶段经过两个卷积层卷积后的结果，会和扩张过程特征通道尺寸相同的阶段的上一个阶段降采样后的结果，同时作为特征通道数据，进行扩张阶段的卷积操作。
但上述专利需要三维体素分割标签作为训练标签来训练神经网络，在实际应用中非常难以获取。此外，3D全卷积神经网络模型参数量巨大，训练模型需要非常多的计算资源。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于自训练和切片传播的弱监督脊椎椎体分割方法和系统。
根据本发明提供的一种基于自训练和切片传播的弱监督脊椎椎体分割方法，包括如下步骤：
数据预处理与标注步骤：将数据集分为训练集和测试集，并给训练集的CT图像的正中矢状面进行粗略标注，标注出每块脊骨的四个顶点，形成粗略标签；
模型训练步骤：利用四个顶点的粗略标签，依次连接得到四边形区域，作为分割标注训练一个二维Mask RCNN分割网络；
分割结果优化步骤：利用二维Mask RCNN分割网络检测到的脊骨中心点拟合出一条曲线，仅保留中心点与该曲线距离小于设定阈值的检测结果作为置信区域，并对置信区域使用条件随机场建模，得到新的概率分布图作为优化后的分割结果；
自训练步骤：将训练得到的二维Mask RCNN分割网络在训练集上进行预测，并将得到的分割结果作为新的标签继续训练网络，以此迭代地优化原始的四个顶点的粗略标签。
切片传播步骤：不断地将当前矢状面切片两侧的切片加入训练集，并使用当前的二维Mask RCNN分割网络推理得到分割标签。
优选地，所述数据预处理与标注步骤中，采用DICOM文件作为输入数据，提取出CT骨窗图像，将其按照层内分辨率与层间厚度重建，得到每个CT骨窗图像的所有矢状面切片；将所有的矢状面切片按照2:1的比例随机分为训练样本和测试样本；对于训练样本，选取正中矢状面切片，并标注出每块脊骨的四个顶点作为弱标签，加入到训练集；对于测试样本，将所有的矢状面切片作为测试集。
优选地，所述模型训练步骤中，按照顺时针的方向依次连接每块脊骨的四个顶点标签，得到一个四边形区域作为粗略的分割标签，以此训练一个在开源数据集MSCOCO上预训练好的二维Mask RCNN分割网络。
优选地，所述分割结果优化步骤中，利用分割网络检测到的所有脊骨包围框的中心点，通过最小二乘法拟合出一条曲线，将与这条曲线的距离大于某个阈值的包围框视为假阳性的预测，并将其去除，得到粗糙的分割图，然后将粗糙的分割图的对数项看作条件随机场的一元项，将原始图像中关于颜色和位置信息的高斯核作为条件随机场的二元项，得到精细的分割图。
优选地，所述自训练步骤中，利用训练好的分割网络，在训练集上进行预测，并以优化后的预测分割结果作为训练数据的新标签，继续训练分割网络，以此迭代直至网络收敛。
优选地，所述切片传播步骤中，利用训练好的分割网络，在和训练集切片相邻的切片上进行预测，并以优化后的预测分割结果作为这些切片的标签，将这些切片加入训练集中；将正中矢状面切片记为Xm，下标m是切片层数索引，利用上述自训练模块得到的收敛的分割网络，在相邻矢状面[Xm-1,Xm+1]上进行预测，并以优化后的分割结果作为标签，加入训练集，继续训练同一个分割网络，以此迭代，直到相邻切片中不再包含脊椎椎体为止。
根据本发明提供的一种基于自训练和切片传播的弱监督脊椎椎体分割系统，包括如下模块：
数据预处理与标注模块：将数据集分为训练集和测试集，并给训练集的CT图像的正中矢状面进行粗略标注，标注出每块脊骨的四个顶点，形成粗略标签；
模型训练模块：利用四个顶点的粗略标签，依次连接得到四边形区域，作为分割标注训练一个二维Mask RCNN分割网络；
分割结果优化模块：利用二维Mask RCNN分割网络检测到的脊骨中心点拟合出一条曲线，仅保留中心点与该曲线距离小于设定阈值的检测结果作为置信区域，并对置信区域使用条件随机场建模，得到新的概率分布图作为优化后的分割结果；
自训练模块：将训练得到的二维Mask RCNN分割网络在训练集上进行预测，并将得到的分割结果作为新的标签继续训练网络，以此迭代地优化原始的四个顶点的粗略标签。
切片传播模块：不断地将当前矢状面切片两侧的切片加入训练集，并使用当前的二维Mask RCNN分割网络推理得到分割标签。
与现有技术相比，本发明具有如下的有益效果：
1、本发明仅使用正中矢状面的脊骨四个顶点作为弱标签，训练了一个Mask RCNN分割网络，通过自训练学习的方法迭代地优化训练集标签，从而优化分割网络。
2、本发明利用置信区域选择和条件随机场的方法，优化了分割网络的结果，有效地避免了误差累积传播。
3、本发明通过切片传播的方式，将训练集从正中矢状面扩充到所有矢状面，增强分割网络的泛化能力，在测试集上通过对所有矢状面进行分割预测，并将预测结果堆叠，即可得到3D脊椎椎体分割结果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中系统流程图；
图2为本发明一实施例中方法流程图；
图3为本发明一实施例中方法框架图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，一种基于自训练和切片传播的弱监督脊椎椎体分割方法，通过使用正中矢状面的脊骨四个顶点标签，训练一个Mask RCNN分割网络，通过迭代的切片传播不断扩充训练数据集，直至网络收敛，实现了对脊椎椎体的三维分割。包括：
数据预处理与标注步骤：将数据集分为训练集和测试集，并给训练集的CT图像的正中矢状面进行粗略标注，标注出每块脊骨的四个顶点，形成粗略标签；
模型训练步骤：利用四个顶点的粗略标签，将其依次连接得到四边形区域，作为分割标注训练一个二维Mask RCNN分割网络；
分割结果优化步骤：对于Mask RCNN检测到的脊骨中心点拟合出一条曲线，仅保留中心点与该曲线距离小于某个阈值的检测结果作为置信区域，并对这些置信区域使用条件随机场建模，得到新的概率分布图作为优化后的分割结果；
自训练步骤：将训练得到的二维Mask RCNN分割网络在训练集上进行预测，并将得到的分割结果作为新的标签继续训练网络，以此迭代地优化原始的四个顶点粗略标签；
切片传播步骤：不断地将当前矢状面切片两侧的切片加入训练集，并使用当前的Mask RCNN分割网络推理得到分割标签。
具体地，所述数据预处理与标注步骤中，从原始的DICOM文件提取出CT骨窗图像，将其按照层内分辨率与层间厚度重建，得到每个CT图像的所有矢状面切片。
具体地，所述数据预处理与标注步骤中，将所有的CT数据分为训练样本和测试样本。对于训练样本，选取正中矢状面切片，并标注出每块脊骨的四个顶点作为弱标签，加入到训练集；对于测试样本，将所有的矢状面切片作为测试集。
具体地，所述模型训练步骤中，顺时针连接每块脊骨的四个顶点标签，将得到的四边形作为分割标签，训练一个在开源数据集MSCOCO上预训练好的二维Mask RCNN分割网络。
具体地，所述分割结果优化步骤中，利用分割网络检测到的所有脊骨包围框的中心点，通过最小二乘法拟合出一条曲线，将与这条曲线的距离大于某个阈值的包围框视为假阳性的预测，并将其去除。
具体地，所述分割结果优化步骤中，对分割网络的结果使用置信区域选择后，得到粗糙的分割图，然后将粗糙的分割图的对数项看作条件随机场的一元项，将原始图像中关于颜色和位置信息的高斯核作为条件随机场的二元项，得到精细的分割图。
具体地，所述自训练步骤中，利用训练好的分割网络，在训练集上进行预测，并以优化后的预测分割结果作为新的标签，继续训练分割网络，以此迭代直至网络收敛。
具体地，所述切片传播步骤中，利用训练好的分割网络，在和训练集切片相邻的切片上进行预测，并以优化后的预测分割结果作为这些切片的标签，将这些切片加入训练集中。将正中矢状面切片记为Xm，下标m是切片层数索引，利用上述自训练模块得到的收敛的分割网络，在相邻矢状面[Xm-1,Xm+1]上进行预测，并以优化后的分割结果作为标签，加入训练集，继续训练同一个分割网络，以此迭代，直到相邻切片中不再包含脊椎椎体为止。
对应于上述方法，本发明还提供一种基于自训练和切片传播的弱监督脊椎椎体分割系统的实施例，如图2所示，包括：
数据预处理与标注模块：将数据集分为训练集和测试集，将每个病人的CT图像按照矢状面切分，得到全部的矢状面图像，并给训练集的正中矢状面进行粗略标注，标注出每块脊骨的四个顶点，形成粗略标签；
模型训练模块：利用四个顶点的粗略标签，将其依次连接得到四边形区域，作为分割标注训练一个二维Mask RCNN分割网络；
分割结果优化模块：对于Mask RCNN检测到的脊骨中心点拟合出一条曲线，仅保留中心点与该曲线距离小于某个阈值的检测结果作为置信区域，并对这些置信区域使用条件随机场建模，得到新的概率分布图作为优化后的分割结果；
自训练模块：将训练得到的二维Mask RCNN分割网络在训练集上进行预测，并将得到的分割结果作为新的标签继续训练网络，以此迭代地优化原始的四个顶点粗略标签；
切片传播模块：不断地将当前矢状面切片两侧的切片加入训练集，并使用当前的Mask RCNN分割网络推理得到分割标签。
具体地，由数据预处理与标注模块、模型训练模块、分割结果优化模块、自训练模块和切片传播模块组成的弱监督脊椎椎体分割网络框架如图3所示。
如图3所示，在网络框架中，图中的数据预处理与标注模块，对输入的DICOM文件，提取出CT骨窗图像，将其按照层内分辨率与层间厚度重建，得到每个CT图像的所有矢状面切片。将所有的CT数据按照2:1的比例随机分为训练样本和测试样本。对于训练样本，选取正中矢状面切片，并标注出每块脊骨的四个顶点作为弱标签，加入到训练集；对于测试样本，将所有的矢状面切片作为测试集。
在模型训练中，按照顺时针的方向依次连接每块脊骨的四个顶点标签，得到一个四边形区域作为粗略的分割标签，以此训练一个在开源数据集MSCOCO上预训练好的二维Mask RCNN分割网络。使用预训练模型的时候，需要将分类分支最后一层的线性层输出维度由原本的81维替换为2维。
在分割结果优化中，利用分割网络检测到的所有脊骨包围框的中心点，通过最小二乘法拟合出一条曲线，将与这条曲线的距离大于某个阈值的包围框视为假阳性的预测，并将其去除，得到粗糙的分割图，然后将粗糙的分割图的对数项看作条件随机场的一元项，将原始图像中关于颜色和位置信息的高斯核作为条件随机场的二元项，得到精细的分割图。
在自训练中，利用训练好的分割网络，在训练集上进行预测，并以优化后的预测分割结果作为训练数据的新标签，继续训练分割网络，以此迭代直至网络收敛。
在切片传播中，利用训练好的分割网络，在和训练集切片相邻的切片上进行预测，并以优化后的预测分割结果作为这些切片的标签，将这些切片加入训练集中。将正中矢状面切片记为Xm，下标m是切片层数索引，利用上述自训练中得到的收敛的分割网络，在相邻矢状面[Xm-1,Xm+1]上进行预测，并以优化后的分割结果作为标签，加入训练集，继续训练同一个分割网络，以此迭代，直到相邻切片中不再包含脊椎椎体为止。
上述基于自训练和切片传播的弱监督脊椎椎体分割系统各个模块实现的技术特征可以与上述基于自训练和切片传播的弱监督脊椎椎体分割方法中对应步骤实现的技术特征相同。
综上，本发明能够仅使用正中矢状面的脊骨四个顶点作为弱标签，训练一个MaskRCNN分割网络，通过自训练学习的方法迭代地优化训练集标签，从而优化分割网络。此外，还利用曲线拟合脊椎去除假阳性，以及条件随机场建模的方法，得到了更精准的分割图，作为此后的分割标注，并用更精准的标注训练网络，得到效果更好的模型。最后通过切片传播模块，从一开始的一张正中矢状面图像作为训练集，每轮迭代训练后，就将训练集图像两侧的矢状面图像加入训练集，重复迭代，直至所有矢状面图像均已加入训练集。这样训练得到的模型能在测试集所有矢状面上进行分割预测，达到3D脊椎椎体分割的目的。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于自训练和切片传播的弱监督脊椎椎体分割方法，其特征在于，包括如下步骤：
数据预处理与标注步骤：将数据集分为训练集和测试集，并给训练集的CT图像的正中矢状面进行粗略标注，标注出每块脊骨的四个顶点，形成粗略标签；
模型训练步骤：利用四个顶点的粗略标签，依次连接得到四边形区域，作为分割标注训练一个二维Mask RCNN分割网络；
分割结果优化步骤：利用二维Mask RCNN分割网络检测到的脊骨中心点拟合出一条曲线，仅保留中心点与该曲线距离小于设定阈值的检测结果作为置信区域，并对置信区域使用条件随机场建模，得到新的概率分布图作为优化后的分割结果；
自训练步骤：将训练得到的二维Mask RCNN分割网络在训练集上进行预测，并将得到的分割结果作为新的标签继续训练网络，以此迭代地优化原始的四个顶点的粗略标签。
切片传播步骤：不断地将当前矢状面切片两侧的切片加入训练集，并使用当前的二维Mask RCNN分割网络推理得到分割标签。
2.根据权利要求1所述的基于自训练和切片传播的弱监督脊椎椎体分割方法，其特征在于，所述数据预处理与标注步骤中，采用DICOM文件作为输入数据，提取出CT骨窗图像，将其按照层内分辨率与层间厚度重建，得到每个CT骨窗图像的所有矢状面切片；将所有的矢状面切片按照2:1的比例随机分为训练样本和测试样本；对于训练样本，选取正中矢状面切片，并标注出每块脊骨的四个顶点作为弱标签，加入到训练集；对于测试样本，将所有的矢状面切片作为测试集。
3.根据权利要求1所述的基于自训练和切片传播的弱监督脊椎椎体分割方法，其特征在于，所述模型训练步骤中，按照顺时针的方向依次连接每块脊骨的四个顶点标签，得到一个四边形区域作为粗略的分割标签，以此训练一个在开源数据集MSCOCO上预训练好的二维Mask RCNN分割网络。
4.根据权利要求1所述的基于自训练和切片传播的弱监督脊椎椎体分割方法，其特征在于，所述分割结果优化步骤中，利用分割网络检测到的所有脊骨包围框的中心点，通过最小二乘法拟合出一条曲线，将与这条曲线的距离大于某个阈值的包围框视为假阳性的预测，并将其去除，得到粗糙的分割图，然后将粗糙的分割图的对数项看作条件随机场的一元项，将原始图像中关于颜色和位置信息的高斯核作为条件随机场的二元项，得到精细的分割图。
5.根据权利要求1所述的基于自训练和切片传播的弱监督脊椎椎体分割方法，其特征在于，所述自训练步骤中，利用训练好的分割网络，在训练集上进行预测，并以优化后的预测分割结果作为训练数据的新标签，继续训练分割网络，以此迭代直至网络收敛。
6.根据权利要求1所述的基于自训练和切片传播的弱监督脊椎椎体分割方法，其特征在于，所述切片传播步骤中，利用训练好的分割网络，在和训练集切片相邻的切片上进行预测，并以优化后的预测分割结果作为这些切片的标签，将这些切片加入训练集中；将正中矢状面切片记为Xm，下标m是切片层数索引，利用上述自训练模块得到的收敛的分割网络，在相邻矢状面[Xm-1,Xm+1]上进行预测，并以优化后的分割结果作为标签，加入训练集，继续训练同一个分割网络，以此迭代，直到相邻切片中不再包含脊椎椎体为止。
7.一种基于自训练和切片传播的弱监督脊椎椎体分割系统，其特征在于，包括如下模块：
数据预处理与标注模块：将数据集分为训练集和测试集，并给训练集的CT图像的正中矢状面进行粗略标注，标注出每块脊骨的四个顶点，形成粗略标签；
模型训练模块：利用四个顶点的粗略标签，依次连接得到四边形区域，作为分割标注训练一个二维Mask RCNN分割网络；
分割结果优化模块：利用二维Mask RCNN分割网络检测到的脊骨中心点拟合出一条曲线，仅保留中心点与该曲线距离小于设定阈值的检测结果作为置信区域，并对置信区域使用条件随机场建模，得到新的概率分布图作为优化后的分割结果；
自训练模块：将训练得到的二维Mask RCNN分割网络在训练集上进行预测，并将得到的分割结果作为新的标签继续训练网络，以此迭代地优化原始的四个顶点的粗略标签。
切片传播模块：不断地将当前矢状面切片两侧的切片加入训练集，并使用当前的二维Mask RCNN分割网络推理得到分割标签。
8.根据权利要求7所述的基于自训练和切片传播的弱监督脊椎椎体分割系统，其特征在于，所述数据预处理与标注模块中，采用DICOM文件作为输入数据，提取出CT骨窗图像，将其按照层内分辨率与层间厚度重建，得到每个CT骨窗图像的所有矢状面切片；将所有的矢状面切片按照2:1的比例随机分为训练样本和测试样本；对于训练样本，选取正中矢状面切片，并标注出每块脊骨的四个顶点作为弱标签，加入到训练集；对于测试样本，将所有的矢状面切片作为测试集。
9.根据权利要求7所述的基于自训练和切片传播的弱监督脊椎椎体分割系统，其特征在于，所述切片传播模块中，利用训练好的分割网络，在和训练集切片相邻的切片上进行预测，并以优化后的预测分割结果作为这些切片的标签，将这些切片加入训练集中；将正中矢状面切片记为Xm，下标m是切片层数索引，利用上述自训练模块得到的收敛的分割网络，在相邻矢状面[Xm-1,Xm+1]上进行预测，并以优化后的分割结果作为标签，加入训练集，继续训练同一个分割网络，以此迭代，直到相邻切片中不再包含脊椎椎体为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910989817.9A CN110866921A (zh) | 2019-10-17 | 2019-10-17 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910989817.9A CN110866921A (zh) | 2019-10-17 | 2019-10-17 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110866921A true CN110866921A (zh) | 2020-03-06 |
Family
ID=69652612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910989817.9A Pending CN110866921A (zh) | 2019-10-17 | 2019-10-17 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866921A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102282A (zh) * | 2020-09-11 | 2020-12-18 | 中北大学 | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 |
| 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 |
| 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 |
| CN114549396A (zh) * | 2021-12-28 | 2022-05-27 | 河海大学 | 一种基于图神经网络的脊椎交互式与自动分割细化方法 |
| CN115797307A (zh) * | 2022-12-13 | 2023-03-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种骨骼冠状位平衡参数检测系统 |
| CN116934709A (zh) * | 2023-07-20 | 2023-10-24 | 北京长木谷医疗科技股份有限公司 | 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 |
| CN117557878A (zh) * | 2023-11-20 | 2024-02-13 | 康骨微创医疗器械科技(无锡)有限公司 | 一种基于脊椎ct图像的人体脊椎数据集 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510507A (zh) * | 2018-03-27 | 2018-09-07 | 哈尔滨理工大学 | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 |
| CN109389603A (zh) * | 2018-09-10 | 2019-02-26 | 北京大学 | 一种基于预加重策略的全自动腰椎图像分割方法 |
| US20190156210A1 (en) * | 2017-11-17 | 2019-05-23 | Facebook, Inc. | Machine-Learning Models Based on Non-local Neural Networks |
| CN109949316A (zh) * | 2019-03-01 | 2019-06-28 | 东南大学 | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 |
-
2019
- 2019-10-17 CN CN201910989817.9A patent/CN110866921A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156210A1 (en) * | 2017-11-17 | 2019-05-23 | Facebook, Inc. | Machine-Learning Models Based on Non-local Neural Networks |
| CN108510507A (zh) * | 2018-03-27 | 2018-09-07 | 哈尔滨理工大学 | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 |
| CN109389603A (zh) * | 2018-09-10 | 2019-02-26 | 北京大学 | 一种基于预加重策略的全自动腰椎图像分割方法 |
| CN109949316A (zh) * | 2019-03-01 | 2019-06-28 | 东南大学 | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| SHIQI PENG等: ""Weakly Supervised Segmentation of Vertebral Bodies with Iterative Slice-Propagation"" * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112184617B (zh) * | 2020-08-17 | 2022-09-16 | 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 |
| CN112102282A (zh) * | 2020-09-11 | 2020-12-18 | 中北大学 | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 |
| 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 |
| CN114549396A (zh) * | 2021-12-28 | 2022-05-27 | 河海大学 | 一种基于图神经网络的脊椎交互式与自动分割细化方法 |
| CN115797307A (zh) * | 2022-12-13 | 2023-03-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种骨骼冠状位平衡参数检测系统 |
| CN115797307B (zh) * | 2022-12-13 | 2023-08-08 | 北京大学第三医院（北京大学第三临床医学院） | 一种骨骼冠状位平衡参数检测系统 |
| CN116934709A (zh) * | 2023-07-20 | 2023-10-24 | 北京长木谷医疗科技股份有限公司 | 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 |
| CN116934709B (zh) * | 2023-07-20 | 2024-04-02 | 北京长木谷医疗科技股份有限公司 | 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 |
| CN117557878A (zh) * | 2023-11-20 | 2024-02-13 | 康骨微创医疗器械科技(无锡)有限公司 | 一种基于脊椎ct图像的人体脊椎数据集 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866921A (zh) | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 | |
| Ghadai et al. | Learning localized features in 3D CAD models for manufacturability analysis of drilled holes | |
| Lee et al. | AnoViT: Unsupervised anomaly detection and localization with vision transformer-based encoder-decoder | |
| CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
| CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和系统 | |
| CN109903292A (zh) | 一种基于全卷积神经网络的三维图像分割方法及系统 | |
| KR20210122855A (ko) | 검출 모델 훈련 방법과 장치, 컴퓨터 장치, 및 저장 매체 | |
| CN112262395A (zh) | 基于注释信息的分类 | |
| CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
| CN108230339A (zh) | 一种基于伪标签迭代标注的胃癌病理切片标注补全方法 | |
| CN111260055A (zh) | 基于三维图像识别的模型训练方法、存储介质和设备 | |
| CN112085714B (zh) | 一种肺结节检测方法、模型训练方法、装置、设备及介质 | |
| US11120297B2 (en) | Segmentation of target areas in images | |
| CN111325766B (zh) | 三维边缘检测方法、装置、存储介质和计算机设备 | |
| CN110660480B (zh) | 脊骨脱位辅助诊断方法及系统 | |
| Böhland et al. | Influence of synthetic label image object properties on GAN supported segmentation pipelines | |
| Presenti et al. | Automatic anomaly detection from X-ray images based on autoencoders | |
| CN112488996A (zh) | 非齐次三维食管癌能谱ct弱监督自动标注方法与系统 | |
| CN118552800A (zh) | 一种边缘端部署的铁轨异物半监督异常检测方法及系统 | |
| CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
| CN118154625A (zh) | 一种融合视觉大模型的小样本密集粒子图像分割方法 | |
| Nakhaee et al. | DeepRadiation: An intelligent augmented reality platform for predicting urban energy performance just through 360 panoramic streetscape images utilizing various deep learning models | |
| US12033372B2 (en) | Attributing generated visual content to training examples | |
| Hu et al. | Automated BIM-to-scan point cloud semantic segmentation using a domain adaptation network with hybrid attention and whitening (DawNet) | |
| Jung et al. | VoroCrack3d: An annotated semi-synthetic 3d image data set of cracked concrete |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |