CN112927213B - 一种医学图像分割方法、介质及电子设备 - Google Patents

一种医学图像分割方法、介质及电子设备 Download PDF

Info

Publication number
CN112927213B
CN112927213B CN202110265567.1A CN202110265567A CN112927213B CN 112927213 B CN112927213 B CN 112927213B CN 202110265567 A CN202110265567 A CN 202110265567A CN 112927213 B CN112927213 B CN 112927213B
Authority
CN
China
Prior art keywords
medical image
target
segmentation
vertebra
spine
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.)
Active
Application number
CN202110265567.1A
Other languages
English (en)
Other versions
CN112927213A (zh
Inventor
郑国焱
李泽忠
刘积昊
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110265567.1A priority Critical patent/CN112927213B/zh
Publication of CN112927213A publication Critical patent/CN112927213A/zh
Application granted granted Critical
Publication of CN112927213B publication Critical patent/CN112927213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种医学图像分割方法、介质及电子设备。所述医学图像分割方法包括：获取目标医学图像；利用脊椎分割模型对所述目标医学图像进行处理，以获取每一节段所述目标脊椎的实际骨性标记点；获取每一节段所述目标脊椎的参考图谱；根据每一节段所述目标脊椎的实际骨性标记点及其参考骨性标记点，对所述参考医学图像和所述目标医学图像进行配准，以得到配准后的医学图像；根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取所述目标医学图像的初始分割结果；对所述目标医学图像进行图切分割以得到所述目标医学图像的最终分割结果。所述医学图像分割方法能够实现对所述目标医学图像的自动分割。

Description

一种医学图像分割方法、介质及电子设备
技术领域
本发明涉及一种图像处理方法，特别是涉及一种医学图像分割方法、介质及电子设备。
背景技术
随着影像学的不断发展，CT技术在临床中的应用愈发普遍。其中，在利用CT图像来获取患者脊柱状况的过程中，从CT数据中准确分割出单个椎骨在许多临床场景中起着非常重要的作用。在对椎骨进行分割后，一方面可以确定每个椎骨的形状和健康状况，另一方面有助于早期脊柱疾病的诊断、手术规划和脊柱病变的定位，例如：退行性脊柱疾病、脊柱变形、创伤、肿瘤和骨折等。目前，大多数计算机辅助诊断和手术规划系统中用到的脊椎模型都是基于医生手动分割得到的，此种方式不仅费时费力，而且分割的重复性差。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种医学图像分割方法、介质及电子设备，用于解决现有技术中采用手动方式分割脊椎所导致的相关问题。
为实现上述目的及其他相关目的，本发明的第一方面提供一种医学图像分割方法，所述医学图像分割方法包括：获取目标医学图像，所述目标医学图像包括至少一节段目标脊椎；利用一脊椎分割模型对所述目标医学图像进行处理，以获取每一节段所述目标脊椎的实际骨性标记点；其中，所述脊椎分割模型为一训练好的机器学习模型；获取每一节段所述目标脊椎的参考图谱；所述参考图谱包括参考医学图像及其脊椎分割掩码，并包括至少一节段所述目标脊椎的参考骨性标记点；根据每一节段所述目标脊椎的实际骨性标记点及其参考骨性标记点，对所述参考医学图像和所述目标医学图像进行配准，以得到配准后的医学图像；根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取所述目标医学图像的初始分割结果；根据所述目标医学图像的初始分割结果，对所述目标医学图像进行图切分割以得到所述目标医学图像的最终分割结果。
于所述第一方面的一实施例中，对所述参考医学图像和所述目标医学图像进行配准，以得到所述配准后的医学图像的实现方法包括：将所述目标脊椎的实际骨性标记点及其参考骨性标记点作为配对点，获取仿射变换参数；根据所述仿射变换参数，对所述参考医学图像和所述目标医学图像进行仿射配准，以获取所述配准后的医学图像。
于所述第一方面的一实施例中，每一节段所述目标脊椎均具有多个参考医学图像；对所述参考医学图像和所述目标医学图像进行配准，以得到所述配准后的医学图像的实现方法包括：对所述目标脊椎的多个参考医学图像分别和所述目标医学图像进行配准；根据配准误差，从每一节段所述目标脊椎的多个参考医学图像中获取每一节段所述目标脊椎的匹配参考医学图像；对每一节段所述目标脊椎的匹配参考医学图像和所述目标医学图像进行多图谱配准，以获取所述配准后的医学图像。
于所述第一方面的一实施例中，根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取所述目标医学图像的初始分割结果的实现方法包括：根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取每一节段所述目标脊椎中每个体素点对应的标签；所述体素点对应的标签用于指示所述体素点所处的分割区域。
于所述第一方面的一实施例中，对于第l节段所述目标脊椎中的任一体素点x，其对应的标签为
Figure BDA0002971590080000021
其中，T为阈值，pl,x为一均值且
Figure BDA0002971590080000022
Nl,s为第l节段所述目标脊椎的匹配参考医学图像的数量，Ai(x)是体素点x在第i个匹配参考医学图像中的标签。
于所述第一方面的一实施例中，根据所述目标医学图像的初始分割结果，对所述目标医学图像进行图切分割以得到所述目标医学图像的最终分割结过的实现方法包括：采用基于骨片度量的图切分割方法对所述目标医学图像进行分割，以得到所述目标医学图像的最终分割结果。
于所述第一方面的一实施例中，所述图切分割方法所采用的能量函数为
Figure BDA0002971590080000023
其中，Rx(L(x))是按体素将标签L(x)赋值给体素点x时的损失项，Bx,y(L(x),L(y))是按配对在一预定义领域N中将标签L(x)赋值给体素点x和y时的损失项。
于所述第一方面的一实施例中，所述目标脊椎的参考骨性标记点包括所述参考医学图像中的椎体上底面中心点、下底面中心点和脊椎横突极点；所述目标脊椎的实际骨性标记点包括所述目标医学图像中的椎体上底面中心点、下底面中心点和脊椎横突极点。
本发明的第二方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面任一项所述的医学图像分割方法。
本发明的第三方面提供一种电子设备，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本发明第一方面任一项所述的医学图像分割方法；显示器，与所述处理器和所述存储器通信相连，用于显示所述医学图像分割方法相关的GUI交互界面。
如上所述，本发明所述医学图像分割方法、介质及电子设备的一个技术方案具有以下有益效果：
所述医学图像分割方法能够自动对目标医学图像进行分割，该过程中基本无需人工参与，有利于节省医务人员的时间和精力，同时，对所述目标医学图像的分割具有良好的可重复性。
附图说明
图1显示为本发明所述医学图像分割方法于一具体实施例中的流程图。
图2显示为本发明所述医学图像分割方法于一具体实施例中步骤S14的流程图。
图3显示为本发明所述医学图像分割方法于一具体实施例中步骤S14的流程图。
图4A显示为本发明所述医学图像分割方法于一具体实施例中的标注结果示例图。
图4B显示为本发明所述医学图像分割方法于一具体实施例中的流程图。
图5显示为本发明所述电子设备于一具体实施例中的结构示意图。
元件标号说明
500 电子设备
510 存储器
520 处理器
530 显示器
S11～S16 步骤
S141～S142 步骤
S31～S33 步骤
S41～S47 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。此外，此外，在本文中，诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
目前，大多数计算机辅助诊断和手术规划系统中用到的脊椎模型都是基于医生手动分割得到的，此种方式不仅费时费力，而且分割的重复性差。针对这一问题，本发明提供一种医学图像分割方法，所述医学图像分割方法能够自动对目标医学图像进行分割，该过程中基本无需人工参与，有利于节省医务人员的时间和精力，同时，对所述目标医学图像的分割具有良好的可重复性。
请参阅图1，于本发明的一实施例中，所述医学图像分割方法包括：
S11，获取目标医学图像，所述目标医学图像包括至少一节段目标脊椎。所述目标医学图像例如为CT图像，由若干个体素点组成，其中，体素点的强度值使用HU(HounsfieldUnit)值来表示。所述目标脊椎是指所述目标医学图像中待分割的脊椎。
S12，利用一脊椎分割模型对所述目标医学图像进行处理，以获取每一节段所述目标脊椎的实际骨性标记点；其中，所述脊椎分割模型为一训练好的机器学习模型，通过恰当的训练，所述目标脊椎分割模型能够实现对所述目标医学图像的全自动检测和分割。所述目标脊椎的实际骨性标记点是指所述脊椎分割模型根据所述目标医学图像得到的骨性标记点。所述目标脊椎的实际骨性标记点例如包括所述目标医学图像中的椎体上底面中心点、下底面中心点和脊椎横突极点。
优选地，所述脊椎分割模型对所述目标医学图像进行处理的结果包括：所述目标医学图像所包含的脊椎数量、每个节段的脊椎类别、以及每个节段脊椎的K个实际骨性标记点，其中，K为正整数。
优选地，步骤S12采用基于上下文特征的腰椎自动定位方法获取每一节段所述目标脊椎的实际骨性标记点。
S13，获取每一节段所述目标脊椎的参考图谱；所述参考图谱包括参考医学图像及其脊椎分割掩码，并包括至少一节段所述目标脊椎的参考骨性标记点。所述参考医学图像包括原始的CT灰度数据。所述参考医学图像的脊椎分割掩码用于标识所述参考医学图像中的脊椎，例如，对所述参考医学图像中脊椎区域可以用掩码1标识，其余部分可以用掩码0标识。所述目标脊椎的参考骨性标记点是指根据所述参考医学图像获取的骨性标记点。所述目标脊椎的参考骨性标记点例如包括所述参考医学图像中的椎体上底面中心点、下底面中心点和脊椎横突极点。
具体应用中，可以通过人工标注的方式获取所述参考医学图像的脊椎分割掩码，和/或通过人工标记的方式获取所述目标脊椎的参考骨性标记点。需要说明的是，当采用人工方式获取所述参考医学图像的脊椎分割掩码和/或所述目标脊椎的参考骨性标记点时，医务人员只需对每一所述参考医学图像的脊椎分割掩码和/或每一所述目标脊椎的参考骨性标记点进行一次标注/标记即可，后续可重复利用人工标注/标记的结果，因此，本实施例中脊椎分割掩码的人工标注结果和/或参考骨性标记点的人工标记结果可以重复利用，具有良好的可重复性。
S14，根据每一节段所述目标脊椎的实际骨性标记点及其参考骨性标记点，对所述参考医学图像和所述目标医学图像进行配准，以得到配准后的医学图像。
S15，根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取所述目标医学图像的初始分割结果。如前所述，所述参考医学图像中的脊椎分割掩码用于标识所述参考医学图像中的脊椎，所述配准后的医学图像由所述参考医学图像和所述目标医学图像配准后得到。因此，根据所述参考医学图像中的脊椎分割掩码能够获取所述配准后的医学图像中每一节段脊椎的区域和背景区域，所述配准后的医学图像中的脊椎区域和背景区域即为所述目标图像的初始分割结果。
S16，根据所述目标医学图像的初始分割结果，对所述目标医学图像进行图切分割以得到所述目标医学图像的最终分割结果。其中，对所述目标医学图像进行图切分割是指采用图切(Graph Cut)算法对所述目标医学图像进行分割，分割的结果即为所述最终分割结果。
根据以上描述可知，本实施例所述医学图像分割方法能够利用电子设备自动对所述目标医学图像进行分割，以得到所述目标医学图像中的脊椎区域。与相关技术相比，本实施例所述医学图像分割方法基本无需人工参与，有利于节省医务人员的时间和精力，同时，对所述目标医学图像的分割具有良好的可重复性。
请参阅图2，于本发明的一实施例中，对所述参考医学图像和所述目标医学图像进行配准，以得到所述配准后的医学图像的实现方法包括：
S141，将所述目标脊椎的实际骨性标记点及其参考骨性标记点作为配对点，获取仿射变换参数。具体地，对于任一节段的目标脊椎A，由于该节段的目标脊椎A的实际骨性标记点可以根据步骤S12获取，该节段的目标脊椎A的参考骨性标记点可以根据步骤S13获取，基于此可以获取仿射变换中配对点的关系，因而仿射变换参数可以采用最小二乘法求解得到。
S142，根据所述仿射变换参数，对所述参考医学图像和所述目标医学图像进行仿射配准，以获取所述配准后的医学图像。其中，所述仿射配准是指利用所述仿射变换参数对所述参考医学图像或所述目标医学图像进行仿射变换，以使所述参考医学图像和所述目标医学图像配准对齐，进而可以得到所述配准后的医学图像。
于本发明的一实施例中，所述目标医学图像为一目标患者的CT图像。本实施例中，步骤S13获取每一节段所述脊椎的Nl个参考图谱，其中，每个参考图谱均包含一幅参考医学图像，Nl为大于1的正整数。对于任一节段的目标脊椎B来说，其Nl个参考图谱中的Nl幅参考医学图像来自Nl个病人对该节段的目标脊椎B的CT扫描，且该Nl个病人中不包含所述目标患者。
请参阅图3，于本实施例中，对所述参考医学图像和所述目标医学图像进行配准，以得到所述配准后的医学图像的实现方法包括：
S31，对所述目标脊椎的多幅参考医学图像分别和所述目标医学图像进行配准，其中，每一参考医学图像与所述目标医学图像进行配准后均会得到一个配准误差。例如，对于一节段目标脊椎B，将其Nl个参考图谱中的所有参考医学图像分别与所述目标医学图像进行配准能够得到Nl个配准结果，同时也会得到Nl个配准误差。
优选地，所述配准误差的计算公式为
Figure BDA0002971590080000061
其中：Errj表示第j幅参考医学图像与所述目标医学图像进行配准后的配准误差，1≤j≤Nl；K为每一节段所述目标脊椎的实际骨性点的数量，也是每一节段所述目标脊椎的参考骨性标记点的数量；
Figure BDA0002971590080000062
为经配准以后第j个参考图谱中第i个参考骨性标记点的坐标，
Figure BDA0002971590080000063
是指所述目标医学图像中第i个实际骨性标记点的坐标。
S32，根据配准误差，从每一节段所述目标脊椎的多幅参考医学图像中获取每一节段所述目标脊椎的匹配参考医学图像。例如，对于每一节段所述目标脊椎，可以选取其配准误差最小的前Nl,s个参考图谱作为匹配图谱，其中Nl,s＜＜Nl，所述匹配图谱中的参考医学图像即为所述匹配参考医学图像。通过步骤S32，每一节段所述目标脊椎均对应Nl,s幅匹配参考医学图像。
S33，对每一节段所述目标脊椎的匹配参考医学图像和所述目标医学图像进行多图谱配准，以获取所述配准后的医学图像。例如，当所述匹配参考医学图像的数量为Nl,s时，对于每一节段所述目标脊椎，步骤S33将其对应的Nl,s幅匹配参考医学图像逐一与所述目标医学图谱进行配准并最终得到一幅配准后的医学图像。通过步骤S33，每一节段所述目标脊椎均对应一幅配准后的医学图像。
于本发明的一实施例中，根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取所述目标医学图像的初始分割结果的实现方法包括：根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取每一节段所述目标脊椎中每个体素点对应的标签；所述体素点对应的标签用于指示所述体素点所处的分割区域。
可选地，对于第l节段所述目标脊椎中的任一体素点x，其对应的标签为
Figure BDA0002971590080000071
其中，Ll(x)＝0表示该体素点x不属于第l节段所述目标脊椎，Ll(x)＝1表示该体素点x属于第l节段所述目标脊椎。T为阈值，其取值可以根据实际需求或者经验设置。pl,x为一均值且
Figure BDA0002971590080000072
Nl,s为第l节段所述目标脊椎的匹配参考医学图像的数量，Ai(x)∈{0，1}是体素点x在第i个匹配参考医学图像中的标签。例如：若像素点x在第i个匹配参考医学图像中属于第l节段所述目标脊椎，则Ai(x)＝1，否则，Ai(x)＝0。
通过为所述目标医学图像中的所有体素点配置标签，能够将所述目标医学图像初始分割为M+1个子区域，这些子区域可以记为ΩBK、Ω1、Ω2、……、ΩM，其中，M为正整数，ΩBK表示背景区域，Ω1表示第一节段脊椎区域，Ω2表示第二节段脊椎区域，以此类推。此时，目标空间Ω可以表示为Ω∈{ΩBK,Ω1,Ω2,...,ΩM}。基于上述初始分割结果，于本发明的一实施例中，根据所述目标医学图像的初始分割结果，对所述目标医学图像进行图切分割以得到所述目标医学图像的最终分割结果的实现方法包括：采用基于骨片度量的图切分割方法对所述目标医学图像进行分割，以得到所述目标医学图像的最终分割结果。
可选地，在采用图切分割时，可以根据体素强度定义所采用的能量函数。本实施例中，可用于图切分割的一能量函数为
Figure BDA0002971590080000073
其中，Rx(L(x))是按体素将标签L(x)赋值给体素点x时的损失项，Bx,y(L(x),L(y))是按配对在一预定义领域N中将标签L(x)赋值给体素点x和y时的损失项。
在薄弱的骨边界，狭窄的骨间空间以及小梁骨的体素强度较低，使得单独的图像强度作为区分相邻关节结构特征时相关性较差。针对这一问题，本实施例优选为通过骨片滤波来得到相关性更强的特征。具体地，对于每一个在目标空间Ω的体素点，其骨片分数(bone sheetness score，BS)的计算基于局部黑塞矩阵的特征值|λ1|≤|λ2|≤|λ3|实现，骨片分数的具体计算公式为：
Figure BDA0002971590080000081
其中，
Figure BDA0002971590080000082
参数α、γ和ξ是对应分量的方差。
基于上述公式，对于每个体素点x，计算得到的其骨片分数为BS(x)＝[0,1]，骨片分数越大说明此体素点x具有更高的概率数据骨区域，基于骨片分数和初始分割得到的标签，可以将上述计算公式中的按体素项Rx(L(x))定义为：
Figure BDA0002971590080000083
其中，对于不在子区域Ωi的结构定义为：
Figure BDA0002971590080000084
上述计算公式中Bx,y(L(x),L(y))为：
Figure BDA0002971590080000085
其中，σs是缩放常数，且
Figure BDA0002971590080000086
基于上述定义，通过最大流最小割算法来最小化能量函数E(L)即可得到所述医学图像的最终分割结果。
于本发明的一实施例中，所述医学图像分割方法用于对包含脊椎的脊柱CT图像进行分割与重建。本实施例中，腰椎标号记为l(l∈{1,2,...,M})，每一节段目标脊椎的参考图谱的数量为Nl，每个参考图谱中已有手动标注的脊椎分割掩膜以及手动标记的K个骨性标记点，如图4A所示。此外，本实施例中所采用的仿射变换为
Figure BDA0002971590080000091
其中，s为缩放因子，R为三维旋转矩阵，
Figure BDA0002971590080000092
为平移列向量，X为待变换对象。
请参阅图4B，本实施例中，所述医学图像分割方法包括：
S41，建立每个节段的目标脊椎的20个多图谱数据库。其中，每个多图谱数据库包括Nl个参考图谱，每个参考图谱包括一幅参考医学图像及其脊椎分割掩膜，并包括至少一节段目标脊椎的K个参考骨性标记点。
S42，获取待分割的包含5个节段目标脊椎的目标医学图像。特别地，在本实施例中，所述目标医学图像的层内分辨率为0.29～0.42毫米之间，层间空间分辨率为0.7毫米。
S43，采用基于机器学习的脊椎分割模型识别所述目标医学图像中每个脊椎的节段，计算CT数据中所包含的脊椎数量，并检测每个节段目标脊椎的实际骨性标记点。优选地，步骤S43采用基于上下文特征的腰椎自动定位方法实现。
S44，针对每个节段的目标脊椎，计算参考图谱中的标记点与目标医学图像中的标记点之间的仿射配准。具体地，可以利用步骤S43获取的实际骨性标记点和步骤S41中的参考骨性标记点作为配对点，此时可以将每一节段目标脊柱所有的Nl个参考图谱通过配对点的仿射变换配准对齐到所述目标医学图像。本步骤采用的仿射变换为
Figure BDA0002971590080000093
其中，P为参考骨性标记点坐标。经仿射变换后参考骨性标记点的坐标记为
Figure BDA0002971590080000094
由于步骤S41中获取的参考骨性标记点是由医务人员手工标注的，且步骤S43中能够得到实际骨性标记点，因此，配对点的关系已知，基于此，可以通过最小二乘法求得仿射变换的待求解参数。
S45，针对每个阶段的目标脊椎，按照仿射配准误差从小到大的顺序，选取误差最小的前Nl,s个图谱作为匹配参考图谱。所述仿射配准误差为：
Figure BDA0002971590080000095
其中：Errj表示第j幅参考医学图像与所述目标医学图像进行配准时的配准误差，1≤j≤Nl；K为每一节段所述目标脊椎的实际骨性点的数量，也是每一节段所述目标脊椎的参考骨性标记点的数量；
Figure BDA0002971590080000096
为经配准以后第j个参考图谱中第i个参考骨性标记点的坐标，
Figure BDA0002971590080000097
是指所述目标医学图像中第i个实际骨性标记点的坐标。
S46，针对每个节段的目标脊椎，根据所述匹配参考图谱中的参考医学图像和所述目标医学图像进行多图谱匹配和标签融合，以获取每个节段所述目标脊椎的初始分割结果。具体地，基于步骤S45获取的Nl,s个匹配参考图谱，所述目标医学图像中每个节段目标脊椎的每个体素点x所对应的标签的概率可以通过均值投票求解：
Figure BDA0002971590080000101
其中，Ai(x)∈{0，1}是体素点x在第i个匹配参考医学图像中的标签。基于上述均值投票公式，通过阈值化即可得到初始的二值分割标签：
Figure BDA0002971590080000102
其中T为阈值，其取值例如为0.35。
S47，基于所述初始分割结果，进行基于骨片度量的图切分割以得到图像分割结果。其中，步骤S47与图1所示步骤S16类似，为节省说明书篇幅，此处不作赘述。
基于以上对所述医学图像分割方法的描述，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现图1或图4B所示的医学图像分割方法。
基于以上对所述医学图像分割方法的描述，本发明还提供一种电子设备。请参阅图5，于本发明的一实施例中，所述电子设备500包括存储器510、处理器520和显示器530。
所述存储器510存储有一计算机程序；所述处理器520与所述存储器510通信相连，调用所述计算机程序时执行图1或图4B所示的医学图像分割方法；显示器，与所述处理器和所述存储器通信相连，用于显示图1或图4B所示的医学图像分割方法相关的GUI交互界面。
本发明所述的医学图像分割方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
对于脊椎分割来说，其难点在于椎骨总体形态的基本相似性。虽然个别椎骨的形状沿脊柱变化明显，大多数相邻椎骨看起来非常类似且难以区分。针对这一问题，本发明提供了一种对脊柱CT数据进行全自动分割、三维模型重建的方法，能够实现高效、精准地对脊柱进行分割与重建。通过实际验证，本发明所述医学图像分割方法对医学图像的分割结果、与采用手工方式对医学图像进行分割得到的结果具有较高的重合度。因此，利用本发明所述医学图像分割方法对医学图像进行分割具有较高的准确性，且相对于手工分割方式效率更高，能够节约医务人员大量的时间和精力。
综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种医学图像分割方法，其特征在于，所述医学图像分割方法包括：
获取目标医学图像，所述目标医学图像包括至少一节段目标脊椎；
利用一脊椎分割模型对所述目标医学图像进行处理，以获取每一节段所述目标脊椎的实际骨性标记点；其中，所述脊椎分割模型为一训练好的机器学习模型；
获取每一节段所述目标脊椎的参考图谱；所述参考图谱包括参考医学图像及其脊椎分割掩码，并包括至少一节段所述目标脊椎的参考骨性标记点；
根据每一节段所述目标脊椎的实际骨性标记点及其参考骨性标记点，对所述参考医学图像和所述目标医学图像进行配准，以得到配准后的医学图像；
根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取所述目标医学图像的初始分割结果；
根据所述目标医学图像的初始分割结果，对所述目标医学图像进行图切分割以得到所述目标医学图像的最终分割结果，所述图切分割中采用的能量函数为
Figure FDA0003852453010000011
其中，Rx(L(x))是按体素将标签L(x)赋值给体素点x时的损失项，Bx,y(L(x),L(y))是按配对在一预定义领域N中将标签L(x)赋值给体素点x和y时的损失项；
其中，根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取所述目标医学图像的初始分割结果的方法包括：根据所述参考图谱的脊椎分割掩码以及所述配准后的医学图谱，获取每一节段所述目标脊椎中每个体素点对应的标签，所述体素点对应的标签用于指示所述体素点所处的分割区域；对于第l节段所述目标脊椎中的任一体素点x，其对应的标签为
Figure FDA0003852453010000012
其中，T为阈值，pl,x为一均值且
Figure FDA0003852453010000013
Nl,s为第l节段所述目标脊椎的匹配参考医学图像的数量，Ai(x)是体素点x在第i个匹配参考医学图像中的标签。
2.根据权利要求1所述的医学图像分割方法，其特征在于，对所述参考医学图像和所述目标医学图像进行配准，以得到所述配准后的医学图像的实现方法包括：
将所述目标脊椎的实际骨性标记点及其参考骨性标记点作为配对点，获取仿射变换参数；
根据所述仿射变换参数，对所述参考医学图像和所述目标医学图像进行仿射配准，以获取所述配准后的医学图像。
3.根据权利要求1所述的医学图像分割方法，其特征在于，每一节段所述目标脊椎均具有多个参考医学图像；对所述参考医学图像和所述目标医学图像进行配准，以得到所述配准后的医学图像的实现方法包括：
对所述目标脊椎的多个参考医学图像分别和所述目标医学图像进行配准；
根据配准误差，从每一节段所述目标脊椎的多个参考医学图像中获取每一节段所述目标脊椎的匹配参考医学图像；
对每一节段所述目标脊椎的匹配参考医学图像和所述目标医学图像进行多图谱配准，以获取所述配准后的医学图像。
4.根据权利要求1-3任一项所述的医学图像分割方法，其特征在于，根据所述目标医学图像的初始分割结果，对所述目标医学图像进行图切分割以得到所述目标医学图像的最终分割结过的实现方法包括：
采用基于骨片度量的图切分割方法对所述目标医学图像进行分割，以得到所述目标医学图像的最终分割结果。
5.根据权利要求1-3任一项所述的医学图像分割方法，其特征在于：
所述目标脊椎的参考骨性标记点包括所述参考医学图像中的椎体上底面中心点、下底面中心点和脊椎横突极点；
所述目标脊椎的实际骨性标记点包括所述目标医学图像中的椎体上底面中心点、下底面中心点和脊椎横突极点。
6.一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1-5任一项所述的医学图像分割方法。
7.一种电子设备，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1-5任一项所述的医学图像分割方法；
显示器，与所述处理器和所述存储器通信相连，用于显示所述医学图像分割方法相关的GUI交互界面。
CN202110265567.1A 2021-03-11 2021-03-11 一种医学图像分割方法、介质及电子设备 Active CN112927213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110265567.1A CN112927213B (zh) 2021-03-11 2021-03-11 一种医学图像分割方法、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110265567.1A CN112927213B (zh) 2021-03-11 2021-03-11 一种医学图像分割方法、介质及电子设备

Publications (2)

Publication Number Publication Date
CN112927213A CN112927213A (zh) 2021-06-08
CN112927213B true CN112927213B (zh) 2022-11-11

Family

ID=76172656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110265567.1A Active CN112927213B (zh) 2021-03-11 2021-03-11 一种医学图像分割方法、介质及电子设备

Country Status (1)

Country Link
CN (1) CN112927213B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI797672B (zh) * 2021-07-13 2023-04-01 國立成功大學 影像分割方法與使用此方法的電子裝置、記錄媒體以及電腦程式產品
CN116228796B (zh) * 2023-05-05 2023-07-07 北京大学第三医院（北京大学第三临床医学院） 一种ct图像椎弓根分割方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109712165A (zh) * 2018-12-29 2019-05-03 安徽大学 一种基于卷积神经网络的同类前景图像集分割方法
CN109961399A (zh) * 2019-03-15 2019-07-02 西安电子科技大学 基于图像距离变换的最佳缝合线搜寻方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8422769B2 (en) * 2010-03-05 2013-04-16 Microsoft Corporation Image segmentation using reduced foreground training data
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
CN109741343B (zh) * 2018-12-28 2020-12-01 浙江工业大学 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法
CN111402261B (zh) * 2020-02-25 2021-06-08 四川大学青岛研究院 一种改进的基于Hessian矩阵增强的颅骨分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109712165A (zh) * 2018-12-29 2019-05-03 安徽大学 一种基于卷积神经网络的同类前景图像集分割方法
CN109961399A (zh) * 2019-03-15 2019-07-02 西安电子科技大学 基于图像距离变换的最佳缝合线搜寻方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于深度学习的点云语义分割研究综述";景庄伟等;《计算机科学与探索》;20200828;全文 *
"基于深度学习的肝脏CT图像分割方法研究";唐维;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20210115(第01期);全文 *

Also Published As

Publication number Publication date
CN112927213A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN108520519B (zh) 一种图像处理方法、装置及计算机可读存储介质
Peng et al. Automated vertebra detection and segmentation from the whole spine MR images
US8150132B2 (en) Image analysis apparatus, image analysis method, and computer-readable recording medium storing image analysis program
US8953856B2 (en) Method and system for registering a medical image
JP5337845B2 (ja) デジタル画像上での測定の実施法
CN108320288B (zh) 一种特发性脊柱侧凸影像的数据处理方法
JP6426608B2 (ja) 解析モルフォミクス：高速医用画像自動解析法
CN111047572A (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN112037200A (zh) 一种医学影像中解剖特征自动识别与模型重建方法
CN112927213B (zh) 一种医学图像分割方法、介质及电子设备
CN112184617A (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
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
CN111311655B (zh) 多模态图像配准方法、装置、电子设备、存储介质
CN109615642A (zh) 一种放疗计划中的危及器官自动勾画方法及装置
CN108986114B (zh) 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法
Ehrhardt et al. Atlas-based segmentation of bone structures to support the virtual planning of hip operations
CN111493918B (zh) 腰椎ct影像的观测面自动定位方法、应用方法及设备
Gómez et al. 3D-2D silhouette-based image registration for comparative radiography-based forensic identification
CN109360213A (zh) 一种基于脊柱超声冠状面图像的自动化椎体识别方法
CN110555860A (zh) 医学图像中肋骨区域标注的方法、电子设备和存储介质
CN115187606B (zh) 一种青少年特发性脊柱侧凸pumc分型方法
CN112349391A (zh) 一种优化肋骨自动标号方法
CN115222937A (zh) 一种脊柱侧弯检测方法及装置
CN116228624A (zh) 一种基于人工智能技术的多模态体质成分标记、分析方法

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