CN113506308A - 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 - Google Patents

一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 Download PDF

Info

Publication number
CN113506308A
CN113506308A CN202110760877.0A CN202110760877A CN113506308A CN 113506308 A CN113506308 A CN 113506308A CN 202110760877 A CN202110760877 A CN 202110760877A CN 113506308 A CN113506308 A CN 113506308A
Authority
CN
China
Prior art keywords
spine
segmentation
image
positioning
vertebra
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
CN202110760877.0A
Other languages
English (en)
Other versions
CN113506308B (zh
Inventor
毛孝鑫
郝泳涛
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110760877.0A priority Critical patent/CN113506308B/zh
Publication of CN113506308A publication Critical patent/CN113506308A/zh
Application granted granted Critical
Publication of CN113506308B publication Critical patent/CN113506308B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，包括训练阶段和测试阶段，所述训练阶段包括以下步骤：训练数据获取并进行标注；对训练数据进行数据增强处理；训练用于椎骨定位的网络模型；在定位的基础上，训练脊柱分割模型；测试阶段包括如下步骤：测试数据获取；对各椎骨定位中心点坐标推导预测；执行脊柱CT图像分割；椎骨定位网络模型和脊柱分割模型均采用引入了多头注意力机制的U‑Net模型。与现有技术相比，本发明实现了脊柱CT图像自动分割与椎骨标记定位，通过引入多头自注意力机制提升了分割的准确性，为后续复杂的医疗诊断提供决策帮助。

Description

一种医学图像中基于深度学习的椎骨定位与脊柱分割方法
技术领域
本发明涉及医学CT图像处理领域，尤其是涉及一种医学图像中基于深度学习的椎骨定位与脊柱分割方法。
背景技术
脊柱是人体肌肉骨骼系统的重要组成部分，它在维持人体及其器官结构的同时，还对我们日常活动和负荷转移起着重要作用。计算机断层扫描(Computer Tomography,CT)以及磁共振成像(Magnetic Resonance Image,MRI)医学影像技术如今是脊柱外科诊疗的两种主要手段，广泛用于临床以及研究目的的筛查和诊断。从脊柱CT数据中定位和分割椎体是许多涉及脊柱的临床应用的关键步骤，例如病理诊断、手术规划和术后评估等。CT图像的成像机制是基于X射线透射，考虑到辐射问题对人体的影响，医院在进行常规检查时一般会采用低剂量CT设备，然而低剂量CT图像就会存在成像分辨率不高，细节不明显等缺陷。而且由于椎骨结构的高度重复性、骨折和植入物等不同病理形态的差异，大多数的椎体定位和分割方法都是基于机器学习的，且大多数提出的方法只关注其中一个任务。作为医学图像处理与分析中的关键技术，图像分割是是对正常组织或器官进行三维可视化、术前导航等操作的基础。得益于近年来深度学习技术的快速发展，许多优秀的深度学习模型被应用与医学图像分割等领域，比如经典的全卷积神经网络(FCN)和U-Net等模型都在许多医学图像分割任务上取得了不错的分割效果。但是尽管基于卷积操作的神经网络模型在许多视觉任务上表现出色，但由于它的固有局部特性，CNN系列模型对于长范围特征间的关系描述表现欠佳。
发明内容
本发明的目的就是为了克服上述现有技术存在对于长范围特征间的关系描述表现欠佳的缺陷而提供一种医学图像中基于深度学习的椎骨定位与脊柱分割方法。
本发明的目的可以通过以下技术方案来实现：
一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，包括训练阶段和测试阶段，
所述训练阶段包括以下步骤：
A1：获取训练数据，该训练数据为具有真实标签标注的脊柱CT图像序列；
A2：对所述训练数据进行预处理；
A3：获取预先建立的椎骨定位网络模型，将所述训练数据载入该椎骨定位网络模型中，获取各椎骨中心点坐标；
A4：获取预先建立的脊柱CT图像分割模型，将所述椎骨定位网络模型的结果和脊柱CT图像序列载入该脊柱CT图像分割模型，获取脊柱分割标注结果，并根据真实标签标注，进行模型训练；
所述测试阶段包括以下步骤：
B1：获取测试数据，所述测试数据为带分割的无标签的脊柱CT图像序列；
B2：将所述测试数据载入训练好的椎骨定位网络模型中，对各椎骨定位中心点坐标进行推导预测；
B3：将步骤B2获取的所述各椎骨定位中心点坐标和脊柱CT图像序列载入训练好的脊柱CT图像分割模型中，获取脊柱分割标注结果。
进一步地，所述椎骨定位网络模型采用引入了多头注意力机制的U-Net模型，所述U-Net模型包括收缩路径和扩展路径，所述多头注意力机制的计算表达式为：
Xnew＝Concat(Attention1，...，，Attentionn)Wo
Figure BDA0003149647060000021
式中，X为收缩路径得到的特征图，Xnew为多头注意力机制计算获取的特征图，Xnew与X保持维度一致，Q，K，V代表对高维特征图X分别进行三个不同的线性变换得到三个用于注意力计算的特征矩阵，KT代表K的转置矩阵，
Figure BDA0003149647060000022
代表缩放因子，softmax代表将输入元素大小映射到(0，1)区间的一个函数，Wo为特定维度的矩阵，用于使得Xnew与X保持维度一致。
进一步地，所述Xnew传入U-Net模型的扩展路径，在该扩展路径进行卷积和上采样的同时，与同一维度跳跃连接过来的收缩路径特征图进行拼接，最后通过一个卷积层，得到与输入的脊柱CT图像序列相同的大小的特征图，即最终的输出结果。
进一步地，所述收缩路径包括四个依次连接的收缩块，每个所述收缩块均包括依次连接的第一卷积层、第二卷积层和池化层；
输入的所述脊柱CT图像序列的大小为256*256*96*1，所述第一卷积层和第二卷积层的卷积核大小均为3*3*3，每层卷积核的数量均为128个，步长为1；所述池化层的放缩因子为2*2*2，经过第一个收缩块处理之后得到特征图大小为128*128*48*128；
四个依次连接的收缩块使得特征图大小由上述128*128*48*128变为64*64*24*128，再变为32*32*12*128，最后变为16*16*6*128；
所述多头注意力机制输出的特征图保持大小为16*16*6*128；
所述扩展路径包括四个依次连接的扩展块，每个所述扩展块均包括依次连接的第三卷积层、第四卷积层和上采样层；
所述第三卷积层和第四卷积层的卷积核大小都为3*3*3，每层128个卷积核，步长为1，所述上采样层的上采样因子为2*2*2，第一个所述扩展块的输入包含了通过跳跃连接复制过来的同一维度收缩路径的特征图与多头注意力机制输出的特征图的拼接，此时特征图大小为16*16*6*256，经过第一个扩展块处理之后得到特征图大小为32*32*12*128；
四个依次连接的扩展块使得特征图大小由上述32*32*12*128变为64*64*24*128，再变为128*128*48*128，最后变为256*256*96*128；
所述扩展路径的输出结果通过一个卷积层特征图恢复到与输入的脊柱CT图像序列同等大小，即最终的二值化分割结果图。
进一步地，所述脊柱CT图像分割模型和椎骨定位网络模型采用相同的模型结构。
进一步地，所述二值化分割结果图中的1代表前景即脊柱区域，0代表背景区域。
进一步地，所述具有真实标签标注的脊柱CT图像序列包括：对脊柱CT图像序列中各块椎骨的中心点坐标标注和脊柱CT图像序列中每张二维图像切片的脊柱区域分割标注。
进一步地，所述训练阶段具体为，根据所述脊柱CT图像序列中各块椎骨的中心点坐标标注，对所述椎骨定位网络模型进行训练；根据所述脊柱CT图像序列中每张二维图像切片的脊柱区域分割标注，对所述脊柱CT图像分割模型进行训练。
进一步地，对训练数据进行预处理包括进行数据增强处理，所述数据增强处理通过随机执行一个或多个数据增强操作，获取扩充后的训练数据，用于步骤A3和A4的模型训练。
进一步地，所述数据增强操作包括：
对脊柱CT图像序列执行前后左右随机镜像翻转；
对脊柱CT图像序列执行随机裁切处理；
对脊柱CT图像序列加入高斯噪声扰动。
与现有技术相比，本发明具有以下优点：
本发明实现了脊柱CT图像自动分割与椎骨标记定位，通过引入多头自注意力机制从图像中提取远程结构信息，增加了网络模型对于图像全局信息的感知能力，使得图像分割的精度有了进一步提升的空间，提升了分割的准确性，为后续复杂的医疗诊断提供决策帮助。
附图说明
图1为本发明实施例中提供的一种医学CT图像中基于深度学习的椎骨定位与脊柱分割方法的流程图；
图2为本发明实施例中提供的一种深度学习训练与测试阶段使用的模型网络结构图；
图中，Conv为卷积层，Block为块，skip connection为跳跃连接，MHSA为多头注意力机制，heads为头部次数，pooling为池化，upsampling为上采样。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例1
如图1所示，本实施例提供一种医学CT图像中基于深度学习的椎骨定位与脊柱分割方法，该方法包括训练和测试两个阶段；
训练阶段包括如下步骤：
A1：训练数据获取，所述训练数据是指具有真实标签标注的脊柱CT图像序列；
A2：对训练数据CT图像进行预处理，即数据增强处理；
A3：搭建用于椎骨定位的神经网络模型并进行训练,得到用于定位各椎骨中心点坐标的模型；
A4：在定位的基础上，搭建脊柱分割的模型并进行训练，得到最终脊柱CT图像分割模型；
所述测试阶段包含如下步骤：
B1：测试数据获取，所述测试数据是指待分割的无标签脊柱CT图像序列；
B2：对各椎骨定位中心点坐标推导预测；
B3：执行脊柱CT图像分割。
步骤A1具体包括：对于CT数据进行以下两方面的人工手动标注：
(a)脊柱CT中各块椎骨的中心点坐标标注；
(b)脊柱CT图像序列中每张二维图像切片的脊柱区域精确分割标注。
步骤A2具体包括：数据增强处理，即对于初始样本数相对较少的训练集，通过随机执行以下一个或多个操作来达到扩充样本数据集的目的：
(a)对CT图像序列执行前后左右随机镜像翻转；
(b)对CT图像序列执行随机裁切处理；
(c)对CT图像序列加入高斯噪声扰动。
步骤A3所述的用于椎骨定位的神经网络模型，具体使用的是引入了多头注意力机制(MHSA)的U-Net模型，U-Net模型结构主要由左侧的收缩路径和右侧的扩展路径两个部分组成，借鉴于Transformer的MHSA模块旨在从图像中提取远程结构信息，位于U-Net收缩路径的底部。CT图像输入网络，经过四次卷积-卷积-池化的操作之后，得到高维的特征图X，具体计算公式如下：
Figure BDA0003149647060000061
式中，Q，K，V代表对高维特征图X分别进行三个不同的线性变换得到三个用于注意力计算的特征矩阵，它们和X保持相同的维度大小，KT代表K的转置矩阵，
Figure BDA0003149647060000062
代表缩放因子，softmax代表将输入元素大小映射到(0，1)区间的一个函数。所述多头自注意力机制(MHSA)便是指对X进行多组线性变化得到多组Q，K，V，计算得到的多个Attention输出经过拼接之后再与一个特定维度的矩阵Wo相乘，最终输出结果Xnew与X保持维度一致。具体计算公式如下：
Xnew＝Concat(Attention1，...，，Attentionn)Wo
式中的Xnew传入U-Net的扩展路径，经过卷积-卷积-上采样操作的同时与同一维度跳跃连接过来的收缩路径特征图进行拼接，该过程同样重复四次之后，新的特征图尺寸恢复到了原始CT输入大小，最后进行一次卷积操作得到最终的模型分割结果。该步骤训练任务的标签是根据每块椎骨的中心点实际坐标生成的加入了高斯噪声的Heatmap。
步骤A4具体包括：脊柱分割任务阶段，训练时将原始CT数据与步骤A3制作的Heatmap标签一同作为网络输入，使用的网络模型结构与步骤A3保持一致。
步骤B2具体包括：将步骤B1获取的CT图像输入步骤A3训练好的椎骨定位模型，得到各椎骨定位中心点坐标。
步骤B3具体包括：测试阶段，将步骤B1获取的CT图像和步骤B2得到各椎骨定位中心点坐标一同输入步骤A4训练好的脊柱分割模型，得到最终脊柱CT图像分割结果。
具体地，上述所使用的网络模型结构如图2所示，首先训练集CT图像输入模型，对于给定的脊柱CT体数据，大小为H*W*D(H，W，D分别代表高度，宽度，深度，通道数默认为1)，这里我们将CT输入大小统一调整为256*256*96*1。
整个训练过程均使用3D卷积，在U-Net收缩路径第一个Block处理阶段，Conv1_1与Conv1_2的卷积核大小都为3*3*3，每层128个卷积核，步长为1，而后是进行下采样的池化层，放缩因子为2*2*2，输入CT经过第一个Block处理之后得到特征图大小为128*128*48*128；
在U-Net收缩路径上述Block一共有4个，特征图大小由上述128*128*48*128变为64*64*24*128，再变为32*32*12*128，最后变为16*16*6*128；
然后是多头自注意力处理阶段，该过程处理是为了增强模型对图像全局信息的感知力，提升最终分割准确度，特征图大小保持不变，依然保持为16*16*6*128；
然后是在U-Net扩展路径的第一个Block处理阶段，这里的输入包含了通过跳跃连接复制过来的同一维度收缩的路径的特征图，进行拼接，所以此刻的输入通道数翻倍，特征图大小为16*16*6*256，Conv5_1与Conv5_2的卷积核大小都为3*3*3，每层128个卷积核，步长为1，而后是进行上采样，上采样因子为2*2*2，输入CT经过第一个Block处理之后得到特征图大小为32*32*12*128；
同样在U-Net扩展路径上述Block一共有4个，特征图大小由上述32*32*12*128变为64*64*24*128，再变为128*128*48*128，最后变为256*256*96*128；
最后经过最后一个卷积层，特征图恢复到与输入CT图像同等大小，即最终的二值化分割结果图，其中1代表前景即脊柱区域，0代表背景区域。
本发明基于深度学习的方法对CT序列图像进行快速椎骨定位与自动分割，分割结果准确可靠。上述定位以及分割结果对后续三维模型重建以及手术方案规划都有着重要的辅助参考意义。
本实施例还提供一种医学图像中基于深度学习的椎骨定位与脊柱分割系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，包括训练阶段和测试阶段，
所述训练阶段包括以下步骤：
A1：获取训练数据，该训练数据为具有真实标签标注的脊柱CT图像序列；
A2：对所述训练数据进行预处理；
A3：获取预先建立的椎骨定位网络模型，将所述训练数据载入该椎骨定位网络模型中，获取各椎骨中心点坐标；
A4：获取预先建立的脊柱CT图像分割模型，将所述椎骨定位网络模型的结果和脊柱CT图像序列载入该脊柱CT图像分割模型，获取脊柱分割标注结果，并根据真实标签标注，进行模型训练；
所述测试阶段包括以下步骤：
B1：获取测试数据，所述测试数据为带分割的无标签的脊柱CT图像序列；
B2：将所述测试数据载入训练好的椎骨定位网络模型中，对各椎骨定位中心点坐标进行推导预测；
B3：将步骤B2获取的所述各椎骨定位中心点坐标和脊柱CT图像序列载入训练好的脊柱CT图像分割模型中，获取脊柱分割标注结果。
2.根据权利要求1所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述椎骨定位网络模型采用引入了多头注意力机制的U-Net模型，所述U-Net模型包括收缩路径和扩展路径，所述多头注意力机制的计算表达式为：
Xnew＝Concat(Attention1,…,,Attentionn)Wo
Figure FDA0003149647050000011
式中，X为收缩路径得到的特征图，Xnew为多头注意力机制计算获取的特征图，Xnew与X保持维度一致，Q，K，V代表对高维特征图X分别进行三个不同的线性变换得到三个用于注意力计算的特征矩阵，KT代表K的转置矩阵，
Figure FDA0003149647050000012
代表缩放因子，softmax代表将输入元素大小映射到(0,1)区间的一个函数，Wo为特定维度的矩阵，用于使得Xnew与X保持维度一致。
3.根据权利要求2所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述Xnew传入U-Net模型的扩展路径，在该扩展路径进行卷积和上采样的同时，与同一维度跳跃连接过来的收缩路径特征图进行拼接，最后通过一个卷积层，得到与输入的脊柱CT图像序列相同的大小的特征图，即最终的输出结果。
4.根据权利要求3所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述收缩路径包括四个依次连接的收缩块，每个所述收缩块均包括依次连接的第一卷积层、第二卷积层和池化层；
输入的所述脊柱CT图像序列的大小为256*256*96*1，所述第一卷积层和第二卷积层的卷积核大小均为3*3*3，每层卷积核的数量均为128个，步长为1；所述池化层的放缩因子为2*2*2，经过第一个收缩块处理之后得到特征图大小为128*128*48*128；
四个依次连接的收缩块使得特征图大小由上述128*128*48*128变为64*64*24*128，再变为32*32*12*128，最后变为16*16*6*128；
所述多头注意力机制输出的特征图保持大小为16*16*6*128；
所述扩展路径包括四个依次连接的扩展块，每个所述扩展块均包括依次连接的第三卷积层、第四卷积层和上采样层；
所述第三卷积层和第四卷积层的卷积核大小都为3*3*3，每层128个卷积核，步长为1，所述上采样层的上采样因子为2*2*2，第一个所述扩展块的输入包含了通过跳跃连接复制过来的同一维度收缩路径的特征图与多头注意力机制输出的特征图的拼接，此时特征图大小为16*16*6*256，经过第一个扩展块处理之后得到特征图大小为32*32*12*128；
四个依次连接的扩展块使得特征图大小由上述32*32*12*128变为64*64*24*128，再变为128*128*48*128，最后变为256*256*96*128；
所述扩展路径的输出结果通过一个卷积层特征图恢复到与输入的脊柱CT图像序列同等大小，即最终的二值化分割结果图。
5.根据权利要求4所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述脊柱CT图像分割模型和椎骨定位网络模型采用相同的模型结构。
6.根据权利要求4所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述二值化分割结果图中的1代表前景即脊柱区域，0代表背景区域。
7.根据权利要求1所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述具有真实标签标注的脊柱CT图像序列包括：对脊柱CT图像序列中各块椎骨的中心点坐标标注和脊柱CT图像序列中每张二维图像切片的脊柱区域分割标注。
8.根据权利要求7所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述训练阶段具体为，根据所述脊柱CT图像序列中各块椎骨的中心点坐标标注，对所述椎骨定位网络模型进行训练；根据所述脊柱CT图像序列中每张二维图像切片的脊柱区域分割标注，对所述脊柱CT图像分割模型进行训练。
9.根据权利要求1所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，对训练数据进行预处理包括进行数据增强处理，所述数据增强处理通过随机执行一个或多个数据增强操作，获取扩充后的训练数据，用于步骤A3和A4的模型训练。
10.根据权利要求9所述的一种医学图像中基于深度学习的椎骨定位与脊柱分割方法，其特征在于，所述数据增强操作包括：
对脊柱CT图像序列执行前后左右随机镜像翻转；
对脊柱CT图像序列执行随机裁切处理；
对脊柱CT图像序列加入高斯噪声扰动。
CN202110760877.0A 2021-07-06 2021-07-06 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 Active CN113506308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110760877.0A CN113506308B (zh) 2021-07-06 2021-07-06 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110760877.0A CN113506308B (zh) 2021-07-06 2021-07-06 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法

Publications (2)

Publication Number Publication Date
CN113506308A true CN113506308A (zh) 2021-10-15
CN113506308B CN113506308B (zh) 2023-03-28

Family

ID=78011644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110760877.0A Active CN113506308B (zh) 2021-07-06 2021-07-06 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法

Country Status (1)

Country Link
CN (1) CN113506308B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359472A (zh) * 2021-11-23 2022-04-15 宁波全网云医疗科技股份有限公司 一种脊柱三维模型的重构方法及系统
CN114881957A (zh) * 2022-04-28 2022-08-09 宁波大学 一种基于深度学习的脊柱侧弯Cobb角自动评估的方法
CN115131364A (zh) * 2022-08-26 2022-09-30 中加健康工程研究院(合肥)有限公司 一种基于Transformer的医学图像分割方法
CN115311311A (zh) * 2022-10-12 2022-11-08 长春理工大学 面向腰椎间盘的图像描述算法及其构建方法和应用
CN115359257A (zh) * 2022-08-25 2022-11-18 华科精准（北京）医疗科技有限公司 基于深度学习的脊椎图像分割方法及手术导航定位系统
CN117830795A (zh) * 2023-12-04 2024-04-05 康骨微创医疗器械科技(无锡)有限公司 一种用于脊椎图像分割的立体式深度学习模型
WO2024120390A1 (zh) * 2022-12-05 2024-06-13 中慧医学成像(深圳)有限公司 用于脊柱超声图像的自动标注方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110196946A (zh) * 2019-05-29 2019-09-03 华南理工大学 一种基于深度学习的个性化推荐方法
US20200098108A1 (en) * 2018-09-26 2020-03-26 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
CN111047605A (zh) * 2019-12-05 2020-04-21 西北大学 一种脊椎ct分割网络模型的构建方法及分割方法
CN111260650A (zh) * 2018-11-15 2020-06-09 刘华清 一种脊柱ct序列图像分割方法与系统
CN111862123A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于深度学习的ct腹部动脉血管分级识别方法
CN111862071A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于ct图像测量腰1椎体ct值的方法
CN112150568A (zh) * 2020-09-16 2020-12-29 浙江大学 基于Transformer模型的磁共振指纹成像重建方法
CN112164069A (zh) * 2020-07-29 2021-01-01 南通大学 一种基于深度学习的ct腹部血管分割方法
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
CN112927253A (zh) * 2019-12-06 2021-06-08 四川大学 基于卷积神经网络的岩心fib-sem图像分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200098108A1 (en) * 2018-09-26 2020-03-26 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
CN111260650A (zh) * 2018-11-15 2020-06-09 刘华清 一种脊柱ct序列图像分割方法与系统
CN110196946A (zh) * 2019-05-29 2019-09-03 华南理工大学 一种基于深度学习的个性化推荐方法
CN111047605A (zh) * 2019-12-05 2020-04-21 西北大学 一种脊椎ct分割网络模型的构建方法及分割方法
CN112927253A (zh) * 2019-12-06 2021-06-08 四川大学 基于卷积神经网络的岩心fib-sem图像分割方法
CN111862123A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于深度学习的ct腹部动脉血管分级识别方法
CN111862071A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于ct图像测量腰1椎体ct值的方法
CN112164069A (zh) * 2020-07-29 2021-01-01 南通大学 一种基于深度学习的ct腹部血管分割方法
CN112150568A (zh) * 2020-09-16 2020-12-29 浙江大学 基于Transformer模型的磁共振指纹成像重建方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN PAYER ET AL.: "Coarse to Fine Vertebrae Localization and Segmentation with Spatial Configuration-Net and U-Net", 《VISAPP 2020 - 15TH INTERNATIONAL CONFERENCE ON COMPUTER VISION THEORY AND APPLICATIONS》 *
梁淑芬 等: "U形网络的脊椎分割改进方法研究", 《现代电子技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359472A (zh) * 2021-11-23 2022-04-15 宁波全网云医疗科技股份有限公司 一种脊柱三维模型的重构方法及系统
CN114881957A (zh) * 2022-04-28 2022-08-09 宁波大学 一种基于深度学习的脊柱侧弯Cobb角自动评估的方法
CN115359257A (zh) * 2022-08-25 2022-11-18 华科精准（北京）医疗科技有限公司 基于深度学习的脊椎图像分割方法及手术导航定位系统
CN115131364A (zh) * 2022-08-26 2022-09-30 中加健康工程研究院(合肥)有限公司 一种基于Transformer的医学图像分割方法
CN115311311A (zh) * 2022-10-12 2022-11-08 长春理工大学 面向腰椎间盘的图像描述算法及其构建方法和应用
CN115311311B (zh) * 2022-10-12 2022-12-20 长春理工大学 一种面向腰椎间盘的图像描述方法及其应用
WO2024120390A1 (zh) * 2022-12-05 2024-06-13 中慧医学成像(深圳)有限公司 用于脊柱超声图像的自动标注方法和装置
CN117830795A (zh) * 2023-12-04 2024-04-05 康骨微创医疗器械科技(无锡)有限公司 一种用于脊椎图像分割的立体式深度学习模型

Also Published As

Publication number Publication date
CN113506308B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN113506308B (zh) 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法
US10950026B2 (en) Systems and methods for displaying a medical image
CN113506334B (zh) 基于深度学习的多模态医学图像融合方法及系统
Oghli et al. Automatic fetal biometry prediction using a novel deep convolutional network architecture
CN102622759B (zh) 一种结合灰度与几何信息的医学图像配准方法
Castro-Mateos et al. 3D segmentation of annulus fibrosus and nucleus pulposus from T2-weighted magnetic resonance images
CN116433586A (zh) 一种乳腺超声断层图像分割模型建立方法及分割方法
CN115830016A (zh) 医学图像配准模型训练方法及设备
Tang et al. MMMNA-net for overall survival time prediction of brain tumor patients
CN118037791A (zh) 多模态三维医学图像分割配准模型的构建方法及其应用
CN116664590B (zh) 基于动态对比增强磁共振图像的自动分割方法及装置
CN117011246A (zh) 基于Transformer的分节段椎骨CT图像分割方法与系统
EP3767634B1 (en) Method and system for data augmentation using simulated contrasts
Koh et al. Automatic spinal canal detection in lumbar MR images in the sagittal view using dynamic programming
Dzyubachyk et al. Comparative exploration of whole-body MR through locally rigid transforms
Bouslimi et al. Deep Learning Based Localisation and Segmentation of Prostate Cancer from mp-MRI Images
CN115372872A (zh) 一种三维脊椎mr图像自动分割装置
Karthik et al. Three-dimensional segmentation of the scoliotic spine from MRI using unsupervised volume-based MR-CT synthesis
CN112967295A (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
Martadiansyah et al. 3D Fusion Hierarchical Net Reconstruction from 2D Transcerebellar Images with Deep Learning.
Li et al. Uncertainty quantification in medical image segmentation
CN116071372B (zh) 膝关节分割方法、装置、电子设备及存储介质
CN118351211B (zh) 一种肺癌ct到pet的医学图像生成的方法、系统和设备
CN112215814B (zh) 基于3dhog辅助卷积神经网络的前列腺图像分割方法
CN117876241B (zh) 一种ct图像合成flair图像的方法、系统和设备

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