CN115372872A - 一种三维脊椎mr图像自动分割装置 - Google Patents

一种三维脊椎mr图像自动分割装置 Download PDF

Info

Publication number
CN115372872A
CN115372872A CN202111551725.6A CN202111551725A CN115372872A CN 115372872 A CN115372872 A CN 115372872A CN 202111551725 A CN202111551725 A CN 202111551725A CN 115372872 A CN115372872 A CN 115372872A
Authority
CN
China
Prior art keywords
image
dimensional
spine
data
segmentation
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
Application number
CN202111551725.6A
Other languages
English (en)
Inventor
孙红
莫光萍
徐广辉
徐立萍
赵迎志
王哲
杨晨
袁巫凯
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 Fourth People's Hospital
University of Shanghai for Science and Technology
Original Assignee
Shanghai Fourth People's Hospital
University of Shanghai for Science and Technology
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 Fourth People's Hospital, University of Shanghai for Science and Technology filed Critical Shanghai Fourth People's Hospital
Priority to CN202111551725.6A priority Critical patent/CN115372872A/zh
Publication of CN115372872A publication Critical patent/CN115372872A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4566—Evaluating the spine
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Rheumatology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Computing Systems (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Fuzzy Systems (AREA)
  • Dentistry (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种三维脊柱MR图像自动分割检测方法，包括以下步骤：获取三维脊柱MR图像，成为数据集，并将数据集分为训练集与测试集；对获取的三维脊柱MR图像进行预处理，将训练集中的三维图像转换为二维切片数据，将测试集中的三维图像压缩为h5文件；构建TransUNet网络，并使用训练集训练TransUNet网络，得到训练好的网络模型；使用训练好的网络模型对测试集中的数据做分割测试，得到预测的分割结果；将待分割的三维脊柱MR图像输入训练好的网络模型中，获得分割结果。本发明的一种三维脊椎MR图像自动分割装置，适用于脊柱MR图像，可提取局部特征也可以提取图像全局特征。

Description

一种三维脊椎MR图像自动分割装置
技术领域
本发明涉及医学图像分割处理领域，尤其涉及一种三维脊椎MR图像自动分割装置。
背景技术
脊柱在肌肉骨骼系统中维持和支撑着身体及其器官，维持人们日常活动及各关节转动，以及保护着脊髓免受外力冲击造成损伤。随着社会快速发展，人们久坐的时间越来越多，几乎每天都长时间保持一种姿势，脊柱长时间保持同一种状态，会使脊柱僵硬、慢性劳损积累，关节压力增大，引发脊柱疾病，如颈椎退化、腰椎间盘突出等。MRI是脊柱3D成像中一种快速、高质量和详细的成像方法，它通过产生强磁场和射频脉冲来生成3D脊柱图像。从医学图像中手动标记椎骨区域是非常耗时的，而且手动标记椎骨具有主观性，非常容易出现评分差异。自动分割识别椎骨可以防止这些差异，减少医师的工作量，因此，自动定位与分割的方法在临床诊断中是非常可取的。且精准的脊柱分割是脊柱配准、建立脊柱三维模型的基础；基于分割结果，可以重建三维模型用于分割识别脊柱、脊髓和腰椎间盘等结构并定位病灶区域，辅助医生为病人确定治疗方案，并评估治疗方案的有效性，如帮助医生确定椎弓根螺钉入钉点并模拟置钉通道，确定置钉位置、方向和深度，避免伤及重要神经和血管。所以开发脊柱的辅助分割方法具有重大意义。
现有与本发明相近实现方案中，使用U型网络U-Net及其变体网络进行训练并预测脊柱分割。在现有发明使用U型网络进行脊柱分割的实现方案中，在网络的左版部分使用卷积进行脊柱图片的下采样，在网络的右半部分中使用上采样恢复脊柱图像在下采样时减小的分辨率，在网络的输出部分输出分割结果，并使用CT脊柱图像作为发明实施案例。但不适用于三维脊柱MR图像适用性不高，使用卷积操作进行分割，卷积操作具有关注局部特征的局限性，在训练网络时没有充分利用脊柱图像的全局特征。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有的脊柱分割方法不适用于三维脊柱MR图像，且关注局部特征的局限性，无法提取全局特征等问题。本发明提供了一种三维脊椎MR图像自动分割装置，适用于脊柱MR图像，可提取局部特征也可以提取图像全局特征。
为实现上述目的，本发明提供了一种三维脊柱MR图像自动分割检测方法，包括以下步骤：
获取三维脊柱MR图像，成为数据集，并将数据集分为训练集与测试集；
对获取的三维脊柱MR图像进行预处理，将训练集中的三维图像转换为二维切片数据，将测试集中的三维图像压缩为h5文件；
构建TransUNet网络，并使用训练集训练TransUNet网络，得到训练好的网络模型；
使用训练好的网络模型对测试集中的数据做分割测试，得到预测的分割结果；
将待分割的三维脊柱MR图像输入训练好的网络模型，得到最终分割结果。
进一步地，获取三维脊柱MR图像，成为数据集，并将数据集分为训练集与测试集，具体包括以下步骤：
获取三维脊柱MR图像包括已标注的脊柱T2加权矢状位MR图像数据集，得到脊柱各椎骨区域的分割掩模图例；分割掩模图例包括20个类别，包括背景、10块椎骨和9块椎间盘，并对20个类别用不同的灰度级别进行区分；
将经过区分后的分割掩模图例的前若干例图像作为测试集，剩下的图例作为训练集。
进一步地，测试集的图例数量小于训练集的图例数量。
进一步地，对获取的三维脊柱MR图像进行预处理，将训练集中的三维图像转换为二维切片数据，将测试集中的三维图像压缩为h5文件，具体包括以下步骤：
将三维脊柱MR图像从nii.gz格式转换为numpy格式，并剪裁成[-125,275]区域内的图像，并将剪裁后的三位图像归一化为[0,1]，形成二维切片，从训练集图像中提取每例图像的二维切片作为最终的训练集，测试集中的图像压缩为npy.h5格式文件用于测试，作为最终的测试集。
进一步地，构建TransUNet网络，并使用训练集训练TransUNet网络，得到训练好的网络模型，包括：
将TransUNet网络分为encoder与decoder两部分，encoder由3层卷积层与12块transformer block组成，encoder对输入的二维切片进行特征提取，decoder包括上采样、卷积与跳跃连接，decoder将encoder中的特征扩展至与原输入图像尺寸相同，并输出预测分割图。
进一步地，一个transformer block包括层归一化LN、注意力计算MSA、残差连接和多层感知连接MLP；在3层卷积层输出的结果输入12块transformer block之前，模型将2维的图像数据展开为1维序列作为transformer的常规输入数据。
本发明又一实施例提供了一种三维脊椎MR图像自动分割装置，包括：
脊柱MR图像获取装置，用于获取三维脊柱MR图像，成为数据集，并将数据集分为训练集与测试集；
脊柱MR图像预处理装置，用于对获取的三维脊柱MR图像进行预处理，将训练集中的三维图像转换为二维切片数据，将测试集中的三维图像压缩为h5文件；
脊柱MR图像构建装置，用于构建TransUNet网络，并使用训练集训练TransUNet网络，得到训练好的网络模型；
脊柱MR图像辅助分割装置，用于使用训练好的网络模型对测试集中的数据做分割测试，得到预测的分割结果；
脊柱MR图像分割装置，用于将待分割的三维脊柱MR图像输入训练好的网络模型，得到最终分割结果。
进一步地，脊柱MR图像预处理装置，包括MR图像剪裁与归一化单元、训练集数据转换单元以及测试集数据转换单元，分别对将三维脊柱MR图像进行剪裁、归一化处理、训练集数据格式转化和测试集数据转化。
进一步地，脊柱MR图像构建装置具体用于将TransUNet网络分为encoder与decoder两部分，encoder由3层卷积层与12块transformer block组成，encoder对输入的二维切片进行特征提取，decoder包括上采样、卷积与跳跃连接，decoder将encoder中的特征扩展至与原输入图像尺寸相同，并输出预测分割图。
本发明又一较佳实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如权利要求1-6中任一项的方法。技术效果
本发明提供的一种三维脊椎MR图像自动分割方法针对三维脊柱MR图像训练网络模型，适用于三维脊柱MR图像自动分割，引入transformer方法，与U型网络U-Net结合，同时具有提取脊柱图像局部特征与全局特征的特点，提高脊柱医学图像分割的精度。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的一种三维脊椎MR图像自动分割方法的流程示意图；
图2是本发明的一个较佳实施例的一种三维脊椎MR图像自动分割方法所使用的TransUNet方法网络架构；
图3是本发明的一个较佳实施例的一种三维脊椎MR图像自动分割方法的脊柱分割结果。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下描述中，为了说明而不是为了限定，提出了诸如特定内部程序、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
如图1所示，本发明实施例提供了一种三维脊柱MR图像自动分割检测方法，包括以下步骤：
步骤100，获取三维脊柱MR图像，成为数据集，并将数据集分为训练集与测试集；获取三维脊柱MR图像包括已标注的脊柱T2加权矢状位MR图像数据集，得到脊柱各椎骨区域的分割掩模图例；分割掩模图例包括20个类别，包括背景、10块椎骨和9块椎间盘，并对20个类别用不同的灰度级别进行区分；本实施例中为172例体素级别标注的三位图像；将经过区分后的分割掩模图例的前若干例图像作为测试集，剩下的图例作为训练集，本实施例中，经过灰度级别区分后，将前30例图像作为测试集，剩下的142例图像作为训练集。
步骤200，对获取的三维脊柱MR图像进行预处理，将训练集中的三维图像转换为二维切片数据，将测试集中的三维图像压缩为h5文件；将三维脊柱MR图像从nii.gz格式转换为numpy格式，并剪裁成[-125,275]区域内的图像，并将剪裁后的三位图像归一化为[0,1]，形成二维切片，从训练集图像中提取每例图像的二维切片作为最终的训练集，测试集中的图像压缩为npy.h5格式文件用于测试，作为最终的测试集。
步骤300，构建TransUNet网络，并使用训练集训练TransUNet网络，得到训练好的网络模型；将TransUNet网络分为encoder与decoder两部分，encoder由3层卷积层与12块transformer block组成，encoder对输入的二维切片进行特征提取，decoder包括上采样、卷积与跳跃连接，decoder将encoder中的特征扩展至与原输入图像尺寸相同，并输出预测分割图。
encoder中3层卷积接在步长为2，卷积核大小为7×7的卷积层后，三个卷积层包括3×3卷积、1×1卷积、组归一化和RELU激活。encoder输入的脊柱图像在经过7×7的卷积后，进入三层卷积层，每层卷积依次做1×1卷积、3×3卷积和1×1卷积操作，每次卷积后连接组归一化和RELU激活函数，每层卷积得到的结果和最初当前卷积层的输入相加做残差连接得到3层卷积层最终结果。
一个transformer block包括层归一化LN、注意力计算MSA、残差连接和多层感知连接MLP。在3层卷积层输出的结果输入12块transformer block之前，模型将2维的图像数据展开为1维序列作为transformer的常规输入数据；定义展开的1维序列为X，位置标识为Epos,Epos在模型中是通过模型训练得到的参数，transformer的最终输入为式(1)
Z0＝X+Epos (1)
在transformer中，Z0首先经过层归一化LN再进行注意力计算，注意力计算如式(2-3)，归一化后的Z0经过线性映射生成Q、K、V 3个向量，注意力首先将Q、K相乘得到一个分数，再对这个分数进行归一化保持模型梯度的稳定性，接着使用Softmax函数激活再与V相乘得到注意力计算结果。
Q，K，V＝Linear(Z0) (2)
Figure BDA0003417365700000051
其中
Figure BDA0003417365700000052
为注意力头维度，为Z0长度与模型初始化的注意力头数相除取整。
注意力计算完成后与初始Z0进行相加做残差连接，残差连接后一次进行层归一化和多层感知连接，最后再做一次残差连接后得到一个transformer block的输出结果，整个过程如式(4)。每块transformer block计算步骤相同。
Z’＝MLP(LN(MSA(LN(Z0))+Z0))+( MSA(LN(Z0))+Z0) (4)
decoder包括上采样、卷积与跳跃连接，最后一块transformer block输出的结果做逆展开，将一维序列转换为二维数据，转换后的二维数据先做步长为1的3×3卷积，接着做双线性上采样插值，参照图2，第一次上采样后的数据与encoder中的三层卷积最后一层输出结果拼接再进行步长为1的3×3卷积。之后再重复步长为1的3×3卷积、双线性上采样插值，再与对应encoder中的三层卷积输出结果做拼接操作，decoder共进行4次步长为1的3×3卷积、双线性上采样插值与拼接操作。经过4次卷积、线性插值与拼接操作后，模型经过步长为1的3×3卷积和分割头得到模型最终训练结果。分割头包括卷积和上采样操作。
步骤400，使用训练好的网络模型对测试集中的数据做分割测试，得到预测的分割结果。将测试集数据中未经标注的三维脊柱MR图像分割成二维切片并送入训练后的模型中，模型输出此切片预测的分割结果，随后将这些切片重组为三维图像，得到三维脊柱MR图像的预测分割结果。
实施例中，将获取的脊柱MR图像数据分为训练集与测试集后，首先对测试集数据进行预处理。脊柱MR图像预处理装置中，首先将三维脊柱MR图像转为numpy多维数组格式，在数据中提取每个三维脊柱MR图像矢状面作为二维切片数据；提取的二维切片数据进行裁剪，设定最小值为-125,最大值为275，使每张切片的像素值限制在[-125,275]范围内；接着将裁剪后的数组进行归一化，归一化计算如式(5)。
Figure BDA0003417365700000053
其中min为当前切片像素点最小值，max为当前切片像素点最大值，img_data为当前切片。
在MR图像剪裁与归一化单元所得切片通过训练集数据转换单元以及测试集数据转换单元得到模型训练与测试数据，训练集数据转换单元将MR图像剪裁与归一化单元得到的脊柱未做分割掩模切片与对应分割掩模切片存在同一格式为.npz文件中；测试集数据转换单元输入数据在MR图像剪裁与归一化单元中不进行切片提取，在归一化后直接将三维脊柱MR未做分割掩模数组与对应分割掩模数组存在同一npy.h5文件中。
脊柱MR图像构建装置将内存中的训练数据分批次输入TransUNet网络中进行训练，本实施例每批次输入24个训练数据到模型中进行训练，数据进入到首先进入TransUNet的encoder部分，在encoder中首先做步长为2，卷积核大小为7×7的卷积运算，接着经过三个卷积层进行卷积、归一化和RELU激活运算，每个卷积层一次做做1×1卷积、3×3卷积和1×1卷积操作，每次卷积后连接组归一化和RELU激活函数，每层卷积得到的结果和最初当前卷积层的输入相加做残差连接得到3层卷积层最终结果。在3层卷积层输出的结果输入12块transformer block之前，模型将2维的图像数据展开为1维序列作为transformer的常规输入数据，在每个transformer block中逐次做层归一化、注意力计算、残差连接、层归一化、多层感知连接和残差连接操作。
在encoder最后一块transformer block得到的1D序列输入到decoder中，首先将最后一块transformer block输出的结果做逆展开，将一维序列转换为二维数据；转换后的二维数据先做步长为1的3×3卷积，接着做双线性上采样插值，参照图2，第一次上采样后的数据与encoder中的三层卷积最后一层输出结果拼接再进行步长为1的3×3卷积；之后再重复步长为1的3×3卷积、双线性上采样插值，再与对应encoder中的三层卷积输出结果做拼接操作，decoder共进行4次步长为1的3×3卷积、双线性上采样插值与拼接操作。经过4次卷积、线性插值与拼接操作后，模型经过步长为1的3×3卷积和分割头得到模型最终训练结果。在分割头中依次进行3×3卷积和双线性上采样插值操作。
脊柱MR图像辅助分割装置使用训练好的TransUNet模型对数据集进行测试生成分割结果。逐个输入npy.h5文件，分别提取npy.h5文件中保存的未做分割掩模脊柱图像和标记分割掩模的脊柱图像，按图像矢状面将三维脊柱图像分割为切片，每张切片输入训练好的TransUNet模型得到当前切片的预测分割结果，预测当前三维脊柱图像全部切片分割结果后，将所有切片堆叠为三维图像作为模型最终预测的分割结果。
图3是本发明的实施例中脊柱MR图像辅助分割装置中预测的分割结果，因脊柱MR图像辅助分割装置分割最终分割结果为医学3D图片，故截取本实例中预测分割结果的第八张切片作为示例图。
实施例二
本发明又一实施例提供了一种三维脊椎MR图像自动分割装置，包括：
脊柱MR图像获取装置，用于获取三维脊柱MR图像，成为数据集，并将数据集分为训练集与测试集；
脊柱MR图像预处理装置，用于对获取的三维脊柱MR图像进行预处理，将训练集中的三维图像转换为二维切片数据，将测试集中的三维图像压缩为h5文件；
脊柱MR图像构建装置，用于构建TransUNet网络，并使用训练集训练TransUNet网络，得到训练好的网络模型；
脊柱MR图像辅助分割装置，用于使用训练好的网络模型对测试集中的数据做分割测试，得到预测的分割结果；
脊柱MR图像分割装置，用于将待分割的三维脊柱MR图像输入训练好的网络模型，得到最终分割结果。
进一步地，脊柱MR图像预处理装置，包括MR图像剪裁与归一化单元、训练集数据转换单元以及测试集数据转换单元，分别对将三维脊柱MR图像进行剪裁、归一化处理、训练集数据格式转化和测试集数据转化。
脊柱MR图像构建装置具体用于将TransUNet网络分为encoder与decoder两部分，encoder由3层卷积层与12块transformer block组成，encoder对输入的二维切片进行特征提取，decoder包括上采样、卷积与跳跃连接，decoder将encoder中的特征扩展至与原输入图像尺寸相同，并输出预测分割图。
本实施例的装置用于实现实施例一中的方法步骤，其实现方式同实施例一，因此，此处将不再赘述。
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作出诸多修改和变化。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)

1.一种三维脊柱MR图像自动分割检测方法，其特征在于，包括以下步骤：
获取三维脊柱MR图像，成为数据集，并将所述数据集分为训练集与测试集；
对获取的三维脊柱MR图像进行预处理，将所述训练集中的三维图像转换为二维切片数据，将所述测试集中的三维图像压缩为h5文件；
构建TransUNet网络，并使用所述训练集训练所述TransUNet网络，得到训练好的网络模型；
使用所述训练好的网络模型对所述测试集中的数据做分割测试，得到预测的分割结果；
将待分割的三维脊柱MR图像输入所述训练好的网络模型，得到最终分割结果。
2.如权利要求1所述的一种三维脊柱MR图像自动分割检测方法，其特征在于，获取三维脊柱MR图像，成为数据集，并将所述数据集分为训练集与测试集，具体包括以下步骤：
获取三维脊柱MR图像包括已标注的脊柱T2加权矢状位MR图像数据集，得到脊柱各椎骨区域的分割掩模图例；所述分割掩模图例包括20个类别，包括背景、10块椎骨和9块椎间盘，并对20个类别用不同的灰度级别进行区分；
将经过区分后的所述分割掩模图例的前若干例图像作为测试集，剩下的图例作为训练集。
3.如权利要求2所述的一种三维脊柱MR图像自动分割检测方法，其特征在于，所述测试集的图例数量小于所述训练集的图例数量。
4.如权利要求1所述的一种三维脊柱MR图像自动分割检测方法，其特征在于，对获取的三维脊柱MR图像进行预处理，将所述训练集中的三维图像转换为二维切片数据，将所述测试集中的三维图像压缩为h5文件，具体包括以下步骤：
将三维脊柱MR图像从nii.gz格式转换为numpy格式，并剪裁成[-125,275]区域内的图像，并将剪裁后的三位图像归一化为[0,1]，形成二维切片，从训练集图像中提取每例图像的二维切片作为最终的训练集，测试集中的图像压缩为npy.h5格式文件用于测试，作为最终的测试集。
5.如权利要求1所述的一种三维脊柱MR图像自动分割检测方法，其特征在于，构建TransUNet网络，并使用所述训练集训练所述TransUNet网络，得到训练好的网络模型，包括：
将TransUNet网络分为encoder与decoder两部分，encoder由3层卷积层与12块transformer block组成，encoder对输入的二维切片进行特征提取，decoder包括上采样、卷积与跳跃连接，decoder将encoder中的特征扩展至与原输入图像尺寸相同，并输出预测分割图。
6.如权利要求5所述的一种三维脊柱MR图像自动分割检测方法，其特征在于，一个transformer block包括层归一化LN、注意力计算MSA、残差连接和多层感知连接MLP；在3层卷积层输出的结果输入12块transformer block之前，模型将2维的图像数据展开为1维序列作为transformer的常规输入数据。
7.一种三维脊椎MR图像自动分割装置，其特征在于，包括：
脊柱MR图像获取装置，用于获取三维脊柱MR图像，成为数据集，并将所述数据集分为训练集与测试集；
脊柱MR图像预处理装置，用于对获取的三维脊柱MR图像进行预处理，将所述训练集中的三维图像转换为二维切片数据，将所述测试集中的三维图像压缩为h5文件；
脊柱MR图像构建装置，用于构建TransUNet网络，并使用所述训练集训练所述TransUNet网络，得到训练好的网络模型；
脊柱MR图像辅助分割装置，用于使用所述训练好的网络模型对所述测试集中的数据做分割测试，得到预测的分割结果；
脊柱MR图像分割装置，用于将待分割的三维脊柱MR图像输入所述训练好的网络模型，得到最终分割结果。
8.如权利要求7所述的一种三维脊椎MR图像自动分割装置，其特征在于，所述脊柱MR图像预处理装置，包括MR图像剪裁与归一化单元、训练集数据转换单元以及测试集数据转换单元，分别对将三维脊柱MR图像进行剪裁、归一化处理、训练集数据格式转化和测试集数据转化。
9.如权利要求67所述的一种三维脊椎MR图像自动分割装置，其特征在于，脊柱MR图像构建装置具体用于将TransUNet网络分为encoder与decoder两部分，encoder由3层卷积层与12块transformer block组成，encoder对输入的二维切片进行特征提取，decoder包括上采样、卷积与跳跃连接，decoder将encoder中的特征扩展至与原输入图像尺寸相同，并输出预测分割图。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-6中任一项所述的方法。
CN202111551725.6A 2021-12-17 2021-12-17 一种三维脊椎mr图像自动分割装置 Pending CN115372872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111551725.6A CN115372872A (zh) 2021-12-17 2021-12-17 一种三维脊椎mr图像自动分割装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111551725.6A CN115372872A (zh) 2021-12-17 2021-12-17 一种三维脊椎mr图像自动分割装置

Publications (1)

Publication Number Publication Date
CN115372872A true CN115372872A (zh) 2022-11-22

Family

ID=84060737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111551725.6A Pending CN115372872A (zh) 2021-12-17 2021-12-17 一种三维脊椎mr图像自动分割装置

Country Status (1)

Country Link
CN (1) CN115372872A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116421152A (zh) * 2023-06-13 2023-07-14 长春理工大学 一种睡眠分期结果确定方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116421152A (zh) * 2023-06-13 2023-07-14 长春理工大学 一种睡眠分期结果确定方法、装置、设备及介质
CN116421152B (zh) * 2023-06-13 2023-08-22 长春理工大学 一种睡眠分期结果确定方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Sobhaninia et al. Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning
EP3470006B1 (en) Automated segmentation of three dimensional bony structure images
EP4095797B1 (en) Autonomous segmentation of three-dimensional nervous system structures from medical images
CN113506334B (zh) 基于深度学习的多模态医学图像融合方法及系统
CN108629816B (zh) 基于深度学习进行薄层磁共振图像重建的方法
Oulbacha et al. MRI to CT synthesis of the lumbar spine from a pseudo-3D cycle GAN
CN110599528A (zh) 一种基于神经网络的无监督三维医学图像配准方法及系统
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
CN111047605B (zh) 一种脊椎ct分割网络模型的构建方法及分割方法
CN113393469A (zh) 基于循环残差卷积神经网络的医学图像分割方法和装置
US8644608B2 (en) Bone imagery segmentation method and apparatus
CN112465771A (zh) 脊柱核磁共振图像的分析方法、装置和计算机设备
CN110910335A (zh) 一种图像处理方法、图像处理设备及计算机可读存储介质
CN115830016A (zh) 医学图像配准模型训练方法及设备
CN115372872A (zh) 一种三维脊椎mr图像自动分割装置
JP7211725B2 (ja) 自動位置決め機能付き磁気共鳴イメージング装置、磁気共鳴イメージング装置の制御方法、及び、撮像断面自動設定用プログラム
CN111243026A (zh) 解剖标记点定位方法、装置、计算机设备和存储介质
CN112071422B (zh) 基于神经网络的腰椎病变诊断系统
EP2343687B1 (en) Tomographic image generating apparatus, tomographic image generating method, and program for generating tomographic images
CN112967379B (zh) 一种基于感知一致生成对抗网络的三维医学图像重建方法
CN115496765A (zh) 脑区的图像处理方法、装置、计算机设备及存储介质
CN113177938A (zh) 基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件
CN116228903B (zh) 基于csa模块及深度学习模型的高清ct图像重建方法
US6738498B1 (en) Method and apparatus for tissue dependent filtering for image magnification
CN117745746B (zh) 一种基于可变形nnUNet的图像分割方法和装置

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