CN115880319B - 一种椎体终板及邻近松质骨自动分割方法及装置 - Google Patents
一种椎体终板及邻近松质骨自动分割方法及装置 Download PDFInfo
- Publication number
- CN115880319B CN115880319B CN202310120351.5A CN202310120351A CN115880319B CN 115880319 B CN115880319 B CN 115880319B CN 202310120351 A CN202310120351 A CN 202310120351A CN 115880319 B CN115880319 B CN 115880319B
- Authority
- CN
- China
- Prior art keywords
- target
- segmentation
- endplate
- cone
- segmentation mask
- 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
Links
Abstract
本发明涉及医学图像处理领域,公开了一种椎体终板及邻近松质骨自动分割方法及装置,用于提高椎体终板邻近松质骨分割的准确率。方法包括:对初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;将目标椎体CT影像数据输入椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;根据计算机图形学原理,对目标终板分割掩膜进行解剖形态学识别,得到终板法向量;根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
Description
技术领域
本发明涉及医学图像处理领域,尤其涉及一种椎体终板及邻近松质骨自动分割方法及装置。
背景技术
临床上为研究例如椎间融合器导致的终板下沉等一系列问题,需要测量终板中间区域向椎体内部方向内凹的松质骨区域的骨密度,所以首先需要对不同厚度和宽度的椎体终板临近松质骨区域进行分割。
目前对于椎体终板及邻近松质骨自动分割方法常用的有:基于形态学算法和相似度指标等传统的图像特征提取方法,自动分割出椎体终板,并使用数据增强方法,并基于深度学习模型,使用专家手动标注进行模型训练,改善了模型的泛化能力及可扩展性;但现有方案只能对终板进行分割,无法对椎体终板临近松质骨进行分割,进而也无法对该区域进行骨密度测量,无法帮助临床上对椎间融合器下沉等一系列问题的研究,因此,现有方案的准确率较低。
发明内容
本发明提供了一种椎体终板及邻近松质骨自动分割方法及装置,用于提高椎体终板邻近松质骨分割的准确率。
本发明第一方面提供了一种椎体终板及邻近松质骨自动分割方法,所述椎体终板及邻近松质骨自动分割方法包括:
获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;
根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;
根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量;
根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
结合第一方面,在本发明第一方面的第一实施方式中,所述获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据,包括:
获取目标椎体的初始椎体CT影像数据;
对所述初始椎体CT影像数据进行重采样处理,得到重采样比率;
根据所述重采样比率,对所述初始椎体CT影像数据进行像素值标准化处理,得到标准椎体CT影像数据;
对所述标准椎体CT影像数据进行数据增强处理,得到目标椎体CT影像数据。
结合第一方面,在本发明第一方面的第二实施方式中,所述根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜,包括:
将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型,其中,所述椎体亚区域分割模型包括:U-Net网络和多任务分类器;
通过所述椎体亚区域分割模型对所述目标椎体CT影像数据进行高维特征提取,输出初始椎体分割掩膜、初始终板分割掩膜以及初始侧板分割掩膜;
对所述初始椎体分割掩膜、所述初始终板分割掩膜以及所述初始侧板分割掩膜进行后处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜,其中,所述后处理包括:反向重采样、连通性测试以及平滑操作。
结合第一方面,在本发明第一方面的第三实施方式中,所述根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量,包括:
根据计算机图形学原理分别对所述目标终板分割掩膜进行质心计算,得到物理质心;
根据所述物理质心生成终板法向量。
结合第一方面,在本发明第一方面的第四实施方式中,所述椎体终板及邻近松质骨自动分割方法还包括:
分别计算所述目标终板分割掩膜中上下终板的有向边界框;
将所述上下终板的有向边界框所对应的中心相连,得到终板法向量。
结合第一方面,在本发明第一方面的第五实施方式中,所述根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果,包括:
根据预置的宽度生成所述目标终板分割掩膜中多个体素点的三维空间坐标;
对所述三维空间坐标进行作差,得到中心化体素坐标;
对所述中心化体素坐标进行等比例收缩,得到收缩后的体素点;
根据预置的高度、所述收缩后的体素点和所述终板法向量,生成终板临近松质骨区域分割掩膜;
对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
本发明第二方面提供了一种椎体终板及邻近松质骨自动分割装置,所述椎体终板及邻近松质骨自动分割装置包括:
获取模块,用于获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;
分割模块,用于根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;
识别模块,用于根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量;
计算模块,用于根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
结合第二方面,在本发明第二方面的第一实施方式中,所述获取模块具体用于:
获取目标椎体的初始椎体CT影像数据;
对所述初始椎体CT影像数据进行重采样处理,得到重采样比率;
根据所述重采样比率,对所述初始椎体CT影像数据进行像素值标准化处理,得到标准椎体CT影像数据;
对所述标准椎体CT影像数据进行数据增强处理,得到目标椎体CT影像数据。
结合第二方面,在本发明第二方面的第二实施方式中,所述分割模块具体用于:
将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型,其中,所述椎体亚区域分割模型包括:U-Net网络和多任务分类器;
通过所述椎体亚区域分割模型对所述目标椎体CT影像数据进行高维特征提取,输出初始椎体分割掩膜、初始终板分割掩膜以及初始侧板分割掩膜;
对所述初始椎体分割掩膜、所述初始终板分割掩膜以及所述初始侧板分割掩膜进行后处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜,其中,所述后处理包括:反向重采样、连通性测试以及平滑操作。
结合第二方面,在本发明第二方面的第三实施方式中,所述识别模块具体用于:
根据计算机图形学原理分别对所述目标终板分割掩膜进行质心计算,得到物理质心;
根据所述物理质心生成终板法向量。
结合第二方面,在本发明第二方面的第四实施方式中,所述椎体终板及邻近松质骨自动分割装置还包括:
处理模块,用于分别计算所述目标终板分割掩膜中上下终板的有向边界框;将所述上下终板的有向边界框所对应的中心相连,得到终板法向量。
结合第二方面,在本发明第二方面的第五实施方式中,所述计算模块具体用于:
根据预置的宽度生成所述目标终板分割掩膜中多个体素点的三维空间坐标;
对所述三维空间坐标进行作差,得到中心化体素坐标;
对所述中心化体素坐标进行等比例收缩,得到收缩后的体素点;
根据预置的高度、所述收缩后的体素点和所述终板法向量,生成终板临近松质骨区域分割掩膜;
对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
本发明第三方面提供了一种椎体终板及邻近松质骨自动分割设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述椎体终板及邻近松质骨自动分割设备执行上述的椎体终板及邻近松质骨自动分割方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的椎体终板及邻近松质骨自动分割方法。
本发明提供的技术方案中,首先,将预处理后的椎体的CT影像数据输入到预先训练好的基于深度学习的椎体亚区域分割模型中,经相应后处理后,得到椎体及其中的终板及侧板的分割掩膜;其次,基于计算机图形学原理,对椎体进行解剖形态学识别,得到终板法向量;最后,根据预先设定好的终板临近松质骨区域的相关参数,将所述后处理后的终板分割掩膜进行形态学操作,分割出相应的终板临近松质骨区域,同时利用所述椎体及其中侧板的分割掩膜,将所述终板临近区域的非松质骨区域去除,最终得到终板临近松质骨区域。本发明采用了数据增强方法,增加了泛化性、可扩展性;并且基于上述椎体及其中的终板及侧板分割结果,构建了终板临近松质骨分割模型,在得到终板临近松质骨的分割掩膜后,可以进而对该区域的骨密度进行测量,为临床上研究椎间融合器的下沉等问题提供帮助。本发明提供了一种椎体终板临近松质骨分割方法,利用基于深度学习的图像识别技术及基于计算机图形学的图像处理技术,对椎体终板临近松质骨区域进行分割,得到的分割掩码可进一步用于对该区域的骨密度测量,研究临床上椎间融合器导致的终板下沉等一系列问题,进而提升了椎体终板临近松质骨分割的准确率。
附图说明
图1为本发明实施例中椎体终板及邻近松质骨自动分割方法的一个实施例示意图;
图2为本发明实施例中椎体亚区域分割模型进行区域分割处理的流程图;
图3为本发明实施例中解剖形态学识别的流程图;
图4为本发明实施例中计算终板邻近松质骨区域分割掩膜的流程图;
图5为本发明实施例中椎体终板及邻近松质骨自动分割装置的一个实施例示意图;
图6为本发明实施例中椎体终板及邻近松质骨自动分割装置的另一个实施例示意图;
图7为本发明实施例中椎体终板及邻近松质骨自动分割设备的一个实施例示意图;
图8为本发明实施例中椎体亚区域分割模型进行区域分割处理的结构示意图;
图9为本发明实施例中一种终板法向识别方法的结构示意图;
图10为本发明实施例中另一种终板法向识别方法的结构示意图;
图11为本发明实施例中终板临近松质骨区域分割结果的结构示意图。
具体实施方式
本发明实施例提供了一种椎体终板及邻近松质骨自动分割方法及装置,用于提高椎体终板邻近松质骨分割的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中椎体终板及邻近松质骨自动分割方法的一个实施例包括:
S101、获取目标椎体的初始椎体CT影像数据,并对初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;
S102、根据深度学习原理,将目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;
可以理解的是,本发明的执行主体可以为椎体终板及邻近松质骨自动分割装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器将预处理(重采样和归一化)后的椎体的CT影像数据输入到预先训练好的基于深度学习的椎体亚区域分割模型中,经相应后处理(反向重采样、连通性测试以及平滑操作)后,得到椎体及其中的终板及侧板的分割掩膜,即目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜。
S103、根据计算机图形学原理,对目标终板分割掩膜进行解剖形态学识别,得到终板法向量;
需要说明的是,服务器基于计算机图形学原理,对椎体进行解剖形态学识别,得到终板法向量;在分割终板临近松质骨区域之前,根据计算机图形学原理,需要先对椎体的解剖形态学进行识别,并求得终板的法向量。
S104、根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
具体的,根据预先设定好的终板临近松质骨区域的相关参数(宽度和高度),将目标终板分割掩膜进行形态学操作,分割出相应的终板临近松质骨区域,同时利用目标椎体分割掩膜以及目标侧板分割掩膜将目标终板分割掩膜的非松质骨区域去除,最终得到终板临近松质骨区域(也就是,椎体终板及邻近松质骨自动分割结果)。
本发明实施例中,首先,将预处理后的椎体的CT影像数据输入到预先训练好的基于深度学习的椎体亚区域分割模型中,经相应后处理后,得到椎体及其中的终板及侧板的分割掩膜;其次,基于计算机图形学原理,对椎体进行解剖形态学识别,得到终板法向量;最后,根据预先设定好的终板临近松质骨区域的相关参数,将后处理后的终板分割掩膜进行形态学操作,分割出相应的终板临近松质骨区域,同时利用椎体及其中侧板的分割掩膜,将终板临近区域的非松质骨区域去除,最终得到终板临近松质骨区域。本发明采用了数据增强方法,增加了泛化性、可扩展性;并且基于上述椎体及其中的终板及侧板分割结果,构建了终板临近松质骨分割模型,在得到终板临近松质骨的分割掩膜后,可以进而对该区域的骨密度进行测量,为临床上研究椎间融合器的下沉等问题提供帮助。本发明提供了一种椎体终板临近松质骨分割方法,利用基于深度学习的图像识别技术及基于计算机图形学的图像处理技术,对椎体终板临近松质骨区域进行分割,得到的分割掩码可进一步用于对该区域的骨密度测量,研究临床上椎间融合器导致的终板下沉等一系列问题,进而提升了椎体终板临近松质骨分割的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标椎体的初始椎体CT影像数据;
(2)对初始椎体CT影像数据进行重采样处理,得到重采样比率;
(3)根据重采样比率,对初始椎体CT影像数据进行像素值标准化处理,得到标准椎体CT影像数据;
(4)对标准椎体CT影像数据进行数据增强处理,得到目标椎体CT影像数据。
具体的,服务器在得到初始椎体CT影像数据后,对初始椎体CT影像数据进行预处理,包括:重采样、像素值标准化以及数据增强。重采样的目的是将影像数据以统一的空间分辨率表示出来,从而消除不同空间分辨率(不同层厚、不同重建方法、不同厂商的设备及参数)所带来的视觉上的结构化差异。重采样需要得到输入初始椎体CT影像数据的空间分辨率,即每个体素对应的物理空间尺寸。重采样的目标空间分辨率应为某一固定的空间尺寸,例如128×128×128毫米。据此,可以计算出原始影像数所在三个维度的重采样比率。经过重采样后,对具有固定空间尺寸的初始椎体CT影像数据进行像素值标准化处理,将原始像素值的分布映射到易处理的标准化分布(例如正态分布、均匀分布、泊松分布等)。本发明采用的是标准正态分布,该分布的特征为其均值为0且标准差为1。像素值标准化的目的是消除因像素值分布差异及极端像素值对后续基于视觉的数据处理产生的影响。经过像素值标准化后,对具有相同像素值分布的固定空间尺寸的标准椎体CT影像数据进行数据增强处理,例如随机水平翻转、随机旋转、随机裁剪等。数据增强的目的是在不改变视觉上结构的基础上扩充训练数据集,同时增强后续基于深度学习的分割模型对椎体及其中的终板及侧板的视觉理解能力,防止过拟合。应当注意,所述数据增强只应用于模型训练阶段,而不用于模型推理阶段,从而得到目标椎体CT影像数据。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、将目标椎体CT影像数据输入预置的椎体亚区域分割模型,其中,椎体亚区域分割模型包括:U-Net网络和多任务分类器;
S202、通过椎体亚区域分割模型对目标椎体CT影像数据进行高维特征提取,输出初始椎体分割掩膜、初始终板分割掩膜以及初始侧板分割掩膜;
S203、对初始椎体分割掩膜、初始终板分割掩膜以及初始侧板分割掩膜进行后处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜,其中,后处理包括:反向重采样、连通性测试以及平滑操作。
具体的,服务器将预处理后的目标椎体CT影像数据输入到预先训练好的椎体亚区域分割模型,经后处理(反向重采样,连通性测试以及平滑操作)后得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜。所述预先训练好的椎体亚区域模型为利用手动标注数据进行学习的基于深度学习的神经网络模型。对于所述神经网络模型有多种选择方案,例如骨干网络模型有基于卷积神经网络(Convolutional Neural Network, CNN)的模型、基于变形器(Transformer)的模型、基于扩散模型(Diffusion Model)的模型等,网络架构有基于U-Net的架构、基于DeepLab的架构等。本发明采用的是基于CNN骨干网络模型的U-Net网络架构。所述神经网络模型可以理解为特征提取器,将目标椎体CT影像数据转换成高维特征。如图8所示,图8为本发明实施例中椎体亚区域分割模型进行区域分割处理的结构示意图,在所述神经网络模型的最后连接了一个多任务分类器,得到三种未经后处理的分割掩膜输出:初始椎体分割掩膜、初始终板分割掩膜以及初始侧板分割掩膜。得到未经后处理的分割掩膜后,对其进行后处理,包括:反向重采样、连通性测试以及平滑操作。所述反向重采样为将预处理进行的重采样进行逆操作,将分割掩膜重采样回输入的初始椎体CT影像数据的图像尺寸。所述连通性测试为通过形态学操作,将分割掩膜的空洞填补上,并去除小碎片。所述平滑操作为通过形态学操作,例如膨胀、腐蚀、开运算以及闭运算,将分割掩膜的边缘变得更加平滑,并去除毛刺。本发明采用了数据增强方法,利用了专家手动标注数据,并基于深度学习构建了椎体及其中的终板及侧板分割模型;本实施例增加了泛化性和可扩展性。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、根据计算机图形学原理分别对目标终板分割掩膜进行质心计算,得到物理质心;
S302、根据物理质心生成终板法向量。
具体的,服务器根据计算机图形学原理,对椎体进行解剖形态学识别,得到终板法向量。在分割终板临近松质骨区域之前,根据计算机图形学原理,需要先对椎体的解剖形态学进行识别,并求得终板的法向量。因终板在CT数据中可能不是水平的,需要通过计算机图形学方法求得终板的法向量。如图9所示,图9为本发明实施例中一种终板法向识别方法,具体包括:分别计算出上下终板分割掩膜的质心,从形态学原理上理解,可以认为其近似等同于上下终板的物理质心,再将上下终板的质心相连,可以得到近似的终板法向量;需要注意,这种方法适用于大多数正常形态、表面较为平整的终板,但对少数畸形、表面弯曲程度严重的终板会存在误差。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、根据预置的宽度生成目标终板分割掩膜中多个体素点的三维空间坐标;
S402、对三维空间坐标进行作差,得到中心化体素坐标;
S403、对中心化体素坐标进行等比例收缩,得到收缩后的体素点;
S404、根据预置的高度、收缩后的体素点和终板法向量,生成终板临近松质骨区域分割掩膜;
S405、对目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
具体的,服务器根据设置的宽度与高度,计算得到对应的终板临近松质骨区域分割掩膜,再基于椎体及其中的终板及侧板分割掩膜去除其非松质部分。临床上可以根据需要,手动设置终板临近松质骨感兴趣区域的宽度与高度。所述宽度为由终板外边界向其中心内缩后的尺寸或者收缩尺寸比例。本发明的实施例采用的是设置等比例收缩的方案,但不构成应用本申请方案的限定。所述高度为由终板外表面或内表面向椎体中心延展的高度。首先,根据上述预先设置的宽度,得到在S102中得到的终板的分割掩膜的各个体素所对应的三维空间中的坐标,求出这一簇体素点的中心坐标,将这些体素点的坐标与中心坐标作差,得到中心化后的体素点的坐标。其次,将这些体素点的坐标值乘以上述预先设定的收缩宽度比例,从而使这些体素点向其中心(经中心化后,此时中心为坐标原点)等比例收缩,再将收缩后的体素点坐标与上述中心坐标作和,从而将这些体素点映射回原始的坐标系中;因本应用在整形的体素空间操作,会造成小数坐标取整的情况,所以需要再将收缩后的体素点作集合,去除因收缩后产生的重复的体素点。最后,根据上述预先设定的高度,由上述收缩后的体素点沿着S103中得到的终板法向量方向,生成对应高度的终板临近松质骨感兴趣区域分割掩膜。需要注意的是,本方法得到的终板临近松质骨感兴趣区域,是根据终板等比例收缩计算生成的,因此其外轮廓具有与终板相似的特性。(2)本发明基于上述椎体及其中的终板及侧板分割结果,构建了终板临近松质骨分割模型;相比CN114998301B只能对终板进行分割,(本发明)基于计算机图形学原理,在终板分割的基础上,对终板临近松质骨进行分割;此外,在得到终板临近松质骨的分割掩膜后,可以进而对该区域的骨密度进行测量,为临床上研究椎间融合器的下沉等问题提供帮助。图11展示了所述根据预先设置的宽度与高度计算得到的终板临近松质骨感兴趣区域的结构示意图。图中分别展现了S102中得到的上下终板分割掩膜及S104中得到的上下终板临近松质骨感兴趣区域分割掩膜。图中的箭头代表S104中所述根据设置的宽度向终板中心收缩的示意。
在一具体实施例中,上述椎体终板及邻近松质骨自动分割方法还包括如下步骤:
(1)分别计算目标终板分割掩膜中上下终板的有向边界框;
(2)将上下终板的有向边界框所对应的中心相连,得到终板法向量。
具体的,如图10所示,图10为本发明实施例中另一种终板法向识别方法,具体包括:通过终板的分割掩膜,分别计算上下终板的有向边界框(Oriented Bounding Box,OBB),将上下有方向边界框的中心(亦可近似理解为上下终板的形心)相连,可以得到近似的终板法向量;在遇到畸形、表面弯曲程度严重的终板时,相较于上述“质心”方法,这种方法可以得到更加准确的终板法向量,误差更小,结果更加稳定,但其实现方法更加复杂。本领域的技术人员可以理解,本发明上述提及的通过计算得到终板法向量的方法,仅仅是与本申请方案相关的实例,目的是计算得到终板法向量,因此并不构成应用本申请方案的限定,具体的终板法向量计算方法可以根据实际应用场景进行选择。
上面对本发明实施例中椎体终板及邻近松质骨自动分割方法进行了描述,下面对本发明实施例中椎体终板及邻近松质骨自动分割装置进行描述,请参阅图5,本发明实施例中椎体终板及邻近松质骨自动分割装置一个实施例包括:
获取模块501,用于获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;
分割模块502,用于根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;
识别模块503,用于根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量;
计算模块504,用于根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
通过上述各个组成部分的协同合作,首先,将预处理后的椎体的CT影像数据输入到预先训练好的基于深度学习的椎体亚区域分割模型中,经相应后处理后,得到椎体及其中的终板及侧板的分割掩膜;其次,基于计算机图形学原理,对椎体进行解剖形态学识别,得到终板法向量;最后,根据预先设定好的终板临近松质骨区域的相关参数,将所述后处理后的终板分割掩膜进行形态学操作,分割出相应的终板临近松质骨区域,同时利用所述椎体及其中侧板的分割掩膜,将所述终板临近区域的非松质骨区域去除,最终得到终板临近松质骨区域。本发明采用了数据增强方法,增加了泛化性、可扩展性;并且基于上述椎体及其中的终板及侧板分割结果,构建了终板临近松质骨分割模型,在得到终板临近松质骨的分割掩膜后,可以进而对该区域的骨密度进行测量,为临床上研究椎间融合器的下沉等问题提供帮助。本发明提供了一种椎体终板临近松质骨分割方法,利用基于深度学习的图像识别技术及基于计算机图形学的图像处理技术,对椎体终板临近松质骨区域进行分割,得到的分割掩码可进一步用于对该区域的骨密度测量,研究临床上椎间融合器导致的终板下沉等一系列问题,进而提升了椎体终板临近松质骨分割的准确率。
请参阅图6,本发明实施例中椎体终板及邻近松质骨自动分割装置另一个实施例包括:
获取模块501,用于获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;
分割模块502,用于根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;
识别模块503,用于根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量;
计算模块504,用于根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
可选的,所述获取模块501具体用于:
获取目标椎体的初始椎体CT影像数据;
对所述初始椎体CT影像数据进行重采样处理,得到重采样比率;
根据所述重采样比率,对所述初始椎体CT影像数据进行像素值标准化处理,得到标准椎体CT影像数据;
对所述标准椎体CT影像数据进行数据增强处理,得到目标椎体CT影像数据。
可选的,所述分割模块502具体用于:
将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型,其中,所述椎体亚区域分割模型包括:U-Net网络和多任务分类器;
通过所述椎体亚区域分割模型对所述目标椎体CT影像数据进行高维特征提取,输出初始椎体分割掩膜、初始终板分割掩膜以及初始侧板分割掩膜;
对所述初始椎体分割掩膜、所述初始终板分割掩膜以及所述初始侧板分割掩膜进行后处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜,其中,所述后处理包括:反向重采样、连通性测试以及平滑操作。
可选的,所述识别模块503具体用于:
根据计算机图形学原理分别对所述目标终板分割掩膜进行质心计算,得到物理质心;
根据所述物理质心生成终板法向量。
可选的,所述椎体终板及邻近松质骨自动分割装置还包括:
处理模块505,用于分别计算所述目标终板分割掩膜中上下终板的有向边界框;将所述上下终板的有向边界框所对应的中心相连,得到终板法向量。
可选的,所述计算模块504具体用于:
根据预置的宽度生成所述目标终板分割掩膜中多个体素点的三维空间坐标;
对所述三维空间坐标进行作差,得到中心化体素坐标;
对所述中心化体素坐标进行等比例收缩,得到收缩后的体素点;
根据预置的高度、所述收缩后的体素点和所述终板法向量,生成终板临近松质骨区域分割掩膜;
对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
本发明实施例中,首先,将预处理后的椎体的CT影像数据输入到预先训练好的基于深度学习的椎体亚区域分割模型中,经相应后处理后,得到椎体及其中的终板及侧板的分割掩膜;其次,基于计算机图形学原理,对椎体进行解剖形态学识别,得到终板法向量;最后,根据预先设定好的终板临近松质骨区域的相关参数,将所述后处理后的终板分割掩膜进行形态学操作,分割出相应的终板临近松质骨区域,同时利用所述椎体及其中侧板的分割掩膜,将所述终板临近区域的非松质骨区域去除,最终得到终板临近松质骨区域。本发明采用了数据增强方法,增加了泛化性、可扩展性;并且基于上述椎体及其中的终板及侧板分割结果,构建了终板临近松质骨分割模型,在得到终板临近松质骨的分割掩膜后,可以进而对该区域的骨密度进行测量,为临床上研究椎间融合器的下沉等问题提供帮助。本发明提供了一种椎体终板临近松质骨分割方法,利用基于深度学习的图像识别技术及基于计算机图形学的图像处理技术,对椎体终板临近松质骨区域进行分割,得到的分割掩码可进一步用于对该区域的骨密度测量,研究临床上椎间融合器导致的终板下沉等一系列问题,进而提升了椎体终板临近松质骨分割的准确率。
上面图5和图6从模块化功能实体的角度对本发明实施例中的椎体终板及邻近松质骨自动分割装置进行详细描述,下面从硬件处理的角度对本发明实施例中椎体终板及邻近松质骨自动分割设备进行详细描述。
图7是本发明实施例提供的一种椎体终板及邻近松质骨自动分割设备的结构示意图,该椎体终板及邻近松质骨自动分割设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对椎体终板及邻近松质骨自动分割设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在椎体终板及邻近松质骨自动分割设备600上执行存储介质630中的一系列指令操作。
椎体终板及邻近松质骨自动分割设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的椎体终板及邻近松质骨自动分割设备结构并不构成对椎体终板及邻近松质骨自动分割设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种椎体终板及邻近松质骨自动分割设备,所述椎体终板及邻近松质骨自动分割设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述椎体终板及邻近松质骨自动分割方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述椎体终板及邻近松质骨自动分割方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种椎体终板及邻近松质骨自动分割方法,其特征在于,所述椎体终板及邻近松质骨自动分割方法包括:
获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;
根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;
根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量;
根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果;其中,根据预置的宽度生成所述目标终板分割掩膜中多个体素点的三维空间坐标;对所述三维空间坐标进行作差,得到中心化体素坐标;对所述中心化体素坐标进行等比例收缩,得到收缩后的体素点;根据预置的高度、所述收缩后的体素点和所述终板法向量,生成终板临近松质骨区域分割掩膜;对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
2.根据权利要求1所述的椎体终板及邻近松质骨自动分割方法,其特征在于,所述获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据,包括:
获取目标椎体的初始椎体CT影像数据;
对所述初始椎体CT影像数据进行重采样处理,得到重采样比率;
根据所述重采样比率,对所述初始椎体CT影像数据进行像素值标准化处理,得到标准椎体CT影像数据;
对所述标准椎体CT影像数据进行数据增强处理,得到目标椎体CT影像数据。
3.根据权利要求1所述的椎体终板及邻近松质骨自动分割方法,其特征在于,所述根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜,包括:
将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型,其中,所述椎体亚区域分割模型包括:U-Net网络和多任务分类器;
通过所述椎体亚区域分割模型对所述目标椎体CT影像数据进行高维特征提取,输出初始椎体分割掩膜、初始终板分割掩膜以及初始侧板分割掩膜;
对所述初始椎体分割掩膜、所述初始终板分割掩膜以及所述初始侧板分割掩膜进行后处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜,其中,所述后处理包括:反向重采样、连通性测试以及平滑操作。
4.根据权利要求1所述的椎体终板及邻近松质骨自动分割方法,其特征在于,所述根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量,包括:
根据计算机图形学原理分别对所述目标终板分割掩膜进行质心计算,得到物理质心;
根据所述物理质心生成终板法向量。
5.根据权利要求1所述的椎体终板及邻近松质骨自动分割方法,其特征在于,所述椎体终板及邻近松质骨自动分割方法还包括:
分别计算所述目标终板分割掩膜中上下终板的有向边界框;
将所述上下终板的有向边界框所对应的中心相连,得到终板法向量。
6.一种椎体终板及邻近松质骨自动分割装置,其特征在于,所述椎体终板及邻近松质骨自动分割装置包括:
获取模块,用于获取目标椎体的初始椎体CT影像数据,并对所述初始椎体CT影像数据进行重采样和归一化处理,得到目标椎体CT影像数据;
分割模块,用于根据深度学习原理,将所述目标椎体CT影像数据输入预置的椎体亚区域分割模型进行区域分割处理,得到目标椎体分割掩膜、目标终板分割掩膜以及目标侧板分割掩膜;
识别模块,用于根据计算机图形学原理,对所述目标终板分割掩膜进行解剖形态学识别,得到终板法向量;
计算模块,用于根据预先设定的宽度与高度和终板法向量,计算终板邻近松质骨区域分割掩膜,并对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果;其中,根据预置的宽度生成所述目标终板分割掩膜中多个体素点的三维空间坐标;对所述三维空间坐标进行作差,得到中心化体素坐标;对所述中心化体素坐标进行等比例收缩,得到收缩后的体素点;根据预置的高度、所述收缩后的体素点和所述终板法向量,生成终板临近松质骨区域分割掩膜;对所述目标椎体分割掩膜、所述目标终板分割掩膜以及所述目标侧板分割掩膜的非松质部分进行去除,得到椎体终板及邻近松质骨自动分割结果。
7.根据权利要求6所述的椎体终板及邻近松质骨自动分割装置,其特征在于,所述获取模块具体用于:
获取目标椎体的初始椎体CT影像数据;
对所述初始椎体CT影像数据进行重采样处理,得到重采样比率;
根据所述重采样比率,对所述初始椎体CT影像数据进行像素值标准化处理,得到标准椎体CT影像数据;
对所述标准椎体CT影像数据进行数据增强处理,得到目标椎体CT影像数据。
8.一种椎体终板及邻近松质骨自动分割设备,其特征在于,所述椎体终板及邻近松质骨自动分割设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述椎体终板及邻近松质骨自动分割设备执行如权利要求1-5中任一项所述的椎体终板及邻近松质骨自动分割方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的椎体终板及邻近松质骨自动分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120351.5A CN115880319B (zh) | 2023-02-16 | 2023-02-16 | 一种椎体终板及邻近松质骨自动分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120351.5A CN115880319B (zh) | 2023-02-16 | 2023-02-16 | 一种椎体终板及邻近松质骨自动分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880319A CN115880319A (zh) | 2023-03-31 |
CN115880319B true CN115880319B (zh) | 2023-07-21 |
Family
ID=85761208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310120351.5A Active CN115880319B (zh) | 2023-02-16 | 2023-02-16 | 一种椎体终板及邻近松质骨自动分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880319B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189843A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112074841A (zh) * | 2018-03-30 | 2020-12-11 | 珀金埃尔默健康科学有限公司 | 3d图像中自动检测和分割椎体的系统和方法 |
CN109191475B (zh) * | 2018-09-07 | 2021-02-09 | 博志生物科技(深圳)有限公司 | 椎体终板分割方法、装置及计算机可读存储介质 |
CN111402216B (zh) * | 2020-03-10 | 2022-09-23 | 河海大学常州校区 | 基于深度学习的三维碎骨分割方法和装置 |
CN114998301B (zh) * | 2022-06-28 | 2022-11-29 | 北京大学第三医院(北京大学第三临床医学院) | 一种椎体亚区域分割方法、装置及存储介质 |
CN115187540B (zh) * | 2022-07-07 | 2023-08-18 | 西安交通大学 | 一种人体三维椎体松质骨图像的自动分割方法及系统 |
-
2023
- 2023-02-16 CN CN202310120351.5A patent/CN115880319B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189843A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115880319A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189352B (zh) | 一种基于口腔cbct图像的牙根提取方法 | |
CN115880319B (zh) | 一种椎体终板及邻近松质骨自动分割方法及装置 | |
JP2002500795A (ja) | 輪郭検出段階を含む画像処理方法及びシステム | |
KR19980041862A (ko) | 심장 영상에서의 심근 측정 시스템 | |
CN110782428B (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
CN111931772B (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN111105421A (zh) | 一种脑白质高信号分割方法、装置、设备及存储介质 | |
EP2216726A2 (en) | System and method for prototyping by learning from examples | |
CN111080658A (zh) | 基于可形变配准和dcnn的宫颈mri图像分割方法 | |
CN110752029B (zh) | 一种病灶的定位方法及装置 | |
CN114332378B (zh) | 基于二维医学影像的人体骨骼三维模型获取方法及系统 | |
CN114792326A (zh) | 一种基于结构光的手术导航点云分割与配准方法 | |
CN114757908A (zh) | 基于ct影像的图像处理方法、装置、设备及存储介质 | |
Li et al. | Automatic generation of object shape models and their application to tomographic image segmentation | |
Tanács et al. | Estimation of linear deformations of 2D and 3D fuzzy objects | |
US20140032180A1 (en) | Method and apparatus for computing deformation of an object | |
CN115578320A (zh) | 一种骨科手术机器人全自动空间注册方法及系统 | |
CN109712124B (zh) | 超声图像的标记去除方法及装置 | |
JP7277131B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
Karthik et al. | Microarray spot partitioning by autonomously organising maps through contour model | |
Benjelloun et al. | X-ray image segmentation for vertebral mobility analysis | |
CN110503655B (zh) | 一种基于稀疏贝叶斯模型和多图谱融合的mri神经胶质瘤分割方法及系统 | |
Trabelsi et al. | 3D Active Shape Model for CT-scan liver segmentation | |
CN116012526B (zh) | 一种基于二维影像的三维ct影像病灶重建方法 |
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 |