全自动智能腰椎定位与识别方法及应用与流程

本技术涉及图像处理，具体涉及一种全自动智能腰椎定位与识别方法及应用。

背景技术：

1、近年来，通过脊柱ct图像分割椎体对于病理诊断、手术计划和术后评估至关重要。然而，由于病理学的解剖学变化，螺钉和植入物引起的噪声以及大范围的不同视野，难以自动分割腰椎ct图像。椎骨之间的高度相似性可能会干扰手术计划，因此，椎体的分割具有重要意义。腰椎分割任务的目的是利用多模态ct图像将腰椎分割出来。但是人工分割繁琐、耗时且分割精度较差。

技术实现思路

1、本技术实施例的目的在于提供一种全自动智能腰椎定位与识别方法及应用，用以解决现有技术中的腰椎分割方法繁琐、耗时且分割精度较差的问题。

2、为实现上述目的，本技术实施例提供一种全自动智能腰椎定位与识别方法，包括步骤：获取向矢状面方向投影所得到的二维脊柱图像，利用基于深度学习的腰椎关键点提取模型获取所述二维脊柱图像的腰椎关键点位置；

3、基于所述腰椎关键点位置，拟合腰椎曲线，从而还原所述二维脊柱图像中腰椎的实际位置；

4、基于所述腰椎关键点位置和所述腰椎曲线，从所述二维脊柱图像中提取单锥区域，得到单锥图像；

5、利用基于深度学习的腰椎分割模型对所述单锥图像中的腰椎部分进行分割，得到初始腰椎分割结果；

6、利用凹点检测分割算法对所述初始腰椎分割结果中的腰椎部分的粘连区域进行分割，得到目标腰椎分割结果。

7、可选地，所述腰椎关键点提取模型包括：

8、利用higherhrnet神经网络作为所述腰椎关键点提取模型的模型框架，使用平均池化，损失函数为多分类损失函数，优化函数为adam，使用relu激活函数，通过softmax分类器进行分类。

9、可选地，在所述利用基于深度学习的所述腰椎关键点提取模型获取所述二维脊柱图像的所述腰椎关键点位置之前，所述方法还包括：

10、获取用于模型构建的脊柱医学图像数据集，对所述腰椎关键点位置进行手动标记得到标注文件，将转为图片格式的脊柱医学图像数据和对应的转为图片格式的所述标注文件划分为训练集、验证集和/或测试集；

11、利用所述训练集、验证集和/或测试集对初始higherhrnet神经网络进行训练，以得到所述腰椎关键点提取模型。

12、可选地，所述腰椎分割模型包括：

13、基于hi-net神经网络结构的编码器和解码器，其中，所述腰椎分割模型中的残差inception块具有两个3d卷积层。

14、可选地，在所述利用基于深度学习的所述腰椎分割模型对所述单锥图像中的腰椎部分进行分割之前，所述方法还包括：

15、获取用于模型构建的脊柱医学图像数据集，进行手动标注，提取含有腰椎部分的标签作为标注文件，将转为图片格式的脊柱医学图像数据和对应的转为图片格式的所述标注文件划分为训练集、验证集和/或测试集；

16、利用所述训练集、验证集和/或测试集对初始hi-net神经网络进行训练，以得到所述腰椎分割模型。

17、可选地，所述基于所述腰椎关键点位置和所述腰椎曲线，从所述二维脊柱图像中提取所述单锥区域包括：

18、设相邻两个腰椎关键点的距离为边界框长度，在相邻两个腰椎关键点的中点位置与拟合的所述腰椎曲线做垂线，延长所述垂线至所述边界框长度，基于所述垂线和腰椎曲线从所述二维脊柱图像中提取所述单椎区域。

19、可选地，所述利用所述凹点检测分割算法对所述初始腰椎分割结果中的腰椎部分的粘连区域进行分割包括：

20、获取所述初始腰椎分割结果中的最小凸闭包；

21、将所述最小凸闭包与对应的凹图形相减得到凹区域；

22、提取所述凹区域的轮廓，按照区域面积大小作为权重，选取最大的两个区域作为凹点所在区域，并遍历最大的两个区域，获取距离最短的两个点作为凹点；

23、基于两个所述凹点进行分割。

24、可选地，还包括：对所述目标腰椎分割结果进行三维重建，得到腰椎部分的三维图像。

25、为实现上述目的，本技术还提供一种全自动智能腰椎定位与识别装置，包括：

26、腰椎关键点提取模块：用于获取向矢状面方向投影所得到的二维脊柱图像，利用基于深度学习的腰椎关键点提取模型获取所述二维脊柱图像的腰椎关键点位置；

27、腰椎曲线拟合模块：用于基于所述腰椎关键点位置，拟合腰椎曲线，从而还原所述二维脊柱图像中腰椎的实际位置；

28、单锥区域提取模块：用于基于所述腰椎关键点位置和所述腰椎曲线，从所述二维脊柱图像中提取单锥区域，得到单锥图像；

29、初始腰椎分割模块：用于利用基于深度学习的腰椎分割模型对所述单锥图像中的腰椎部分进行分割，得到初始腰椎分割结果；

30、凹分割模块：用于利用凹点检测分割算法对所述初始腰椎分割结果中的腰椎部分的粘连区域进行分割，得到目标腰椎分割结果。

31、为实现上述目的，本技术还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。

32、本技术实施例具有如下优点：

33、1.本技术实施例提供一种全自动智能腰椎定位与识别方法，包括步骤：获取向矢状面方向投影所得到的二维脊柱图像，利用基于深度学习的腰椎关键点提取模型获取所述二维脊柱图像的腰椎关键点位置；基于所述腰椎关键点位置，拟合腰椎曲线，从而还原所述二维脊柱图像中腰椎的实际位置；基于所述腰椎关键点位置和所述腰椎曲线，从所述二维脊柱图像中提取单锥区域，得到单锥图像；利用基于深度学习的腰椎分割模型对所述单锥图像中的腰椎部分进行分割，得到初始腰椎分割结果；利用凹点检测分割算法对所述初始腰椎分割结果中的腰椎部分的粘连区域进行分割，得到目标腰椎分割结果。

34、通过上述方法，利用基于深度学习的腰椎关键点提取模型获取所述二维脊柱图像的腰椎关键点位置，利用基于深度学习的腰椎分割模型对所述单锥图像中的腰椎部分进行分割，无需通过人工标注来确定关键点位置以及无需人工分割腰椎部分，克服了人工分割的繁琐、耗时的问题，因此上述自动分割方法相比人工分割的人工标注识别可以节约识别和分割成本，同时，在初始分割结果的基础上，利用凹点检测分割算法对所述初始腰椎分割结果中的腰椎部分的粘连区域进行分割，通过两次分割，可以准确的将腰椎分割出来，分割精度优于目前已有的神经网络也克服了人工分割的分割精度差的问题，从而更加准确的辅助医生进行手术规划，提高手术的成功率。

35、2.进一步，所述腰椎分割模型包括：基于hi-net神经网络结构的编码器和解码器，其中，所述腰椎分割模型中的残差inception块具有两个3d卷积层。

36、为了从ct图像中提取到更多的细节信息，缓解低对比度边缘的欠分割问题，本技术在hi-net网络中引入3d卷积核以及多尺度残差结构inception，该结构可以利用不同正交视图内部之间的密集连接来学习更复杂的特征，从而在后续步骤中结合凹点检测分割算法，清晰地区分两个椎体的边缘，提高分割结果的准确性。