一种基于MR影像的全脊柱椎体中心提取方法

本发明涉及一种基于mr影像的全脊柱椎体中心提取方法。

背景技术：

1、脊柱是人体最重要的支撑结构之一。通过提取脊柱的椎体中心，可以评估脊柱侧弯、脊柱畸形弯曲的程度和类型。

2、目前，现有提取脊柱椎体中心的方法主要是采用将椎体的轴向核磁图像与矢状面核磁图像相结合进行强度分析来定位椎体中心和采用基于先验知识对椎体形状进行限制来提取三维空间的椎体中心。大多会用一系列的假设对于椎骨形态的限定，如假设椎体在穿过椎体(或椎间盘)中心和椎体棘突中心的线上对称或假设椎体是圆柱形把圆柱形的体心作为椎体的中心等，对于有脊柱畸形病人的椎体来说，这种假设并不符合实际的椎体状态。

技术实现思路

1、本发明针对现有技术中椎体中心提取所利用先验知识对椎骨形态进行限定并不符合实际椎体状态等不足，给出了一种基于unet脊柱核磁图像分割的椎体中心检测方法。该方法首先对患者全部全脊柱矢状面核磁影像进行基于unet的二分类训练，对每一位病人的全脊柱核磁图像序列中的每张核磁图像上的每块椎体都进行像素级别的概率图输出；最后，提取出整个全脊柱核磁序列所有像素点的三维坐标并叠加成体，与之前输出的概率图相结合，得到全脊柱的中心。

2、一种基于mr影像的全脊柱椎体中心提取方法，包括用于处理从核磁设备上采集的核磁图像的数据处理模块1；用于实时分割核磁图像上椎体并计算椎体中心的特征计算模块2；将分割结果和提取的脊柱中心实时显示的可视化模块3；三个模块之间的连接关系如下：数据处理模块1计算处理后的数据流向特征计算模块2用于计算脊柱椎体中心；同时数据处理模块1计算处理后的数据也流向可视化模块3，用于显示处理后的全脊柱图像；特征计算模块2计算得到的脊柱椎体中心特征参数数据流向可视化模块3，用于显示脊柱椎体中心。

3、一种基于mr影像的全脊柱椎体中心提取方法，其特征在于：

4、[1]采用unet网络(见参考文献1)，unet网络分为收缩路径和扩展路径，本步骤具体结构图见附图2。当输入全脊柱核磁影像时，会首先经过unet网络的收缩路径。具体操作如下：输入全脊柱核磁影像，首先经过一个3*3的卷积层，在卷积层后面采用线性修正单元(rectified linear unit，relu)作为激活函数保证特征图的稳定输出，使模型收敛速度更快。之后再经过一个3*3的卷积层和relu进行下采样，再经过一个2*2的最大值池化(maxpooling)操作进行上采样降低特征维度，减少计算量。收缩路径共将以上的操作进行了4次，之后特征会经过unet网络的扩展路径。具体操作如下：特征会先经过一个3*3的卷积层，在卷积层后面采用relu，之后再经过一个2*2的卷积层和relu进行下采样。此时，每一步都会添加一个与收缩路径相对应的特征映射，并对其进行修剪以保持相同的形状。扩展路径共将以上的操作进行了4次，在unet网络的最后一层采用1*1卷积层，可以将64个通道的特征向量转换成所需数量的分类结果并判断全脊柱矢状面核磁图像上每个像素是椎体的概率和像素的二维坐标。

5、[2]从步骤[1]中可以得到每个像素点的二维坐标，若为椎体完整的全脊柱核磁图像按照高度从上往下排列共23块椎体,其中寰椎与枢椎看作一块椎体。对每张矢状面全脊柱核磁图像的分割结果利用链码图像轮廓检测算法来寻找图像中的连续像素边界，将边界上的像素点连接起来，作为每块椎体的一个轮廓，并获取每块椎体的上下端线，通过统计分析得到矢状面全脊柱核磁图像中椎体与椎体之间的像素距离为10～15个像素点，并据此为每张核磁图像上的每块椎体上下端线设定10～15个像素点的活动阈值，之后利用动态规划对其他的矢状面全脊柱核磁图像中的椎体进行识别，若椎体处于23块椎体同一活动阈值之内则认为是23块椎体中的一块。

6、[3]利用步骤[1]中得到的每个像素是椎体的概率和步骤[2]中像素属于各块椎体的二维坐标，并计算其所在全脊柱核磁序列之中的层厚坐标，与二维坐标共同构成三维空间的坐标；

7、[4]将所有包含椎体的截面图像像素三维坐标按截面层顺序排列形成颈椎、胸椎和腰椎共23块椎体(寰椎与枢椎看作一块椎体)的三维体素；

8、[5]构建权重公式(1)，并利用公式(2)求取每个椎体的体素椎体中心，具体计算方法如下：

9、设每块椎体由n个像素点组成，第i个像素点属于椎体的概率为mi,第i个像素点属于该椎体的概率为ki，把ki视为这个像素点所占该椎体的椎体中心的权重：

10、

11、设每块椎体由n个像素点组成，第i个像素点的坐标为(xi，yi，zi),ki为每个像素点所占的椎体中心的权重,则椎体中心计算方法为：

12、

13、一种基于mr影像的全脊柱椎体中心提取方法，其特征在于本发明使用过程包括如下步骤(如图3)：

14、1.收集样本全脊柱核磁图像，采用labelme对图像进行标注，构建全脊柱图像分割数据集。采用unet网络(见参考文献1)，unet网络分为收缩路径和扩展路径，本步骤具体结构图见附图2。当输入全脊柱核磁影像时，会首先经过unet网络的收缩路径。具体操作如下：输入全脊柱核磁影像，首先经过一个3*3的卷积层，在卷积层后面采用线性修正单元(rectified linear unit，relu)作为激活函数保证特征图的稳定输出，使模型收敛速度更快。之后再经过一个3*3的卷积层和relu进行下采样，再经过一个2*2的最大值池化(maxpooling)操作进行上采样降低特征维度，减少计算量。收缩路径共将以上的操作进行了4次，之后特征会经过unet网络的扩展路径。具体操作如下：特征会先经过一个3*3的卷积层，在卷积层后面采用relu，之后再经过一个2*2的卷积层和relu进行下采样。此时，每一步都会添加一个与收缩路径相对应的特征映射，并对其进行修剪以保持相同的形状。扩展路径共将以上的操作进行了4次，在unet网络的最后一层采用1*1卷积层，可以将64个通道的特征向量转换成所需数量的分类结果。对unet网络(见参考文献1)，使用batch_size为1～64，训练次数为100～300次的训练。利用训练得到的权重文件对病人全脊柱核磁图像进行预测，之后使用softmax函数计算出矢状面核磁图像上每块椎体的像素属于椎体的概率并获取像素的二维坐标。

15、2.从步骤1中可以得到每个像素点的二维坐标，若为椎体完整的全脊柱核磁图像按照高度从上往下排列共23块椎体,其中寰椎与枢椎看作一块椎体。对每张矢状面全脊柱核磁图像的分割结果利用链码图像轮廓检测算法来寻找图像中的连续像素边界，将边界上的像素点连接起来，作为每块椎体的一个轮廓，并获取每块椎体的上下端线，通过统计分析得到矢状面全脊柱核磁图像中椎体与椎体之间的像素距离为10～15个像素点，并据此为每张核磁图像上的每块椎体上下端线设定10～15个像素点的活动阈值，之后利用动态规划对其他的矢状面全脊柱核磁图像中的椎体进行识别，若椎体处于23块椎体同一活动阈值之内则认为是23块椎体中的一块。

16、3.按照全脊柱矢状面核磁的拍摄顺序依次排列病人的全脊柱图像，以第一张全脊柱矢状面核磁图像的z坐标为0，依次根据层厚增加，得到所有全脊柱矢状面核磁图像的z坐标，与步骤1，2中得到的矢状面核磁图像每块椎体的每个像素的二维坐标相结合得到每块椎体的每个像素的三维坐标。

17、4.将所有包含椎体的截面图像像素三维坐标按截面层顺序排列形成颈椎、胸椎和腰椎共23块椎体(寰椎与枢椎看作一块椎体)的三维体素，并利用公式(1)(2)求取每个椎体的椎体中心。

18、本发明的有益效果如下：

19、当前的椎体中心检测主要是采用基于先验知识对椎体形状进行限制来提取三维空间的椎体中心，对于有脊柱畸形病人的椎体来说，这种假设并不符合实际的椎体状态。本发明不需要操作者有大量的医学先验知识就可以快速的分割被测者核磁图像并检测其全脊柱椎体中心。本发明设计了一个改进的椎体中心提取方法，首先使用神经网络进行椎体分割，然后利用分割得到的每张全脊柱核磁图像进行基于每块椎体像素级别的概率图输出，提取出整个全脊柱核磁序列所有像素点的三维坐标并叠加成体，与之前输出的概率图相结合，得到全脊柱的椎体中心，相较于现有的椎体中心提取算法，没有对椎体形状进行限制，所提取的椎体就是经过神经网络训练出来得到的模型所预测出来的椎体，理论依据更充分。