[發明專利]基于FCN神經網絡和對抗學習的椎體定位識別分割方法

有效

• 申請號: 201811297777.3
• 申請日: 2018-11-01
• 公開（公告）號: CN109523523B
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 鄭宇鑠
• 申請（專利權）人: 鄭宇鑠
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/187;G06T7/66;G06N3/04;G06N3/08
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 趙玉鳳

本發明公開一種基于FCN神經網絡和對抗學習的椎體定位識別分割方法，利用分步學習的思想，分別進行了椎體語義分割和椎體圖心的定位和識別。并且又將語義分割所獲得的信息分為了形態信息及類別信息。類別信息用于增強椎體圖心的識，能夠解決由于相鄰椎體相似度太高，相鄰MRI椎體標記混亂導致椎體定位識別不夠精確的問題。

技術領域

本發明公布一種椎體定位識別分割方法，具體的說，是一種基于FCN神經網絡和對抗學習的椎體定位識別分割方法。

背景技術

在計算機輔助脊柱手術的背景下，確切的知道單個椎骨的形狀是非常重要的，例如，用于脊柱活組織檢查、植入物或椎弓根螺釘的插入等。但在大多數情況下，不僅要求精確分割而且還需要定位識別單個椎骨，例如，確保特定的椎骨參與外科手術。在計算機斷層掃描(CT)或磁共振成像(MRI)脊柱成像中自動定位和標記椎骨，已成為一種臨床任務的重要工具，包括病理診斷，手術計劃和術后評估。具體應用如椎骨分割、骨折檢測、腫瘤檢測、配準和統計形狀分析也可以受益于有效的椎骨定位和標記算法。因此，自動定位，標記和分割椎骨是建立一個脊椎診斷和治療計算機系統的基本需要。

CT提供了骨結構的高對比度，MRI掃描描繪了軟組織結構，從而允許表征/量化例如椎間盤退變等常見的脊柱疾病。這導致近年來對用于脊柱成像的MRI技術的興趣增加。相比于CT，MRI面臨的挑戰是椎體的弱邊緣信息，強烈的噪音導致椎體成像灰度不均勻，具有不同分辨以及眾多采集協議類型，導致椎體定位識別不夠精確。

發明內容

針對現有技術的缺陷，本發明提供一種基于FCN神經網絡和對抗學習的椎體定位識別分割方法，能夠同時利用椎體的語義分割和圖心能量預測這兩個不同層次的信息，解決由于相鄰椎體相似度太高、相鄰椎體標記混亂導致MRI椎體定位識別不夠精確的問題。

為了解決所述技術問題，本發明采用的技術方案是：基于FCN神經網絡和對抗學習的椎體定位識別分割方法，包括以下步驟：S01)、準備MRI脊柱圖像，然后根據MRI脊柱圖像生產椎體分割標簽和能量標簽；S02)、構建深度學習網絡，深度學習網絡包括兩組并行的多功能網絡和對抗學習網絡，然后將MRI圖像及分割標簽輸入其中一個多功能網絡，進行對抗訓練，將MRI圖像及能量標簽輸入另外一個多功能網絡，進行對抗訓練；S03)、輸入測試集至兩個訓練好的多功能網絡，由分割標簽和能量標簽訓練的多功能網絡會分別輸出單個椎體的語義分割圖和單個椎體圖心的能量預測圖；S04)、將生成的單個椎體語義分割結果通過忽略類別信息獲得椎體形態信息，根據單個椎體語義分割結果中的類別信息和單個椎體圖心的能量預測生成加強后的椎體圖心熱圖預測，然后識別椎體的質心以及標定。

進一步的，利用ITK-SNAP軟件對MRI圖像進行椎體分割標簽的標注，利用ITK-SNAP軟件的工具箱將MRI圖像中的椎體進行掩膜標記，從最下方的椎骨開始，沿著椎體邊緣畫出閉合曲線，填充閉合曲線內部，生成與椎體形狀位置一致的掩膜標記為1，對其他椎體也執行相同的操作，并按照遞升次序依次標記，進行掩膜標記后的與分割的MRI圖像等大的圖像就是生成的分割標簽，背景的標簽是0。

進一步的，由分割標簽算出椎體圖心，根據圖心生成能量標簽，具體過程為：根據公式計算能量標簽，其中u_i代表標簽為i的椎體的圖心，σ代表從圖心向周圍擴散的半徑，k代表高斯分布在圖心處的值，x代表位置，y_i代表x處的高斯函數值。

進一步的，MRI脊柱圖像包括具有不同分辨率、不同程度病變、包含不同椎體塊數的多張圖像，進行標簽標注前，先將圖像像素大小調整為統一大小。

進一步的，訓練和測試神經網絡時，采用5折交叉驗證法。

進一步的，多功能網絡的輸出、分割標簽、能量標簽共同作為對抗學習網絡的輸入，對抗學習網絡的輸出又反饋至多功能網絡。