[發明專利]一種基于深度學習的脊椎MRI影像關鍵點檢測方法

有效

• 申請號: 202010824727.7
• 申請日: 2020-08-17
• 公開（公告）號: CN112184617B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 劉剛;鄭友怡;方向前;馬成龍;趙興
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/13;G06N3/08;G06N3/04
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于深度學習的脊椎MRI影像關鍵點檢測方法，其特征在于，包括以下步驟：

步驟一：將脊椎MRI影像輸入訓練好的目標檢測網絡，獲得各椎骨的位置信息以及是否是S1的粗粒度標簽；S1是指骶1；

步驟二：利用步驟一得到的所有椎骨以及定位的S1位置，結合脊椎自身的生理結構信息過濾假陽性的檢測結果并識別各椎骨所屬的細粒度標簽；

步驟三：將步驟二中檢測得到的椎骨及其周圍部分區域裁剪出，輸入到訓練好的關鍵點檢測網絡檢測各塊椎骨上下邊界UA、UM、UP、LA、LM、LP共計六個關鍵點的位置信息；

步驟四：利用訓練的分割網絡對步驟二中得到的椎骨進行分割以獲得邊緣信息，并根據獲得的邊緣信息對步驟三中所獲得的關鍵點的位置信息進行修正，獲得最終關鍵點預測結果，具體為：

(4.1)構建椎骨邊緣分割網絡：椎骨邊緣分割網絡由降采樣部分和升采樣部分構成；降采樣部分結構為去掉全連接層的resnet50，升采樣部分由對應的四個階段的升采樣卷積塊構成，升采樣卷積塊結構為upsampling-conv-bn-relu；

(4.2)訓練椎骨邊緣分割網絡：先利用關鍵點標注信息建立粗粒度的分割數據集對椎骨邊緣分割網絡進行預訓練，再構建一個精確的細粒度分割數據集對分割網絡進一步進行訓練；

(4.3)在獲得分割結果后，利用條件隨機場及邊緣處圖像梯度較大的特點對分割結果進行進一步的修正以獲得更精確的邊緣分割信息；具體為：

(4.3.1)作兩關鍵點連線的延長線，利用椎骨邊緣分割網絡獲得椎骨邊緣信息，將延長線與椎骨邊緣的最遠處交點作為修正后的關鍵點坐標；

(4.3.2)結合步驟二得到的標簽輸出最終關鍵點預測結果。

2.根據權利要求1所述基于深度學習的脊椎MRI影像關鍵點檢測方法，其特征在于，所述步驟一中，椎骨的粗粒度標簽是S1和NS1，其中S1是指骶1，NS1是除骶1以外的所有其他椎骨，所述目標檢測網絡為YOLOv3。

3.根據權利要求1所述基于深度學習的脊椎MRI影像關鍵點檢測方法，其特征在于，所述步驟二通過以下子步驟來實現：

(2.1)采用檢測出的S1作為定位的椎骨，計算各個椎骨中心在圖像上的高度并根據形心高度對檢測出的椎骨進行排序；

(2.2)按照人體脊椎的生理結構信息，自下而上依次為檢測出的每塊椎骨分配對應的S1，L5，L4，L3，L2，L1，T12，T11細粒度標簽；

(2.3)通過計算椎骨的寬高比以及上側邊緣高度并根據是否滿足閾值要求過濾假陽性目標。

4.根據權利要求3所述基于深度學習的脊椎MRI影像關鍵點檢測方法，其特征在于，寬高比閾值是1.6，上側邊緣高度閾值是5。