[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

本文提出的發明稱為一種基于深度學習的脊椎MRI影像關鍵點檢測方法。本發明公開了一種基于深度學習的脊椎MRI影像關鍵點檢測方法，該方法首先利用深度目標檢測網絡檢測定位脊椎MRI影像中的椎骨并識別出S1(骶1)作為定位脊椎，然后結合脊椎的結構信息過濾假陽性檢測結果和判斷各塊椎骨的細粒度標簽。隨后利用關鍵點檢測網絡分別檢測各塊椎骨上下邊界UA、UM、UP、LA、LM、LP共計六個關鍵點，再結合邊緣信息確定修正各個椎骨的關鍵點位置，最后可開發成交互式的可視化MRI脊椎影像關鍵點自動標注軟件。本發明可自動提取脊椎MRI影像的關鍵點，在醫學影像分析、輔助醫療等方面有著巨大的應用價值。

技術領域

本發明屬于計算機視覺，人工智能領域，尤其涉及一種基于深度學習的脊椎MRI影像關鍵點檢測方法。

背景技術

人工智能技術在最近幾年在醫療領域中有著極其廣泛的應用，其中計算機視覺在醫療影像分析上存在巨大的應用潛力。本發明針對的脊椎MRI影像關鍵點檢測，以往的脊椎MRI 影像的關鍵點檢測工作多依賴于專家手動標注。手動標注效率低下，受專家主觀影響較大，尤其不適用于大規模數據處理分析的情況。目前嘗試利用人工智能技術檢測的方法多是利用圖像底層特征，例如論文(Ebrahimi S,Angelini E,Gajny L,et al.Lumbarspine posterior corner detection in X-rays using Haar-based features[C]//2016IEEE 13th international symposium on biomedical imaging(ISBI).IEEE,2016:180-183.)中利用Harr特征檢測椎骨的角點，但此類方法只利用到了圖像底層信息，魯棒性較差，只適用于部分特定的場景下，不適用于復雜多變的醫療場景中。本發明則通過建立高質量的數據集和利用深度學習的優秀學習能力實現更加魯棒準確的脊椎MRI影像關鍵點檢測方法。

發明內容

本發明是通過以下技術方案來實現的：一種基于深度學習的脊椎MRI影像關鍵點檢測方法，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；

步驟二：利用步驟一得到的所有椎骨以及定位的S1位置，并結合脊椎自身的生理結構信息過濾假陽性的檢測結果和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，并根據步驟四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。

進一步地，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。

進一步地，所述步驟三通過以下子步驟來實現。

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)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等細粒度標簽。

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此假陽性目標。

進一步地，寬高比閾值是1.6，上側邊緣高度閾值是5。

進一步地，所述步驟四具體為：