[發明專利]脊柱檢測方法和裝置

在審

• 申請號: 202011457805.0
• 申請日: 2020-12-11
• 公開（公告）號: CN112614092A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 陳梓帆;趙杰;張立
• 申請（專利權）人: 北京大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 陳新生

本發明提供一種脊柱檢測方法和裝置，該方法包括：將目標脊柱的影像數據輸入到脊柱檢測模型的特征提取模塊，獲取特征；將特征輸入到脊柱檢測模型的頸部網絡模塊，獲取多尺度融合特征；將多尺度融合特征輸入到脊柱檢測模型的粗定位模塊，獲取影像數據中目標脊柱的初始位置；根據多尺度融合特征、目標脊柱的初始位置和脊柱檢測模型的細回歸模塊，獲取目標脊柱的優化位置。本發明使用的脊柱檢測模型中只有編碼模塊，沒有解碼模塊，從而使得該脊柱檢測模型的參數量和檢測時間均更少，提高了檢測效率；另外，將脊柱檢測分為粗定位和細回歸兩個階段，即使在數據量比較少的情況下，脊柱檢測模型也能有較高的訓練精度，從而提高了脊柱檢測精度。

技術領域

本發明涉及圖像處理和人工智能技術領域，尤其涉及一種脊柱檢測方法和裝置。

背景技術

脊柱問題已經呈現年輕化趨勢，并且越來越多人面臨脊柱疾病的困擾。然而一般每一位患者的脊柱圖像會包含多個序列，每一個序列又包含多個切片，需要醫生在數十個甚至上百個切片中尋找可能病變的切片和位置，而后再進行逐個椎體和椎間盤的病變分析。尋找可能病變區域的過程雖然較為簡單但工作量比較大，可以通過自動化的輔助技術提高提升在這一部分的工作效率。

隨著計算機技術的不斷發展，過去一二十年，各種計算機輔助技術已經被用來輔助醫生對脊柱的椎體和椎間盤可能病變區域的定位，例如梯度直方圖、概率模型、GrowCut等等。例如，某現有技術通過基于手工特征、回歸森林和生成模型，提出一種兩階段方法為CT種的椎體進行定位和識別。

但隨著近年來深度學習的快速發展，基于深度學習的各種方法被證明具有更好的性能，因此逐步取代了傳統計算機視覺方法，并被廣泛用作計算機輔助技術提高醫生的工作效率。例如，現有技術采用基于深度學習的聯合學習模型J-CNN提高了椎體識別的準確率。另一現有技術首先提取基于強度的特征，而后使用深度神經網絡定位椎體。現有技術U-Net被證明了在少量數據下能夠達到精確的分割效果，某現有技術采用該模型在CT和X-ray圖像上進行椎體分割，再根據分割結果進行定位，也取得了不錯的效果。另一現有技術開發了多任務VGG-M架構，用來輔助醫生為多種脊柱疾病進行分級。另一項有技術提出一種端到端的三階段的自動模型，用來直接在3D CT空間中進行椎體的定位和識別。又一現有技術基于大量數據和人工標注，采用分割模型對椎體和椎間盤進行預測，而后基于分割預測結果構建多輸入、多輸出分類器，為椎體和椎間盤分配類別。

上述方法由于復雜的模型，從而很難提供實時性的預測，對于醫生的輔助有限。相比上述方法，本發明開發了一種能夠在小數據量的數據中進行充分學習，并且精度和效率都更高的模型，從而能夠有效地輔助醫生進一步提高工作效率。

發明內容

本發明提供一種脊柱檢測方法和裝置，用以解決現有技術中脊柱檢測方法工作量大、耗時長的缺陷，實現耗時短、精度高的脊柱檢測。

本發明提供一種脊柱檢測方法，包括：

將目標脊柱的影像數據輸入到脊柱檢測模型的特征提取模塊，獲取特征；

將所述特征輸入到所述脊柱檢測模型的頸部網絡模塊，獲取多尺度融合特征；

將所述多尺度融合特征輸入到所述脊柱檢測模型的粗定位模塊，獲取所述影像數據中所述目標脊柱的初始位置；

根據所述多尺度融合特征、所述目標脊柱的初始位置和所述脊柱檢測模型的細回歸模塊，獲取所述目標脊柱的優化位置；

其中，所述脊柱檢測模型是基于樣本影像以及樣本標簽訓練得到的。

根據本發明提供一種的脊柱檢測方法，還包括：

將所述多尺度融合特征輸入到所述脊柱檢測模型的分類模塊，獲取所述影像數據中脊柱的椎體和椎間盤的生長情況分類。