[發(fā)明專利]一種基于多維殘差網絡的脊柱CT圖像識別方法

在審

• 申請?zhí)枺?/td>: 202110390203.6
• 申請日: 2021-04-12
• 公開（公告）號: CN113128580A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設計）人: 姚芳芳;于永新
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H30/20
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 張建中

本發(fā)明公開了一種基于多維殘差網絡的脊柱CT圖像識別方法，建立基于多維殘差神經網絡的病態(tài)脊柱識別模型；對訓練樣本設置標簽并進行升維處理，使之維度與多維殘差神經網絡相匹配；使用處理后的訓練樣本對病態(tài)脊柱識別模型進行訓練；然后將待識別的脊柱CT圖像進行升維，使之維度與多維殘差神經網絡相匹配；由病態(tài)脊柱識別模型輸出識別特征。本發(fā)明能很好地保留CT醫(yī)學影像的空間信息，更綜合更準確地識別影像特征。

技術領域

本發(fā)明涉及一種脊柱CT圖像識別方法，特別涉及一種基于多維殘差網絡的脊柱CT圖像識別方法。

背景技術

目前，在醫(yī)學領域，深度學習主要應用在醫(yī)學圖像識別、醫(yī)學圖像分割和計算機輔助疾病診斷三個方面，減少醫(yī)護人員重復繁重的工作量，為智慧醫(yī)療提供便利。2016年YunliangCai等人提出了一種使用變換式深度卷積網絡(TDCN)的多模式椎骨識別框架。TDCN自動提取模態(tài)并進行自適應，高判別，構成不變特征以供識別。使用基于TDCN的識別系統(tǒng)可以同時識別位置，標記MR和CT中的椎骨結構姿勢。系統(tǒng)已成功通過多模式數據集的測試用于腰椎和整個脊柱掃描，具有很高的準確性和穩(wěn)定性。2017年AnjanySekuboyina等人提出了一個具有深層網絡的兩階段方法，對腰椎區(qū)域進行定位并將其分為多個類別。該實驗在xVertSeg數據集上性能達到了90％以上的平均Dice系數，此外還強調了該實驗處理脊椎嚴重畸形的能力。2018年RensJanssens等人提出了一種基于卷積神經網絡(CNN)的級聯(lián)方法，用于從CT數據中自動分割腰椎，該實驗在公開數據集上進行評估，該方法獲得了平均Dice系數為95.77±0.81％，平均對稱表面距離為0.37±0.06mm，實驗效果顯著。這些方法大多數都結合了執(zhí)行體素分類或對椎體質心或邊界框進行回歸來生成椎骨，并使用全局模型來完善各個預測，丟棄異常值并找到整體上可行的解決方案。這些模型通常是圖形化的隱馬爾可夫模型，如2015年，Chengwen Chu，Daniel L.Belav等人提出了一個全自動、統(tǒng)一的射頻回歸和分類框架，解決了CT圖像或MR圖像中區(qū)域定位和分割兩個重要問題，在10個CT數據和23個3D MRI數據上驗證和評估了擬議的框架，達到與最新方法相當的細分效果。同年，針對另一模型——組織形狀模型，Bromiley等人描述了一種用于在包含任意脊柱區(qū)域3DCT卷中進行全自動椎骨定位和分割的系統(tǒng)，目的是識別骨質疏松性骨折。

現有的大多數深度學習脊柱病態(tài)識別系統(tǒng)大部分是通過單通道或多通道的二維卷積神經網絡(2DCNN)來實現的，盡管通過2DCNN在一定程度上能實現識別病態(tài)脊柱的功能。但實際上，醫(yī)學影像尤其是CT影像，一般為存儲格式為DICOM、Analyze和NIfTI等的三維圖像，在此情況下，使用2DCNN無疑是將醫(yī)學圖像進行降維處理，在一定程度上忽視了空間信息，在識別病態(tài)脊柱上存在一定的偏差。另一方面，隨著訓練層數的增加，深度學習一般會越來越難，有些網絡在開始收斂時，還可能出現退化的問題，導致準確率很快達到飽和，出現層數越深、錯誤率越高的現象。

現有技術針對脊柱CT得病態(tài)識別基本都是使用二維卷積神經網絡，在很大程度上會丟失空間信息，降低準確率。而且現有的有關脊柱的數據集過少，沒有辦法大批量訓練，就導致容錯率就更低了。

發(fā)明內容

本發(fā)明為解決公知技術中存在的技術問題而提供一種基于多維殘差網絡的脊柱CT圖像識別方法。

本發(fā)明為解決公知技術中存在的技術問題所采取的技術方案是：一種基于多維殘差網絡的脊柱CT圖像識別方法，建立基于多維殘差神經網絡的病態(tài)脊柱識別模型；對訓練樣本設置標簽并進行升維處理，使之維度與多維殘差神經網絡相匹配；使用處理后的訓練樣本對病態(tài)脊柱識別模型進行訓練；然后將待識別的脊柱CT圖像進行升維，使之維度與多維殘差神經網絡相匹配；由病態(tài)脊柱識別模型輸出識別特征。

進一步地，多維殘差神經網絡采用resnet20、resnet34或resnet50。

進一步地，病態(tài)脊柱識別模型包括依次連接的多個卷積層、壓平層及全連接層。