[發明專利]一種基于深度學習的脊柱三維結構的重建方法

在審

• 申請號: 202310503459.2
• 申請日: 2023-05-06
• 公開（公告）號: CN116402954A
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 張俊華;李博;楊蕊綺;趙陽;林睿;王澤彤;王肖;劉云鳳;王騫;凌健航
• 申請（專利權）人: 云南大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06T5/00;G06T7/00;G06N3/0464;G06N3/08;G06N3/048
• 代理公司: 昆明合盛知識產權代理事務所(普通合伙) 53210
• 代理人: 雷丹

1.一種基于深度學習的脊柱三維結構的重建方法，其特征在于：包括以下步驟：

S1：獲取材料，收集頭部CT數據，經過處理后生成訓練模型；

S2：優化材料，根據步驟S1所得圖像數據進行像素分布特征分析與處理；

S3：建立模型，主要結構分為特征提取、特征轉換和三維重建；

S4：優化模型，基于相關參數進行脊柱三維重建配置的優化；

S5：模型評估：選取評價指標后進行自動化評價。

2.根據權利要求1所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述步驟S1具體包括：收集頭部CT數據，使用層析成像算法生成不同角度的脊柱BR數據，利用TIGRE算法生成相應的BR用于訓練模型；將數據集分為正常脊柱和脊柱側彎兩類，每類數據集按8:1:1比例分為訓練、驗證和測試集。

3.根據權利要求1所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述步驟S2具體包括：根據每張X線圖像的像素分布特征，通過圖像增強算法進行自適應調整特征，突出骨組織特征并弱化噪聲和軟組織信息。

4.根據權利要求1所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述步驟S3具體包括：利用特征提取、特征轉換和三維重建架構實現端到端重建三維脊柱結構，模型命名為SP-Net，通過共享權值的雙通道卷積網絡提取BR圖像的特征，并利用殘差連接提取不同尺度的信息，將這些信息擴展到三維重建骨骼結構。

5.根據權利要求1所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述步驟S4中的消融實驗具體包括：每個正常數據集的實驗在800對圖像上進行訓練，在100對圖像上進行驗證，在100對測試圖像上進行測試，每個脊柱側彎數據集的實驗是在9600對圖像上進行訓練，用1200張圖像進行驗證，用1200張測試圖像進行測試，用于訓練、驗證和測試的圖像是相互獨立的；通過消融實驗優化SP-Net的結構與性能。

6.根據權利要求1所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述步驟S5中的評價指標具體包括分布誤差(DisE)和抽樣準確率(SAc)。

7.根據權利要求6所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述分布誤差(DisE)算法具體為：

8.根據權利要求6所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述分布誤差(DisE)算法具體為：

9.根據權利要求3所述的一種基于深度學習的脊柱三維結構的重建方法，其特征在于，所述圖像增強算法具體為：