申请/专利权人：东莞理工学院

申请日：2023-08-01

公开（公告）日：2024-03-19

公开（公告）号：CN116958556B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/764;G06V10/80;G06V10/40;G06V10/82;G06T7/10;G06T7/00;G06N3/0464;G06N3/048;G06N3/0455

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.11.14#实质审查的生效;2023.10.27#公开

摘要：本发明提供了一种用于椎体和椎间盘分割的双通道互补脊柱图像分割方法，其包括：获取若干脊柱的磁共振图像及对应的标签图，提取待分割切片和分割切片进行预处理；构建残差U型网络以提取细节特征，构建空间特征提取器以提取关系特征，构建特征融合模块融合细节特征和关系特征，获取分割特征图；借助网络输出层，输出多类别分割结果，构建双通道互补脊柱图像分割模型；训练并获得最佳双通道互补脊柱图像分割模型，针对待分割磁共振图像切片获取多类别分割结果。本发明借助条纹卷积在每个点上提取垂直和水平关系以应对类别相似性和类内变异性，通过注意力机制渐进地指导两条路径在每个阶段的特定特征学习，实现了更好地特征集成，提高了分割精度。

主权项：1.一种用于椎体和椎间盘分割的双通道互补脊柱图像分割方法，其特征在于，其包括以下步骤：S1、预处理脊柱的磁共振图像及对应的标签图：获取若干脊柱的磁共振图像及对应的标签图，提取所有磁共振图像中包含脊柱部分的所有待分割切片，提取所有标签图中对应待分割切片的所有分割切片，针对所有所述待分割切片进行归一化处理，规整并裁剪所述待分割切片和分割切片尺寸，划分训练数据集和测试数据集；S2、构建用于椎体和椎间盘多类别分割的双通道互补脊柱图像分割模型，包括残差U型网络、空间特征提取器、特征融合模块和网络输出层：当双通道互补脊柱图像分割模型接收到待分割切片图像数据后，分别将待分割切片图像数据输入到残差U型网络和空间特征提取器，再将残差U型网络和空间特征提取器的输出融合后输入到特征融合模块，特征融合模块的输出作为网络输出层的输入，最后由网络输出层输出完成椎体和椎间盘分割后的待分割切片多类别分割结果；其中；残差U型网络用于提取待分割切片中椎体和椎间盘的细节特征；空间特征提取器用于提取待分割切片中椎体和椎间盘的关系特征；特征融合模块融合细节特征和关系特征用于获取分割特征图；网络输出层用于输出待分割切片多类别分割结果；S21、构建残差U型网络，作为上下文路径，提取待分割切片中椎体和椎间盘的细节特征；所述残差U型网络包括编码器和解码器，所述编码器和解码器分别是基于残差的编码器和解码器，所述编码器依次包括第一级编码器、第二级编码器、第三级编码器、第四级编码器和第五级编码器，所述解码器依次包括第一级解码器、第二级解码器、第三级解码器和第四级解码器；所述第一级编码器的输入为所述双通道互补脊柱图像分割模型的第一输入；步骤S21中所述第五级编码器的输出与其经平均池化后的输出在像素上叠加，作为所述残差U型网络的第一网络输出；所述第一级解码器、第二级解码器、第三级解码器和第四级解码器的输出分别依次作为所述残差U型网络的第二网络输出、第三网络输出、第四网络输出和第五网络输出；所述第一级编码器、第二级编码器、第三级编码器和第四级编码器的输出分别依次作为所述第二级编码器、第三级编码器、第四级编码器和第五级编码器的输入；所述第五级编码器的输出经双线性插值上采样操作后，与所述第四级编码器的输出在通道上融合，作为所述第一级解码器的输入；所述第一级解码器的输出经双线性插值上采样操作后，与所述第三级编码器的输出在通道上融合，作为所述第二级解码器的输入；所述第二级解码器的输出经双线性插值上采样操作后，与所述第二级编码器的输出在通道上融合，作为所述第三级解码器的输入；所述第三级解码器的输出经双线性插值上采样操作后，与所述第一级编码器的输出在通道上融合，作为所述第四级解码器的输入；S22、构建空间特征提取器，作为空间路径，提取待分割切片中椎体和椎间盘的关系特征；所述空间特征提取器依次包括第一级条纹提取器、第二级条纹提取器、第三级条纹提取器、第四级条纹提取器和第五级条纹提取器；所述第一级条纹提取器的输入为所述双通道互补脊柱图像分割模型的第二输入；步骤S22中所述第一级条纹提取器、第二级条纹提取器、第三级条纹提取器、第四级条纹提取器和第五级条纹提取器的输出分别依次作为所述空间特征提取器的第一空间输出、第二空间输出、第三空间输出、第四空间输出和第五空间输出；所述第一级条纹提取器、第二级条纹提取器、第三级条纹提取器和第四级条纹提取器的输出分别依次作为所述第二级条纹提取器、第三级条纹提取器、第四级条纹提取器和第五级条纹提取器的输入；所述第一级条纹提取器、第二级条纹提取器、第三级条纹提取器、第四级条纹提取器和第五级条纹提取器均包括一个条纹卷积；所述步骤S22中所述条纹卷积包括第一卷积操作、水平条纹池化操作、竖直条纹池化操作、水平条纹卷积操作、竖直条纹卷积操作、批归一化操作、第二卷积操作、第一激活函数和第二激活函数，所述第一卷积操作的输入为所述条纹卷积的输入；所述第一卷积操作的输出依次经所述水平条纹池化操作、水平条纹卷积操作和批处理操作，得到水平条纹输出；所述第一卷积操作的输出依次经所述竖直条纹池化操作、竖直条纹卷积操作和批处理操作，得到竖直条纹输出；所述水平条纹输出和竖直条纹输出叠加后，经所述第一激活函数得到条纹输出；所述条纹输出依次经所述第二卷积操作和第二激活函数后，与所述条纹输出逐元素相乘，得到所述条纹卷积的输出；S23、构建特征融合模块，融合上下文路径的细节特征和空间路径的关系特征，获取分割特征；所述特征融合模块依次包括第一注意力细化模块、第二注意力细化模块、第三注意力细化模块、第四注意力细化模块、第五注意力细化模块、第一分割模块、第二分割模块、第三分割模块、第四分割模块和第五分割模块；步骤S23中所述特征融合模块的输入包括所述第一网络输出、第二网络输出、第三网络输出、第四网络输出、第五网络输出、第一空间输出、第二空间输出、第三空间输出、第四空间输出和第五空间输出；所述第五分割模块的输出为分割特征图，作为所述特征融合模块的输出；所述第一网络输出与所述第五空间输出在通道上融合后输入到所述第一注意力细化模块中，所述第一注意力细化模块的输出经双线性插值上采样操作后输入到所述第一分割模块；所述第二网络输出与所述第四空间输出在通道上融合后输入到所述第二注意力细化模块中，所述第二注意力细化模块的输出与所述第一分割模块的输出在通道上融合，经双线性插值上采样操作后，作为所述第二分割模块的输入；所述第三网络输出与所述第三空间输出在通道上融合后输入到所述第三注意力细化模块中，所述第三注意力细化模块的输出与所述第二分割模块的输出在通道上融合，经双线性插值上采样操作后，作为所述第三分割模块的输入；所述第四网络输出与所述第二空间输出在通道上融合后输入到所述第四注意力细化模块中，所述第四注意力细化模块的输出与所述第三分割模块的输出在通道上融合，经双线性插值上采样操作后，作为所述第四分割模块的输入；所述第五网络输出与所述第一空间输出在通道上融合后输入到所述第五注意力细化模块中，所述第五注意力细化模块的输出与所述第四分割模块的输出在通道上融合，作为所述第五分割模块的输入；所述第一注意力细化模块、第二注意力细化模块、第三注意力细化模块、第四注意力细化模块和第五注意力细化模块均包括一个注意力模块；所述第一分割模块、第二分割模块、第三分割模块、第四分割模块和第五分割模块均包括一个卷积单元；所述步骤S23中所述注意力模块包括第三卷积操作、全局池化操作、批归一化操作、第四卷积操作和第三激活函数，所述第三卷积操作的输入为所述注意力模块的输入；所述第三卷积操作的输出依次经所述全局池化操作、第四卷积操作、批归一化操作和第三激活函数后，与所述第三卷积操作的输出逐元素相乘，得到所述注意力模块的输出；所述步骤S2还包括S24，借助网络输出层，输出待分割切片多类别分割结果：所述网络输出层的输入为所述分割特征图，所述网络输出层的输出为待分割切片多类别分割结果，作为所述双通道互补脊柱图像分割模型的输出；所述网络输出层的输出通道数为分割类别数；S3、训练双通道互补脊柱图像分割模型，获得最佳双通道互补脊柱图像分割模型：设定损失函数，设置模型参数和评估指标，基于训练数据集和测试数据集，训练所述双通道互补脊柱图像分割模型，获得测试数据集的评估指标最大时对应所述双通道互补脊柱图像分割模型的权重参数，得到最佳双通道互补脊柱图像分割模型；损失函数DFKL基于相似度损失DL、动态缩放交叉熵损失FL和相对熵损失KL设定为： S4、基于最佳双通道互补脊柱图像分割模型，获取待分割脊柱的磁共振图像切片的分割结果：基于最佳双通道互补脊柱图像分割模型，将待分割脊柱的磁共振图像切片经步骤S1的归一化处理及规整并裁剪后，作为所述双通道互补脊柱图像分割模型的第一输入和第二输入，获得所述双通道互补脊柱图像分割模型的输出即待分割脊柱磁共振图像切片的分割结果。

全文数据：

权利要求：

百度查询： 东莞理工学院 用于椎体和椎间盘分割的双通道互补脊柱图像分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD