[发明专利]基于FCN神经网络和对抗学习的椎体定位识别分割方法

说明书

本发明公开一种基于FCN神经网络和对抗学习的椎体定位识别分割方法，利用分步学习的思想，分别进行了椎体语义分割和椎体图心的定位和识别。并且又将语义分割所获得的信息分为了形态信息及类别信息。类别信息用于增强椎体图心的识，能够解决由于相邻椎体相似度太高，相邻MRI椎体标记混乱导致椎体定位识别不够精确的问题。

技术领域

本发明公布一种椎体定位识别分割方法，具体的说，是一种基于FCN神经网络和对抗学习的椎体定位识别分割方法。

背景技术

在计算机辅助脊柱手术的背景下，确切的知道单个椎骨的形状是非常重要的，例如，用于脊柱活组织检查、植入物或椎弓根螺钉的插入等。但在大多数情况下，不仅要求精确分割而且还需要定位识别单个椎骨，例如，确保特定的椎骨参与外科手术。在计算机断层扫描(CT)或磁共振成像(MRI)脊柱成像中自动定位和标记椎骨，已成为一种临床任务的重要工具，包括病理诊断，手术计划和术后评估。具体应用如椎骨分割、骨折检测、肿瘤检测、配准和统计形状分析也可以受益于有效的椎骨定位和标记算法。因此，自动定位，标记和分割椎骨是建立一个脊椎诊断和治疗计算机系统的基本需要。

CT提供了骨结构的高对比度，MRI扫描描绘了软组织结构，从而允许表征/量化例如椎间盘退变等常见的脊柱疾病。这导致近年来对用于脊柱成像的MRI技术的兴趣增加。相比于CT，MRI面临的挑战是椎体的弱边缘信息，强烈的噪音导致椎体成像灰度不均匀，具有不同分辨以及众多采集协议类型，导致椎体定位识别不够精确。

发明内容

针对现有技术的缺陷，本发明提供一种基于FCN神经网络和对抗学习的椎体定位识别分割方法，能够同时利用椎体的语义分割和图心能量预测这两个不同层次的信息，解决由于相邻椎体相似度太高、相邻椎体标记混乱导致MRI椎体定位识别不够精确的问题。

为了解决所述技术问题，本发明采用的技术方案是：基于FCN神经网络和对抗学习的椎体定位识别分割方法，包括以下步骤：S01)、准备MRI脊柱图像，然后根据MRI脊柱图像生产椎体分割标签和能量标签；S02)、构建深度学习网络，深度学习网络包括两组并行的多功能网络和对抗学习网络，然后将MRI图像及分割标签输入其中一个多功能网络，进行对抗训练，将MRI图像及能量标签输入另外一个多功能网络，进行对抗训练；S03)、输入测试集至两个训练好的多功能网络，由分割标签和能量标签训练的多功能网络会分别输出单个椎体的语义分割图和单个椎体图心的能量预测图；S04)、将生成的单个椎体语义分割结果通过忽略类别信息获得椎体形态信息，根据单个椎体语义分割结果中的类别信息和单个椎体图心的能量预测生成加强后的椎体图心热图预测，然后识别椎体的质心以及标定。

进一步的，利用ITK-SNAP软件对MRI图像进行椎体分割标签的标注，利用ITK-SNAP软件的工具箱将MRI图像中的椎体进行掩膜标记，从最下方的椎骨开始，沿着椎体边缘画出闭合曲线，填充闭合曲线内部，生成与椎体形状位置一致的掩膜标记为1，对其他椎体也执行相同的操作，并按照递升次序依次标记，进行掩膜标记后的与分割的MRI图像等大的图像就是生成的分割标签，背景的标签是0。

进一步的，由分割标签算出椎体图心，根据图心生成能量标签，具体过程为：根据公式计算能量标签，其中u_i代表标签为i的椎体的图心，σ代表从图心向周围扩散的半径，k代表高斯分布在图心处的值，x代表位置，y_i代表x处的高斯函数值。

进一步的，MRI脊柱图像包括具有不同分辨率、不同程度病变、包含不同椎体块数的多张图像，进行标签标注前，先将图像像素大小调整为统一大小。

进一步的，训练和测试神经网络时，采用5折交叉验证法。

进一步的，多功能网络的输出、分割标签、能量标签共同作为对抗学习网络的输入，对抗学习网络的输出又反馈至多功能网络。