[发明专利]使用深度神经网络标记全脊柱图像的方法和系统

说明书

本发明题为“使用深度神经网络标记全脊柱图像的方法和系统。”本发明公开了一种用于自动标记脊柱图像的方法和系统。该方法包括接收输入脊柱图像并通过深度神经网络对输入脊柱图像的图像特征进行分析。该方法还包括基于训练图像数据集的图像特征，通过深度神经网络生成与输入脊柱图像对应的掩模图像。掩模图像中的感兴趣区域包括脊柱的候选椎骨。训练图像数据集包括多个脊柱图像和多个对应的掩模图像。该方法还包括将标签与掩模图像的多个图像组件相关联，以及基于与掩模图像相关联的标签来标记输入脊柱图像。

技术领域

本说明书的实施方案整体涉及用于自动标记脊柱图像的方法和系统，更具体地说，涉及使用深度神经网络标记全脊柱图像的方法和系统。

背景技术

可获得脊柱图像以检测影响脊柱外观的脊柱病症，诸如：骨折、肿瘤、脊柱侧凸以及椎间退变和突出。因此，精确的检测和识别脊柱结构(诸如：椎骨和椎间盘)是必要的。对脊柱图像手动标注和/或标记，以识别椎骨和椎间盘。还存在对椎骨和椎间盘进行半自动标注和/或标记的技术。例如，放射科医生或技术人员手动标记每个切片的脊柱的顶椎和下部椎骨，以供标注工具对所有椎骨进行标记。这些标签由放射科医生或技术人员进行审查。如果放射科医生标记脊柱的起始部分(例如，腰椎)，则标注工具示出剩余脊柱椎骨的标签。然而，当脊柱中存在解剖或病理变异时，诸如脊柱侧弯(脊柱弯曲异常)，融合椎骨、创伤诱发性解剖变异、脊柱植入物、过渡椎骨和腰椎骶化，标注工具可能无法准确地提供标签。

通常期望具有能够对脊柱图像进行准确标记的工具。

发明内容

本公开的其中一个实施方案涉及用于自动标记脊柱图像的方法。该方法包括接收输入脊柱图像并通过深度神经网络对输入脊柱图像的图像特征进行分析。该方法还包括基于训练图像数据集的图像特征，通过深度神经网络生成与输入脊柱图像对应的掩模图像。掩模图像中的感兴趣区域包括脊柱的候选椎骨。训练图像数据集包括多个脊柱图像和多个对应的掩模图像。该方法还包括将标签与掩模图像的多个图像组件相关联，以及基于与掩模图像相关联的标签来标记输入脊柱图像。

在另一个实施方案中，公开了一种用于训练深度神经网络的方法。该方法包括向深度神经网络提供训练图像数据集。训练图像数据集包括多个脊柱图像和多个对应的掩模图像。多个脊柱图像中的每个脊柱图像均为全脊柱解剖结构的。该方法还包括通过将训练图像数据集中的每个脊柱图像的图像特征与训练图像数据集中的对应掩模图像关联，根据分配给图像特征的权重训练深度神经网络。掩模图像中的感兴趣区域包括脊柱的候选椎骨。该方法还包括通过深度神经网络，基于训练获悉训练图像数据集中脊柱图像与对应掩模图像之间的关系。

在另一个实施方案中，公开了一种用于自动标记脊柱图像的系统。该系统包括深度神经网络框架，该框架被配置为基于训练图像数据集的图像特征来分析输入脊柱图像的图像特征，并生成与输入脊柱图像对应的掩模图像。掩模图像中的感兴趣区域包括脊柱的候选椎骨。训练图像数据集包括多个脊柱图像和多个对应的掩模图像。所述深度神经网络还被配置为将标签与对应于输入脊柱图像的掩模图像的多个图像组件相关联；以及基于与掩模图像相关联的标签来标记输入脊柱图像。

通过参考以下具体实施方式和附图，将更完整地理解本公开及其其他特征和优点。

附图说明

图1示意性地示出了根据一个实施方案的用于标记输入脊柱图像的系统；

图2为根据一个实施方案所示的深度神经网络处理输入脊柱图像以用于标记的示意图；

图3示出了根据一个实施方案的经由神经网络生成掩模图像的系统；

图4示出了根据一个实施方案的具有单个输出连接的神经元；

图5示出了根据一个实施方案的神经网络，该神经网络为至少部分地基于U-net结构图的卷积神经网络；

图6示意性地示出了根据一个实施方案的掩模图像的分割；