[发明专利]基于自训练和切片传播的弱监督脊椎椎体分割方法和系统在审
申请号: | 201910989817.9 | 申请日: | 2019-10-17 |
公开(公告)号: | CN110866921A | 公开(公告)日: | 2020-03-06 |
发明(设计)人: | 王延峰;彭诗奇;张娅;赵晖;顾一峰;李跃华;姚光宇 | 申请(专利权)人: | 上海交通大学 |
主分类号: | G06T7/10 | 分类号: | G06T7/10 |
代理公司: | 上海汉声知识产权代理有限公司 31236 | 代理人: | 胡晶 |
地址: | 200240 *** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 训练 切片 传播 监督 脊椎 分割 方法 系统 | ||
本发明提供了一种基于自训练和切片传播的弱监督脊椎椎体分割方法和系统,从病人的CT图像数据中获取每一张矢状面切片;以正中矢状面切片上每块脊骨的四个顶点作为标签,训练一个Mask RCNN分割网络;使用自训练的方法,并结合置信区域选择与条件随机场,来优化训练集标签;使用切片传播的方法,不断地扩充训练集,继续同一个分割网络,直至收敛。本发明能够仅通过一张矢状面的脊骨四个顶点标签,训练一个能对全部矢状面进行预测的分割模型,从而完成对脊椎椎体的三维分割。
技术领域
本发明涉及计算机视觉与医学影像分析领域,具体地,涉及基于自训练和切片传播的弱监督脊椎椎体分割方法和系统。
背景技术
CT图像的脊椎椎体分割通常是许多脊柱成像任务的先决条件,例如脊柱畸形评估、椎骨骨折检测等。传统的脊椎椎体的分割方法大多是基于图或者基于模型的方法,需要大量的标注数据和计算时间。随着深度神经网络在图像处理领域逐渐发展,深度学习的方法在脊椎椎体分割上获得了更好的效果和更广泛的应用。然而医疗影像数据的标签非常难以获取,十分耗时耗力而且需要医生的专业知识,同时也很难保证标签的准确性和一致性。基于上述原因,弱监督脊椎椎体分割方法应运而生,在不使用三维体素标签的情况下,完成整个脊椎椎体的三维分割任务。
在基于弱监督的图像处理领域,弱监督可以分为三类,不完全监督、不确切监督和不准确的监督。在不完全监督学习领域,即半监督学习领域,自训练方法是一种高效的方法,利用大量的无标签样本和少量的有标签样本来训练分类器,解决有样本标签不足这个难题。相比于其他半监督学习方法,自训练方法的优势在于简单以及不需要任何假设。
经检索,公开号为CN108038860A、申请号为201711236700.0的中国发明专利,公开了一种基于3D全卷积神经网络的脊柱分割方法。该方法通过脊柱CT数据集来构建一个3D全卷积神经网络,该网络输出维度与输入维度相同,网络结构分为一个压缩的过程和一个扩张的过程,压缩过程每个阶段经过两个卷积层卷积后的结果,会和扩张过程特征通道尺寸相同的阶段的上一个阶段降采样后的结果,同时作为特征通道数据,进行扩张阶段的卷积操作。
但上述专利需要三维体素分割标签作为训练标签来训练神经网络,在实际应用中非常难以获取。此外,3D全卷积神经网络模型参数量巨大,训练模型需要非常多的计算资源。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于自训练和切片传播的弱监督脊椎椎体分割方法和系统。
根据本发明提供的一种基于自训练和切片传播的弱监督脊椎椎体分割方法,包括如下步骤:
数据预处理与标注步骤:将数据集分为训练集和测试集,并给训练集的CT图像的正中矢状面进行粗略标注,标注出每块脊骨的四个顶点,形成粗略标签;
模型训练步骤:利用四个顶点的粗略标签,依次连接得到四边形区域,作为分割标注训练一个二维Mask RCNN分割网络;
分割结果优化步骤:利用二维Mask RCNN分割网络检测到的脊骨中心点拟合出一条曲线,仅保留中心点与该曲线距离小于设定阈值的检测结果作为置信区域,并对置信区域使用条件随机场建模,得到新的概率分布图作为优化后的分割结果;
自训练步骤:将训练得到的二维Mask RCNN分割网络在训练集上进行预测,并将得到的分割结果作为新的标签继续训练网络,以此迭代地优化原始的四个顶点的粗略标签。
切片传播步骤:不断地将当前矢状面切片两侧的切片加入训练集,并使用当前的二维Mask RCNN分割网络推理得到分割标签。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海交通大学,未经上海交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910989817.9/2.html,转载请声明来源钻瓜专利网。