[发明专利]一种基于深度学习的脊椎MRI影像关键点检测方法

权利要求书

1.一种基于深度学习的脊椎MRI影像关键点检测方法，其特征在于，包括以下步骤：

步骤一：将脊椎MRI影像输入训练好的目标检测网络，获得各椎骨的位置信息以及是否是S1的粗粒度标签；S1是指骶1；

步骤二：利用步骤一得到的所有椎骨以及定位的S1位置，结合脊椎自身的生理结构信息过滤假阳性的检测结果并识别各椎骨所属的细粒度标签；

步骤三：将步骤二中检测得到的椎骨及其周围部分区域裁剪出，输入到训练好的关键点检测网络检测各块椎骨上下边界UA、UM、UP、LA、LM、LP共计六个关键点的位置信息；

步骤四：利用训练的分割网络对步骤二中得到的椎骨进行分割以获得边缘信息，并根据获得的边缘信息对步骤三中所获得的关键点的位置信息进行修正，获得最终关键点预测结果，具体为：

(4.1)构建椎骨边缘分割网络：椎骨边缘分割网络由降采样部分和升采样部分构成；降采样部分结构为去掉全连接层的resnet50，升采样部分由对应的四个阶段的升采样卷积块构成，升采样卷积块结构为upsampling-conv-bn-relu；

(4.2)训练椎骨边缘分割网络：先利用关键点标注信息建立粗粒度的分割数据集对椎骨边缘分割网络进行预训练，再构建一个精确的细粒度分割数据集对分割网络进一步进行训练；

(4.3)在获得分割结果后，利用条件随机场及边缘处图像梯度较大的特点对分割结果进行进一步的修正以获得更精确的边缘分割信息；具体为：

(4.3.1)作两关键点连线的延长线，利用椎骨边缘分割网络获得椎骨边缘信息，将延长线与椎骨边缘的最远处交点作为修正后的关键点坐标；

(4.3.2)结合步骤二得到的标签输出最终关键点预测结果。

2.根据权利要求1所述基于深度学习的脊椎MRI影像关键点检测方法，其特征在于，所述步骤一中，椎骨的粗粒度标签是S1和NS1，其中S1是指骶1，NS1是除骶1以外的所有其他椎骨，所述目标检测网络为YOLOv3。

3.根据权利要求1所述基于深度学习的脊椎MRI影像关键点检测方法，其特征在于，所述步骤二通过以下子步骤来实现：

(2.1)采用检测出的S1作为定位的椎骨，计算各个椎骨中心在图像上的高度并根据形心高度对检测出的椎骨进行排序；

(2.2)按照人体脊椎的生理结构信息，自下而上依次为检测出的每块椎骨分配对应的S1，L5，L4，L3，L2，L1，T12，T11细粒度标签；

(2.3)通过计算椎骨的宽高比以及上侧边缘高度并根据是否满足阈值要求过滤假阳性目标。

4.根据权利要求3所述基于深度学习的脊椎MRI影像关键点检测方法，其特征在于，宽高比阈值是1.6，上侧边缘高度阈值是5。