[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

说明书

本文提出的发明称为一种基于深度学习的脊椎MRI影像关键点检测方法。本发明公开了一种基于深度学习的脊椎MRI影像关键点检测方法，该方法首先利用深度目标检测网络检测定位脊椎MRI影像中的椎骨并识别出S1(骶1)作为定位脊椎，然后结合脊椎的结构信息过滤假阳性检测结果和判断各块椎骨的细粒度标签。随后利用关键点检测网络分别检测各块椎骨上下边界UA、UM、UP、LA、LM、LP共计六个关键点，再结合边缘信息确定修正各个椎骨的关键点位置，最后可开发成交互式的可视化MRI脊椎影像关键点自动标注软件。本发明可自动提取脊椎MRI影像的关键点，在医学影像分析、辅助医疗等方面有着巨大的应用价值。

技术领域

本发明属于计算机视觉，人工智能领域，尤其涉及一种基于深度学习的脊椎MRI影像关键点检测方法。

背景技术

人工智能技术在最近几年在医疗领域中有着极其广泛的应用，其中计算机视觉在医疗影像分析上存在巨大的应用潜力。本发明针对的脊椎MRI影像关键点检测，以往的脊椎MRI 影像的关键点检测工作多依赖于专家手动标注。手动标注效率低下，受专家主观影响较大，尤其不适用于大规模数据处理分析的情况。目前尝试利用人工智能技术检测的方法多是利用图像底层特征，例如论文(Ebrahimi S,Angelini E,Gajny L,et al.Lumbarspine posterior corner detection in X-rays using Haar-based features[C]//2016IEEE 13th international symposium on biomedical imaging(ISBI).IEEE,2016:180-183.)中利用Harr特征检测椎骨的角点，但此类方法只利用到了图像底层信息，鲁棒性较差，只适用于部分特定的场景下，不适用于复杂多变的医疗场景中。本发明则通过建立高质量的数据集和利用深度学习的优秀学习能力实现更加鲁棒准确的脊椎MRI影像关键点检测方法。

发明内容

本发明是通过以下技术方案来实现的：一种基于深度学习的脊椎MRI影像关键点检测方法，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；

步骤二：利用步骤一得到的所有椎骨以及定位的S1位置，并结合脊椎自身的生理结构信息过滤假阳性的检测结果和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，并根据步骤四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。

进一步地，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。

进一步地，所述步骤三通过以下子步骤来实现。

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)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等细粒度标签。

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此假阳性目标。

进一步地，宽高比阈值是1.6，上侧边缘高度阈值是5。

进一步地，所述步骤四具体为：