[发明专利]一种基于多维残差网络的脊柱CT图像识别方法

说明书

本发明公开了一种基于多维残差网络的脊柱CT图像识别方法，建立基于多维残差神经网络的病态脊柱识别模型；对训练样本设置标签并进行升维处理，使之维度与多维残差神经网络相匹配；使用处理后的训练样本对病态脊柱识别模型进行训练；然后将待识别的脊柱CT图像进行升维，使之维度与多维残差神经网络相匹配；由病态脊柱识别模型输出识别特征。本发明能很好地保留CT医学影像的空间信息，更综合更准确地识别影像特征。

技术领域

本发明涉及一种脊柱CT图像识别方法，特别涉及一种基于多维残差网络的脊柱CT图像识别方法。

背景技术

目前，在医学领域，深度学习主要应用在医学图像识别、医学图像分割和计算机辅助疾病诊断三个方面，减少医护人员重复繁重的工作量，为智慧医疗提供便利。2016年YunliangCai等人提出了一种使用变换式深度卷积网络(TDCN)的多模式椎骨识别框架。TDCN自动提取模态并进行自适应，高判别，构成不变特征以供识别。使用基于TDCN的识别系统可以同时识别位置，标记MR和CT中的椎骨结构姿势。系统已成功通过多模式数据集的测试用于腰椎和整个脊柱扫描，具有很高的准确性和稳定性。2017年AnjanySekuboyina等人提出了一个具有深层网络的两阶段方法，对腰椎区域进行定位并将其分为多个类别。该实验在xVertSeg数据集上性能达到了90％以上的平均Dice系数，此外还强调了该实验处理脊椎严重畸形的能力。2018年RensJanssens等人提出了一种基于卷积神经网络(CNN)的级联方法，用于从CT数据中自动分割腰椎，该实验在公开数据集上进行评估，该方法获得了平均Dice系数为95.77±0.81％，平均对称表面距离为0.37±0.06mm，实验效果显著。这些方法大多数都结合了执行体素分类或对椎体质心或边界框进行回归来生成椎骨，并使用全局模型来完善各个预测，丢弃异常值并找到整体上可行的解决方案。这些模型通常是图形化的隐马尔可夫模型，如2015年，Chengwen Chu，Daniel L.Belav等人提出了一个全自动、统一的射频回归和分类框架，解决了CT图像或MR图像中区域定位和分割两个重要问题，在10个CT数据和23个3D MRI数据上验证和评估了拟议的框架，达到与最新方法相当的细分效果。同年，针对另一模型——组织形状模型，Bromiley等人描述了一种用于在包含任意脊柱区域3DCT卷中进行全自动椎骨定位和分割的系统，目的是识别骨质疏松性骨折。

现有的大多数深度学习脊柱病态识别系统大部分是通过单通道或多通道的二维卷积神经网络(2DCNN)来实现的，尽管通过2DCNN在一定程度上能实现识别病态脊柱的功能。但实际上，医学影像尤其是CT影像，一般为存储格式为DICOM、Analyze和NIfTI等的三维图像，在此情况下，使用2DCNN无疑是将医学图像进行降维处理，在一定程度上忽视了空间信息，在识别病态脊柱上存在一定的偏差。另一方面，随着训练层数的增加，深度学习一般会越来越难，有些网络在开始收敛时，还可能出现退化的问题，导致准确率很快达到饱和，出现层数越深、错误率越高的现象。

现有技术针对脊柱CT得病态识别基本都是使用二维卷积神经网络，在很大程度上会丢失空间信息，降低准确率。而且现有的有关脊柱的数据集过少，没有办法大批量训练，就导致容错率就更低了。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种基于多维残差网络的脊柱CT图像识别方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于多维残差网络的脊柱CT图像识别方法，建立基于多维残差神经网络的病态脊柱识别模型；对训练样本设置标签并进行升维处理，使之维度与多维残差神经网络相匹配；使用处理后的训练样本对病态脊柱识别模型进行训练；然后将待识别的脊柱CT图像进行升维，使之维度与多维残差神经网络相匹配；由病态脊柱识别模型输出识别特征。

进一步地，多维残差神经网络采用resnet20、resnet34或resnet50。

进一步地，病态脊柱识别模型包括依次连接的多个卷积层、压平层及全连接层。