[发明专利]一种基于深度学习的分节段椎骨CT图像分割方法

权利要求书

1.一种基于深度学习的分节段椎骨CT图像分割方法，其特征在于：它的分割方法如下：

步骤一、脊椎CT图像的预处理：

1.1、统一分辨率，由于数据集中的3D CT图像来源与不同的扫描设备，不同3D图像会因扫描参数的不同导致图像的空间分辨率spacing不同，甚至3D图像的各个维度上的分辨率也有所差异；图像间分辨率的差异会使得网络难以训练，拟把所有图像的分辨率都统一到1.25mm×1.25mm×1.25mm；

1.2、重采样，图像重采样采用线性插值方式，而标签采用最近邻插值；

1.3、标准化，需统计整个数据集中图像的均值μ和标准差σ，然后对每个3D图像减去均值μ再除以标准差σ使每个扫描图像的数据尺度稳定在一定范围内；

1.4、对于某些对比度很低的椎骨CT切片图像拟采用Gamma变换进行图像增强处理；

步骤二、椎骨中心检测：

椎骨中心检测算法包含两个模块，分别为2D分割网络和基于DBSCAN算法改进的聚类算法PDBSCAN；

2.1、2D分割网络以U-net为主干网络，把maxpool和upsample之后的2个3×3卷积替换成bottleneck残差块以减少参数、加快训练；

2.2、PDBSCAN算法：在上一步得到的概率热图中椎骨中心的密度是最高的，因此只需要找到概率热图中密度较为集中的区域便可以确定为椎骨中心；在DBSCAN算法基础上，针对椎骨中心检测任务拟重新定义椎骨中心邻域密度；椎骨中心邻域密度定义公式(1)所示，其中ε为领域半径，δ(p_i，ε)为以像素p_i为中心，ε为半径的领域，Wij为像素i与像素j之间的相关系数，N_ε为该领域中包含的像素点个数；

步骤三、椎骨CT图像分割：

网络结构：整体采用‘U’形结构；下采样部分为了提取多尺度特征和解决深层网络退化问题引入inceptionv4模块；上采样阶段，融合之后的特征虽然包含丰富的局部和全局信息，采用双重注意力机制对每个像素的特征向量进行增强，通道注意力机制学习各个通道特征之间的依赖关系和不同通道特征的重要程度从而提升有用的特征而抑制无关紧要的特征，增强后的特征包同时学习到不同通道特征和不同空间位置的重要性，从而提升有利特征而抑制无用的特征,最后使分割效果更为精确；

损失函数：椎骨分割所在的ROI中前景和背景存在较严重的类别不平衡，为了克服这一缺点拟加入不易受类别不平衡影响的Dice loss，两者之间用超参数λ进行平衡；损失函数如公式(3)所示，Dice loss定义如公式(4)所示：

N为图像中像素点个数，C为类别数，yij表示像i的分割类别的one-hot编码的第j个分量，Pij代表网络将像素i预测为类别j的概率，λ∈(0,1)是平衡系数；

网络输入：椎骨CT图像切片ROI区域、粗分割结果及其标签，考虑到2D网络在三维空间上下文信息上的缺失，网络每次输入增加与其相邻的2张切片作为补偿。