[发明专利]基于混合注意力机制的2D卷积神经网络的脊椎图分割方法

说明书

本发明属于医学图像处理技术领域，公开了一种基于混合注意力机制的2D卷积神经网络的脊椎图分割方法，包括以下步骤：(1)建立训练集；(2)对待分割的原始脊椎CT图像进行预处理；(3)建立带有混合注意力机制的2D卷积神经网络，并训练；(4)将待分割样本输入至网络，即可输出得到脊椎CT图像分割结果。本发明通过对分割方法的整体流程设计、关键的卷积神经网络的结构及配合作用方式，以及相应分割系统的功能模块设计等进行改进，与现有技术相比能够有效解决脊椎CT图像自动化分割的问题，能够高效地将脊椎区域从脊椎CT图像中提取出来。

技术领域

本发明属于医学图像处理技术领域，更具体地，涉及一种基于混合注意力机制的2D卷积神经网络的脊椎图分割方法，能够对脊椎CT图像进行分割。

背景技术

脊柱是人体中最复杂的承载结构。医学研究结果表明,脊柱的异常会缩短人的寿命。近年来，随着人们工作生活压力的加大，脊椎疾病有日益增长的趋势，而CT是一种行之有效的检测脊椎疾病的影像方式。在临床实践中，由于医生手动地分割脊椎是非常耗时的且代价昂贵的，同时手动分割结果也非常的取决于医生的经验和主观，因此，临床上非常需要一种全自动分割脊椎CT图像的方法及系统。

脊椎CT图像分割实际上是一个二分类任务，其目的是将脊椎CT图像中脊椎区域分割出来，可用于识别感兴趣区域、研究椎骨解剖结构、测量脊椎弯曲程度、观察脊椎数目异常、形态异常、为脊椎矫正术前提供定位等。如何快速精确地分割出脊椎区域是脊椎CT图像分割的难点问题。

针对脊椎CT图像分割问题，国内外学者提出了很多的方法，传统的脊椎CT图像分割方法主要分为基于边缘梯度的分割方法、基于阈值的分割方法等。基于边缘梯度的分割方法，是假设分割目标变换灰度不连续，这种灰度的不连续就能够使用灰度的一阶导数和二阶导数来进行检测，并且结合Hough边缘检测，指定特定的滤波器和阈值，对整幅图像应用该滤波器来判断该滤波核结果是否高于设定的阈值，如果高于阈值则保留作为图像的边缘，如果低于该阈值则判定为非边缘，然而这种方法对噪声比较敏感、同时滤波器只能够检测特定方向的边缘，且不能够很好的保证边缘的连续性。基于阈值的分割方法假设图像的像素性质分布是有规律的，通过设定阈值来对像素值进行分类，这种方法是非常简单高效的，但由于其只对像素值进行了计算，从而忽略了空间位置信息之间的约束，所以该类方法鲁棒性较差，只能够适用于一些固定的图像场景。

近年来，随着GPU的快速发展，深度学习能够广泛地应用于市场，随着其发展，深度学习已经在图像分类及目标检测领域取得了重大的进展，其表现已经超过了传统方法，而脊椎CT图像分割问题本质上也就是一个二分类问题，将图像分为脊椎区域和非脊椎的背景区域。目前也有将深度学习应用在脊椎CT图像上的例子，但受限于预处理不恰当、网络学习能力不高、数据集样本较少等问题，导致分割精度不够高。所以设计一种高效高精度的脊椎CT图像分割的方法是非常有价值的。

发明内容

针对现有技术的以上缺陷或改进需求，本发明的目的在于提供一种基于混合注意力机制的2D卷积神经网络的脊椎图分割方法，其中通过对分割方法的整体流程设计、关键的卷积神经网络的结构及配合作用方式，以及相应分割系统的功能模块设计等进行改进，与现有技术相比能够有效解决脊椎CT图像自动化分割的问题，能够高效地将脊椎区域从脊椎CT图像中提取出来。

为实现上述目的，按照本发明的一个方面，提供了一种基于混合注意力机制的2D卷积神经网络的脊椎CT图像分割方法，其特征在于，包括以下的步骤：

(1)建立训练集：

收集已知金标准分割图结果的脊椎CT图像，其中同时包含正常案例和脊椎弯曲病例；将这些脊椎CT图像的文件格式进行统一，同时，对这些脊椎CT图像进行感兴趣区域裁剪操作，并对裁剪后的图像进行直方图均衡及像素值归一化操作，从而得到训练集样本；

(2)对待分割的原始脊椎CT图像进行预处理：