[发明专利]一种基于图神经网络的脊椎交互式与自动分割细化方法

说明书

本发明公开了一种基于图神经网络的脊椎交互式与自动分割细化方法，其特征在于，包括如下步骤：步骤一：椎骨CT影像数据的获取；椎骨CT影像数据中包括至少一节段目标脊椎，而预处理这里的指数据增强处理;步骤二：脊椎骨自动粗分割；对步骤一处理完的数据，选取全卷积神经网络，通过训练集对网络进行训练得到模型，再通过测试集使用模型得到粗分割的结果；步骤三：对椎骨粗分割结果进行细化处理；从步骤二获得粗分割结果进行分割细化；主要分为而部分：一是粗分割椎骨轮廓多边形的测量；二是图神经网络模型的建立，并使用图神经网络模得到细化的分割结果.本发明不仅能对能对现有自动分割的结果进行改进，减少注释工作，辅助医生进行下一步工作，同时由于其更加灵活的椎骨切片建模方法，对于全自动的精确分割有一定的指导价值深入研究具有重要意义。

技术领域

本发明涉及一种数字骨科技术，尤其是指一种基于图神经网络的脊椎交互式与自动分割细化方法，本发明属于医学影像处理技术领域。

背景技术

随着影像学的不断发展，CT技术在临床中的应用愈发普遍。其中，在利用CT图像来获取患者脊柱状况的过程中，从CT数据中准确分割出脊椎以及单个椎骨在许多临床场景中起着非常重要的作用。在对椎骨进行分割后，一方面可以确定每个椎骨的形状和健康状况，另一方面有助于早期脊柱疾病的诊断、手术规划和脊柱病变的定位，例如：退行性脊柱疾病、脊柱变形、创伤、肿瘤和骨折等。目前，大多数计算机辅助诊断和手术规划系统中用到的脊椎模型都是基于医生手动分割得到的，此种方式不仅费时费力，而且分割的重复性差。其中，图像中感兴趣区域或目标的分割，是进行影像分析和目标识别的基础。如医学图像中各组织器官的分割、病灶定位，如果依赖人工进行勾画，则存在主观性强、可靠性与重复性差、繁琐耗时等诸多不足。因此，人们纷纷寻求自动分割算法。在深度学习技术兴起之前，研究者尝试了阈值法、区域增长法、几何形变模型、聚类、统计决策方法等众多传统的图像分割方法，以及通过提取图像特征，再利用人工神经网络、支持向量机等机器学习方法。然而这些自动分割方法，普遍存在模型复杂、鲁棒性较差、对噪声敏感、特征提取与选择过程繁琐、主观性强等缺点，影响了分割性能与应用。

近些年，以卷积神经网络为代表的深度学习模型，采用了一种完全“端到端”的多层次分割流程，不仅训练过程中融合特征自动提取与选择，而且建立了由具体到抽象的多层特征体系，类似人脑对事物的认知过程与特性，此外，构建更深的网络结构，采用贪婪无监督逐层训练方法，以避免误差向前向后传播时丢失严重而导致梯度消失或扩散，易陷入局部极小值或不收敛问题。因此，深度学习技术在图像分割、配准、分类识别等方面的应用日益增加。其中，在医学影像的分割中，最有代表性的方法是采用编码-解码结构并带有跳跃连接的全卷积神经网络U-Net。此后，许多研究者在此基础上进行了改进工作，虽然这些改进策略能改善分割模型的性能，然而，分割的准确性对于许多临床应用中的定量评价至关重要,自动分割方法往往会出现各种错误，例如，过度分割、检测不足和边缘模糊，这通常又需要对算法生成的结果进行人工修正细化处理。

发明内容

本发明提出了一种基于图神经网络的脊椎交互式与自动分割细化方法，能够解决现有自动分割中过度分割、检测不足以及边缘模糊等问题。为了实现上述目标，本发明采用如下技术方案：

一种基于图神经网络的脊椎交互式与自动分割细化方法，包括如下步骤：

步骤一：获取待处理医学影像并进行预处理；

其中，上述待处理医学影像中包括至少一节段目标脊椎；而预处理这里指的是数据增强处理，即对于初始样本数相对较少的训练集，通过随机执行下一个或多个操作来达到扩充样本数据集的目的：

预处理方法包括：

(a)对椎骨CT图像序列执行前后左右随机镜像翻转；

(b)对椎骨CT图像序列执行随机裁切处理；

(c)对椎骨CT图像序列加入高斯噪声扰动。

步骤二：脊椎骨自动粗分割；

步骤2a.选取一个用于脊柱分割的全卷积神经网络；

步骤2b.利用训练集训练神经网络，得到网络模型；