[发明专利]基于3D-SE-Vnet的脊柱图像分割方法及系统

说明书

本发明公开了一种基于3D‑SE‑Vnet的脊柱图像分割方法，涉及深度学习及医学图像检测技术领域，主要包括：获取当前采集的三维脊柱MRI图像；将当前采集的所述三维脊柱MRI图像输入到训练好的脊柱医学图像分割模型中，以对当前采集的所述三维脊柱MRI图像中的多种脊柱组织进行图像分割；所述训练好的脊柱医学图像分割模型是基于目标3D‑SE‑Vnet网络和样本数据集确定的；所述样本数据集包括多个样本；每个所述样本包括三维脊柱MRI样本图像以及相应的标注信息；所述标注信息包括：表征脊柱组织的信息；本发明能够针对多种脊柱组织区域进行三维图像分割，提高了分割结果的准确性和可靠性，为医学诊断辅助治疗提供关键信息。

技术领域

本发明涉及深度学习及医学图像检测技术领域，特别是涉及一种基于3D-SE-Vnet的脊柱图像分割方法及系统。

背景技术

核磁共振成像(MRI)因其没有电离辐射损害，并且与CT相比，拥有更高的软组织分辨率，已成为椎间盘突出及损伤、椎管狭窄症、骨唇增生等脊柱疾病的主要检查手段。目前临床对脊柱MRI医学影像仍依赖人工目视检查，对医生而言耗时耗力，工作量大，诊断效率低，存在漏诊误诊的风险。因此，利用人工智能技术对脊柱MRI医学影像中主要组织进行自动分割成为医疗行业的迫切需求，从而能够有效辅助医生诊断，为后续脊柱疾病智能诊断提供技术支持。

目前对脊柱MRI医学影像的分割仅是针对椎间盘区域的分割，分割难度及临床实际意义不大。与此同时，由于脊柱MRI医学影像是由序列切片组成的，现有的其分割技术大多采用2D卷积构建深度学习网络模型，仅对二维切片进行分割，忽略了切片的层间联系，损失了切片序列的关联性信息。

发明内容

本发明的目的是提供一种基于3D-SE-Vnet的脊柱图像分割方法及系统，能够针对多种脊柱组织区域进行三维图像分割，提高了分割结果的准确性和可靠性，为医学诊断辅助治疗提供关键信息。

为实现上述目的，本发明提供了如下方案：

第一方面，本发明提供的一种基于3D-SE-Vnet的脊柱图像分割方法，包括：

获取当前采集的三维脊柱MRI图像；

将当前采集的所述三维脊柱MRI图像输入到训练好的脊柱医学图像分割模型中，以对当前采集的所述三维脊柱MRI图像中的多种脊柱组织进行图像分割；

所述训练好的脊柱医学图像分割模型是基于目标3D-SE-Vnet网络和样本数据集确定的；所述样本数据集包括多个样本；每个所述样本包括三维脊柱MRI样本图像以及相应的标注信息；所述标注信息包括：表征脊柱组织的信息；

所述目标3D-SE-Vnet网络为在3D-V-net网络添加3D-SE-net嵌入单元后形成的网络；所述3D-SE-net嵌入单元用于对卷积单元输出的特征图进行加权操作。

可选地，所述目标3D-SE-Vnet网络包括：n层卷积网络；

其中，第2层卷积网络至第n-1层卷积网络均包括第一编码模块和第一解码模块，且所述第一编码模块通过跳连结构与所述第一解码模块连接；第1层卷积网络包括第二编码模块和输出模块，所述第二编码模块通过跳连结构与所述输出模块连接；第n层卷积网络包括第二解码模块；

所述第一编码模块和所述第二编码模块均包括第一残差单元和下采样单元，所述第一残差单元与所述下采样单元连接；所述第一残差单元包括第一卷积子单元、第一特征相加子单元、以及设置在所述第一卷积子单元与所述第一特征相加子单元之间的第一3D-SE-net嵌入单元；

所述第一解码模块和所述第二解码模块均包括第二残差单元和上采样单元，所述第二残差单元与所述上采样单元连接；所述第二残差单元包括第二卷积子单元、第二特征相加子单元、以及设置在所述第二卷积子单元与所述第二特征相加子单元之间的第二3D-SE-net嵌入单元。