[发明专利]一种椎体亚区域分割方法、装置及存储介质

权利要求书

1.一种椎体亚区域分割方法，其特征在于，包括以下步骤：

对获取得到的脊柱椎体影像数据进行预处理；

将所述预处理后的影像数据输入预训练的神经网络模型，得到所述脊柱椎体对应的亚区域分割掩膜回归结果；其中，所述神经网络模型用于输出椎体上下骨性终板掩膜回归结果、皮质骨侧板掩膜回归结果、松质骨区域掩膜回归结果以及基于融合得到的椎体掩膜回归结果；所述预训练的神经网络模型为分叉式多任务卷积神经网络结构,包括一个编码器、三个解码器和一个MAX融合单元，其中，所述编码器用于接收所述预处理后的影像数据得到特征图；三个所述解码器分别与所述编码器相连，分别用于基于所述特征图输出上下骨性终板掩膜回归结果、皮质骨侧板掩膜回归结果和椎体松质骨掩膜回归结果；所述MAX融合单元分别与三个所述编码器连接，用于输出椎体掩膜回归结果；

通过形态学操作和连通性测试将所述椎体掩膜回归结果进行后处理，得到椎体上下骨性终板、皮质骨侧板、松质骨区域的三维分割掩膜，完成椎体亚区域分割；

所述椎体亚区域包括椎体上下骨性终板、皮质骨侧板和松质骨区域。

2.根据权利要求1所述的椎体亚区域分割方法，其特征在于，所述神经网络的预训练过程包括：

为预处理后的影像数据分别构建上下骨性终板掩膜标签、皮质骨侧板掩膜标签、椎体松质骨掩膜标签以及融合得到椎体掩膜标签；

通过模拟不同场景下获取的影像特征对构建标签后的影像数据进行增广得到训练样本，以扩充训练数据集；

计算所述神经网络模型的四个输出结果与对应标签的损失函数，为四个输出的损失函数分配权重得到所述神经网络模型总的损失函数；基于所述神经网络模型总的损失函数采用梯度下降法进行模型参数的迭代训练。

3.根据权利要求2所述的椎体亚区域分割方法，其特征在于，使用二值掩膜法对训练样本图像中的体素进行标注，为所述训练样本图像构建得到所述上下骨性终板掩膜标签、皮质骨侧板掩膜标签、椎体松质骨掩膜标签；

通过融合所述上下骨性终板掩膜标签、皮质骨侧板掩膜标签、椎体松质骨掩膜标签，构建得到所述椎体掩膜标签；

其中，构建所述终板掩膜标签，包括自定义终板区域的厚度和形状以得到终板掩膜标签。

4.根据权利要求2或3所述的椎体亚区域分割方法，其特征在于，

所述采用梯度下降法进行模型参数迭代，包括：

采用交叉熵和Dice函数的加权作为每个输出结果的损失函数，其中，交叉熵函数为：

Dice函数为：

其中，a为神经网络模型中一个输出结果，b为标注结果，i为体素位置索引，|n|为总体素数。

5.根据权利要求1-3任一项所述的椎体亚区域分割方法，其特征在于，所述MAX融合单元用于输出椎体掩膜回归结果，包括：基于所述预处理后的脊柱椎体影像的每个体素位置索引，取三个解码器对应索引的最大值，对每个体素的所述三个解码器对应索引的最大值进行MAX融合，

输出椎体掩膜回归结果。

6.根据权利要求1所述的椎体亚区域分割方法，其特征在于，所述对脊柱椎体影像数据进行预处理包括重采样处理和像素值归一化处理；其中，

所述重采样处理包括：将获取得到的脊柱椎体影像的空间分辨率除以预设的空间分辨率，得到所述影像数据在三个维度的重采样比率；根据所述重采样比率，采用线性插值方法得到重采样后的具有固定空间分辨率的影像数据；

所述像素值归一化处理包括：将原始像素值范围[M,N]通过线性函数映射到预设的值域[P,Q]；其中M为CT影像最小像素值，N为CT影像最大像素值，P为预设值域的下界，Q为预设值域的上界。