【技术实现步骤摘要】
基于MaskR
‑
CNN网络的脊柱CT图像分割系统
[0001]本专利技术属于医疗
，具体涉及一种基于MaskR
‑
CNN网络的脊柱CT图像分割系统。
技术介绍
[0002]脊椎骨是构成脊柱的重要单元，脊柱具有支持身体、保护内部脊髓和脏器等重要功能。有关调查显示我国有80％的成年人患有脊椎疾病，其中中老年人群患有脊椎疾病的比例高达97％。近年来，在我国40岁以下的人群中有近40％的人患有各种脊椎疾病，患病者呈现出年轻化的趋势。而在众多诊断与脊柱疾病有关的方法中，CT图像因其成像快、分辨率高，能够较好的显示结构组织，而广泛地用于脊柱疾病诊断中。当代临床医学专家指出脊椎病理治疗已成为迫切需要解决的课题之一，在外科手术领域中如何有效地预防和治疗脊椎疾病已经成为研究热点。
[0003]脊柱CT图像具有组织对比度低，脊柱边界形态不规则，图像中存在噪声等问题。同时人类椎骨形状复杂，近邻结构相似，椎骨之间以及椎骨与周围组织的空间相互关系，各种病理以及个体差异性，使得椎骨的自动分割困难极大。...
【技术保护点】
【技术特征摘要】
1.基于Mask R
‑
CNN网络的脊柱CT图像分割系统，其特征在于：包括如下步骤：步骤一：脊椎CT图像的预处理：预处理采用高斯平滑滤波和窗宽窗位调节的方法，在增强图像质量和保留椎骨有效信息的同时消除噪声干扰；步骤二：基于Mask R
‑
CNN网络的脊柱CT图像分割：Mask
‑
RCNN是一个实例分割算法，用来做目标实例分割；Mask R
‑
CNN将Fast R
‑
CNN的ROI Pooling层升级成了ROI Align层，并且在边界框识别的基础上添加了分支FCN层，即mask层，用于语义mask识别，通过RPN网络生成目标候选框，然后对每个目标候选框分类判断和边框回归，同时利用全卷积网络对每个目标候选框预测分割；Mask R
‑
CNN本质上一个实例分割算法，相较于语义分割来说实例分割对椎骨组织在脊柱CT图像中的分离的效果更好；步骤三：卷积神经网络训练优化：将训练数据集应用在上一步建立的卷积网络上进行训练，得到基于Mask R
‑
CNN神经网络的椎骨CT图像分割网络模型；为了节省训练时间，拟使用GPU加速mask r
‑
cnn网络的训练时间。2.根据权利要求1所述的基于Mask R
‑
CNN网络的脊柱CT图像分割系统，其特征在于：所述高斯平滑滤波的操作步骤如下：高斯滤波是一种对整幅图像进行加权平均的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。