基于深度学习的骨骼分割方法和系统技术方案

本发明专利技术涉及基于深度学习的骨骼分割方法和系统。分割方法包括：构建医学图像数据库：获取医学图像数据集，手动标注出不同类型的骨骼的区域；将所述数据集划分为训练集和测试集；将未标注前的医学图像数据转换成第一格式的图片并保存，将标注后的医学图像数据转换成第二格式的图片并保存；建立分割神经网络模型；模型训练：利用训练集对分割神经网络模型进行训练，并利用测试集进行测试；和利用训练好的分割神经网络模型进行分割。本发明专利技术提供的分割方法和系统基于深度学习实现了不同类型的骨骼结构的自动分割。与现有技术相比，本发明专利技术提高了分割效率以及准确率，可以为定位病变区域、研究解剖结构、设计治疗方案、计算机辅助外科手术等提供基础。科手术等提供基础。科手术等提供基础。

【技术实现步骤摘要】
基于深度学习的骨骼分割方法和系统


[0001]本专利技术涉及图像分割
，尤其涉及基于深度学习的骨骼分割方法和系统。

技术介绍

[0002]医学图像分割是医学图像处理的基础，可以定量计算目标物体体积、诊断疾病、定位病变区域、研究解剖结构、设计治疗方案、计算机辅助外科手术等。受人体器官和组织内在结构复杂多样的特性，图像分割方法具有面向对象性的特点，不存在一种分割方法适合人体所有部位。
[0003]骨骼起着支撑身体的作用，是人体运动系统的一部分，骨与骨之间一般用关节和韧带连接起来。骨科疾病多发，例如，髋关节疾病、膝关节疾病等。精准、快速地分割出不同类型的骨骼结构是具有现实意义的研究方向。

技术实现思路

[0004](一)技术问题
[0005]本专利技术的一个目的在于提供基于深度学习的骨骼分割方法；
[0006]本专利技术的另一个目的在于提供基于深度学习的骨骼分割系统。
[0007](二)技术方案
[0008]1、基于深度学习的骨骼分割方法，所述分割方法基于医学图像数据，所述分割方法包括：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的骨骼分割方法，所述分割方法基于医学图像数据，其特征在于，所述分割方法包括：构建医学图像数据库：获取医学图像数据集，手动标注出不同类型的骨骼的区域；将所述数据集划分为训练集和测试集；将未标注前的医学图像数据转换成第一格式的图片并保存，将标注后的医学图像数据转换成第二格式的图片并保存；建立分割神经网络模型；模型训练：利用训练集对分割神经网络模型进行训练，并利用测试集进行测试；和利用训练好的分割神经网络模型进行分割。2.根据权利要求1所述的方法，其特征在于，所述分割神经网络模型包括粗分割神经网络和精确分割神经网络；优选地，所述粗分割神经网络选自FCN、SegNet、Unet、3D
‑
Unet、Mask
‑
RCNN、空洞卷积、ENet、CRFasRNN、PSPNet、ParseNet、RefineNet、ReSeg、LSTM
‑
CF、DeepMask中的任一种或多种；优选地，所述精确分割神经网络为EfficientDet、SimCLR、PointRend中的任一种或多种。3.根据权利要求2所述的方法，其特征在于，所述Unet神经网络包括n个上采样层和n个下采样层；n的取值优选为2
‑
8，进一步优选为3
‑
6，更优选为4
‑
5；每个上采样层包括上采样操作层和卷积层；每个下采样层包括卷积层和池化层。4.根据权利要求3所述的方法，其特征在于，每个上采样层包括1个上采样操作层和2个卷积层，其中的卷积层中的卷积核大小为3*3，上采样操作层中的卷积核大小为2*2，每个上采样层中的卷积核个数为512，256，256，128。5.根据权利要求4所述的方法，其特征在于，每个下采样层包括2个卷积层和1个池化层，其中的卷积层中的卷积核大小为3*3，池化层中的卷积核大小为2*2，每个卷积层中的卷积核的个数为128，256，256，512。6.根据权利要求1至5任一项所述的...

【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：北京长木谷医疗科技有限公司长木谷医疗科技青岛有限公司，
类型：发明
国别省市：