基于散度损失的腰椎MRI图像语义分割方法及系统技术方案

本发明专利技术提供了基于散度损失的腰椎MRI图像语义分割方法，包括：步骤S1：构建训练数据集，对所述训练数据集中的样本数据进行预处理；步骤S2：构经建第一神经网络，实现对MRI图像的语义分割；步骤S3：构建损失函数构建损失函数步骤S4：使用预处理后的训练数据集对第一神经网络进行训练，以求损失函数最小值为优化目标，逐步更新第一神经网络参数，得到图像分割神经网络。本发明专利技术在经典的交叉熵损失的基础上，加入了轮廓线损失和高斯散度损失，使分割区域的边界更加平滑且连续，减少了分割结果中的“孤岛”区域，更容易得到圆滑且饱满的分割图形，为后续的图形学指标测定工作带来了极大的方便。学指标测定工作带来了极大的方便。学指标测定工作带来了极大的方便。

【技术实现步骤摘要】
基于散度损失的腰椎MRI图像语义分割方法及系统


[0001]本专利技术涉及医学图像分析
，具体涉及一种基于散度损失的腰椎MRI 图像语义分割方法及系统。

技术介绍

[0002]自动化地诊断腰椎疾病对于提高诊断效率具有十分重要的意义。椎管狭窄症 (LSS)是一种常见的引发腰腿痛的腰椎疾病，横轴位的腰椎MRI图像对于椎管狭窄症的诊断具有重要的意义。从MRI图像中测定出的图形学指标如椎管前后径、椎间孔距离、硬膜囊面积等数值对于临床诊断有重要的指导作用。因此，首先需要对腰椎MRI图像进行语义分割，根据分割后的图形，测定出所需要的图形学指标。
[0003]目前，基于深度学习的图像语义分割大部分都是对图像中的每一个像素点进行分类，使像素点归属于某一个区域类别。最前沿的研究成果是以U
‑
net为代表的模型，对这类模型进行评估的方法一般是准确率和交并比(IoU)，虽然这些评估方法在大部分通用图像分割场景下都取得了比较好的效果，但这些模型最常使用交叉熵损失(Cross
‑
entropy Loss)或平均绝对误差(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于散度损失的腰椎MRI图像语义分割方法，其特征在于，包括以下步骤：步骤S1：构建训练数据集，所述训练数据集中的每个样本数据包括一张腰椎横轴位MRI图像及其对应的标签，对所述训练数据集中的样本数据进行预处理；步骤S2：构经建第一神经网络，实现对MRI图像的语义分割；步骤S3：构建损失函数其中，交叉熵损失高斯散度损失高斯散度损失轮廓线损失表示像素点X
ij
属于类别t的概率，表示多维高斯分布中沿第t个轴向的随机变量的方差，表示像素点X
ij
属于类别t的二维张量，表示像素点X
ij
属于第t条分割图在x方向上的差分，表示像素点X
ij
属于第t条分割图在y方向上的差分，α和β分别为控制高斯散度损失和轮廓线损失的权重的参数；步骤S4：使用预处理后的训练数据集对第一神经网络进行训练，以求损失函数最小值为优化目标，逐步更新第一神经网络参数，得到图像分割神经网络。2.根据权利要求1所述的基于散度损失的腰椎MRI图像语义分割方法，其特征在于，在所述步骤S2中，采用FC
‑
DenseNet网络构建第一神经网络，包括第一卷积层、第二卷积层、上采样单元和下采样单元，输入图像依次经第一卷积层、下采样单元、上采样单元、第二卷积层后输出图像分割结果。3.根据权利要求2所述的基于散度损失的腰椎MRI图像语义分割方法，其特征在于，所述下采样单元包括5层下采样子单元，所述上采样单元包括5层上采样子单元，所述下采样单元与所述上采样单元之间连接一密连接块。4.根据权利要求1所述的基于散度损失的腰椎MRI图像语义分割方法，其特征在于，在所述步骤S1中，对所述训练数据集中的样本数据进行预处理过程包括：对所述训练数据集中的样本数据进行第一预处理，生成第一训练数据集；对所述训...

【专利技术属性】
技术研发人员：侯超，王洪波，张伟奇，
申请(专利权)人：上海共筑医疗科技有限公司，
类型：发明
国别省市：