一种面向椎间盘突出的图像分割方法技术

本发明专利技术提供一种面向椎间盘突出的图像分割方法，包括训练阶段和推理阶段；训练阶段包括：(1)数据集采集；(2)数据预处理；(3)模型搭建；(4)模型训练与评估；推理阶段包括：1)数据预处理；2)模型搭建；3)模型推理。本发明专利技术技术方案通过训练深度学习模型能够辅助医生快速确定突出的椎间盘部分。与传统分割方法相比，本发明专利技术涉及的模型能够自动提取图像特征，节省了大量人力与时间；本发明专利技术设计的模型通过使用不同尺度的池化操作增加了提取上下文的能力，提高分割精度，改善分割效果。改善分割效果。改善分割效果。

【技术实现步骤摘要】
一种面向椎间盘突出的图像分割方法


[0001]本专利技术提供一种面向椎间盘突出的图像分割方法，属于图像处理


技术介绍

[0002]脊柱是负责支撑身体的重要结构，能够发挥保护内脏、调节平衡等作用。椎间盘突出症是一种常见的脊柱疾病，突出物压迫神经时，会导致身体出现疼痛症状，严重者可能会丧失运动能力。椎间盘突出症按照发病部位分类可分为：颈椎间盘突出症、胸椎间盘突出症、腰椎间盘突出症三种。
[0003]椎间盘突出症的图像分割方法，现有技术为基于阈值的分割方法，基于阈值的分割方法是一种非常常用的分割方法，在医学图像处理中也有应用。由于骨头和椎间盘的密度差异较大，在CT图像上骨头呈白色而椎间盘呈黑色，在图像处理时，选取一个合适的阈值后，即可将骨头和椎间盘进行分割，得到椎间盘的图像。
[0004]由于椎间盘突出症的症状是椎间盘的纤维环破裂后髓核突出至椎管中，而基于阈值的分割方法只能分割出椎间盘，无法分割出突出的部分，因此不适合于面向椎间盘突出症的分割任务。
[0005]202010922602.8提供一种基于神经网络的腰椎病变诊断系统，该方法使用的神经网络模型是改进后的UNet模型，分为编码和解码两部分，编码部分是左半部分，解码部分是右半部分，输入图像在左上角，经过两层卷积后池化到一半尺寸，类似的操作重复4次，图像尺寸越来越小，之后是解码部分，使用卷积和上采样层恢复原图尺寸，此外，在对应层中间采用跳跃连接方式融合浅层与深层信息。该方法在解码过程中将第三解码单元的输出端与第一解码单元的输入端连接，从而将所述第三编码单元输出的特征图作为第一解码单元的输入，提高分割效果。但是该方法无法捕获图像中的上下文信息。
[0006]综上所述，在现有的椎间盘突出的解决方案中，基于阈值的分割方法难以分割出突出的椎间盘，而UNet系列模型无法捕获图像中的上下文信息，由于椎间盘的突出部分本质上仍属于椎间盘，椎间盘突出部分在图像中表现为与椎间盘正常部分存在相连部分，仅仅使用UNet系列结构无法准确区分开突出部分。此外，尽管UNet已经展现出优秀的分割能力，但仍有上升空间，精度仍需进一步提升。

技术实现思路

[0007]针对上述技术问题，本专利技术提供一种面向椎间盘突出的图像分割方法，包括训练阶段和推理阶段；
[0008]训练阶段包括：
[0009](1)数据集采集
[0010]需要获取到的数据有两种，一种是输入图像，文件格式是dcm格式，图像内容为椎间盘突出的脊柱CT图像；另一种是掩膜图像，文件格式是png格式，图像内容为除突出部分的像素值为1，其余像素值为0。
[0011](2)数据预处理
[0012]对数据集中的每套数据进行扩充与增强操作，具体包括图像的随机旋转和像素强度归一化。
[0013]随机旋转：数据扩充的一种方式，对输入图像进行随机角度的旋转，掩膜图像与数组同样做相应的旋转操作，保持相对位置不变，将旋转后的一套数据同样加入数据集中，使得数据集中数据数量翻倍。
[0014]像素强度归一化：将一套数据中输入图像的每个像素进行式(1)的变换，式中x
i
为待处理像素值，x
min
为该输入图像的所有像素的最小值，x
max
为该输入图像的所有像素的最大值。像素强度归一化使得数据被限定在指定范围，消除奇异数据导致的负面影响。
[0015][0016](3)模型搭建
[0017]模型基础结构采用PSPNet的架构，输入图像首先经过特征提取网络完成特征的提取，选择VGG16模型作为特征提取网络。在完成特征提取任务后，输出的特征图被划分为四种不同大小的区域(1x1,2x2,3x3和6x6)，区域内部分别进行平均池化操作，之后使用一层卷积将通道数分别调整为原通道数的1/4，分别进行上采样操作后在通道维度拼接，此外，特征提取后的特征图也作为待拼接的一部分与上采样后的特征图进行拼接操作，最后，输出部分使用一层卷积调整通道数并输出掩膜图像。
[0018](4)模型训练与评估
[0019]模型搭建完成后，通过不断迭代优化来更新模型参数。评估模型使用的损失函数有两个，分别对应着模型的两组输出。对于输出掩膜，使用二分类交叉熵损失函数作为评估函数；对于输出的数组，使用均方误差损失函数作为评估函数。训练过程中使用Adam优化器作为优化算法迭代更新模型参数，学习率设置为1
×
10
‑4。
[0020]采用早停策略提前终止模型训练，具体操作为：设置模型迭代轮数为500，建立规则<若输出掩膜的损失值在20轮迭代内没有减少，则终止训练>。
[0021]推理阶段包括：
[0022]1)数据预处理
[0023]对待分割图像进行像素强度归一化操作，作为输入图像输入至模型中。
[0024]2)模型搭建
[0025]搭建与训练阶段相同的模型并导入训练完成的模型参数。
[0026]3)模型推理
[0027]输入图像作为模型输入，经过与训练完成的模型参数进行一系列计算后得到输出的掩膜图像，以供医生参考。
[0028]本专利技术技术方案通过训练深度学习模型能够辅助医生快速确定突出的椎间盘部分。与传统分割方法相比，本专利技术涉及的模型能够自动提取图像特征，节省了大量人力与时间；本专利技术设计的模型通过使用不同尺度的池化操作增加了提取上下文的能力，提高分割精度，改善分割效果。
附图说明
[0029]图1是本专利技术的椎间盘突出横截面示意图；
[0030]图2本专利技术输入输出示意图；
[0031]图3是本专利技术的叠加掩膜后的椎间盘突出CT图像；
[0032]图4本专利技术技术方案；
[0033]图5本专利技术设计的模型。
具体实施方式
[0034]结合实施例说明本专利技术的具体技术方案。
[0035]本专利技术主要针对的是医学领域中的椎间盘突出症的图像分割方法，针对椎间盘突出症的手术治疗是将突出的组织和髓核摘除，如图1所示，黑色圆圈标的地方是突出的部分(要摘除的部分)，本专利技术目的就是搭建一个能够自动在图像上分割出突出部分(也就是对突出部分进行像素级别的分类)的模型。
[0036]图像分割的输入输出如图2所示，输入是椎间盘的CT扫描图像(左)，输出的是一个掩膜图像(右)，输出图像中正常组织的像素值为0，突出部分的像素值为1(图2右图是可视化的结果，像素值不为1)。
[0037]在对本专利技术的输出进行可视化后叠加到输入图像，即可获得图3的效果，方便医生查看椎间盘突出的细节信息。
[0038]本专利技术的技术方案如图4所示，由两阶段组成，分别是训练阶段和推理阶段，下面将详细描述：
[0039]训练阶段：
[0040](1)数据集采集
[0041]该阶段需要大量的时间和人力，需要获取到的数据有两种，一种是输入图像，文件格式是dcm格式，图像内容为椎间盘突出的脊柱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向椎间盘突出的图像分割方法，其特征在于，包括训练阶段和推理阶段；训练阶段包括：(1)数据集采集(2)数据预处理对数据集中的每套数据进行扩充与增强操作，具体包括图像的随机旋转和像素强度归一化；(3)模型搭建模型基础结构采用PSPNet的架构，输入图像首先经过特征提取网络完成特征的提取，选择VGG16模型作为特征提取网络；在完成特征提取任务后，输出的特征图被划分为四种不同大小的区域，区域内部分别进行平均池化操作，之后使用一层卷积将通道数分别调整为原通道数的1/4，分别进行上采样操作后在通道维度拼接，此外，特征提取后的特征图也作为待拼接的一部分与上采样后的特征图进行拼接操作，最后，输出部分使用一层卷积调整通道数并输出掩膜图像；(4)模型训练与评估模型搭建完成后，通过不断迭代优化来更新模型参数；评估模型使用的损失函数有两个，分别对应着模型的两组输出；对于输出掩膜，使用二分类交叉熵损失函数作为评估函数；对于输出的数组，使用均方误差损失函数作为评估函数；训练过程中使用Adam优化器作为优化算法迭代更新模型参数，学习率设置为1
×
10
‑4；采用早停策略提前终止模型训练，具体操作为：设置模型迭代轮数为500，建立规则<若输出掩膜的损失值在20轮迭代内没有减少，则终止训练>；推理阶段...

【专利技术属性】
技术研发人员：段星光，陈文欣，谢东升，田焕玉，韩哲，朱小龙，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：