基于深度学习的脊柱图像分割方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种基于深度学习的脊柱图像分割方法、装置及电子设备，方法包括：获取包括有脊柱区域的原始图像，并基于深度学习模型对原始图像进行粗分割，得到原始图像的整体粗分割特征图；获取标记有脊柱区域的标签图像，基于深度学习模型对整体粗分割特征图和标签图像进行边缘提取，分别得到整体粗分割特征图的第一边缘区域图像与标签图像的第二边缘区域图像；基于第二边缘区域图像，对第一边缘区域图像进行校正，得到目标边缘区域图像；将目标边缘区域图像和整体粗分割特征图进行分割融合操作，输出得到原始图像对应的脊柱区域分割图像。该方法可以使得到的脊柱区域分割图像中的边缘信息也更加准确，减少了分割偏差，提高了分割结果的准确性。高了分割结果的准确性。高了分割结果的准确性。

【技术实现步骤摘要】
基于深度学习的脊柱图像分割方法、装置及电子设备


[0001]本专利技术涉及医疗领域，尤其涉及一种基于深度学习的脊柱图像分割方法、装置及电子设备。

技术介绍

[0002]随着技术的不断发展，人工智能技术越来越多的应用到医疗领域中。以脊柱为例，人工智能技术的引入，为医生节省了很多时间，提高了手术效率。但是，由于脊柱病变的多样性，很容易导致脊柱分割的准确性不高，尤其是在脊柱细节特征，分割偏差较大，造成了不好的体验。
[0003]因此，如何解决上述问题，是需要考虑的。

技术实现思路

[0004]本专利技术提供一种基于深度学习的脊柱图像分割方法、装置及电子设备，用以解决上述存在的问题。
[0005]本专利技术的第一方面，本专利技术提供一种基于深度学习的脊柱图像分割方法，包括：
[0006]获取包括有脊柱区域的原始图像，并基于深度学习模型对所述原始图像进行粗分割，得到所述原始图像的整体粗分割特征图；
[0007]获取标记有脊柱区域的标签图像，基于所述深度学习模型对所述整体粗分割特征图和所述标签图像进行边缘提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的脊柱图像分割方法，其特征在于，包括：获取包括有脊柱区域的原始图像，并基于深度学习模型对所述原始图像进行粗分割，得到所述原始图像的整体粗分割特征图；获取标记有脊柱区域的标签图像，基于所述深度学习模型对所述整体粗分割特征图和所述标签图像进行边缘提取，分别得到所述整体粗分割特征图的第一边缘区域图像与所述标签图像的第二边缘区域图像；基于所述第二边缘区域图像，对所述第一边缘区域图像进行校正，得到目标边缘区域图像；将所述目标边缘区域图像和所述整体粗分割特征图进行分割融合操作，输出得到所述原始图像对应的脊柱区域分割图像。2.根据权利要求1所述的脊柱图像分割方法，其特征在于，基于所述深度学习模型对所述整体粗分割特征图和所述标签图像进行边缘提取，分别得到所述整体粗分割特征图的第一边缘区域图像与所述标签图像的第二边缘区域图像，包括：基于所述深度学习模型，提取整体粗分割特征图和所述标签图像分别对应的二值图的边缘，得到第一边缘图像和第二边缘图像；基于所述整体粗分割特征图的待分割区域的尺寸和所述标签图像中脊柱区域的尺寸，分别确定第一厚度值和第二厚度值；基于第一边缘图像、所述第一厚度值以及第一梯度值，得到所述整体粗分割特征图的第一边缘区域图像；基于第二边缘图像、所述第二厚度值和第二梯度值，得到所述标签图像的第二边缘区域图像；其中，所述第一梯度值和所述第二梯度值分别基于所述第一边缘图像和所述第二边缘图像计算得到；所述第一厚度值表示所述第一梯度值向所述第一边缘图像中心位置的延伸距离；所述第二厚度值表示所述第二梯度值向所述第二边缘图像中心位置的延伸距离。3.根据权利要求2所述的脊柱图像分割方法，其特征在于，梯度值通过如下方式计算得到：G(x，y)＝dx(i，j)+dy(i，j)；其中，G为梯度值的计算结果，dx(i，j)为边缘图像在x方向的梯度，dy(i，j)为边缘图像在y方向的梯度。4.根据权利要求3所述的脊柱图像分割方法，其特征在于，dx(i，j)与dy(i，j)通过以下方式计算得到：dx(i，j)＝[I(i+1，j)
‑
I(i
‑
1，j)]/2；dy(i，j)＝[I(i，j+1)
‑
I(i，j
‑
1)]/2；其中，I为边缘图像，(i，j)为边缘图像的坐标。5.根据权利要求1所述的脊柱图像方法，其特征在于，将所述目标边...

【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：张逸凌，
类型：发明
国别省市：