一种用于脊椎图像分割的立体式深度学习模型制造技术

本发明专利技术涉及医学图像分析技术领域，且公开了一种用于脊椎图像分割的立体式深度学习模型，包括模型结构与模型训练，模型结构用于接收多模态信息和多维度信息，模型训练用于训练模型，提高模型的精度。该用于脊椎图像分割的立体式深度学习模型，可以同时接收多模态、多维度的信息作为输入，这意味着无论是从不同的医疗设备上获得的数据，还是不同参数和规格的数据，该模型都可以无缝对接，进行快速的分析和处理，这一设计大大减少了因设备不兼容或数据格式不统一而导致的处理难题，从而使临床工作更为便捷，此外，由于模型可以直接处理2D和3D的数据，因此避免了在两者之间进行转换的麻烦，提高了工作效率。

【技术实现步骤摘要】

本专利技术涉及医学图像分析，具体为一种用于脊椎图像分割的立体式深度学习模型。

技术介绍

1、随着医学技术的不断进步，ct(计算机断层扫描)图像已经成为现代临床医学中不可或缺的诊断和治疗工具。它为医生提供了清晰、高分辨率的内部结构图像，从而为疾病的诊断和治疗提供了有力的支持。传统的图像分割手段，如阈值分割、区域生长和边缘检测等，虽然在某些简单应用中表现良好，但在复杂的结构如脊椎的分割中，它们往往受限于噪声、低对比度和模糊边界，导致分割效果不佳。不仅如此，传统技术对于每个个体的生理结构差异和不同设备、参数产生的ct图像差异并不具备足够的鲁棒性。

2、近年来，深度学习技术的兴起为医学图像分割带来了新的希望。流行的深度学习模型，例如，u-net在isbi 2012的电子显微镜分割挑战中展现了其卓越的性能，而v-net则专为处理3d体积数据，如描绘前列腺的mri体积而设计。深度学习模型已经在多个医学图像处理任务中取得了卓越的成果，它们能够自动学习图像的特征并进行高精度的分割。但至今却尚未存在专门用于对脊椎进行分割的神经网络模型，为此，我们提出一种用于脊椎本文档来自技高网...

【技术保护点】

1.一种用于脊椎图像分割的立体式深度学习模型，其特征在于：包括模型结构与模型训练，所述模型结构用于接收多模态信息和多维度信息，所述模型结构包括2D模型和3D模型，所述2D模型用于接收多模态的图像的2D信息，所述3D模型用于接收由多模态的图像生成的3D信息，所述模型训练用于训练模型，提高模型的精度。

2.根据权利要求1所述的一种用于脊椎图像分割的立体式深度学习模型，其特征在于：所述2D模型包括收缩路径和扩展路径，所述收缩路径使用卷积神经网络架构，包括卷积块、ReLU激活单元和最大池化层，所述卷积块由两个连续的3×3卷积组成，所述ReLU激活单元用于引入非线性因素，对卷积神经网络...

【技术特征摘要】

1.一种用于脊椎图像分割的立体式深度学习模型，其特征在于：包括模型结构与模型训练，所述模型结构用于接收多模态信息和多维度信息，所述模型结构包括2d模型和3d模型，所述2d模型用于接收多模态的图像的2d信息，所述3d模型用于接收由多模态的图像生成的3d信息，所述模型训练用于训练模型，提高模型的精度。

2.根据权利要求1所述的一种用于脊椎图像分割的立体式深度学习模型，其特征在于：所述2d模型包括收缩路径和扩展路径，所述收缩路径使用卷积神经网络架构，包括卷积块、relu激活单元和最大池化层，所述卷积块由两个连续的3×3卷积组成，所述relu激活单元用于引入非线性因素，对卷积神经网络模型进行非线性建模，所述最大池化层用于选取2d模型区域中具有最大值的元素来输出池化层的结果。

3.根据权利要求2所述的一种用于脊椎图像分割的立体式深度学习模型，其特征在于：所述扩展路径包括以下步骤：

4.根据权利要求3所述的一种用于脊椎图像分割的立体式深度学习模型，其特征在于：所述3d模型将原本网络中的2d卷积，2d最...

【专利技术属性】
技术研发人员：赵科，倪云梅，马昊，王晓烨，
申请(专利权)人：康骨微创医疗器械科技无锡有限公司，
类型：发明
国别省市：