【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其涉及基于ct图像的脊椎高精度分割模型构建方法。
技术介绍
1、随着医学技术的不断进步，ct图像以其无创、快速、准确的特点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，特别是在肿瘤、心血管疾病和中枢神经系统疾病方面具有独特的优势，它利用x射线束对人体某一部位进行断面扫描，通过探测器接收透过该层面的x射线，并将其转变为可见光后，由光电转换变为电信号，输入计算机处理，ct图像能够提供高分辨率的横断面图像，清晰地显示人体内部组织的结构和病变情况。同时随着计算机和医学影像学的不断发展，脊椎高精度分割成为研究热点，脊椎高精度分割能够自动、准确地从ct或mri等医学影像中分割出脊椎区域，为医生提供更为详细、准确的诊断信息。为了实现脊椎疾病的诊断对图像分割的精度和效率的更高要求，通过构建一个基于ct图像的脊椎高精度分割模型准确地提取出ct图像中的脊椎结构，并为后续的疾病诊断和治疗提供有价值的支持，实现了对ct图像中脊椎结构的高精度自动分割，这一不仅能够显著提升诊断的准确性和效率，还有助于减少医生的工作负担。
2、现有技术中，通过螺旋ct机采集高分辨率的脊椎ct切片，确保每张切片的分辨率和灰度级满足高精度分割的要求，再利用数学形态学运算对图像进行预处理，去除噪声、进行二值化及形态学滤波，以提高图像质量，并利用深度学习网络进行图像分割，实现了ct图像的脊椎高精度分割。
3、例如公告号为：cn110288026
4、例如公告号为：cn109934235b的专利技术专利公告的一种无监督的腹部ct序列图像多器官同时自动分割方法，包括：提取并去除输入ct图像中的脊椎和肋骨，并对图像进行裁剪；对裁剪后的图像进行超体素分割，并结合局部线性嵌入、k-means算法和解剖学生成目标器官的初始轮廓，通过构建三维chan-vese模型能量函数，优化目标器官初始轮廓；根据器官灰度信息构建混合灰度模型增强目标器官区域，采用三维chan-vese模型优化器官轮廓，并基于直方图均衡与k-means算法分离毗邻器官。
5、但本申请在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：
6、现有技术中，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，传统的图像分割手段，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，存在分割效果差的问题。
技术实现思路
1、本申请实施例通过提供基于ct图像的脊椎高精度分割模型构建方法，解决了现有技术中分割效果差的问题，实现了分割准确性的提高。
2、本申请实施例提供了基于ct图像的脊椎高精度分割模型构建方法，包括以下步骤：s1，通过区域生长算法对收集的ct图像进行分割获取脊椎子图像，并提取脊椎子图像的纹理特征获取脊椎数据子集；s2，对脊椎数据子集进行分析获取对应的数据完整系数和数据可靠系数，据此获取数据集评估指数，所述数据集评估指数用于评估脊椎数据子集的质量；s3，利用脊椎数据子集对构建的脊椎图像分割预模型进行模型训练获取脊椎图像分割模型，同时利用脊椎图像分割模型对脊椎子图像进行数据标注；s4，对脊椎图像分割模型进行实时监测获取召回率和精确度，并结合数据集评估指数获取分割模型性能评估指数，所述分割模型性能评估指数用于评估脊椎图像分割模型的性能。
3、进一步的，所述数据集评估指数的具体获取方法如下：对脊椎数据子集进行编号，并使用随机数生成器获取验证数据集；将脊椎数据子集与验证数据集进行比较获取脊椎数据子集的数据可靠系数，并通过分析数据缺失情况和数据覆盖范围获取脊椎数据子集的数据完整系数；根据脊椎数据子集的数据完整系数和脊椎数据子集的数据可靠系数得到对应的系数平均值，据此获取数据集评估指数。
4、进一步的，所述数据集评估指数采用以下公式计算：
5、
6、式中，xg表示数据集评估指数，e表示自然常数，h表示脊椎数据子集编号，h＝1,2,...,h，h表示脊椎数据子集的总数量，αh表示第h个脊椎数据子集的数据完整系数，βh表示第h个脊椎数据子集的数据可靠系数，表示脊椎数据子集的数据完整系数平均值，表示脊椎数据子集的数据完整系数平均值。
7、进一步的，所述分割模型性能评估指数的具体获取方法如下：根据脊椎图像分割模型正确识别出的脊椎像素占所有真实脊椎像素的比例获取召回率；根据脊椎图像分割模型预测为正例的样本中真正为正例的比例获取精确度；利用f1分数分析召回率和精确度的特点获取召回率阈值和精确度阈值，并利用预测结果与真实标注之间的差异获取对应的参考误差，同时结合数据集评估指数获取分割模型性能评估指数。
8、进一步的，所述分割模型性能评估指数采用以下公式计算：
9、
10、式中，mx表示分割模型性能评估指数，xg表示数据集评估指数，e表示自然常数，y1表示召回率，y2表示精确度，y10表示召回率阈值，y20表示精确度阈值，δy1表示召回率参考误差，δy2表示精确度参考误差。
11、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
12、1、通过对的ct图像进行分割获取脊椎子图像，并提取脊椎子图像的纹理特征获取脊椎数据子集，据此获取数据集评估指数，同时利用脊椎数据子集进行模型训练获取脊椎图像分割模型，然后通过脊椎图像分割模型对脊椎子图像进行数据标注，最后对脊椎图像分割模型进行实时监测获取召回率和精确度，并结合数据集评估指数获取分割模型性能评估指数，从而实现了对脊椎图像分割模型性能的评估，进而实现了分割准确性的提高，有效解决了现有技术中分割效果差的问题。
13、2、通过对脊椎数据子集进行编号，并使用随机数生成器获取验证数据集，再将脊椎数据子集与验证数据集进行比较获取脊椎数据子集的数据可靠系数，并分析数据缺失情况和数据覆盖范围获取脊椎数据子集的数据完整系数，根据脊椎数据子集的数据完整系数和脊椎数据子集的数据可靠系数得到对应的系数平均值，最后获取数据集评估指数，从而实现了数据集的数值化评估，进而实现本文档来自技高网...
【技术保护点】
1.基于CT图像的脊椎高精度分割模型构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述脊椎子图像的获取方法具体如下：
3.如权利要求2所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述分割评估指数的具体获取方法如下：
4.如权利要求1所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述数据集评估指数的具体获取方法如下：
5.如权利要求4所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述数据集评估指数采用以下公式计算：
6.如权利要求1所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述模型训练的方法具体如下：
7.如权利要求1所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述数据标注的具体步骤如下：
8.如权利要求1所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述脊椎图像分割模型的具体构建方法如下：
9.如权利要求1所述基于CT图像的脊椎高精度分割模型
10.如权利要求9所述基于CT图像的脊椎高精度分割模型构建方法，其特征在于，所述分割模型性能评估指数采用以下公式计算：
...【技术特征摘要】
1.基于ct图像的脊椎高精度分割模型构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于ct图像的脊椎高精度分割模型构建方法，其特征在于，所述脊椎子图像的获取方法具体如下：
3.如权利要求2所述基于ct图像的脊椎高精度分割模型构建方法，其特征在于，所述分割评估指数的具体获取方法如下：
4.如权利要求1所述基于ct图像的脊椎高精度分割模型构建方法，其特征在于，所述数据集评估指数的具体获取方法如下：
5.如权利要求4所述基于ct图像的脊椎高精度分割模型构建方法，其特征在于，所述数据集评估指数采用以下公式计算：
6.如权利要求...
【专利技术属性】
技术研发人员：赵科，倪云梅，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。