一种基于特征融合和差分的脊柱CT图像分割方法技术

本申请提供的一种基于特征融合和差分的脊柱CT图像分割方法，属于图像处理领域，该方法包括：将脊柱CT图像输入到预训练的，采用全卷积神经网络的编码器

【技术实现步骤摘要】
一种基于特征融合和差分的脊柱CT图像分割方法


[0001]本申请涉及图像处理领域，尤其涉及一种基于特征融合和差分的脊柱CT图像分割方法。

技术介绍

[0002]在诊断脊柱退行性疾病的领域中，CT成像技术因其扫描速度快、图像清晰等优点，被广泛应用于观察椎体骨骼与邻近组织的三维形态。基于此，进行精准的腰椎椎体结构分割是分析和治疗的重要步骤，包括：检查椎体骨折、组织退变的异常情况、生物力学建模、腰椎椎间融合、前后腰椎椎间融合。上述的分析和干预的效果对腰椎椎体间分割的准确性提出了很高的要求。
[0003]在人工智能技术成熟之前，椎体的自动分割多是通过多位丰富的骨科医师、影像科医师手动勾画来完成。传统的图像分割方法如基于阈值、基于区域的分割等。
[0004]目前，基于深度学习的图像分割技术取得了显著进步，其中Unet模型因采用对称的U形结构，考虑到了使用对称的上采样来弥补下采样所损失的信息，在多项医学分割任务中取得了较好的结果。
[0005]但是，Unet模型采用的是跳层连接的方式，这种方式强制编码器和解码器仅能在同一深度的层上进行特征融合，忽略了具有不同尺度语义信息的融合，会造成细节信息的丢失，导致图像分割的准确性受到影响。

技术实现思路

[0006]本申请的目的在于克服现有技术中图像分割的准确性受到影响的缺陷，提供一种基于特征融合和差分的脊柱CT图像分割方法。
[0007]本申请提供一种基于特征融合和差分的脊柱CT图像分割方法，包括：S1将原始图像缩放，像素值归一化处理，依次进行卷积处理、正则化和用Relu激活函数增强原始图像特征图的非线性，生成输入特征；S2从所述输入特征中提取Level1特征、Level2特征、Level3特征和Level4特征的四层特征；S3使用五分支结构ASPP来对Level4特征进行感受野的扩充；S4采用四个并行分支的Difference module进行每一层特征的上下文信息增强；S5对于所述四层特征的每一层特征，使用不同大小的三维卷积来进行处理，引入不确定性参数来自适应的，从全局和局部两个角度来聚合特征信息；S6利用各层特征网络中增强的脊柱线索信息来解译得到最终的脊柱分割结果。
[0008]可选地，所述提取四层特征，包括：S21使用残差结构对所述输入特征进行处理，得到Level1特征；S22将所述Level1特征作为输入特征，重复S21获得Level2特征；S23将所述Level2特征作为输入特征重复两次S21，经过三个带有空洞率的卷积核
为3
×3×
3的CBR处理后，得到Level3特征；S24将所述Level3特征作为输入特征，重复S23得到Level4特征。
[0009]可选地，所述五分支结构ASPP包括：分支1：用一个1
×
1的卷积对输入特征进行降维；分支2：用一个padding为6，dilation为6，核大小为3
×
3的卷积层对输入特征进行卷积；分支3：用一个padding为12，dilation为12，核大小为3
×
3的卷积层对输入特征进行卷积；分支4：用一个padding为18，dilation为18，核大小为3
×
3的卷积层对输入特征进行卷积；分支5：用一个尺寸为输入特征大小的池化层将输入特征池化为1
×
1，再用一个1
×
1的卷积进行降维，然后上采样回原始输入大小。
[0010]将这五分支的输出进行通道维度拼接，并用1
×
1卷积层降维至给定通道数，得到最终输出。
[0011]可选地，对于各层特征进行感受野扩充，表达式如下：表达式如下：表达式如下：表达式如下：
[0012]其中，所述表示多层特征，所述~表示分支1~4，所述、表示卷积核。
[0013]可选地，所述聚合特征信息的表达式如下：所述聚合特征信息的表达式如下：所述聚合特征信息的表达式如下：所述聚合特征信息的表达式如下：所述聚合特征信息的表达式如下：
[0014]其中，~表示特征网络，所述、~是不确定性参数，所述~表示第一层特征图到第四层特征图。
[0015]可选地，训练对所述输入特征进行处理的分割模型，包括：
对训练样本进行增强：构建对抗神经网络，包括：生成器网络和判别器网络；将原始图像数据进行归一化处理，输入到所述生成对抗神经网络；所述生成器网络包括多个层级的卷积神经网络，每个层级将输入的噪声向量转换为一个更接近真实图像的输出图像；判别器网络包括多个层级的CNN，每个层级会逐渐减小图像的空间尺寸，并输出一个二进制分类结果，实现数据增强。
[0016]可选地，所述对抗神经网络还包括：采用Wasserstein距离的损失函数，表达式为：
[0017]其中，是和组合起来的所有可能的联合分布的集合，和分别是x和y的边缘分布律，x为真实样本，y为生成样本。
[0018]本申请的优点和有益效果：本申请提供一种基于特征融合和差分的脊柱CT图像分割方法，包括：S1将原始图像缩放，像素值归一化处理，依次进行卷积处理、正则化和用Relu激活函数增强原始图像特征图的非线性，生成输入特征；S2从所述输入特征中提取Level1特征、Level2特征、Level3特征和Level4特征的四层特征；S3使用五分支结构ASPP来对Level4特征进行感受野的扩充；S4采用四个并行分支的Difference module进行每一层特征的上下文信息增强；S5对于所述四层特征的每一层特征，使用不同大小的三维卷积来进行处理，引入不确定性参数来自适应的，从全局和局部两个角度来聚合特征信息；S6利用各层特征网络中增强的脊柱线索信息来解译得到最终的脊柱分割结果。本申请将各层特征网络中增强的脊柱线索信息的融合后生成分割结果，避免了细节信息的丢失，有效提高了图像分割的准确性。
附图说明
[0019]图1是本申请中基于特征融合和差分的脊柱CT图像分割流程示意图。
[0020]图2是本申请中分割模型整体结示意图。
[0021]图3是本申请分割模型中残差结构示意图。
[0022]图4是本申请分割模型中预训练Xception结构示意图。
[0023]图5是本申请分割模型中ASPP结构示意图。
[0024]图6是本申请分割模型中difference module结构示意图。
[0025]图7是本申请分割模型中StepFusionModule结构示意图。
具体实施方式
[0026]下面结合附图和具体实施例对本申请作进一步说明，以使本领域的技术人员可以更好地理解本申请并能予以实施。
[0027]以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的
限制。...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合和差分的脊柱CT图像分割方法，其特征在于，包括：S1将原始图像缩放，像素值归一化处理，并依次进行卷积处理、正则化和用Relu激活函数增强原始图像特征图的非线性，生成输入特征；S2从所述输入特征中提取Level1特征、Level2特征、Level3特征和Level4特征的四层特征；S3使用五分支结构ASPP来对Level4特征进行感受野的扩充；S4采用四个并行分支的Difference module进行每一层特征的上下文信息增强；S5对于所述四层特征的每一层特征，使用不同大小的三维卷积来进行处理，引入不确定性参数来自适应的，从全局和局部两个角度来聚合特征信息；S6利用各层特征网络中增强的脊柱线索信息来解译得到最终的脊柱分割结果。2.根据权利要求1所述基于特征融合和差分的脊柱CT图像分割方法，其特征在于，所述提取四层特征，包括：S21使用残差结构对所述输入特征进行处理，得到Level1特征；S22将所述Level1特征作为输入特征，重复S21获得Level2特征；S23将所述Level2特征作为输入特征重复两次S21，经过三个带有空洞率的卷积核为3
×3×
3的CBR处理后，得到Level3特征；S24将所述Level3特征作为输入特征，重复S23得到Level4特征。3.根据权利要求1所述基于特征融合和差分的脊柱CT图像分割方法，其特征在于，所述五分支结构ASPP包括：分支1：用一个1
×
1的卷积对输入特征进行降维；分支2：用一个padding为6，dilation为6，核大小为3
×
3的卷积层对输入特征进行卷积；分支3：用一个padding为12，dilation为12，核大小为3
×
3的卷积层对输入特征进行卷积；分支4：用一个padding为18，dilati...

【专利技术属性】
技术研发人员：冯世庆，伊力扎提，
申请(专利权)人：江苏世钰智能医疗科技有限公司山东世钰智能医疗科技有限公司，
类型：发明
国别省市：