基于深度学习和空间关系推理的脊柱定位方法研究

发布时间：2021-08-26 23:31

　　随着医疗可视化的进步,医学图像的发展为临床诊断带来了巨大便利,同时计算机视觉在医疗图像上的应用也越来越广泛,具有重要研究意义和价值。目前,脊柱疾病在人群里越来越广泛,而磁共振成像对脊柱疾病的临床诊断在显示效果方面比其他方法更好。脊柱图像的处理中,椎间盘的定位和标注是当前研究的重点,传统的手动定位标注方法较为耗时,同时具有一定的错误率,因此利用计算机进行辅助诊断具有重要意义。当前脊柱图像相关的定位标注方法都有一些不足之处,都是针对特定的形态、图像序列或参数设置进行训练,不具有通用性。因此,本文基于深度学习和空间推理,对脊柱的定位标注的新方法进行研究,以实现对任意位置、以及局部或者全局图像的椎间盘进行定位和标注。首先,使用RefineDet目标检测算法对脊柱核磁共振图像（MRI）进行定位检测,得到椎间盘的初始位置,引入椎间盘高级解剖约束,对初始位置进行筛选,得到了精确的椎间盘位置集合。其次,根据空间推理知识,对相邻位置的每三个椎间盘进行建模,并训练得到21个邻近椎间盘空间关系模型。最后,根据精确的椎间盘位置集合和邻近椎间盘空间关系模型,提出椎间盘空间关系迭代推理算法并进行迭代匹配,选择最优... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

人体脊柱图像

第四章椎间盘标注24特点，把每一个椎间盘所包含的区域平均分成r份：R1，R2，…，Rr，其中腰椎部分体积相对最大，我们令r=30，胸椎区域r=26，颈椎区域最小则令r=24，并把每个椎间盘区域中的r个采样区域内的像素强度分布计算并列举出来，绘制成像素强度分布直方图，如图4.1所示，由图可知，强度分布情况可以用高斯分布来大致模拟，其中我们从已经标注的样本数据中来学习μ和σ两个参数。图4.1椎间盘像素分布直方图因此，对于第i个椎间盘来说，我们把每个标记为椎间盘像素的强度值用I(i)来表示，则每一个邻近椎间盘空间关系模型的图像强度特征U可以定义为以下结果：2()2(())()2kIIiIiU……………………(4.5)4.1.2形态测量学特征根据椎间盘的解剖学特征，除了图像强度特征之外，邻近椎间盘空间关系模型还包含了另外一个层次的特征，形态测量学特征，包括几何特征和形状特征。几何特征的含义为物体的一些位置与方向、长轴与短轴、周长、面积等特点。这个特征虽然相对来说容易理解并且可以直接观察，但是对于有些图像的分析具有巨大意义。通常会先把图像处理成只包含0和1的黑白图像，这在对图像的处

RefineDet算法初始检测结果经过评分约束的迭代结果（1）


本文编号：3365175