基于unet的卷积神经网络的脊柱MRI图像分割

周瑞文

(中南民族大学 生物医学工程学院，湖北 武汉 430074)

1 引言

脊柱在所有年龄段中被认为是身体重要的成像部位之一，脊柱在保护人们身体中枢神经系统的脊髓方面起到了重要作用，如果脊柱存在任何损伤，整个身体将会受到影响，并且由于神经的高度集中，将会引起巨大的疼痛，随着社会的飞速发展，人们生活节奏的不断加快，脊柱疾病逐渐流行开来，背痛是普遍存在于人类的世界性健康问题。引起疼痛问题的原因可能有很多种，可以通过不同的治疗方法进行治疗，如物理疗法，生化疗法等。磁共振成像技术是诊断患者脊柱是否有问题的常用检查技术。脊柱的MRI图像具有脊柱边界形态不规则，组织对比度较低，结构复杂等特征给脊柱图像分割带来了挑战。因此，寻找一种有效的脊柱分割算法对实现脊柱的准确分割至关重要。

近年来，深度学习[1]被广泛应用于MRI图像分割领域。研究者们针对上述问题，提出了许多实现脊柱图像分割的算法。如David R等[2]人通过CCSweep的方法把生成的脊柱形状的均值信息用来实现半自动分割，这是一种将多可扫卷自动分解为多可扫卷的新方法。这种方法解决了不确定边缘大小或区间匹配约束，过于依赖输入网格离散化和不稳定环路等问题。Tobias Klinder等[3]提出在解剖模型中加入先验形状来提高医学图像分割结果的方法。脊柱的整体形状是局部椎体坐标系统的集合，而独立椎体则是三角曲面网格，通过适应模型吸引到的图像特征，利用单个形状的先验边和关于目标对象之间空间关系的附加信息对数据集进行并行分割。……