(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211026975.2 (22)申请日 2022.08.25 (71)申请人 华科精准 （北京） 医疗科技有限公司 地址 102609 北京市大兴区中关村科技园 大兴生物医药产业基地永旺西路26号 院12-1号楼四层401室 (72)发明人 苏紫昱　刘文博　旷雅唯　 (74)专利代理 机构 北京中和立达知识产权代理 有限公司 1 1756 专利代理师 祝妍 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06T 7/73(2017.01)G06T 7/00(2017.01) (54)发明名称 基于深度学习的脊椎图像分割方法及手术 导航定位系统 (57)摘要 本发明提供一种基于深度学习的脊椎图像 分割方法及手术导航定位系统， 该方法包括： 根 据待分割医学影像的第一椎骨定位点， 从所述待 分割医学影像中获取影像切块； 将所述影像切块 输入脊椎分割神经网络模型， 得到影像切块分割 结果； 根据所述影像切块分割结果， 确定第二椎 骨定位点； 迭代执行上述过程， 直至所述待分割 医学影像的至少部分数据分割完毕。 本发明每次 仅对相邻的部分椎骨进行分割， 减少了单次分割 的数据处理量； 通过影像切块的分割结果确定出 第二椎骨定位点， 能够自动感知脊柱走向， 并进 行迭代切块； 通过迭代分割过程， 能够便捷高效 地完成脊椎分割任务， 并且还可以间接实现多分 类效果。 权利要求书3页 说明书14页 附图3页 CN 115359257 A 2022.11.18 CN 115359257 A 1.一种基于深度学习的脊椎图像分割方法， 其特 征在于， 包括： 根据待分割医学影像的第一椎骨定位点， 从所述待分割医学影像中获取影像切块； 其 中， 所述影 像切块至少包括第一椎骨， 以及第二椎骨的至少部分数据； 将所述影 像切块输入脊椎分割神经网络模型， 得到影 像切块分割结果； 根据所述影 像切块分割结果， 确定第二椎骨定位 点； 迭代执行上述过程， 直至所述待分割医学影 像的至少部分数据分割完毕。 2.根据权利要求1所述的基于深度学习的脊椎图像分割方法， 其特征在于， 在首轮迭代 的情况下， 所述第一椎骨定位 点通过如下 方式获取： 接收用户输入数据， 并根据所述用户输入数据确定所述第一椎骨定位 点； 或， 从所述待分割医学影像的端部获取初始切块， 根据所述初始切块确定出所述第一 椎骨定位 点； 其中， 所述初始切块包 含所述第一椎骨的至少部分数据。 3.根据权利要求2所述的基于深度学习的脊椎图像分割方法， 其特征在于， 所述从所述 待分割医学影 像的端部获取初始切块， 包括： 从所述待分割医学影 像的端部按照第一预设步长移动切割框； 统计所述切割框 中强度处于预设强度 范围的体素组成的最大连通域中的体素总数， 在 所述体素总 数大于预设总 数阈值的情况下， 根据所述切割框， 从所述待分割医学影像中切 割出所述初始切块。 4.根据权利要求3所述的基于深度学习的脊椎图像分割方法， 其特征在于， 所述根据 所 述初始切块确定出 所述第一椎骨定位 点， 包括： 获取所述初始切块中强度处于所述预设强度范围的体素组成的最大连通域中的体素 总数， 记为第一总数； 根据所述初始切块进行偏移， 从所述待分割医学影 像中获取偏移切块； 确定所述偏移切块中强度处于所述预设强度范围的体素组成的最大连通域中的体素 数量， 记为第二总数； 在所述第二总数大于所述第 一总数的情况下， 以所述偏移切块为基础上进行下一 次迭 代偏移， 直至相应的偏移切块中强度处于所述预设强度范围的体素组成的最大连通域中的 体素数量不再增加； 根据最终偏移切块中强度处于所述预设强度范围的体素组成的最大连通域中的体素 确定出所述第一椎骨定位 点。 5.根据权利要求1所述的基于深度学习的脊椎图像分割方法， 其特征在于， 所述根据待 分割医学影 像的第一椎骨定位 点， 从所述待分割医学影 像中获取影 像切块， 包括： 根据所述第一椎骨定位 点， 以及偏移向量， 确定第一切块定位 点； 根据所述第一切块定位点， 定位预设大小的第一切割框， 并根据所述第一切割框从所 述待分割医学影 像中确定出 所述影像切块。 6.根据权利要求5所述的基于深度学习的脊椎图像分割方法， 其特征在于， 所述偏移向 量根据如下 方式确定： 在所述第一椎骨定位点为首个确定的椎骨定位点的情况下， 将初始偏移向量作为所述 偏移向量； 在所述第一椎骨定位点不是首个确定的椎骨定位点的情况下， 根据所述第 一椎骨的上权　利　要　求　书 1/3 页 2 CN 115359257 A 2一椎骨的定位 点指向所述第一椎骨定位 点的向量确定所述偏移向量。 7.根据权利要求5所述的基于深度学习的脊椎图像分割方法， 其特征在于， 在将所述影 像切块输入脊椎分割神经网络模型， 得到影 像切块分割结果之后， 方法还 包括： 若所述影像切块中未发现第二椎骨像素点， 则在所述第一椎骨定位点的基础上， 增大 所述偏移向量， 从所述待分割医学影 像中重新获取影 像切块； 若所述重新获取的影像切块中包含椎骨像素点， 则根据其中的所有椎骨像素点确定新 的起始椎骨定位 点， 并继续执 行迭代分割。 8.根据权利要求1所述的基于深度学习的脊椎图像分割方法， 其特征在于， 所述根据 所 述影像切块分割结果， 确定第二椎骨定位 点， 包括： 从所述影 像切块分割结果中， 确定出 标签为“第二椎骨 ”的体素； 根据所有标签为 “第二椎骨”的体素， 通过计算质心， 或通过生成包围盒并计算中心， 或 通过生成包围球并计算中心的方式， 确定出 所述第二椎骨定位 点。 9.根据权利要求1所述的基于深度学习的脊椎图像分割方法， 其特征在于， 所述迭代执 行上述过程， 直至所述待分割医学影 像的至少部分数据分割完毕， 包括： 每一轮迭代后， 判断当前轮的迭代是否 达到预设终止条件； 其中， 所述预设终止条件 包括： 已分割出指定数量的椎骨； 或， 当前迭代轮的影像切块中位于图像边界之外的体素占所述当前迭代轮的影像切块中 体素总数的比例大于第一比例阈值。 10.根据权利要求1所述的基于深度学习的脊椎图像分割方法， 其特征在于， 方法还包 括： 将原始医学影 像进行预处理， 得到所述待分割医学影 像； 其中， 所述预处理至少包括以下的一个或更多个： 灰度标准化、 旋转、 降噪处理、 重采 样。 11.根据权利要求10所述的基于深度 学习的脊椎图像分割方法， 其特征在于， 所述旋转 是指将原始医学影像进行旋转， 使得所述待分割医学影像中的脊柱朝向医学影像坐标系中 的预设方向。 12.根据权利要求1所述的基于深度学习的脊椎图像分割方法， 其特征在于， 所述脊椎 分割神经网络模型包括主体模块， 以及第一输出层， 第二输出层； 所述主体模块用于对所影 像切块进行 特征提取， 得到特 征矩阵； 所述第一输出层连接所述主体模块， 用于根据所述特征矩阵得到所述影像切块中所述 第一椎骨的最终分割结果； 所述第二输出层连接所述主体模块， 用于根据所述特征矩阵得到所述影像切块中所述 第二椎骨的初步分割结果。 13.一种基于深度学习的脊椎图像分割装置， 其特 征在于， 包括： 切块模块， 用于根据待分割医学影像的第一椎骨定位点， 从所述待分割医学影像中获 取影像切块； 其中， 所述影 像切块至少包括第一椎骨， 以及第二椎骨的至少部分数据； 分割模块， 用于将所述影 像切块输入脊椎分割神经网络模型， 得到影 像切块分割结果； 定位模块， 用于根据所述影 像切块分割结果， 确定第二椎骨定位 点；权　利　要　求　书 2/3 页 3 CN 115359257 A 3