基于深度学习的椎体分割和Cobb角计算方法

摘要

为了满足脊柱侧弯诊断中自动计算Cobb角的临床需求，需要对脊柱的每个椎体进行分割。为此，本文提出了一个结合高分辨率定位网络HRNet和分割网络VP-UNet的椎体分割模型，以实现椎体的精确分割和Cobb角的自动计算。首先设计了骨方向损失函数（Bone Direction Loss, BD-Loss），利用脊柱姿态作为先验知识来指导HRNet的训练，从而提高HRNet对脊柱复杂形态的适应能力；其次提出了位置信息感知模块（Position Information Perception Module, PIPM），将HRNet的定位特征融入到VP-UNet分割网络中，以获取脊柱图像的多层次信息。VP-UNet在VGG-Net的基础上增加了Dropout层和密集单元，在减少参数的同时提取更多的图像全局信息；最后基于椎体的定位和分割结果，提出了一种脊柱类型判断及Cobb角计算方法。实验结果表明，改进后的分割模型相比VGG-Net的召回率提高了2.18百分点，精确度提升了1.7百分点，Dice系数增加了0.69百分点，交并比提高了3.09百分点，能够有效地定位和分割每个椎体。Cobb角计算的结果满足临床需求，可以为脊柱侧弯的诊断提供技术支持。

关键词

深度学习 / 椎体定位 / 椎体分割 / Cobb角