基于unet的卷积神经网络的脊柱MRI图像分割

随着计算机与医学影像技术的不断进步,医学图像的分割逐渐成为医学图像技术研究的热点,在医学领域发挥着重要作用,核磁共振(MRI)成像能敏感地检查出组织成分中水含量的变化,能显示功能和新陈代谢过程等生理生化信息的变化,为一些早期病变提供了诊断依据,常常比CT能更有效和更早地发现病变以及不会像CT那样产生对人体有损伤的电离辐射等特点,被广泛应用于脊柱成像中。MRI的分析师(放射科医师和骨科医师)可以从呈现的图像中快速读出病变部位。这种方法的一种缺点是耗费时间,缺乏准确性。人工将MRI扫描的图像从大量的扫描图像中分割出来是一个很费时繁琐的过程。因此,选择对脊柱MRI扫描进行自动分割和分析至关重要,以提高临床诊断的准确性,给患者的治疗带来很大帮助。深度学习技术的兴起在医疗方面带来了福音。它能够快速地分析大量数据并产生较好的准确性。因此,深度学习方法可以有效地运用到MAI图像的自动分割。根据脊柱核磁共振图像的特点,利用核磁共振图像中椎间盘与椎骨灰度的鲜明对比,使用交叉验证的方法,提出了利用卷积神经网络对脊柱MRI图像进行精准分割,并产生了较好的效果,平均分割精确度可达到88%以上。