本发明涉及医学图像处理领域，尤其涉及一种脊椎椎体识别方法、系统、设备及介质。
背景技术：
1、在脊椎的mri(磁共振成像)图像中对各具体椎体进行识别及标注，能够为疾病诊断等活动提供参考。目前采用人工智能模型进行椎体自动识别仍具有较多困难。
2、首先，由于不同医疗机构所采用的脉冲序列不同，在不同医疗机构所获取的mri图像在图像特性上会存在差异，例如会具有不同的图像分辨率和不同的强度分布，容易产生噪声背景、低分辨率和不相关的伪影等障碍，使得椎体识别模型的鲁棒性较低。
3、其次，若脊椎存在病理变异，可能会导致不可预测的椎体外观变化。同时，脊椎自身具有一定重复性，使得不同的椎体具有相似的外观。因此需要提取具有高度区分性的特征以精确区分不同的椎体。
4、再次，不同mri图像的fov并不固定。fov(视场角)指的是图像中显示的物理区域的大小和位置，即在扫描期间所覆盖的区域。对脊椎进行mri扫描时，fov确定了图像中所包含的椎体的范围，例如当fov为l4～t10时，该图像包括从l4到t10的椎体。在对不同的mri图像进行识别时，由于图像的fov可能并不相同，可能导致在椎体识别时产生fov混淆(例如，将l4～t10的椎体预测为l5～t11的椎体)。
技术实现思路
1、为了克服上述技术缺陷，本发明的目的在于提供一种脊椎椎体识别方法、系统、设备及介质。
2、本发明公开了一种脊椎椎体识别方法，包括以下步骤：
3、获取待检图像，并将所述待检图像输入预先训练的椎体识别模型，其中所述椎体识别模型包括区域提取网络，累积稀疏表示模块，分类模块；
4、采用所述区域提取网络于所述待检图像内获取多个待检框体，以及任一所述待检框体的特征信息，所述多个待检框体表示所述待检图像内的多个椎体的位置；
5、采用所述累积稀疏表示模块根据任一所述待检框体的特征信息迭代获取任一所述待检框体的累积特征，以生成任一所述待检框体的累积稀疏编码；
6、采用所述分类模块根据任一所述待检框体的累积稀疏编码输出任一所述待检框体的椎体类型，得到所述待检图像内的任一椎体的椎体类型。
7、优选地，所述迭代获取任一所述待检框体的累积特征，包括：
8、根据先前迭代的累积特征获取遗忘门向量fit与输入门向量所述遗忘门向量fit用于控制所述先前迭代的累积特征的权重，所述输入门向量用于控制当前迭代的初步累积特征的权重；
9、采用所述遗忘门向量fit与所述先前迭代的累积特征进行逐元素相乘、所述输入门向量与所述当前迭代的初步累积特征进行逐元素相乘后，求和得到累积特征
10、优选地，所述预先训练的椎体识别模型是通过以下步骤预先训练得到的：
11、获取多个训练脊椎图像与多个测试脊椎图像，于任一所述训练脊椎图像中标注多个训练框体、任一所述测试脊椎图像中标注多个测试框体，并为任一所述训练框体标注一训练标签、任一所述测试框体标注一测试标签，其中，所述多个训练框体与所述多个测试框体表示椎体，所述训练标签表示其所对应的所述训练框体的椎体类型，所述测试标签表示其所对应的所述测试框体的椎体类型；
12、将所述多个训练脊椎图像输入一待训练的椎体识别模型，采用所述区域提取网络学习任一所述训练脊椎图像内的多个训练框体的位置以及任一所述训练框体的特征信息之间的关系；
13、所述椎体识别模型还包括特征相似性正则化模块，根据任一所述训练框体的所述训练标签以及所述特征信息，所述特征相似性正则化模块计算获取一特征距离惩罚函数，以约束具有相同所述训练标签的不同所述训练框体所分别对应的所述特征信息于潜在特征空间中的欧几里得距离；
14、根据经所述特征相似性正则化模块约束后的任一所述训练框体的特征信息，所述累积稀疏表示模块迭代学习任一所述训练框体的累积稀疏编码；
15、将所述多个测试脊椎图像输入所述待训练的椎体识别模型，采用所述区域提取网络于任一所述测试脊椎图像内获取多个预测框体以及任一所述预测框体的特征信息；
16、所述特征相似性正则化模块根据所述特征距离惩罚函数约束所述多个预测框体的特征信息；
17、根据经所述特征相似性正则化模块约束后的任一所述预测框体的特征信息，所述累积稀疏表示模块获取任一所述预测框体的累积稀疏编码；
18、所述分类模块根据任一所述预测框体的累积稀疏编码，输出任一所述预测框体的预测标签；
19、对比任一所述测试脊椎图像中的所述多个预测框体与所述多个测试框体，获取所述待训练的椎体识别模型的整体损失函数，并进行反向传播，以对所述区域提取网络、所述相似性正则化模块与所述累积稀疏表示模块进行参数优化，记录所述待训练的椎体识别模型的图像识别率、椎体识别率；
20、重复上述步骤，直到所述待训练的椎体识别模型收敛，得到所述椎体识别模型，并将所述特征距离惩罚函数作为所述椎体识别模型的正则化项。优选地，所述计算获取一特征距离惩罚函数，包括：
21、所述相似性正则化模块构建一标签关联性图，将所述多个训练框体转换为所述标签关联性图中的多个节点，具有相同所述训练标签的所述多个节点之间的邻接边的权重设置为1，具有不同所述训练标签的所述多个节点之间的邻接边的权重设置为0；
22、计算获取特征距离惩罚函数其中ai,j表示节点i与节点j之间的邻接边的权重，表示节点i所对应的训练框体的特征信息hi与节点j所对应的训练框体的特征信息hj之间的欧几里得距离。
23、优选地，所述获取多个训练脊椎图像与多个测试脊椎图像，还包括：
24、对所述多个训练脊椎图像与所述多个测试脊椎图像进行插值处理，使所述多个训练脊椎图像的尺寸与所述多个测试脊椎图像的尺寸统一。
25、优选地，所述预先训练步骤，还包括：
26、采用五折交叉验证法对所述待训练的椎体识别模型进行评估。
27、本发明还公开了一种脊椎椎体识别系统，其特征在于，包括图像处理模块、识别模块，
28、所述图像处理模块获取待检图像，并将所述待检图像输入所述识别模块；
29、所述识别模块内设置有预先训练的椎体识别模型，其中所述椎体识别模型包括区域提取网络，累积稀疏表示模块，分类模块；
30、所述识别模块采用所述区域提取网络于所述待检图像内获取多个预测框体以及任一所述待检框体的特征信息；
31、所述识别模块采用所述累积稀疏表示模块根据任一所述待检框体的特征信息迭代获取任一所述待检框体的累积特征，以生成任一所述待检框体的累积稀疏编码；
32、所述识别模块采用所述分类模块根据任一所述待检框体的累积稀疏编码输出任一所述待检框体的椎体类型。
33、本发明还公开了一种电子设备，所述电子设备包括存储有计算机可执行指令的存储器和处理器，当所述指令被所述处理器执行时，使得所述电子设备实施前述的脊椎椎体识别方法。
34、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，当所述指令在计算机上运行时，使得所述计算机执行前述的脊椎椎体识别方法。
35、采用了上述技术方案后，与现有技术相比，具有以下有益效果：
36、1.约束潜在特征空间中的特征距离对椎体识别模型进行正则化，使类型相同的椎体的特征更为相关，帮助有效识别类型相同但外观相异的椎体；
37、2.利用各迭代阶段的历史累积特征，生成更具判别性的累积稀疏编码，帮助有效分辨类型不同但外观近似的椎体。
1.一种脊椎椎体识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的脊椎识别方法，其特征在于，所述迭代获取任一所述待检框体的累积特征，包括：
3.根据权利要求1所述的脊椎识别方法，其特征在于，所述预先训练的椎体识别模型是通过以下步骤预先训练得到的：
4.根据权利要求3所述的脊椎识别方法，其特征在于，所述计算获取一特征距离惩罚函数，包括：
5.根据权利要求3所述的脊椎识别方法，其特征在于，所述获取多个训练脊椎图像与多个测试脊椎图像，还包括：
6.根据权利要求3所述的脊椎识别方法，其特征在于，所述预先训练步骤，还包括：
7.一种脊椎椎体识别系统，其特征在于，包括图像处理模块、识别模块，
8.一种电子设备，其特征在于，所述电子设备包括存储有计算机可执行指令的存储器和处理器，当所述指令被所述处理器执行时，使得所述电子设备实施根据权利要求1-6中任一项所述的脊椎椎体识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行根据权利要求1-6中任一项所述的脊椎椎体识别方法。
