CN119180954B 一种基于扩散模型的颈椎椎骨分割及关键点检测方法 （重庆邮电大学）

号一种基于扩散模型的颈椎椎骨分割及关键本发明提供一种基于扩散模型的颈椎椎骨合生物力学模型生成的应力分布图和预处理图期提供了新指标，增强了评估的个性化和准确2获取头颅侧位片图像数据集，对图像数据集进行预处理，并将预处预处理包括对头颅侧位片图像转为RGB的统一格式；之后对头颅侧位片图像进行归一对图像数据集中每个头颅侧位片图像样本的颈椎骨节进行标注，包采集颈椎区域的生物力学参数，生物力学参数包括椎骨间的应力采用有限元分析软件来模拟颈椎区域的生物将通过有限元分析获得的三维生物力学数据投影到预处理后的二维头颅侧位片图像将每个预处理后的图像像素点与相应的生物力学参数融合，生3获取增强特征集，将增强特征集输入到基于Transformer和CNN的颈椎骨分割模型中，对预处理图像的训练集和测试集进行多尺度特征提取，并将不同尺结合红外热成像技术获取颈椎区域的微循环血流特征，并使用高分辨率红外热成像设备对患者颈椎区域进行成像，获取微建立一个基于温度梯度的血流速度估算模型，设置血流速度v(x,,y,)v(x',")=k'1VT(x',y将回归模型的输出值与之前生成的关键点热力图进行融合，得到最终的增强热力图；Henhanced(x,,y,)＝Sigmoid(Horiginal(x,,y,)+R(x,,y,))4将增强后的热力图与分割后的颈椎骨图像特征结合，形成一个基于增强热力图进行不确定性分布，用最大似然估计的方法从增强构建一个可学习的高斯混合模型来模拟扩散过程将初始的高斯混合模型作为输入，通过可学习的扩散模型来迭代定义高斯混合模型的高斯分量数量为M,，用来表示关键点不确定性分布的混合成分将预处理图像包括的训练集和测试集输入到背景编码器中，以提取将融合后的特征作为输入，利用图像的全局和局部上下文信息，将当前待测的头颅侧位片图像数据集输入到上述构建的扩散模型中52.根据权利要求1所述的一种基于扩散模型的颈椎椎骨分割及关键点检测方法，其特将加噪后的标注掩模输入到扩散模型的编码器中；同时将预处通过编码器解码器提取分割特征并整合到扩散模型的编通过U型网络编码器提取图片语义特征，并利用融合模块注入到扩散模型的嵌入向量将经过过滤的亲和力图使用逆快速傅里叶变换转换回将融合后的最终特征通过多层感知机进一步细化，以增强3.根据权利要求2所述的一种基于扩散模型的颈椎椎骨分割及关键点检测方法，其特通过将预处理图像输入到多个并行的高分辨率网络中，并分别以1/4,1/8,高分辨率子网络将其特征图传递给低分辨率子网络，低将不同分辨率的特征图进行上采样和拼接加权求和操作，得到最终融合的多尺度特将融合后的多尺度特征图输入到一个1x1卷积层中，将融合特征图映射到单通道的热4.根据权利要求3所述的一种基于扩散模型的颈椎椎骨分割及关键点检测方法，其特从增强热力图中提取关键点的候选位置，即增强热力图中概率值最将得到的每个关键点的高斯分布参数，组合成一个高斯混合模型，高65.根据权利要求4所述的一种基于扩散模型的颈椎椎骨分割及关键点检测方法，其特背景编码器采用基于Transformer的网络结构，通过嵌入层，将预处理图像转化为将注意力输出Y送入一个前馈神经网络，通过两个全连接层和ReLU激活函数增强模型将Transformer编码块重复堆叠多层，每个编码块包括多头注意力机制和前馈神经网从Transformer编码器的最后一层输出，取最后一个时间步的隐藏状态作为全局语义将从输入数据中提取的全局语义特征向量g输入到一个全连接层中，通过该层的线性6.根据权利要求5所述的一种基于扩散模型的颈椎椎骨分割及关键点检测方法，其特θ是训练好的扩散模型；7流速度特征在现有的分割与检测模型中往往被忽视或未被充分利用；8[0023]预处理包括对头颅侧位片图像转为RGB的统一格式；之后对头颅侧位片图像进行9[0038]将通过有限元分析获得的三维生物力学数据投影到预处理后的二维头颅侧位片[0056]构建一个基于温度梯度和血流速度的多变量回归模型，多变量回归模型的公式bone+w2enhanced+w3选位置坐标(x9,y9)就是关键点的初步[0080]将预处理图像输入到背景编码器中，以提取全局的语义特征向量和局部空间特[0084]将注意力输出Y送入一个前馈神经网络，通过两个全连接层和ReLU激活函数增强[0085]将Transformer编码块重复堆叠多层，每个编码块包括多头注意力机制和前馈神[0086]从Transformer编码器的最后一层输出，取最后一个时间步的隐藏状态作为全局[0087]将从输入数据中提取的全局语义特征向量g输入到一个全连接层中，通过该层的[0097]生物力学模型通过有限元分析(FEA)生成的应力分布图与预处理的图像结合，从或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。对位置关系也可能相应地改变。集的生物力学数据与步骤S1中经过预处理后的图像数据集进行整合，形成一个增强特征的数据库或者网上公开数据进行获取，训练集、测试集比例分别为70％、30％或者80％、[0132]采用有限元分析(FiniteElementAnalysis,FEA)软件来模拟颈椎区域的生物力学[0144]将通过有限元分析获得的三维生物力学数据投影到预处理后的二维头颅侧位片[0145]这一过程需要使用基于图像注册(ImageRegistration)的方法来对齐生物力学模椎骨分割模型中，该模型利用Transformer的全局上下文信息和CNN的局部特征提取能力，取的特征c0和扩散模型中的特征d0转移到[0161]通过U型网络编码器提取图片语义特征，并利用融合模块注入到扩散模型的嵌入[0162]具体地，首先将经过编码器提取的特征c0和扩散模型中的特征d[0177]具体的多尺度特征融合实施方式如图4所示，对于上述中每个尺度分支通过四个[0182]将热成像图像与颈椎骨分割结果图像进行配准；具体使用基于互信息(Mutual[0191]构建一个基于温度梯度和血流速度的多变量回归模型，多变量回归模型的公式[0201]利用上述联合特征向量，使用基于多尺度分析的回归模型进行颈椎骨龄分期预bone+w2enhanced+w323′)中抽取的任意样本的概率，表示第m″个高斯分量的概率密度函[0233]在H0上进行正向扩散过程，经过K步后，生成的噪声分布等于拟合的GMM分布k是扩散模型中随时间衰减的系数。[0238]编码器采用基于Transformer的网络结构，通过嵌入层，将预处理图像转化为[0244]将注意力输出Y送入一个前馈神经网络，通过两个全连接层和ReLU激活函数增强[0247]将Transformer编码块重复堆叠多层，每个编码块包括多头注意力机制和前馈神[0248]从Transformer编码器的最后一层输出，取最后一个