姜百浩，刘静，仇大伟，姜良

（山东中医药大学智能与信息工程学院，山东 济南 250355）

0 引言

骨性结构对脊柱的压迫是脊柱疾病的主要致病因素［1］。脊柱疾病作为常见病、多发病，病患数量多，医生对脊柱图像分割、诊断的任务重、工作量大；同时由于脊柱生理结构的复杂性，医生诊断会受到临床经验的影响，使得分割结果存在误差，产生误判。误判不仅会影响分割结果的准确率和后续的治疗过程，还容易引起不必要的医患矛盾。

传统图像分割方法主要是基于阈值的方法、基于边缘的方法、基于区域的方法、基于特定理论的方法等，此外还可以通过直接确定区域间的边界来实现图像分割。传统的分割方法只能对灰度图像进行分割处理，导致应用受到限制；其次分割过程往往取决于医生的先验知识，例如阈值法中选取阈值、区域生长法中选取种子点等，会导致结果受到主观因素影响［2］；最重要的是分割的精度和效率很难达到实际应用的效果。

深度学习模型是一种模仿人类大脑内部神经连接的结构模型，能够准确地对图像中关键信息由低级到高级进行多层次的特征提取，提取过程中对检测到的信息给予描述并反馈数据解释，方便探索图像蕴含的更深层次的特征信息，从而达到精准、高效的图像分割效果［3］。将深度学习算法引入到医学图像分割中，能够发挥深度学习算法学习能力强、对图像具有良好的非线性映射能力等优点，在弥补传统分割方法提取图像特征信息耗时长、精度不足的同时，可以更加精准地表达出脊柱图像深层次的关键信息，获得更好的图像分割效果［4］。……