[發(fā)明專利]基于二維影像遷移學(xué)習(xí)的醫(yī)學(xué)圖像超分辨率三維重建方法

有效

• 申請?zhí)枺?/td>: 201811549593.1
• 申請日: 2018-12-18
• 公開（公告）號: CN109584164B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計(jì)）人: 侯文廣;徐澤楷;陳子軒;易瑋瑋;鄒應(yīng)誠;桂秋玲
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T17/00
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 許恒恒;李智

本發(fā)明公開了一種基于二維影像遷移學(xué)習(xí)的醫(yī)學(xué)圖像超分辨率三維重建方法，包括以下步驟：(1)采集一系列二維醫(yī)學(xué)影像數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；(2)對每張二維醫(yī)學(xué)圖像按隔(s?1)列進(jìn)行采樣得到s個(gè)子圖像矩陣，重復(fù)操作得到多組子圖像矩陣；(3)設(shè)計(jì)三維重建用卷積神經(jīng)網(wǎng)絡(luò)，并利用多級圖像矩陣進(jìn)行訓(xùn)練；(4)利用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)對待重建的初始圖像序列進(jìn)行三維重建。本發(fā)明將卷積神經(jīng)網(wǎng)絡(luò)引入到三維重建中，通過網(wǎng)絡(luò)自主學(xué)習(xí)二維影像列之間的位置關(guān)系，隨后將切片序列轉(zhuǎn)換成二維圖像，可將切片序列的層間關(guān)系轉(zhuǎn)換為二維影像列之間的位置關(guān)系，使得三維重建問題轉(zhuǎn)換成為二維問題，魯棒性強(qiáng)，重建結(jié)果精度高。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像三維重建領(lǐng)域，更具體地，涉及一種基于二維影像遷移學(xué)習(xí)的醫(yī)學(xué)圖像超分辨率三維重建方法。

背景技術(shù)

醫(yī)學(xué)影像中的斷層掃描數(shù)據(jù)廣泛應(yīng)用于臨床診斷與治療。然而，受到成像設(shè)備、安全、經(jīng)濟(jì)等方面的約束，實(shí)際中往往只能得到層間間距較大的斷層序列。為了得到體數(shù)據(jù)的完整描述，就必須對這些斷層序列進(jìn)行處理。這些處理稱之為三維重建。目的是將二維切片代表的人體組織以立體的方式展現(xiàn)出來，進(jìn)行多角度、多層次的觀察，從而做出準(zhǔn)確的診斷。

現(xiàn)有三維重建方法主要是基于插值的重建方法。其中分為基于場景的插值與基于對象的插值。前者主要包括最近鄰插值以及線性插值等方法；后者主要針對的是三維體積數(shù)據(jù)包含不同組織結(jié)構(gòu)的情況下，一般包括距離、基于形態(tài)學(xué)的形狀插值等方法。由于這些插值算法僅僅考慮到了像素間的空間關(guān)系，并沒有引入其他信息。所以只適用于一些組織較為連續(xù)的體數(shù)據(jù)，魯棒性和精確度較低。為了有效克服傳統(tǒng)插值算法存在的問題，本發(fā)明提供了一種新穎有效的三維重建方法，大大提高了三維重建的精度。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明的目的在于提供一種基于二維影像遷移學(xué)習(xí)的醫(yī)學(xué)圖像超分辨率三維重建方法，將卷積神經(jīng)網(wǎng)絡(luò)引入到三維重建中，通過網(wǎng)絡(luò)自主學(xué)習(xí)二維影像列之間的位置關(guān)系，隨后將切片序列轉(zhuǎn)換成二維圖像，目的是為了將切片序列的層間關(guān)系轉(zhuǎn)換為二維影像列之間的位置關(guān)系。從而使得三維重建問題轉(zhuǎn)換成為二維問題。本發(fā)明中的三維重建方法魯棒性強(qiáng)，重建結(jié)果精度高。

為實(shí)現(xiàn)上述目的，按照本發(fā)明，提供了一種基于二維影像遷移學(xué)習(xí)的醫(yī)學(xué)圖像超分辨率三維重建方法，其特征在于，包括以下步驟：

(1)采集一系列二維醫(yī)學(xué)影像數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；

(2)對于所述步驟(1)得到的任意一張二維醫(yī)學(xué)圖像，按照隔(s-1)列的方式進(jìn)行采樣，得到s個(gè)子圖像矩陣；其中，第1個(gè)子圖像矩陣由該二維醫(yī)學(xué)圖像中的第(1+s×0)、(1+s×1)、(1+s×2)…列構(gòu)成，第2個(gè)子圖像矩陣由該二維醫(yī)學(xué)圖像中的第(2+s×0)、(2+s×1)、(2+s×2)…列構(gòu)成，第3個(gè)子圖像矩陣由該二維醫(yī)學(xué)圖像中的第(3+s×0)、(3+s×1)、(3+s×2)…列構(gòu)成，由此類推，得到一組共s個(gè)子圖像矩陣；對所述步驟(1)得到的一系列二維醫(yī)學(xué)影像重復(fù)此操作，由此得到多組子圖像矩陣；

其中，s為預(yù)先設(shè)定的大于等于2的正整數(shù)；

(3)設(shè)計(jì)三維重建用卷積神經(jīng)網(wǎng)絡(luò)，輸入為單個(gè)通道，輸出為(s-1)個(gè)通道；然后利用所述步驟(2)得到的多組子圖像矩陣對該卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成后即得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)；

訓(xùn)練時(shí)，具體是將任意一組共s個(gè)子圖像矩陣中的其中一個(gè)子圖像矩陣作為輸入，另外(s-1)個(gè)子圖像矩陣與(s-1)個(gè)輸出通道一一對應(yīng)，作為這(s-1)個(gè)輸出通道的標(biāo)簽值，由此利用多組子圖像矩陣中的每一組對該卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；