[發明專利]基于動態邊緣預測的核磁共振影像中腎臟分離方法及裝置

有效

• 申請號: 202010155718.3
• 申請日: 2020-03-09
• 公開（公告）號: CN111563875B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 陳莉;楊正浩;林海曉
• 申請（專利權）人: 北京靈醫靈科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13
• 代理公司: 北京天方智力知識產權代理事務所(普通合伙) 11719
• 代理人: 張廷利

本發明提供了一種基于動態邊緣預測的核磁共振影像中腎臟分離方法及裝置，隨機在醫學影像中選擇種子點，通過各方向上的終點在種子點外形成包絡，不斷動態更新終點距離種子點的距離從而使得終點更加接近腎臟邊緣，從而分離出腎臟。本發明克服了現有醫學影像分離網絡訓練數據匱乏的問題，能自動生成訓練數據。此外，本發明相比于預測所有屬于腎部的體素而僅預測腎臟邊緣體素。且，本發明操作簡便，成本低廉，分離結果準確。

技術領域

本發明涉及計算機領域，尤其涉及一種基于動態邊緣預測的核磁共振影像中腎臟分離方法及裝置。

背景技術

隨著醫學成像技術的飛速發展，醫學影像在疾病診斷中的地位越發重要。精準的腎部分割可以很大程度上提高計算機輔助診斷，腹腔手術導航等的準確率。現有的腎部核磁共振圖像分割方法主要包含基于傳統方法、基于統計模型和基于深度學習三類。傳統方法大多需要人工干預，且難以分割對比度低、邊界模糊的CT圖像。基于統計模型的方法通常需要將先驗模型與待分割圖像進行配準，該過程耗費時間長，且分割結果受配準精度影響較大。現有的基于深度學習的方法需要大量的訓練數據，且容易出現過擬合問題，此外若基于3D網絡訓練，則可能導致難以收斂，若基于2D網絡訓練，則可能損失上下文信息。

發明內容

本發明旨在提供一種克服上述問題或者至少部分地解決上述問題的基于動態邊緣預測的核磁共振影像中腎臟分離方法及裝置。

為達到上述目的，本發明的技術方案具體是這樣實現的：

本發明的一個方面提供了一種基于動態邊緣預測的核磁共振影像中腎臟分離方法，其特征在于，包括以下步驟：S1，確定方向集D＝{d₁,d₂,…,d_M}，其中，方向集D中包含的元素為將單位球方位角和極角均分后，單位球上每個方向對應的向量；S2，將現有帶標注的腎臟核磁共振影像集合按預設比例劃分為訓練集和測試集，每一套醫學影像形成一個尺寸為H_x*H_y*H_z大小的訓練矩陣C，其中，訓練矩陣C中每個元素儲存體素(x,y,z)到邊界的距離；S3，對于每套腎臟核磁共振影像，隨機采樣形成訓練種子點集P＝{p₁,p₂,…,pN}；構建形狀為n*m的訓練距離矩陣R1，訓練距離矩陣R1中每個元素r_ij為方向j上距離第i個樞點的距離，將所有距離初始化為預設值；構建訓練終點集E1，訓練終點集E1中每個元素e_ij＝p_i+r_ij*d_m；構建形狀為n*m的訓練終點強度矩陣I1，訓練終點強度矩陣I1中每個元素i_ij為核磁共振圖像中終點e_ij對應體素的強度值；S4，將訓練終點強度矩陣I1輸入預先構建的動態邊緣預測網絡，動態邊緣預測網絡輸出與訓練終點強度矩陣I1相同尺寸的訓練矩陣O1，訓練矩陣O1中每個元素代表該終點距離邊界的距離；S5，將訓練矩陣O1與訓練矩陣C逐元素計算平方損失，并將損失反傳給動態邊緣預測網絡，更新訓練距離矩陣R1，訓練終點集E1和訓練終點強度矩陣I1，直至執行本步驟預設第一次數，得到訓練好的動態邊緣預測網絡；S6，初始化形狀為N*M的預測距離矩陣R2，預測距離矩陣R2中每個元素為r_ij為方向j上距離第i個樞點的距離；S7，在待預測腎部MRI圖像上隨機采樣n個種子點，依據方向集D，以及初始化的預測距離矩陣R2，形成預測終點集E2，每個預測終點集E2對應的圖像強度值形成尺寸為n*m的預測終點強度矩陣I2；S8，將預測終點強度矩陣I2輸入訓練好的動態邊緣預測網絡，得到同樣尺寸的預測矩陣O2，預測矩陣O2中每個元素代表對應終點距離邊界的長度；S9，利用預測矩陣O2更新預測距離矩陣R2，進行對應元素相加，并同時更新預測終點集E2和終點強度矩陣I2，直至執行本步驟預設第二次數，或者預測矩陣O2內元素小于預設閾值；S10，對預測終點集E2中點進行核密度估計，去除孤立點；S11，對預測終點集E2中剩余終點進行三角剖分形成網格結構；S12，對網格結構進行體素化和空洞填充；S13，對體素化后的模型表面薄化重建腎臟表面。