[發明專利]一種基于全卷積網絡的三維腹部CT圖像多器官配準方法

有效

• 申請號: 202010821503.0
• 申請日: 2020-08-15
• 公開（公告）號: CN111968135B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 趙于前;楊少迪;張帆;楊振;廖苗
• 申請（專利權）人: 中南大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06T7/33;G06K9/62;G06V10/774
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于全卷積網絡的三維腹部CT圖像多器官配準方法，其特征在于包括以下步驟：

(1)獲取三維腹部CT圖像數據集：

在公開數據庫SLIVER07、LiTS和BTCV中隨機讀取N個腹部CT序列分類標簽信息，獲取并補齊相應的肝、左腎、右腎和脾的分割掩膜，組成樣本訓練集和測試集；

(2)提取三維腹部CT序列多器官區域，具體包括以下步驟：

(2-a)引入注意力機制模塊，構建基于全卷積網絡的分割模型：

改進的全卷積網絡共包含四個部分，其中第一部分包含下采樣、密集卷積塊、注意力機制模塊各1個，激活函數3個；第二部分包含下采樣、密集卷積塊、注意力機制模塊、上采樣各1個，激活函數3個；第三部分包含下采樣、密集卷積塊、注意力機制模塊、上采樣各1個，激活函數2個；第四部分包含融合、卷積層、激活函數、上采樣各1個；其中第一至第四部分上、下采樣操作主要是對圖像進行縮放，并通過縮放比s來控制感受野的大小，以獲得圖像在不同分辨率下的特征信息；第一至第三部分注意力機制模塊通過壓縮比r來減少特征學習的通道數量，使之成為輕量級模塊；第一、第二、第三部分分別提取不同分辨率層的特征信息后并行輸出作為第四部分的輸入，密集卷積塊由多個密集卷積層組成，每個卷積層的輸入由前面所有層的輸出拼接而成；

(2-b)訓練網絡模型，獲得三維腹部多器官分割掩膜：

采用步驟(2-a)構建的網絡模型對步驟(1)所得的樣本訓練集進行訓練，以獲得樣本測試集的腹部CT序列多器官分割掩膜結果；

(2-c)采用全連接條件隨機場優化步驟(2-b)所得分割結果，實現腹部CT序列多器官區域的最終提取：

其中，x_i、x_j分別為體素點i、j的圖像標簽；ψ(x_i)代表單點勢能函數ψ(x_i)＝-logP(x_i|I)，P(x_i|I)為體素點對應網絡模型的輸出結果；ψ_ij(x_i,x_j)代表成對點勢能函數，且λ^m為權重參數，μ(x_i,x_j)＝[x_i≠x_j]為標簽兼容性函數，以確保體素的能量只能在相同標簽屬性下相互傳遞，k^m(·)為高斯核能量函數，F_i和F_j為成對體素點的特征向量；

(3)構建腹部CT序列多器官區域圖像對：浮動圖像與固定圖像；

根據樣本測試集中每個序列相應的多器官提取結果，隨機抽取1個序列圖像作為參考，并將剩余序列圖像依次與其配對，獲得多組腹部CT序列多器官區域圖像對；

(4)構建配準相似性度量函數：

其中，I₀為固定圖像，即參考圖像，I₁為浮動圖像，T為形變向量場，Sim為配準數據項，Reg為空間正則化項，λ為平衡數據項和正則化項之間誤差的常數；

(5)采用交替方向乘子法最小化相似性度量函數，實現腹部多器官區域CT圖像對的配準。

2.如權利要求1所述的基于全卷積網絡的三維腹部CT圖像多器官配準方法，其特征在于，所述的步驟(1)中，隨機讀取的腹部CT序列個數N的取值范圍為30～200之間的整數。

3.如權利要求1所述的基于全卷積網絡的三維腹部CT圖像多器官配準方法，其特征在于，所述的步驟(2-a)中，縮放比s的取值范圍為0～20之間的正實數，壓縮比r的取值范圍為2～32之間的整數。

4.如權利要求1所述的一種基于全卷積網絡的三維腹部CT圖像多器官配準方法，其特征在于，所述的步驟(4)中，λ為大于0小于1的常數。