[發(fā)明專利]一種基于全卷積網(wǎng)絡(luò)的三維腹部CT圖像多器官配準(zhǔn)方法

有效

• 申請?zhí)枺?/td>: 202010821503.0
• 申請日: 2020-08-15
• 公開（公告）號: CN111968135B
• 公開（公告）日: 2022-03-08
• 發(fā)明（設(shè)計(jì)）人: 趙于前;楊少迪;張帆;楊振;廖苗
• 申請（專利權(quán)）人: 中南大學(xué)
• 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

本發(fā)明公開了一種基于全卷積網(wǎng)絡(luò)的三維腹部CT圖像多器官配準(zhǔn)方法。首先，獲取腹部CT圖像數(shù)據(jù)集。然后，引入注意力機(jī)制模塊，構(gòu)建基于全卷積的網(wǎng)絡(luò)模型，對該網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練并獲得初步分割結(jié)果，再引入全連接條件隨機(jī)場，進(jìn)一步優(yōu)化分割結(jié)果，以實(shí)現(xiàn)腹部CT序列多器官區(qū)域的提取。其次，構(gòu)建腹部CT序列多器官區(qū)域圖像對以及基于局部相關(guān)系數(shù)數(shù)據(jù)項(xiàng)和空間正則化項(xiàng)的相似性度量函數(shù)。最后，采用交替方向乘子法最小化相似性度量函數(shù)，實(shí)現(xiàn)腹部多器官區(qū)域CT圖像對配準(zhǔn)。本發(fā)明采用先分割再配準(zhǔn)的兩步法策略，消除了外部灰度信息和噪聲對腹部目標(biāo)器官區(qū)域配準(zhǔn)的干擾，時間消耗少，配準(zhǔn)精度高，魯棒性強(qiáng)。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及一種基于全卷積網(wǎng)絡(luò)的三維腹部CT圖像多器官配準(zhǔn)方法。

背景技術(shù)

圖像配準(zhǔn)是計(jì)算機(jī)輔助疾病診斷、手術(shù)和治療的關(guān)鍵步驟，其目的是尋求一種空間變換，通過映射使兩個圖像的對應(yīng)點(diǎn)在空間上保持一致。配準(zhǔn)技術(shù)能對源于相同或不同模態(tài)醫(yī)學(xué)圖像的腹部器官、組織的形狀和大小進(jìn)行匹配，因此對輔助醫(yī)生治療計(jì)劃、手術(shù)導(dǎo)航和療效評估至關(guān)重要。腹部的組織和器官柔軟、邊緣模糊、器官形態(tài)個體差異較大且易受呼吸運(yùn)動的影響，因此腹部圖像配準(zhǔn)具有挑戰(zhàn)性。目前腹部圖像配準(zhǔn)方法運(yùn)算量大、計(jì)算復(fù)雜度高、缺乏魯棒性，且在臨床應(yīng)用中難以同時滿足配準(zhǔn)的實(shí)時性和準(zhǔn)確性。因此，研究一種快速、精準(zhǔn)、魯棒的腹部CT圖像配準(zhǔn)方法對于計(jì)算機(jī)輔助診斷和精準(zhǔn)醫(yī)療都非常重要。

現(xiàn)有的腹部圖像形變配準(zhǔn)方法通?？煞譃榛趶?qiáng)度的和基于特征的兩大類?；趶?qiáng)度的配準(zhǔn)方法直接利用灰度信息構(gòu)建固定圖像和浮動圖像之間的相似性度量，主要包括誤差平方和、互信息、相關(guān)系數(shù)和序列相似度檢測算法等。該類方法對每個像素點(diǎn)求其位移，無需預(yù)處理，配準(zhǔn)精度高，但運(yùn)算量大，計(jì)算復(fù)雜度高?；谔卣鞯呐錅?zhǔn)方法主要是提取圖像的點(diǎn)特征、邊緣特征和區(qū)域特征等，進(jìn)行特征匹配。該類方法僅需提取少量重要特征信息，可極大地減少配準(zhǔn)過程中的噪聲干擾、時耗和計(jì)算復(fù)雜度，但對特征提取和匹配位置的誤差敏感度高，從而降低了配準(zhǔn)精度。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對腹部CT圖像中組織結(jié)構(gòu)紋理復(fù)雜、器官輪廓邊緣灰度差異小、配準(zhǔn)算法時耗長、計(jì)算復(fù)雜度高等問題，采用先分割腹部CT圖像多器官區(qū)域再配準(zhǔn)的兩步法策略，提出了一種快速、精準(zhǔn)、魯棒性強(qiáng)的基于全卷積網(wǎng)絡(luò)的三維腹部CT圖像多器官配準(zhǔn)方法。

本發(fā)明提出的基于全卷積網(wǎng)絡(luò)的三維腹部CT圖像多器官配準(zhǔn)方法包括以下步驟：

(1)獲取三維腹部CT圖像數(shù)據(jù)集：

在公開數(shù)據(jù)庫SLIVER07、LiTS和BTCV中隨機(jī)讀取N個腹部CT序列分類標(biāo)簽信息，獲取并補(bǔ)齊相應(yīng)的肝、左腎、右腎和脾的分割掩膜，組成樣本訓(xùn)練集和測試集；

(2)提取三維腹部CT序列多器官區(qū)域，具體包括以下步驟：

(2-a)引入注意力機(jī)制模塊，構(gòu)建基于全卷積網(wǎng)絡(luò)的分割模型：

改進(jìn)的全卷積網(wǎng)絡(luò)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(jī)制模塊各1個，激活函數(shù)3個；第二部分包含下采樣、密集卷積塊、注意力機(jī)制模塊、上采樣各1個，激活函數(shù)3個；第三部分包含下采樣、密集卷積塊、注意力機(jī)制模塊、上采樣各1個，激活函數(shù)2個；第四部分包含融合、卷積層、激活函數(shù)、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(jìn)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(jī)制模塊通過壓縮比r來減少特征學(xué)習(xí)的通道數(shù)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(xùn)練網(wǎng)絡(luò)模型，獲得三維腹部多器官分割掩膜：

采用步驟(2-a)構(gòu)建的網(wǎng)絡(luò)模型對步驟(1)所得的樣本訓(xùn)練集進(jìn)行訓(xùn)練，以獲得樣本測試集的腹部CT序列多器官分割掩膜結(jié)果；