[發(fā)明專利]應(yīng)用人工智能引導(dǎo)人體模型圖集與病例CT圖像配準(zhǔn)的方法

有效

• 申請?zhí)枺?/td>: 202010879567.6
• 申請日: 2020-08-27
• 公開（公告）號: CN112070731B
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 劉豆豆;陳思;楊雪松;鄧曉
• 申請（專利權(quán)）人: 佛山讀圖科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T7/33;G06K9/62
• 代理公司: 佛山市禾才知識產(chǎn)權(quán)代理有限公司 44379
• 代理人: 曹振;羅凱欣

應(yīng)用人工智能引導(dǎo)人體模型圖集與病例CT圖像配準(zhǔn)的方法，涉及醫(yī)學(xué)圖像配準(zhǔn)和分割領(lǐng)域，包括以下步驟：S1：建立能夠參數(shù)化表達(dá)CT數(shù)據(jù)多樣性的參數(shù)系統(tǒng)；S2：制作具有代表性的人體全身模型圖集數(shù)據(jù)集合M{M0、M1…Mn}；S3：自適應(yīng)地在人體全身模型圖集數(shù)據(jù)集合M{M0、M1…Mn}中找到與病例CT最匹配的模型數(shù)據(jù)作為候選配準(zhǔn)模型數(shù)據(jù)Mj；S4：引導(dǎo)候選配準(zhǔn)模型數(shù)據(jù)Mj的位置信息更新，得到初始化配準(zhǔn)模型數(shù)據(jù)Mj2；S5：將初始化配準(zhǔn)模型數(shù)據(jù)Mj2配準(zhǔn)到病例CT。通過建立參數(shù)系統(tǒng)并由人工智能引導(dǎo)選擇模型和配準(zhǔn)初始化的方式進(jìn)行配準(zhǔn)，避免模型形態(tài)無法滿足真實(shí)數(shù)據(jù)多樣性的問題，給出和真實(shí)病例數(shù)據(jù)更接近的模型，獲得更好的配準(zhǔn)初始化狀態(tài)以提高配準(zhǔn)和分割的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像配準(zhǔn)和分割領(lǐng)域，特別是應(yīng)用人工智能引導(dǎo)人體模型圖集與病例CT圖像配準(zhǔn)的方法。

背景技術(shù)

醫(yī)學(xué)圖像配準(zhǔn)指的是對一幅醫(yī)學(xué)圖像數(shù)據(jù)尋求一種或一系列空間變換，使其與另一幅目標(biāo)數(shù)據(jù)的感興趣區(qū)域在空間上達(dá)到一致的過程，隨著醫(yī)學(xué)成像設(shè)備的不斷發(fā)展，要利用越來越豐富的醫(yī)學(xué)數(shù)據(jù)進(jìn)行綜合分析需要對數(shù)據(jù)進(jìn)行器官或感興趣區(qū)域的配準(zhǔn)和分割。對于人體醫(yī)學(xué)數(shù)據(jù)來說，一方面存在大量的組織或器官相互之間邊界模糊、梯度復(fù)雜難以進(jìn)行直接分割的情況，另一方面人體內(nèi)器官或組織的大小、形態(tài)以及器官之間的對應(yīng)結(jié)構(gòu)相對穩(wěn)定。利用人體結(jié)構(gòu)和組織相對關(guān)系的先驗(yàn)知識進(jìn)行分割可以作為改善器官邊界不清晰、梯度復(fù)雜情況的有效方法。

對于人體組織和器官，常使用基于Atlas模型集合進(jìn)行分割的方法來利用人體結(jié)構(gòu)的先驗(yàn)知識進(jìn)行器官分割任務(wù)。Atlas模型集合由人工對多個(gè)數(shù)據(jù)中指定的器官或組織進(jìn)行標(biāo)注來建立目標(biāo)模型，分割過程中模型的選取通常有兩類方式：通過依次配準(zhǔn)多個(gè)模型到病例CT的結(jié)果來選取最接近目標(biāo)的模型或者使用模型集合進(jìn)行聚類分析方式得到配準(zhǔn)模型，最后通過配準(zhǔn)和模型標(biāo)注信息對病例CT進(jìn)行分割。在實(shí)際應(yīng)用中，基于Atlas模型分割方法本身存在一些不足：一是方法在選取配準(zhǔn)模型時(shí)使用多次配準(zhǔn)選出最優(yōu)的方式計(jì)算量大增加分割時(shí)長，而使用聚類方法選取配準(zhǔn)模型的方式則會(huì)影響配準(zhǔn)精度；二是因?yàn)槿梭w器官的形態(tài)相對穩(wěn)定而器官和組織之間的相互關(guān)系可能會(huì)隨著病人不同產(chǎn)生明顯差異，Atlas分割方法通常針對一個(gè)形態(tài)相對穩(wěn)定的特定器官或者組織進(jìn)行分割，例如宮頸、脾臟和腦部等組織，對于范圍更大的目標(biāo)例如腹部、胸腔、半身數(shù)據(jù)，由于缺少對人群解剖結(jié)構(gòu)和成像姿態(tài)方面的整體性先驗(yàn)知識判斷，無法進(jìn)行有效處理。如圖7-10所示，對于臨床中范圍較大的病例數(shù)據(jù)分割需求，基于Atlas分割的方法將會(huì)面臨所選配準(zhǔn)模型與目標(biāo)CT解剖結(jié)構(gòu)差異較大或者配準(zhǔn)初始化狀態(tài)不良導(dǎo)致的失配問題。

發(fā)明內(nèi)容

針對上述缺陷，本發(fā)明的目的在于提出一種應(yīng)用人工智能引導(dǎo)人體模型圖集與病例CT圖像配準(zhǔn)的方法，解決模型形態(tài)無法滿足真實(shí)數(shù)據(jù)多樣性的問題，提供與真實(shí)病例數(shù)據(jù)更接近的模型，獲得更好的配準(zhǔn)初始化狀態(tài)以提高配準(zhǔn)和分割的精度。

為達(dá)此目的，本發(fā)明采用以下技術(shù)方案：

應(yīng)用人工智能引導(dǎo)人體模型圖集與病例CT圖像配準(zhǔn)的方法，包括以下步驟：

S1：收集不同年齡段、不同地區(qū)的人群醫(yī)學(xué)數(shù)據(jù)統(tǒng)計(jì)信息，建立能夠參數(shù)化表達(dá)CT數(shù)據(jù)多樣性的參數(shù)系統(tǒng)；

S2：根據(jù)所述參數(shù)系統(tǒng)中各個(gè)參數(shù)在實(shí)際數(shù)據(jù)上相應(yīng)的關(guān)聯(lián)性、相互限制性和人群代表性制作一組具有代表性的人體全身模型圖集數(shù)據(jù)集合M{M0、M1…Mn}；

S3：通過人工智能對病例CT進(jìn)行分析，按照所述參數(shù)系統(tǒng)中的參數(shù)種類分別計(jì)算出病例CT的對應(yīng)的參數(shù)值，并根據(jù)算出的參數(shù)值，自適應(yīng)地在所述人體全身模型圖集數(shù)據(jù)集合M{M0、M1…Mn}中找到與病例CT最匹配的模型數(shù)據(jù)作為候選配準(zhǔn)模型數(shù)據(jù)Mj；

S4：通過人工智能對病例CT進(jìn)行分析，計(jì)算出病例CT中所包含的器官、CT成像范圍大小和器官對應(yīng)的位置信息，結(jié)合所述候選配準(zhǔn)模型數(shù)據(jù)Mj中對應(yīng)器官的位置信息，引導(dǎo)所述候選配準(zhǔn)模型數(shù)據(jù)Mj中各對應(yīng)器官的位置信息進(jìn)行更新，得到初始化配準(zhǔn)模型數(shù)據(jù)Mj2；