[發(fā)明專利]基于遷移學習的顱內血管造影增強三維模型的建立方法

在審

• 申請?zhí)枺?/td>: 202011322228.4
• 申請日: 2020-11-23
• 公開（公告）號: CN112669439A
• 公開（公告）日: 2021-04-16
• 發(fā)明（設計）人: 賈廣;李檀平;張向淮;郝嘉雪;黃旭楠;高敬龍;張小玲;湯敏;譚麗娜;苗啟廣;張昱;張藝飛;梁小鳳;王澤
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06T7/00;G06T7/30
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 劉長春

1.一種基于遷移學習的顱內血管造影增強三維模型的建立方法，其特征在于，包括：

獲取顱內血管部位的亮血圖像組、黑血圖像組和增強黑血圖像組；其中，所述亮血圖像組、所述黑血圖像組、所述增強黑血圖像組分別包括K個亮血圖像、黑血圖像和增強黑血圖像；所述亮血圖像組、所述黑血圖像組、所述增強黑血圖像組中的圖像一一對應；K為大于2的自然數(shù)；

將每個亮血圖像和對應的增強黑血圖像作為一個圖像對，對每個圖像對進行預處理，得到該圖像對的第一亮血圖像和第一黑血圖像；

針對每個第一亮血圖像，以對應的第一黑血圖像為基準，利用基于高斯分布抽樣的互信息和圖像金字塔的配準方法進行圖像配準，得到包括K個配準后亮血圖像的配準后亮血圖像組；

利用所述配準后亮血圖像組，對所述增強黑血圖像組中的增強黑血圖像進行流空偽影消除操作，得到包括K個目標增強黑血圖像的偽影消除增強黑血圖像組；

將所述偽影消除增強黑血圖像組和所述黑血圖像組中對應圖像相減，得到K個造影增強圖；

利用所述配準后亮血圖像組，采用遷移學習方法建立血液三維模型；

利用所述配準后亮血圖像組建立血液邊界擴展的血管三維模型；

利用所述K個造影增強圖建立造影增強三維模型；

基于所述血液三維模型、所述血管三維模型、所述造影增強三維模型，得到顱內血管造影增強三維模型。

2.根據權利要求1所述的方法，其特征在于，所述對每個圖像對進行預處理，得到該圖像對的第一亮血圖像和第一黑血圖像，包括：

針對每個圖像對，以所述增強黑血圖像為基準，將所述亮血圖像進行坐標變換和圖像插值，使用基于互信息的相似性度量，并采用預定搜索策略，得到預配準后的第一亮血圖像；

從所述增強黑血圖像中，提取與所述第一亮血圖像的掃描范圍相同的區(qū)域內容，形成第一黑血圖像。

3.根據權利要求1或2所述的方法，其特征在于，所述針對每個第一亮血圖像，以對應的第一黑血圖像為基準，利用基于高斯分布抽樣的互信息和圖像金字塔的配準方法進行圖像配準，得到包括K個配準后亮血圖像的配準后亮血圖像組，包括：

采用高斯分布抽樣選取預處理后的部分圖像對作為測試圖像對；

對每個測試圖像對中的所述第一亮血圖像和所述第一黑血圖像，采用基于互信息和圖像金字塔的配準方法進行圖像配準，得到配準后該測試圖像對中所述第一亮血圖像對應的旋轉矩陣；

獲得所有測試圖像對的旋轉矩陣的均值；

利用所述旋轉矩陣的均值，對除所述測試圖像對之外的、其余預處理后的圖像對中的所述第一亮血圖像進行坐標變換，完成圖像配準，得到包括K個配準后亮血圖像的配準后亮血圖像組。

4.根據權利要求3所述的方法，其特征在于，所述對每個測試圖像對中的所述第一亮血圖像和所述第一黑血圖像，采用基于互信息和圖像金字塔的配準方法進行圖像配準，得到配準后該測試圖像對中所述第一亮血圖像對應的旋轉矩陣，包括：

針對每個測試圖像對，基于下采樣處理，由所述第一亮血圖像得到亮血高斯金字塔，由所述第一黑血圖像得到黑血高斯金字塔；其中，所述亮血高斯金字塔和所述黑血高斯金字塔中包括從下至上分辨率依次變小的m個圖像；m為大于3的自然數(shù)；

基于上采樣處理，利用所述亮血高斯金字塔得到亮血拉普拉斯金字塔，利用所述黑血高斯金字塔得到黑血拉普拉斯金字塔；其中，所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中包括從下至上分辨率依次變小的m-1個圖像；

對所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中對應層的圖像進行配準，得到配準的亮血拉普拉斯金字塔；

利用所述配準的亮血拉普拉斯金字塔作為疊加信息，對所述亮血高斯金字塔和所述黑血高斯金字塔中各層圖像進行自上而下的配準，得到配準的亮血高斯金字塔，并得到配準后該測試圖像對中所述第一亮血圖像對應的旋轉矩陣。