[發明專利]基于三維重建的主動脈CT圖像關鍵點檢測方法及系統

在審

• 申請號: 202210005936.8
• 申請日: 2022-01-05
• 公開（公告）號: CN114332381A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 張百海;李浩天;柴森春;王昭洋;崔靈果;姚分喜
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06K9/62;G06V10/774;G06V10/764
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 方亞兵

本發明公開基于三維重建的主動脈CT圖像關鍵點檢測方法及系統，包括對人體上半身圖像進行關鍵點標注，獲取三維主動脈CT影像關鍵點數據集；通過多尺度切割映射獲取二維主動脈CT影像關鍵點數據集；進行目標主動脈框選，并切割獲取0/1heatmap圖與offset圖；改進Vnet網絡，將0/1heatmap圖與offset圖輸入到改進后的Vnet網絡中進行訓練，生成多尺度視圖上的關鍵點圓；進行空間幾何學三維重構，獲取關鍵點三維坐標，完成主動脈CT圖像關鍵點檢測。本發明能夠有效解決在主動脈CT影像處理過程中存在的：醫學圖像樣本量少、訓練時間長、訓練精度不足以及回歸難度大等問題。

技術領域

本發明屬于主動脈CT影像處理技術領域，尤其涉及基于三維重建的主動脈CT圖像關鍵點檢測方法及系統。

背景技術

醫學圖像處理作為目前醫學研究的重要手段之一，為組織結構解剖，臨床手術指導規劃，病灶分析以及病理學的定位等方面詳細信息的獲取研究提供了極為重要根據。伴隨著機器學習技術的發展，到如今在醫學研究甚至臨床診斷方面，醫學圖像處理技術的地位已經越來越突出，智能的基于深度學習的處理技術也得到了廣泛的應用。

目前針對醫學影像方面進行圖像處理檢測的方法已經發展出了很多種：基于區域的檢測方法，基于形狀模型的傳統檢測方法，基于級聯形狀回歸的檢測方法以及基于神經網絡的檢測方法。

基于區域的檢測方法將圖像分為目標和背景兩部分，若需完成多目標的分類檢測，還需進行標記。目標或背景內相鄰像素間的灰度值是相似的，但不同的目標或背景之間有差異。Taxt等人將基于局部或全局信息的閾值設置技術定義為基于上下文和非上下文處理方法,按照處理區域方式又可分為局部閾值處理,或稱為自適應性閾值法。閾值處理利用圖像灰度直方圖信息,計算量小,利于實現,但是易導致錯誤檢測,同時未考慮空間信息,易受噪音等原因產生偽影,其主要作為一種預處理方法。A.Varga-Szemes等人在此基礎上試構建了一種基于心肌信號強度閾值的半自動心臟MRI檢測處理法,并與常規基于輪廓的圖像處理方法進行比較,結果顯示閾值法耗時更短,其對EDV、ESW、SV、EF顯示低于常規方法,閾值法與主動脈血流測量的SV具有較好的一致性。

而基于形狀模型的關鍵點檢測方法主要為ASM(Active Shape Model)算法，這種算法由Cootes所提出。該算法是一種基于點分布模型(Point Distribution Model,PDM)的算法。在PDM中，外形相似的物體，例如人臉、主動脈、心臟、肺部等的幾何形狀可以通過若干關鍵點(landmarks)的坐標依次串聯形成一個形狀向量來表示。ASM算法需要通過人工標定的方法先標定訓練集，經過訓練獲得形狀模型，再通過關鍵點的匹配實現特定物體的匹配。ASM算法的優點在于模型簡單直接，架構清晰明確，易于理解和應用，而且對輪廓形狀有著較強的約束，但是其近似于窮舉搜索的關鍵點定位方式在一定程度上限制了其運算效率。

基于級聯的形狀回歸檢測由Sun等人首次提出。該方法將CNN應用到關鍵點檢測，形成一種級聯的CNN(擁有三個層級)——DCNN(Deep Convolutional Network)，此種方法屬于級聯回歸方法。其精心設計了擁有三個層級的級聯卷積神經網絡，不僅改善初始不當導致陷入局部最優的問題，而且借助于CNN強大的特征提取能力，獲得了更為精準的關鍵點檢測。從粗到精的逐步得到精確的關鍵點位置，還引入局部權值共享機制，從而提升網絡的定位性能。