CN108269272A - 肝部ct配准方法和系统 - Google Patents

肝部ct配准方法和系统 Download PDF

Info

Publication number
CN108269272A
CN108269272A CN201810100582.9A CN201810100582A CN108269272A CN 108269272 A CN108269272 A CN 108269272A CN 201810100582 A CN201810100582 A CN 201810100582A CN 108269272 A CN108269272 A CN 108269272A
Authority
CN
China
Prior art keywords
liver
key point
tetrahedron
coronal
plane
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810100582.9A
Other languages
English (en)
Other versions
CN108269272B (zh
Inventor
胡飞
王方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Qing Yan Xiangyun Technology Co Ltd
Original Assignee
Beijing Qing Yan Xiangyun Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Qing Yan Xiangyun Technology Co Ltd filed Critical Beijing Qing Yan Xiangyun Technology Co Ltd
Priority to CN201810100582.9A priority Critical patent/CN108269272B/zh
Publication of CN108269272A publication Critical patent/CN108269272A/zh
Application granted granted Critical
Publication of CN108269272B publication Critical patent/CN108269272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了肝部CT配准方法和系统，包括获取肝部CT检查的横断面图和冠状面图；将横断面图和冠状面图输入训练好的卷积神经网络中得到横断面图和所述冠状面图上关键点的位置；对关键点进行关键点拓展以使拓展后的关键点构建的四面体覆盖全部肝部区域；根据前一次CT检查结果和后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用拓展后的关键点对肝部标准空间和肝部扫描空间进行三角剖分得到第一四面体集合和第二四面体集合；计算已知点坐标在肝部标准空间中的对应坐标，以将后一次CT检查结果映射到第一次CT检查结果中使两次CT检查的肝部重叠。本发明解决了现有图像识别装置对CT图像进行处理准确度不高的技术问题。

Description

肝部CT配准方法和系统
技术领域
本发明涉及医疗技术领域，尤其是涉及肝部CT配准方法和系统。
背景技术
当前，肝癌作为全球第一大癌症，发病率逐年提升。肝癌的生存率与首次确诊时所处的病程阶段高度相关，肝癌影像学诊断是发现早期肝癌的重要手段,目前智能医疗是推动我国卫生事业和健康产业发展、更好地保障人民健康的重要内容，智能医疗将辅助我们更加合理地配置医疗资源。随着人口老龄化的到来，解决医疗便捷问题。因此将大数据驱动的人工智能应用于早期肝癌影像诊断中,通过机器辅助医生，提高诊疗效率，缓解超负荷状态，降低漏诊及误诊,提升医生诊疗质量，不仅可以挽救无数患者的生命，而且对于缓解医疗资源和医患矛盾也有重大意义。
现有技术中，现有图像识别装置对CT图像进行处理准确度不高，难以将前一次CT检查结果与后一次CT检查结果有效映射，给医疗诊断造成麻烦。
发明内容
有鉴于此，本发明的目的在于提供肝部CT配准方法和系统，解决了现有图像识别装置对CT图像进行处理准确度不高的技术问题。
第一方面，本发明实施例提供了肝部CT配准方法，包括：
通过CT扫描仪获取肝部CT检查的横断面图和冠状面图，其中，所述CT检查包括前一次CT检查结果和后一次CT检查结果；
将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中，得到所述横断面图和所述冠状面图上肝部关键点的位置；
对所述横断面图和所述冠状面图的关键点进行关键点拓展，以使拓展后的关键点构建的四面体覆盖全部肝部区域；
根据所述前一次CT检查结果和所述后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用所述拓展后的关键点对所述肝部标准空间进行三角剖分得到第一四面体集合；
将所述第一四面体集合中的每个顶点更换为所述肝部扫描空间的对应顶点坐标，以得到所述肝部扫描空间进行三角剖分的第二四面体集合；
利用所述第一四面体集合、所述第二四面体集合和所述肝部扫描空间中的已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标，以将所述后一次CT检查结果映射到所述前一次CT检查结果中使两次CT检查的肝部重叠。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，在所述通过CT扫描仪获取肝部的横断面图和冠状面图之后，所述将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中之前包括：
根据所述横断面图和所述冠状面图训练第一卷积神经网络和第二卷积神经网络。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述根据所述横断面图和所述冠状面图训练第一卷积神经网络和第二卷积神经网络包括：
从已有的肝部的横断面图和冠状面图中选取基准图像，分别为横断面基准图像和冠状面基准图像；
获取所述基准图像中的肝部位置；
根据所获取的肝部位置，标注所述基准图像中肝部的关键点，将已标注关键点的基准图像输入待训练的卷积神经网络中，对所述卷积神经网络进行训练，直到所述卷积神经网络的模型收敛为止；输入所述横断面基准图像训练而成的即为第一卷积神经网络，输入所述冠状面基准图像训练而成的即为第二卷积神经网络。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中，得到所述横断面图和所述冠状面图上肝部关键点的位置包括：
找到所述后一次CT检查结果的横断面图中面积最大的一层图像，记为第一基层图像；
利用所述第一卷积神经网络检测出所述第一基层图像中的横断面关键点位置，其中，所述横断面关键点的个数为六个，且所述关键点包括中心关键点；
根据所述第一基层图像和所述中心关键点，找到相对应的所述冠状面图的CT图像，记为第二基层图像；
利用所述第二卷积神经网络检测出所述第二基层图像中的冠状面关键点位置，其中，所述冠状面关键点的个数为四个。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述关键点包括中心关键点，所述对所述横断面图和所述冠状面图的关键点进行关键点拓展包括：
在所述前一次CT检查结果的横断面和冠状面上，均以所述中心关键点为基准，在四角方向等距离进行关键点扩展，其中，扩展个数均为四个。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述根据所述前一次CT检查结果和所述后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用所述拓展后的关键点对所述肝部标准空间进行三角剖分得到第一四面体集合包括：
记所述前一次CT检查结果所在的3D空间为所述肝部标准空间；
利用拓展后的关键点对所述肝部标准空间进行Delaunay算法三角剖分得到多个四面体，并将所述多个四面体组成所述第一四面体集合，其中，所述横断面图和所述冠状面图拓展后的所有关键点个数之和为十八个，且所述横断面图和所述冠状面图上的关键点为一一对应关系。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述将所述第一四面体集合中的每个顶点更换为所述肝部扫描空间的对应顶点坐标，以得到所述肝部扫描空间进行三角剖分的第二四面体集合包括：
记所述后一次CT检查结果所在的3D空间为所述肝部扫描空间；
将所述肝部标准空间剖分出的所述第一四面体集合中的每个顶点坐标换成所述肝部扫描空间中对应顶点的坐标，以得到所述肝部扫描空间剖分出的多个四面体，并将所述多个四面体组成所述第二四面体集合。
结合第一方面的第六种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述利用所述第一四面体集合、所述第二四面体集合和所述肝部扫描空间中的已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标包括：
根据所述已知点坐标找到所述第二四面体集合中包含所述已知点坐标的第一四面体；
利用所述第一四面体在所述第一四面体集合中找到对应的第二四面体；
根据第一四面体、所述第二四面体和所述已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标。
结合第一方面的第七种可能的实施方式，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述根据第一四面体、所述第二四面体和所述已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标包括：
对所述第一四面体和所述第二四面体的顶点进行重命名；
根据所述第一四面体的重命名顶点、所述第二四面体的重命名顶点和所述已知点坐标，利用向量计算原理计算所述已知点坐标在所述第二四面体中的对应坐标，其中，所述已知点坐标为所述肝部扫描空间中的病灶点坐标。
第二方面，本发明实施例提供了基于卷积神经网络的肝部CT配准系统，包括：
获取单元，用于通过CT扫描仪获取肝部CT检查的横断面图和冠状面图，其中，所述CT检查包括前一次CT检查和后一次CT检查；
关键点检测单元，用于将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中，得到所述横断面图和所述冠状面图上肝部关键点的位置；
关键点拓展单元，用于对所述横断面图和所述冠状面图的关键点进行关键点拓展，以使拓展后的关键点构建的四面体覆盖全部肝部区域；
第一三角剖分单元，用于根据前一次CT检查结果和后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用所述拓展后的关键点对所述肝部标准空间进行三角剖分得到第一四面体集合；
第二三角剖分单元，用于将所述第一四面体集合中的每个顶点更换为所述肝部扫描空间的对应顶点坐标，以得到所述肝部扫描空间进行三角剖分的第二四面体集合；
映射单元，用于利用所述第一四面体集合、所述第二四面体集合和所述肝部扫描空间中的已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标，以将所述后一次CT检查结果映射到所述前一次CT检查结果中使两次CT检查的肝部重叠。
本发明提供了肝部CT配准方法和系统，包括获取肝部CT检查的横断面图和冠状面图；将横断面图和冠状面图输入训练好的卷积神经网络中得到横断面图和所述冠状面图上关键点的位置；对关键点进行关键点拓展以使拓展后的关键点构建的四面体覆盖全部肝部区域；根据前一次CT检查结果和后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用拓展后的关键点对肝部标准空间和肝部扫描空间进行三角剖分得到第一四面体集合和第二四面体集合；计算已知点坐标在肝部标准空间中的对应坐标，以将后一次CT检查结果映射到第一次CT检查结果中使两次CT检查的肝部重叠。本发明解决了现有图像识别装置对CT图像进行处理准确度不高的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的肝部CT配准方法流程图；
图2为本发明实施例提供的横断面图像示意图；
图3为本发明实施例提供的冠状面图像示意图；
图4为本发明实施例提供的横断面扩展关键点的示意图；
图5为本发明实施例提供的冠状面扩展关键点的示意图；
图6为本发明实施例提供的S空间中的四面体示意图；
图7为本发明实施例提供的s空间中的四面体示意图；
图8为本发明实施例提供的基于卷积神经网络的肝部CT配准系统示意图。
图标：
10-获取单元；20-关键点检测单元；30-关键点拓展单元；40-第一三角剖分单元；50-第二三角剖分单元；60-映射单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，现有图像识别装置对CT图像进行处理准确度不高，难以将前一次CT检查结果与后一次CT检查结果有效映射，给医疗诊断造成麻烦，基于此，本发明实施例提供的肝部CT配准方法和系统，解决了现有图像识别装置对CT图像进行处理准确度不高的技术问题。
实施例一：
图1为本发明实施例提供的肝部CT配准方法流程图。
参照图1，肝部CT配准方法包括：
步骤S101，通过CT扫描仪获取肝部CT检查的横断面图和冠状面图，其中，CT检查包括前一次CT检查和后一次CT检查；
步骤S102，将横断面图输入训练好的第一卷积神经网络中，将冠状面图输入训练好的第二卷积神经网络中，得到横断面图和冠状面图上肝部关键点的位置；
具体地，首先第一卷积神经网络和第二卷积神经网络的训练过程为：
从已有的肝部的横断面图和冠状面图中选取基准图像，分别为横断面基准图像和冠状面基准图像；获取所述基准图像中的肝部位置；
根据所获取的肝部位置，标注基准图像中肝部的关键点，至此得到了两组样本，G1：横截面基准层的CT图像和关键点位置，G2：冠状面基准层的CT图像和关键点位置。将已标注关键点的基准图像输入待训练的卷积神经网络中，对卷积神经网络进行训练，直到卷积神经网络的模型收敛为止；输入横断面基准图像训练而成的即为第一卷积神经网络，输入冠状面基准图像训练而成的即为第二卷积神经网络。
其次，将待检测图像输入至神经网络中进行关键点检测的过程为：
找到后一次CT检查结果的横断面图中面积最大的一层图像，记为第一基层图像；
利用第一卷积神经网络检测出第一基层图像中的横断面关键点位置，其中，横断面关键点的个数为六个，且关键点包括中心关键点；
根据第一基层图像和所述中心关键点，找到相对应的冠状面图的CT图像，记为第二基层图像；
利用第二卷积神经网络检测出第二基层图像中的冠状面关键点位置，其中，冠状面关键点的个数为四个。
步骤S103，对横断面图和冠状面图的关键点进行关键点拓展，以使拓展后的关键点构建的四面体覆盖全部肝部区域；
具体地，关键点拓展是指在前一次CT检查结果的横断面和冠状面上，均以中心关键点为基准，在四角方向等距离进行关键点扩展，其中，扩展个数均为四个。
步骤S104，根据前一次CT检查结果和后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用拓展后的关键点对肝部标准空间进行三角剖分得到第一四面体集合；
具体地，记前一次CT检查结果所在的3D空间为肝部标准空间；利用拓展后的关键点对肝部标准空间进行Delaunay算法三角剖分得到多个四面体，并将多个四面体组成第一四面体集合，其中，横断面图和冠状面图拓展后的所有关键点个数之和为十八个，且横断面图和冠状面图上的关键点为一一对应关系。
步骤S105，将第一四面体集合中的每个顶点更换为肝部扫描空间的对应顶点坐标，以得到肝部扫描空间进行三角剖分的第二四面体集合；
具体地，记后一次CT检查结果所在的3D空间为肝部扫描空间；将肝部标准空间剖分出的第一四面体集合中的每个顶点坐标换成肝部扫描空间中对应顶点的坐标，以得到肝部扫描空间剖分出的多个四面体，并将多个四面体组成第二四面体集合。
步骤S106，利用第一四面体集合、第二四面体集合和肝部扫描空间中的已知点坐标，计算已知点坐标在肝部标准空间中的对应坐标，以将后一次CT检查结果映射到前一次CT检查结果中使两次CT检查的肝部重叠。
具体地，根据已知点坐标找到第二四面体集合中包含已知点坐标的第一四面体；利用第一四面体在第一四面体集合中找到对应的第二四面体；根据第一四面体、第二四面体和已知点坐标，计算已知点坐标在肝部标准空间中的对应坐标。
这里，计算已知点坐标在肝部标准空间中的对应坐标过程包括：
对第一四面体和所述第二四面体的顶点进行重命名；
根据第一四面体的重命名顶点、第二四面体的重命名顶点和已知点坐标，利用向量计算原理计算已知点坐标在第二四面体中的对应坐标，其中，已知点坐标为肝部扫描空间中的病灶点坐标。
本发明提供了肝部CT配准方法和系统，包括获取肝部CT检查的横断面图和冠状面图；将横断面图和冠状面图输入训练好的卷积神经网络中得到横断面图和所述冠状面图上关键点的位置；对关键点进行关键点拓展以使拓展后的关键点构建的四面体覆盖全部肝部区域；根据前一次CT检查结果和后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用拓展后的关键点对肝部标准空间和肝部扫描空间进行三角剖分得到第一四面体集合和第二四面体集合；计算已知点坐标在肝部标准空间中的对应坐标，以将后一次CT检查结果映射到第一次CT检查结果中使两次CT检查的肝部重叠。本发明解决了现有图像识别装置对CT图像进行处理准确度不高的技术问题
实施例二：
以下结合具体实施例对本发明提供的肝部CT配准方法进行阐述。
首先，标注关键点，训练卷积神经网络的流程为：
(1)CT扫描出来的是横截面的图像，从中找出肝脏区域面积最大的一层图像layer1，作为横截面基准图像，标注图2所示的关键点A、B、C、D、E、F。其中，5个关键点为尖点，F为中心点。
(2)取图2中的F点，F点在冠状面对应的CT影像为layer2，再标注其关键点G、H、I、J，如图3所示，关键点为四个尖点。
(3)得到了两组样本：G1：横截面基准CT图像和关键点位置；G2：冠状面基准CT图像和关键点位置；
(4)训练2个卷积神经网络：由G1训练出一个卷积神经网络C1(即实施例一中的第一卷积神经网络)，对于横截面的CT图像，能够自动检测6个关键点；由G2训练出一个卷积神经网络C2(即实施例一中的第二卷积神经网络)，对于冠状面的CT图像，能够自动检测4个关键点；
其次，使用以上训练出的C1、C2卷积神经网络监测待测CT图像的关键点过程如下：
对于后一次CT检查，CT扫描出来的是横截面的图像，找到肝脏区域面积最大的一层图像，作为横截面的基准图像layer1(即实施例一中的第一基层图像)，使用卷积神经网络C1，检测出6个关键点A、B、C、D、E、F；①取layer1中F点，使用F点在冠状面的CT影像layer2(即实施例一种的第二基层图像)，使用卷积神经网络C2，检测出4个关键点G、H、I、J；②对于前一次CT检查，采用上述方法，检测出关键点a,b,c,d,e,f及g、h、i、j。
然后，进行关键点扩展流程，过程如下：
对于前一次CT检查，对于横截面，以点F为基准，增加四个关键点k、l、m、n。假设F点坐标为(xf,yf)，增加的四个点的坐标为(xf-w,yf-w)、(xf-w,yf+w)、(xf+w,yf-w)、(xf+w,yf+w)。如图4所示。
对于冠状面，也以同样的方法，以F点在冠状面的坐标为基准，在四角的方向等距离增加o、p、q、r四个点。如图5所示。
增加8个扩展点后，关键点达到18个，由关键点构建的四面体应能够覆盖全部肝部区域。
最后，进行配准流程，过程如下：
(1)为方便叙述，记前一次CT检查所在的3D空间为肝部标准空间s。使用18个关键点对s空间进行三角剖分，剖分为多个四面体，典型的剖分算法为三角剖分Delaunay算法；以每个四面体的四个顶点命名该四面体，这些四面体组成一个集合，记录为w。
(2)记后一次CT检查所在的3D空间为肝部扫描空间S。使用神经网络检测出10个关键点，再由如上方案增广8个关键点，得到S空间的18个关键点；这18个关键点分别与s的18个关键点一一对应；
(3)将s空间剖分出的四面体集合w中的每个顶点换成S空间的对应定点的坐标，就可以得到对S空间的三角剖分，记为W。W和w中的每个四面体是一一对应的。
(4)已知S空间中某点X的坐标，计算其在s空间中的对应坐标，计算流程如下：
①找到S中包含X的四面体(对于每个四面体，使用计算几何方法判断点是否在四面体内)
②如果X不在四面体内，则X点在肝部之外；
③如果X在四面体Y中，这个四面体在w中对应的四面体为y，计算X点在s空间对应的坐标。为了简化描述，对两个四面体的顶点进行重命名，四面体Y的四个定点为A、B、C、O，病灶点为X。四面体y的四个顶点为a、b、c、o。问题形式化为已知A、B、C、O、X的坐标及a、b、c、o点坐标，如图6和图7所示，求病灶点X在y里的对应位置x。具体方法如下：
假定存在一个线性映射将四面体Y映射为四面体y，根据向量计算原理可知，S空间中如式(1)计算：
在s空间中如式(2)计算：
根据A、B、C、O、X的坐标，可计算出α、β、γ值。将α、β、γ值及a、b、c、o点坐标代入式2，可求得X映射到空间s的坐标x。同样方法，反向可以得到空间s到空间S的坐标映射。由此可将后一次CT检查映射到前一次CT检查，使两次CT检查的肝部重叠。
实施例三：
参照图8，基于卷积神经网络的肝部CT配准系统包括：
获取单元10，用于通过CT扫描仪获取肝部CT检查的横断面图和冠状面图，其中，所述CT检查包括前一次CT检查和后一次CT检查；
关键点检测单元20，用于将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中，得到所述横断面图和所述冠状面图上肝部关键点的位置；
关键点拓展单元30，用于对所述横断面图和所述冠状面图的关键点进行关键点拓展，以使拓展后的关键点构建的四面体覆盖全部肝部区域；
第一三角剖分单元40，用于根据前一次CT检查结果和后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用所述拓展后的关键点对所述肝部标准空间进行三角剖分得到第一四面体集合；
第二三角剖分单元50，用于将所述第一四面体集合中的每个顶点更换为所述肝部扫描空间的对应顶点坐标，以得到所述肝部扫描空间进行三角剖分的第二四面体集合；
映射单元60，用于利用所述第一四面体集合、所述第二四面体集合和所述肝部扫描空间中的已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标，以将所述后一次CT检查结果映射到所述前一次CT检查结果中使两次CT检查的肝部重叠。
本发明实施例提供的基于卷积神经网络的肝部CT配准系统，与上述实施例提供的肝部CT配准方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例所提供的肝部CT配准方法和系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种肝部CT配准方法，其特征在于，包括：
通过CT扫描仪获取肝部CT检查的横断面图和冠状面图，其中，所述CT检查包括前一次CT检查结果和后一次CT检查结果；
将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中，得到所述横断面图和所述冠状面图上肝部关键点的位置；
对所述横断面图和所述冠状面图的关键点进行关键点拓展，以使拓展后的关键点构建的四面体覆盖全部肝部区域；
根据所述前一次CT检查结果和所述后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用所述拓展后的关键点对所述肝部标准空间进行三角剖分得到第一四面体集合；
将所述第一四面体集合中的每个顶点更换为所述肝部扫描空间的对应顶点坐标，以得到所述肝部扫描空间进行三角剖分的第二四面体集合；
利用所述第一四面体集合、所述第二四面体集合和所述肝部扫描空间中的已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标，以将所述后一次CT检查结果映射到所述前一次CT检查结果中使两次CT检查的肝部重叠。
2.根据权利要求1所述的肝部CT配准方法，其特征在于，在所述通过CT扫描仪获取肝部的横断面图和冠状面图之后，所述将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中之前包括：
根据所述横断面图和所述冠状面图训练第一卷积神经网络和第二卷积神经网络。
3.根据权利要求2所述的肝部CT配准方法，其特征在于，所述根据所述横断面图和所述冠状面图训练第一卷积神经网络和第二卷积神经网络包括：
从已有的肝部横断面图和冠状面图中选取基准图像，分别为横断面基准图像和冠状面基准图像；
获取所述基准图像中的肝部位置；
根据所获取的肝部位置，标注所述基准图像中肝部的关键点，将已标注关键点的基准图像输入待训练的卷积神经网络中，对所述卷积神经网络进行训练，直到所述卷积神经网络的模型收敛为止；输入所述横断面基准图像训练而成的即为第一卷积神经网络，输入所述冠状面基准图像训练而成的即为第二卷积神经网络。
4.根据权利要求1所述的肝部CT配准方法，其特征在于，所述将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中，得到所述横断面图和所述冠状面图上肝部关键点的位置包括：
找到所述后一次CT检查结果的横断面图中面积最大的一层图像，记为第一基层图像；
利用所述第一卷积神经网络检测出所述第一基层图像中的横断面关键点位置，其中，所述横断面关键点的个数为六个，且所述关键点包括中心关键点；
根据所述第一基层图像和所述中心关键点，找到相对应的所述冠状面图的CT图像，记为第二基层图像；
利用所述第二卷积神经网络检测出所述第二基层图像中的冠状面关键点位置，其中，所述冠状面关键点的个数为四个。
5.根据权利要求1所述的肝部CT配准方法，其特征在于，所述关键点包括中心关键点，所述对所述横断面图和所述冠状面图的关键点进行关键点拓展包括：
在所述前一次CT检查结果的横断面和冠状面上，均以所述中心关键点为基准，在四角方向等距离进行关键点扩展，其中，扩展个数均为四个。
6.根据权利要求1所述的肝部CT配准方法，其特征在于，所述根据所述前一次CT检查结果和所述后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用所述拓展后的关键点对所述肝部标准空间进行三角剖分得到第一四面体集合包括：
记所述前一次CT检查结果所在的3D空间为所述肝部标准空间；
利用拓展后的关键点对所述肝部标准空间进行Delaunay算法三角剖分得到多个四面体，并将所述多个四面体组成所述第一四面体集合，其中，所述横断面图和所述冠状面图拓展后的所有关键点个数之和为十八个，且所述横断面图和所述冠状面图上的关键点为一一对应关系。
7.根据权利要求1所述的肝部CT配准方法，其特征在于，所述将所述第一四面体集合中的每个顶点更换为所述肝部扫描空间的对应顶点坐标，以得到所述肝部扫描空间进行三角剖分的第二四面体集合包括：
记所述后一次CT检查结果所在的3D空间为所述肝部扫描空间；
将所述肝部标准空间剖分出的所述第一四面体集合中的每个顶点坐标换成所述肝部扫描空间中对应顶点的坐标，以得到所述肝部扫描空间剖分出的多个四面体，并将所述多个四面体组成所述第二四面体集合。
8.根据权利要求7所述的肝部CT配准方法，其特征在于，所述利用所述第一四面体集合、所述第二四面体集合和所述肝部扫描空间中的已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标包括：
根据所述已知点坐标找到所述第二四面体集合中包含所述已知点坐标的第一四面体；
利用所述第一四面体在所述第一四面体集合中找到对应的第二四面体；
根据第一四面体、所述第二四面体和所述已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标。
9.根据权利要求8所述的肝部CT配准方法，其特征在于，所述根据第一四面体、所述第二四面体和所述已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标包括：
对所述第一四面体和所述第二四面体的顶点进行重命名；
根据所述第一四面体的重命名顶点、所述第二四面体的重命名顶点和所述已知点坐标，利用向量计算原理计算所述已知点坐标在所述第二四面体中的对应坐标，其中，所述已知点坐标为所述肝部扫描空间中的病灶点坐标。
10.一种肝部CT配准系统，其特征在于，包括：
获取单元，用于通过CT扫描仪获取肝部CT检查的横断面图和冠状面图，其中，所述CT检查包括前一次CT检查和后一次CT检查；
关键点检测单元，用于将所述横断面图输入训练好的第一卷积神经网络中，将所述冠状面图输入训练好的第二卷积神经网络中，得到所述横断面图和所述冠状面图上肝部关键点的位置；
关键点拓展单元，用于对所述横断面图和所述冠状面图的关键点进行关键点拓展，以使拓展后的关键点构建的四面体覆盖全部肝部区域；
第一三角剖分单元，用于根据前一次CT检查结果和后一次CT检查结果分别建立肝部标准空间和肝部扫描空间，并利用所述拓展后的关键点对所述肝部标准空间进行三角剖分得到第一四面体集合；
第二三角剖分单元，用于将所述第一四面体集合中的每个顶点更换为所述肝部扫描空间的对应顶点坐标，以得到所述肝部扫描空间进行三角剖分的第二四面体集合；
映射单元，用于利用所述第一四面体集合、所述第二四面体集合和所述肝部扫描空间中的已知点坐标，计算所述已知点坐标在所述肝部标准空间中的对应坐标，以将所述后一次CT检查结果映射到所述前一次CT检查结果中使两次CT检查的肝部重叠。
CN201810100582.9A 2018-01-31 2018-01-31 肝部ct配准方法和系统 Active CN108269272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810100582.9A CN108269272B (zh) 2018-01-31 2018-01-31 肝部ct配准方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810100582.9A CN108269272B (zh) 2018-01-31 2018-01-31 肝部ct配准方法和系统

Publications (2)

Publication Number Publication Date
CN108269272A true CN108269272A (zh) 2018-07-10
CN108269272B CN108269272B (zh) 2019-03-22

Family

ID=62777202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810100582.9A Active CN108269272B (zh) 2018-01-31 2018-01-31 肝部ct配准方法和系统

Country Status (1)

Country Link
CN (1) CN108269272B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087240A (zh) * 2018-08-21 2018-12-25 成都旷视金智科技有限公司 图像处理方法、图像处理装置及存储介质
CN110211200A (zh) * 2019-04-22 2019-09-06 深圳安科高技术股份有限公司 一种基于神经网络技术的牙弓线生成方法及其系统
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN111709976A (zh) * 2020-08-24 2020-09-25 湖南国科智瞳科技有限公司 一种显微图像的快速配准方法、系统及计算机设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020969A (zh) * 2012-12-25 2013-04-03 中国科学院深圳先进技术研究院 一种ct图像肝脏分割的处理方法及系统
CN103093503A (zh) * 2013-02-08 2013-05-08 河北大学 基于ct图像的肺实质区域表面模型的建立方法
CN103679810A (zh) * 2013-12-26 2014-03-26 海信集团有限公司 肝部ct图像的三维重建方法
CN103932708A (zh) * 2013-01-23 2014-07-23 上海联影医疗科技有限公司 一种心脏多平面的重构方法
CN105160361A (zh) * 2015-09-30 2015-12-16 东软集团股份有限公司 一种图像识别方法及装置
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
CN107230223A (zh) * 2017-06-09 2017-10-03 中国科学院苏州生物医学工程技术研究所 基于不连续运动的肝部三维多模态图像配准方法
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN107480677A (zh) * 2017-08-07 2017-12-15 北京深睿博联科技有限责任公司 一种识别三维ct图像中感兴趣区域的方法及装置
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020969A (zh) * 2012-12-25 2013-04-03 中国科学院深圳先进技术研究院 一种ct图像肝脏分割的处理方法及系统
CN103932708A (zh) * 2013-01-23 2014-07-23 上海联影医疗科技有限公司 一种心脏多平面的重构方法
CN103093503A (zh) * 2013-02-08 2013-05-08 河北大学 基于ct图像的肺实质区域表面模型的建立方法
CN103679810A (zh) * 2013-12-26 2014-03-26 海信集团有限公司 肝部ct图像的三维重建方法
CN105160361A (zh) * 2015-09-30 2015-12-16 东软集团股份有限公司 一种图像识别方法及装置
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
CN107230223A (zh) * 2017-06-09 2017-10-03 中国科学院苏州生物医学工程技术研究所 基于不连续运动的肝部三维多模态图像配准方法
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN107480677A (zh) * 2017-08-07 2017-12-15 北京深睿博联科技有限责任公司 一种识别三维ct图像中感兴趣区域的方法及装置
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
万振环: ""肝脏CT图像配准、融合技术的研究与实现"", 《万方数据知识服务平台》 *
郭树旭 等: ""基于全卷积神经网络的肝脏CT影像分割研究"", 《计算机工程与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087240A (zh) * 2018-08-21 2018-12-25 成都旷视金智科技有限公司 图像处理方法、图像处理装置及存储介质
CN109087240B (zh) * 2018-08-21 2023-06-06 成都旷视金智科技有限公司 图像处理方法、图像处理装置及存储介质
CN110211200A (zh) * 2019-04-22 2019-09-06 深圳安科高技术股份有限公司 一种基于神经网络技术的牙弓线生成方法及其系统
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN111709976A (zh) * 2020-08-24 2020-09-25 湖南国科智瞳科技有限公司 一种显微图像的快速配准方法、系统及计算机设备

Also Published As

Publication number Publication date
CN108269272B (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN107808377B (zh) 一种肺叶中病灶的定位装置
CN108269272B (zh) 肝部ct配准方法和系统
KR102622542B1 (ko) 의료 이미징 디바이스에 의해 캡처된 조직학적 이미지를 프로세싱하기 위한 방법 및 장치
US9980653B2 (en) Valve view map
CN107622492A (zh) 肺裂分割方法及系统
CN103229210B (zh) 图像配准装置
CN106097298B (zh) 基于球空间划分的冠状动脉自动分段与解剖学标记方法
CN104240287B (zh) 一种利用ct图像生成冠脉全景图的方法及系统
CN106688014B (zh) 用于确定放射摄影图像的图像质量的设备和方法
CN109934812A (zh) 图像处理方法、装置、服务器及存储介质
CN106651750A (zh) 用于基于卷积神经网络回归的2d/3d图像配准的方法和系统
CN110033465A (zh) 一种应用于双目内窥镜医学图像的实时三维重建方法
JP2015530155A (ja) 解析モルフォミクス：高速医用画像自動解析法
CN109325971A (zh) 图像配准方法及装置
CN103140875B (zh) 利用实况反馈对内部组织进行多模态分割的系统和方法
CN106960439B (zh) 一种脊椎骨识别装置及方法
CN108665461A (zh) 一种基于fcn和迭代声影校正的乳腺超声图像分割方法
CN105629652A (zh) 一种基于自适应体素细分的光学断层成像方法
CN106952264B (zh) 三维医学目标的切割方法及装置
CN110689080B (zh) 一种血管结构影像的平面图谱构建方法
CN103903255A (zh) 一种超声图像分割方法和系统
JP2007267979A (ja) 生物の臓器形態解析方法と生物の臓器形態解析システム
CN104915989A (zh) 基于ct影像的血管三维分割方法
Eskildsen et al. Evaluation of five algorithms for mapping brain cortical surfaces
CN113705807A (zh) 神经网络的训练装置及方法，消融布针规划装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 100043 10, 1001, 1002, 1 building, 54 Shijingshan Road, Shijingshan District, Beijing.

Applicant after: Beijing Qing Yan Xiangyun Technology Co., Ltd.

Address before: 100000 12, 1208, 4 building, 26 Tong Street, Shijingshan District, Beijing.

Applicant before: Beijing Qing Yan Xiangyun Technology Co., Ltd.

CB02 Change of applicant information
CB03 Change of inventor or designer information

Inventor after: Xue Xinying

Inventor after: Hu Fei

Inventor after: Wang Fang

Inventor after: Pan Lei

Inventor after: Zhao Shaohong

Inventor after: Wu Zhongzhong

Inventor after: Gao Jie

Inventor before: Hu Fei

Inventor before: Wang Fang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant