CN116012526A - 一种基于二维影像的三维ct影像病灶重建方法 - Google Patents
一种基于二维影像的三维ct影像病灶重建方法 Download PDFInfo
- Publication number
- CN116012526A CN116012526A CN202211619803.6A CN202211619803A CN116012526A CN 116012526 A CN116012526 A CN 116012526A CN 202211619803 A CN202211619803 A CN 202211619803A CN 116012526 A CN116012526 A CN 116012526A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- focus
- frame
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000003902 lesion Effects 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012546 transfer Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 65
- 238000010586 diagram Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 238000010380 label transfer Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 208000009453 Thyroid Nodule Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及三维影像处理技术领域，具体涉及一种基于二维影像的三维CT影像病灶重建方法，包括：S1：分别获取对应于患者的病灶区域的二维CT影像和三维CT影像；三维CT影像为多个图像帧组成的图像序列，图像序列于中间位置的图像帧为X‑Y轴中央帧S2：自二维CT影像中分割得到病灶区域的病灶图像；S3：将病灶图像映射至X‑Y轴中央帧得到第一标注；S4：根据第一标注和三维CT影像构建对应于病灶区域的病灶模型。有益效果在于：通过选取X‑Y轴中央帧，并将二维CT影像中的病灶图像映射至X‑Y轴中央帧上，实现了对病灶图像的标注转移；随后，依照第一标注对图像序列进行处理，从而完成了对病灶区域的完整标注，以此来构建病灶模型，实现了较好的图像重建效果。
Description
技术领域
本发明涉及三维影像处理技术领域，具体涉及一种基于二维影像的三维CT影像病灶重建方法。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。依照成像方法的不同，一般可分为平面扫查成像和三维重建成像。
现有技术中，为实现较好的诊断效果，通常会将平面扫查成像和三维重建成像协同使用来实现对病灶部位的较好的定位效果。该类诊断流程通常是，采用平面的CT影像观察得到病灶的大致位置，随后在增强CT影像上完成对病灶的三维重建工作，使得医生能够更为准确地判断出病灶的位置，从而提高手术的成功率。
但是，在实际实施过程中，发明人发现，由于现有技术中针对该类扫查需求，是采用不同的扫查设备分别采集患者的平扫CT影像和增强CT影像，二者的规格显然不统一，且且平扫CT影像仅对应增强CT影像Y轴当中的某一帧，因此计算机难以对其进行处理，导致三维重建效果不佳的问题。
发明内容
针对现有技术中存在的上述问题，现提供一种基于二维影像的三维CT影像病灶重建方法。
具体技术方案如下：
一种基于二维影像的三维CT影像病灶重建方法，包括：
步骤S1：分别获取对应于患者的病灶区域的二维CT影像和三维CT影像；
所述三维CT影像为多个图像帧组成的图像序列，所述图像序列于中间位置的所述图像帧为X-Y轴中央帧
步骤S2：自所述二维CT影像中分割得到所述病灶区域的病灶图像；
步骤S3：将所述病灶图像映射至所述X-Y轴中央帧得到第一标注；
步骤S4：根据所述第一标注和所述三维CT影像构建对应于所述病灶区域的病灶模型。
另一方面，所述步骤S3包括：
步骤S31：将所述X-Y轴中央帧作为参考图像，将所述二维CT影像作为待配准图像进行配准得到几何变换策略；
步骤S32：依照所述几何变换策略将所述病灶图像映射至所述X-Y轴中央帧形成所述第一标注。
另一方面，所述步骤S31包括：
步骤S311：将所述几何变换策略的可变参数设置为初始状态；
步骤S312：在搜索空间内对所述可变参数依照预先设定的步长进行更新，随后基于更新后的所述几何变换策略对所述待配准图像进行几何变换得到配准中间图像；
步骤S313：对所述配准中间图像提取第一高维特征，以及对所述参考图像提取第二高维特征；
步骤S314：判断所述第一高维特征和所述第二高维特征的特征相似度是否满足预先设定的高维特征阈值；
若是，输出所述几何变换策略；
若否，返回所述步骤S312。
另一方面，所述步骤S4包括：
步骤S41：针对所述三维CT影像的图像序列中的每一个图像帧，依照所述第一标注分别生成多个对应于所述图像帧的第二标注；
步骤S42：依照所述第二标注和所述第一标注中的图像像素生成对应于所述病灶区域的点云数据；
步骤S43：根据所述点云数据生成所述病灶模型。
另一方面，所述步骤S41包括：
步骤S411：自所述图像序列中提取一个所述图像帧；
步骤S412：根据所述图像帧的第一扫描深度、所述X-Y轴中央帧的第二扫描深度和所述第一标注在所述图像帧上添加所述第二标注；
步骤S413：返回所述步骤S411，直至所有的所述图像帧均添加所述第二标注。
另一方面，所述步骤S42包括：
步骤S421：自所述图像序列中获取一幅所述图像帧和所述图像帧的图像扫描深度；
所述图像帧包括所述X-Y轴中央帧；
步骤S422：采用所述第一标注或所述第二标注分割所述图像帧得到分割区域；
步骤S423：依照所述图像扫描深度和所述分割区域中的图像像素的像素坐标，对每一个所述图像像素构建三维坐标，并将所述三维坐标添加至所述点云数据中。
另一方面，所述步骤S43包括：
步骤S431：根据所述三维CT影像提取所述患者的身体外轮廓；
步骤S432：根据所述身体外轮廓和所述三维CT影像构建对应于所述患者的身体模型；
步骤S433：于所述身体模型中，采用一检测模型根据所述点云数据标注对应于所述病灶区域的参考框；
步骤S434：采用所述参考框于所述身体模型中绘制所述病灶模型并着色。
另一方面，于执行所述步骤S433之前，还包括一模型训练过程，所述模型训练过程包括：
步骤A1：获取一组训练数据；
所述训练数据中包含有对应于所述点云数据的训练点云和对应于所述病灶区域的标注病灶模型；
步骤A2：根据所述标注病灶模型生成所述参考框；
所述参考框为包裹所述标注病灶模型的三维框体；
步骤A3：将对应于所述标注病灶模型的所述训练点云输入所述检测模型，所述检测模型生成候选框体；
步骤A4：根据所述候选框体和所述参考框计算本次迭代的损失；
步骤A5：根据所述损失调整所述检测模型的参数，随后返回所述步骤A2，直至满足迭代条件后将所述检测模型输出。
另一方面，所述步骤A5中，调整所述参数的方法包括：
依照所述损失计算所述检测模型的多个所述参数的梯度，依照所述梯度和预先设定的调整步长分别改变每一个所述参数。
上述技术方案具有如下优点或有益效果：
针对现有技术中的增强CT影像的病灶重建过程效果不佳的问题，本实施例中，通过在三维CT影像中选取X-Y轴中央帧，随后，针对二维CT影像中识别、分割得到的病灶图像，通过提取相应的图像特征来将其映射至X-Y轴中央帧上，实现了对病灶图像的标注转移；随后，在三维CT影像中，依照其图像序列和第一标注，从而完成了对三维CT影像中的病灶区域的完整标注，以此来构建相对完整的病灶模型，实现了较好的图像重建效果。
附图说明
参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1为本发明实施例的整体示意图；
图2为本发明实施例中步骤S3子步骤示意图；
图3为本发明实施例中步骤S31子步骤示意图；
图4为本发明实施例中步骤S4子步骤示意图；
图5为本发明实施例中步骤S41子步骤示意图；
图6为本发明实施例中步骤S42子步骤示意图；
图7为本发明实施例中步骤S43子步骤示意图；
图8为本发明实施例中模型训练过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明包括：
一种基于二维影像的三维CT影像病灶重建方法，如图1所示，包括：
步骤S1：分别获取对应于患者的病灶区域的二维CT影像和三维CT影像；
三维CT影像为多个图像帧组成的图像序列，图像序列于中间位置的图像帧为X-Y轴中央帧；
步骤S2：自二维CT影像中分割得到病灶区域的病灶图像；
步骤S3：将病灶图像映射至X-Y轴中央帧得到第一标注；
步骤S4：根据第一标注和三维CT影像构建对应于病灶区域的病灶模型。
具体地，针对现有技术中的图像重建方法由于二维CT影像和三维CT影像的规格不统一，导致三维CT影像中的图像重建相对困难的问题，本实施例中，通过在二维CT影像中预先对病灶区域进行识别、分割，从而得到病灶图像；随后，通过选取X-Y轴中央帧作为标注转移的对象，将病灶图像和X-Y轴中央帧进行匹配，从而使得病灶图像和X-Y轴中央帧实现了较好的配准效果，进而在此基础之上可以将二维CT影像中关于病灶区域的标注，即，病灶图像，转移至X-Y轴中央帧中来形成第一标注，实现了对病灶识别结果的标注转移。随后，由于X-Y轴中央帧在整体三维CT影像中的序列位置是确定的，在此基础之上可以基于第一标注依次生成其余的图像帧上的第二标注，通过该方式完成对三维CT影像中所有图像帧的标注过程，随后即可在三维CT影像的基础上依照标注来建立对应的病灶模型，实现对病灶位置的准确表征。
在实施过程中，上述的三维CTG影像病灶重建方法通常作为一个软件实施例设置在对应的计算机设备中，比如医生工作站、扫查设备、院内电子信息系统等。二维CT影像指基于CT扫查设备进行平面扫查得到的单张二维图像，其具体的扫查方式、设备类型等在此不加以限制，仅需要在部分参数，比如扫查范围、分辨率上满足后续的识别、配准、诊断需求即可；三维CT影像指基于CT扫查设备进行增强CT扫查得到的图像序列，其通常在不同的扫描断层上分别进行了一次扫查来形成一幅对应于当前的扫描断层的图像帧，将所有的扫描断层的图像帧依照其扫描断层的顺序组装从而得到图像序列。X-Y轴中央帧为三维CT影像中位于中间的一幅图像帧，其在扫查参数、数据格式等具有和其他的图像帧相同的参数，区别仅在于其位于整体的三维扫查过程的多个扫描断层的中间一个断层。为实现较好的图像匹配效果，可将X-Y轴中央帧所对应的扫描断层配置为对应于二维CT影像的扫描断层，以便于后续识别过程。病灶图像，指在步骤S2中，通过现有的识别技术，比如人工智能识别模型，包括语义识别模型、图像分割模型等技术识别并分割到的图像，其具有一个用于标注病灶区域的标注框，标注框在处理过程中具有相应的坐标参数等，检测框内部为模型识别得到的图像区域。容易理解的是，在本方案中，病灶图像会被用于指代步骤S2识别、分割后的图像区域，包括该图像区域外围的标注框、标注框的坐标以及内部的图像。第一标注为对应于病灶图像的标注框、在X-Y轴中央帧上形成的标注内容，其用于表示在X-Y轴中央帧上通过标注转移获取到的病灶位置。病灶模型为经过上述方法进行重建后绘制出的三维模型，其在一定程度上与患者体内实际的病灶，包括甲状腺结节、肺部结节、冠动脉狭窄处等有一定的相似处，且具有相应的位置信息能够用于表征其在患者体内的位置。
在一个实施例中，如图2所示，步骤S3包括：
步骤S31：将X-Y轴中央帧作为参考图像，将二维CT影像作为待配准图像进行配准得到几何变换策略；
步骤S32：依照几何变换策略将病灶图像映射至X-Y轴中央帧形成第一标注。
具体地，针对现有技术中的二维CT影像和三维CT影像由不同的设备进行扫查，其图像规格不统一导致图像重建困难的问题，本实施例中，通过设置X-Y轴中央帧作为参考图像，随后将二维CT影像作为待配准图像进行配准，从而构建得到对应于二维CT影像和X-Y轴中央帧之间的图像映射关系来作为几何变换策略。随后，依照几何变换策略即可将病灶图像所对应的标注框转移至X-Y轴中央帧上形成第一标注，实现对图像标注的转移，便于后续的图像重建工作。
在一个实施例中，如图3所示，步骤S31包括：
步骤S311：将几何变换策略的可变参数设置为初始状态；
步骤S312：在搜索空间内对可变参数依照预先设定的步长进行更新，随后基于更新后的几何变换策略对待配准图像进行几何变换得到配准中间图像；
步骤S313：对配准中间图像提取第一高维特征，以及对参考图像提取第二高维特征；
步骤S314：判断第一高维特征和第二高维特征的特征相似度是否满足预先设定的高维特征阈值；
若是，输出几何变换策略；
若否，返回步骤S312。
具体地，为实现对二维CT影像中的图像标注的内容较好的映射效果，本实施例中，通过设置上述的迭代方法对几何变换策略进行迭代，在每一次迭代的过程中，分别调整几何变换策略的数值，并依照更新后的几何变换策略来进行图像处理得到配准中间图像；随后，通过提取高维特征的方式，来判断配准中间图像与参考图像，即X-Y轴中央帧之间的高维相似度是否满足预期。若满足则输出对应的几何变换策略，若不满足则继续迭代直到满足迭代条件为止。通过设置上述过程实现了对几何变换策略较好的迭代效果，便于将病灶图像较为准确地映射至X-Y轴中央帧上。
在实施过程中，记X-Y轴中央帧为参考图像T，待配准图像为Pi，其中，i为几何变换策略θi的迭代次数，i∈0，1，2…I，其初始值为0，即P0为原始的二维CT影像，最大值为预先设定的最大迭代次数I。搜索空间为预先设定的几何变换策略θi可进行调整的范围，步长s为预先设定的几何变换策略单次迭代可变化的数值。在单次迭代过程中，依照步长s对几何变换策略θi进行更新，随后，采用更新后的几何变换策略θi对原始的二维影像P0进行图形学的几何变换，从而得到本次迭代时所生成的配准中间图像Pi。随后，采用预先配置好的卷积神经网络对参考图像T和配准中间图像Pi分别进行特征提取，得到第一高维特征ΦT和第二高维特征
依照第一高维特征ΦT和第二高维特征
进行相似性测度μ，并结合预先设定的高维特征阈值μmax来判断本次变换后的几何变换策略θi所生成配准中间图像Pi与参考图像T之间在高维特征上是否具有足够的相似度；若有，则输出，若没有，则继续迭代，直至达到最大迭代次数I后，若仍未找到满足高维特征阈值μmax的几何变换策略θi，则输出相似性测度μ最大的几何变换策略θi。常见的测度标准包括SSD(Sumof Squared Difference差值平方和)、SAD(Sum of Absolute Difference绝对误差和)NCC(Normalized cross-correlation归一化互相关)和MI(Mutual Information互信息)等。
在一个实施例中，如图4所示，步骤S4包括：
步骤S41：针对三维CT影像的图像序列中的每一个图像帧，依照第一标注分别生成多个对应于图像帧的第二标注；
步骤S42：依照第二标注和第一标注中的图像像素生成对应于病灶区域的点云数据；
步骤S43：根据点云数据生成病灶模型。
具体地，针对现有技术中由于二维CT影像通常仅对应于三维CT影像的某一帧，导致图像重建困难的问题，本实施例中，通过在实现了标注转移的基础上，依照第一标注对每一个图像帧分别生成第二标注。此时，在整体的图像序列上，会在所有的图像帧上形成大小不一的多个标注框，这些标注框所合围的区域即为各扫描断层上的病灶区域。随后，将第二标注和第一标注所合围的部分转换成点云数据，点云数据是一个包含了多个空间矢量坐标的数组，其能够用于表述在三维CT影像中病灶图像所占据的空间坐标位置。基于该点云数据，则可以进一步地实现图像重建，从而得到病灶模型。
在一个实施例中，如图5所示，步骤S41包括：
步骤S411：自图像序列中提取一个图像帧；
步骤S412：根据图像帧的第一扫描深度、X-Y轴中央帧的第二扫描深度和第一标注在图像帧上添加第二标注；
步骤S413：返回步骤S411，直至所有的图像帧均添加第二标注。
具体地，针对现有技术中由于二维CT影像通常仅对应于三维CT影像的某一帧，导致图像重建困难的问题，本实施例中，在获取到第一标注后，即可自图像序列中依次提取每一个图像帧和图像帧的第一扫描深度。基于第一扫描深度和第二扫描深度可以预测得到病灶部位在图像帧上的断层相对于X-Y轴中央帧所对应的断层的实际间距。随后，将第一标注、图像帧和实际间距共同输入一个形态学识别模型，采用该形态学识别模型能够依照第一标注所表征出的病灶形态，包括体积、方向等预测得到相应距离上的病灶位置，并结合图像帧上的实际图像特征来重新标注出第二标注。重复上述过程，从而可以实现对各图像帧的第二标注的添加工作，以此来使得三维CT影像的图像序列上具有多个表征病灶位置的第一标注和第二标注。
在实施过程中，针对需要进行标注的病灶，比如甲状腺、肺部等，预先训练有相应的形态学识别模型，该模型能够依照第一扫描高度上的图像中标注的病灶位置，预测得到不同距离上的第二扫描高度上的图像上病灶体积、方向的变化情况，从而确定第二扫描高度上的图像的大致病灶预测位置，并结合该病灶预测位置实际上的图像特征进行提取、分割，从而完成对图像的标注。
在一个实施例中，如图6所示，步骤S42包括：
步骤S421：自图像序列中获取一幅图像帧和图像帧的图像扫描深度；
图像帧包括X-Y轴中央帧；
步骤S422：采用第一标注或第二标注分割图像帧得到分割区域；
步骤S423：依照图像扫描深度和分割区域中的图像像素的像素坐标，对每一个图像像素构建三维坐标，并将三维坐标添加至点云数据中。
具体地，为实现较好的三维图像重建效果，本实施例中，针对图像序列里的每一个图像帧，在完成了标注的生成过程后，根据该图像帧中的第一标注或第二标注获取到标注框中合围的图像像素，从而依照像素坐标确定其在三维坐标中的横向和纵向坐标；随后，依照该图像帧的图像扫描深度，可以确定该图像像素在深度上的坐标，进而构建出三维坐标，实现了对病灶区域在空间上较好的表征效果。
在一个实施例中，如图7所示，步骤S43包括：
步骤S431：根据三维CT影像提取患者的身体外轮廓；
步骤S432：根据身体外轮廓和三维CT影像构建对应于患者的身体模型；
步骤S433：于身体模型中，采用一检测模型根据点云数据标注对应于病灶区域的参考框；
步骤S434：采用参考框于身体模型中绘制病灶模型并着色。
具体地，为实现较好的三维图像重建效果，本实施例中，通过在建模的过程中，预先根据三维CT影像的图像序列中反应出的患者的身体外轮廓，依照上述的方法确定身体外轮廓的点云数据并完成身体模型的重建过程。由于身体外轮廓在CT影像中相对于内脏器官其分界相对明显，容易提取其边缘，因此其具体的提取过程在此不加以赘述。随后，在构建出的身体模型中，通过预先训练的检测模型，能够依照点云数据进一步地确定病灶的各点位的三维坐标在患者体内的相对位置，进而预测得到对应于病灶区域的参考框。该参考框是一个三维框体，其合围区域即为病灶在实际的患者体内所应当具有的位置。依照该参考框和点云数据，即可在该参考框的区域中依照点云数据绘制出特定形貌的病灶模型并加以着色，以此来实现较好的模型重建效果，便于医生依照身体模型和病灶模型确定实际病灶的位置。。
在一个实施例中，于执行步骤S433之前，还包括一模型训练过程，如图8所示，模型训练过程包括：
步骤A1：获取一组训练数据；
训练数据中包含有对应于点云数据的训练点云和对应于病灶区域的标注病灶模型；
步骤A2：根据标注病灶模型生成参考框；
参考框为包裹标注病灶模型的三维框体；
步骤A3：将对应于标注病灶模型的训练点云输入检测模型，检测模型生成候选框体；
步骤A4：根据候选框体和参考框计算本次迭代的损失；
步骤A5：根据损失调整检测模型的参数，随后返回步骤A2，直至满足迭代条件后将检测模型输出。
在一个实施例中，步骤A5中，调整参数的方法包括：
依照损失计算检测模型的多个参数的梯度，依照梯度和预先设定的调整步长分别改变每一个参数。
具体地，为实现对病灶部位较好的预测效果，本实施例中，通过医生预先对各患者采集的三维CT影像进行标注，形成训练点云，并结合实际的病历数据中记载的患者的病灶区域实际位置，在训练数据中添加标注病灶模型。将该部分数据作为模型的输入，随后，由检测模型依照输入的训练点云，在预先搭建的患者身体模型中生成检测模型预测出的病灶可能在的位置的候选框体，该候选框体对应于实际检测模型输出的参考框；依照候选框体和参考框能够进一步地结合损失函数计算出相应的损失，并基于损失对模型的参数，主要是模型中各卷积层的参数进行相应的优化，以使得检测模型具有较好的预测效果。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (9)
1.一种基于二维影像的三维CT影像病灶重建方法，其特征在于，包括：
步骤S1：分别获取对应于患者的病灶区域的二维CT影像和三维CT影像；
所述三维CT影像为多个图像帧组成的图像序列，所述图像序列于中间位置的所述图像帧为X-Y轴中央帧；
步骤S2：自所述二维CT影像中分割得到所述病灶区域的病灶图像；
步骤S3：将所述病灶图像映射至所述X-Y轴中央帧得到第一标注；
步骤S4：根据所述第一标注和所述三维CT影像构建对应于所述病灶区域的病灶模型。
2.根据权利要求1所述的三维CT影像病灶重建方法，其特征在于，所述步骤S3包括：
步骤S31：将所述X-Y轴中央帧作为参考图像，将所述二维CT影像作为待配准图像进行配准得到几何变换策略；
步骤S32：依照所述几何变换策略将所述病灶图像映射至所述X-Y轴中央帧形成所述第一标注。
3.根据权利要求2所述的三维CT影像病灶重建方法，其特征在于，所述步骤S31包括：
步骤S311：将所述几何变换策略的可变参数设置为初始状态；
步骤S312：在搜索空间内对所述可变参数依照预先设定的步长进行更新，随后基于更新后的所述几何变换策略对所述待配准图像进行几何变换得到配准中间图像；
步骤S313：对所述配准中间图像提取第一高维特征，以及对所述参考图像提取第二高维特征；
步骤S314：判断所述第一高维特征和所述第二高维特征的特征相似度是否满足预先设定的高维特征阈值；
若是，输出所述几何变换策略；
若否，返回所述步骤S312。
4.根据权利要求1所述的三维CT影像病灶重建方法，其特征在于，所述步骤S4包括：
步骤S41：针对所述三维CT影像的图像序列中的每一个图像帧，依照所述第一标注分别生成多个对应于所述图像帧的第二标注；
步骤S42：依照所述第二标注和所述第一标注中的图像像素生成对应于所述病灶区域的点云数据；
步骤S43：根据所述点云数据生成所述病灶模型。
5.根据权利要求4所述的三维CT影像病灶重建方法，其特征在于，所述步骤S41包括：
步骤S411：自所述图像序列中提取一个所述图像帧；
步骤S412：根据所述图像帧的第一扫描深度、所述X-Y轴中央帧的第二扫描深度和所述第一标注在所述图像帧上添加所述第二标注；
步骤S413：返回所述步骤S411，直至所有的所述图像帧均添加所述第二标注。
6.根据权利要求4所述的三维CT影像病灶重建方法，其特征在于，所述步骤S42包括：
步骤S421：自所述图像序列中获取一幅所述图像帧和所述图像帧的图像扫描深度；
所述图像帧包括所述X-Y轴中央帧；
步骤S422：采用所述第一标注或所述第二标注分割所述图像帧得到分割区域；
步骤S423：依照所述图像扫描深度和所述分割区域中的图像像素的像素坐标，对每一个所述图像像素构建三维坐标，并将所述三维坐标添加至所述点云数据中。
7.根据权利要求4所述的三维CT影像病灶重建方法，其特征在于，所述步骤S43包括：
步骤S431：根据所述三维CT影像提取所述患者的身体外轮廓；
步骤S432：根据所述身体外轮廓和所述三维CT影像构建对应于所述患者的身体模型；
步骤S433：于所述身体模型中，采用一检测模型根据所述点云数据标注对应于所述病灶区域的参考框；
步骤S434：采用所述参考框于所述身体模型中绘制所述病灶模型并着色。
8.根据权利要求7所述的三维CT影像病灶重建方法，其特征在于，于执行所述步骤S433之前，还包括一模型训练过程，所述模型训练过程包括：
步骤A1：获取一组训练数据；
所述训练数据中包含有对应于所述点云数据的训练点云和对应于所述病灶区域的标注病灶模型；
步骤A2：根据所述标注病灶模型生成所述参考框；
所述参考框为包裹所述标注病灶模型的三维框体；
步骤A3：将对应于所述标注病灶模型的所述训练点云输入所述检测模型，所述检测模型生成候选框体；
步骤A4：根据所述候选框体和所述参考框计算本次迭代的损失；
步骤A5：根据所述损失调整所述检测模型的参数，随后返回所述步骤A2，直至满足迭代条件后将所述检测模型输出。
9.根据权利要求8所述的三维CT影像病灶重建方法，其特征在于，所述步骤A5中，调整所述参数的方法包括：
依照所述损失计算所述检测模型的多个所述参数的梯度，依照所述梯度和预先设定的调整步长分别改变每一个所述参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211619803.6A CN116012526B (zh) | 2022-12-15 | 2022-12-15 | 一种基于二维影像的三维ct影像病灶重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211619803.6A CN116012526B (zh) | 2022-12-15 | 2022-12-15 | 一种基于二维影像的三维ct影像病灶重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116012526A true CN116012526A (zh) | 2023-04-25 |
| CN116012526B CN116012526B (zh) | 2024-02-09 |
Family
ID=86024056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211619803.6A Active CN116012526B (zh) | 2022-12-15 | 2022-12-15 | 一种基于二维影像的三维ct影像病灶重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116012526B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1871998A (zh) * | 2006-04-20 | 2006-12-06 | 北京思创贯宇科技开发有限公司 | 一种血管三维重建及虚拟支架置入的方法和系统 |
| CN102509303A (zh) * | 2011-11-22 | 2012-06-20 | 鲁东大学 | 基于改进的结构相似度的二值化图像配准方法 |
| KR101514708B1 (ko) * | 2013-12-26 | 2015-04-24 | 순천향대학교 산학협력단 | 2차원 영상을 활용한 3차원 모델링 구축 기법 |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN106934761A (zh) * | 2017-02-15 | 2017-07-07 | 苏州大学 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
| CN111767960A (zh) * | 2020-07-02 | 2020-10-13 | 中国矿业大学 | 一种应用于图像三维重建的图像匹配方法及系统 |
| CN115312161A (zh) * | 2022-08-22 | 2022-11-08 | 北京维卓致远医疗科技发展有限责任公司 | 一种医学影像的阅片方法、阅片系统、存储介质及设备 |
-
2022
- 2022-12-15 CN CN202211619803.6A patent/CN116012526B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1871998A (zh) * | 2006-04-20 | 2006-12-06 | 北京思创贯宇科技开发有限公司 | 一种血管三维重建及虚拟支架置入的方法和系统 |
| CN102509303A (zh) * | 2011-11-22 | 2012-06-20 | 鲁东大学 | 基于改进的结构相似度的二值化图像配准方法 |
| KR101514708B1 (ko) * | 2013-12-26 | 2015-04-24 | 순천향대학교 산학협력단 | 2차원 영상을 활용한 3차원 모델링 구축 기법 |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN106934761A (zh) * | 2017-02-15 | 2017-07-07 | 苏州大学 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
| CN111767960A (zh) * | 2020-07-02 | 2020-10-13 | 中国矿业大学 | 一种应用于图像三维重建的图像匹配方法及系统 |
| CN115312161A (zh) * | 2022-08-22 | 2022-11-08 | 北京维卓致远医疗科技发展有限责任公司 | 一种医学影像的阅片方法、阅片系统、存储介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 鲍苏苏 等: "三维图像重建的免配准图像输入", 解剖学杂志, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116012526B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
| WO2021088747A1 (zh) | 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| Gietzen et al. | A method for automatic forensic facial reconstruction based on dense statistics of soft tissue thickness | |
| CN109754396B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
| CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
| CN109509193B (zh) | 一种基于高精度配准的肝脏ct图谱分割方法及系统 | |
| Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
| KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
| US20210158515A1 (en) | Method and apparatus for determining mid-sagittal plane in magnetic resonance images | |
| CN114792326A (zh) | 一种基于结构光的手术导航点云分割与配准方法 | |
| CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
| CN114155193A (zh) | 一种基于特征强化的血管分割方法及装置 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN113610746A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
| CN116012526B (zh) | 一种基于二维影像的三维ct影像病灶重建方法 | |
| CN114820730B (zh) | 一种基于伪ct的ct与cbct配准方法 | |
| CN115049660B (zh) | 心脏解剖学结构特征点的定位方法、定位装置 | |
| CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 | |
| CN116128942A (zh) | 基于深度学习的三维多模块医学影像的配准方法和系统 | |
| CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
| CN112330603B (zh) | 基于软组织表面形变估计组织内部目标运动的系统与方法 | |
| US11341661B2 (en) | Method and apparatus for registering live medical image with anatomical model | |
| CN113935889A (zh) | 2d/3d冠状动脉自动配准方法、系统及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |