CN117635824A - 一种多器官重建的方法、存储介质及电子设备 - Google Patents
一种多器官重建的方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117635824A CN117635824A CN202311493992.1A CN202311493992A CN117635824A CN 117635824 A CN117635824 A CN 117635824A CN 202311493992 A CN202311493992 A CN 202311493992A CN 117635824 A CN117635824 A CN 117635824A
- Authority
- CN
- China
- Prior art keywords
- organ
- sampling point
- sampling
- dimensional image
- coordinates
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims description 20
- 210000000056 organ Anatomy 0.000 claims abstract description 508
- 238000005070 sampling Methods 0.000 claims abstract description 367
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 7
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 20
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本说明书公开了一种多器官重建方法，在三维医学影像所在三维空间中采样，确定各采样点坐标以及分别到各器官三维影像表面的目标距离。针对每个器官，将各采样点的坐标以及该器官的潜在编码，输入重建模型的预测模块，得到各采样点分别到该器官三维影像表面的预测距离。根据各采样点的预测距离与目标距离的差异，确定该器官的损失。根据确定出的各器官的损失，调整各器官的潜在编码，并通过重建模型迭代确定各器官的损失，继续调整各器官的潜在编码，直至达到优化结束条件。根据调整后的各器官的潜在编码以及各采样点坐标，进行器官重建。根据各器官的损失，一同调整各器官的潜在编码，更好的体现器官之间的相互作用，使得器官重建的准确高效。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种多器官重建的方法、存储介质及电子设备。
背景技术
随着计算机技术的发展，3D重建方法越来越成熟，并应用于各个领域。在医疗领域中，通过对人体组织进行3D重建，使医疗人员可以更直观的了解病患情况，因此器官3D重建越发受到重视。
在现有技术中，器官的3D重建通常分为显示表达以及隐式表达两种。其中，显示表达即通过点云、体素等方式确定器官的三维模型。隐式表达则是通过隐式函数，给出三维空间中任一点与器官的三维模型表面的距离，从而隐式的表征出器官的三维模型。
但是，目前采用隐式表达方式对人体器官进行3D重建时，只能对单独的器官进行3D重建，或者将多个器官作为一个整体进行3D重建。不能通过隐式表达体现器官之间相互作用，使得隐式表达的应用场景受限，不能满足需求。
为此，本说明书提供了一种多器官重建的方法、装置、介质及设备。
发明内容
本说明书提供一种多器官重建方法、装置、介质及设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种多器官重建方法，包括：
获取三维医学影像，所述三维医学影像中包含多个器官三维影像；
在所述三维医学影像所在三维空间中采样，确定各采样点的坐标以及所述各采样点分别到各器官三维影像表面的目标距离；
针对每个器官，将所述各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离；
根据所述各采样点到该器官三维影像表面的预测距离与所述各采样点到该器官三维影像表面的目标距离的差异，确定该器官的损失；
根据确定出的各器官的损失，调整所述各器官的潜在编码，根据调整后各器官的潜在编码以及所述各采样点的坐标，通过所述重建模型迭代调整所述各器官的潜在编码，直至达到优化结束条件；
根据调整后的各器官的潜在编码以及所述各采样点坐标，通过所述重建模型确定的各采样点分别到各器官三维影像表面的预测距离，进行器官重建。
可选的，所述预测模块包括：形变子模块以及解码子模块；所述训练完成的重建模型还包括矫正模块；
将所述各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离，具体包括：
将所述各采样点的坐标以及该器官的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块，得到经过刚柔性变换的所述各采样点的坐标，以及得到所述各采样点分别对应该器官的特征向量；
将所述各采样点分别对应各器官的特征向量，输入所述矫正模块，得到所述各采样点分别对应所述各器官的矫正参数；
将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点分别到该器官三维影像表面的预测距离。
可选的，采用下述方法训练所述重建模型，其中：
在包含各器官三维影像的三维医学影像中采样，将采样得到的各采样点的坐标以及各器官的初始化的潜在编码，作为训练样本，将所述各采样点分别到各器官三维影像表面的目标距离，作为样本标注；
针对每个器官，将所述训练样本包含的各采样点的坐标以及该器官的初始化的潜在编码，输入待训练的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离；
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的损失；
根据确定出的各器官的损失，调整所述各器官的潜在编码以及训练所述待训练的重建模型。
可选的，在包含各器官三维影像的三维医学影像中采样，具体包括：
针对所述三维医学影像中的每个器官，在该器官的器官三维影像表面进行采样，确定表面采样点的坐标；
以该器官的器官三维影像的表面为中心，进行正态分布采样，确定近距离采样点的坐标，并确定所述近距离采样点各器官三维影像表面的目标距离；
在所述三维医学影像所在三维空间中均匀采样，确定均匀采样点的坐标，并确定所述均匀采样点到各器官三维影像表面的目标距离。
可选的，所述预测模块至少包括解码子模块；
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的损失，具体包括：
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的第一子损失；
根据采样得到的所述表面采样点，确定所述表面采样点在器官三维影像表面的法线向量；
将所述表面采样点经过刚柔性变换的坐标，输入所述待训练的重建模型中该器官对应的预测模块的解码子模块，得到所述表面采样点在该器官三维影像表面的预测法线向量；
根据所述表面采样点在该器官三维影像表面的法线向量与所述表面采样点在该器官三维影像表面的预测法线向量的差异，确定该器官的第二子损失；
根据所述第一子损失和所述第二子损失，确定该器官的损失。
可选的，根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的损失，具体包括：
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的第一子损失；
根据各采样点到各器官三维影像表面的目标距离，从各采样点中，筛选到至少两个器官三维影像表面的目标距离均不大于预设值的采样点，作为接触面采样点；
根据所述接触面采样点到该器官三维影像表面的目标距离，通过预设的激活函数，确定该器官的第三子损失；
根据所述第一子损失和所述第三子损失，确定该器官的损失。
可选的，将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点分别到该器官三维影像表面的预测距离，具体包括：
将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点到该器官三维影像表面的中间距离；
根据所述各采样点到该器官三维影像表面的中间距离与所述各采样点分别对应该器官的矫正参数，通过所述解码子模块输出所述各采样点分别到该器官三维影像表面的预测距离。
可选的，将所述各采样点的坐标以及该器官初始化的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块，得到经过刚柔性变换的所述各采样点的坐标，具体包括：
将所述各采样点的坐标以及该器官的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块；
针对每个采样点，所述形变子模块根据该采样点的坐标以及所述各器官的潜在编码，确定该采样点的刚性参数与柔性参数；
所述形变子模块根据该采样点的刚性参数与柔性参数，调整该采样点的坐标，得到该采样点经过刚柔性变换的坐标。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述多器官重建方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述多器官重建方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
本说明书提供的多器官重建方法，获取三维医学影像，三维医学影像中包含多个器官三维影像。在三维医学影像所在三维空间中采样，确定各采样点的坐标以及各采样点分别到各器官三维影像表面的目标距离。针对每个器官，将各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到各采样点分别到该器官三维影像表面的预测距离。根据各采样点到该器官三维影像表面的预测距离与各采样点到该器官三维影像表面的目标距离的差异，确定该器官的损失。根据确定出的各器官的损失，调整各器官的潜在编码，根据调整后各器官的潜在编码以及各采样点的坐标，通过重建模型迭代确定各器官的损失，并继续调整各器官的潜在编码，直至达到优化结束条件。根据调整后的各器官的潜在编码以及各采样点坐标，通过重建模型确定的各采样点分别到各器官三维影像表面的预测距离，进行器官重建。
通过在包含多器官的三维医学影像中采样，确定各采样点到各器官三维影像表面的目标距离的方式，使得采样点的数据同时兼顾单个器官重建需求，以及多个器官整体重建相互作用的需求。在基于各器官的潜在编码预测采样点对应的预测距离，通过各器官的损失一同调整各器官潜在编码的方式，使得对潜在编码的调整不再仅针对单一器官，解决的重建时无法考虑器官之间的相互影响的问题。实现了高效准确的多器官重建。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种多器官重建方法的流程示意图；
图2是本说明书提供的三维空间采样点到器官三维影像表面的示意图；
图3是本说明书提供的三维空间正态分布采样点和均匀采样点的示意图；
图4为本说明书提供的一种重建模型的结构示意图；
图5为本说明书提供的一种重建模型的结构示意图；
图6为本说明书提供的一种重建模型的结构示意图；
图7为本说明书提供的形变子模块转换采样点的结构示意图；
图8为本说明书提供的一种多器官重建装置的示意图；
图9为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种多器官重建方法的流程示意图，具体包括以下步骤：
S100：获取三维医学影像，所述三维医学影像中包含多个器官三维影像。
由于在三维空间中采样，进行多器官重建的过程中，通常涉及到对大量数据的处理，对设备算力要求较高，因此本说明书实施例中，可由服务器执行该多器官重建方法的过程。当然，本说明书不限制由何种设备实行该多器官重建方法过程，也可采用例如，个人电脑、移动终端以及服务器等设备，进行获取三维医学影像，多器官重建方法。为了便于描述，下面以服务器为执行主体进行说明。
在本说明书一个或多个实施例中，该服务器可从医学研究机构、医院以及相关机构的数据库，获取三维医学影像，进行器官重建。
当然，服务器从不同机构获取的医学影像的类型可能并不相同，还可能存在二维医学影像。并且，由于本说明书提供的一种多器官重建方法，需要从三维医学影像所在三维空间中采样，故若获取二维医学影像后，可将二维医学影像转换成三维医学影像。
获取的三维医学影像包含多个器官三维影像。对于每个病患，每个病患的三维医学影像，包含该病患的各器官三维影像。
S102：在所述三维医学影像所在三维空间中采样，确定各采样点的坐标以及所述各采样点分别到各器官三维影像表面的目标距离。
图2是本说明书提供的三维空间采样点到器官三维影像表面的示意图。如图2，黑点表示一个三维空间中的采样点，三个椭圆表示三个器官三维影像，直线表示三维空间中的采样点即黑点到三个器官三维影像表面的目标距离。
在本说明书一个或多个实施例中，服务器在获取三维医学影像后，就可在三维医学影像所在三维空间中采样，确定各采样点、各采样点的坐标以及各采样点分别到各器官三维影像表面的目标距离。
通过确定各采样点到各器官三维影像表面的目标距离，并不是到各器官组合为整体的表面的距离，使得采样点的数据同时兼顾单个器官重建需求，以及多个器官整体重建相互作用的需求。
图3是本说明书提供的三维空间正态分布采样点和均匀采样点的示意图，图3中白点表示正态分布采样点，黑点表示均匀采样点，粗线表示器官三维影像表面，细线表示器官三维影像表面内部。
在本说明书一个或多个实施例中，进一步的，为了使得器官重建的精度更高，更加准确，器官重建的过程更高效。该服务器还可以在器官三维影像表面采样以及进行正态分布采样。
具体的，该服务器以该器官的器官三维影像的表面为中心，进行正态分布采样，确定近距离采样点的坐标，并确定近距离采样点各器官三维影像表面的目标距离。
该服务器针对三维医学影像中的每个器官，在该器官的器官三维影像表面进行采样，确定表面采样点的坐标。
该服务器还可在三维医学影像所在三维空间中均匀采样，确定均匀采样点的坐标，并确定均匀采样点到各器官三维影像表面的目标距离。
S104：针对每个器官，将所述各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离。
图4为本说明书提供的一种重建模型的结构示意图，每个器官都有对应的预测模块，针对每个器官，将各采样点的坐标以及该器官的潜在编码输入训练完成的重建模型中该器官对应的预测模块。
在本说明书一个或多个实施例中，服务器将各采样点的坐标以及各器官的潜在编码，输入训练完成的重建模型，得到训练完成的重建模型输出的各采样点分别到各器官三维影像表面的预测距离。
具体的，针对每个器官，服务器将各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到该预测模块预测的各采样点分别到该器官三维影像表面的预测距离。其中，该器官的潜在编码可以是初始化的潜在编码。当然，也可以由人工经验预设该器官的潜在编码，相比于初始化的潜在编码，准确程度更高。并且，在人工经验预设的该器官的潜在编码的基础上进行迭代调整该器官的潜在编码，可以减少迭代次数，提高器官重建的效率。
S106：根据所述各采样点到该器官三维影像表面的预测距离与所述各采样点到该器官三维影像表面的目标距离的差异，确定该器官的损失。
在本说明书一个或多个实施例中，服务器根据各采样点到各器官三维影像表面的预测距离，与各采样点到各器官三维影像表面的目标距离的差异，确定各器官的损失。
具体的，针对每个器官，该服务器根据各采样点到该器官三维影像表面的预测距离，与各采样点到该器官三维影像表面的目标距离的差异，确定该器官的损失。该服务器根据各采样点到该器官三维影像表面的预测距离，与各采样点到该器官三维影像表面的目标距离的差异，可以是预测距离与目标距离之差，也可以是预测距离与目标距离之比，本说明书在此不做限制。
不论采用何种方式确定各器官的损失，目的是为了根据各器官的损失调整各器官的潜在编码，以使得到的各采样点到各器官三维影像表面的预测距离与目标距离越接近越好，具体手段可根据实际情况设置。
S108：根据确定出的各器官的损失，调整所述各器官的潜在编码，根据调整后各器官的潜在编码以及所述各采样点的坐标，通过所述重建模型迭代调整所述各器官的潜在编码，直至达到优化结束条件。
在本说明书一个或多个实施例中，服务器根据确定出的各器官的损失，调整各器官的潜在编码。再根据调整后的各器官的潜在编码以及各采样点的坐标，通过重建模型迭代确定各器官的损失，并继续以各器官的损失最小为优化目标，调整各器官的潜在编码。直至达到预设的优化结束条件为止。
当然，该服务器也可以各器官的损失之和最小为优化目标，调整各器官的潜在编码。也可以各器官的损失最小为优化目标，分别调整各器官的潜在编码，本说明书在此不做限制。预设的优化结束条件，可以是预设的优化时间、优化轮次等，也可以与优化目标相关进行设置，本说明书不做具体限制，可根据实际情况设置。
S110：根据调整后的各器官的潜在编码以及所述各采样点坐标，通过所述重建模型确定的各采样点分别到各器官三维影像表面的预测距离，进行器官重建。
在本说明书一个或多个实施例中，服务器根据优化结束后，调整得到的各器官的潜在编码，以及各采样点的坐标，通过训练完成的重建模型，确定各采样点分别到各器官三维影像表面的预测距离。再通过转换算法(如等值面提取算法)将各采样点分别到各器官三维影像表面的预测距离转换成三维mesh，从而根据三维mesh进行器官重建。
基于图1所示的一种多器官重建的方法，获取三维医学影像，三维医学影像中包含多个器官三维影像。在三维医学影像所在三维空间中采样，确定各采样点的坐标以及各采样点分别到各器官三维影像表面的目标距离。针对每个器官，将各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到各采样点分别到该器官三维影像表面的预测距离。根据各采样点到该器官三维影像表面的预测距离与各采样点到该器官三维影像表面的目标距离的差异，确定该器官的损失。根据确定出的各器官的损失，调整各器官的潜在编码，根据调整后各器官的潜在编码以及各采样点的坐标，通过重建模型迭代确定各器官的损失，并继续调整各器官的潜在编码，直至达到优化结束条件。根据调整后的各器官的潜在编码以及各采样点坐标，通过重建模型确定的各采样点分别到各器官三维影像表面的预测距离，进行器官重建。
通过在包含多器官的三维医学影像中采样，确定各采样点到各器官三维影像表面的目标距离的方式，使得采样点的数据同时兼顾单个器官重建需求，以及多个器官整体重建相互作用的需求。在基于各器官的潜在编码预测采样点对应的预测距离，通过各器官的损失一同调整各器官潜在编码的方式，使得对潜在编码的调整不再仅针对单一器官，解决的重建时无法考虑器官之间的相互影响的问题。因此，本方案既能同时对多个器官进行重建，也能考虑到多个器官之间的相互作用，实现了高效准确的多器官重建。
此外，在本说明书一个或多个实例中，该服务器训练重建模型的方法可以是，在包含各器官三维影像的三维医学影像中采样，将采样得到的各采样点的坐标以及各器官的初始化的潜在编码，作为训练样本，将各采样点分别到各器官三维影像表面的目标距离，作为样本标注。针对每个器官，将训练样本包含的各采样点的坐标以及该器官的初始化的潜在编码，输入待训练的重建模型中该器官对应的预测模块，得到各采样点分别到该器官三维影像表面的预测距离。根据各采样点到该器官三维影像表面的预测距离与样本标注的差异，确定该器官的损失。根据确定出的各器官的损失，调整各器官的潜在编码以及待训练的重建模型的模型参数。经过多轮迭代训练，得到训练完成的重建模型。可采用如自适应矩估计(Adaptive Moment Estimation，Adam)优化器，进行迭代优化。
图5为本说明书提供的一种重建模型的结构示意图，将各采样点的坐标以及各器官的潜在编码，输入训练完成的重建模型的预测模块。预测模块输出各采样点对应各器官的特征向量至矫正模块，矫正模块输出矫正参数至预测模块。预测模块输出各采样点分别到各器官三维影像表面的预测距离。
在本说明书一个或多个实施例中，本说明书提供的训练完成的重建模型，至少包括预测模块以及矫正模块。预测模块包括形变子模块和解码子模块。
根据各采样点对应各器官的特征向量，使用矫正模块输出各采样点分别对应各器官的矫正参数。能够考虑到各器官对各采样点的影响，体现器官之间的相互作用。
图6为本说明书提供的一种重建模型的结构示意图，将各采样点的坐标以及各器官的潜在编码，输入训练完成的重建模型的预测模块中的形变子模块。形变子模块输出各采样点对应各器官的特征向量至矫正模块，矫正模块输出矫正参数至解码子模块。形变子模块还将各采样点的坐标转换后发送至解码子模块。解码子模块输出各采样点分别到各器官三维影像表面的预测距离。
针对每个器官，将各采样点的坐标以及该器官的潜在编码，输入重建模型中该器官对应的预测模块的形变子模块，得到经过刚柔性变换的各采样点的坐标，以及得到各采样点分别对应该器官的特征向量。
将各采样点分别对应各器官的特征向量，输入矫正模块，得到各采样点分别对应各器官的矫正参数。也可针对每个采样点，将该采样点分别对应各器官的特征向量连接后，输入矫正模块，得到该采样点分别对应各器官的矫正参数。
将各采样点经过刚柔性变换的坐标以及各采样点对应该器官的矫正参数，输入训练完成的重建模型中该器官对应的预测模块的解码子模块，得到各采样点分别到该器官三维影像表面的预测距离。
在本说明书一个或多个实例中，获取的三维医学影像可能包含的器官三维影像的数量可能并不相同。如，当需要重建的三维医学影像中包含器官A和器官B，并且器官A和器官B相互接触时，若使用的重建模型是器官A、器官B以及器官C，这三个相互接触的器官的器官三维影像训练而成的。这种情况下进行器官A和器官B的重建，就可能考虑不到器官C对器官A和器官B的影响。
当然，针对不同的情况，可以训练不同器官数量的重建模型，所以在步骤S104，还可以使用与三维医学影像中器官数量以及种类相同的重建模型。
在本说明书一个或多个实例中，针对各器官的潜在编码，服务器可对潜在编码添加正则化(regularization)限制，避免过拟合。
在本说明书一个或多个实例中，针对每个病患，采用多分支的重建模型进行该病患的多器官重建。例如，一个病患i，有j个器官需要重建，对于隐式表达方程，F(α,p)＝s，可表现为j个分支函数：
Fj(αij,p)＝sij
如：一个病患具有{肝，脾，肾，胰脏，胃}五个器官，则可以建立具有五个分支的重建模型，其中，α为潜在编码，p为采样点，s为采样点到器官三维影像表面的距离。
在本说明书一个或多个实例中，该服务器可将每一个病患的所有器官三维影像作为一个整体进行归一化。如使得在三维空间采样点的坐标范围在(-1，1)之间。
在本说明书一个或多个实例中，该服务器在训练重建模型时，可确定每个器官的第一子损失和第二子损失，然后根据第一子损失和第二子损失确定每个器官的损失。
具体的，针对每个器官，该服务器可根据各采样点到该器官三维影像表面的预测距离与样本标注的差异，确定该器官的第一子损失。
根据采样得到的所述表面采样点，确定所述表面采样点在器官三维影像表面的法线向量。将表面采样点经过刚柔性变换的坐标，输入待训练的重建模型中该器官对应的预测模块的解码子模块，得到表面采样点在该器官三维影像表面的预测法线向量。根据表面采样点在该器官三维影像表面的法线向量与表面采样点在该器官三维影像表面的预测法线向量的差异，确定该器官的第二子损失。
通过第二子损失，体现了表面采样点的几何信息，也能更好约束重建模型的训练效果，提高重建模型的性能。
根据第一子损失和第二子损失，确定该器官的损失。当然，该器官的损失可以是第一子损失和第二子损失之和，本说明书不做具体限制。
在本说明书一个或多个实例中，该服务器在训练重建模型时，也可确定每个器官的第一子损失和第三子损失，然后根据第一子损失和第三子损失确定每个器官的损失。
具体的，针对每个器官，该服务器可根据各采样点到该器官三维影像表面的预测距离与样本标注的差异，确定该器官的第一子损失。
根据各采样点到各器官三维影像表面的目标距离，从各采样点中，筛选到至少两个器官三维影像表面的目标距离均不大于预设值的采样点，作为接触面采样点。根据接触面采样点到该器官三维影像表面的目标距离，通过预设的激活函数，确定该器官的第三子损失。可采用下述公式计算：
其中，接触面采样点集合Γ表示与采样点p接近的器官集合。/>代表采样点p到各个器官的目标距离，/>代表一个距离超参数，控制选取采样点p的接近范围，/>越小标准越严格。可以设定为0.05。/>同样作为超参控制激活函数的严格程度，其值越大，损失越大。
通过第三子损失，考虑到器官之间接触面相互挤压，导致形变的问题，能够使得器官之间的接触面贴合，但不产生交叉，提高器官的重建精度。
根据第一子损失和第三子损失，确定该器官的损失。同样的，该器官的损失可以是第一子损失和第三子损失之和，本说明书不做具体限制。
在本说明书一个或多个实例中，该服务器在训练重建模型时，还可确定每个器官的第一子损失、第二子损失以及第三子损失，然后根据第一子损失、第二子损失以及第三子损失，确定每个器官的损失。
具体的，针对每个器官，该服务器可根据各采样点到该器官三维影像表面的预测距离与样本标注的差异，确定该器官的第一子损失。根据采样得到的所述表面采样点，确定所述表面采样点在器官三维影像表面的法线向量。将表面采样点经过刚柔性变换的坐标，输入待训练的重建模型中该器官对应的预测模块的解码子模块，得到表面采样点在该器官三维影像表面的预测法线向量。根据表面采样点在该器官三维影像表面的法线向量与表面采样点在该器官三维影像表面的预测法线向量的差异，确定该器官的第二子损失。根据各采样点到各器官三维影像表面的目标距离，从各采样点中，筛选到至少两个器官三维影像表面的目标距离均不大于预设值的采样点，作为接触面采样点。根据接触面采样点到该器官三维影像表面的目标距离，通过预设的激活函数，确定该器官的第三子损失。根据第一子损失、第二子损失以及第三子损失，确定每个器官的损失。同样的，该器官的损失可以是第一子损失、第二子损失以及第三子损失之和，本说明书不做具体限制。
本说明书一个或多个实施例中，针对每个器官，该服务器得到各采样点分别到该器官三维影像表面的预测距离的方法可以是，将各采样点经过刚柔性变换的坐标以及各采样点对应该器官的矫正参数，输入待训练的重建模型中该器官对应的预测模块的解码子模块，得到各采样点到该器官三维影像表面的中间距离。根据各采样点到该器官三维影像表面的中间距离与各采样点分别对应该器官的矫正参数，通过解码子模块输出各采样点分别到该器官三维影像表面的预测距离。
本说明书一个或多个实施例中，针对每个器官，该服务器将各采样点的坐标以及该器官初始化的潜在编码，输入重建模型中该器官对应的预测模块的形变子模块，得到经过刚柔性变换的各采样点的坐标。
具体的，该服务器将各采样点的坐标以及该器官的潜在编码，输入重建模型中该器官对应的预测模块的形变子模块。针对每个采样点，形变子模块根据该采样点的坐标以及各器官的潜在编码，确定该采样点的刚性参数与柔性参数。形变子模块根据该采样点的刚性参数与柔性参数，调整该采样点的坐标，得到该采样点经过刚柔性变换的坐标。可采用下述公式进行计算：
其中rij,tij为刚性变换的螺旋轴，而Δpi,j则是对于柔性形变的一个偏移量参数。
p′＝rij·p+tij+Δpi,j
在上述公式中，rij，tij指第i个病患的第j个器官对应于采样点p的刚性变换的螺旋轴，Δpi,j则是对于第i个病患的第j个器官对应于采样点p的柔性形变的一个偏移量参数。
另外，在本说明书一个或多个实施例中，由于DIT(Deep Implicit Templates)模型通过将函数F分解为两个模块：形变子模块W和解码子模块T：
F(α,p)＝T(W(α,p))
W：将三维空间中采样点p转换到模版(Template)坐标系上的一点p’
T：将模版坐标系上的一点解码得到其对应的s值。
通过这一结构，能够使不同病患的相同器官三维影像上的点经过W在共同的模版坐标系上找到对应的点坐标，从而建立起不同病患的相同器官之间的对应关系，从而完成自动配准。
图7为本说明书提供的形变子模块转换采样点的结构示意图，通过形变子模块将三维空间中的采样点p的坐标，转换至模版坐标系中。
更好的，可采用Fj(αij,p)＝Tj(Wj(αij,p))，对于每一个形变子模块Wj，三维空间中每一个的点都可以找到其对应的器官的模版坐标系上的一点，从而实现自动化多器官配准。同时，重建模型训练完成后，每一个器官都可以获得其单独的标准潜在编码，即标准模版。
在步骤S104中，器官的潜在编码可由人工经验预设，但依靠人工经验设置的潜在编码的准确度可能有限。故该服务器可根据不同病患的相同器官训练重建模型，得到相同器官的标准潜在编码，在标准潜在编码的基础上进行迭代调整该器官的潜在编码，可以更加减少迭代次数，达到更高的器官重建的效率。
以上为本说明书的一个或多个实施例提供的一种多器官重建方法，基于同样的思路，本说明书还提供了相应的一种多器官重建装置，如图8所示。
图8为本说明书提供的一种多器官重建装置的示意图，具体包括：
获取模块800，用于获取三维医学影像，所述三维医学影像中包含多个器官三维影像；
采样模块802，用于在所述三维医学影像所在三维空间中采样，确定各采样点的坐标以及所述各采样点分别到各器官三维影像表面的目标距离；
预测模块804，用于针对每个器官，将所述各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离；
确定模块806，用于根据所述各采样点到该器官三维影像表面的预测距离与所述各采样点到该器官三维影像表面的目标距离的差异，确定该器官的损失；
优化模块808，用于根据确定出的各器官的损失，调整所述各器官的潜在编码，根据调整后各器官的潜在编码以及所述各采样点的坐标，通过所述重建模型迭代调整所述各器官的潜在编码，直至达到优化结束条件；
重建模块810，用于根据调整后的各器官的潜在编码以及所述各采样点坐标，通过所述重建模型确定的各采样点分别到各器官三维影像表面的预测距离，进行器官重建。
可选的，所述预测模块804具体用于，将所述各采样点的坐标以及该器官的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块，得到经过刚柔性变换的所述各采样点的坐标，以及得到所述各采样点分别对应该器官的特征向量，将所述各采样点分别对应各器官的特征向量，输入所述矫正模块，得到所述各采样点分别对应所述各器官的矫正参数，将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点分别到该器官三维影像表面的预测距离。
可选的，所述预测模块804还用于采用下述方法训练所述重建模型，在包含各器官三维影像的三维医学影像中采样，将采样得到的各采样点的坐标以及各器官的初始化的潜在编码，作为训练样本，将所述各采样点分别到各器官三维影像表面的目标距离，作为样本标注，针对每个器官，将所述训练样本包含的各采样点的坐标以及该器官的初始化的潜在编码，输入待训练的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离，根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的损失，根据确定出的各器官的损失，调整所述各器官的潜在编码以及训练所述待训练的重建模型。
可选的，所述采样模块802具体用于，针对所述三维医学影像中的每个器官，在该器官的器官三维影像表面进行采样，确定表面采样点的坐标，以该器官的器官三维影像的表面为中心，进行正态分布采样，确定近距离采样点的坐标，并确定所述近距离采样点各器官三维影像表面的目标距离，在所述三维医学影像所在三维空间中均匀采样，确定均匀采样点的坐标，并确定所述均匀采样点到各器官三维影像表面的目标距离。
可选的，所述预测模块804还具体用于，根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的第一子损失，根据采样得到的所述表面采样点，确定所述表面采样点在器官三维影像表面的法线向量，将所述表面采样点经过刚柔性变换的坐标，输入所述待训练的重建模型中该器官对应的预测模块的解码子模块，得到所述表面采样点在该器官三维影像表面的预测法线向量，根据所述表面采样点在该器官三维影像表面的法线向量与所述表面采样点在该器官三维影像表面的预测法线向量的差异，确定该器官的第二子损失，根据所述第一子损失和所述第二子损失，确定该器官的损失。
可选的，所述预测模块804还具体用于，根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的第一子损失，根据各采样点到各器官三维影像表面的目标距离，从各采样点中，筛选到至少两个器官三维影像表面的目标距离均不大于预设值的采样点，作为接触面采样点，根据所述接触面采样点到该器官三维影像表面的目标距离，通过预设的激活函数，确定该器官的第三子损失，根据所述第一子损失和所述第三子损失，确定该器官的损失。
可选的，所述预测模块804还具体用于，将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点到该器官三维影像表面的中间距离，根据所述各采样点到该器官三维影像表面的中间距离与所述各采样点分别对应该器官的矫正参数，通过所述解码子模块输出所述各采样点分别到该器官三维影像表面的预测距离。
可选的，所述预测模块804还具体用于，将所述各采样点的坐标以及该器官的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块，针对每个采样点，所述形变子模块根据该采样点的坐标以及所述各器官的潜在编码，确定该采样点的刚性参数与柔性参数，所述形变子模块根据该采样点的刚性参数与柔性参数，调整该采样点的坐标，得到该采样点经过刚柔性变换的坐标。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的多器官重建方法。
本说明书还提供了示的电子设备的示意结构图。如图9所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的多器官重建方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种多器官重建的方法，其特征在于，包括：
获取三维医学影像，所述三维医学影像中包含多个器官三维影像；
在所述三维医学影像所在三维空间中采样，确定各采样点的坐标以及所述各采样点分别到各器官三维影像表面的目标距离；
针对每个器官，将所述各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离；
根据所述各采样点到该器官三维影像表面的预测距离与所述各采样点到该器官三维影像表面的目标距离的差异，确定该器官的损失；
根据确定出的各器官的损失，调整所述各器官的潜在编码，根据调整后各器官的潜在编码以及所述各采样点的坐标，通过所述重建模型迭代调整所述各器官的潜在编码，直至达到优化结束条件；
根据调整后的各器官的潜在编码以及所述各采样点坐标，通过所述重建模型确定的各采样点分别到各器官三维影像表面的预测距离，进行器官重建。
2.如权利要求1所述的方法，其特征在于，所述预测模块包括：形变子模块以及解码子模块；所述训练完成的重建模型还包括矫正模块；
将所述各采样点的坐标以及该器官的潜在编码，输入训练完成的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离，具体包括：
将所述各采样点的坐标以及该器官的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块，得到经过刚柔性变换的所述各采样点的坐标，以及得到所述各采样点分别对应该器官的特征向量；
将所述各采样点分别对应各器官的特征向量，输入所述矫正模块，得到所述各采样点分别对应所述各器官的矫正参数；
将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点分别到该器官三维影像表面的预测距离。
3.如权利要求1所述的方法，其特征在于，采用下述方法训练所述重建模型，其中：
在包含各器官三维影像的三维医学影像中采样，将采样得到的各采样点的坐标以及各器官的初始化的潜在编码，作为训练样本，将所述各采样点分别到各器官三维影像表面的目标距离，作为样本标注；
针对每个器官，将所述训练样本包含的各采样点的坐标以及该器官的初始化的潜在编码，输入待训练的重建模型中该器官对应的预测模块，得到所述各采样点分别到该器官三维影像表面的预测距离；
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的损失；
根据确定出的各器官的损失，调整所述各器官的潜在编码以及训练所述待训练的重建模型。
4.如权利要求1或3所述的方法，其特征在于，在包含各器官三维影像的三维医学影像中采样，具体包括：
针对所述三维医学影像中的每个器官，在该器官的器官三维影像表面进行采样，确定表面采样点的坐标；
以该器官的器官三维影像的表面为中心，进行正态分布采样，确定近距离采样点的坐标，并确定所述近距离采样点各器官三维影像表面的目标距离；
在所述三维医学影像所在三维空间中均匀采样，确定均匀采样点的坐标，并确定所述均匀采样点到各器官三维影像表面的目标距离。
5.如权利要求4所述的方法，其特征在于，所述预测模块至少包括解码子模块；
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的损失，具体包括：
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的第一子损失；
根据采样得到的所述表面采样点，确定所述表面采样点在器官三维影像表面的法线向量；
将所述表面采样点经过刚柔性变换的坐标，输入所述待训练的重建模型中该器官对应的预测模块的解码子模块，得到所述表面采样点在该器官三维影像表面的预测法线向量；
根据所述表面采样点在该器官三维影像表面的法线向量与所述表面采样点在该器官三维影像表面的预测法线向量的差异，确定该器官的第二子损失；
根据所述第一子损失和所述第二子损失，确定该器官的损失。
6.如权利要求3所述的方法，其特征在于，根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的损失，具体包括：
根据所述各采样点到该器官三维影像表面的预测距离与所述样本标注的差异，确定该器官的第一子损失；
根据各采样点到各器官三维影像表面的目标距离，从各采样点中，筛选到至少两个器官三维影像表面的目标距离均不大于预设值的采样点，作为接触面采样点；
根据所述接触面采样点到该器官三维影像表面的目标距离，通过预设的激活函数，确定该器官的第三子损失；
根据所述第一子损失和所述第三子损失，确定该器官的损失。
7.如权利要求2所述的方法，其特征在于，将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点分别到该器官三维影像表面的预测距离，具体包括：
将所述各采样点经过刚柔性变换的坐标以及所述各采样点对应该器官的矫正参数，输入所述训练完成的重建模型中该器官对应的预测模块的解码子模块，得到所述各采样点到该器官三维影像表面的中间距离；
根据所述各采样点到该器官三维影像表面的中间距离与所述各采样点分别对应该器官的矫正参数，通过所述解码子模块输出所述各采样点分别到该器官三维影像表面的预测距离。
8.如权利要求2所述的方法，其特征在于，将所述各采样点的坐标以及该器官初始化的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块，得到经过刚柔性变换的所述各采样点的坐标，具体包括：
将所述各采样点的坐标以及该器官的潜在编码，输入所述重建模型中该器官对应的预测模块的形变子模块；
针对每个采样点，所述形变子模块根据该采样点的坐标以及所述各器官的潜在编码，确定该采样点的刚性参数与柔性参数；
所述形变子模块根据该采样点的刚性参数与柔性参数，调整该采样点的坐标，得到该采样点经过刚柔性变换的坐标。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311493992.1A CN117635824A (zh) | 2023-11-09 | 2023-11-09 | 一种多器官重建的方法、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311493992.1A CN117635824A (zh) | 2023-11-09 | 2023-11-09 | 一种多器官重建的方法、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117635824A true CN117635824A (zh) | 2024-03-01 |
Family
ID=90036859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311493992.1A Pending CN117635824A (zh) | 2023-11-09 | 2023-11-09 | 一种多器官重建的方法、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635824A (zh) |
-
2023
- 2023-11-09 CN CN202311493992.1A patent/CN117635824A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116977525B (zh) | 一种图像渲染方法、装置、存储介质及电子设备 | |
| CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN117392485B (zh) | 图像生成模型训练方法、业务执行方法、装置及介质 | |
| CN117880444A (zh) | 一种长短时特征引导的人体康复运动视频数据生成方法 | |
| CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
| CN117745956A (zh) | 一种基于位姿引导的图像生成方法、装置、介质及设备 | |
| CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
| CN117079777A (zh) | 一种医学影像的补全方法、装置、存储介质及电子设备 | |
| CN117635824A (zh) | 一种多器官重建的方法、存储介质及电子设备 | |
| CN113887719B (zh) | 一种模型压缩方法及装置 | |
| CN117911630B (zh) | 一种三维人体建模的方法、装置、存储介质及电子设备 | |
| CN116229218B (zh) | 一种模型训练、图像配准方法及装置 | |
| CN118211132B (zh) | 一种基于点云的三维人体表面数据生成方法及装置 | |
| CN117893696B (zh) | 一种三维人体数据生成方法、装置、存储介质及电子设备 | |
| CN116309924B (zh) | 一种模型训练的方法、图像展示的方法及装置 | |
| CN117934858B (zh) | 一种点云的处理方法、装置、存储介质及电子设备 | |
| CN117689822B (zh) | 一种三维模型构建方法、装置、存储介质及电子设备 | |
| CN117726907B (zh) | 一种建模模型的训练方法、三维人体建模的方法以及装置 | |
| CN116612244B (zh) | 一种图像生成方法、装置、存储介质及电子设备 | |
| CN117036830B (zh) | 一种肿瘤分类模型训练方法、装置、存储介质及电子设备 | |
| CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| CN117830564B (zh) | 一种姿态分布指导的三维虚拟人模型重建方法 | |
| CN117726760B (zh) | 一种用于视频的三维人体重建模型的训练方法及装置 | |
| CN117808976A (zh) | 一种三维模型构建方法、装置、存储介质及电子设备 | |
| CN113887326B (zh) | 一种人脸图像处理方法及装置 |
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 |