[发明专利]一种锥束CT图像三维颅面结构的自动解析方法

说明书

本发明公布了一种锥束CT图像三维颅面结构的自动解析方法，基于图画模型和全卷积神经网络，训练图画模型用于解剖结构的自动检测与定位，利用全卷积神经网络构造解剖结构所在的锥束CT图像与对应的标注图像之间的映射。在测试阶段，对输入的三维锥束CT图像，首先利用图画模型检测感兴趣的解剖结构的空间位置，再利用全卷积深度网络估计该结构所在的图像子块的自动标注，实现三维颅面结构自动解析。本发明能够对锥束CT图像中感兴趣的三维颅面结构进行自动分割与标注，获得稳定结构的自动解析与分割，可用于口腔正畸临床治疗方案的制定与疗效的评价。

技术领域

本发明涉及计算机视觉与口腔临床医学领域，具体涉及一种锥束CT图像中三维颅面结构自动解析的方法。

背景技术

颅面结构的自动解析是进行临床口腔正畸治疗评价以及手术预测的基础，例如重叠治疗前后的锥束CT图像以可视化并评价治疗与生长造成的颅面形态的变化，就依赖从锥束CT图像中分割的局部稳定结构。考虑到局部细小骨结构，对颅面部口腔正畸治疗中相对稳定的结构，例如颧弓、前颅底进行自动分割仍存在困难。手工交互分割费时并依赖于相关人员的经验。锥束CT图像具有相对较低的信噪比，软组织与近邻细小结构之间对比度较低，一些稳定结构例如颧弓甚至与相邻接骨结构没有明显的界限，这些都造成锥束CT图像自动分割的困难。传统的锥束CT图像解析方法包含基于阈值及形态学算子的方法与基于三维统计模型的方法。基于阈值及形态学算子的方法对图像伪影敏感，对于信噪比较低的锥束CT图像不能有效地进行结构解析。基于统计模型的分割方法从预先标注的训练数据集获取三维骨骼表面或灰度统计模型，并将该模型与锥束CT图像进行非刚性配准以获取标注。但是基于统计表面或者灰度模型的方法难以在缩减的子空间中处理细微结构。使用图像配准或者模板变形的方法进行标注迁移与融合常常具有较高的在线计算代价。近年来，卷积神经网络被用于进行医学图像的特征检测与分割，但至今还缺乏对大规模体数据进行端到端的细小骨结构的分割与标注的有效技术方案。

发明内容

为了克服上述现有技术的不足，本发明提供一种锥束CT图像三维颅面结构的自动解析方法，从输入的锥束CT图像中，对感兴趣的颅面结构进行自动分割与标注，获得临床正畸治疗中稳定结构的自动解析与分割，可用于口腔正畸临床治疗方案的制定与疗效的评价。

为了达到上述目的，本发明提供了一种基于图画(pictorial)模型以及全卷积神经网络的三维颅面结构自动解析方法。首先，利用预先标注的三维颅面图像作为训练样本学习图画模型用于解剖结构的自动检测与定位，其中利用SVM分类器生成图像表观所对应的一元势能项，解剖结构之间的关系势能项则由描述近邻结构在三维空间中的相对位置关系的高斯分布定义。然后，利用全卷积神经网络构造解剖结构所在的锥束CT图像与对应的标注图像之间的映射。不同于传统卷积网络中利用卷积以及池化操作获取图像的特征图，该网络将去卷积(deconvolution)以及去池化(unpooling)操作叠加在由卷积以及池化获取的抽象图层之后，多层的去卷积以及去池化操作可以从锥束CT图像的抽象特征图重建对应的稠密分割图。该网络基于重建分割图像与目标标注图像间的差异构造代价函数，以有监督的方式获取网络参数。在测试阶段对输入的三维锥束CT图像，首先利用图画模型检测感兴趣的解剖结构的空间位置，再利用全卷积深度网络估计该结构所在的图像子块的自动标注，实现三维颅面结构自动解析。

本发明提供的技术方案是：

一种锥束CT图像三维颅面结构的自动解析方法，基于图画模型和全卷积神经网络，对锥束CT图像中感兴趣的三维颅面结构进行自动分割与标注，从而获得稳定结构的自动解析与分割；包括以下步骤：

步骤1：训练图画模型用于解剖结构的自动检测：