[发明专利]一种从序列图像中获取3D结构的方法

说明书

本发明涉及一种从序列图像中获取3D结构的方法，包括：步骤1，根据深度学习方法获得序列图像中目标结构的2D分割结果；步骤2，根据所述2D分割结果获得所述目标结构在z方向的3D连接关系；步骤3，根据所述3D连接关系优化所述目标结构的2D分割结果，获得优化的2D分割结果；步骤4，对所述3D连接关系和所述优化的2D分割结果进行交替优化，直至收敛，获得收敛的2D分割结果和收敛的3D连接关系；步骤5，根据所述收敛的2D分割结果和所述收敛的3D连接关系获取3D可视化结果。本发明提供的技术方案可有效地从大体量的序列图像中获取目标结构的形态和数量。

技术领域

本发明涉及图像处理技术领域，具体涉及一种从序列图像中获取3D结构的方法。

背景技术

序列图像中精细结构的检测和分割一直是神经计算学的研究热点，对神经环路、脑神经结构图谱以及类脑智能的研究具有重要意义。因此，如何从微米尺度的生物组织中获取精细结构的位置、形态和数量，对于人类了解其结构和功能之间的联系都有积极的实际意义。

由于序列图像往往具有高分辨率的特性，很小的体块就能产生大量的数据，人工标注将会是一个漫长且枯燥无味的任务。为此，利用机器学习和图像处理方法来代替人工标注的研究随之出现。就序列图像中的目标分割而言，目前主要采用如k-NN、SVM和AdaBoost等经典算法和分类器相结合来对特定目标进行分割。然而这些方法都是基于传统的分割算法，不仅需要手工构造特征，而且主要只能体现2D特性。既构造繁琐，又无法有效体现目标结构的3D特性。

发明内容

针对现有技术的不足，本发明提供一种从序列图像中获取3D结构方法。

本发明提供的一种从序列图像中获取3D结构的方法包括：

步骤1，根据深度学习方法获得序列图像中目标结构的2D分割结果；

步骤2，根据所述2D分割结果获得所述目标结构在z方向的3D连接关系；

步骤3，根据所述3D连接关系优化所述目标结构的2D分割结果，获得优化的2D分割结果；

步骤4，对所述3D连接关系和所述优化的2D分割结果进行交替优化，直至收敛，获得收敛的2D分割结果和收敛的3D连接关系；

步骤5，根据所述收敛的2D分割结果和所述收敛的3D连接关系获取3D可视化结果。

本发明提供的从序列图像中获取3D结构的方法的有益效果是，输入具有多幅图像，也就是多个连续二维图像层的序列图像，首先利用深度学习方法对序列图像中的目标结构进行2D分割，然后利用分割结果获取目标结构在3D空间z方向，也就是序列切片方向的连接关系，利用3D连接关系优化目标结构的2D分割结果，并实现交替优化，最后根据收敛的分割结果和连接关系获得目标结构的3D可视化结果，输出3D可视化结果可有效体现图像中目标结构的包括形态和数量在内的3D特性，并且在获取过程中不需要手动构造特征，降低了繁琐程度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的从序列图像中获取3D结构的方法的流程示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明实施例的从序列图像中获取3D结构的方法包括：

步骤1，根据深度学习方法获得序列图像中目标结构的2D分割结果。