[发明专利]一种SPECT三维重建图像到标准视图的自动转向方法

说明书

本发明公开了一种SPECT三维重建图像到标准视图的自动转向方法，通过利用刚性配准算法提取SPECT三维重建图像A和标准SPECT图像R之间的刚性配准参数P形成A与P的映射数据库，利用3层卷积模块对图像A进行特征提取，并经过三次全连接转换为6维的特征向量T，经过空间变换网络应用T于A上形成网络预测的转向结果训练从而建立SPECT三维重建图像自动转向模型。将待转向SPECT三维重建图像作为输入，利用SPECT三维重建图像自动转向模型进行自动转向即可获得标准视图。本发明使用网络提取图像位置特征，形成不同角度视图到标准视图的全自动转向，减少了手动转向操作的复杂性，提高了图像操作的便捷性。

技术领域

本发明涉及医学影像领域和深度学习领域，尤其涉及一种基于深度学习网络的SPECT左心室图像到标准视图的自动转向方法。

背景技术

SPECT心脏成像可以检测到尚未导致结构上变化的潜在病变，提供心肌组织更详细的功能活性信息，是目前冠心病诊断、疗效评价以及预后判断的重要影像学方法。心脏核医学临床诊断目前最常用的分析方法是基于极坐标靶心图（polar map）分析及左心室射血系数分析等定量分析指标。这些方法需在心脏重建图像上对左心室进行旋转操作得到标准心脏视图后进行量化分析。SPECT心脏重建图像是以人体坐标系为基础的，临床获得的初始图像为垂直于人体长轴的胸腔横断面。由于左心室长轴与人体的长轴不平行，显然无法直接使用此图像直接制备心脏靶心图用作后续量化分析。临床上需由医师手动操作将图像从常规视图转至临床分析的心脏标准视图，此主观性的操作容易引入随机误差而影响分析准确性，且需消耗较长的手动操作时间。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于深度学习网络的快速实现SPECT左心室图像到标准视图的自动转向方法。

本发明的目的是通过以下技术方案来实现的：一种SPECT三维重建图像到标准视图的自动转向方法，将待转向SPECT三维重建图像作为输入，利用SPECT三维重建图像自动转向模型进行自动转向获得标准视图；其中，所述SPECT三维重建图像自动转向模型包括由卷积模块、全连接层组成的特征提取网络和空间变换网络，所述SPECT三维重建图像自动转向模型训练包括以下步骤：

步骤一：获取SPECT三维重建图像A和对应的转向后用于临床分析的标准SPECT图像S，提取SPECT三维重建图像A和标准SPECT图像S之间的刚性配准参数P，形成SPECT三维重建图像A、刚性配准参数P和标准SPECT图像S的映射数据库；其中，所述刚性配准参数P包括3个方向的平移参量和3个角度的旋转角度参量；

步骤二：将SPECT三维重建图像A输入至特征提取网络，利用卷积模块对SPECT三维重建图像A进行特征提取，并经过全连接转换为6维的特征向量T；

步骤三：采用空间变换网络将特征向量T应用于SPECT三维重建图像A上获得预测图像B；

步骤四：构建预测图像B与标准SPECT图像S之间的图像损失函数L-img和特征向量T与刚性配准参数P之间的参数损失函数L-par，对网络进行训练优化获得SPECT三维重建图像自动转向模型。

进一步地，所述卷积模块、全连接层的层数均为3层，每个卷积模块包含卷积层和池化层。

进一步地，所述映射数据库的建立过程为：获取n个不同的人的SPECT三维重建图像A和与之相对应的转向后标准SPECT图像S，通过对SPECT三维重建图像A进行平移旋转而与之对应的标准SPECT图像S不变的数据增强形式生成m组对应的三维图像；其中，n、m为正整数，m＞n；利用图像配准软件计算每组对应的SPECT三维重建图像A到标准SPECT图像S的6个刚性配准参数P作为标签值，6个参数分别为3个方向的平移参量和3个角度的旋转角度参量P=[t_x、t_y、t_z、β、α、γ]。

进一步地，所述特征提取网络的输入还包括输入图像的梯度图。