[发明专利]基于三维重建的主动脉CT图像关键点检测方法及系统

说明书

本发明公开基于三维重建的主动脉CT图像关键点检测方法及系统，包括对人体上半身图像进行关键点标注，获取三维主动脉CT影像关键点数据集；通过多尺度切割映射获取二维主动脉CT影像关键点数据集；进行目标主动脉框选，并切割获取0/1heatmap图与offset图；改进Vnet网络，将0/1heatmap图与offset图输入到改进后的Vnet网络中进行训练，生成多尺度视图上的关键点圆；进行空间几何学三维重构，获取关键点三维坐标，完成主动脉CT图像关键点检测。本发明能够有效解决在主动脉CT影像处理过程中存在的：医学图像样本量少、训练时间长、训练精度不足以及回归难度大等问题。

技术领域

本发明属于主动脉CT影像处理技术领域，尤其涉及基于三维重建的主动脉CT图像关键点检测方法及系统。

背景技术

医学图像处理作为目前医学研究的重要手段之一，为组织结构解剖，临床手术指导规划，病灶分析以及病理学的定位等方面详细信息的获取研究提供了极为重要根据。伴随着机器学习技术的发展，到如今在医学研究甚至临床诊断方面，医学图像处理技术的地位已经越来越突出，智能的基于深度学习的处理技术也得到了广泛的应用。

目前针对医学影像方面进行图像处理检测的方法已经发展出了很多种：基于区域的检测方法，基于形状模型的传统检测方法，基于级联形状回归的检测方法以及基于神经网络的检测方法。

基于区域的检测方法将图像分为目标和背景两部分，若需完成多目标的分类检测，还需进行标记。目标或背景内相邻像素间的灰度值是相似的，但不同的目标或背景之间有差异。Taxt等人将基于局部或全局信息的阈值设置技术定义为基于上下文和非上下文处理方法,按照处理区域方式又可分为局部阈值处理,或称为自适应性阈值法。阈值处理利用图像灰度直方图信息,计算量小,利于实现,但是易导致错误检测,同时未考虑空间信息,易受噪音等原因产生伪影,其主要作为一种预处理方法。A.Varga-Szemes等人在此基础上试构建了一种基于心肌信号强度阈值的半自动心脏MRI检测处理法,并与常规基于轮廓的图像处理方法进行比较,结果显示阈值法耗时更短,其对EDV、ESW、SV、EF显示低于常规方法,阈值法与主动脉血流测量的SV具有较好的一致性。

而基于形状模型的关键点检测方法主要为ASM(Active Shape Model)算法，这种算法由Cootes所提出。该算法是一种基于点分布模型(Point Distribution Model,PDM)的算法。在PDM中，外形相似的物体，例如人脸、主动脉、心脏、肺部等的几何形状可以通过若干关键点(landmarks)的坐标依次串联形成一个形状向量来表示。ASM算法需要通过人工标定的方法先标定训练集，经过训练获得形状模型，再通过关键点的匹配实现特定物体的匹配。ASM算法的优点在于模型简单直接，架构清晰明确，易于理解和应用，而且对轮廓形状有着较强的约束，但是其近似于穷举搜索的关键点定位方式在一定程度上限制了其运算效率。

基于级联的形状回归检测由Sun等人首次提出。该方法将CNN应用到关键点检测，形成一种级联的CNN(拥有三个层级)——DCNN(Deep Convolutional Network)，此种方法属于级联回归方法。其精心设计了拥有三个层级的级联卷积神经网络，不仅改善初始不当导致陷入局部最优的问题，而且借助于CNN强大的特征提取能力，获得了更为精准的关键点检测。从粗到精的逐步得到精确的关键点位置，还引入局部权值共享机制，从而提升网络的定位性能。