[发明专利]一种锥束CT图像三维颅面结构的自动解析方法

摘要

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。

主权项

1.一种锥束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：11)建立三维分层图画模型，所述图画模型描述锥束CT图像中所有感兴趣结构之间的空间相互关系，从所述图画模型推出结构锚点和包围盒，用于确定感兴趣结构对应的图像子块；所述图画模型中，感兴趣结构以三元组si＝(xi,zi,li)表示，其中xi表示结构锚点，zi表示结构的包围盒的大小，li为结构的类别；并采用分层图画模型表示不同感兴趣结构之间的空间关系，所述分层图画模型包含层内连接和层间连接；定义后验概率为式1：P(S|V,Ψ)∝P(V|S,Ψ)P(S|Ψ)   (式1)式1中，S表示感兴趣结构；V表示输入锥束CT图像；Ψ表示图画模型参数；12)对每类结构分别训练表观分类器，通过式2定义结构si对应的一元势能函数φ(si)；φ(si)＝(1+exp(aifi(si)+bi))‑1   (式2)其中，φ(si)为结构si对应的一元势能函数；fi是表观分类器的输出；ai与bi是对应第i类结构的预定义参数；13)将在分层模型上的似然概率P(V|S,Ψ)定义为式3，得到最大似然函数lnP(V|S,Ψ)，用于对输入的锥束CT图像解剖结构的自动检测： 式3中，lnP(V|S,Ψ)为最大似然对数函数；φ(s_i)为结构s_i对应的一元势能函数；由定义关系势能，表示为结构s_i与s_j之间的有符号偏移向量d_ij的正态分布N，其中μ_ij,σ_ij分别为正态分布的均值与方差；E表示分层图结构中的连接边的集合；步骤2：训练全卷积神经网络，对感兴趣结构进行自动分割与标注；21)利用深度神经网络构造锥束CT图像与其对应的二值分割图像之间的回归，所述深度神经网络是一个全卷积神经网络，包括去卷积操作层和去池化操作层，将所述去卷积操作层和所述去池化操作层连到由卷积网络所获取的抽象特征图后构成；22)从所述全卷积神经网络中获取抽象特征图，从抽象特征图中重建对应结构的二值分割图像，实现从三维锥束CT图像中稳定结构所在的局部图像子块估计得到其对应的二值分割图像；所述分割图像与原始的锥束CT图像具有相同的分辨率；23)采用成对的锥束CT图像与预先定义的分割图像作为训练数据集，训练全卷积神经网络；训练数据集包括预先交互标注的强标注数据和对成对训练数据进行三维空间位置扰动产生的弱标注数据；训练完成后的网络可用于从输入的锥束CT图像通过抽象与重建得到与输入图像相同大小的分割图像；231)在训练过程中，首先使用强标注数据优化网络参数；232)随后在训练数据中加入弱标注数据训练网络，以使得网络具有处理结构图像块偏移的能力；233)定义基于该重建图像和预先定义的分割图像之间的均方差的损失函数如式4，通过最小化式4的损失函数获取最优的网络参数： 其中，表示在训练阶段通过全卷积神经网络重建的分割图像；Λ表示预先定义的分割图像；步骤3：在线的三维颅面结构自动解析过程，包括：31)基于训练好的图画模型，从输入的锥束CT图像中获取感兴趣的三维局部解剖结构所在的图像子块；将似然概率最高的位置作为解剖结构的锚点；32)将每类解剖结构对应的图像子块输入到对应解剖结构的全卷积神经网络中，获得每个解剖结构的自动标注与分割。