肺部呼吸双相CT影像的配准方法及其系统和存储介质技术方案

本申请提供一种肺部呼吸双相CT影像的配准方法，包括（a）获取肺部呼吸双相的CT影像数据以及呼吸双相的支气管的二值掩码；（b）将CT影像数据入到基础网络算法backbone中，预测形变场；（c）通过形变场得到配准后呼气相和配准后呼气相支气管；（d）计算传统损失和重合损失；（e）根据计算得到的传统损失和重合损失，更新backbone网络权重；（f）重复步骤（a）至（e），直至获得符合预期的模型参数，建立配准模型。该方法利用呼气相支气管经过形变场作用后，理想情况下应该完全被吸气相支气管包含这一呼吸双相数据本身的特点，设计了针对呼吸双相配准问题的损失函数，结合传统的损失以及针对性设计的重合损失，优化了配准的性能。优化了配准的性能。

【技术实现步骤摘要】
肺部呼吸双相CT影像的配准方法及其系统和存储介质


[0001]本专利技术涉及肺部CT影像处理，特别是肺部呼吸双相CT影像配准的方法及系统，以及相应的计算机存储介质。

技术介绍

[0002]CT影像上的参数响应映射（Parametric Response Mapping, PRM）是一项评价肺功能的重要指标。对于CT影像，PRM参数的计算需要将吸气相和呼气相进行配准，并基于配准后的结果，计算肺部肺气肿和小气道病变的比例。呼吸双相数据包括吸气相和呼气相，其中吸气相指在肺部吸满气时的影像，而呼气相是指将肺部空气排尽时的影像。吸气相CT值小于
‑
950 HU并且呼气相CT值小于
‑
856 HU的区域被定义为肺气肿病变区域，而吸气相CT值大于
‑
950 HU并且呼气相CT值小于
‑
856 HU的区域被定义为小气道病变区域 。因此，PRM参数计算的性能，主要受到呼吸双相CT配准性能的影响。
[0003]考虑到吸气相和呼气相是一个人的两个状态下的两次影像，所以传统的相似度测量是计算配准后影像与目标影像的CT值误差。在过去的一段时间里，有许多算法被提出用于CT呼吸双相配准，基于B
‑
spline的配准算法是一种用途广泛的算法。但是B
‑
spline方法通过对形变进行参数化表示，虽然减小了求解的变量个数，但是也限制了形变的复杂程度，而基于微分同胚变换的配准算法是一种非参数的方法，获得了广泛的认可。尽管这些方法在呼吸双相CT影像配准方面取了一定的成功，但是配准效果依然有一定的提升空间，并且较长的计算时间限制了实际应用。
[0004]随着深度学习技术的发展，其进一步提升了医学图像配准的性能。针对医学图像配准问题，众多学者提出了多种基于深度学习的方法。Mattias等人利用深度学习改进配准过程中的相似性度量，Liao等人第一次将增强学习引入到了配准问题，而Yan等人利用对抗生成网络改进配准算法，这些方法在部分性能上都超越了传统配准算法。VoxelMorph是一种基于无监督学习的配准框架，在取得与传统算法相近的配准效果的同时，极大的减少了计算时间。VoxelMorph利用传统3D Unet网络，通过输入目标图及待配准影像，生成三维的形变场。利用从Unet得到的三维形变场，计算待配准图配准后的结果，并与目标图计算相似度测量，通过相似度测量调整Unet网络参数。
[0005]然而，吸气相影像由于肺部充满了空气，会导致双相影像之间的CT值有差异。因此，传统的以图像之间的CT值误差作为相似性度量并不够准确，进而导致双相CT影像的配准不准确，在配准不准确的CT影像上进行后续分析，可能会出现偏移严重的错误结果。

技术实现思路

[0006]为提高肺部呼吸双相CT影响的配准性能，本申请提供了一种利用呼吸双相中支气管重合率进行配准的方法、系统及相应的计算机可读介质。
[0007]在一个方面，本申请提供一种肺部呼吸双相CT影像的配准方法，包括以下步骤：（a）获取肺部呼吸双相的CT影像数据以及呼吸双相的支气管的二值掩码；（b）将所述CT影像
数据输入到基础网络算法backbone中，预测形变场；（c）将形变场作用到呼气相影像，得到配准后呼气相，并且将形变场作用到呼气相支气管上，得到配准后呼气相支气管；（d）计算传统损失和重合损失，其中所述传统损失包括相似性度量以及形变场平滑约束，所述重合损失计算公式为：，其中Iair为吸气相支气管，Eair为呼气相支气管，
ϕ
为形变场，Eair
∘
ϕ
为配准后支气管；（e）根据计算得到的传统损失和重合损失，更新backbone网络权重；（f）重复步骤（a）至（e），直至获得符合预期的模型参数，建立配准模型。
[0008]在一个实施方式中，在步骤（a）中对肺部呼吸双相CT影像进行去噪处理。在另一个实施方式中，在步骤（e）中，求出传统损失和重合损失的代数和或加权代数和，以所述代数和或加权代数和更新backbone网络权重。在另一个实施方式中，在步骤（f）中，当backbone网络权重连续复数次（例如2至10次）不下降时即认为符合预期。
[0009]在另一个方面，本申请提供一种肺部呼吸双相CT影像的配准系统，其包括：（a）数据获取模块，用于获取肺部呼吸双相的CT影像数据以及呼吸双相的支气管的二值掩码；（b）形变场预测模块，用于将所述CT影像数据输入到基础网络算法backbone中，预测形变场；（c）配准模块，用于将形变场作用到呼气相影像，得到配准后呼气相，并且将形变场作用到呼气相支气管上，得到配准后呼气相支气管；（d）损失计算模块，用于计算传统损失和重合损失，其中所述传统损失包括相似性度量以及形变场平滑约束，所述重合损失计算公式为：，其中Iair为吸气相支气管，Eair为呼气相支气管，
ϕ
为形变场，Eair
∘
ϕ
为配准后支气管；（e）backbone网络权重更新模块，用于根据计算得到的传统损失和重合损失，更新backbone网络权重；（f）控制模块，用于重复以上步骤直至获得符合预期的模型参数，建立配准模型。
[0010]在一个实施方式中，数据获取模块（a）对肺部呼吸双相CT影像进行去噪处理。在一个实施方式中，损失计算模块（e）求出传统损失和重合损失的代数和或加权代数和，以所述代数和或加权代数和更新backbone网络权重。在一个实施方式中，当backbone网络权重连续复数次不下降时，控制模块（f）即判断为符合预期。
[0011]在又一个方面，本申请提供一种计算机存储介质，其上存储有计算机可执行指令，所述指令被执行以实现本申请所述的配准方法。
[0012]本申请利用了呼吸双相数据本身的特点，即呼气相支气管经过形变场作用后，理想情况下应该完全被吸气相支气管包含。因此，本申请设计了针对呼吸双相配准问题的损失函数。结合传统的损失以及针对性设计的重合损失，进一步优化了配准的性能。
附图说明
[0013]图1示例性显示了本专利技术的肺部呼吸双相CT影像的配准方法的核心实现框架图。
[0014]图2示例性显示了本专利技术的肺部呼吸双相CT影像的配准方法的实现流程图。
[0015]图3显示了本专利技术的一种肺部呼吸双相CT影像的配准系统。
具体实施方式
[0016]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书
所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺部呼吸双相CT影像的配准方法，包括以下步骤：（a）获取肺部呼吸双相的CT影像数据以及呼吸双相的支气管的二值掩码；（b）将所述CT影像数据输入到基础网络算法backbone中，预测形变场；（c）将形变场作用到呼气相影像，得到配准后呼气相，并且将形变场作用到呼气相支气管上，得到配准后呼气相支气管；（d）计算传统损失和重合损失，其中所述传统损失包括相似性度量以及形变场平滑约束，所述重合损失计算公式为：其中Iair为吸气相支气管，Eair为呼气相支气管，
ϕ
为形变场，Eair
∘
ϕ
为配准后支气管；（e）根据计算得到的传统损失和重合损失，更新backbone网络权重；（f）重复步骤（a）至（e），直至获得符合预期的模型参数，建立配准模型。2.根据权利要求1所述的配准方法，其特征在于，在步骤（a）中对肺部呼吸双相CT影像进行去噪处理。3.根据权利要求1所述的配准方法，其特征在于，在步骤（e）中，求出传统损失和重合损失的代数和或加权代数和，以所述代数和或加权代数和更新backbone网络权重。4.根据权利要求1所述的配准方法，其特征在于，在步骤（f）中，当backbone网络权重连续复数次不下降时即认为符合预期。5.一种肺部呼吸双相CT影像的配准系统，其包括：（a）数据获取模块，用于获取肺部呼吸双相的CT影像数据以及呼吸双相的支气管的...

【专利技术属性】
技术研发人员：梁振宇，许家璇，陈荣昌，王凤燕，郑劲平，简文华，张冬莹，李洽胜，唐国燕，陈德彦，章强，梁翠霞，吕晓凤，
申请(专利权)人：广州医科大学附属第一医院，
类型：发明
国别省市：