肝脏三维超声与CT图像配准初始化方法、装置、电子设备制造方法及图纸

本发明专利技术公开了一种肝脏三维超声与CT图像配准初始化方法、装置、电子设备，其中配准初始化方法包括：训练获得3D神经网络CT分割网络模型和3D神经网络超声分割网络模型；将肝脏CT测试图像输入至3D神经网络CT分割网络模型得到CT分割图像；提取其血管部分，计算血管分支点及分支平面；将实时肝脏三维超声图像输入3D神经网络超声分割网络模型得到超声分割图像；提取其血管部分，计算血管分支点及分支平面；对两分支平面进行变换；计算每对变换后图像的匹配测度得分；找出得分最高的平面对，计算初始化变换矩阵，完成图像配准初始化。本发明专利技术能够实现肝脏3D超声与CT图像的自动配准初始化，图像无需任何人工设定参数，自动配准成功率高，配准速度快。配准速度快。配准速度快。

【技术实现步骤摘要】
肝脏三维超声与CT图像配准初始化方法、装置、电子设备


[0001]本专利技术属于医学图像处理领域，特别涉及一种肝脏三维超声与CT图像配准初始化方法、装置、电子设备。

技术介绍

[0002]肝癌是我国重大疾病，据《中国癌症登记年报2018》统计，肝癌发病率列第3位，死亡率列第2位。
[0003]对于早期小肝癌，介入治疗是首选的微创治疗方法，计算机发射断层扫描(Computed Tomography,CT)图像已成为术前临床诊疗中重要的常规手段之一。
[0004]介入手术中，实时超声图像常作为引导进行介入穿刺。然而，超声图像缺点是二维成像，视野非常有限、且容易受到脂肪肋骨遮挡及体内气流的影像导致成像质量不确定，肿瘤显示不定。3D超声可以更完整地显示肿瘤的轮廓和周围血管的信息，但是医生往往难以判断整体血管的分布，消融时容易造成血管损伤。
[0005]因此，融合CT图像与3D超声图像可以利用两种模态信息，提高手术的成功率。由于超声扫描角度不定，三维超声与CT图像配准初始化是最大的挑战。
[0006]实时CT超声融合技术分为基于跟踪的导航系统及基于图像的配准：
[0007]商业的电磁导航或者光学导航系统，需要电磁感应装置和光学定位系统，在CT扫描时在病人身上贴外部标记点。
[0008]无跟踪图像配准方法则基于超声图像的血管信息，利用血管分支之间的几何关系定义相似度，通过维特比最短路径算法找出血管分支对应点，或者利用血管的分支平面，将CT与超声图像变换到各自的分支平面上，分支点对齐后计算对应平面图像的相似度，找出最佳分支平面对，从而计算出初始变换。
[0009]综上，很多商业化的基于跟踪的导航如电磁跟踪技术可实时配准，但是需要贴标记点，且电磁感应器装置容易受到金属的影响不稳定。基于图像的技术目前大多数方法聚焦研究初始化后的精确配准阶段。仅有少量自动初始化方法基于血管信息及图像灰度信息作为图像相似性测度，需要大量的人工设定参数，且受参数的影响较大，初始化配准技术成功率低。

技术实现思路

[0010]本专利技术的目的在于，针对上述现有技术的不足，提供一种肝脏三维超声与CT图像配准初始化方法、装置、电子设备，能够实现肝脏3D超声与CT图像的自动配准初始化，无需任何人工设定参数，自动配准成功率高，配准速度快。
[0011]为解决上述技术问题，本专利技术所采用的技术方案是：
[0012]一种肝脏三维超声与CT图像配准初始化方法，其特点是包括：
[0013]训练获得3D神经网络CT分割网络模型；
[0014]训练获得3D神经网络超声分割网络模型；
[0015]将肝脏CT测试图像输入至训练好的3D神经网络CT分割网络模型进行分割，得到CT分割图像；
[0016]提取CT分割图像中的血管部分；
[0017]基于CT分割图像中的血管部分计算血管分支点及分支平面；
[0018]将实时肝脏三维超声图像输入至训练好的3D神经网络超声分割网络模型进行分割，得到超声分割图像；
[0019]提取超声分割图像中的血管部分；
[0020]基于超声分割图像中的血管部分计算血管分支点及分支平面；
[0021]对基于超声分割图像获得的分支平面和基于CT分割图像获得的分支平面进行变换；
[0022]计算每对变换后的超声分割图像和CT分割图像的匹配测度得分；
[0023]找出匹配测度得分最高的平面对，计算初始化变换矩阵，完成肝脏三维超声与CT图像配准初始化。
[0024]作为一种优选方式，3D神经网络CT分割网络模型训练过程包括：
[0025]获得肝脏CT训练图像并对其进行预处理；
[0026]将经由预处理后的肝脏CT训练图像裁剪到设定尺寸后输入到3D神经网络CT分割网络中进行训练并保存训练好的3D神经网络CT分割网络模型。
[0027]作为一种优选方式，3D神经网络超声分割网络模型训练过程包括：
[0028]获得肝脏三维超声训练图像并对其进行预处理；
[0029]将经由预处理后的肝脏超声训练图像裁剪到设定尺寸后输入到3D神经网络超声分割网络中进行训练并保存训练好的3D神经网络超声分割网络模型。
[0030]作为一种优选方式，将肝脏CT测试图像输入至训练好的3D神经网络CT分割网络模型前还包括：
[0031]获得肝脏CT测试图像并对其进行预处理；
[0032]将经由预处理后的肝脏CT测试图像裁剪到设定尺寸后输入至训练好的3D神经网络CT分割网络模型。
[0033]作为一种优选方式，将实时肝脏三维超声图像输入至训练好的3D神经网络超声分割网络模型前还包括：
[0034]对采集的实时肝脏三维超声图像进行预处理；
[0035]将经由预处理后的实时肝脏三维超声图像裁剪到设定尺寸后输入至训练好的3D神经网络超声分割网络模型。
[0036]作为一种优选方式，所述预处理过程包括：
[0037]计算所有待预处理的图像的空间间距，选取所有空间间距的中值并将所有待预处理的图像重采样到该中值对应的空间间距；
[0038]计算重采样后的图像的灰度均值及方差并进行灰度的归一化。
[0039]作为一种优选方式，提取CT分割图像中的血管部分，采用血管细化滤波器进行骨骼线提取。
[0040]作为一种优选方式，提取超声分割图像中的血管部分，采用血管细化滤波器进行骨骼线提取。
[0041]基于同一个专利技术构思，本专利技术还提供了一种肝脏三维超声与CT图像配准初始化装置，其特点是包括：
[0042]第一训练模块：用于训练获得3D神经网络CT分割网络模型；
[0043]第二训练模块：用于训练获得3D神经网络超声分割网络模型；
[0044]CT分割图像获取模块：用于将肝脏CT测试图像输入至训练好的3D神经网络CT分割网络模型进行分割，得到CT分割图像；
[0045]第一提取模块：用于提取CT分割图像中的血管部分；
[0046]第一计算模块：用于基于CT分割图像中的血管部分计算血管分支点及分支平面；
[0047]超声分割图像获取模块：用于将实时肝脏三维超声图像输入至训练好的3D神经网络超声分割网络模型进行分割，得到超声分割图像；
[0048]第二提取模块：用于提取超声分割图像中的血管部分；
[0049]第二计算模块：用于基于超声分割图像获得的分支平面和基于CT分割图像获得的分支平面进行变换；
[0050]第三计算模块：用于计算每对变换后的超声分割图像和CT分割图像的匹配测度得分；
[0051]第四计算模块：用于基于匹配测度得分最高的平面对计算初始化变换矩阵，完成肝脏三维超声与CT图像配准初始化。
[0052]基于同一个专利技术构思，本专利技术还提供了一种电子设备，其特点是所述电子设备包括：
[0053]一个或多个处理器；
[0054]存储装置，用于存储一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝脏三维超声与CT图像配准初始化方法，其特征在于，包括：训练获得3D神经网络CT分割网络模型；训练获得3D神经网络超声分割网络模型；将肝脏CT测试图像输入至训练好的3D神经网络CT分割网络模型进行分割，得到CT分割图像；提取CT分割图像中的血管部分；基于CT分割图像中的血管部分计算血管分支点及分支平面；将实时肝脏三维超声图像输入至训练好的3D神经网络超声分割网络模型进行分割，得到超声分割图像；提取超声分割图像中的血管部分；基于超声分割图像中的血管部分计算血管分支点及分支平面；对基于超声分割图像获得的分支平面和基于CT分割图像获得的分支平面进行变换；计算每对变换后的超声分割图像和CT分割图像的匹配测度得分；找出匹配测度得分最高的平面对，计算初始化变换矩阵，完成肝脏三维超声与CT图像配准初始化。2.如权利要求1所述的肝脏三维超声与CT图像配准初始化方法，其特征在于，3D神经网络CT分割网络模型训练过程包括：获得肝脏CT训练图像并对其进行预处理；将经由预处理后的肝脏CT训练图像裁剪到设定尺寸后输入到3D神经网络CT分割网络中进行训练并保存训练好的3D神经网络CT分割网络模型。3.如权利要求1所述的肝脏三维超声与CT图像配准初始化方法，其特征在于，3D神经网络超声分割网络模型训练过程包括：获得肝脏三维超声训练图像并对其进行预处理；将经由预处理后的肝脏超声训练图像裁剪到设定尺寸后输入到3D神经网络超声分割网络中进行训练并保存训练好的3D神经网络超声分割网络模型。4.如权利要求1所述的肝脏三维超声与CT图像配准初始化方法，其特征在于，将肝脏CT测试图像输入至训练好的3D神经网络CT分割网络模型前还包括：获得肝脏CT测试图像并对其进行预处理；将经由预处理后的肝脏CT测试图像裁剪到设定尺寸后输入至训练好的3D神经网络CT分割网络模型。5.如权利要求1所述的肝脏三维超声与CT图像配准初始化方法，其特征在于，将实时肝脏三维超声图像输入至训练好的3D神经网络超声分割网络模型前还包括：对采集的实时肝脏三维超声图像进行预处理；将经由预处理后的实时肝脏三维超声图像...

【专利技术属性】
技术研发人员：贺宝春，贾富仓，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：