【技术实现步骤摘要】
隐空间采样,对参数回归网络的训练集增强;
[0013]步骤S3、构建参数回归网络,使用步骤S2中生成的参数回归网络的训练集训练参 数回归网络;
[0014]步骤S4、从三维模型集生成分割网络的训练集,构建分割网络,使用分割网络的训 练集训练分割网络;
[0015]步骤S5、将步骤S4中经过训练的分割网络与步骤S3中经过训练的参数回归网络 连接构成联合网络,对联合网络进行训练;
[0016]步骤S6、用训练好的联合网络执行三维重建任务。
[0017]进一步地,步骤S1的具体步骤为:
[0018]1‑
1、对每个原始CT三维体积沿横断面法线方向进行切片,得到一系列二维图像, 并对每张二维图像中的左心室进行分割,获得二维图像的掩膜;
[0019]1‑
2、将一系列二维图像的掩膜堆叠构成掩膜体积,使用Marching Cubes算法生成分 割区域的表面网格,并进行平滑操作,得到心脏三维模型;
[0020]1‑
3、对所获得的所有三维模型依次执行刚性配准,非刚性配准,使得所有的三维模 型的空间分布相近、拓扑结构一致;
[0021]1‑
4、对所有的三维模型使用主成分分析,获得各个三维模型的参数,进而产生低维 的参数隐空间;
[0022]其中,三维模型集由原始CT三维体积、掩膜体积、三维模型和三维模型的参数构成。
[0023]进一步地,步骤S2的具体步骤为:
[0024]2‑
1、在均值模型上手工确定5个关键点用于决定切平面位置,从而获 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度神经网络和模型先验的3D心脏形状重建方法,其特征在于,包括如下步骤:步骤S1、从原始CT构建心脏的三维模型集,执行主成分分析从而产生低维的参数隐空间;步骤S2、从三维模型集生成参数回归网络的训练集,对基于步骤S1中得到的参数隐空间采样,对参数回归网络的训练集增强;步骤S3、构建参数回归网络,使用步骤S2中生成的参数回归网络的训练集训练参数回归网络;步骤S4、从三维模型集生成分割网络的训练集,构建分割网络,使用分割网络的训练集训练分割网络;步骤S5、将步骤S4中经过训练的分割网络与步骤S3中经过训练的参数回归网络连接构成联合网络,对联合网络进行训练;步骤S6、用训练好的联合网络执行三维重建任务。2.根据权利要求1所述的基于深度神经网络和模型先验的3D心脏形状重建方法,其特征在于,步骤S1的具体步骤为:1
‑
1、对每个原始CT三维体积沿横断面法线方向进行切片,得到一系列二维图像,并对每张二维图像中的左心室进行分割,获得二维图像的掩膜;1
‑
2、将一系列二维图像的掩膜堆叠构成掩膜体积,使用Marching Cubes算法生成分割区域的表面网格,并进行平滑操作,得到心脏三维模型;1
‑
3、对所获得的所有三维模型依次执行刚性配准,非刚性配准,使得所有的三维模型的空间分布相近、拓扑结构一致;1
‑
4、对所有的三维模型使用主成分分析,获得各个三维模型的参数,进而产生低维的参数隐空间;其中,三维模型集由原始CT三维体积、掩膜体积、三维模型和三维模型的参数构成。3.根据权利要求1所述的基于深度神经网络和模型先验的3D心脏形状重建方法,其特征在于,步骤S2的具体步骤为:2
‑
1、在均值模型上手工确定5个关键点用于决定切平面位置,从而获得对应的5个顶点索引,因为由参数获得的三维模型之间顶点是一一对应的,任意三维模型的关键点就能根据顶点索引直接确定;2
‑
2、参数回归网络的训练集的数据为由步骤2
‑
1获得的关键点对三维模型集中的三维模型切片,所获得的三维模型的一组切片掩膜,对应的标签为三维模型的参数;2
‑
3、对三维模型集的参数分布进行分析,并以每个样本的参数为中心进行高斯采样,从而获得与样本不同的参数;从获得的参数生成三维模型,由步骤2
‑
1获得的关键点对三维模型切片,获得三维模型的一组切片掩膜;将切片掩膜和三维模型的参数加入到由步骤2
‑
2获得的参数回归网络的训练集中,从而对参数回归网络的训练集增强。4.根据权利要求3所述的基于深度神经网络和模型先验的3D心脏形状重建方法,其特征在于,所述获得三维模型的一组切片掩膜的方法,其具体步骤为:3
‑
1、对于已知三维模型,将获得的5个关键点分别标记为A、B、C、D、E;3
‑
2、心脏的短轴视图平面序列,由以A、B连线为法线,经过AB连线上具有间隔的点的10
张平面构成,使用这10张平面对三维模型截面生成10张切片掩膜;3
‑
3、心脏的长轴二腔心视图平面,定义为经过A、B、C三点构成的平面,使用该平面对三维模型截面生成1张切片掩膜;3
‑
4、心脏的长轴三腔心视图平面,定义为经过A、B、D三点构成的平面,使用该平面对三...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。