一种面向脊柱手术的术前影像多模态重建方法技术

本发明专利技术提供一种面向脊柱手术的术前影像多模态重建方法，通过阈值分割方法对脊柱CT影像进行分割，得到患者锥体的三维模型；通过深度学习方法对患者的脊柱核磁影像进行分割，得到患者椎间盘、神经根的三维模型；通过对CT和核磁影像中相同解剖结构进行选点操作，实现特征点提取；求解特征点之间的转换矩阵，利用RANSAC算法对转换矩阵的参数进行拟合，得到两组特征点坐标之间的相对位置关系；将转换矩阵应用到初始分割结果，使得CT和核磁影像数据的坐标系统一，得到结合了CT和核磁影像的多模态融合结果；使用光线投射算法对融合结果进行三维重建，得到患者脊柱的三维可视化模型。本发明专利技术通过简单的选点操作能够快速获得患者脊柱的三维模型。的三维模型。的三维模型。

【技术实现步骤摘要】
一种面向脊柱手术的术前影像多模态重建方法


[0001]本专利技术提供一种面向脊柱手术的术前影像多模态重建方法，属于医学影像处理


技术介绍

[0002]在对脊柱进行成像时，CT和核磁是主要的成像手段，CT影像对骨头的成像效果较好，而核磁对软组织(椎间盘、神经根)的成像效果较好，在医生实际参考的时候，需要来回看片子，相对位置容易出现看错位的情况。
[0003]CN202110690088.4提供一种脊柱配准方法、装置、设备及计算机存储介质，研究对象也是CT和核磁影像的配准融合，但他采用深度学习方法，搭建了卷积神经网络模型来实现脊柱配准。因为该专利技术用的是深度学习方法来直接生成形变场(作用类似于下文说的“转换矩阵”)，所以该专利技术需要大量影像数据去训练，并且需要人工对影像数据进行标注工作，费时费力。生成形变场的方式更适合于非刚性配准，对于脊柱来说，软硬组织的形状和结构一致性较高，刚性配准更为适合，参数更少。由于深度学习方法的不确定性，难以保证算法可靠，通俗点来说就是这种方法偶然性比较大，需要通过不断调参来达到很好的效果。深度学习方法对硬件条件要求高，训练过程需要用到计算能力强大的显卡，并不是每个实验室/研究团队都能满足这个硬件需求。

技术实现思路

[0004]针对上述技术问题，本专利技术提供一种面向脊柱CT和核磁影像的多模态重建方法，旨在为医生提供融合多源信息的三维模型，节省医生时间，提高医生诊断效率。本专利技术弥补缺少脊柱多模态影像重建的缺点，在无需建立数据集的情况下实现影像配准r/>‑
融合
‑
重建全流程，克服深度学习方法的需要数据量大的困难。
[0005]本专利技术做的影像重建工作是在术前完成的，因此只要是和脊柱相关的手术，本专利技术都具有适用性。
[0006]具体技术方案为：
[0007]一种面向脊柱手术的术前影像多模态重建方法，包括以下步骤：
[0008]步骤1、通过阈值分割方法对患者的脊柱CT影像进行分割，得到患者锥体的三维模型；
[0009]步骤2、通过深度学习方法对患者的脊柱核磁影像进行分割，得到患者椎间盘、神经根的三维模型；
[0010]步骤3、通过对CT和核磁影像中相同解剖结构进行选点操作，实现特征点提取；
[0011]步骤4、求解上述特征点之间的转换矩阵，利用RANSAC算法对转换矩阵的参数进行拟合，得到两组特征点坐标之间的相对位置关系；将转换矩阵应用到初始分割结果，使得CT和核磁影像数据的坐标系统一，实现了CT和核磁数据的配准，得到结合了CT和核磁影像的多模态融合结果；
[0012]步骤5、使用光线投射算法对融合结果进行三维重建，得到患者脊柱的三维可视化模型。
[0013]进一步的，步骤2中，使用SpineParseNet模型对核磁影像进行分割，得到患者的软组织的三维模型。
[0014]步骤3具体实现方法为：选定特征明显的多个解剖结构，分别记录该结构在CT影像与核磁影像中对应点的坐标。
[0015]采用本专利技术提供的方法，医生在拿到CT和核磁影像数据后，通过简单的选点操作能够快速获得患者脊柱的三维模型，为后续对病情诊断提供支持。
附图说明
[0016]图1是本专利技术的流程图；
[0017]图2是实施例的CT和核磁分割的结果；
[0018]图3是实施例的三维可视化模型。
具体实施方式
[0019]结合附图说明本专利技术的具体技术方案。
[0020]整体技术方案如图1所示。
[0021]由于脊柱CT成像中，锥体与软组织的强度值差异较大，因此通过阈值分割方法对患者的脊柱CT影像进行分割，得到患者锥体的三维模型。使用SpineParseNet模型对核磁影像进行分割，得到患者的软组织的三维模型；白色代表神经根，灰色代表椎间盘。CT和核磁分割的结果分别如图2所示。
[0022]通过对CT和核磁影像中相同解剖结构进行选点操作，实现特征点提取。具体实现方法：选定特征明显的多个解剖结构，分别记录该结构在CT影像与核磁影像中对应点的坐标。之后求解上述特征点之间的转换矩阵，利用RANSAC算法对转换矩阵的参数进行拟合，得到两组特征点坐标之间的相对位置关系。将转换矩阵应用到初始分割结果，使得CT和核磁影像数据的坐标系统一，实现了CT和核磁数据的配准，得到结合了CT和核磁影像的多模态融合结果。
[0023]最后，使用光线投射算法对融合结果进行三维重建，得到患者脊柱的三维可视化模型，如图3所示，使用不同三色标识出不同解剖结构，深灰色：来源于CT的锥体数据；白色：来源于核磁影像的神经根数据；浅灰色：来源于核磁影像的椎间盘数据。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向脊柱手术的术前影像多模态重建方法，其特征在于，包括以下步骤：步骤1、通过阈值分割方法对患者的脊柱CT影像进行分割，得到患者锥体的三维模型；步骤2、通过深度学习方法对患者的脊柱核磁影像进行分割，得到患者椎间盘、神经根的三维模型；步骤3、通过对CT和核磁影像中相同解剖结构进行选点操作，实现特征点提取；步骤4、求解上述特征点之间的转换矩阵，利用RANSAC算法对转换矩阵的参数进行拟合，得到两组特征点坐标之间的相对位置关系；将转换矩阵应用到初始分割结果，使得CT和核磁影像数据的坐标系统一，实现了...

【专利技术属性】
技术研发人员：段星光，陈文欣，朱小龙，谢东升，田焕玉，韩哲，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：