【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及基于自监督学习和几何约束的脑mri标志点检测方法。
技术介绍
1、解剖学标志在医学中用于准确标识人体特定部位，以稳定性、普适性和易识别性为标准。大脑mri中的解剖学标志广泛应用于图像处理、手术辅助、神经科学研究及疾病诊断等领域。
2、现有的大脑mri（磁共振成像）解剖标志检测方法主要基于深度学习中的监督学习，而且现有方法多聚焦于少数特定的解剖标志，如大脑中心矢状面上的前联合和后联合，而未能有效利用这些标志点之间的几何信息来优化定位与检测过程。此外，每当面临新的解剖标志检测需求时，专家需要重新标注大量的训练数据，用以训练有监督的神经网络，这一过程既耗时又费力。这导致现有方法难以快速扩展，难以适应未来可能出现的多样化检测需求。
3、还有一些现有方法在二维医学图像，如计算机断层扫描切片上有基于自监督学习的解剖标志检测方法，但该方法所需计算量过大受限于硬件限制，不易扩展于三维图像的解剖学标志检测。
技术实现思路
1、基于
技术介绍
存在的技术问题，本专利技术提出了基于自监督学习和几何约束的脑mri标志点检测方法，利用模版几何信息提升检测精度，实现高效且易扩展的解剖标志检测。
2、本专利技术提出的基于自监督学习和几何约束的大脑mri解剖学标志检测方法，包括如下步骤：
3、步骤一、对待定位模版解剖标志点的验证mri图像以及模版mri图像进行预处理，并对预处理后的验证mri图像以验证特征点为中心进行三维切块，对预处理后的
4、步骤二、将验证mri图像的所有验证特征点切块和模版mri图像的所有模版解剖标志点切块输入到已训练完成的深度学习模型以输出每个切块对应的一维特征向量；
5、步骤三、以每个模版解剖标志点的坐标为中心，半径为做圆，获取圆中所有的验证特征点，分别计算圆内验证特征点的一维特征向量与所述模版解剖标志点的一维特征向量之间的余弦相似度并降序排列，取前个验证特征点构成所述模版解剖标志点的候选点，从而基于所有模版解剖标志点的候选点构成候选点集合；
6、步骤四、将候选点集合中的第一列作为定位解剖标志点的第一临时集，并对第一临时集进行异常验证特征点替换，得到更新后的第一临时集，同时计算模版mri图像与验证mri图像的互信息；
7、步骤五、根据模版解剖标志点与更新后的第一临时集的几何信息创建距离一致性约束，对模版解剖标志点以及模版mri图像进行同步变换，得到变换后的模版解剖标志点；
8、步骤六、根据变换后模版解剖标志点与更新后的第一临时集的几何信息创建方向一致性约束，对更新后的第一临时集中的所有不满足方向一致性约束的验证特征点进行替换，构成第二临时集；
9、步骤七、根据变换后的模版解剖标志点与第二临时集的几何信息创建距离一致性约束，对变换后的模版解剖标志点以及模版mri图像进行同步变换，得到变换后的模版mri图像；
10、步骤八、计算变换后的模版mri图像与验证mri图像的互信息，若，回到步骤五，进行下一轮迭代，在下一轮迭代中，将赋值为，将下一轮迭代的第一临时集赋值为当前轮迭代所得到的第二临时集；若，或达到最大迭代次数，则终止迭代，并将上一轮迭代的第二临时集作为验证mri图像的最终定位解剖学标志点。
11、进一步地，在步骤一：对预处理后的验证mri图像以验证特征点为中心进行三维切块中，具体为：
12、基于空间组合判定法检测预处理后的验证mri图像的验证特征点，并对检测后的验证特征点进行增广，并将增广后的点作为验证特征点加入验证特征点集合；
13、以验证特征点集合中的验证特征点为中心在降采样后的验证mri图像上进行三维切块，验证mri图像的验证特征点切块的大小等于模版mri图像的模版解剖标志点切块。
14、进一步地，所述空间组合判定法具体如下：
15、对预处理后的验证mri图像进行倍降采样，得到体素数据，对体素数据中除去边缘的所有体素，进行多种空间体素组合方式判定是否为特征点，基于空间体素组合方式筛选出具备基本几何特征的体素作为验证特征点，所述空间体素组合方式有十字型、拐角u型、拐角t型；
16、当空间体素组合方式为拐角t型时，对所述空间体素组合方式中任一体素组合方式，且开口方向朝右上方式中，将27个体素按照特定的空间分布方式分为两组和，表示组中的第个分布方式，表示组中的第个分布方式，所述27个体素为降采样后验证mri图像中以其中一个体素作为中心，边长为3的局部邻域中有26个体素，共27个体素；所述体素组合方式的具体判定公式如下：
17、
18、
19、其中，表示体素组合方式判定结果，表示组中的第个体素，表示组中第个体素，表示对应的体素值，表示对应的体素值，表示验证mri图像所属数据集的体素均值，表示组体素的总数，表示组体素的总数，和对应为体素组合方式的体素阈值，是判断函数，当输入条件为真时返回1，否则返回0。
20、进一步地，在步骤四中，更新后的第一临时集的生成过程如下：
21、将候选集合中的第一列作为最终定位解剖标志点的临时集，对临时集中每一个解剖学标志的临时定位点，基于候选点集合并通过局部离群因子算法对临时定位点进行异常点判定；
22、局部离群因子算法具体为：每一个临时定位点的局部邻居数小于设定邻居数，则被认为是异常点，使用该临时定位点所在候选点集合中与解剖学标志点相似度第二高的候选点进行替换，替换临时集中的所有异常点，构成更新后的第一临时集。
23、进一步地，在步骤五中，距离一致性约束具体如下：
24、计算各个模版解剖标志点之间的距离矩阵，以及更新后的第一临时集中各个临时点之间的距离矩阵；
25、计算距离矩阵与距离矩阵之间的比值，得到缩放矩阵，将缩放矩阵中除去对角线的所有元素计算z-score，对所有中z-score值小于2的元素计算均值得到缩放因子；
26、基于缩放因子对模版解剖学标志点以及模版mri图像进行同步缩放，得到缩放后的模版mri图像和缩放后的模版解剖学标志点；
27、使用四元数法对所述缩放后的模版解剖学标志点和更新后的第一临时集进行配准参数拟合，得到旋转矩阵以及平移向量；
28、使用旋转矩阵以及平移向量对缩放后的模版mri图像和缩放后的模版解剖学标志点进行同步旋转平移变换，得到变换后的模版解剖标志点。
29、进一步地，在步骤六中，方向一致性约束具体如下：
30、计算每个变换后模版解剖标志点与候选点集合中各个验证特征点之间的距离，得到距离矩阵，并对距离矩阵中的距离降序排列；
31、将候选点集合中的验证特征点按照降序排列的距离进行重新排序，得到更新后的候选点集合，将更新后的候选点集合的第一列作为更新后的第一临时集；
32、计算每个变换后模版解剖标志点之间的方本文档来自技高网...
【技术保护点】
1.基于自监督学习和几何约束的脑MRI标志点检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自监督学习和几何约束的脑MRI标志点检测方法，其特征在于，在步骤一：对预处理后的验证MRI图像以验证特征点为中心进行三维切块中，具体为：
3.根据权利要求2所述的基于自监督学习和几何约束的脑MRI标志点检测方法，其特征在于，所述空间组合判定法具体如下：
4.根据权利要求2所述的基于自监督学习和几何约束的脑MRI标志点检测方法，其特征在于，在步骤四中，更新后的第一临时集的生成过程如下：
5.根据权利要求2所述的基于自监督学习和几何约束的脑MRI标志点检测方法，其特征在于，在步骤五中，距离一致性约束具体如下：
6.根据权利要求5所述的基于自监督学习和几何约束的脑MRI标志点检测方法，其特征在于，在步骤六中，方向一致性约束具体如下：
7.根据权利要求5所述的基于自监督学习和几何约束的脑MRI标志点检测方法，其特征在于，在步骤二中，深度学习模型的训练过程如下：
【技术特征摘要】
1.基于自监督学习和几何约束的脑mri标志点检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自监督学习和几何约束的脑mri标志点检测方法，其特征在于，在步骤一：对预处理后的验证mri图像以验证特征点为中心进行三维切块中，具体为：
3.根据权利要求2所述的基于自监督学习和几何约束的脑mri标志点检测方法，其特征在于，所述空间组合判定法具体如下：
4.根据权利要求2所述的基于自监督学习和几何约束的脑mri标志点检测方法...
【专利技术属性】
技术研发人员：王睿，肖坤涛，孙翼，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：
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。