[发明专利]锥束计算机断层扫描图像特征提取与对应方法

说明书

本发明公布了一种锥束计算机断层扫描图像特征提取与对应方法，包括：计算得到锥束CT图像的超体素分解与谱空间正交基函数；2)建立体图像对应任务导向的深度神经网络并进行预训练，得到体图像对应任务导向的深度神经网络参数；训练体图像对应任务导向的深度神经网络；利用训练好的体图像对应任务导向的深度神经网络，对待处理的锥束CT图像实现特征提取与对应。采用本发明提供的技术方案，可以快速建立三维锥束计算机断层扫描图像对应与配准，进一步地，可进行计算机辅助的术中干预与在线的特征点定位与分割标签迁移。

技术领域

本发明涉及口腔临床医学图像处理和计算机视觉技术领域，具体涉及一种锥束计算机断层扫描图像特征提取与对应方法。

背景技术

锥束计算机断层扫描(锥束CT)图像被应用于众多临床领域，在正畸外科中应用尤其广泛。锥束CT图像的稠密对应是统计形状分析与衡量由于生长发育或临床治疗所带来的组织结构变形的关键技术。锥束CT图像对应算法是属性迁移和标签迁移等应用的基础。近些年出现了很多被应用于体图像对应的手工设计的特征，包括灰度分布直方图、方向梯度特征、基于自身相似度的特征、尺度不变特征以及具有模态不变性的上下文特征。然而，以上基于灰度直方图或梯度的算法通常会耗费大量的计算资源。

特定与对应任务的图像特征可以有效提高对应精度。采用有监督的分类和回归随机森林的方法对特征进行特定于对应任务的选择，经过筛选的特征可被应用于对应计算中。但是，该方法需要后处理以得到平滑的图像对应。相比较于上述直接在空域中计算图像对应的方法，谱方法在频域中求解低维谱函数对应，并从谱函数对应中恢复出空域中的图像对应，有监督的深度谱神经网络已经被用来求解二维流形之间的对应。然而，上述方法均依赖于手工设计的图像特征，而手工设计的图像特征通常并不特定于图像对应任务的求解。同时，上述方法均为有监督方法，需要提前进行数据标注，而人工数据标注不仅费时费力并且存在主观误差。可见，现有技术缺乏采用无监督方法，且能够有效提取特定于对应任务的锥束CT图像特征，同时计算锥束CT图像对应的图像特征提取与对应方法。

发明内容

为了克服上述现有技术的不足，本发明提供一种锥束计算机断层扫描图像特征提取与对应方法，通过建立对应任务导向的深度神经网络，能够有效提取特定于对应任务的锥束CT图像特征同时计算锥束CT图像对应，并进行无监督地端到端训练。

本发明的核心是：本发明提出对应任务导向的锥束CT图像特征提取方法。针对体图像对应任务，本发明提出可以端到端训练的基于深度卷积神经网络的体图像特征学习算法，提取适合体图像对应任务的体图像特征。在深度神经网络的训练过程中，该网络接受一对体图像作为输入，输出该对体图像的特征，将输出特征映射到谱空间中计算图像之间的对应关系，并对网络参数进行优化，进行端到端的训练。本发明在频域计算体图像之间的对应关系，将网络输出的体图像特征投影在谱空间，通过计算谱空间中的低维基函数系数之间的对应，可恢复两个体图像在空域中的对应关系。通过无监督地学习适用于体图像对应任务的描述子，并约束该描述子满足体图像对应的可逆性，该网络的参数得到无监督优化。根据体图像之间的对应关系，可进行进一步的图像特征迁移，如特征点迁移及分割图迁移。在线测试阶段，本发明提出的对应任务导向的深度神经网络可以进行有效的体图像特征提取，同时该特征可以高效地计算体图像之间的对应。任务导向的体图像特征提取方法使得在谱空间中对应精度得到改善。该网络的训练过程不需要先验的标注信息，可以无监督方式优化网络参数。

本发明中的参数定义如下：

V_i和V_j：锥束CT图像；

N_i和N_j：V_i和V_j的超体素个数；

M_i和M_j：V_i和V_j的图拉普拉斯矩阵；