[发明专利]一种医学影像中解剖特征自动识别与模型重建方法

权利要求书

1.一种医学影像中解剖特征自动识别与模型重建方法，其特征在于，包括以下步骤：

S1：将待分割的二维影像输入分割网络进行预测，事先约定所要识别的解剖结构种类，对输入的所述二维影像的每一个像素作分类预测，形成预测结果图，其中，所述分割网络为预先收集大量的所述二维影像并进行像素级标注后进行神经网络训练后得到的；

S2：对所述预测结果图中分割出的每一个解剖结构进行形态分析，使用图像处理算法提取出解剖结构中关键点的位置，并提取出解剖结构的边界像素作为解剖结构的轮廓线；

S3：读取所述轮廓线，与使用不同权重因子生成的多组形状模型进行对比，当所述形状模型模拟出的投影轮廓与所述轮廓线相近时，当前所述形状模型即为对真实的解剖结构的重建，其中，所述形状模型的生成需要依赖于一个基于CT人工重建的模型数据库；

S4：使用至少两张不同视角上的所述二维影像，执行上述步骤S1-S3，即可以重建出解剖结构的三维模型。

2.根据权利要求1所述的医学影像中解剖特征自动识别与模型重建方法，其特征在于，在步骤S1中，所述分割网络为预先收集大量的所述二维影像并进行像素级标注后进行神经网络训练后得到的，具体的训练过程为：

针对于所述二维影像中不同的解剖结构设置不同的标签；

使用像素标注工具，根据不同的解剖结构，为收集到的每一张二维影像中的每个像素打上不同的标签，并对每一种不同的标签以不同颜色的图层覆盖在像素上，形成以不同的颜色来表示每一个像素所属的解剖结构种类的二维标注图像；

对所述二维标注图像的数据集进行归类，并以此划分训练集和验证集，所述训练集用于训练神经网络，形成所述分割网络，所述验证集用于训练网络面对未知数据的表现。

3.根据权利要求2所述的医学影像中解剖特征自动识别与模型重建方法，其特征在于，对所述二维标注图像的数据集进行归类，具体为：

检查所述二维标注图像的图像质量，根据图像的清晰度分为包括清晰、一般、模糊在内的多种类型，将每一张所述二维标注图像进行归类；

对于每一种清晰度的所述二维标注图像，随机抽取部分图像加入所述训练集，剩余的加入验证集；

使用所述训练集中的所述二维标注图像进行训练，生成所述分割网络；

使用所述验证集中的所述二维标注图像对所述分割网络进行验证。

4.根据权利要求1所述的医学影像中解剖特征自动识别与模型重建方法，其特征在于，在步骤S1中，还包括对所述预测结果图进行处理，具体为：

对所述预测结果图进行去噪处理，对除了背景类之外的所有的解剖结构种类，对所有被归类为此类别的像素进行连通性分析，若分析出多个连通区域，寻找并保留最大的连通区域，去除其他的连通区域；

对连通区域使用形态学运算去除小的锯齿点，作为最终的所述预测结果图。

5.根据权利要求1所述的医学影像中解剖特征自动识别与模型重建方法，其特征在于，在步骤S3中，所述形状模型具体的生成过程为：

针对于收集到的每一个三维影像，重建出每一种解剖结构的结构模型，形成每一种解剖结构特有的结构模型数据库；

对每一个结构模型按照标准采样模型进行重采样，使得不同人重建的结构模型能归一化到一标准形状模型；

将每一个结构模型的所有节点的坐标组成一用于描述结构模型的节点向量，对每一个解剖结构对应的所有的结构模型的节点向量构建协方差矩阵，并计算所述协方差矩阵的特征值和特征向量；

使用每一个解剖结构的所有的结构模型计算得到的平均模型与特征值和特征向量，使用不同的权重因子生成所述形状模型。

6.根据权利要求5所述的医学影像中解剖特征自动识别与模型重建方法，其特征在于，对每一个结构模型按照标准采样模型进行重采样，具体的步骤为：

对结构模型的每一部分使用半球拟合的形式进行重采样，从半球拟合的球心发出射线与对应部分的表面面片进行相交，相交的交点即为一个重采样节点。