[发明专利]一种基于空间相对位置先验的颞骨关键解剖结构自动定位方法

权利要求书

1.一种基于空间相对位置先验的颞骨关键解剖结构自动定位方法，其特征在于，整体分为四个阶段：基于统计的空间相对位置先验图模型建模阶段、空间相对位置先验图模型基准点定位阶段、空间相对位置先验图模型粗定解剖结构候选区域阶段和颞骨关键解剖结构精确定位阶段；

1)基于统计的空间相对位置先验图模型建模阶段：

第一步，统计统一像素间距和层间距的颞骨CT影像关键解剖结构中心点坐标；为保证相同颞骨CT影像具有统一的实际物理距离对应关系，将颞骨CT影像重采样统一层间距和像素间距至0.5，基于颞骨CT影像解剖结构的体素级标注，以颞骨CT中心为坐标原点，向前、右、上方向分别作为x、y、z轴正方向，计算各个解剖结构的中心点坐标；

第二步，统计各解剖结构的中心点坐标的平均值；

第三步，建立颞骨CT关键解剖结构平均位置模型；以双侧m个解剖结构中心2m个点的平均值坐标，组成一个m*6的矩阵，m行表示m个解剖结构，6列中每三列为一组x、y、z坐标值描述的解剖结构平均位置，以该矩阵表示颞骨CT关键解剖结构平均位置模型，

第四步，建立颞骨CT关键解剖结构平均相对位置模型；

采用邻接矩阵的形式通过加权无向图描述颞骨CT关键解剖结构空间相对位置关系；将颞骨单侧m个解剖结构中心点作为m个数据节点，矩阵中上三角区域或下三角区域的权值用于描述各个节点间的空间位置关系；统计各个解剖结构之间x、y、z坐标的差值作为邻接矩阵权值，描述每个解剖结构之间的相对位置关系；以左侧、右侧各三个维度坐标建立6个邻接矩阵，每个邻接矩阵用于描述单侧解剖结构对应维度上的相对位置关系；空间相对位置先验图模型基准点定位阶段：

第一步，基于3D Unet的耳蜗内腔结构定位；

第二步，采用统计异常值检测算法去除粗分割离群点；分割出现的离群点会影响耳蜗内腔中心点的定位；采用统计中的绝对中位差算法，去除异常值；绝对中位差函数如公式(1)所示：

MAD＝median(|X_i-median(X)|) (1)

绝对中位差算法过程如下：

(1)计算所有预测前景点坐标的中位数median(X)；

(2)计算每个预测前景点与中位数的绝对偏差值abs(X_i-median(X))；

(3)计算(2)中的绝对偏差值的中位数(MAD)；

(4)将(2)中的值除以(3)的值，得到一组基于MAD的所有预测前景点距离中心的距离Dis；计算公式如式(2)：

(5)将x、y、z三个维度上最大Dis值大于阈值Threshold的点作为异常点去除；Threshold是等于2.5作为阈值；

第三步，计算耳蜗内腔分割体素点的中心坐标值，作为颞骨CT关键解剖结构空间相对位置模型的基准点；

3)空间相对位置先验图模型粗定解剖结构候选区域阶段

第一步，基于仿射变换的图模型配准阶段；

首先，对空间位置先验图模型进行左右侧结构距离的归一化处理；选择双侧耳蜗内腔作为仿射变换基准点，对空间位置先验图模型进行归一化处理；已定位双侧耳蜗内腔间的距离为Distance，平均形状间的平均距离为Distance_m，应用公式(3)计算缩放系数Scale：

应用缩放系数Scale，对6个邻接矩阵AdjacencyMatrix进行各个方向空间相对位置的尺度缩放；具体操作为采用公式(4)，对平均相对位置邻接矩阵AdjacencyMatrix与Scale进行乘法运算，得到缩放后的邻接矩阵AdjacencyMatrixAdjust：

AdjacencyMatrixAdjust＝AdjacencyMatrix×Scale (4)

AdjacencyMatrixAdjust经过自适应尺度缩放，用于描述针每例颞骨CT各自解剖结构之间的空间相对位置关系；以双侧耳蜗内腔三维坐标作为基准点，结合缩放后的邻接矩阵中描述的空间相对位置关系，通过对三维空间坐标间取差值计算剩余关键解剖结构中心点坐标；

第二步，统计颞骨CT关键解剖候选区域提取尺寸；基于统计体素级标注数据，统计关键解剖结构所有标注体素点在x、y、z三个维度上的最大值和最小值，以x、y、z最大值与x、y、z最小值之间的差值初步统计解剖结构尺寸；此后，将初步统计尺寸向外扩延至满足分割算法输入且保证能够包围完整待分割解剖结构的尺寸；

第三步，结合各关键解剖结构中心点和每个解剖结构先验包围框尺寸信息，提取感兴趣区域；感兴趣区域以感兴趣区域中心点和感兴趣区域三维尺寸描述，其中，以第一步预测的颞骨CT各个关键解剖结构中心点为中心，向外扩延提取立方体数据，立方体三维尺寸满足第二步统计计算的颞骨各个关键解剖结构候选区域尺寸，以提取后的立方体数据区域作为进一步精确分割的候选区域；

4)颞骨关键解剖结构精确定位阶段

第一步，关键解剖结构分割阶段；基于耳蜗内腔体素级标注数据，按照1)～3)阶段方法，提取各解剖结构的CT影像数据以及对应区域的标注数据，作为分割网络的训练数据，分别对m个解剖结构训练对应的分割模型；对第三阶段提取的待分割候选区域，采用现有基于深度网络的医学影像分割算法进行体素级分割；

第二步，采用统计异常值检测算法去除分割算法分割出的离群点；由于精确割的算法仅对提取的小区域进行分割，异常值点的分布范围小于对整例CT数据分割；此处采用箱线图检测数据中是否存在极端异常值，效果优于绝对中位差法；箱线图主要由下边界值、第一四分位数Q1，中位数、第三四分位数Q3、上边界5个数值组成；箱线图第三四分位数Q3和第一四分位数Q1的差作为盒子长度IQR，上边界距离Q3和下边界距离Q1均为IQR值的1.5倍，计算边界公式为公式(5)和公式(6)：

min＝Q1-1.5×IQR (5)

max＝Q3+1.5×IQR (6)

对于三个维度任一维度上坐标不满足min～max之间的预测点，作为异常点去除；

第三步，根据第3)阶段提取候选区域的位置，将各解剖结构分割结果填充到对应区域；

第四步，结合各个解剖结构的精确体素级分割结果，以完整包围分割前景体素点的最小包围框作为该解剖结构定位结果。