[发明专利]分叉点检测方法、图像配准方法、图像分割方法及系统

权利要求书

1.一种树状结构分叉点检测方法，通过深度学习网络检测树状结构中的分叉点，其特征在于，包括如下步骤：

训练步骤，利用所述树状结构的分叉点拓扑图集，通过所述深度学习网络对用于检测所述树状结构的分叉点的模型进行训练；

推理步骤，利用所述分叉点拓扑图集，对通过所述训练步骤训练后的所述模型检测到的所述分叉点进行强化。

2.如权利要求1所述的树状结构分叉点检测方法，其特征在于，

所述训练步骤中，用于所述模型训练的损失函数中包括表示所述分叉点拓扑图集与输出值之间的差异的项；

所述推理步骤中，通过所述分叉点拓扑图集对检测到的所述分叉点进行筛选，从而进行所述强化。

3.如权利要求2所述的树状结构分叉点检测方法，其特征在于，

所述损失函数通过下式表示：

Loss_total＝λ₁L(P，G)+λ₂L(P，A)

其中，

Loss_total表示所示模型的总的误差值；

L(P，G)表示输出值与真值之间的差异；

L(P，A)表示输出值与所述分叉点拓扑图集之间的差异；

λ₁和λ₂是权重系数。

4.如权利要求1～3中任一项所述的树状结构分叉点检测方法，其特征在于，

所述深度学习网络是沙漏网络或者耦合U网络。

5.一种图像配准方法，利用具有树状结构的器官的所述树状结构的分叉点对所述器官的多个模态的图像进行配准，其特征在于，包括如下步骤：

获取步骤，获取所述器官的所述多个模态的图像；

树状结构分叉点检测步骤，通过权利要求1～4中的任一项所述的树状结构分叉点检测方法，在获得的所述器官的图像中检测所述树状结构的分叉点；以及

配准步骤，利用检测出的所述分叉点对所述多个模态的图像进行配准。

6.如权利要求5所述的图像配准方法，其特征在于，

还具备树状结构图像生成步骤，利用所述树状结构分叉点检测步骤中检测到的所述树状结构的分叉点，生成所述器官的树状结构中心线拓扑，并根据所述树状结构中心线拓扑进行所述器官的树状结构分割，以生成树状结构图像；

所述配准步骤还根据所述树状结构图像对所述多个模态的图像进行配准。

7.如权利要求5或6所述的图像配准方法，其特征在于，

所述多个模态的图像包括所述器官的术前图像以及所述器官的术中图像，

所述树状结构分叉点检测步骤中，通过所述树状结构分叉点检测方法在所述术前图像中检测所述器官的树状结构分叉点，通过所述树状结构分叉点检测方法在所述术中图像中检测所述器官的树状结构分叉点或者通过手动方式在所述术中图像中设定所述器官的树状结构分叉点，

所述树状结构分叉点检测步骤中，还通过所述器官的分割结果对所述术前图像的所述树状结构分叉点的检测结果进行修正。

8.如权利要求7所述的图像配准方法，其特征在于，

所述术前图像为MR图像或CT图像，所述术中图像为超声波图像。

9.如权利要求5～8中任一项所述的图像配准方法，其特征在于，

所述深度学习网络是沙漏网络或者耦合U网络。

10.一种图像分割方法，对医学图像中的具有树状结构的器官进行分割，其特征在于，包括如下步骤：

获取步骤，获取所述医学图像；

树状结构分叉点检测步骤，通过权利要求1～4中的任一项所述的树状结构分叉点检测方法，在获取的所述医学图像中检测所述树状结构的分叉点；

中心线生成步骤，利用检测到的所述分叉点，生成所述树状结构的中心线；以及

分割步骤，根据生成的所述树状结构的中心线，分割所述树状结构。