[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

说明书

本发明提供分叉点检测方法、图像配准方法、图像分割方法及系统。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。

技术领域

本发明涉及从图像中检测树状结构的分叉点的树状结构分叉点检测方法及系统、使用该方法的图像配准方法及系统和图像分割方法及系统。

背景技术

肺内部气管、血管或肝脏内部血管是人体的重要组织，这些内部血管或气管通常为树状结构，这些树状结构的检测或者分割(segmentation)是一个重要课题。另外，这些树状结构对于具有该树状结构的器官的分割和多模态图像配准来说也具有重要意义。

专利文献1(WO2020/044840)记载了一种利用肺气管结构进行区域划分的装置，用于对包含在医学图像中的肺部区域进行划分。关于作为树状结构的气管中的关键点(landmark)的检测和定位，专利文献1中记载了提取包括分叉点的支气管结构以便根据支气管区域的多个分叉点位置进行区域的划分。另外，专利文献1中记载了使用机器学习来进行支气管结构的提取。

发明内容

现有技术中的问题

如上所述，对于树状结构来说，分叉点是重要的关键点，专利文献1中提出了将支气管区域的多个分叉点位置用于区域划分，但是专利文献1的技术方案仅涉及区域划分而非图像分割，具体来说专利文献1是利用分叉点的位置将肺区域划分为例如上下方向的多个区域，或将肺区域划分为距离多个分叉点位置中的特定分叉点位置处于特定距离内的区域和处于特定距离以外的区域(参见专利文献1说明书0042段)。

另外，现有技术的分割方法大多是在对树状结构进行分割后再从树状结构的分割图像中提取树状结构的中心线和分叉点。这些传统的方法多是基于图像的强度、几何形状等直接从图像中进行树状结构的分割，或者是基于深度学习直接进行树状结构的图像分割。作为关键点的分叉点并未在树状结构的分割中被充分利用。

另外，作为分叉点的检测技术，专利文献1等现有技术中虽然提出了一些基于机器学习的树状结构或者树状结构分叉点的检测方法，但这些现有技术中的分叉点检测方法没有考虑分叉点之间的对应关系，检测精度和准确性不足。

用于解决技术问题的手段

本发明为解决上述现有技术的问题而提出，本发明提出了一种考虑了分叉点之间的对应关系的树状结构分叉点的检测方法和系统，进而提出了基于这样的分叉点检测方法的图像配准方法和图像分割方法以及系统。

根据本发明的一个方面，提供了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。

由此，本发明利用通过深度学习网络训练的树状结构的关键点检测模型来检测树状结构中的分叉点，在训练过程中深度学习网络可以利用树状结构的多关键点的拓扑信息，在推理过程中将分叉点拓扑图集(topology atlas)与检测到的树状结构分叉点结合，对检测结果进行强化，从而将树状结构各个分叉点之间的对应信息用于分叉点检测，提高了分叉点检测的准确性和精度。

另外，本发明提供了基于上述分叉点检测方法的图像配准方法和图像分割方法。