[发明专利]适用于二维脑图像数据的脑解剖结构定位方法

说明书

本发明公开了一种适用于二维脑图像数据的脑解剖结构定位方法，通过检索的方式获取二维脑图像模板，利用分割的方法得到特征区域，并使用配准方法将待定位的二维脑图像与二维脑图像模板进行匹配，从而得到脑解剖结构的位置信息。整个定位过程不需要人工参与，可以实现快速的脑解剖结构定位，定位目标为二维脑图像上的所有脑解剖结构，相比现有方法提高了定位的精度。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及适用于二维脑图像数据的脑解剖结构定位方法。

背景技术

随着成像技术的进步，人们已经可以通过不同的成像技术获得大量的脑图像数据，并利用这些数据对大脑的结构和功能进行研究。在研究不同脑解剖结构时，很重要的一点是在脑图像数据中定位感兴趣的脑解剖结构。在定位感兴趣的脑解剖结构时，通常由专业人员通过长期的训练，学习大量的解剖学知识，从而确定图像中脑解剖结构的位置，然而这种方式十分耗时，而且对于纹理特征不明显的脑解剖结构，人工定位往往也会产生较大的偏差。为了适应海量脑图像数据的脑解剖结构定位需求，已经有大量研究通过图像配准将三维脑图像的脑解剖结构定位流程数字化，比如利用人工辅助的方法将三维脑图像与三维脑图谱进行配准，利用自动提取的特征的方式对三维脑图像与三维脑图谱进行匹配。然而对于二维脑图像由于缺乏匹配的模板，且无法直接将二维脑图像与三维脑图谱进行匹配，所以不能直接将三维脑图像的脑解剖结构定位方法直接迁移到二维脑图像上，需要针对二维图像开发相应的脑解剖结构定位方法。

现有的二维图像脑解剖结构定位方法主要分为图像分割方法和图像配准方法两种。图像分割方法又可以分为基于传统方法的图像分割以及基于深度学习的分割方法，基于传统方法的图像分割主要有区域划分、k-均值聚类、分水岭、活动轮廓、基于Graph的分割、马尔可夫随机场等方法。基于深度学习的分割方法主要是通过学习二维脑图像中的脑解剖结构特征，从而对脑解剖结构进行划分,如中国专利名称为《一种基于深度学习的脑瘤医学图像分割方法》，申请号为：201910158251.5的发明专利，该基于深度学习的脑瘤医学图像分割方法通过对分割模型进行深度学习训练，深度学习训练好的分割模型再对接收到的待分割脑瘤医学图像数据信息进行分割处理，分割结果准确，速度快，可以适用于不同模态的二维脑图像，解决了传统的人工分割方法存在费时费力的问题，但是由于硬件限制，该方法只能对有限的脑解剖结构进行定位，另外，由于缺乏大量精确的标记数据，使得分割结果的精度不够。图像配准方法主要是通过寻找二维模板，然后将二维脑图像与二维模板进行配准，从而划分脑解剖结构，这种方法可以对所有的脑解剖结构进行定位，因此是目前研究的主流方法。现有的图像配准方法主要是通过深度学习学习三维模板图像和二维脑图像的对应关系，对三维模板图像进行切片，从而获取二维模板进行配准，但是由于往往只有单一模态的三维模板图像，当应用到不同模态的图像上时，二维模板与二维脑图像的相似性会急剧下降，从而使得脑解剖结构的定位精度会严重下降，因此极大程度的限制了这类方法的广泛应用。

发明内容

因此，为解决上述问题，本发明提供了一种适用于二维脑图像数据的脑解剖结构定位方法。

本发明是通过以下技术方案实现的：

适用于二维脑图像数据的脑解剖结构定位方法，包括以下步骤：

S1：收集具有标注的三维脑图像，增强三维脑图像数据后切片获得二维脑图像数据库，提取二维脑图像数据库中的脑解剖结构分布特征，获取特征数据库；

S2：利用二维脑图像数据库和特征数据库获得特征提取网络，通过特征提取网络检索待定位图像与特征数据库的最相似特征及其对应的检出图像；

S3：利用二维脑图像数据库中的数据训练得到全卷积特征区域分割网络，通过全卷积特征区域分割网络分割待定位图像的特征区域和检出图像的特征区域；

S4：将待定位图像和检出图像分别与其对应的特征区域融合得到待定位融合图像和检出融合图像，将待定位融合图像和检出融合图像进行配准获得待定位图像的脑解剖结构定位结果。

优选的，所述步骤S1包括：