[发明专利]医学图像层间插值及三维重建方法

说明书

本发明公开了一种医学图像层间插值及三维重建方法，包括：获取医学图像，对图像格式进行转换，并且按照三联组的方式制作数据集，数据集包括训练集以及测试集；构建基于MultiresUnet的自适应协作流层间插值网络模型，并利用构建的三联组数据集对模型进行训练；利用训练好的层间插值网络对所选的图像进行层间插值，扩充样本数据量，并对图像进行超分辨率重建；构建医学图像分割模型，选取合适的数据集或者手动标注创建数据集对分割模型进行训练；利用训练好的分割模型对选取的感兴趣目标区域进行分割，得到分割过后的掩膜图像，运用掩膜图像进行三维重建。通过本发明方案，能够提高在样本数据量少情况下三维重建的精度和质量。

技术领域

本发明实施例涉及医学图像处理技术领域，尤其涉及一种医学图像层间插值及三维重建方法。

背景技术

随着计算机技术和医学影像技术的发展及广泛应用，医学影像在临床诊断、教学科研等方面发挥着越来越重要的作用，人体组织器官的二维图像，如常见的CT图像和核磁共振图像MRI等对于医生分析患者病情辅助诊断起了积极作用，但是由于人体组织器官形态多样、结构复杂，医生凭借临床经验及肉眼对二维图像进行观察判断会对诊断结果造成一定影响，利用医学图像处理、可视化等知识和技术对二维医学图像进行三维重建，重建出人体组织器官和病灶的三维模型，三维模型能够直观的反映出组织和病灶的空间位置、大小、几何形状以及与周围组织的空间关系等，帮助医生对患者进行准确的临床诊断，设计精确的治疗方案，提升诊治的准确性和有效性，因此，医学图像处理及三维重建技术的应用与研究具有重要的理论价值和现实意义。

医学图像三维重建存在两大问题，其一，由于受成像设备和成像技术的限制，以及部分出于对人体健康考虑等原因，医学图像本质上具有模糊性和不均匀性的特点，且医学影像设备所生成的层片数据序列存在层间分辨率远小于层内分辨率，如果直接利用这些切片数据进行三维重建，由于切片间间距较大会导致重建出的三维模型具有阶梯状结构，产生严重的畸变，失去三维重建的意义。为保证重建的三维图像的精确度，需要利用层间插值算法在已有的相邻切片之间进行图像层间插值，形成一定数量的虚拟切片。其二，对某一组织器官或者病灶进行三维重建之前，需要按照疾病诊断的需要进行必要的图像分割，由于医学影像设备成像原理上的特点及图像的噪声、目标物体边界局部不清晰等因素的影响，医学图像分割效果较差，因此在分割之前对图像进行超分辨率重建，对医学图像数据进行超分辨率重建可以提升图像的纹理细节以及使边界轮廓清晰，提升图像的质量和分割的准确性及精度。

发明内容

有鉴于此，本发明提供一种医学图像层间插值及三维重建方法，改善医学图像三维重建中存在的受切片数量影响导致生成三维模型质量精度差和医学图像中边界轮廓不清晰导致分割不准确的问题，可以避免主观因素的影响，提升三维重建模型的质量和效率。

本发明提供了一种医学图像层间插值及三维重建方法，包括：

步骤1，获取样本医学图像数据并对图像进行筛选，选择细节纹理清晰及边界变化明显的图像，对筛选过后的图像格式进行转换，并且按照三张连续序列图像组成三联组的格式创建数据集，数据集分为训练集和测试集；

步骤2，构建基于MultiresUnet网络的医学图像层间插值模型，并利用创建的训练集对网络模型进行训练，利用验证集对训练好的网络模型进行验证，根据验证结果对模型参数进行调整优化，得到表现最佳的医学图像层间插值模型；

步骤3，基于对抗生成网络SRGAN构建医学图像超分辨率重建网络，并且选择合适的公开数据集或者创建数据集对网络模型进行训练，通过选取合适的评价指标对模型参数进行调整以达到最优重建效果，利用训练好的层间插值网络对所选的样本医学图像进行层间插值，扩充样本数据量，随后利用训练好的医学图像超分辨率重建网络对插值后的图像进行超分辨率重建提升图像质量；