基于深度学习与隐式几何融合的三维血管生成与重建方法与流程

摘要: 本发明涉及医学图像处理、计算机图形学与数字医疗,特别是涉及基于深度学习与隐式几何融合的三维血管生成与重建方法。背景技术:1、血管的精确三维重建对于计算血流动力学...
基于深度学习与隐式几何融合的三维血管生成与重建方法与流程

本发明涉及医学图像处理、计算机图形学与数字医疗,特别是涉及基于深度学习与隐式几何融合的三维血管生成与重建方法。

背景技术:

1、血管的精确三维重建对于计算血流动力学(cfd)分析、手术规划及医学教育具有至关重要的意义。现有技术主要包括传统几何学拼接方法和直接基于三维空间的深度学习生成方法,但其存在明显缺陷:

2、维度灾难与算力瓶颈:直接在三维空间生成高分辨率三维网格或体素,计算资源与 gpu 显存消耗极大,难以生成复杂级联分支的完整血管网络。

3、拓扑破损与无法直接仿真:纯数据驱动模型缺乏严格数学物理拓扑约束,血管分叉处易出现孔洞、表面自交、非流形边等缺陷,导致 cfd 体网格划分程序崩溃,不具备仿真就绪能力。

4、过度平滑与几何失真:传统变分自编码器(vae)仅以均方误差(mse)为损失函数,缺乏全局拓扑感知,强正则化会丢失血管局部微小病理特征,产生几何失真。

5、截面三维逆映射扭转奇点:采用弗勒内-塞雷标架进行二维轮廓映射时,直管段法向量突变,造成三维实体麻花状扭曲。

6、现有技术无法在低算力消耗下,利用极度稀疏几何约束自动化生成兼具生物真实感与 100% 拓扑水密性、可直接用于 cfd 仿真的三维血管实体模型。

技术实现思路

1、本发明提供基于深度学习与隐式几何融合的三维血管生成与重建方法,以解决现有技术存在的维度灾难、拓扑破损、几何失真、映射扭曲的技术问题。

2、为实现上述目的,本发明采用的技术方案是:

3、本发明提供基于深度学习与隐式几何融合的三维血管生成与重建方法,包括:

4、s1:获取血管一维中心线坐标集与半径序列,经去噪、b 样条拟合及均匀重采样后,将三维空间几何生成任务转化为沿中心线的时序轮廓演变预测任务;

5、s2:构建带区间圆度惩罚的条件变分自编码器 cvae,以二维轮廓点集与归一化半径为输入,经编码、重参数化得到潜在特征向量,并通过粗建-精调两阶段训练生成二维血管截面;

6、s3:以所述潜在特征向量为序列输入,采用轻量级纯编码器自回归transformer,在潜空间自回归预测完整截面特征序列,并解码为连续二维轮廓序列;

7、s4:采用平行传输标架 rmf 将二维轮廓序列无扭曲逆映射为三维点云,通过径向基函数 rbf 构建全局隐式标量场,提取零等值面得到拓扑水密的三维血管网格。

8、进一步的,所述 s2 中所述区间圆度惩罚的构建方式为:采用张量化鞋带公式计算轮廓面积 a,采用 l2 范数计算轮廓周长 p,得到圆度 c=4πa/p2;基于健康血管圆度先验区间 [cmin,cmax] 构建几何惩罚损失项 lgeo,总损失函数为 ltotal=lcvae+lgeo。,其中,lcvae为基础生成损失。

9、进一步的,所述粗建-精调两阶段训练,包括:

10、粗建阶段:关闭几何惩罚项,以均方误差mse与β-vae的kl散度联合训练,收敛轮廓基础形态;

11、精调阶段:激活区间圆度惩罚项并放大惩罚系数,以小学习率修正畸变,输出高保真平滑截面。

12、进一步的,所述 s3 中所述 transformer 采用编码即预测轻量化结构,融合正弦位置编码保留时序因果关系,提取最后一步隐层表示自回归预测下一帧潜在特征。

13、进一步的,所述 s4 中所述 rmf 通过双重反射法消除法向量自转,避免三维重建出现扭转奇点;所述 rbf 采用三调和样条核函数,生成内外约束点求解线性方程组,得到连续隐式场。

14、进一步的,所述s4中,所述三维血管网格为无孔洞、无自交、非流形缺陷的仿真就绪模型,能够直接导入计算流体动力学cfd 软件完成流体仿真计算。

15、与现有技术相比,本发明所公开的技术方案,具有以下有益效果:

16、采用先空间降维、后时序推演的解耦策略,将三维空间中复杂的血管生成问题转化为沿一维中心线的二维截面时序演变问题,大幅降低了计算维度与资源消耗,有效缓解了传统三维直接生成方法面临的维度灾难与算力瓶颈。通过构建带区间圆度惩罚的条件变分自编码器cvae,结合粗建-精调两阶段训练策略,不仅生成了高保真的二维血管截面,克服了传统vae模型因单纯mse损失导致的几何失真问题,还确保了截面形态的生物合理性。轻量级纯编码器自回归transformer在潜空间对截面特征序列进行自回归预测,能够高效生成连续且具有时序一致性的二维轮廓序列,为后续三维重建提供了高质量的基础数据。而采用平行传输标架rmf进行二维轮廓到三维点云的逆映射,成功消除了弗勒内-塞雷标架带来的扭转奇点,保证了三维结构的平滑性;结合径向基函数rbf构建全局隐式标量场并提取零等值面,最终获得的三维血管网格具有100%的拓扑水密性,彻底解决了拓扑破损问题,实现了从稀疏几何约束到可直接用于cfd仿真的“仿真就绪”模型的自动化生成。

1.基于深度学习与隐式几何融合的三维血管生成与重建方法,其特征在于,包括:

2.根据权利要求1所述的基于深度学习与隐式几何融合的三维血管生成与重建方法,其特征在于,所述 s2 中所述区间圆度惩罚的构建方式为:采用张量化鞋带公式计算轮廓面积 a,采用 l2 范数计算轮廓周长 p,得到圆度 c=4πa/p2;基于健康血管圆度先验区间[cmin,cmax] 构建几何惩罚损失项 lgeo,总损失函数为 ltotal=lcvae+lgeo。,其中,lcvae为基础生成损失。

3.根据权利要求2所述的基于深度学习与隐式几何融合的三维血管生成与重建方法,其特征在于,所述粗建-精调两阶段训练,包括:

4.根据权利要求1所述的基于深度学习与隐式几何融合的三维血管生成与重建方法,其特征在于,所述 s3 中所述 transformer 采用编码即预测轻量化结构,融合正弦位置编码保留时序因果关系,提取最后一步隐层表示自回归预测下一帧潜在特征。

5.根据权利要求1所述的基于深度学习与隐式几何融合的三维血管生成与重建方法,其特征在于,所述 s4 中所述 rmf 通过双重反射法消除法向量自转,避免三维重建出现扭转奇点;所述 rbf 采用三调和样条核函数,生成内外约束点求解线性方程组,得到连续隐式场。

6.根据权利要求1所述的基于深度学习与隐式几何融合的三维血管生成与重建方法,其特征在于,所述s4中,所述三维血管网格为无孔洞、无自交、非流形缺陷的仿真就绪模型,能够直接导入计算流体动力学cfd 软件完成流体仿真计算。