一种医学影像的三维虚拟重构方法和系统与流程

1.本发明涉及三维虚拟重构技术领域，特别是涉及一种医学影像的三维虚拟重构方法和系统。


背景技术：

2.医学扫描影像数据固有的特性如ct放射性对患者的损伤、mri扫描信号串扰、密集扫描耗时长、影像数据量庞大等情况，不适合使用密集逐层扫描，扫描间隔过密时，ct扫描会成倍的增加患者被放射性射线照射的时间、同时扫描影像数据数量级增加，导致后期处理消耗巨大的处理能力，通常在扫描时通常采用的是以较大间距进行跳跃式扫描以减少患者放射性照射时间。
3.目前根据医学扫描影像数据进行三维虚拟影像重构，通常采用读取医学影像灰阶数据，根据不同灰阶值设置不同的颜色标识，生成层叠式三维虚拟影像，这种方式重构出的三维虚拟影像存在器官边界区间模糊的问题；进一步的三维虚拟影像重构方法采用平面二维卷积神经网络对医学扫描影像数据进行预处理，可以使病灶与正常组织形成更明晰的边界，然后在进行层叠式三维虚拟影像重构，此方式较前一种方式有了较大改进，是目前三维虚拟影像重构的主流处理方法。由于医学扫描间隔问题，会导致在层叠式三维重构虚拟影像时，层与层之间的跳变脱离问题。在不同扫描影像层之间，影像数据同样存在与扫描层内相同的数据过渡问题。


技术实现要素：

4.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种医学影像的三维虚拟重构方法和相应的一种医学影像的三维虚拟重构系统。
5.为了解决上述问题，本发明实施例公开了一种医学影像的三维虚拟重构方法，所述方法包括：
6.对多组原始医学影像进行深度学习训练，获得多组感兴趣区域的区域特征数据；
7.根据所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型；
8.采用所述多组二维卷积核模型，组成多组三维卷积核模型；
9.采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像；
10.采用所述多组预处理医学影像，进行三维虚拟重构。
11.可选地，对所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型的步骤包括：
12.采用所述区域特征数据进行梯度计算，得到梯度下降率；
13.采用所述区域特征数据建立初始二维卷积核模型；
14.根据所述梯度下降率更新所述初始二维卷积核模型，得到二维卷积核模型；
15.多次重复上述步骤，得到多组二维卷积核模型。
16.可选地，采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像的步骤包括：
17.将所述原始医学影像上的一个数据位设定卷积开始中心点；
18.将所述三维卷积核模型的核心与所述卷积开始中心点重合后，采用三维卷积核模型的权值与所述原始医学影像进行卷积处理，得到预处理中心点数据；
19.将所述卷积开始中心点往卷积处理方向上偏移一个数据位；
20.多次重复上述步骤，得到多组预处理中心点数据；
21.采用所述多组预处理中心点数据构成多组预处理医学影像。
22.可选地，将所述三维卷积核模型的核心与所述卷积开始中心点重合后，采用三维卷积核模型的权值与所述原始医学影像进行卷积处理，得到预处理中心点数据的步骤包括：
23.确定所述卷积开始中心点所在数据位的第一影像数据；
24.确定包围所述卷积开始中心点的数据位的第二影像数据；
25.将所述三维卷积核模型的权值、第一影像数据、第二影像数据，代入预设卷积公式中，得到预处理中心点数据。
26.本发明实施例还公开了一种医学影像的三维虚拟重构系统，所述系统包括：
27.区域特征数据获取模块，用于对多组原始医学影像进行深度学习训练，获得多组感兴趣区域的区域特征数据；
28.二维卷积核模型构建模块，用于根据所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型；
29.三维卷积核模型构建模块，用于采用所述多组二维卷积核模型，组成多组三维卷积核模型；
30.预处理医学影像生成模块，用于采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像；
31.三维重构模块，用于采用所述多组预处理医学影像，进行三维虚拟重构。
32.可选地，所述二维卷积核模型构建模块包括：
33.梯度下降率计算子模块，用于采用所述区域特征数据进行梯度计算，得到梯度下降率；
34.初始二维卷积核模型建立子模块，用于采用所述区域特征数据建立初始二维卷积核模型；
35.二维卷积核模型更新子模块，用于根据所述梯度下降率更新所述初始二维卷积核模型，得到二维卷积核模型；
36.二维卷积核模型构建模块构建子模块，用于多次重复上述步骤，得到多组二维卷积核模型。
37.可选地，预处理医学影像生成模块包括：
38.卷积开始中心点设定子模块，用于将所述原始医学影像上的一个数据位设定卷积开始中心点；
39.卷积处理子模块，用于将所述三维卷积核模型的核心与所述卷积开始中心点重合
后，采用三维卷积核模型的权值与所述原始医学影像进行卷积处理，得到预处理中心点数据；
40.数据位偏移子模块，用于将所述卷积开始中心点往卷积处理方向上偏移一个数据位；
41.预处理中心点数据生成子模块，用于多次重复上述步骤，得到多组预处理中心点数据；
42.预处理医学影像生成模块，采用所述多组预处理中心点数据构成多组预处理医学影像。
43.可选地，所述卷积处理子模块包括：
44.第一影像数据确定单元，用于确定所述卷积开始中心点所在数据位的第一影像数据；
45.第二影像数据确定单元，用确定包围所述卷积开始中心点的数据位的第二影像数据；
46.卷积计算单元，用于将所述三维卷积核模型的权值、第一影像数据、第二影像数据，代入预设卷积公式中，得到预处理中心点数据。
47.本发明实施例包括以下优点：对多组原始医学影像进行深度学习训练，获得多组感兴趣区域的区域特征数据，根据所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型，采用所述多组二维卷积核模型，组成多组三维卷积核模型，采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像，采用所述多组预处理医学影像，进行三维虚拟重构，采用本发明的技术方案，能够使每个预处理医学影像中各个器官的边界更加清晰，另外，每个预处理医学影像的断层数据可以实现平滑过渡，从而解决了医学影像在三维虚拟重构时出现断层的技术问题。
附图说明
48.图1是本发明的一种医学影像的三维虚拟重构方法实施例一的步骤流程图。
49.图2是本发明的一种三维卷积核模型的示意图；
50.图3是本发明的一种卷积处理过程示意图；
51.图4是本发明的一种医学影像的三维虚拟重构系统实施例一的结构框图。
具体实施方式
52.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
53.参照图1，示出了本发明的一种医学影像的三维虚拟重构方法实施例一的步骤流程图，具体可以包括如下步骤：
54.步骤101，对多组原始医学影像进行深度学习训练，获得多组感兴趣区域的区域特征数据；
55.在本发明的一种可选实施例中，可以采用电子计算机断层扫描技术，利用精确准直的x线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描得到多组的所述原始医学影像数据。
56.在获得了多组原始医学影像后，确定每一组原始医学影像中的感兴趣区域，所述感兴趣区域可以为部位病变的区域。具体的，可以通过人工在原始医学影像中对部位病变的区域进行标注，或者，建立病变区域识别模型后，采用病变区域识别模型自动对多组原始医学影像进行识别，从而确定每一组原始医学影像中的感兴趣区域。
57.确定了每一组原始医学影像中的感兴趣区域后，对每一组原始医学影像中的感兴趣区域进行深度学习训练，进行感兴趣区域的特征提取，得到多组感兴趣区域的区域特征数据。
58.步骤102，根据所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型；
59.在对多组原始医学影像进行深度学习训练，得到多组感兴趣区域的区域特征数据后，根据所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型。
60.具体的，对所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型的步骤包括：
61.采用所述区域特征数据进行梯度计算，得到梯度下降率；
62.梯度下降在机器学习中应用十分的广泛，主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值。本发明实施例中，采用所述区域特征数据进行梯度计算，得到梯度下降率。
63.采用所述区域特征数据建立初始二维卷积核模型；
64.根据所述梯度下降率更新所述初始二维卷积核模型，得到二维卷积核模型；
65.具体的，采用梯度下降率对初始二维卷积核模型里的各个权值依次进行更新，得到二维卷积核模型，其中，所述权值更新的算法如下：
[0066][0067]
其中，
[0068]
f(x)为初始二维卷积核模型的第x个初始权值；
[0069]
f(x 1)为更新后的二维卷积核模型的第x 1个权重值；
[0070]
α是梯度学习率；
[0071]
y为模型损伤值；
[0072]
为第x个区域特征数据到下一个区域特征数据的梯度。
[0073]
多次重复上述步骤，得到多组二维卷积核模型。
[0074]
步骤103，采用所述多组二维卷积核模型，组成多组三维卷积核模型；
[0075]
在得到了多组的二维卷积核模型后，结合上下相邻的二维卷积核模型，组成三维卷积核模型。例如，以3*3卷积核模型为例，如相邻的a扫描层、b扫描层以及c扫描层，其对应的感兴趣区域二维卷积核模型如下：a扫描层的二维卷积核模型：f[x1][y1]＝{{a11，a12，a13}，{a21，a22，a23}，{a31，a32，a33}}；b扫描层的二维卷积核模型：f[x2][y2]＝{{b11，b12，b13}，{b21，b22，b23}，{b31，b32，b33}}；c扫描层的三维卷积核模型：f[x3][y3]＝{{c11，c12，c13}，{c21，c22，c23}，{c31，c32，c33}}；
[0076]
那么，如图2所示，由相邻的a扫描层、b扫描层以及c扫描层的二维卷积核模型组成
的三维卷积核模型如下：
[0077]
f[3][3][3]＝{{{a11，a12，a13}，{a21，a22，a23}，{a31，a32，a33}}，{{b11，b12，b13}，{b21，b22，b23}，{b31，b32，b33}}，{{c11，c12，c13}，{c21，c22，c23}，{c31，c32，c33}}}
[0078]
步骤104，采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像；
[0079]
采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像的步骤包括：
[0080]
将所述原始医学影像上的一个数据位设定卷积开始中心点；
[0081]
将所述三维卷积核模型的核心与所述卷积开始中心点重合后，采用三维卷积核模型的权值与所述原始医学影像进行卷积处理，得到预处理中心点数据；
[0082]
其中，将所述三维卷积核模型的核心与所述卷积开始中心点重合后，采用三维卷积核模型的权值与所述原始医学影像进行卷积处理，得到预处理中心点数据的步骤包括：
[0083]
确定所述卷积开始中心点所在数据位的第一影像数据；
[0084]
确定包围所述卷积开始中心点的数据位的第二影像数据；
[0085]
将所述三维卷积核模型的权值、第一影像数据、第二影像数据，代入预设卷积公式中，得到预处理中心点数据。
[0086]
进一步地，将所述卷积开始中心点往卷积处理方向上偏移一个数据位；
[0087]
多次重复上述步骤，得到多组预处理中心点数据；
[0088]
采用所述多组预处理中心点数据构成多组预处理医学影像。
[0089]
如图3所示，以上述假设的例子中的f[3][3][3]三维卷积核为例，对医学影像数据第一个卷积中心点的三维卷积处理如下，假设原始医学影像的数据如下：
[0090]
第一扫描层影像数据f[x1][y1]＝{{0，0，0}，{0，0，0}，{0，0，0}},
[0091]
第二扫描层影像数据f[x2][y2]＝{{0，0，0}，{0，d1，d2}，{0，e1，e2}},
[0092]
第三扫描层影像数据f[x3][y3]＝{{0，0，0}，{0，f1，f2}，{0，g1，g2}},
[0093]
另外，假设其中d1为卷积开始中心点，而三维卷积核的模型的核心为b22，将所述三维卷积核模型的核心与所述卷积开始中心点重合后，采用三维卷积核模型的权值与所述原始医学影像进行卷积处理。
[0094]
首先，确定所述卷积开始中心点所在数据位的第一影像数据，即d1的数值；然后，确定包围所述卷积开始中心点的数据位的第二影像数据。
[0095]
设预处理中心点数据为f(n),而预设卷积公式如下：
[0096]
f(n)＝x(n)*h(n)
[0097]
其中，
[0098]
x(n)为三维卷积核模型的权值；
[0099]
h(n)为原始医学影像的数据。
[0100]
将所述三维卷积核模型的权值、第一影像数据、第二影像数据，代入预设卷积公式中，可得：
[0101]
f(n)＝a11*0 a12*0 a13*0 a21*0 a22*0 a23*0 a31*0 a32*0 a33*0 b11*0 b12*0 b13*0 b21*0 b22*d1 b23*d2 b31*0 b32*e1 b33*e2 c11*0 c12*0 c13*0 c21*0
c22*f1 c23*f2 c31*0 c32*g1 c33*g2＝b22*d1 b23*d2 b32*e1 b33*e2 c22*f1 c23*f2 c32*g1 c33*g2
[0102]
由此可以看出，卷积中心点的数据d1经过卷积处理后变成了数据f(n)，f(n)与包围d1的所有医学影像数据产生了关联性，关联特性取决于三维卷积核模型的特性，通过有效设计合适的卷积核，可以达到增强影像数据区域差别的识别效果，同时也可以有效平滑断层之间的跳变问题。
[0103]
步骤105，采用所述多组预处理医学影像，进行三维虚拟重构。
[0104]
在本发明的实施例中，将多组预处理医学影像按照预设顺序层叠处理，得到医学影像三维虚拟重构模型，从而实现医学影像的三维虚拟重构，本发明实施例对叠层处理的具体实施方法不作进一步的限定。
[0105]
在本发明实施例中，对多组原始医学影像进行深度学习训练，获得多组感兴趣区域的区域特征数据，根据所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型，采用所述多组二维卷积核模型，组成多组三维卷积核模型，采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像，采用所述多组预处理医学影像，进行三维虚拟重构，采用本发明的技术方案，能够使每个预处理医学影像中各个器官的边界更加清晰，另外，每个预处理医学影像的断层数据可以实现平滑过渡，从而解决了医学影像在三维虚拟重构时出现断层的技术问题。
[0106]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
[0107]
参照图4，示出了本发明的一种医学影像的三维虚拟重构系统实施例一的结构框图，具体可以包括如下模块：
[0108]
区域特征数据获取模块201，用于对多组原始医学影像进行深度学习训练，获得多组感兴趣区域的区域特征数据；
[0109]
二维卷积核模型构建模块202，用于根据所述多组区域特征数据进行梯度训练学习，得到多组二维卷积核模型；
[0110]
三维卷积核模型构建模块203，用于采用所述多组二维卷积核模型，组成多组三维卷积核模型；
[0111]
预处理医学影像生成模块204，用于采用所述多组三维卷积核模型对所述多组原始医学影像进行卷积处理，生成多组预处理医学影像；
[0112]
三维重构模块205，用于采用所述多组预处理医学影像，进行三维虚拟重构。
[0113]
在本发明实施例中，所述二维卷积核模型构建模块包括：
[0114]
梯度下降率计算子模块，用于采用所述区域特征数据进行梯度计算，得到梯度下降率；
[0115]
初始二维卷积核模型建立子模块，用于采用所述区域特征数据建立初始二维卷积核模型；
[0116]
二维卷积核模型更新子模块，用于根据所述梯度下降率更新所述初始二维卷积核
模型，得到二维卷积核模型；
[0117]
二维卷积核模型构建模块构建子模块，用于多次重复上述步骤，得到多组二维卷积核模型。
[0118]
在本发明实施例中，预处理医学影像生成模块包括：
[0119]
卷积开始中心点设定子模块，用于将所述原始医学影像上的一个数据位设定卷积开始中心点；
[0120]
卷积处理子模块，用于将所述三维卷积核模型的核心与所述卷积开始中心点重合后，采用三维卷积核模型的权值与所述原始医学影像进行卷积处理，得到预处理中心点数据；
[0121]
数据位偏移子模块，用于将所述卷积开始中心点往卷积处理方向上偏移一个数据位；
[0122]
预处理中心点数据生成子模块，用于多次重复上述步骤，得到多组预处理中心点数据；
[0123]
预处理医学影像生成模块，采用所述多组预处理中心点数据构成多组预处理医学影像。
[0124]
可选地，所述卷积处理子模块包括：
[0125]
第一影像数据确定单元，用于确定所述卷积开始中心点所在数据位的第一影像数据；
[0126]
第二影像数据确定单元，用确定包围所述卷积开始中心点的数据位的第二影像数据；
[0127]
卷积计算单元，用于将所述三维卷积核模型的权值、第一影像数据、第二影像数据，代入预设卷积公式中，得到预处理中心点数据。
[0128]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0129]
本发明实施例还提供了一种装置，包括：
[0130]
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述一种方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0131]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种医学影像的三维虚拟重构方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0132]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0133]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0134]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序
产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0135]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0136]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0137]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0138]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0139]
以上对本发明所提供的一种医学影像的三维虚拟重构方法和一种医学影像的三维虚拟重构系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。