【技術實現步驟摘要】
本專利技術屬于圖像處理與深度學習領域，具體涉及一種基于雙層神經網絡模型的醫學圖像自動匹配方法與系統。
技術介紹
1、世界衛生組織調查研究發現在全球范圍內，因心血管疾病而死亡的人數不僅逐年增長且開始低齡化。治療心血管疾病己然成為生命安全和人類健康的重點。
2、目前廣泛應用在血管疾病診斷的醫學設備主要有：數字減影血管造影(digitalsubtraction?angiography,dsa)、血管內超聲(intravenous?ultrasound,ivus)、磁共振血管成像(magnetic?resonance?angiography,mra)、ct血管造影(computer?tomogrophyangiography,cta)等。這些成像技術為醫學研究人員提供了大量高精度的血管信息，從而為醫學研究帶來了突破性的發展。其中數字減影血管造影的成像原理是向人體的冠狀動脈中注入一種無害的造影劑，接著通過發送和接受x射線從而在特定的觀察設備中顯影。dsa冠脈造影技術是診斷心血管疾病的重要手段之一，無論是從安全性還是成像精度上看，往往都被看作臨床診斷上的“金標準”。
3、醫學圖像分割的核心任務是從造影圖像中提取冠狀動脈，以便醫生能夠對組織結構進行觀察和病情診斷。造影圖像分割不僅為血管狹窄程度的定量分析提供了基礎，還為血管結構的三維重建和醫生的手術導航提供了理論依據。高質量的分割結果是分析造影圖像內容的關鍵。
4、血管段匹配的核心任務是將不同的血管段準確地匹配再進行三維坐標計算最后拼接在一起以重建完整的三維
5、目前，傳統的分割方法主要包括閾值處理、區域生長、匹配濾波和數學形態學等。近年來，深度學習在醫學圖像分析中顯示了顯著的優勢，具有廣闊的應用前景。例如，使用3d?fcn可以學習冠狀動脈的三維語義特征，并引入注意門機制來增強血管、抑制無關區域。3d?u-net被用來進行脈腔分割，通過選擇和測試各種數據轉換來減少過度擬合的問題。
6、針對血管段匹配目前有基于圖像配準，基于特征點匹配等方法然而這些方法不能保證重建結果的正確性且需要花費大量時間在血管段匹配上。
技術實現思路
1、專利技術目的：有鑒于現有技術的不足，本專利技術目的在于提供一種基于雙層神經網絡模型的醫學圖像自動匹配方法與系統，在血管分割后可以根據分割結果實現血管段的自動匹配，提升三維重建效率。
2、技術方案：為了實現上述目的，本專利技術提供的一種基于雙層神經網絡模型的醫學圖像自動匹配方法，包括以下步驟：
3、(1)構建雙層神經網絡模型，其中第一層模型輸入血管造影圖像，輸出分割出的血管段，不同名稱的血管段顯示為不同顏色，第二層模型輸入不同顏色血管段的分割圖，輸出血管的端點，包括根節點、分叉點和末梢點三種屬性的端點，不同屬性的端點顯示為不同顏色；
4、(2)將兩幅不同角度獲取的血管造影圖像，分別采用雙層神經網絡模型中的第一層模型進行血管分割，得到第一血管分割結果和第二血管分割結果；
5、(3)將第一血管分割結果和第二血管分割結果分別采用雙層神經網絡模型中的第二層模型進行血管根節點、分叉點和末梢點的標注，得到第一端點標注結果和第二端點標注結果；
6、(4)基于第一血管分割結果和第二血管分割結果，以及第一端點標注結果和第二端點標注結果，基于像素值與端點屬性對兩幅血管造影圖像中的血管段進行匹配。
7、作為優選，所述雙層神經網絡模型由兩個u-net模型構成。
8、作為優選，對所述u-net模型進行改進，在傳統u-net網絡模型的跳躍連接模塊中增加雙向注意力機制，以增強特征圖之間的相關性。
9、進一步地，所述第一層模型和第二層模型分別基于第一訓練集和第二訓練集訓練得到，所述第一訓練集的構建包括：采集dsa冠狀動脈血管造影原圖并進行數據增強，依據醫學上對于冠狀動脈血管的命名，將血管造影圖像的血管劃分成不同的類，并用不同的顏色區分表示，作為血管造影圖像的標簽數據，構建第一訓練集；所述第二訓練集的構建包括：在第一層模型的輸出中，設置冠狀動脈的根節點、分叉點和末梢點，并通過不同顏色的圓進行標注，其中分叉點包含至少兩種像素值，將第一層模型輸出結果和標注的端點組合，構建第二訓練集。
10、進一步地，所述基于第一血管分割結果和第二血管分割結果，以及第一端點標注結果和第二端點標注結果，基于像素值與端點屬性對兩幅血管造影圖像中的血管段進行匹配，包括：
11、基于第一血管分割結果和第一端點標注結果，獲取不同血管段端點對應的第一二維坐標組；
12、基于第二血管分割結果和第二端點標注結果，獲取不同血管段端點對應的第二二維坐標組；
13、對于兩幅血管造影圖像，比較第一二維坐標組與第二二維坐標組對應像素值以及對應的端點屬性(ps：不同的端點屬性會存在相同的像素值)是否相同，若相同，則對應的二維坐標組為同一端點屬性，完成端點的匹配；
14、端點匹配完成后，在第一血管分割結果和第二血管分割結果中尋找像素值相同的二維坐標，作為同一血管段的匹配對，具有相同像素值的匹配端點對與血管段為一整段匹配完成的血管。
15、進一步地，所述基于第一血管分割結果和第一端點標注結果，獲取不同血管段端點對應的第一二維坐標組，包括：獲取第一端點標注結果中端點屬性標注處的像素值的二維坐標；根據二維坐標查找第一血管分割結果中對應的分割圖像素值，像素值相同的二維坐標點保存為一組，對應一個血管段端點對應的第一二維坐標組；
16、所述基于第二血管分割結果和第二端點標注結果，獲取不同血管段對應的第二二維坐標組，包括：獲取第二端點標注結果中端點屬性標注處的像素值的二維坐標；根據二維坐標查找第二血管分割結果中對應的分割圖像素值，像素值相同的二維坐標點保存為一組，對應一個血管段端點對應的第二二維坐標組。
17、進一步地，所述端點匹配完成后，在第一血管分割結果和第二血管分割結果中尋找像素值相同的二維坐標，作為同一血管段的匹配對，包括：
18、依據端點屬性以及其對應的像素值，匹配根節點、分叉點與末梢點，其中分叉點擁有兩個及以上的像素值，進行多次比較，擁有相同屬性和像素值的點完成匹配；
19、利用端點匹配完成的血管段進行外極線約束匹配的方法得到血管段的共軛點對，遍歷每一段中除之前標注出的端點屬性的坐標點，求出一段中的一個點在匹配段中所有點距離外極線最短的一個點，共軛點對即是血管段中每一處匹配完成的點。
20、基于相同的專利技術構思，本專利技術提供的一種基于雙層神經網絡模型的醫學圖像自動匹配系統，包括：
21、雙層模型模塊，用于構建雙層神經網絡模型，其中第一層模型輸入血管造影圖像，輸出分割出的血管段，不同名稱的血管段顯示為不同顏色，第二層模型輸入不同顏色血管段的分割圖，輸出血本文檔來自技高網...
【技術保護點】
1.一種基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述雙層神經網絡模型由兩個U-Net模型構成。
3.根據權利要求2所述的基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，對所述U-Net模型進行改進，在傳統U-Net網絡模型的跳躍連接模塊中增加雙向注意力機制，以增強特征圖之間的相關性。
4.根據權利要求1所述的基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述第一層模型和第二層模型分別基于第一訓練集和第二訓練集訓練得到，所述第一訓練集的構建包括：采集DSA冠狀動脈血管造影原圖并進行數據增強，依據醫學上對于冠狀動脈血管的命名，將血管造影圖像的血管劃分成不同的類，并用不同的顏色區分表示，作為血管造影圖像的標簽數據，構建第一訓練集；所述第二訓練集的構建包括：在第一層模型的輸出中，設置冠狀動脈的根節點、分叉點和末梢點，并通過不同顏色的圓進行標注，其中分叉點包含至少兩種像素值，將第一層模型輸出結果和標注的端點組合，構建第二訓練集
5.根據權利要求1所述的一種基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述基于第一血管分割結果和第二血管分割結果，以及第一端點標注結果和第二端點標注結果，基于像素值與端點屬性對兩幅血管造影圖像中的血管段進行匹配，包括：
6.根據權利要求5所述的一種基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述基于第一血管分割結果和第一端點標注結果，獲取不同血管段端點對應的第一二維坐標組，包括：獲取第一端點標注結果中端點屬性標注處的像素值的二維坐標；根據二維坐標查找第一血管分割結果中對應的分割圖像素值，像素值相同的二維坐標點保存為一組，對應一個血管段端點對應的第一二維坐標組；
7.根據權利要求5所述的一種基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述端點匹配完成后，在第一血管分割結果和第二血管分割結果中尋找像素值相同的二維坐標，作為同一血管段的匹配對，包括：
8.一種基于雙層神經網絡模型的醫學圖像自動匹配系統，其特征在于，包括：
9.一種計算機系統，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序/指令，其特征在于，所述計算機程序/指令被處理器執行時實現根據權利要求1-7任一項所述的一種基于雙層神經網絡模型的醫學圖像自動匹配方法的步驟。
10.一種計算機程序產品，包括計算機程序/指令，其特征在于，所述計算機程序/指令被處理器執行時實現根據權利要求1-7任一項所述的一種基于雙層神經網絡模型的醫學圖像自動匹配方法的步驟。
...【技術特征摘要】
1.一種基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述雙層神經網絡模型由兩個u-net模型構成。
3.根據權利要求2所述的基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，對所述u-net模型進行改進，在傳統u-net網絡模型的跳躍連接模塊中增加雙向注意力機制，以增強特征圖之間的相關性。
4.根據權利要求1所述的基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述第一層模型和第二層模型分別基于第一訓練集和第二訓練集訓練得到，所述第一訓練集的構建包括：采集dsa冠狀動脈血管造影原圖并進行數據增強，依據醫學上對于冠狀動脈血管的命名，將血管造影圖像的血管劃分成不同的類，并用不同的顏色區分表示，作為血管造影圖像的標簽數據，構建第一訓練集；所述第二訓練集的構建包括：在第一層模型的輸出中，設置冠狀動脈的根節點、分叉點和末梢點，并通過不同顏色的圓進行標注，其中分叉點包含至少兩種像素值，將第一層模型輸出結果和標注的端點組合，構建第二訓練集。
5.根據權利要求1所述的一種基于雙層神經網絡模型的醫學圖像自動匹配方法，其特征在于，所述基于第一血管分割結果和第二血管分割結果，以及第一端點標注結果和第二端點標注結...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。