CN112614169B - 基于深度学习网络的2d/3d脊椎ct层级配准方法 - Google Patents

基于深度学习网络的2d/3d脊椎ct层级配准方法 Download PDF

Info

Publication number
CN112614169B
CN112614169B CN202011547646.3A CN202011547646A CN112614169B CN 112614169 B CN112614169 B CN 112614169B CN 202011547646 A CN202011547646 A CN 202011547646A CN 112614169 B CN112614169 B CN 112614169B
Authority
CN
China
Prior art keywords
image
registration
layer
parameter
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011547646.3A
Other languages
English (en)
Other versions
CN112614169A (zh
Inventor
杨波
颜立祥
郑文锋
刘珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011547646.3A priority Critical patent/CN112614169B/zh
Publication of CN112614169A publication Critical patent/CN112614169A/zh
Application granted granted Critical
Publication of CN112614169B publication Critical patent/CN112614169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习网络的2D/3D脊椎CT层级配准方法，主要分为粗配准和精配准两步；先将3D CT序列产生形变，通过X射线成像计算模型投影生成DRR图像，再随机选取DRR图像训练深度学习网络；然后将术前待配准的3D图像形变后通过X射线成像模型投影生成DRR，再与术中2D参考图像输入深度学习网络，得到粗配准参数；最后基于粗配准参数，通过Adam参数优化算法完成术前待配准的3D图像中多块椎骨的精配准，实现脊椎CT层级配准。

Description

基于深度学习网络的2D/3D脊椎CT层级配准方法
技术领域
本发明属于图像处理技术领域，更为具体地讲，涉及一种基于深度学习网络的2D/3D脊椎CT层级配准方法。
背景技术
2D/3D图像配准技术作为影像导航手术中的关键技术，是将来自不同成像设备、成像时间以及成像目标的多幅图像经过一定的空间变换后，处于同一参考系下达到同一解剖结构的图像像素对应匹配的目的，实现精确跟踪与校正手术器械与病人病灶间的相对位置关系完成影像导航手术，手术的关键就在于准确的建立术前待配准3D图像和术中真实2D X射线影像之间的空间位置关系，即把术中2D作为参考图像，用于配准术前3D图像。
如今主要采用的医学图像配准技术大致有四类：基于灰度的方法、基于特征的方法和基于深度学习的方法。
基于特征的配准算法由于只需要少量的特征信息完成图像配准任务，对图像灰度信息具有较小的依赖性，在获得特征信息的情况下配准过程相对简单、易于操作且耗时少，但是特征信息的提取通常需要人工干预而难以实现自动化导致特征提取较为耗时。
基于特征的配准忽略了图像中大量宝贵的其他信息(如图像灰度和梯度信息)，导致配准精度低，稳定性差且配准成功率不高。
基于灰度的图像配准算法由于使用远多余特征信息点的像素灰度信息完成配准任务，因而配准误差小、精度高、以及较高的稳定性和鲁棒性，但是配准中更多图像信息的使用意味着更多的处理数据，更久的配准时间。
基于深度学习的配准方法使用深度回归网络直接预测2D/3D配准变换参数，但预处理步骤复杂，网络结构冗长，需要大量数据，并且端到端直接预测变换参数不利于保证配准精度。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习网络的2D /3D脊椎CT层级配准方法，先通过深度学习网络来进行图像的粗配准，再通过参数优化实现多块椎骨的精配准，从而快速、准确实现脊椎CT层级配准。
为实现上述发明目的，本发明一种基于深度学习网络的2D/3D脊椎CT层级配准方法，其特征在于，包括以下步骤：
(1)、获取X射线图像作为训练及配准过程的术中2D参考图像，获取医学CT序列作为训练过程的术前3D图像；
(2)、构建训练图像集；
(2.1)、将术前3D图像输入至刚体变换模型，通过随机变换六维的刚体变换参数T＝(tx,ty,tz,rx,ry,rz)，生成一组三维的图像序列，然后再输入至X射线成像计算模型进行投影，从而生成DRR图像序列；其中，tx表示在X轴上的平移参数，ty表示在Y轴上的平移参数，tz表示在Z轴上的平移参数，rx表示沿X 轴的旋转参数，ry表示沿Y轴的旋转参数，rz表示沿Z轴的旋转参数；
(2.2)、对DRR图像序列进行两两组合，一张作为参考图像，另一张作为浮动图像，两张图像构成一个训练样本，从而组成训练图像集；
(3)、搭建深度学习网络模型并训练；
搭建8层CNN模型作为深度学习网络模型，然后将训练图像集中的参考图像与浮动图像依次输入，用于模型训练，当模型收敛时能够准确输出浮动图像对应的形变参数；
(4)、利用深度学习网络模型进行粗配准；
按照步骤(2.1)所述方法，利用术前待配准3D图像生成一幅DRR图像，并作为浮动图像，再将浮动图像与术中2D参考图像一起输入至训练完成的深度学习网络模型，从而输出术前待配准3D图像的粗配准变换参数；
(5)、通过Adam参数优化算法进行单块椎骨的精配准；
(5.1)、利用Grow Cut区域生长算法对术前待配准3D图像进行椎骨分割，使分割的每幅子图中仅包含一块椎骨，从而得到多幅单块椎骨图；
(5.2)、将粗配准变换参数作为每幅单块椎骨图的初始配准参数，然后将单块椎骨经初始配准参数的刚体变换后，再通过X射线成像计算模型进行投影，生成单块椎骨图的DRR图像，作为浮动图像；
(5.3)、计算单块椎骨的浮动图像与术中2D参考图像之间的DiceLoss值；
Figure BDA0002856165240000031
其中，|X|表示浮动图像的像素矩阵X中所有元素之和，|Y|表示参考图像的像素矩阵Y中所有元素之和，|X∩Y|表示像素矩阵X与像素矩阵Y对应元素点乘后再求所有元素之和；
(5.4)、判断步骤(5.3)中计算得到的DiceLoss值是否小于预设阈值，如果小于，则迭代停止，完成单块椎骨图的精配准；否则，设置Adam参数优化算法的目标函数为DiceLoss，参数向量设置为当前精配准参数，然后重复步骤(5.2) ～(5.4)，通过Adam参数优化算法搜寻DiceLoss值最小时的最优精配准参数，从而完成该单块椎骨图的精配准；
(5.5)、判断所有单块椎骨图是否都完成了精配准，如果未完成，则重复步骤(5.2)～(5.4)，直到完成所有单块椎骨图的精配准；否则，进入步骤(5.6)；
(5.6)、将所有的单块椎骨图根据对应优化后的精配准参数进行空间变换，再按照分割前的位置进行组合，从而实现脊椎CT层级配准。
本发明的发明目的是这样实现的：
本发明基于深度学习网络的2D/3D脊椎CT层级配准方法，主要分为粗配准和精配准两步；先将3D CT序列产生形变，通过X射线成像计算模型投影生成DRR图像，再随机选取DRR图像训练深度学习网络；然后将术前待配准的 3D图像形变后通过X射线成像模型投影生成DRR，再与术中2D参考图像输入深度学习网络，得到粗配准参数；最后基于粗配准参数，通过Adam参数优化算法完成术前待配准的3D图像中多块椎骨的精配准，实现脊椎CT层级配准。
同时，本发明基于深度学习网络的2D/3D脊椎CT层级配准方法还具有以下有益效果：
(1)、本发明采用层级配准的方式，既融入了深度学习网络，也搭配了经典的参数优化方式，通过两种配准方法的组合使得配准精度更加优良，且既对脊椎骨进行刚体配准，也考虑到了椎骨之间的形变。
(2)、本发明采用循环精配准多块椎骨的方式，与传统的将脊椎骨当做一个整块刚体相比，单块的逐步配准精度更高，因为考虑到术中2D图像和术前3D，患者在成像设备下的位姿变化导致椎骨之间产生细微的形变，若将椎骨作为一个刚体，难免配准结果会粗糙，而多块椎骨的精配准解决了此问题。
(3)、本发明在精配准之前对椎骨进行分割，分割成多块椎骨，是在传统的配准方法中未曾提及的，分割的目的是为了精配准中的多块配准，即把每块 3D椎骨分割成单块，提高配准的效率。
附图说明
图1是本发明基于深度学习网络的2D/3D脊椎CT层级配准方法流程图；
图2是X射线成像计算模型；
图3是深度学习卷积网络结构图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：
GPU(Graphics Processing Unit)：图形处理器；
DRR(Digitally reconstructed radiographs)：数字重建放射影像；
Adam参数优化算法：Adaptive Moment Estimation。
图1是本发明基于深度学习网络的2D/3D脊椎CT层级配准方法流程图。
在本实施例中，如图1所示，本发明一种基于深度学习网络的2D/3D脊椎CT层级配准方法，包括以下步骤：
S1、获取X射线图像作为训练及配准过程的术中2D参考图像，获取医学 CT序列作为训练过程的术前3D图像；
S2、构建训练图像集；
S2.1、将术前3D图像输入至刚体变换模型，通过随机变换六维的刚体变换参数T＝(tx,ty,tz,rx,ry,rz)，生成一组三维的图像序列，然后再输入至X射线成像计算模型进行投影，从而生成DRR图像序列；其中，tx表示在X轴上的平移参数，ty表示在Y轴上的平移参数，tz表示在Z轴上的平移参数，rx表示沿X轴的旋转参数，ry表示沿Y轴的旋转参数，rz表示沿Z轴的旋转参数；那么在本实施例中，绕X轴、Y轴、Z轴的旋转矩阵可分别用以下公式表示：
Figure BDA0002856165240000051
Figure BDA0002856165240000052
Figure BDA0002856165240000053
平移矩阵表示为：Tl(tx,ty,tz)T；
若图像先依次绕X轴、Y轴、Z轴旋转，最后进行平移，则刚体变换前后的像素坐标可表示为：
Figure BDA0002856165240000054
其中，(x,y,z)T表示浮动图像中某一像素点的空间坐标，
Figure BDA0002856165240000055
表示该像素点经过刚体变换后的空间坐标；
在本实施例中，如图2所示，X射线成像计算模型可以采用基于GPU的 Ray-Casting算法实现，模型具体为：
Figure DEST_PATH_IMAGE001
其中，I表示X射线经过衰减后的能量，I0表示X射线初始能量，μi表示第i个体素组织的线性衰减系数，di表示射线在第i个体素组织中经过的距离；
S2.2、对DRR图像序列进行两两组合，一张作为参考图像，另一张作为浮动图像，两张图像构成一个训练样本，从而组成训练图像集；
如图3所示，搭建8层CNN模型作为深度学习网络模型并训练；
第一层输入层，输入浮动图像和参考图像；
第二层是第一卷积层，卷积核大小为5*5*20，不填充，步长为1，该层输出矩阵大小为152*296*20；
第三层是第一池化层，采用最大值池化，池化窗口尺寸为2*2，步长为2，该层输出矩阵为76*148*20；
第四层是第二卷积层，卷积核尺寸为5*5*20，不填充，步长为1，该层输出矩阵大小为72*144*20；
第五层是第二池化层，采用最大值池化，池化窗口尺寸为2*2，步长为2，该层输出矩阵为36*72*20；
第六层是全连接层，有250个ReLU激活函数单元，输出结点个数为250 个；
第七层为第二个全链接层，有6个ReLU激活函数单元，输出结点个数为6 个；
第八层为输出层，输出6个参数，即(tx,ty,tz,rx,ry,rz)；
通过将训练图像集中浮动图像和参考图像依次输入至深度学习网络模型进行训练，在模型训练过程中，将浮动图像减去参考图像得到残差图，通过网络不断提取残差图的高阶特征信息，寻求出浮动图像到参考图像的形变规律，输出精准的6个性变参数，利用TensorFlow框架训练以及使用高性能GPU和CUDA加速训练，具体训练过程与一般深度学习网络训练流程类似，在此不再赘述。
S4、利用深度学习网络模型进行粗配准；
按照步骤S2.1所述方法，利用术前待配准3D图像生成一幅DRR图像，并作为浮动图像，再将浮动图像与术中2D参考图像一起输入至训练完成的深度学习网络模型，从而输出术前待配准3D图像的粗配准变换参数；
S5、通过Adam参数优化算法进行单块椎骨的精配准；
S5.1、利用Grow Cut区域生长算法对术前待配准3D图像进行椎骨分割，使分割的每幅子图中仅包含一块椎骨，从而得到多幅单块椎骨图；
S5.2、将粗配准变换参数作为每幅单块椎骨图的初始配准参数，然后将单块椎骨经初始配准参数的刚体变换后，再通过X射线成像计算模型进行投影，生成单块椎骨图的DRR图像，作为浮动图像；
S5.3、计算单块椎骨的浮动图像与术中2D参考图像之间的DiceLoss值；
Figure BDA0002856165240000071
其中，|X|表示浮动图像的像素矩阵X中所有元素之和，|Y|表示参考图像的像素矩阵Y中所有元素之和，|X∩Y|表示像素矩阵X与像素矩阵Y对应元素点乘后再求所有元素之和；
S5.4、判断步骤S5.3中计算得到的Dice Loss值是否小于预设阈值，如果小于，则迭代停止，完成单块椎骨图的精配准；否则，设置Adam参数优化算法的目标函数为DiceLoss，参数向量设置为当前精配准参数，然后重复步骤(5.2)～(5.4)，通过Adam参数优化算法搜寻DiceLoss值最小时的最优精配准参数，从而完成该单块椎骨图的精配准；
S5.5、判断所有单块椎骨图是否都完成了精配准，如果未完成，则重复步骤 S5.2～S5.4，直到完成所有单块椎骨图的精配准；否则，进入步骤S5.6；
S5.6、将所有的单块椎骨图根据对应优化后的精配准参数进行空间变换，再按照分割前的位置进行组合，从而实现脊椎CT层级配准。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于深度学习网络的2D/3D脊椎CT层级配准方法，其特征在于，包括以下步骤：
(1)、获取X射线图像作为训练及配准过程的术中2D参考图像，获取医学CT序列作为训练过程的术前3D图像；
(2)、构建训练图像集；
(2.1)、将术前3D图像输入至刚体变换模型，通过随机变换六维的刚体变换参数T＝(tx,ty,tz,rx,ry,rz)，生成一组三维的图像序列，然后再输入至X射线成像计算模型进行投影，从而生成DRR图像序列；其中，tx表示在X轴上的平移参数，ty表示在Y轴上的平移参数，tz表示在Z轴上的平移参数，rx表示沿X轴的旋转参数，ry表示沿Y轴的旋转参数，rz表示沿Z轴的旋转参数；
(2.2)、对DRR图像序列进行两两组合，一张作为参考图像，另一张作为浮动图像，两张图像构成一个训练样本，从而组成训练图像集；
(3)、搭建深度学习网络模型并训练；
搭建8层CNN模型作为深度学习网络模型，然后将训练图像集中的参考图像与浮动图像依次输入，用于模型训练，当模型收敛时能够准确输出浮动图像对应的形变参数；
(4)、利用深度学习网络模型进行粗配准；
按照步骤(2.1)所述方法，利用术前待配准3D图像生成一幅DRR图像，并作为浮动图像，再将浮动图像与术中2D参考图像一起输入至训练完成的深度学习网络模型，从而输出术前待配准3D图像的粗配准变换参数；
(5)、通过Adam参数优化算法进行单块椎骨的精配准；
(5.1)、利用Grow Cut区域生长算法对术前待配准3D图像进行椎骨分割，使分割的每幅子图中仅包含一块椎骨，从而得到多幅单块椎骨图；
(5.2)、将粗配准变换参数作为每幅单块椎骨图的初始配准参数，然后将单块椎骨经初始配准参数的刚体变换后，再通过X射线成像计算模型进行投影，生成单块椎骨图的DRR图像，作为浮动图像；
(5.3)、计算单块椎骨的浮动图像与术中2D参考图像之间的Dice Loss值；
Figure FDA0003499870290000011
其中，|X|表示浮动图像的像素矩阵X中所有元素之和，|Y|表示参考图像的像素矩阵Y中所有元素之和，|X∩Y|表示像素矩阵X与像素矩阵Y对应元素点乘后再求所有元素之和；
(5.4)、判断步骤(5.3)中计算得到的Dice Loss值是否小于预设阈值，如果小于，则迭代停止，完成单块椎骨图的精配准；否则，设置Adam参数优化算法的目标函数为Dice Loss，参数向量设置为当前精配准参数，然后重复步骤(5.2)～(5.4)，通过Adam参数优化算法搜寻Dice Loss值最小时的最优精配准参数，从而完成该单块椎骨图的精配准；
(5.5)、判断所有单块椎骨图是否都完成了精配准，如果未完成，则重复步骤(5.2)～(5.4)，直到完成所有单块椎骨图的精配准；否则，进入步骤(5.6)；
(5.6)、将所有的单块椎骨图根据对应优化后的精配准参数进行空间变换，再按照分割前的位置进行组合，从而实现脊椎CT层级配准。
2.根据权利要求1所述的基于深度学习网络的2D/3D脊椎CT层级配准方法，其特征在于，所述深度学习网络模型的具体结构为：
第一层输入层，输入浮动图像和参考图像；
第二层是第一卷积层，卷积核大小为5*5*20，不填充，步长为1，该层输出矩阵大小为152*296*20；
第三层是第一池化层，采用最大值池化，池化窗口尺寸为2*2，步长为2，该层输出矩阵为76*148*20；
第四层是第二卷积层，卷积核尺寸为5*5*20，不填充，步长为1，该层输出矩阵大小为72*144*20；
第五层是第二池化层，采用最大值池化，池化窗口尺寸为2*2，步长为2，该层输出矩阵为36*72*20；
第六层是全连接层，有250个ReLU激活函数单元，输出结点个数为250个；
第七层为第二个全链接层，有6个ReLU激活函数单元，输出结点个数为6个；
第八层为输出层，输出6个参数，即(tx,ty,tz,rx,ry,rz)。
CN202011547646.3A 2020-12-24 2020-12-24 基于深度学习网络的2d/3d脊椎ct层级配准方法 Active CN112614169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011547646.3A CN112614169B (zh) 2020-12-24 2020-12-24 基于深度学习网络的2d/3d脊椎ct层级配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011547646.3A CN112614169B (zh) 2020-12-24 2020-12-24 基于深度学习网络的2d/3d脊椎ct层级配准方法

Publications (2)

Publication Number Publication Date
CN112614169A CN112614169A (zh) 2021-04-06
CN112614169B true CN112614169B (zh) 2022-03-25

Family

ID=75244639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011547646.3A Active CN112614169B (zh) 2020-12-24 2020-12-24 基于深度学习网络的2d/3d脊椎ct层级配准方法

Country Status (1)

Country Link
CN (1) CN112614169B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989081B (zh) * 2021-05-20 2021-08-27 首都医科大学附属北京安贞医院 一种数字重建影像库的构建方法和装置
CN113450396B (zh) * 2021-06-17 2023-05-30 北京理工大学 基于骨骼特征的三维/二维图像配准方法及装置
CN113538533B (zh) * 2021-06-22 2023-04-18 南方医科大学 一种脊柱配准方法、装置、设备及计算机存储介质
CN113920178B (zh) * 2021-11-09 2022-04-12 广州柏视医疗科技有限公司 一种基于标记点的多视觉2d-3d图像配准方法及***
CN114187337B (zh) * 2021-12-07 2022-08-23 推想医疗科技股份有限公司 图像配准方法、分割方法、装置、电子设备以及存储介质
CN114627054A (zh) * 2022-02-11 2022-06-14 北京理工大学 基于多尺度强化学习的ct-x图像配准方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104254874A (zh) * 2012-03-05 2014-12-31 伦敦国王学院 用于辅助2d-3d图像配准的方法及***
CN106651750A (zh) * 2015-07-22 2017-05-10 美国西门子医疗解决公司 用于基于卷积神经网络回归的2d/3d图像配准的方法和***
CN110009669A (zh) * 2019-03-22 2019-07-12 电子科技大学 一种基于深度强化学习的3d/2d医学图像配准方法
CN111080681A (zh) * 2019-12-16 2020-04-28 电子科技大学 一种基于LoG算子的3D/2D医学图像配准方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10818019B2 (en) * 2017-08-14 2020-10-27 Siemens Healthcare Gmbh Dilated fully convolutional network for multi-agent 2D/3D medical image registration

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104254874A (zh) * 2012-03-05 2014-12-31 伦敦国王学院 用于辅助2d-3d图像配准的方法及***
CN106651750A (zh) * 2015-07-22 2017-05-10 美国西门子医疗解决公司 用于基于卷积神经网络回归的2d/3d图像配准的方法和***
CN110009669A (zh) * 2019-03-22 2019-07-12 电子科技大学 一种基于深度强化学习的3d/2d医学图像配准方法
CN111080681A (zh) * 2019-12-16 2020-04-28 电子科技大学 一种基于LoG算子的3D/2D医学图像配准方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
2D-3D医学图像配准研究;梁玮;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20050715(第03期);I138-182 *
Robust 3D–2D image registration: application to spine interventions and vertebral labeling in the presence of anatomical deformation;Yoshito Otake 等;《Phys Med Bio》;20131207;第58卷(第23期);1-29 *
Single shot 2D3D image regisraton;Yi Xie 等;《2017 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI)》;20180227;1-5 *
基于分段的2D/3D医学图像配准;邹岚 等;《2010年全国模式识别学术会议(CCPR2010)》;20110718;38-42 *
基于深度学习的2D/3D医学图像配准研究;陈向前 等;《中国生物医学工程学报》;20200831;第39卷(第4期);394-403 *
基于神经网络的双X射线影像2D-3D配准算法;沈延延 等;《中国医学物理学杂志》;20200331;第37卷(第3期);293-298 *
脊柱手术导航中分步式2D／3D图像配准方法;张翼 等;《计算机辅助设计与图形学学报》;20070930;第19卷(第9期);1154-1158、1165 *

Also Published As

Publication number Publication date
CN112614169A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN112614169B (zh) 基于深度学习网络的2d/3d脊椎ct层级配准方法
CN110009669B (zh) 一种基于深度强化学习的3d/2d医学图像配准方法
CN110047128B (zh) 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和***
CN106934821B (zh) 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
CN113012172B (zh) 一种基于AS-UNet的医学图像分割方法及***
CN112598649B (zh) 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法
US8861891B2 (en) Hierarchical atlas-based segmentation
CN111080681B (zh) 一种基于LoG算子的3D/2D医学图像配准方法
CN113450396B (zh) 基于骨骼特征的三维/二维图像配准方法及装置
CN111080778A (zh) 一种双目内窥镜软组织图像的在线三维重建方法
CN106327479A (zh) 血管造影中介下先心病术中血管辨识的装置及方法
CN114066953A (zh) 一种针对刚性目标的三维多模态图像可变形配准方法
CN114792326A (zh) 一种基于结构光的手术导航点云分割与配准方法
CN114399527A (zh) 单目内窥镜无监督深度和运动估计的方法及装置
CN115578320A (zh) 一种骨科手术机器人全自动空间注册方法及***
CN111260765A (zh) 一种显微手术术野的动态三维重建方法
CN111476764B (zh) 一种运动模糊ct图像三维重建的方法
CN112562070A (zh) 基于模板匹配的颅缝早闭手术切割坐标生成***
Oulbacha et al. MRI to C‐arm spine registration through Pseudo‐3D CycleGANs with differentiable histograms
CN111369662A (zh) Ct图像中血管的三维模型重建方法及***
CN115049709A (zh) 一种面向脊柱微创手术导航的深度学习点云腰椎配准方法
WO2022229816A1 (en) 3d reconstruction of anatomical images
CN114298986A (zh) 一种基于多视点无序x光片的胸腔骨骼三维构建方法及***
CN112419283A (zh) 估计厚度的神经网络及其方法
CN115996670A (zh) 医学成像转换方法和相关联的医学成像3d模型个性化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant