System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学图像处理,尤其是涉及一种图像匹配网络模型优化方法、患者体表roi识别方法及装置。
技术介绍
1、放射治疗作为肿瘤治疗较为先进的方法之一,在肿瘤的综合治疗手段中占有重要的地位。肿瘤放射治疗主要是通过直线加速器产生射线,利用射线来照射肿瘤靶区杀死癌症细胞,达到治疗的目的。由于在放射治疗过程中呼吸运动会导致肿瘤靶区产生移动,造成治疗射线无法精准照射到靶区,反而增加了照射到正常组织和器官的风险,对患者身体造成不可逆的伤害。因此,如何实现精准放疗已经成为现代放射治疗领域的一个关键研究问题。
2、目前出现了两种方法来辅助实现精准放射治疗。第一种方法是通过对患者扫描锥形束ct(cone beam ct,cbct)图像与计划ct(computed tomography,电子计算机断层扫描)图像进行配准,获取靶区位姿偏差并进行修正。这种方法存在的缺陷是:对患者造成辐射危害,且无法动态监测并修正靶区运动偏差。第二种方法是借助结构光学体表追踪系统,通过光学体表系统来实时获取患者体表轮廓并监测与靶区关联关系最强的体表轮廓roi(region of interest,感兴趣区域)的运动情况,一旦体表轮廓roi运动监测值超出阈值,则会自动触发加速器联锁,停止出束,达到减少对正常组织和器官的照射的目的。这种方法对患者具有无辐射的优点,而且该方法能通过实时监测体表轮廓roi运动来间接监测靶区位姿的变化。在ct扫描室采集体表轮廓并选定roi后,目前临床上,在放射治疗室过程中基本还只是依靠治疗师凭肉眼观察和经验来手动勾画与在ct室选定
3、如公开号:cn112132860a,公开日为2020-12-25的配置成自动生成感兴趣区域的患者运动跟踪系统,该专利技术利用配置成利用存储的roi描述性数据和3d表面向显示器和运动跟踪模块输出roi标记的3d表面的roi生成处理器来识别患者的体表roi,其中roi标记的3d表面由运动跟踪模块用于定位和/或治疗处于治疗室中的患者期间跟踪患者的运动。其中,roi生成处理器通过配置为经训练的卷积神经网络的roi模型来生成roi标记的3d表面。但该方法所使用的卷积神经网络模型识别roi标记的精度较低,而且耗时较久,不利于放射治疗等场景下对roi识别精度和速度的较高要求。
技术实现思路
1、为克服相关技术中存在的问题,本专利技术提供一种图像匹配网络模型优化方法、患者体表roi识别方法及装置,用以解决现有技术中的使用的神经网络模型识别roi标记的精度较低,耗时较久的问题。
2、根据本专利技术的第一方面,提供一种图像匹配网络模型优化方法,所述方法包括:
3、获取若干患者的图像对,组成图像数据集;其中,所述图像对包括所述患者在检查过程中的第一图像和治疗过程中的第二图像;
4、将所述图像数据集输入所述图像匹配网络模型进行多轮迭代优化训练,获得最优的图像匹配网络模型;所述图像匹配网络模型用于对所述图像对中的所述第一图像和所述第二图像进行特征匹配,生成所述图像对的匹配点对集合。
5、优选地,所述图像匹配网络模型包括特征提取模块和特征匹配模块;
6、所述特征提取模块用于分别提取所述第一图像的第一特征点集和所述第二图像的第二特征点集;
7、所述特征匹配模块用于计算所述第一特征点集和所述第二特征点集中每个特征点之间的相似度和匹配度,并生成匹配点对集合。
8、优选地,所述特征匹配模块包括若干操作层;每个所述操作层包括一个更新模块和一个预测模块;
9、所述更新模块用于更新所述第一特征点集和所述第二特征点集中每个特征点的表示状态;
10、所述预测模块用于根据所述第一特征点集和所述第二特征点集中每个特征点的表示状态计算每个特征点之间的相似度和匹配度,并生成匹配点对集合。
11、优选地,所述更新模块包括分别对应所述第一特征点集和所述第二特征点集的两个自注意力单元,和一个交叉注意力单元;
12、所述自注意力单元和所述交叉注意力单元用于通过一个多层感知器将图像聚合消息更新每个所述特征点的表示状态:
13、
14、其中,表示图像i中的特征点i的表示状态,表示源于图像s的图像聚合消息,[.|.]表示对和进行叠加;
15、其中,所述图像聚合消息由通过注意力机制生产的图像s中每个特征点j的表示状态的加权平均值计算获得:
16、
17、其中,w为投影矩阵,表示图像i和s中的特征点i和j之间的注意力分数;
18、在所述自注意力单元中,所述图像i中的每个特征点i都注意同一图像i中的所有特征点,此时图像s=i,且通过线性变换将每个特征点i的表示状态xi分解为键向量ki和查询向量qi,并计算特征点i和j之间的注意力得分为:
19、
20、其中,为特征点之间的相对位置的旋转编码,pi和pi分别为特征点i和j的位置;
21、在所述交叉注意力单元中,所述图像i中的每个特征点i都注意另一图像s中的所有特征点,且通过线性变换计算每个特征点i的表示状态xi的键向量ki,并计算图像i和s中的特征点i和j之间的注意力分数为:
22、
23、其中,从图像s到图像i的消息和从图像i到图像s的消息之间只计算一次相似度。
24、优选地,所述预测模块用于:
25、计算两个图像中的各个特征点之间的相似度:
26、
27、其中,和分别为图像a和图像b中的特征点i和j的表示状态,表示特征点i和j之间的成对相似性分数矩阵,m和n分别为所述图像a和所述图像b中的特征点个数;
28、计算每个图像中的各个特征点的匹配度:
29、σi=sigmoid(linear(xi))∈[0,1]
30、其中,σi表示特征点i的匹配性分数;并在所述特征点无法在另一个图像中检测到时,将所述特征点标记为不可匹配点,此时σi→0;
31、根据所述相似度和所述匹配度,计算生成两个图像中的各个特征点之间的分配矩阵:
32、
33、其中,pij表示所述图像a和所述图像b中的特征点i和j之间的分配矩阵;
34、当特征点i和特征点j都非不可匹配点,且特征点i与特征点j之间的相似度高于特征点i或特征点j与图像b或图像a中的任何其他特征点之间的相似度时,将所述特征点i和所述特征点j组成匹配点对;
35、在所有匹配点对中,选择所有分配矩阵pij大于预设的分配阈值τ,且大于其所在行和列中的任何其他元素的匹配点对,组成所述匹配点对集合。
36、优选地,每个所述操作层还包括一个分类器模块;所述分本文档来自技高网...
【技术保护点】
1.一种图像匹配网络模型优化方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述图像匹配网络模型包括特征提取模块和特征匹配模块;
3.根据权利要求2所述的方法,其特征在于,所述特征匹配模块包括若干操作层;每个所述操作层包括一个更新模块和一个预测模块;
4.根据权利要求3所述的方法,其特征在于,所述更新模块包括分别对应所述第一特征点集和所述第二特征点集的两个自注意力单元,和一个交叉注意力单元;
5.根据权利要求3所述的方法,其特征在于,所述预测模块用于:
6.根据权利要求3所述的方法,其特征在于,每个所述操作层还包括一个分类器模块;所述分类器模块用于:
7.一种患者体表ROI识别方法,其特征在于,所述方法包括:
8.根据权利要求7所述的方法,其特征在于,所述获取所述患者在检查过程的第一图像和第一三维体表轮廓,以及所述患者在治疗过程的第二图像和第二三维体表轮廓,包括:
9.根据权利要求7所述的方法,其特征在于,所述将所述第一体表ROI映射到所述第一图像上,生成第
10.根据权利要求7所述的方法,其特征在于,所述通过所述匹配点对集合计算获得所述第一图像到所述第二图像的单应性变换矩阵,包括:
11.根据权利要求7所述的方法,其特征在于,所述通过所述匹配点对集合计算获得所述第一图像到所述第二图像的单应性变换矩阵,包括:
12.一种患者体表ROI识别装置,其特征在于,所述装置包括:
...【技术特征摘要】
1.一种图像匹配网络模型优化方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述图像匹配网络模型包括特征提取模块和特征匹配模块;
3.根据权利要求2所述的方法,其特征在于,所述特征匹配模块包括若干操作层;每个所述操作层包括一个更新模块和一个预测模块;
4.根据权利要求3所述的方法,其特征在于,所述更新模块包括分别对应所述第一特征点集和所述第二特征点集的两个自注意力单元,和一个交叉注意力单元;
5.根据权利要求3所述的方法,其特征在于,所述预测模块用于:
6.根据权利要求3所述的方法,其特征在于,每个所述操作层还包括一个分类器模块;所述分类器模块用于:
7.一种患者体表roi识别...
【专利技术属性】
技术研发人员:蓝培钦,龚强,
申请(专利权)人:广州科莱瑞迪医疗器材股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。