在计算机断层扫描血管造影术中基于深度学习的骨移除制造技术

公开了一种用于在诸如计算机断层扫描血管造影术（CTA）体积之类的医学图像中基于深度学习的自动骨移除的方法和设备。通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来在患者的3D医学图像中分割骨结构。通过从3D医学图像的3D可视化中移除被分类为骨体素的体素来生成3D医学图像中的非骨结构的3D可视化。

Deep learning based bone removal in computed tomography angiography

A method and equipment for automatic bone removal based on depth learning in medical images such as computed tomography angiography (CTA) volume, such as computer tomography angiography (CT) volume, is disclosed. The bone structure of 3D medical images was divided into ostein or non osteosin by using a deep neural network for bone segmentation training to divide the bone structure in the patient's 3D medical image. The 3D visualization of non bone structures in 3D medical images is generated by removing the voxels classified as bone voxels from 3D visualization of 3D medical images.

【技术实现步骤摘要】
在计算机断层扫描血管造影术中基于深度学习的骨移除本申请要求2016年10月31日提交的美国临时申请号62/415,075的权益，该申请的公开内容通过引用合并于此。
技术介绍
本专利技术涉及医学图像数据中的骨分割和移除，并且更具体地，涉及从3D计算机断层扫描血管造影术图像中自动移除骨体素，以便使3D计算机断层扫描血管造影术图像中的血管可视化。计算机断层扫描血管造影术（CTA）中的骨分割和移除是重要的临床应用。CTA是一种医学成像技术，通常用于可视化患者体内的血管。计算机断层扫描（CT）组合从不同角度拍摄的一系列X射线图像，并且使用计算机处理来创建体内的骨、血管和软组织的横截面图像或切片。横截面图像或切片可以组合以生成3DCT体积。在CTA中，在CT成像之前将造影剂注射到患者的血流中，以便生成使患者血管可视化的对比度增强的CT图像。可以使用体积再现技术（VRT）来使CTA体积可视化，使得临床医生能够看到3D血管结构和诸如狭窄和动脉瘤之类的病状。骨移除的目标是从CTA体积中分割和移除骨体素，以产生仅血管的视图，这提供了CTA体积中的血管结构的无阻碍的3D视图。在CTA图像中，在骨和对比度增强的血本文档来自技高网...

【技术保护点】
一种用于在患者的3D医学图像中自动骨移除的方法，包括：通过使用针对骨分割训练的深度神经网络将所述3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构；以及通过从所述3D医学图像的3D可视化中移除被分类为骨体素的体素来生成所述3D医学图像中的非骨结构的3D可视化。

【技术特征摘要】
2016.10.31 US 62/415075;2017.10.09 US 15/7276771.一种用于在患者的3D医学图像中自动骨移除的方法，包括：通过使用针对骨分割训练的深度神经网络将所述3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构；以及通过从所述3D医学图像的3D可视化中移除被分类为骨体素的体素来生成所述3D医学图像中的非骨结构的3D可视化。2.根据权利要求1所述的方法，其中，所述患者的3D医学图像是计算机断层扫描血管造影术（CTA）体积。3.根据权利要求1所述的方法，其中，通过从所述3D医学图像的3D可视化中移除被分类为骨体素的体素来生成所述3D医学图像中的非骨结构的3D可视化包括：对于所述3D医学图像的3D可视化中的被分类为骨体素的每一个体素，将强度值设置为零。4.根据权利要求1所述的方法，其中，针对骨分割训练的深度神经网络是深度卷积神经网络（CNN）的分解版本，在所述分解版本中至少一个3D卷积层被分解成三个轻加权卷积层，所述三个轻加权卷积层分别执行针对3D核的每个维度的卷积。5.根据权利要求4所述的方法，其中，对于Nc表示所述至少一个3D卷积层中的特征的数目，Np表示前一层中的特征图的数目，并且Nx、Ny、Nz是所述3D核的核大小，并且所述至少一个3D卷积层被分解成具有NcNpNx个权重的第一轻加权卷积层、具有NpNpNy个权重的第二轻加权卷积层、以及具有NpNpNz个权重的第三轻加权卷积层。6.根据权利要求4所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：使用对在所述3D医学图像中分类的所有多个体素的端对端卷积来执行深度CNN的分解版本的卷积层中所需的卷积。7.根据权利要求4所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：执行基于强度的阈值设定以生成所述3D医学图像中的具有大于强度阈值的强度的体素的初始掩模；使用具有对应于所述深度CNN的分解版本的接受域的大小的核，执行对体素的所述初始掩模的扩大；以及基于通过使用所述深度CNN的分解版本执行对扩大的初始掩模的卷积，将所述初始掩模中的体素分类为骨体素或非骨体素。8.根据权利要求4所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：将所述3D医学图像中的图像块的2D切片分配给图像矩阵的列，所述图像矩阵与核矩阵相乘以执行所述深度CNN的分解版本的卷积层中所需的卷积。9.根据权利要求1所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：控制分配用于存储DNN的层的特征值的存储器，使得对应于相同特征图索引的所有通道的特征值被分组在一起。10.根据权利要求1所述的方法，其中，针对骨分割训练的DNN是深度卷积编码器-解码器（CED）。11.根据权利要求1所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：使用利用多任务学习训练的深度图像到图像网络（DI2IN）通过...

【专利技术属性】
技术研发人员：陈明卿，金兌洙，J克雷奇默，S赛费尔特，周少华，M舍宾格，刘大维，徐宙冰，S格尔比克，张赫，
申请(专利权)人：西门子保健有限责任公司，
类型：发明
国别省市：德国,DE