锥束计算机断层扫描图像特征提取与对应方法技术

本发明专利技术公布了一种锥束计算机断层扫描图像特征提取与对应方法，包括：计算得到锥束CT图像的超体素分解与谱空间正交基函数；2)建立体图像对应任务导向的深度神经网络并进行预训练，得到体图像对应任务导向的深度神经网络参数；训练体图像对应任务导向的深度神经网络；利用训练好的体图像对应任务导向的深度神经网络，对待处理的锥束CT图像实现特征提取与对应。采用本发明专利技术提供的技术方案，可以快速建立三维锥束计算机断层扫描图像对应与配准，进一步地，可进行计算机辅助的术中干预与在线的特征点定位与分割标签迁移。

【技术实现步骤摘要】
锥束计算机断层扫描图像特征提取与对应方法
本专利技术涉及口腔临床医学图像处理和计算机视觉
，具体涉及一种锥束计算机断层扫描图像特征提取与对应方法。
技术介绍
锥束计算机断层扫描(锥束CT)图像被应用于众多临床领域，在正畸外科中应用尤其广泛。锥束CT图像的稠密对应是统计形状分析与衡量由于生长发育或临床治疗所带来的组织结构变形的关键技术。锥束CT图像对应算法是属性迁移和标签迁移等应用的基础。近些年出现了很多被应用于体图像对应的手工设计的特征，包括灰度分布直方图、方向梯度特征、基于自身相似度的特征、尺度不变特征以及具有模态不变性的上下文特征。然而，以上基于灰度直方图或梯度的算法通常会耗费大量的计算资源。特定与对应任务的图像特征可以有效提高对应精度。采用有监督的分类和回归随机森林的方法对特征进行特定于对应任务的选择，经过筛选的特征可被应用于对应计算中。但是，该方法需要后处理以得到平滑的图像对应。相比较于上述直接在空域中计算图像对应的方法，谱方法在频域中求解低维谱函数对应，并从谱函数对应中恢复出空域中的图像对应，有监督的深度谱神经网络已经被本文档来自技高网...

【技术保护点】
1.一种锥束计算机断层扫描图像特征提取与对应方法，包括如下步骤：/n1)计算得到锥束CT图像的超体素分解与谱空间正交基函数；/n2)建立体图像对应任务导向的深度神经网络并进行预训练，得到体图像对应任务导向的深度神经网络参数；/n所述体图像对应任务导向的深度神经网络的输入为一对锥束CT图像，输出为该对锥束CT图像各自的超体素特征；/n3)将步骤2)得到的参数作为初始值，训练体图像对应任务导向的深度神经网络；具体执行如下操作：/n31)利用对应任务导向的深度神经网络输出的锥束CT图像特征，在频域内采用谱方法计算锥束CT图像超体素之间对应关系；/n32)利用步骤31)得到的锥束CT图像超体素之间的对...

【技术特征摘要】
1.一种锥束计算机断层扫描图像特征提取与对应方法，包括如下步骤：
1)计算得到锥束CT图像的超体素分解与谱空间正交基函数；
2)建立体图像对应任务导向的深度神经网络并进行预训练，得到体图像对应任务导向的深度神经网络参数；
所述体图像对应任务导向的深度神经网络的输入为一对锥束CT图像，输出为该对锥束CT图像各自的超体素特征；
3)将步骤2)得到的参数作为初始值，训练体图像对应任务导向的深度神经网络；具体执行如下操作：
31)利用对应任务导向的深度神经网络输出的锥束CT图像特征，在频域内采用谱方法计算锥束CT图像超体素之间对应关系；
32)利用步骤31)得到的锥束CT图像超体素之间的对应关系，计算体图像对应任务导向的深度神经网络的损失函数，并优化网络参数，得到训练好的体图像对应任务导向的深度神经网络；
4)利用训练好的体图像对应任务导向的深度神经网络，对待处理的锥束CT图像实现特征提取与对应；
41)计算锥束CT图像的超体素分解与谱空间正交基函数；
42)将锥束CT图像输入训练好的体图像对应任务导向的深度神经网络，得到锥束CT图像特征，通过步骤31)中的方法得到锥束CT图像超体素之间的对应关系。


2.如权利要求1所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤1)对锥束CT图像进行超体素分解和计算锥束CT图像的谱空间正交基函数，具体执行如下操作：
11)对锥束CT图像Vi和Vj，利用单线性迭代聚类算法SLIC进行超体素分解，分别得到Ni和Nj个超体素；
12)计算Vi和Vj的图拉普拉斯矩阵Mi和Mj，对Mi和Mj进行特征值分解，分别取前k个特征向量作为Vi和Vj的谱空间正交基函数Φi和Φj；其中k＜＜Ni,k＜＜Nj。


3.如权利要求2所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤11)中，利用单线性迭代聚类算法SLIC，对大小为1283的图像进行超体素分解，具体分解为15000个超体素。


4.如权利要求1所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤2)建立体图像对应任务导向的深度神经网络，所述体图像对应任务导向的深度神经网络基于具有长连接的三维U形卷积网络3DU-net搭建；包括的编码器和解码器分别有六层，包含3×3×3卷积核的卷积层。


5.如权利要求4所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，在所述体图像对应任务导向的深度神经网络的编码器部分，每个卷积层后使用归一化操作和激活函数；在解码器部分，使用反卷积操作提高每一层的分辨率。


6.如权利要求4所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，所述体图像对应任务导向的深度神经网络的解码器包含七层不同分辨率的特征函数，网络输出的锥束CT图像特征由各维特征...

【专利技术属性】
技术研发人员：裴玉茹，孙迪雅，张云庚，郭玉珂，查红彬，许天民，马赓宇，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11