一种基于数字人技术的肺叶分割方法技术

本发明专利技术公开了一种基于数字人技术的肺叶分割方法，该方法通过数字人图像和临床上患者的肺部图像进行非刚性配准，得到变形场和形变后的数字人图像，采用形变后的数字人图像拟合出数字人的形状参数并根据形状参数生成新的数字人图像，再将新的数字人图像与患者肺部图像不断迭代配准和更新，得到更接近于患者肺部图像的数字人图像，最后将数字人图像与患者肺部图像进行非刚性配准并获得变形场，将变形场加到数字人肺叶的边界点云或掩模图像上，得到的结果即为本方法得到的肺叶分割结果。本发明专利技术方法首次利用数字人模型进行医学图像中器官分割，本发明专利技术方法可以有效提高患者图像存在异常或病变情形下肺叶分割的精度和稳定性。

【技术实现步骤摘要】
一种基于数字人技术的肺叶分割方法
本专利技术涉及图像分割领域，尤其涉及一种基于数字人技术的肺叶分割方法。
技术介绍
肺叶分割是通过图像分割的方法获得肺叶边界信息的方法，是肺部可视化和肺部定量分析的重要前提，在肺癌的早期诊断和治疗中发挥着非常重要的作用。在临床中，肺叶的功能相对独立且肺部疾病通常发生在单个肺叶中，精确的肺叶分割是众多肺部手术（如肺叶减容手术）的前提。肺叶是由肺裂隔开的，但在实际应用中，肺叶分割受到CT分辨率有限、肺裂不完整、周围异常结构分布以及肺实质异常等因素的影响，肺叶分割依然是肺部图像处理中的难点问题。现有的方法主要分为两类，第一类是采用肺裂检测的方法得到肺裂，再通过肺裂得到肺叶表面；第二类是直接采用图像分割的方法得到肺叶。有学者针对二维空间内肺裂的结构特征设计VanderBurg线性算子进行了肺裂检测，但该方法只能运用于无病变的肺部图像，大量研究人员将该方法与结构特征和解剖学知识相结合以提高肺裂检测的稳定性和精度。另外，随着深度学习的迅速发展，也有人将深度学习的相关知识应用于肺裂检测，有学者提出了基于多层Seg3DNet的FissureNet肺裂检测网络，该方法将肺部左侧图像和右侧图像分开处理并采用由粗到细的策略，该方法已在主流的数据库中进行了验证，取得了比传统方法更好的检测结果。随着计算机技术的发展，直接采用图像分割得到肺叶的方法也得到了迅速的发展，这类方法更强调对先验知识的利用。这类方法中最典型的就是基于Atlas的肺叶分割，该方法首先建立一套肺叶图像的Atlas图集，在选择图集中与病人图像最接近的图像与病人图像进行配准从而得到肺叶分割结果。另外也有学者采用深度学习的方法实现了肺叶的分割，Ferreira等提出了一个用于肺叶分割的FRV-Net，该方法基于VNet结构并在每层都计算Dice函数，仅需要少量样本数就能完成模型的训练。数字人模型技术是通过统计建模方法从大量样本图像中学习得到图谱形状参数的一种方法，它利用这些参数对模型中器官形状进行调整。数字人模型一般包括以下几个步骤：图像分割、标准与个体的曲面配准和构建数字人统计图谱。数字人模型中具有器官的边界点云或者掩模图像信息。
技术实现思路
本专利技术针对现有技术的不足，提出了一种基于数字人技术的肺叶分割方法，该方法基于图像配准实现肺叶分割。该方法通过配准和数据统计肺部图像获得数字人模型，利用数字人模型生成数字人图像，将数字人图像与待分割肺部图像进行配准，根据形变后的数字人图像的形状参数生成新的数字人图像，不断迭代从而得到更接近于患者待分割肺部图像的数字人图像再将新的数字人图像与患者待分割肺部图像进行非刚性配准并获得变形场，将变形场加到数字人肺叶的边界点云或掩模图像上从而得到的肺叶分割结果。本专利技术的目的是通过以下技术方案来实现的：一种基于数字人技术的肺叶分割方法，包括以下步骤：步骤一：通过配准和数据统计肺部图像构建获得数字人模型；步骤二：采用数字人模型中的数字人图像和待分割肺部图像进行非刚性配准，得到变形场和形变后的数字人图像；步骤三：对步骤二中形变后的数字人图像拟合数字人的形状参数，并依据数字人的形状参数通过步骤一的数字人模型生成新的数字人图像；步骤四：将新的数字人图像按照步骤二和步骤三迭代执行多次，直至达到迭代次数阈值或者数字人的形状参数收敛；步骤五：将最后一次迭代得到的数字人图像与待分割肺部图像进行非刚性配准并获得变形场；步骤六：将步骤五中得到的变形场加在最后一次迭代得到的数字人图像肺叶的边界点云或掩模图像上，得到肺叶分割结果。进一步地，所述步骤二中，采用训练好的非刚性配准模型对数字人模型中的数字人图像和待分割肺部图像进行非刚性配准；非刚性配准模型采用UNet作为配准网络，其后连接形变网络，非刚性配准模型的输入为数字人模型中的数字人图像及待分割肺部图像，配准网络输出变形场，形变网络输出形变后的数字人图像。进一步地，所述非刚性配准模型采用参考图像和浮动图像对作为训练集，其中，参考图像和浮动图像的肺叶掩模作为标签，训练时采用的目标函数如下：min:f=D(CT1,STN(CT2))+Dice(M1,STN(M2))+R(DVF)式中，CT1表示参考图像，CT2代表浮动图像；M1为CT1的肺叶掩模；STN(CT2)为CT2形变后的图像，STN(M2)为形变后的掩模图像；D为图像相似性度量函数，Dice为Dice度量函数；R(DVF)为图像变形场的正则化项。进一步地，所述步骤三中，采用奇异值分解、计算广义逆或训练好的VGG网络对步骤二中形变后的数字人图像拟合数字人的形状参数。进一步地，所述VGG网络由卷积层、最大池化层和全连接层组成。进一步地，所述掩模图像采用图像填充或种子生长方法对封闭的边界点云数据进行转换获得。进一步地，所述肺部图像的类型为CT图像MRI图像、超声图像或PET图像等。本专利技术的有益效果是：本专利技术方法首次利用数字人模型进行医学图像中器官分割，利用数字人模型能够通过设置形状参数得到不同体态的肺部数字人图像，且数字人模型生成数字人图像不失真的特性，将数字人图像与待分割肺部图像不断迭代配准生成新的数字人图像，使最终生成的数字人图像更接近于待分割的图像，从而有效提高患者图像存在异常或病变情形下肺叶分割的精度和稳定性。附图说明图1是肺叶分割整体流程图；图2是基于深度学习的非刚性配准模型的结构图；图3是基于深度学习的形状参数拟合神经网络结构图；图4是形状参数拟合神经网络中的编码网络结构图。具体实施方式下面根据实施例和附图详细说明本专利技术。实施例1如图1为基于数字人技术的肺叶分割方法的示意图，该方法包括以下步骤：步骤一：通过配准和数据统计肺部CT图像生成包含肺叶掩模信息的肺部数字人模型，具体包括如下子步骤：（1.1）对收集的每张肺部CT图像利用阈值划分进行肺叶分割预处理，然后再通过交互式分割软件进行精确肺叶分割。（1.2）将每张分割后的肺部CT图像与模板进行曲面配准，得到配准后的边界点云数据，作为样本集。该过程常采用非刚性点云配准算法，如TPS-RPM以及non-rigidICP等。（1.3）构建数字人统计图谱，设样本集：Ω={X1,X2,…,XN}(1)第i个样本Xi={(x1,y1),(x2,y2),(xk,yk),…,(x1,y1)}（以二维情形为例）包含k个顶点，接着对数据进行统计并做归一化处理：(2)(3)(4)接着根据主成分分析的流程进行计算平均向量和协方差矩阵：(5)(6)接着计算协方差矩阵S的特征向量φj及其对应特征值λj，选取最大的前c个特征值及其对应的特征向量，则按照主成分分析的定义，每一个样本的形状估计可以表示为：(7)其中b=[b1,b2,…bc,]即为形状参数，本文档来自技高网...

【技术保护点】
1.一种基于数字人技术的肺叶分割方法，其特征在于，包括以下步骤：/n步骤一：通过配准和数据统计肺部图像构建获得数字人模型；/n步骤二：采用数字人模型中的数字人图像和待分割肺部图像进行非刚性配准，得到变形场和形变后的数字人图像；/n步骤三：对步骤二中形变后的数字人图像拟合数字人的形状参数，并依据数字人的形状参数通过步骤一的数字人模型生成新的数字人图像；/n步骤四：将新的数字人图像按照步骤二和步骤三迭代执行多次，直至达到迭代次数阈值或者数字人的形状参数收敛；/n步骤五：将最后一次迭代得到的数字人图像与待分割肺部图像进行非刚性配准并获得变形场；/n步骤六：将步骤五中得到的变形场加在最后一次迭代得到的数字人图像肺叶的边界点云或掩模图像上，得到肺叶分割结果。/n

【技术特征摘要】
1.一种基于数字人技术的肺叶分割方法，其特征在于，包括以下步骤：
步骤一：通过配准和数据统计肺部图像构建获得数字人模型；
步骤二：采用数字人模型中的数字人图像和待分割肺部图像进行非刚性配准，得到变形场和形变后的数字人图像；
步骤三：对步骤二中形变后的数字人图像拟合数字人的形状参数，并依据数字人的形状参数通过步骤一的数字人模型生成新的数字人图像；
步骤四：将新的数字人图像按照步骤二和步骤三迭代执行多次，直至达到迭代次数阈值或者数字人的形状参数收敛；
步骤五：将最后一次迭代得到的数字人图像与待分割肺部图像进行非刚性配准并获得变形场；
步骤六：将步骤五中得到的变形场加在最后一次迭代得到的数字人图像肺叶的边界点云或掩模图像上，得到肺叶分割结果。


2.根据权利要求1所述的肺叶分割方法，其特征在于，所述步骤二中，采用训练好的非刚性配准模型对数字人模型中的数字人图像和待分割肺部图像进行非刚性配准；非刚性配准模型采用UNet作为配准网络，其后连接形变网络，非刚性配准模型的输入为数字人模型中的数字人图像及待分割肺部图像，配准网络输出变形场，形变网络输出形变后的数字人图像。


3.根据权利要求2所述的肺叶...

【专利技术属性】
技术研发人员：朱闻韬，饶璠，张铎，
申请(专利权)人：之江实验室，
类型：发明
国别省市：浙江;33