大脑皮层表面重建方法和可读存储介质技术

本发明专利技术公开了一种大脑皮层表面重建方法和可读存储介质，属于医学图像处理领域。该大脑皮层表面重建方法包括以下步骤：将医学影像图像进行数据预处理，以获得标准化图像；将该标准化图像输入分割模型中分割与灰质相邻的大脑解剖结构，以获得区分后的大脑解剖结构分割图像；将区分后的大脑解剖结构分割图像和该标准化图像输入表面水平集预测模型，获得大脑解剖结构与灰质之间的分界面的水平集表示图像；将大脑解剖结构与灰质之间的分界面的水平集表示图像输入拓扑修复模块和多边形网格表示重建模块，以获得大脑解剖结构与灰质之间的分界面的多边形网格表示。分界面的多边形网格表示。分界面的多边形网格表示。

【技术实现步骤摘要】
大脑皮层表面重建方法和可读存储介质


[0001]本专利技术涉及医学图像处理领域，特别涉及一种大脑皮层表面重建方法和可读存储介质。

技术介绍

[0002]近年来，由于基于磁共振成像(MRI)的大脑皮层表面重建技术有助于神经科学的研究和神经退行性疾病的临床诊断，使得使用重建后的大脑皮层表面可以完成大脑皮层分析的可视化和皮层形态测量，还可以在功能性磁共振成像应用中能够实现基于皮层表面的分析方法，例如脑功能性网络的分析方法等等。
[0003]而现有大脑皮层表面重建技术虽然能够重建出较为可靠的大脑皮层表面，但是为了使重建的大脑皮层表面能够达到较高精度，需要进行大量的计算，使得它的处理时间高达数个小时。此外，对于一些特殊情况(例如脑卒中病人或肿瘤病人等)，由于重建流程中的分割图像中得到的图像具有大量的拓扑缺陷，而导致无法完成表面重建。
[0004]因此，确有必要提供一种新的大脑皮层表面重建方法和可读存储介质。

技术实现思路

[0005]为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本专利技术提供了一种大脑皮层表面重建方法和可读存储介质，能够至少部分地实现通过表面水平集预测模型快速地完成将输入的图像转换为水平集表示图像作为输出的变换，从而减少了大脑皮层表面重建过程中的大量计算，由此缩短了大脑皮层表面重建流程的处理时间，从而实现在科研和临床上的快速应用。所述技术方法如下：
[0006]根据本专利技术的一个方面，提供了一种大脑皮层表面重建方法，所述大脑皮层表面重建方法包括以下步骤：/>[0007]步骤S1将医学影像图像进行数据预处理，以获得标准化图像；
[0008]步骤S2将所述标准化图像输入分割模型中分割与灰质相邻的大脑解剖结构，以获得区分后的大脑解剖结构分割图像；
[0009]步骤S3将区分后的大脑解剖结构分割图像和所述标准化图像输入表面水平集预测模型，获得大脑解剖结构与灰质之间的分界面的水平集表示图像；
[0010]步骤S4将大脑解剖结构与灰质之间的分界面的水平集表示图像输入拓扑修复模块和多边形网格表示重建模块，以获得大脑解剖结构与灰质之间的分界面的多边形网格表示。
[0011]根据本专利技术的另一方面，提供了一种可存储介质，其中，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时以执行上述的大脑皮层表面重建方法。
[0012]根据本专利技术实施例的大脑皮层表面重建方法和可读存储介质具有以下优点中的至少一个：
[0013](1)本专利技术提供的大脑皮层表面重建方法和可读存储介质能够通过表面水平集预
测模型快速地完成将输入图像转换为大脑皮层表面水平集表示图像输出，从而减少了大脑皮层表面重建过程中的大量计算，由此缩短了大脑皮层表面重建流程的处理时间，从而实现在科研和临床上的快速应用；
[0014](2)本专利技术提供的大脑皮层表面重建方法和可读存储介质由于为基于水平集表示图像进行拓扑修复，使得大大提高了大脑皮层表面重建的速度；
[0015](3)本专利技术提供的大脑皮层表面重建方法和可读存储介质通过表面水平集预测模型的设计提升了大脑皮层表面重建的泛化性能，对于一些特殊情况(例如脑卒中病人或肿瘤病人等)也能够完成大脑皮层表面的重建；
[0016](4)本专利技术提供的大脑皮层表面重建方法和可读存储介质能够基于水平集表示图像进行拓扑修复，加快了拓扑修复的速度，进一步显著缩短了整个大脑皮质表面重建流程的处理时间。
附图说明
[0017]本专利技术的这些和/或其他方面和优点从下面结合附图对优选实施例的描述中将变得明显和容易理解，其中：
[0018]图1是根据本专利技术一个实施例的大脑皮层表面重建方法的流程图；
[0019]图2是图1所示的表面水平集预测模型的结构示意图；
[0020]图3是图1所示的大脑皮层表面重建方法与现有的重建方法分别重建的大脑皮层表面上的网格的网格质量对比图。
具体实施方式
[0021]下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本专利技术实施方式的说明旨在对本专利技术的总体专利技术构思进行解释，而不应当理解为对本专利技术的一种限制。
[0022]近年来，由于现有的大脑皮层表面重建技术中组合使用了多项传统的图像处理算法，例如在处理流程中的多个阶段采用了较为耗时的图像灰度调整算法，用以保证同种组织内像素值的均匀性和一致性。使得整个处理流程计算量大、处理时间较长，通常能够长达数个小时。同时，由于各功能部分之间具有较强的串行依赖关系，造成了重建过程中较为复杂的计算流程。
[0023]此外，对于一些特殊情况，例如脑卒中患者或肿瘤患者等，由于其大脑损伤引起了大脑皮层表面扭曲，使得其图像与正常情况的图像差异较大，造成了在现有重建技术过程中，对大脑白质的分割过程变得非常不稳定，使得重建得到的白质表面(white surface)包含了太多的拓扑缺陷。又由于拓扑修复的处理时间与拓扑缺陷数量正相关，使得拓扑缺陷修复处理常常超时，造成无法完成大脑皮层表面重建的情况。
[0024]由此，我们提出了一种基于深度学习的大脑皮层表面重建方法和可读存储介质。本文中所使用的术语“大脑皮层表面重建”应当广义地理解为从磁共振图像经过重建得到的大脑的白质与灰质之间的分界面(即白质表面，white surface)和/或灰质与脑脊液之间的分界面(即软脑膜表面，pial surface)的一种方法。通过大脑皮层表面重建技术获得图像采用了多边形网格表示，这样的表示方式是展现大脑皮层结构分区、功能分区等分析结
果的载体。
[0025]本文中所使用的术语“多边形网格表示”，即mesh表示，应当被广义地理解为在三维空间中，通过一系列顶点和一组轮廓线连接构成的曲面并彼此组合以表示三维曲面的一种表示方式。通常包括三角形网格、四边形网格或者其他凸多边形网格。
[0026]本文中所使用的术语“有符号距离”应当被广义地理解为在空间中的一个有限区域上，确定一个点到该有限区域边界的距离并同时对该距离的符号进行定义，当点在区域边界内部时符号为正，当点在区域边界外部时符号为负，当点位于区域边界上时为0。
[0027]本文中所使用的术语“水平集表示”是一种表面(surface)的表示方式，也被称为surface的隐式表示(implicit representation)，应当被广义地理解为通过使用体素格式的数据来表示表面的一种表示方式，在水平集中每个体素的值表示当前体素的位置距离表面的距离，而体素的值的正负分别表示位于表面的内外，被表示的表面的位置位于水平集的零等值面处。
[0028]参见图1，示出了根据本专利技术一个实施例的大脑皮层表面重建方法。该大脑皮层表面重建方法包括以下步骤：
[0029]步骤S1将医学影像图像(例如个体解剖结构的磁共振图像)进行数据预处理，以获得标准化图像；
[0030]步骤S2将所述标准化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大脑皮层表面重建方法，所述大脑皮层表面重建方法包括以下步骤：步骤S1将医学影像图像进行数据预处理，以获得标准化图像；步骤S2将所述标准化图像输入分割模型中分割与灰质相邻的大脑解剖结构，以获得区分后的大脑解剖结构分割图像；步骤S3将区分后的大脑解剖结构分割图像和所述标准化图像输入表面水平集预测模型，获得大脑解剖结构与灰质之间的分界面的水平集表示图像；步骤S4将大脑解剖结构与灰质之间的分界面的水平集表示图像输入拓扑修复模块和多边形网格表示重建模块，以获得大脑解剖结构与灰质之间的分界面的多边形网格表示。2.根据权利要求1所述的大脑皮层表面重建方法，其中，所述表面水平集预测模型设计为三维两通道模型，在进行模型训练时，将所述标准化图像输入至所述表面水平集预测模型的第一输入通道中，将所述区分后的大脑解剖结构分割图像输入至所述表面水平集预测模型的第二输入通道中。3.根据权利要求2所述的大脑皮层表面重建方法，其中，在步骤S3中，所述表面水平集预测模型包括特征提取路径、特征融合路径和第一跳跃连接，所述特征提取路径与特征融合路径彼此连接，所述特征提取路径包括多个特征提取块，所述多个特征提取块中的每一个特征提取块包括至少一个第一卷积层和用于下采样的第一池化层，所述特征融合路径包括多个特征融合块，所述多个特征融合块中的每一个特征融合块包括至少一个第二卷积层和用于上采样的第一反卷积层，所述至少一个第一卷积层和至少一个第二卷积层中的每一个第一卷积层和每一个第二卷积层后均设置有第一激活单元。4.根据权利要求3所述的大脑皮层表面重建方法，其中，输入的区分后的大脑解剖结构分割图像在经过第一预定数量的特征提取块后，将通道数量调整为第二预定数量的通道。5.根据权利要求4所述的大脑皮层表面重建方法，其中，所述表面水平集预测模型为U字形的非线性回归模型，在使用时，将输入的所述区分后的大脑解剖结构分割图像和所述标准化图像中每一个体素点通过非线性回归以预测所述每一个体素点对应的水平集中的有符号距离。6.根据权利要求5所述的大脑皮层表面重建方法，其中，在特征提取路径和特征融合路径中，同一层次的特征提取块和特征融合块之间通过第一跳线进行第一跳跃连接，且所述同一层次的特征提取块的经过下采样得到的特征图与特征融合块的经过上采样获得的特征图进行拼接作为下一层的特征融合块的输入。7.根据权利要求6所述的大脑皮层表面重建方法，其中，所述特征融合路径的输出层设置为第三卷积层，在进行模型训练时，所述损失函数设置为均方误差函数。8.根据权利要求1所述的大脑皮层表面重建方法，其中，所述表面水平集预测模型通过有监督学习训练得到，
在进行模型训练时，以重...

【专利技术属性】
技术研发人员：王伟伟，张维，胡清宇，
申请(专利权)人：北京优脑银河科技有限公司，
类型：发明
国别省市：