医学影像解剖特征点的自动识别方法、系统、设备及介质技术方案

本发明专利技术公开了一种医学影像解剖特征点的自动识别方法、系统、设备及介质。该自动识别方法包括：获取目标医学影像、预设影像模板及预设图谱模板；以目标医学影像为基准影像，预设影像模板为配准影像，基于影像互信息度量的金字塔配准得到配准变形矩阵；基于所述配准变形矩阵对所述预设图谱模板进行变形，得到变形后的图谱模板并与所述目标医学影像匹配；所述变形后的图谱模板与所述目标医学影像重叠，将所述变形后的图谱模板进行阈值分割，获得初始解剖特征点，并以所述初始解剖特征点为中心，在预设半径内的所述目标医学影像中的解剖面上匹配目标解剖特征点。本发明专利技术能实现一次性全部解剖特征点的提取，有效提高识别的速度、普适性和识别精度。性和识别精度。性和识别精度。

【技术实现步骤摘要】
医学影像解剖特征点的自动识别方法、系统、设备及介质


[0001]本专利技术涉及一种医学影像解剖特征点的自动识别方法，尤其是一种医学影像解剖特征点的自动识别方法、系统、设备及介质。

技术介绍

[0002]髋臼周围截骨术(Periacetabular osteotomy，缩写为PAO)是一种常用的重建髋臼术式，适应症包括青少年髋臼发育异常，股骨头半脱位等。该手术通过在髋臼周围进行多边形截骨，将髋臼从周围的骨盆分离。截取髋臼可大幅度移动(改变位置，角度等)，改善髋臼对股骨头的覆盖情况，以达成减轻关节磨损、缓解关节疼痛的目的。
[0003]PAO手术的关键是确定必要的髋臼旋转量，实现髋臼和股骨头的最佳匹配关系。PAO术前，医生通常会拍摄患者骨盆/股骨部位的CT(Computed Tomography电子计算机断层扫描)影像，基于影像设计合理的手术方案，确定截骨的位置、角度和截取髋臼的移动量、旋转量等。PAO术中，医生可借助术中影像或手术导航系统等辅助工具执行手术方案，完成手术过程。PAO术后，医生通常会再次拍摄患者骨盆/股骨部位的X光或CT影像，并基于术前术后的影像对比，评估手术方案的完成情况。
[0004]上述过程中，医生通常需要在CT影像中识别和标记大量的解剖特征点，辅助完成手术方案的设计、手术方案的注册(手术导航注册)、手术方案的评估等。例如，设计手术方案时，医生通过标记髂前上棘和耻骨联合可定义骨盆前平面(APP)，通过标记髋臼中心点和股骨头中心点可定义截取髋臼的旋转中心；注册手术方案时，医生通过标记髂前下棘和耻骨粗隆可定义注册配准点；评估手术方案时，医生通过标记髋臼窝边界点配合股骨中心点可计算中心边缘角(Center Edge Angle，即CE角)，通过标记髋臼前缘配合股骨头中心点可计算AASA(Anterior Acetabular Sector Angle)，通过标记髋臼后缘配合股骨头中心点可计算PASA(Posterior Acetabular Sector Angle)等等。
[0005]针对骨盆/股骨解剖特征点的识别与标记问题，目前的解决方案主要包括以下几种：
[0006]1.医生基于CT影像，根据自身的经验和知识依次识别并手动标记各解剖特征点。
[0007]手动标记解剖特征点需要花费大量的时间和精力。考虑到解剖特征点数量较多(实际情况下，解剖特征点可能有数十个)，各解剖特征点的坐标需要分别标识记录用于后期的分析和计算，识别特征点的准确度和速度又比较依赖于医生的经验和操作熟练度，手动标记解剖特征点的过程对临床医生来说是极大的负担。
[0008]2.基于CT影像，分割并重建骨盆/股骨的三维体模型，根据体模型表面曲率计算寻找局部极值，提取出关键区域，筛选关键区域并检测解剖特征点。此方法适用于解剖特征点本身位于解剖结构边缘或解剖特征点为局部极点的情况。
[0009]该方法在精度，速度和普适性方面均有一定缺陷，并且解剖特征点识别的准确性受分割精度和三维重建质量(三角面片数量)的影响较大。考虑到表面曲率的计算和局部极值求解涉及大量的三角面片遍历搜索，求解速度一般并不令人满意。而且不同解剖特征点
的影像学表征并不完全一致，很难找到一种普适的求解方法。
[0010]3.基于大量的骨盆/股骨解剖特征点标注数据集，应用机器学习相关技术训练数据并生成训练模型，并基于训练模型对新数据进行预测，实现解剖特征点的自动识别和标记。
[0011]该方法需要大量的标注数据集来保证训练模型的精度和鲁棒性。考虑到解剖特征点标注本身是一项需要花费大量时间并且高度依赖于医生经验的工作，想获取足够的标注样本并不轻松。鉴于解剖特征点数量较多且各解剖特征点影像学表征有所差异，训练模型的复杂度较高，很容易出现过拟合的风险。此外，机器学习本身是黑箱模型，输入输出的逻辑关系较为模糊，整个方法的可解释性不强，实际应用上仍有很多局限性。

技术实现思路

[0012]本专利技术要解决的技术问题是为了克服现有技术中解剖特征点的识别与标记方法具有局限性、速度慢及精准度低的缺陷，提供一种医学影像解剖特征点的自动识别方法、系统、设备及介质。
[0013]本专利技术是通过下述技术方案来解决上述技术问题：
[0014]第一方面提供一种医学影像解剖特征点的自动识别方法，所述自动识别方法包括：
[0015]获取目标医学影像、预设影像模板及预设图谱模板；
[0016]其中，所述预设影像模板与所述预设图谱模板相互匹配，所述预设图谱模板上标注有解剖特征点，所述解剖特征点通过与所述预设图谱模板背景不同的像素值显示；
[0017]以所述目标医学影像为基准影像，所述预设影像模板为配准影像，基于影像互信息度量的金字塔配准得到配准变形矩阵；
[0018]基于所述配准变形矩阵对所述预设图谱模板进行变形，得到变形后的图谱模板并与所述目标医学影像匹配；
[0019]所述变形后的图谱模板与所述目标医学影像重叠，将所述变形后的图谱模板进行阈值分割，根据所述解剖特征点提取特征区域，并计算特征区域中心，获得初始解剖特征点，并以所述初始解剖特征点为中心，在预设半径内的所述目标医学影像中的解剖面上匹配目标解剖特征点。
[0020]较佳地，所述基于影像互信息度量的金字塔配准得到配准变形矩阵的步骤包括：
[0021]以预设图谱模板为第一配准影像，通过仿射变换的金字塔模型进行配准过程并计算所述第一配准影像与基准影像的互信息，合并配准中的变形矩阵得到第一配准变形矩阵；
[0022]以基于所述第一配准变形矩阵生成的变形的图谱为第二配准影像，通过B样条弹性变换的金字塔模型进行配准过程并计算所述第二配准影像与基准影像的互信息，合并配准过程中的变形矩阵得到第二配准变形矩阵；
[0023]所述基于所述配准变形矩阵对所述图谱模板进行变形的步骤包括：
[0024]将所述图谱模板依次应用第一配准变形矩阵和第二配准变形矩阵生成所述变形后的图谱模板。
[0025]较佳地，所述通过仿射变换的金字塔模型进行配准过程得到第一变形矩阵的步骤
包括：
[0026]平移所述预设影像模板，使所述预设影像模板与所述目标医学影像的几何中心重合；
[0027]规划配准金字塔模型；
[0028]通过迭代执行仿射变换进行配准，所述仿射变换的公式为：
[0029][0030]其中，任意像素点的空间坐标记为仿射变换后对应像素点空间坐标记为仿射变换中心C的空间坐标记为仿射变换的平移矩阵T记为仿射变换的旋转及仿射矩阵M记为
[0031]对每次仿射变换结果计算配准影像与基准影像的互信息，所述互信息计算公式为：
[0032]I(A,B)＝H(A)+H(B)
‑
H(A,B)
[0033]其中I(A,B)为影像A和影像B的互信息，影像A和影像B分别为配准影像和基准影像，H(A)和H(B)分别为影像A和影像B的熵值，计算公式为：
[0034本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像解剖特征点的自动识别方法，其特征在于，所述自动识别方法包括：获取目标医学影像、预设影像模板及预设图谱模板；其中，所述预设影像模板与所述预设图谱模板相互匹配，所述预设图谱模板上标注有解剖特征点，所述解剖特征点通过与所述预设图谱模板背景不同的像素值显示；以所述目标医学影像为基准影像，所述预设影像模板为配准影像，基于影像互信息度量的金字塔配准得到配准变形矩阵；基于所述配准变形矩阵对所述预设图谱模板进行变形，得到变形后的图谱模板并与所述目标医学影像匹配；所述变形后的图谱模板与所述目标医学影像重叠，将所述变形后的图谱模板进行阈值分割，根据所述解剖特征点提取特征区域，并计算特征区域中心，获得初始解剖特征点，并以所述初始解剖特征点为中心，在预设半径内的所述目标医学影像中的解剖面上匹配目标解剖特征点。2.根据权利要求1所述的医学影像解剖特征点的自动识别方法，其特征在于，所述基于影像互信息度量的金字塔配准得到配准变形矩阵的步骤包括：以预设图谱模板为第一配准影像，通过仿射变换的金字塔模型进行配准过程并计算所述第一配准影像与基准影像的互信息，合并配准过程中的变形矩阵得到第一配准变形矩阵；以基于所述第一配准变形矩阵生成的变形的图谱为第二配准影像，通过B样条弹性变换的金字塔模型进行配准过程并计算所述第二配准影像与基准影像的互信息，合并配准过程中的变形矩阵得到第二配准变形矩阵；所述基于所述配准变形矩阵对所述图谱模板进行变形的步骤包括：将所述图谱模板依次应用第一配准变形矩阵和第二配准变形矩阵生成所述变形后的图谱模板。3.根据权利要求2所述的医学影像解剖特征点的自动识别方法，其特征在于，所述通过仿射变换的金字塔模型进行配准过程得到第一变形矩阵的步骤包括：平移所述预设影像模板，使所述预设影像模板与所述目标医学影像的几何中心重合；规划配准金字塔模型；通过迭代执行仿射变换进行配准，所述仿射变换的公式为：其中，任意像素点的空间坐标记为仿射变换后对应像素点空间坐标记为仿射变换中心C的空间坐标记为仿射变换的平移矩阵T记为仿射变换的旋转及仿射
矩阵M记为对每次仿射变换结果计算配准影像与基准影像的互信息，所述互信息计算公式为：I(A,B)＝H(A)+H(B)
‑
H(A,B)其中I(A,B)为影像A和影像B的互信息，影像A和影像B分别为配准影像和基准影像，H(A)和H(B)分别为影像A和影像B的熵值，计算公式为：H(A)＝
‑
∫p
A
(a)logp
A
(a)da其中p
A
(a)为影像A中对应像素值a的灰度分布概率；H(A,B)为影像A和影像B的联合熵值，计算公式为：H(A,B)＝
‑
∫p
AB
(a,b)logp
AB
(a,b)dadb其中p
AB
(a,b)为影像A和影像B中对应像素值对ab的联合灰度分布概率；通过记录及比对每次仿射变换前后的互信息差异优化和迭代所述仿射变换的参数，实现局部收敛完成配准；和/或，所述通过B样条弹性变换的金字塔模型进行配准过程得到第二变形矩阵的步骤包括：规划配准金字塔模型；通过迭代执行所述B样条弹性变换进行配准，所述B样条弹性变换的公式为：其中为各像素点的对应坐标偏移量，P
ijk
为像素点相邻的空间控制点坐标，B为B样条基函数，其中B(u)的计算公式为：B为B样条基函数，其中B(u)的计算公式为：B为B样条基函数，其中B(u)的计算公式为：B为B样条基函数，其中B(u)的计算公式为：其中，B(v)与B(w)的计算公式与B(u)相同；对每次B样条弹性变换结果计算配准影像与基准影像的互信息，所述互信息计算公式为：I(A,B)＝H(A)+H(B)
‑
H(A,B)其中I(A,B)为影像A和影像B的互信息，影像A和影像B分别为配准影像和基准影像，H
(A)和H(B)分别为影像A和影像B的熵值，计算公式为：H(A)＝
‑
∫p
A
(a)logp
A
(a)da其中p
A
(a)为影像A中对应像素值a的灰度分布概率；H(A,B)为影像A和影像B的联合熵值，计算公式为：H(A,B)＝
‑
∫p
AB
(a,b)logp
AB
(a,b)dadb其中p
AB
(a,b)为影像A和影像B中对应像素值对ab的联合灰度分布概率；通过记录及比对每次B样条弹性变换前后的互信息差异优化和迭代所述B样条弹性变换的参数，实现局部收敛完成配准。4.根据权利要求1所述的医学影像解剖特征点的自动识别方法，其特征在于，所述预设图谱模板的背景像素值为0，所述预设图谱模板上标注多个所述解剖特征点，所述多个解剖特征点的像素值均不同。5.一种医学影像解剖特征点的自动识别系统，其特征在于，所述自动识别系统包获取模块、配准模块、变形模块及匹配模块；所述获取模块用于获取目标医学影像、预设影像模板及预设图谱模板；其中，所述预设影像模板与所述预设图谱模板相互匹配，所述预设图谱模板上标注有解剖特征点，所述解剖特征点通过与所述预设图谱模板背景不同的像素值显示；所述配准模块用于以所述目标医学影像为基准影像，所述预设影像模板为...

【专利技术属性】
技术研发人员：孙紫盎，林子隽，张喜会，周朝政，叶震，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：