一种3D-DSA图像的重建方法及系统技术方案

本发明专利技术涉及稀疏视图3D

【技术实现步骤摘要】
一种3D
‑
DSA图像的重建方法及系统


[0001]本专利技术涉及稀疏视图3D
‑
DSA成像
，特别涉及一种基于超稀疏2D投影视图重建血管3D
‑
DSA图像的方法及系统。

技术介绍

[0002]脑血管疾病是引起人类死亡的主要疾病之一，是危害人类健康和生命的常见病和多发病。在头颈部血管检查手段中，数字减影血管造影(Digital Subtraction Angiography，DSA)技术被公认为是脑血管疾病诊断的“金标准”。然而，常规的二维血管造影术(2D
‑
DSA)显示范围有限，难以清晰显示脑部血管复杂的结构及相互关系，导致部分病变血管与周围血管的关系显示不清，甚至部分血管狭窄会被遮挡而遗漏。三维数字减影血管造影(3D
‑
DSA)技术就是为了解决这些问题而生的，3D
‑
DSA技术是C形臂围绕患者做两次旋转，并采集一系列连续角度的2D
‑
DSA图像，通过专业设备完成血管三维模型重建以及综合评估。
[0003]目前临床上使用的金标准3D
‑
DSA成像方法是基于FDK算法实现的，西门子、通用电气(GE)、飞利浦和其他医疗设备制造商对基于FDK的算法进行了修订和使用，但这种传统的3D
‑
DSA扫描和重建方法要求患者持续暴露于辐射中，采集的2D
‑
DSA图像越多，患者在采集过程中需要注射造影剂用量越大，遭受辐射时间越长。因此，降低3D
‑
DSA成像的辐射剂量是具有重大临床意义的，但是迄今为止，尚未报道在确保重建图像质量的条件下，可以显著降低辐射剂量的有效方法。
[0004]深度学习(DL)是一种机器学习技术，它使用多层人工神经网络来自动分析信号或数据。卷积神经网络(CNN)是深度学习技术中最成功且广泛使用的模型之一，它擅长以2D或3D图像数据作为输入来拟合非线性函数，同时不需要使用手动设计提取图像特征。近年来已经出现一些将卷积神经网络用于医学成像领域的2D(X射线)
‑
3D计算机断层扫描(CT)重建方法的工作，比如使用稀疏的视图进行三维重建。但由于脑血管的复杂程度较高，目前尚未出现将深度学习的算法直接应用在脑血管DSA重建中。基于此，现提出一种3D
‑
DSA图像的重建方法及系统，通过该重建方法及系统可以在采集到极少的2D图像的基础上重建获得血管的3D
‑
DSA图像。

技术实现思路

[0005]本专利技术的目的旨在克服现有技术的缺陷，提供一种3D
‑
DSA图像的重建方法及系统，通过极少的2D图像便可以有效地重建多尺度人类脑血管系统，不仅可以确保重建图像的质量，还能够显著降低病人所承受的辐射剂量。
[0006]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种3D
‑
DSA图像的重建方法，所述方法包括以下步骤：
[0007]S1，采集基于微血管的2D
‑
DSA图像，对所述2D
‑
DSA图像进行预处理；
[0008]S2，将预处理后的所述2D
‑
DSA图像以及对应的相机参数输入至训练好的3D
‑
DSA重
建网络中，获得重建的3D
‑
DSA图像。
[0009]进一步地，所述步骤S1中的预处理具体包括去噪、去运动伪影以及去造影剂流动干扰处理，所述步骤S2中的所述相机参数包括采集所述2D
‑
DSA图像的视角。
[0010]进一步地，所述步骤S1之前，所述方法还包括：
[0011]S10，根据预先获得的2D
‑
DSA图像构建特征数据库，所述特征数据库中包括若干组训练集，所述训练集中包括若干个二维投影图像及其对应的视角；
[0012]S20，从所述特征数据库中选取一组所述训练集作为输入数据，所述输入数据中的所述二维投影图像为输入图像，将所述输入数据输入至深度神经网络中进行三维重建，获得三维重建结果；
[0013]S30，通过可微分投影将所述三维重建结果在与所述输入图像相同的视角下进行投影，获得二维图像，使用损失函数计算相同视角下的所述二维图像与所述输入图像之间的损失值，基于所述损失值对所述深度神经网络的网络权重进行反向传播与梯度更新，得到待优化的3D
‑
DSA重建网络；
[0014]S40，基于所述待优化的3D
‑
DSA重建网络循环执行所述步骤S20和所述步骤S30，获得训练好的3D
‑
DSA重建网络。
[0015]进一步地，所述步骤S20具体包括：
[0016]S201，采用线性插值方法对所述输入图像的分辨率进行调整，获得低分辨率图像；
[0017]S202，对所述低分辨率图像进行多视角信息融合，获得融合结果；
[0018]S203，将所述融合结果输入至所述深度神经网络中进行三维重建，获得低分辨率重建结果；
[0019]S204，将所述输入图像与所述低分辨率重建结果进行级联，获得级联结果；
[0020]S205，将所述级联结果输入至所述深度神经网络中进行三维重建，获得高分辨率重建结果；
[0021]S206，使用阈值裁剪去除所述高分辨率重建结果中的显著噪声，获得所述三维重建结果。
[0022]进一步地，所述步骤S202具体包括：
[0023]不同视角的所述低分辨率图像以不同通道的形式作为输入，所述低分辨率图像沿每个视角的垂直方向被复制预设次数，在每个通道中生成3D体素数据；
[0024]对所述3D体素数据进行随机裁剪，对裁剪后的所述3D体素数据进行卷积操作并提取每个通道的特征，获得每个通道的低分辨率数据；
[0025]将每个通道的所述低分辨率数据相加，得到所述融合结果。
[0026]进一步地，所述步骤S203和所述步骤S205中的所述三维重建具体包括：使用3DU
‑
Net对数据进行编码和解码，然后对经过编码和解码后的所述数据进行连续的调整大小和卷积操作，得到重建结果；
[0027]其中，在步骤S203中，所述数据为所述融合结果，所述重建结果为所述低分辨率重建结果，在步骤S205中，所述数据为所述级联结果，所述重建结果为所述高分辨率重建结果。
[0028]进一步地，所述步骤S20中的所述三维重建结果表示如下：
[0029]F(X1,X2...X
N
,θ1,θ2...θ
N
)＝Y
pred
[0030]其中，{X1,X2...X
N
}为若干个二维投影图像，{θ1,θ2...θ
N
}为所述二维投影图像对应的视角，F为深度神经网络对应的映射函数，Y
pred
为三维重建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种3D
‑
DSA图像的重建方法，其特征在于，所述方法包括以下步骤：S1，采集基于微血管的2D
‑
DSA图像，对所述2D
‑
DSA图像进行预处理；S2，将预处理后的所述2D
‑
DSA图像以及对应的相机参数输入至训练好的3D
‑
DSA重建网络中，获得重建的3D
‑
DSA图像。2.根据权利要求1所述的3D
‑
DSA图像的重建方法，其特征在于：所述步骤S1中的预处理具体包括去噪、去运动伪影以及去造影剂流动干扰处理，所述步骤S2中的所述相机参数包括采集所述2D
‑
DSA图像的视角。3.根据权利要求1所述的3D
‑
DSA图像的重建方法，其特征在于，所述步骤S1之前，所述方法还包括：S10，根据预先获得的2D
‑
DSA图像构建特征数据库，所述特征数据库中包括若干组训练集，所述训练集中包括若干个二维投影图像及其对应的视角；S20，从所述特征数据库中选取一组所述训练集作为输入数据，所述输入数据中的所述二维投影图像为输入图像，将所述输入数据输入至深度神经网络中进行三维重建，获得三维重建结果；S30，通过可微分投影将所述三维重建结果在与所述输入图像相同的视角下进行投影，获得二维图像，使用损失函数计算相同视角下的所述二维图像与所述输入图像之间的损失值，基于所述损失值对所述深度神经网络的网络权重进行反向传播与梯度更新，得到待优化的3D
‑
DSA重建网络；S40，基于所述待优化的3D
‑
DSA重建网络循环执行所述步骤S20和所述步骤S30，获得训练好的3D
‑
DSA重建网络。4.根据权利要求3所述的3D
‑
DSA图像的重建方法，其特征在于，所述步骤S20具体包括：S201，采用线性插值方法对所述输入图像的分辨率进行调整，获得低分辨率图像；S202，对所述低分辨率图像进行多视角信息融合，获得融合结果；S203，将所述融合结果输入至所述深度神经网络中进行三维重建，获得低分辨率重建结果；S204，将所述输入图像与所述低分辨率重建结果进行级联，获得级联结果；S205，将所述级联结果输入至所述深度神经网络中进行三维重建，获得高分辨率重建结果；S206，使用阈值裁剪去除所述高分辨率重建结果中的显著噪声，获得所述三维重建结果。5.根据权利要求4所述的3D
‑
DSA图像的重建方法，其特征在于，所述步骤S202具体包括：不同视角的所述低分辨率图像以不同通道的形式作为输入，所述低分辨率图像沿每个视角的垂直方向被复制预设次数，在每个通道中生成3D体素数据；对所述3D体素数据进行随机裁剪，对裁剪后的所述3D体素数据进行卷积操作并...

【专利技术属性】
技术研发人员：郑传胜，王兴刚，赵煌旋，刘文予，周政宏，杨帆，
申请(专利权)人：华中科技大学同济医学院附属协和医院，
类型：发明
国别省市：