【技术实现步骤摘要】
基于三维卷积神经网络的术中影像分割方法及系统
[0001]本专利技术属于图像分割
，更具体地，涉及一种基于三维卷积神经网络的术中影像分割方法及系统。
技术介绍
[0002]机器人进行图像导航骨科手术时需要将术前图像和术中图像进行配准，即建立空间位置的映射关系，以此将术前的手术规划转换到术中的坐标系，引导手术操作。利用术前和术中的骨骼表面模型进行配准是快速且稳定的解决方案之一，但依赖于对术前图像和术中CBCT图像的准确分割。
[0003]目前机器人辅助骨科手术的临床应用中常采用阈值分割加人工框选的方法进行术中CBCT的骨骼分割，即导入CBCT图像，手动选取分割阈值将图像二值化，保留灰度值大于阈值的部分作为前景，渲染成表面模型；这些前景部分通常包含部分骨骼、术中手术器械、金属器械造成的伪影以及各类噪声，故通过人工框选区域的方法去除感兴趣骨块之外的部分；这种方法分割出的骨块通常质量不高，如果在后续图像配准步骤中发现精度不能满足要求，则需要重复以上步骤，重新进行分割。由于CBCT图像有较多噪声和伪影、图像中骨骼各部分灰...
【技术保护点】
【技术特征摘要】
1.一种基于三维卷积神经网络的术中影像分割方法，其特征在于，包括：读取三维CBCT图像；对所述三维CBCT图像进行预处理；通过完成训练的三维卷积神经网络对完成所述预处理的所述三维CBCT图像进行图像分割，获取骨骼的三维的二值图像；检测并提取所述二值图像中的最大连通区域，进而生成所述骨骼的表面模型；对所述骨骼的表面模型进行平滑处理；输出完成所述平滑处理的所述骨骼的表面模型。2.根据权利要求1所述的基于三维卷积神经网络的术中影像分割方法，其特征在于，所述预处理包括：对所述三维CBCT图像进行重采样，进而进行灰度值归一化处理，生成新的三维CBCT图像。3.根据权利要求2所述的基于三维卷积神经网络的术中影像分割方法，其特征在于，新的所述三维CBCT图像的大小为256
×
256
×
256。4.根据权利要求3所述的基于三维卷积神经网络的术中影像分割方法，其特征在于，完成训练的所述三维卷积神经网络包括：3D U
‑
NET卷积神经网络；通过由DICE系数和交叉熵组合的损失函数对所述3D U
‑
NET卷积神经网络进行训练，所述训练的优化器为ADAM优化器。5.根据权利要求4所述的基于三维卷积神经网络的术中影像分割方法，其特征在于，所述3D U
‑
NET卷积神经网络包括：编码器，用于分析新的所述三维CBCT图像，对骨骼特征进行提取和分析；解码器，用于生成完成分割的骨骼的三维的二值图像。6.根据权利要求5所述的基于三维卷积神经网络的术中影像分割方法，其特征在于，所述编码器位于所述3D U
‑
NET卷积神经网络的左侧，分为六层，自上而下分别为：编码器第一层，用于通过两个步长为1的卷积层从输入尺度为1*256*256*256的图像矩阵a0提取到尺度为32*256*256*256的特征图a1；编码器第二层，用于通过一个步长为2的卷积层和一个步长为1的卷积层从输入尺度为32*256*256*256的所述特征图a1提取到尺度为64*128*128*128的特征图a2；编码器第三层，用于通过一个步长为2的卷积层和一个步长为1的卷积层从输入尺度为64*128*128*128的所述特征图a2提取到尺度为128*64*64*64的特征图a3；编码器第四层，用于通过一个步长为2的卷积层和一个步长为1的卷积层从输入尺度为128*64*64*64的所述特征图a3提取到尺度为256*32*32*32的特征图a4；编码器第五层，用于通过一个步长为2的卷积层和一个步长为1的卷积层将输入尺度为256*32*32*32的所述特征图a4提取到尺度为320*16*16*16的特征图a5；编码器第六层，用于通过一个步长为2的卷积层和一个步长为1的卷积层将输入尺度为320*16*16*16的所述特征图a5提取到尺度为320*8*8*8的特征图a6；以上所有的所述卷积层的卷积核大小均为3*3*3，在每个所述卷积层之后应用LeakyReLU激活函数和批标准化。
7.根据权利要求6所述的基于三维卷积神经网络的术中影像分割方法，其特征在于，所述解码器位于所述3D U
‑
NET卷积神经网络的右侧，分为六层，自下而上分别为：解码器第一层，用于通过一个步长为...
【专利技术属性】
技术研发人员：桑宇迪，许珂，朱罡，
申请(专利权)人：北京罗森博特科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。