三维超声建模方法技术

本发明专利技术提供了一种三维超声建模方法

【技术实现步骤摘要】
三维超声建模方法、系统、电子设备和可读存储介质


[0001]本专利技术涉及图像处理
，特别涉及一种三维超声建模方法
、
系统
、
电子设备和可读存储介质
。

技术介绍

[0002]心房颤动
(
房颤
)
是临床上最常见的心律失常之一，受人口老龄化
、
慢性心脏病及其它因素影响，全球范围内房颤的发病率剧增，而我国更是房颤患病的重灾区
。
目前有效控制房颤的治疗手段就是经导管消融治疗房颤
。
通过介入导管进行心腔内结构的三维重建，在三维标测系统的指导下，将能量作用于病灶，从而起到隔断异常电信号的通路或者对异常的组织进行破坏消除异常信号，达到治疗的目的
。
[0003]通过三维标测系统重建心脏电解剖图，借助其导航能力准确选择消融靶点，可使得房颤治疗成功率显著提升
。
基于高精度磁定位技术，能够确保定位标测的精准度
。
使用定位导管可快速构建实时三维心脏标测图，随着标测点数目的增加不断修正以提高精度，三维图像随导管移动实时重构并刷新，更好指导术者完成射频消融手术
。
然而，对心脏结构复杂或有特殊解剖特点的患者，传统的三维标测重建方法提供的信息不够准确完整
。
[0004]目前，在医学领域，超声成像技术被广泛应用于临床诊断和治疗过程中
。
超声成像技术通过发送和接收超声波来获取人体组织的图像，具有非侵入性r/>、
实时性和无辐射的特点，成为一种重要的影像学工具
。
心腔内三维超声技术对于介入术中心脏血管结构的准确了解和操作器械的准确定位，具有非常强大的指导作用
。
[0005]然而，传统的超声成像存在一些局限性，例如：
[0006](1)
分辨率限制：传统超声成像的分辨率受限于声波的频率和传感器的性能，导致在某些场景下无法清晰地显示微小结构或病变
。
[0007](2)
影像质量：超声成像受到组织衰减
、
散射等物理因素的影响，可能产生噪声
、
伪影或图像模糊等问题，降低了诊断准确性
。
[0008](3)
缺乏全面的心脏信息：传统超声成像往往只提供了表面心脏结构的信息，对于深层结构
、
血流动力学和心脏功能等方面的评估有一定局限性，影响了精确诊断和治疗决策的制定
。
[0009](4)
人为因素：受个体经验区别，相同的超声图像个体也会做出有一定区别的判断，存在一些无法统一的差异性
。
[0010]需要说明的是，公开于该专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术
。

技术实现思路

[0011]本专利技术的目的在于提供一种三维超声建模方法
、
系统
、
电子设备和可读存储介质，可以获取更为精细和清晰的目标器官三维模型，有助于医生准确分析微小病变和异常区
域
。
[0012]为达到上述目的，本专利技术提供一种三维超声建模方法，包括：
[0013]采用第一生成模型对所获取的目标器官超声图像序列中的每一帧超声图像均进行域转换，以获取对应的伪目标域图像序列，其中，所述目标器官超声图像序列包括超声探头在所述目标器官的腔内以不同位姿
、
不同深度采集的多帧超声图像；
[0014]根据所述伪目标域图像序列获取稀疏伪目标域三维图像，并根据所述稀疏伪目标域三维图像获取稠密伪目标域三维图像；
[0015]对所述稠密伪目标域三维图像进行目标器官解剖结构的分割，以获取目标器官结构图像；
[0016]根据所述目标器官结构图像进行三维重建，以获取目标器官三维模型
。
[0017]可选的，所述第一生成模型通过以下步骤得到：
[0018]获取多例第一训练样本，其中，每一所述第一训练样本均包括样本超声图像
、
样本目标域图像以及对应的目标器官标签图像，其中，所述目标器官标签图像为对所述样本目标域图像进行分割标注得到；
[0019]采用所述第一训练样本对预先搭建的神经网络模型进行训练，其中，所述神经网络模型包括第一生成子网络
、
第一判别子网络
、
第一分割子网络
、
第二生成子网络
、
第二判别子网络和第二分割子网络，所述第一生成子网络用于将其所接收的图像由超声域转换至目标域，所述第二生成子网络用于将其所接收的图像由目标域转换至超声域，所述第一判别子网络用于判断其所接收的超声域的图像的真假情况，所述第二判断子网络用于判断其所接收的目标域的图像的真假情况，所述第一分割子网络用于对其所接收的超声域的图像进行目标器官解剖结构的分割，所述第二分割子网络用于对其所接收的目标域的图像进行目标器官解剖结构的分割；
[0020]将训练好的神经网络模型中的第一生成子网络作为所述第一生成模型
。
[0021]可选的，所述采用所述第一训练样本对预先搭建的神经网络模型进行训练，包括：
[0022]在每一次迭代训练中，先采用所述第一训练样本对所述第一生成子网络
、
所述第一分割子网络
、
所述第二生成子网络和所述第二分割子网络进行训练，再采用所述第一训练样本对所述第一判别子网络和所述第二判别子网络进行训练
。
[0023]可选的，根据如下损失函数对所述神经网络模型进行训练：
[0024]L
＝
λ
cycle
*L
cycle
+
λ
shape
*L
shape
+
λ
gan
*L
gan
[0025]L
cycle
＝
||
φ2(
φ1(x)
‑
x)||1+||
φ1(
φ2(y)
‑
y)||1[0026][0027]L
gan
＝
log
ψ1(x)+log(1
‑
ψ1(
φ2(y)))+log
ψ2(y)+log(1
‑
ψ2(
φ1(x)))
[0028]其中，
L
cycle
为循化一致性损失，
L
shape
为分割损失，
L
gan
为对抗损失，
λ
cycle
为
L
cycle
的权重，
λ
shape
为
L
...

【技术保护点】

【技术特征摘要】
1.
一种三维超声建模方法，其特征在于，包括：采用第一生成模型对所获取的目标器官超声图像序列中的每一帧超声图像均进行域转换，以获取对应的伪目标域图像序列，其中，所述目标器官超声图像序列包括超声探头在所述目标器官的腔内以不同位姿
、
不同深度采集的多帧超声图像；根据所述伪目标域图像序列获取稀疏伪目标域三维图像，并根据所述稀疏伪目标域三维图像获取稠密伪目标域三维图像；对所述稠密伪目标域三维图像进行目标器官解剖结构的分割，以获取目标器官结构图像；根据所述目标器官结构图像进行三维重建，以获取目标器官三维模型
。2.
根据权利要求1所述的三维超声建模方法，其特征在于，所述第一生成模型通过以下步骤得到：获取多例第一训练样本，其中，每一所述第一训练样本均包括样本超声图像
、
样本目标域图像以及对应的目标器官标签图像，其中，所述目标器官标签图像为对所述样本目标域图像进行分割标注得到；采用所述第一训练样本对预先搭建的神经网络模型进行训练，其中，所述神经网络模型包括第一生成子网络
、
第一判别子网络
、
第一分割子网络
、
第二生成子网络
、
第二判别子网络和第二分割子网络，所述第一生成子网络用于将其所接收的图像由超声域转换至目标域，所述第二生成子网络用于将其所接收的图像由目标域转换至超声域，所述第一判别子网络用于判断其所接收的超声域的图像的真假情况，所述第二判断子网络用于判断其所接收的目标域的图像的真假情况，所述第一分割子网络用于对其所接收的超声域的图像进行目标器官解剖结构的分割，所述第二分割子网络用于对其所接收的目标域的图像进行目标器官解剖结构的分割；将训练好的神经网络模型中的第一生成子网络作为所述第一生成模型
。3.
根据权利要求2所述的三维超声建模方法，其特征在于，所述采用所述第一训练样本对预先搭建的神经网络模型进行训练，包括：在每一次迭代训练中，先采用所述第一训练样本对所述第一生成子网络
、
所述第一分割子网络
、
所述第二生成子网络和所述第二分割子网络进行训练，再采用所述第一训练样本对所述第一判别子网络和所述第二判别子网络进行训练
。4.
根据权利要求2所述的三维超声建模方法，其特征在于，根据如下损失函数对所述神经网络模型进行训练：
L
＝
λ
cycle
*L
cycle
+
λ
shape
*L
shape
+
λ
gan
*L
gan
L
cycle
＝
|
φ2(
φ1(x)
‑
x)||1+|
φ1(
φ2(y)
‑
y)||1L
gan
＝
log
ψ1(x)+log(1
‑
ψ1(
φ2(y)))+log
ψ2(y)+log(1
‑
ψ2(
φ1(x)))
其中，
L
cycle
为循化一致性损失，
L
shape
为分割损失，
L
gan
为对抗损失，
λ
cycle
为
L
cycle
的权重，
λ
shape
为
L
shape
的权重，
λ
gan
为
L
gan
的权重，
x
为样本超声图像，
y
为样本目标域图像，
s
表示目标器官标签图像，
φ1(x)
表示所述第一生成子网络对样本超声图像进行域转换所生成的第一伪目标域图像，
φ2(y)
表示所述第二生成子网络对样本目标域图像进行域转换所生成的第
一伪超声图像，
φ2(
φ1(x))
表示所述第二生成子网络对所述第一伪目标域图像进行域转换所生成的第二...

【专利技术属性】
技术研发人员：周少华，吕元媛，孙毅勇，沈刘娉，王心怡，宫晶晶，
申请(专利权)人：上海微创电生理医疗科技股份有限公司，
类型：发明
国别省市：