【技术实现步骤摘要】
本公开涉及计算机视觉，具体地，涉及一种基于隐表达网络的器官形状重建方法、系统、介质及终端。
技术介绍
1、医学图像分割任务，应用领域广泛，主要应用在两个方面，一方面是分割正常组织，例如人体的器官(肝、肺、肾脏、胰腺、骨骼等)或者软组织(心血管、视网膜等)，另一方面是分割病变组织，例如脑部肿瘤、肺结节、癌细胞等。医学图像分割具有重要临床参考价值，例如对器官或者病变组织的量化分析，术前准备、术中导航、放疗方案制定(靶区勾画)、早期肿瘤随访。良好的医学图像分割结果能够提高医生专家阅片效率，辅助医生对组织器官或者病灶区域进行诊断分析。但是，手动分割三维医学图像非常耗费时间和精力，并且需要专业知识，因此，开发医疗影像的自动分割系统是一项非常重要的任务。
2、监督学习技术，采用带标签的数据来训练一个机器学习系统，在医学图像分割中变得越来越流行。在引入监督学习技术之后，研究人员开始从完全手工设计特征转变至利用计算机，并通过数据驱动的方式来自取医疗影像的动提特征，而监督学习技术的关键就在于如何设计自动提取特征的算法。卷积神经网络(cnn)的出现为解决这一难题提供了可能。卷积神经网络模型包括多层，这些层将输入数据(如图像，包括自然图像和医学图像)通过卷积、非线性映射、批归一化等操作转化成输出数据，同时学习高级抽象的语义特征。基于卷积神经网络的特征提取方法比以往人工设计特征的方法具有更好的性能效果，并且这种方法迅速成为计算机视觉的研究热点之一。
3、但是，卷积神经网络模型倾向于拟合数据的强度信息，无法泛化出医学图像器官的形状
技术实现思路
1、针对现有技术中的缺陷，本公开的目的是提供一种基于隐表达网络的器官形状重建方法、系统、介质及终端。
2、为实现上述目的，根据本公开的一个方面，提供一种基于隐表达网络的器官形状重建方法，包括：
3、获取三维医学影像图像，确定第一部分数据集，所述第一部分数据集包括第一训练集、第一验证集和第一测试集；
4、采用所述第一部分数据集的第一训练集对预设的卷积神经网络模型n1进行模型训练，确定经过模型训练的卷积神经网络模型n1；
5、采用所述第一部分数据集中的三维体数据进行渲染等值面算法处理，确定三维网格数据；
6、对所述三维网格数据依次进行基于物理信息的坐标变换处理、数据集内的形状对齐变换处理和点云采样处理，确定第二部分数据集，所述第二部分数据集包括第二训练集、第二验证集以及第二测试集；
7、采用所述第二部分数据集的第二训练集对预设的基于隐表达的神经网络模型m1进行模型训练，确定经过模型训练的基于隐表达的神经网络模型m1；
8、采用所述经过模型训练的卷积神经网络模型n1对目标三维医学影像图像进行粗分割处理，确定粗分割结果；
9、采用所述粗分割结果和所述经过模型训练的基于隐表达的神经网络模型m1获取的隐表达模板进行基于隐变量的点云采样，确定第三部分数据集；
10、采用所述第三部分数据集对所述经过模型训练的基于隐表达的神经网络模型m1进行优化处理，确定经过优化处理的基于隐表达的神经网络模型m1；
11、采用所述经过优化处理的基于隐表达的神经网络模型m1对所述粗分割结果进行形状优化处理，确定所述目标三维医学影像图像中的器官形状重建结果。
12、可选地，所述方法还包括：
13、在所述采用所述经过优化处理的基于隐表达的神经网络模型m1对所述粗分割结果进行形状优化处理之后，对生成的优化形状结果依次进行所述数据集内的形状对齐变换处理的逆处理和所述基于物理信息的坐标变换处理的逆处理，确定所述目标三维医学影像图像中的器官形状重建结果。
14、可选地，所述预设的卷积神经网络模型n1包括层级神经网络模型和分割网络。
15、可选地，所述第一部分数据集中的三维医学影像图像中包括标注的器官真值数据。
16、可选地，所述采用所述第一部分数据集的第一训练集对预设的卷积神经网络模型n1进行模型训练，确定经过模型训练的卷积神经网络模型n1，包括：
17、采用所述层级神经网络模型对所述第一训练集中的三维医学影像图像进行特征提取处理，确定多尺度图像特征；
18、采用所述分割网络对所述多尺度图像特征进行前景目标分割处理，确定模型训练阶段的粗分割结果；
19、根据所述第一训练集中的三维医学影像图像中标注的器官真值数据和所述模型训练阶段的粗分割结果，确定损失函数；
20、根据所述损失函数，优化所述预设的卷积神经网络模型n1的模型参数，确定所述经过模型训练的卷积神经网络模型n1。
21、可选地，所述根据所述三维网格数据依次进行基于物理信息的坐标变换处理、数据集内的形状对齐变换处理和点云采样处理，确定第二部分数据集，包括：
22、对所述三维网格数据进行所述基于物理信息的坐标变换处理，采用三维医学影像图像中的像元的体素原点、体素间隔以及体素排列方向，将所述三维网格数据对应的图像坐标转换为世界坐标；
23、对经过所述基于物理信息的坐标变换处理的所述三维网格数据进行所述数据集内的形状对齐变换处理，将每一实例的网格数据与预设的锚点网格数据进行点云配准处理，并将采用相干点漂移算法确定的刚性变换矩阵作用至所述每一实例上；
24、将经过所述基于物理信息的坐标变换处理、所述数据集内的形状对齐变换处理的所述三维网格数据进行所述点云采样处理，确定所述第二部分数据集。
25、可选地，所述预设的基于隐表达的神经网络模型m1包括temp网络和deform网络：
26、
27、其中，m1表示预设的基于隐表达的神经网络模型，temp表示temp网络，deform表示deform网络，α表示每一实例的k维的隐变量向量，p表示点云的三维坐标，°表示函数复合符号。
28、可选地，所述方法还包括：
29、采用总体损失函数对所述经过模型训练的基于隐表达的神经网络模型m1进行参数优化处理，所述总体损失函数，包括：
30、ltotal＝lsdf-value+lsdf-normal+lsdf-grad+lpoints-value+ω1ltemp-sdf-normal+ω2lreg
31、其中，ltotal表示所述总体损失函数，lsdf-value表示对符号距离函数的优化目标函数，lsdf-normal表示对重建形状的法向量的约束项，lsdf-grad表示对重建的符号距离函数值的梯度的约束项，lpoints本文档来自技高网...
【技术保护点】
1.一种基于隐表达网络的器官形状重建方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述预设的卷积神经网络模型N1包括层级神经网络模型和分割网络；
4.根据权利要求1所述的方法，其特征在于，所述根据所述三维网格数据依次进行基于物理信息的坐标变换处理、数据集内的形状对齐变换处理和点云采样处理，确定第二部分数据集，包括：
5.根据权利要求1所述的方法，其特征在于，所述预设的基于隐表达的神经网络模型M1包括Temp网络和Deform网络：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.一种基于隐表达网络的器官形状重建系统，其特征在于，包括：
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种终端，其特征在于，包括：
【技术特征摘要】
1.一种基于隐表达网络的器官形状重建方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述预设的卷积神经网络模型n1包括层级神经网络模型和分割网络；
4.根据权利要求1所述的方法，其特征在于，所述根据所述三维网格数据依次进行基于物理信息的坐标变换处理、数据集内的形状对齐变换处理和点云采样处理，确定第二部分数据集，包括：
5.根据权利要求1所述的方法，其特征在于...
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。