System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于图像配准,尤其涉及一种术中x线和ct图像的配准方法和装置。
技术介绍
1、介入手术是一种常见的微创手术,在介入手术中,医师在医学影像设备的引导下,将特制的导管,导丝等精密器械,引入人体,对患者病灶处进行诊断和局部治疗。
2、目前介入手术通常依赖术中x线图像对医师提供导航,然而通过术中x线图像导航的方式在一些场景下存在一定风险。以胸主动脉血管内修复术(thoracicendovascularaortic repair,tevar)为例,在tevar术中,医师依赖术中x线图像导航覆膜支架,由于x线下看不到血管,为了准确覆盖破口,并不遮挡破口紧邻分支血管开口,手术过程中需要多次注射碘造影剂,显影主动脉形态及破口位置,以帮助医生定位支架锚定区并准确释放支架,但也因此增加了患者患肾毒性的风险。如果能将术中x线图像与术前采集的三维ct图像实时精确地配准在一起,便可以实时清晰地呈现术中患者的主动脉、其分支血管以及破口的形态和位置,从而准确定位并释放支架,提高手术成功率,并消除手术对碘造影剂的依赖,最终避免因单一术中x线图像导航产生的风险。
3、术中x线与ct图像配准方法主要分为两类:基于优化的方法和基于深度学习的方法。基于优化的方法采用系列投影变换,将三维ct图像投影到二维平面,生成系列二维模拟x线图像,即数字重建影像(digitally reconstructed radiography,drr);然后在drr图像库中迭代搜索,确定与真实x线图像最相似的drr图像,其对应的投影变换即配准x线与ct图像的投影
技术实现思路
1、考虑到现有方法存在的不足,本文提出了一种新的术中x线与术前ct图像的配准网络框架。框架组合了基于域自适应的迁移网络和结合cnn与transformer的配准网络;基于域自适应的迁移网络将x线图像的风格迁移到drr图像上,使得两者在图像风格上更为逼近;结合cnn与transformer的配准网络综合了cnn抓取局部信息和transformer抓取全局信息的能力,并且直接配准x线与ct图像,无需进行图像分割。
2、本申请具体公开如下技术方案:
3、本申请第一方面提供一种术中x线和ct图像的配准方法,包括:
4、训练过程:
5、获得样本数据,所述样本数据包括从第一对象获得的样本术中x线图像、样本术前ct图像、样本drr图像、投影样本术前ct图像生成样本drr图像的投影参数的真实值;投影过程模拟术中生成x线图像的情况,所述投影参数包括已知投影参数和未知投影参数;所述未知投影参数的真实值即目标投影参数的真实值;
6、利用所述样本术中x线图像和所述样本drr图像训练并获得基于域自适应网络的目标图像生成器;
7、利用所述目标图像生成器处理样本drr图像,得到对应具有x线图像风格的目标drr图像;
8、根据所述样本术前ct图像、所述目标drr图像、所述已知投影参数的真实值和所述目标投影参数的真实值构建配准模型;
9、配准过程:
10、获得第二对象的待配准x线图像和待配准ct图像;
11、利用所述配准模型处理所述待配准x线图像和所述待配准ct图像,得到配准所述待配准x线图像和所述待配准ct图像的目标投影参数预测值。
12、可选的,所述域自适应网络包括第一图像生成器、第二图像生成器、第一图像判别器和第二图像判别器;
13、所述利用所述样本术中x线图像和所述样本drr图像训练并获得基于域自适应网络的目标图像生成器,包括:
14、利用所述第一图像生成器处理所述样本drr图像,得到所述样本drr图像对应的第一生成图像;
15、利用所述第二图像生成器处理所述样本术中x线图像,得到所述样本术中x线图像对应的第二生成图像;
16、利用所述第一图像判别器处理所述第一生成图像和所述样本drr图像,得到第一损失值;
17、利用所述第二图像判别器处理所述第二生成图像和所述样本术中x线图像,得到第二损失值;
18、在所述第一损失值和所述第二损失值构成的目标损失值不满足第一收敛条件的情况下,根据所述目标损失值更新所述域自适应网络的网络参数,并返回执行所述利用所述第一图像生成器处理所述样本drr图像,得到所述样本drr图像对应的第一生成图像步骤;
19、在所述目标损失值满足所述第一收敛条件的情况下,将所述第一图像生成器确定为用于将drr图像转换成具有x线图像风格的图像的目标图像生成器。
20、可选的,所述配准模型包括编码器,跨模态交叉融合模块和参数嵌入模块;
21、所述根据所述目标drr图像、所述样本术前ct图像、已知投影参数的真实值和所述目标投影参数的真实值构建配准模型,包括:
22、利用所述编码器提取所述目标drr图像的drr特征以及提取所述样本术前ct图像的ct特征;
23、利用所述跨模态交叉融合模块处理所述drr特征和所述ct特征,得到融合特征;
24、利用所述参数嵌入模块处理所述融合特征和已知投影参数的真实值,获得所述目标投影参数的预测值;
25、根据所述目标投影参数预测值和所述目标投影参数真实值确定所述配准模型的配准损失值;
26、在所述配准损失值不满足第二收敛条件的情况下,根据所述配准损失值更新所述配准模型的模型参数,并返回执行所述利用所述编码器提取所述目标drr图像的drr特征以及提取所述样本术前ct图像的ct特征步骤;
27、在所述配准损失值满足所述第二收敛条件的情况下,确定所述配准模型构建完成。
28、可选的,所述利用所述跨模态交叉融合模块处理所述drr特征和所述ct特征,得到融合特征,包括:
本文档来自技高网...
【技术保护点】
1.一种术中X线和CT图像的配准方法,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,所述域自适应网络包括第一图像生成器、第二图像生成器、第一图像判别器和第二图像判别器;
3.根据权利要求1所述的方法,其特征在于,所述配准模型包括编码器,跨模态交叉融合模块和参数嵌入模块;
4.根据权利要求3所述的方法,其特征在于,所述利用所述跨模态交叉融合模块处理所述DRR特征和所述CT特征,得到融合特征,包括:
5.根据权利要求3所述的方法,其特征在于,所述已知投影参数包括采集所述样本术中X线图像时采集设备的L臂旋转角度,枢轴旋转角度,C臂旋转角度,光源到等中心的距离SAD和光源到探测器中心的距离SID。
6.一种术中X线和CT图像的配准装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述域自适应网络包括第一图像生成器、第二图像生成器、第一图像判别器和第二图像判别器;
8.根据权利要求6所述的装置,其特征在于,所述配准模型包括编码器,跨模态交叉融合模块和参数嵌入模块;
< ...【技术特征摘要】
1.一种术中x线和ct图像的配准方法,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,所述域自适应网络包括第一图像生成器、第二图像生成器、第一图像判别器和第二图像判别器;
3.根据权利要求1所述的方法,其特征在于,所述配准模型包括编码器,跨模态交叉融合模块和参数嵌入模块;
4.根据权利要求3所述的方法,其特征在于,所述利用所述跨模态交叉融合模块处理所述drr特征和所述ct特征,得到融合特征,包括:
5.根据权利要求3所述的方法,其特征在于,所述已知投影参数包括采集所述样本术中x线图像时采集设备的l臂旋转角度,枢轴旋转角度,c臂旋转角度,光源到等中心的距离sad和光源到探测器中心的距离sid。
6.一...
【专利技术属性】
技术研发人员:舒丽霞,王杰,崔家礼,郭曦,陈彧,
申请(专利权)人:首都医科大学附属北京安贞医院,
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。