一种基于2D图像配准的医学3D体数据半自动标注方法技术

本发明专利技术涉及医学图像处理技术，旨在提供一种基于2D图像配准的医学3D体数据半自动标注方法。包括：将3D体数据按照顺序划分为若干组2D图像；取每组中位于中间顺序的一张图像由人工进行标注；图像输入端到端的无监督配准网络模型中，经学习得到组内移动图像与固定图像之间的形变场，利用该形变场将标注的标签变形，从而为没有标注的固定图像生成标注；将已对齐且完成标注的各组2D图像，依次输入至分割网络中微调标注，并拼接重建，获得完整标注的3D体数据。本发明专利技术从两个方面来提升配准精度，一方面，网络级联将大形变配准分解为多阶段的小形变配准；另一方面，多尺度编码ResuNet结构将每一阶段内的位移分解为多尺度形变的复合；极大地减少了医生工作量。

【技术实现步骤摘要】

本专利技术涉及医学图像处理技术，特别涉及一种基于2d图像配准的医学3d体数据半自动标注方法。

技术介绍

1、深度学习的提出，使得医学图像的处理、分析以及诊断技术得到了快速进步。研究表明，在医学图像分析领域应用深度学习的诊断工具可以达到甚至超越专家水平。然而开发由深度学习支持的医学图像分析系统面临一个很大的障碍，即训练和测试模型需要庞大的、高质量的、带标注的数据集。医学图像由于其专业性和复杂性，标注工作往往需要具有专业知识和丰富经验的医生来完成，并且图像的标注主观性较强，不同经验的医生可能会给出不同的结果。并且标注工作本身需要耗费相当大的人力成本，而医生本职工作繁忙且精力有限，也难以将大量时间投入到这种重复而低效的劳动中。

2、图像配准是图像处理的一个重要
，配准指的是将两个或多个图像进行几何对齐，使源图像(移动图像)上的每一个点在目标图像(固定图像)上都有唯一的点与其对应，旨在寻找不同图像之间的空间变换关系，其目的是去除或者抑制待配准图像之间的几何不一致。图像配准是图像分析和处理的关键步骤，是图像融合、分析和目标识别的必要前提。

<本文档来自技高网...

【技术保护点】

1.一种基于2D图像配准的医学3D体数据半自动标注方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，将所有的切片按照0,1,2,3……N自然数顺序编号，根据临床实际需求确定需要标注的切片数目n，将全部的切片按照如下方式分为k组：

3.根据权利要求1所述的方法，其特征在于，所述配准网络模型具有多编码ResUnet结构，具体是在ResUnet结构的每个编码层，依次布置3个结构完全相同的特征编码块，其输入分别为原始倍率采样、2倍下采样和4倍下采样，能够实现不同尺度的特征提取。

4.根据权利要求1所述的方法，其特征在...

【技术特征摘要】

1.一种基于2d图像配准的医学3d体数据半自动标注方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，将所有的切片按照0,1,2,3……n自然数顺序编号，根据临床实际需求确定需要标注的切片数目n，将全部的切片按照如下方式分为k组：

3.根据权利要求1所述的方法，其特征在于，所述配准网络模型具有多编码resunet结构，具体是在resunet结构的每个编码层，依次布置3个结构完全相同的特征编码块，其输入分别为原始倍率采样、2倍下采样和4倍下采样，能够实现不同尺度的特征提取。

4.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，使用空间注意力机制进行多尺度特征的融合，具体包括：首先将相对低尺度的特征上采样到原始尺寸，按位置相加得到初步融合特征；接着对初步融合提特征进行卷积、批归一化操作，并使用sigomoid激活函数将特征映射到空间注意力权重；然后按照点乘方式对初步融合的特征进行逐位置空间加权；最后将加权特征与初步融合特征逐位置相加得到增强融合特征。

5.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，对形变场进行估计具体是指：使用多编码resunet结构进行多尺度特征的提取后，先经过融合增强，再由跳跃连接(skip connect...

【专利技术属性】
技术研发人员：王赟，孔德兴，梁萍，卢文亮，蒋佳欣，王守超，孔维真，
申请(专利权)人：海盐县南北湖医学人工智能研究院，
类型：发明
国别省市：