超声图像配准方法、装置和电子设备

本发明涉及医学图像处理，尤其是涉及一种基于子宫肌瘤轮廓的子宫动脉肌瘤分支超声图像配准方法、装置和电子设备。

背景技术：

1、图像配准是找到在不同条件下获取的两幅相同物体的图像之间的空间变换，使得两幅图像通过该变换能够合理地对齐。基于非完整轮廓的超声图像配准是在医学超声图像配准中，使用闭合轮廓与非闭合或分段轮廓为配准目标，找到不同图像中相同的目标并对齐的方法。较常应用于超声引导消融手术，尤其应用于较大深度时超声无法良好成像，需要其他超声成像源辅助成像的环境中，如灰阶超声引导高强度聚焦超声消融等。在术前获取带有彩色多普勒血流超声成像检查血流情况，在术中获取灰阶超声检测手术情况。术中超声受限于消融系统结构，超声成像深度质量差，图像中难以获取完整子宫肌瘤轮廓，不同图像之间轮廓信息差别大。因此，使用非完整轮廓超声图像配准方法可使轮廓信息差别较大的灰阶超声图像能够实现精确配准，增强术中引导效果。

2、基于非完整轮廓的图像配准可看作是完整轮廓之间配准的推广。图像配准方法通常首先对参考图像和浮动图像提取图像特征，然后创建代价函数(如互信息、欧氏距离等)作为图像特征的相似性度量，最后使用优化算法对该相似性度量进行迭代优化，以求达到最佳相似性。图像特征提取对应不同的相似性度量，对图像中某个或某些子宫肌瘤的形状或轮廓关注时，通常将该子宫肌瘤的轮廓作为特征提取出来，并依照参考图像和浮动图像之间子宫肌瘤轮廓的差异进行优化进而计算浮动图像变换方法。然而对于无法获得完整子宫肌瘤轮廓的灰阶超声图像，仅凭部分轮廓，使用基于完整轮廓配准方法对仅含有子宫肌瘤部分轮廓的灰阶超声图像进行配准，因对初始位置敏感，其配准效果不佳。

技术实现思路

1、为克服上述现有技术存在的不足，本发明之目的在于提供一种超声图像配准方法、装置和电子设备，以实现基于非完整轮廓的灰阶超声图像配准的目的。

2、为达上述目的，本发明提供一种超声图像配准方法，包括以下步骤：

3、步骤s1，获取患者腹部超声图像作为浮动图像，并基于训练好的网络模型提取所述浮动图像中的子宫肌瘤轮廓作为初始子宫肌瘤完整轮廓；

4、步骤s2，获取相应的腹部灰阶超声作为参考图像，并标注子宫肌瘤上边界，得到非完整轮廓；

5、步骤s3，将获得的子宫肌瘤完整轮廓和非完整轮廓拟合为规则几何轮廓；

6、步骤s4，使用点集形状描述方法描述步骤s3获得的规则几何轮廓，按照形状差异匹配规则将所述规则几何轮廓中的规则的椭圆轮廓匹配到规则的椭圆弧轮廓上；

7、步骤s5，使用点集形状描述方法描述初始子宫肌瘤完整轮廓与非完整轮廓，按照形状差异匹配初始子宫肌瘤完整轮廓点集与非完整轮廓点集并得到变换矩阵，以进行精配准。

8、可选地，步骤s1进一步包括：

9、步骤s100，获取带有彩色多普勒血流显像的子宫肌瘤患者腹部超声图像作为浮动图像；

10、步骤s101，对所述浮动图像进行图像预处理；

11、步骤s102，构建深度学习网络模型，将预处理后的浮动图像分为训练集、验证集和测试集，使用训练集和验证集训练所述深度学习网络模型；

12、步骤s103，使用训练好的深度学习网络模型提取浮动图像中的子宫肌瘤轮廓。

13、可选地，在步骤s102中，构建的深度学习网络模型包括生成器和判别器两部分，其训练或推理过程包括：

14、所述深度学习网络模型中生成器包含的编码器对网络输入进行编码，获得特征图；

15、所述深度学习网络模型中生成器包含的解码器对特征图进行解码，获得分割推理结果作为生成器输出；

16、将预处理所标注的子宫肌瘤真实分割与生成器输出共同输入判别器，同时训练判别器与生成器，使生成器与判别器对抗进而达到使用生成器。

17、可选地，步骤s2进一步包括：

18、步骤s200，获取相同患者的灰阶超声图像作为参考图像；

19、步骤s201，对所述参考图像进行预处理；

20、步骤s202，对术中引导灰阶超声图像进行手动标注子宫肌瘤部分轮廓，得到非完整轮廓点集。

21、可选地，在步骤s3中，使用椭圆轮廓拟合方法将获得的子宫肌瘤完整轮廓和非完整轮廓拟合为所述规则的椭圆轮廓和所述规则的椭圆弧轮廓。

22、可选地，步骤s4进一步包括：

23、步骤s400，使用形状上下文描述方法对步骤s3获得的规则图形点集中的每个点进行上下文形状描述，两个点集中形状差异最小的两个点组成点对；

24、步骤s401，计算两个点集之间的刚性变换矩阵；

25、步骤s402，根据计算出的变换矩阵将浮动图像点集进行整体变换以完成预配准。

26、可选地，步骤s400进一步包括：

27、步骤s400a，对所述规则的椭圆弧轮廓点集中的一个点qj为原点，建立极坐标系，统计所述规则的椭圆弧轮廓点集中的其他点相对于点qj的位置并归一化，形成统计直方图

28、步骤s400b，对所述规则的椭圆轮廓点集p进行如步骤s400a相同的操作计算构建统计直方图序列

29、步骤s400c，使用二分图匹配方，以直方图代价函数总和为标准，找到能使总代价最小的匹配方法，对两点集进行点集匹配成点对。

30、可选地，在步骤s5中，所述精配准使用迭代最近算法，在步骤s4预配准的基础上，使用步骤s1分割出的真实轮廓，以两组点集之间的平均距离为优化目标，不断迭代更新变换矩阵，使得迭代变化减小到一定阈值后，达到配准的状态。

31、为达到上述目的，本发明还提供一种超声图像配准装置，包括：

32、完整轮廓分割提取单元，用于获取患者腹部超声图像作为浮动图像，并基于训练好的网络模型提取所述浮动图像中的子宫肌瘤轮廓作为初始子宫肌瘤完整轮廓；

33、非完整轮廓获取单元，用于获取相应的腹部灰阶超声作为参考图像，并标注子宫肌瘤上边界，得到非完整轮廓；

34、拟合单元，用于将获得的子宫肌瘤完整轮廓和非完整轮廓拟合为规则几何轮廓；

35、预配准单元，用于使用点集形状描述方法描述所述拟合单元获得的规则几何轮廓，按照形状差异匹配规则将所述规则几何轮廓中的规则的椭圆轮廓匹配到规则的椭圆弧轮廓上；

36、精配准单元，用于使用点集形状描述方法描述初始子宫肌瘤完整轮廓与非完整轮廓，按照形状差异匹配初始子宫肌瘤完整轮廓点集与非完整轮廓点集并计算变换矩阵，以进行精配准。

37、为达上述目的，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述超声图像配准方法的步骤。

38、与现有技术相比，本发明一种超声图像配准方法、装置以及存储介质和电子设备，具有如下有益效果：

39、(1)本发明基于生成对抗网络训练基于深度学习的超声图像分割网络，该方法拟合能力强，可应用到质量较差的超声图像上；

40、(2)本发明直接使用分割方法提取配准子宫肌瘤轮廓，针对不同模态的图像训练适用不同模态的网络实现对子宫肌瘤的分割，进而进行下一步基于轮廓的图像配准，本发明适用于不同的成像模态；

41、(3)本发明可实现完整轮廓与非反正轮廓之间的匹配，进而配准解剖结构相同但是成像效果差异较大的图像；

42、(4)本发明能够克服现有的配准方法对初始位置敏感的问题，在任意位置处作为起始点头可以通过非完整轮廓与完整轮廓之间的点集匹配达到良好的配准效果。

43、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。