本发明涉及智慧医疗,尤其涉及一种基于医学图像分割和特征匹配的前列腺超声矫正方法。
背景技术:
1、近年来,前列腺癌的发病率持续升高,成为威胁老年男性健康的重要疾病,因此,对于前期检查来说,前列腺的准确诊断尤为重要。对于这种高发性的癌症,医疗领域比较常用的检查方法是使用超声检查等手段进行判断,传统超声图像是二维的,人体组织是三维的,所以,临床医生需要自己按照经验整合多个二维断面图像,以重构出组织的三维结构。而在当下,三维重建技术随着技术的发展和操作较为简便的软件不断开发问世,在临床上的应用越来越广泛,在三维重建技术的帮助下,术前对前列腺的解剖形态结构和清晰的认知,能够帮助筛选合适的患者接受手术治疗。
2、现有技术中,实现三维重建的主要方法,分为深度图像获取、预处理、点云计算、点云匹配、数据融合、表面生成等步骤。但目前的三维重建技术的缺点主要为动态性能较差、抗干扰能力弱等,具体表现为在前列腺的超声图像的采集过程中,由于目标器官本身不是完全静止的,使得采集过程中不可避免地会出现因为超声成像中器官位移而产生的失真,同时,超声图像采集使用的探测仪器也会因为人为运动,同样会造成失真。因此现有的三维重建技术得到的图像结果并不正确,从而需要多次采样,不断地调整探头才能采样到足够的信息,同时,整个过程处理时间长,诊断结果取决于医生的扫描水平与诊断经验,更加不利于医生做出正确的诊断。因此,探索和研究一种新的图像诊断方法是亟有必要的。
技术实现思路
1、本发明旨在解决现有技术在医学三维重建的过程中耗时长、失真率高的技术问题。
2、为解决上述技术问题,具体的,本发明实施例提供一种基于医学图像分割和特征匹配的前列腺超声矫正方法,所述前列腺超声矫正方法,包括以下步骤:
3、s1、获取前列腺的超声图像信息,并对所述超声图像信息进行预处理,所述超声图像信息包括图像信息和位置深度信息;
4、s2、构建用于医学图像分割的神经网络模型;
5、s3、在所述神经网络模型的基础上,加入多任务学习方法,对所述神经网络模型进行训练,并将所述超声图像信息输入所述神经网络模型,获取超声分割图像;
6、s4、基于对极几何约束法对所述超声分割图像进行矫正,得到矫正图像;
7、s5、利用所述矫正图像和所述位置深度信息进行三维重建,输出得到超声矫正结果。
8、更进一步地,步骤s1中,对所述超声图像信息进行预处理的方法具体为:
9、使用拉普拉斯算子法对所述图像信息进行增强处理。
10、更进一步地,步骤s2中,所述神经网络模型基于3d-unet模型,所述3d-unet模型包括含有下采样层的特征提取网络和包含上采样层的特征融合网络,所述3d-unet模型满足:
11、s1=w×x+b;
12、
13、
14、x=relu(s3);
15、其中,x为全连接层的输入层,x为输出层,权重参数和偏差参数分别为w和b,激活函数为relu函数,μ为小批量均值,σ2为方差,γ为拉伸参数,β为偏移参数,s1、s2、s3均为中间变量。
16、更进一步地,步骤s3中,在所述神经网络模型的基础上,加入多任务学习方法的步骤,具体为:
17、在所述3d-unet模型后增加前列腺轮廓输出层和目标病灶输出层,所述前列腺轮廓输出层和所述目标病灶输出层使用相同的所述特征提取网络和所述特征融合网络,并使用不同的输出层。
18、更进一步地,定义所述图像信息为p,所述位置深度信息d,所述前列腺轮廓输出层的输出为pol,所述目标病灶输出层的输出为pfz,所述前列腺轮廓输出层的输出和所述目标病灶输出层的输出的并集总轮廓为pseg,步骤s4具体为:
19、获取第a帧以及第a+1帧对应的前列腺轮廓的相似特征像素点p1、p2;
20、基于所述对极几何约束法表示所述像素点的位置,且满足:
21、s1p1=kp;
22、s2p2=k(rp+t);
23、其中,r为旋转矩阵,t为平移向量;
24、基于简化的所述对极几何约束法构建关系式:
25、e=t^r,f=k-tekt,
26、其中,e为本质矩阵,f为基本矩阵,k为相机内参,x1和x2分别是所述像素点在归一化平面上的坐标;
27、基于ransac算法计算最优匹配点,并基于所述对极几何约束法求解所述本质矩阵e和所述基本矩阵f,以及所述旋转矩阵r和所述平移向量t,并基于所述旋转矩阵r和所述平移向量t将所述并集总轮廓为pseg的坐标进行矫正,得到具有矫正坐标的所述矫正图像pseg_cor。
28、更进一步地,步骤s5具体为:
29、基于四阶贝塞尔曲线插值算法对所述矫正图像pseg_cor进行处理,调整所述矫正图像pseg_cor的三维空间坐标;
30、采用距离加权算法对所述矫正图像pseg_cor中的重叠像素进行像素平滑处理,并输出完成平滑处理的所述超声矫正结果。
31、本发明所达到的有益效果:
32、一、基于本发明提供的基于医学图像分割和特征匹配的前列腺超声矫正方法,在超声图像进行特征提取前基于拉普拉斯算子增强法进行预处理,可以消除不同超声仪器和超声采样方法对分割算法造成的影响,提高系统的准确性;
33、二、采用了矫正算法,增加了系统整体的稳定性和准确性,减小了超声检测过程中的造成的误差,增强了抗干扰能力;
34、三、在三维重建的插值算法中使用了四阶贝塞尔曲线插值法,能够提高重建精度;
35、四、基于多任务学习的网络结构,能够在同一重建过程中同时重建出前列腺及其病灶,相比现有技术使用时间更少,三维重建效果更加直观。
1.一种基于医学图像分割和特征匹配的前列腺超声矫正方法,其特征在于,所述前列腺超声矫正方法,包括以下步骤:
2.如权利要求1所述的基于医学图像分割和特征匹配的前列腺超声矫正方法,其特征在于,步骤s1中,对所述超声图像信息进行预处理的方法具体为:
3.如权利要求1所述的基于医学图像分割和特征匹配的前列腺超声矫正方法,其特征在于,步骤s2中,所述神经网络模型基于3d-unet模型,所述3d-unet模型包括含有下采样层的特征提取网络和包含上采样层的特征融合网络,所述3d-unet模型满足:
4.如权利要求3所述的基于医学图像分割和特征匹配的前列腺超声矫正方法,其特征在于,步骤s3中,在所述神经网络模型的基础上,加入多任务学习方法的步骤,具体为:
5.如权利要求4所述的基于医学图像分割和特征匹配的前列腺超声矫正方法,其特征在于,定义所述图像信息为p,所述位置深度信息d,所述前列腺轮廓输出层的输出为pol,所述目标病灶输出层的输出为pfz,所述前列腺轮廓输出层的输出和所述目标病灶输出层的输出的并集总轮廓为pseg,步骤s4具体为:
6.如权利要求5所述的基于医学图像分割和特征匹配的前列腺超声矫正方法,其特征在于,步骤s5具体为: