一种面向脊柱手术的术前影像多模态重建方法

本发明提供一种面向脊柱手术的术前影像多模态重建方法，属于医学影像处理。

背景技术：

1、在对脊柱进行成像时，ct和核磁是主要的成像手段，ct影像对骨头的成像效果较好，而核磁对软组织(椎间盘、神经根)的成像效果较好，在医生实际参考的时候，需要来回看片子，相对位置容易出现看错位的情况。

2、cn202110690088.4提供一种脊柱配准方法、装置、设备及计算机存储介质，研究对象也是ct和核磁影像的配准融合，但他采用深度学习方法，搭建了卷积神经网络模型来实现脊柱配准。因为该发明用的是深度学习方法来直接生成形变场(作用类似于下文说的“转换矩阵”)，所以该发明需要大量影像数据去训练，并且需要人工对影像数据进行标注工作，费时费力。生成形变场的方式更适合于非刚性配准，对于脊柱来说，软硬组织的形状和结构一致性较高，刚性配准更为适合，参数更少。由于深度学习方法的不确定性，难以保证算法可靠，通俗点来说就是这种方法偶然性比较大，需要通过不断调参来达到很好的效果。深度学习方法对硬件条件要求高，训练过程需要用到计算能力强大的显卡，并不是每个实验室/研究团队都能满足这个硬件需求。

技术实现思路

1、针对上述技术问题，本发明提供一种面向脊柱ct和核磁影像的多模态重建方法，旨在为医生提供融合多源信息的三维模型，节省医生时间，提高医生诊断效率。本发明弥补缺少脊柱多模态影像重建的缺点，在无需建立数据集的情况下实现影像配准-融合-重建全流程，克服深度学习方法的需要数据量大的困难。

2、本发明做的影像重建工作是在术前完成的，因此只要是和脊柱相关的手术，本发明都具有适用性。

3、具体技术方案为：

4、一种面向脊柱手术的术前影像多模态重建方法，包括以下步骤：

5、步骤1、通过阈值分割方法对患者的脊柱ct影像进行分割，得到患者锥体的三维模型；

6、步骤2、通过深度学习方法对患者的脊柱核磁影像进行分割，得到患者椎间盘、神经根的三维模型；

7、步骤3、通过对ct和核磁影像中相同解剖结构进行选点操作，实现特征点提取；

8、步骤4、求解上述特征点之间的转换矩阵，利用ransac算法对转换矩阵的参数进行拟合，得到两组特征点坐标之间的相对位置关系；将转换矩阵应用到初始分割结果，使得ct和核磁影像数据的坐标系统一，实现了ct和核磁数据的配准，得到结合了ct和核磁影像的多模态融合结果；

9、步骤5、使用光线投射算法对融合结果进行三维重建，得到患者脊柱的三维可视化模型。

10、进一步的，步骤2中，使用spineparsenet模型对核磁影像进行分割，得到患者的软组织的三维模型。

11、步骤3具体实现方法为：选定特征明显的多个解剖结构，分别记录该结构在ct影像与核磁影像中对应点的坐标。

12、采用本发明提供的方法，医生在拿到ct和核磁影像数据后，通过简单的选点操作能够快速获得患者脊柱的三维模型，为后续对病情诊断提供支持。

技术特征：

1.一种面向脊柱手术的术前影像多模态重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种面向脊柱手术的术前影像多模态重建方法，其特征在于，步骤1中，使用spineparsenet模型对核磁影像进行分割，得到患者的软组织的三维模型。

3.根据权利要求1所述的一种面向脊柱手术的术前影像多模态重建方法，其特征在于，步骤3具体实现方法为：选定特征明显的多个解剖结构，分别记录该结构在ct影像与核磁影像中对应点的坐标。

技术总结
本发明提供一种面向脊柱手术的术前影像多模态重建方法，通过阈值分割方法对脊柱CT影像进行分割，得到患者锥体的三维模型；通过深度学习方法对患者的脊柱核磁影像进行分割，得到患者椎间盘、神经根的三维模型；通过对CT和核磁影像中相同解剖结构进行选点操作，实现特征点提取；求解特征点之间的转换矩阵，利用RANSAC算法对转换矩阵的参数进行拟合，得到两组特征点坐标之间的相对位置关系；将转换矩阵应用到初始分割结果，使得CT和核磁影像数据的坐标系统一，得到结合了CT和核磁影像的多模态融合结果；使用光线投射算法对融合结果进行三维重建，得到患者脊柱的三维可视化模型。本发明通过简单的选点操作能够快速获得患者脊柱的三维模型。

技术研发人员：段星光,陈文欣,朱小龙,谢东升,田焕玉,韩哲
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2024/1/15