一种基于机器学习的心脏CT图像几何校准方法及系统

本发明涉及计算机断层扫描(ct)领域，特别涉及一种基于机器学习的心脏ct图像几何校准方法及系统。

背景技术：

1、随着科学技术的不断发展，计算机断层扫描(computed tomography,ct)逐渐被用于人体运动器官或组织的成像。其中，心脏是人体运动频率最高的器官之一，其通常以60至100次/分钟的频率不断跳动，导致各角度重建获得的ct扫描图像存在较大的运动伪影。

2、现有技术中，为抑制运动伪影，临床上通常采用心脏门控技术选择心脏运动相对平稳时刻扫描得到的ct扫描数据进行重建，从而得到心脏图像。

3、但是，由于受制于ct探测器排数、转速以及高心率患者的限制，常常无法在同一个心动周期内完成对整个心脏的扫描，导致所获得的ct图像可能会受心脏跳动的影响使得重建得到的心脏外形与实际心脏外形不相符，从而影响临床医生对患者特异性解剖结构的观察以病情诊断，因其与实际心脏外形不相符，进而影响其图像校准方法的准确性。

技术实现思路

1、本发明实施例提供一种基于机器学习的心脏ct图像几何校准方法及系统，可以解决现有技术中，存在无法对心脏动态扫描ct图像准确校准的问题。

2、本发明实施例提供一种基于机器学习的心脏ct图像几何校准方法，包括以下步骤：在心脏体外动态模拟实验平台上获取不同扫描参数和心率下的心脏ct动态扫描图像，并将其作为待校准图像数据库；

3、获取与心脏ct动态扫描图像期相一致的ct机静态扫描获得的心脏ct图像或高速摄影仪对心脏模型进行多方位拍摄的二维图像，将其作为标准图像数据库；

4、当ct机静态扫描获得的心脏ct图像作为标准图像数据库时，通过待校准图像数据库训练第一基于机器学习的心脏ct图像几何校准模型；并将待校准心脏原始ct图像输入第一基于机器学习的心脏ct图像几何校准模型中，获得校准后的心脏ct图像；

5、其中，所述第一基于机器学习的心脏ct图像几何校准模型包括：相互连接的多模态自编码器与解码器；

6、当高速摄影仪对心脏模型进行多方位拍摄的二维图像作为标准图像数据库时，通过待校准图像数据库训练第二基于机器学习的心脏ct图像几何校准模型；并将待校准心脏动态扫描ct图像输入第二基于机器学习的心脏ct图像几何校准模型后输出三维校正向量场，将三维校正向量场叠加在待校准心脏ct动态扫描图像后获得校准后的心脏ct图像；

7、其中，所述第二基于机器学习的心脏ct图像几何校准模型的构建包括：

8、根据待校准图像数据库自动重建待校正的心脏三维几何模型，并根据标准图像数据库自动重建标准的心脏三维几何模型，构建出基于深度学习的三维自动重建模型；

9、对待校准的心脏三维几何模型和标准的心脏三维几何模型进行空间配准，构建出基于深度学习的几何配准模型；

10、将待校准的心脏三维几何模型和配准后的标准的心脏三维几何模型输入多模态自编码器与解码器构成的无监督机器学习模型中，获得三维校正向量场，构建出基于机器学习的三维校正模型。

11、进一步地，所述基于深度学习的三维自动重建模型具体包括：3d unet、vnet，gan深度学习模型。

12、进一步地，所述待校准图像数据库获得的方式，是由若干不同参数下心电门控技术辅助获得的心脏ct动态扫描图像所构建的。

13、进一步地，所述参数包括：ct排数、扫描速度及心率。

14、进一步地，所述ct机静态扫描获得的心脏ct图像或高速摄影仪对心脏模型进行多方位拍摄的二维图像，其形成的标准图像数据库能够准确反映心脏真实跳动下的形态。

15、本发明实施例提供一种基于机器学习的心脏ct图像几何校准系统，包括：第一数据单元，用于在心脏体外动态模拟实验平台上获取不同扫描参数和心率下的心脏ct动态扫描图像，并将其作为待校准图像数据库；

16、第二数据单元，用于获取与心脏ct动态扫描图像期相一致的ct机静态扫描获得的心脏ct图像或高速摄影仪对心脏模型进行多方位拍摄的二维图像，将其作为标准图像数据库；

17、第一模型单元，当ct机静态扫描获得的心脏ct图像作为标准图像数据库时，通过待校准图像数据库训练第一基于机器学习的心脏ct图像几何校准模型；并将待校准心脏原始ct图像输入第一基于机器学习的心脏ct图像几何校准模型中，获得校准后的心脏ct图像；其中，所述第一基于机器学习的心脏ct图像几何校准模型包括：相互连接的多模态自编码器与解码器；

18、第二模型单元，当高速摄影仪对心脏模型进行多方位拍摄的二维图像作为标准图像数据库时，通过待校准图像数据库训练第二基于机器学习的心脏ct图像几何校准模型；并将待校准心脏动态扫描ct图像输入第二基于机器学习的心脏ct图像几何校准模型后输出三维校正向量场，将三维校正向量场叠加在待校准心脏ct动态扫描图像后获得校准后的心脏ct图像；其中，所述第二基于机器学习的心脏ct图像几何校准模型的构建包括：根据待校准图像数据库自动重建待校正的心脏三维几何模型，并根据标准图像数据库自动重建标准的心脏三维几何模型，构建出基于深度学习的三维自动重建模型；对待校准的心脏三维几何模型和标准的心脏三维几何模型进行空间配准，构建出基于深度学习的几何配准模型；将待校准的心脏三维几何模型和配准后的标准的心脏三维几何模型输入多模态自编码器与解码器构成的无监督机器学习模型中，获得三维校正向量场，构建出基于机器学习的三维校正模型。

19、本发明实施例提供一种基于机器学习的心脏ct图像几何校准方法及系统，与现有技术相比，其有益效果如下：

20、本发明针对心脏ct图像普遍存在的由心脏跳动带来的伪影问题，提出了一种基于机器学习的心脏ct图像几何校准方法，通过待校准图像数据库训练第一与第二基于机器学习的心脏ct图像几何校准模型，获得校准后的心脏ct图像。从而实现心脏动态扫描ct图像的快速、准确几何校准，使得校准后的心脏ct图像能够真实反映心脏的几何形态，通过输入患者个体化心脏ct动态扫描图像即可获得校准后的真实图像，为临床医生提供更加可靠和精确的跳动心脏的无运动伪影的真实图像以进行病情诊断和治疗决策。

21、搭建的心脏体外动态模拟实验平台能够真实模拟人体心脏跳动，通过采用与人体心脏密度相近的弹性材料3d打印心脏模型，使其hu值与人体真实心脏的hu值彼此接近。

22、利用心电门控技术获取包括ct排数、扫描速度以及心率参数下的心脏ct动态扫描图像，从而构建的待校准图像数据库能够基本涵盖心脏ct临床检查。ct机静态扫描获得的心脏ct图像或高速摄影仪对心脏模型进行多方位拍摄的二维图像，所形成的标准图像数据库能够准确反映心脏真实跳动下的形态。

技术特征：

1.一种基于机器学习的心脏ct图像几何校准方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于机器学习的心脏ct图像几何校准方法，其特征在于，所述基于深度学习的三维自动重建模型具体包括：3d unet、vnet，gan深度学习模型。

3.如权利要求1所述的一种基于机器学习的心脏ct图像几何校准方法，其特征在于，所述待校准图像数据库获得的方式，是由若干不同参数下心电门控技术辅助获得的心脏ct动态扫描图像所构建的。

4.如权利要求3所述的一种基于机器学习的心脏ct图像几何校准方法，其特征在于，所述参数包括：ct排数、扫描速度及心率。

5.如权利要求1所述的一种基于机器学习的心脏ct图像几何校准方法，其特征在于，所述ct机静态扫描获得的心脏ct图像或高速摄影仪对心脏模型进行多方位拍摄的二维图像，其形成的标准图像数据库能够准确反映心脏真实跳动下的形态。

6.一种基于机器学习的心脏ct图像几何校准系统，其特征在于，包括：

技术总结
本发明公开了一种基于机器学习的心脏CT图像几何校准方法及系统，涉及计算机断层扫描(CT)领域，包括以下步骤：搭建心脏体外动态模拟实验平台；将若干不同扫描参数及心率参数输入实验平台，获取心脏CT动态扫描图像作为待校准图像数据库；使用静态扫描或高速摄影仪对实验平台进行扫描或拍摄，获取与心脏CT动态扫描图像期一致的标准图像数据库；构建基于机器学习的心脏CT图像几何校准模型，将待校准图像数据库与标准图像数据库送入心脏CT几何校准模型进行训练及验证；获取训练好的心脏CT图像几何校准模型，输入患者个体化心脏CT动态扫描图像即可获得校准后的真实CT图像。本发明能够实现心脏动态扫描CT图像的快速、准确校准。

技术研发人员：朱光宇,杨婷婷
受保护的技术使用者：西安交通大学
技术研发日：
技术公布日：2024/1/25