亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種圖像實時配準(zhǔn)方法及系統(tǒng)與流程

文檔序號:12273090閱讀:406來源:國知局
一種圖像實時配準(zhǔn)方法及系統(tǒng)與流程
本發(fā)明屬于圖像配準(zhǔn)領(lǐng)域,更具體地,涉及一種醫(yī)學(xué)圖像實時配準(zhǔn)方法及系統(tǒng)。
背景技術(shù)
:圖像配準(zhǔn)廣泛應(yīng)用于臨床醫(yī)學(xué)、航空遙感、公安刑偵等領(lǐng)域,圍繞該問題展開了大量而深入的研究。醫(yī)學(xué)圖像中有大量的2D-3D圖像配準(zhǔn)的問題,現(xiàn)行的2D-3D配準(zhǔn)方法基本可描述為:從不同的角度和位置獲得3D數(shù)據(jù)的切面圖,比較切面圖與實際的二維圖像,根據(jù)相似度最優(yōu)的原則,得到2D圖像在3D數(shù)據(jù)中的位置。根據(jù)以上分析,已有的2D-3D圖像配準(zhǔn),嚴(yán)格說是粗配準(zhǔn),主要采用的策略是接近窮舉的方法或輔助于人工交互,為提高計算效率,金字塔方法及GPU被采用,對金字塔策略而言,在高級別層上通過少量的計算,為后續(xù)匹配提供較小的搜索范圍;GPU的優(yōu)勢體現(xiàn)在數(shù)值計算方面,對邏輯性判斷較多的計算過程,其加速比是有限的。據(jù)報道,2D-3D圖像的配準(zhǔn)速度在2s~15s,GPU加速的情況下,配準(zhǔn)的速度在1s左右,距離實時性的要求還是有相當(dāng)?shù)牟罹?。因此,建立一種快速且無損的配準(zhǔn)方法具有十分重要的意義。技術(shù)實現(xiàn)要素:針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求,本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的2D-3D實時配準(zhǔn)方法,將卷及神經(jīng)網(wǎng)絡(luò)引入到配準(zhǔn)中,其目的在于模擬實際生物的神經(jīng)網(wǎng)絡(luò),通過其優(yōu)異的特征學(xué)習(xí)能力達(dá)到實時的2D-3D配準(zhǔn),由此解決現(xiàn)有技術(shù)配準(zhǔn)方法準(zhǔn)確性低、魯棒性低的技術(shù)問題。為實現(xiàn)上述目的,按照本發(fā)明的一個方面,提供了一種圖像實時配準(zhǔn)方法,其特征在于,包括以下步驟:(1)采集待配準(zhǔn)的2D圖像數(shù)據(jù);(2)將步驟(1)中獲得的待配準(zhǔn)的2D圖像數(shù)據(jù),輸入根據(jù)目標(biāo)3D圖像訓(xùn)練得到的配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),獲得所述2D圖像在所述目標(biāo)3D圖像中位置信息;所述位置信息包括待配準(zhǔn)2D圖像在目標(biāo)3D圖像坐標(biāo)系中的特征向量及與坐標(biāo)系原點的距離;所述特征向量為經(jīng)過坐標(biāo)系原點且垂直于所述2D圖像平面的向量,包括仰角和方位角兩個參數(shù)。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其步驟(1)所述待配準(zhǔn)的2D圖像數(shù)據(jù)與目標(biāo)3D圖像數(shù)據(jù)為同源數(shù)據(jù)。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其當(dāng)直接采集得到的2D圖像數(shù)據(jù)與目標(biāo)3D圖像數(shù)據(jù)為不同源數(shù)據(jù)時,步驟(1)包括以下子步驟:將直接采集得到的2D圖像數(shù)據(jù)轉(zhuǎn)換為與目標(biāo)3D圖像數(shù)據(jù)同源的2D圖像數(shù)據(jù),作為待配準(zhǔn)的2D圖像數(shù)據(jù)。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其所述根據(jù)目標(biāo)3D圖像訓(xùn)練得到的配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),按照如下方法獲?。?2-1)獲取目標(biāo)3D圖像;(2-2)抽取切面數(shù)據(jù):從步驟(2-1)中獲得的目標(biāo)3D圖像中抽取切面;(2-3)設(shè)置神經(jīng)網(wǎng)絡(luò)模型參數(shù);(2-4)根據(jù)步驟(2-2)中獲取的切面數(shù)據(jù)訓(xùn)練步驟(2-3)中獲得的神經(jīng)網(wǎng)絡(luò)參數(shù)模型,得到所述配準(zhǔn)用神經(jīng)網(wǎng)絡(luò)。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其步驟(2-2)所述切面滿足以下條件:θ∈[0,360);其中,l為所述目標(biāo)3D圖像數(shù)據(jù)中的長,w為所述目標(biāo)3D圖像數(shù)據(jù)中的寬,h為所述目標(biāo)3D圖像數(shù)據(jù)中的高。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其步驟(2-3)所述的神經(jīng)網(wǎng)絡(luò)模型優(yōu)選為卷積神經(jīng)網(wǎng)絡(luò)模型;所述卷積神經(jīng)網(wǎng)絡(luò)模型包括依次鏈接的卷積層、池化層、卷積層、池化層、全連接層、激勵層和全連接層。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其所述卷積神經(jīng)網(wǎng)絡(luò)其所述全連接層輸出為3,即待配準(zhǔn)2D圖像的特征向量仰角特征向量的方位角θ和與坐標(biāo)系原點的距離r。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其步驟(2-4)具體為:將步驟(2-2)中獲得的切面數(shù)據(jù)輸入步驟(2-3)中獲得的神經(jīng)網(wǎng)絡(luò)參數(shù)模型,設(shè)置訓(xùn)練解決方案參數(shù)并初始化網(wǎng)絡(luò)參數(shù),迭代更新權(quán)重,得到所述配準(zhǔn)用神經(jīng)網(wǎng)絡(luò)。優(yōu)選地,所述圖像實時配準(zhǔn)方法,其步驟(2-4)所述訓(xùn)練解決方案參數(shù)中學(xué)習(xí)率優(yōu)選設(shè)置為0.0001。按照本發(fā)明的另一方面,提供了一種圖像實時配準(zhǔn)系統(tǒng),包括:圖像采集模塊,用于采集待配準(zhǔn)的2D圖像數(shù)據(jù);配準(zhǔn)模塊,用于將圖像采集模塊獲得的待配準(zhǔn)的2D圖像數(shù)據(jù),輸入根據(jù)目標(biāo)3D圖像訓(xùn)練得到的配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),獲得所述2D圖像在所述目標(biāo)3D圖像中位置信息;所述位置信息包括待配準(zhǔn)2D圖像在目標(biāo)3D圖像坐標(biāo)系中的特征向量及與坐標(biāo)系原點的距離;所述特征向量為經(jīng)過坐標(biāo)系原點且垂直于所述2D圖像平面的向量,包括仰角和方位角兩個參數(shù)??傮w而言,通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比,能夠取得下列有益效果:1、將深度學(xué)習(xí)引入到2D-3D配準(zhǔn)的問題中,將2D與3D的對應(yīng)關(guān)系表達(dá)為一個深度卷積神經(jīng)網(wǎng)絡(luò),從理論上探索一種解決窮舉計算問題的策略,以達(dá)到實時配準(zhǔn)的目的。2、訓(xùn)練網(wǎng)絡(luò)的合理設(shè)計,為準(zhǔn)確訓(xùn)練提供了保障并且對結(jié)果優(yōu)化有著重要影響。3、解決方案參數(shù)的合理設(shè)置,在保證結(jié)果準(zhǔn)確的前提下進(jìn)一步縮短了網(wǎng)絡(luò)訓(xùn)練的時間。4、訓(xùn)練時調(diào)用GPU,大幅度提高了訓(xùn)練數(shù)據(jù)。附圖說明圖1本發(fā)明配準(zhǔn)流程圖;圖2抽取切面原理圖;圖3深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖;圖4待配準(zhǔn)的3D醫(yī)學(xué)數(shù)據(jù)圖;圖5待配準(zhǔn)的3D醫(yī)學(xué)數(shù)據(jù)中心處三個斷面圖像;圖6真實切面與測試切面絕對殘差圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白,以下結(jié)合附圖及實施例,對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解,此處所描述的具體實施例僅僅用以解釋本發(fā)明,并不用于限定本發(fā)明。此外,下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。一種圖像時是配準(zhǔn)方法,包括以下步驟:(1)采集待配準(zhǔn)的2D圖像數(shù)據(jù)。所述待配準(zhǔn)的2D圖像數(shù)據(jù)與目標(biāo)3D圖像數(shù)據(jù)為同源數(shù)據(jù),當(dāng)直接采集得到的2D圖像數(shù)據(jù)與目標(biāo)3D圖像數(shù)據(jù)為不同源數(shù)據(jù)時,將直接采集得到的2D圖像數(shù)據(jù)轉(zhuǎn)換為與目標(biāo)3D圖像數(shù)據(jù)同源的2D圖像數(shù)據(jù),作為待配準(zhǔn)的2D圖像數(shù)據(jù)。(2)將步驟(1)中獲得的待配準(zhǔn)的2D圖像數(shù)據(jù),輸入根據(jù)目標(biāo)3D圖像訓(xùn)練得到的配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),獲得所述2D圖像在所述目標(biāo)3D圖像中位置信息;所述位置信息包括待配準(zhǔn)2D圖像在目標(biāo)3D圖像坐標(biāo)系中的特征向量及與坐標(biāo)系原點的距離;所述特征向量為經(jīng)過坐標(biāo)系原點且垂直于所述2D圖像平面的向量,包括仰角和方位角兩個參數(shù)。所述根據(jù)目標(biāo)3D圖像訓(xùn)練得到的配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),按照如下方法獲?。?2-1)獲取目標(biāo)3D圖像;(2-2)抽取切面數(shù)據(jù):從步驟(2-1)中獲得的目標(biāo)3D圖像中抽取切面,所述切面的特征向量仰角特征向量的方位角θ和與坐標(biāo)系原點的距離r滿足以下條件:θ∈[0,360);其中,l為所述目標(biāo)3D圖像數(shù)據(jù)中的長,w為所述目標(biāo)3D圖像數(shù)據(jù)中的寬,h為所述目標(biāo)3D圖像數(shù)據(jù)中的高。(2-3)設(shè)置神經(jīng)網(wǎng)絡(luò)模型參數(shù);所述神經(jīng)網(wǎng)絡(luò)模型優(yōu)選為卷積神經(jīng)網(wǎng)絡(luò)模型;所述卷積神經(jīng)網(wǎng)絡(luò)模型包括依次鏈接的卷積層、池化層、卷積層、池化層、全連接層、激勵層和全連接層。所述全連接層輸出為3,即待配準(zhǔn)2D圖像的特征向量仰角特征向量的方位角θ和與坐標(biāo)系原點的距離r。(2-4)根據(jù)步驟(2-2)中獲取的切面數(shù)據(jù)訓(xùn)練步驟(2-3)中獲得的神經(jīng)網(wǎng)絡(luò)參數(shù)模型,得到所述配準(zhǔn)用神經(jīng)網(wǎng)絡(luò)。將步驟(2-2)中獲得的切面數(shù)據(jù)輸入步驟(2-3)中獲得的神經(jīng)網(wǎng)絡(luò)參數(shù)模型,設(shè)置訓(xùn)練解決方案參數(shù)并初始化網(wǎng)絡(luò)參數(shù),迭代更新權(quán)重,得到所述配準(zhǔn)用神經(jīng)網(wǎng)絡(luò)。所述訓(xùn)練解決方案參數(shù)中學(xué)習(xí)率優(yōu)選設(shè)置為0.0001,即每訓(xùn)練10000次學(xué)習(xí)率下降為原學(xué)習(xí)率的1/10,動量momentum設(shè)為0.9,權(quán)值衰減懲罰項weight_decay設(shè)為0.00003。為了方便觀察訓(xùn)練過程中的網(wǎng)絡(luò)變化,設(shè)置每100次顯示一次loss值,每500次測試一次,每1000次保存一次網(wǎng)絡(luò)結(jié)構(gòu)。以下為實施例:實施例1(1)采集待配準(zhǔn)的2D圖像數(shù)據(jù)。待配準(zhǔn)的2D圖像為CT數(shù)據(jù)。(2)將步驟(1)中獲得的待配準(zhǔn)的2D圖像數(shù)據(jù),輸入根據(jù)目標(biāo)3D圖像訓(xùn)練得到的配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),獲得所述2D圖像在所述目標(biāo)3D圖像中位置信息;所述位置信息包括待配準(zhǔn)2D圖像在目標(biāo)3D圖像坐標(biāo)系中的特征向量及與坐標(biāo)系原點的距離;所述特征向量為經(jīng)過坐標(biāo)系原點且垂直于所述2D圖像平面的向量,包括仰角和方位角兩個參數(shù)。所述根據(jù)目標(biāo)3D圖像訓(xùn)練得到的配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),按照如下方法獲?。?2-1)獲取目標(biāo)3D圖像;(2-2)抽取切面數(shù)據(jù):從步驟(2-1)中獲得的目標(biāo)3D圖像中抽取切面,所述切面的特征向量仰角特征向量的方位角θ和與坐標(biāo)系原點的距離r滿足以下條件:θ∈[0,360);其中,l為所述目標(biāo)3D圖像數(shù)據(jù)中的長,w為所述目標(biāo)3D圖像數(shù)據(jù)中的寬,h為所述目標(biāo)3D圖像數(shù)據(jù)中的高。(2-3)設(shè)置神經(jīng)網(wǎng)絡(luò)模型參數(shù);所述神經(jīng)網(wǎng)絡(luò)模型優(yōu)選為卷積神經(jīng)網(wǎng)絡(luò)模型;所述卷積神經(jīng)網(wǎng)絡(luò)模型包括依次鏈接的卷積層、池化層、卷積層、池化層、全連接層、激勵層和全連接層。所述全連接層輸出為3,即待配準(zhǔn)2D圖像的特征向量仰角特征向量的方位角θ和與坐標(biāo)系原點的距離r。參數(shù)設(shè)置為:訓(xùn)練塊小為32,測試塊大小為16,第一個卷積層模板大小設(shè)置為10×9×9,第一個池化層尺寸為3,第二個卷積層模板大小設(shè)置為5×7×7,第二個池化層尺寸為4,第一個全連接層輸出為200,激勵層采用ReLU,最后一個全連接層輸出為3。殘差由歐幾里得距離產(chǎn)生,采用隨機梯度下降法進(jìn)行權(quán)重的優(yōu)化迭代。(2-4)根據(jù)步驟(2-2)中獲取的切面數(shù)據(jù)訓(xùn)練步驟(2-3)中獲得的神經(jīng)網(wǎng)絡(luò)參數(shù)模型,得到所述配準(zhǔn)用神經(jīng)網(wǎng)絡(luò)。將步驟(2-2)中獲得的切面數(shù)據(jù)輸入步驟(2-3)中獲得的神經(jīng)網(wǎng)絡(luò)參數(shù)模型,設(shè)置訓(xùn)練解決方案參數(shù)并初始化網(wǎng)絡(luò)參數(shù),迭代更新權(quán)重,得到所述配準(zhǔn)用神經(jīng)網(wǎng)絡(luò)。設(shè)置學(xué)習(xí)率為0.0001,每訓(xùn)練10000次學(xué)習(xí)率下降為原學(xué)習(xí)率的1/10,動量momentum設(shè)為0.9,權(quán)值衰減懲罰項weight_decay設(shè)為0.00003。為了方便觀察訓(xùn)練過程中的網(wǎng)絡(luò)變化,設(shè)置每100次顯示一次loss值,每500次測試一次,每1000次保存一次網(wǎng)絡(luò)結(jié)構(gòu)。測試所述配準(zhǔn)用神經(jīng)網(wǎng)絡(luò),評價配準(zhǔn)的準(zhǔn)確性以及魯棒性,具體如下:選取loss值盡可能小的一個網(wǎng)絡(luò)結(jié)構(gòu),運用測試數(shù)據(jù)兩種進(jìn)行測試。第:1種測試為:將測試數(shù)據(jù)輸入網(wǎng)絡(luò),得到的標(biāo)簽值與測試數(shù)據(jù)的真實標(biāo)簽值作對比,我們認(rèn)為誤差在一定范圍內(nèi)是滿足條件的;第2種測試為:將測試數(shù)據(jù)輸入網(wǎng)絡(luò),得到一組標(biāo)簽值,將以此組標(biāo)簽值得到的切面圖像與測試圖像進(jìn)行對比。表1展示了第一種測試的結(jié)果,圖6和表2展示了第二種測試的結(jié)果。測試1:表1表示3個標(biāo)簽的測試值與真實值的絕對值誤差同時滿足在同一個范圍內(nèi)時的準(zhǔn)確率(測試圖像為598幅):表1標(biāo)簽誤差與準(zhǔn)確率關(guān)系表誤差值準(zhǔn)確率290.47%397.66%499.00%599.67%699.83%7100%8100%訓(xùn)練數(shù)據(jù)采樣間隔為5,上表可以看出誤差滿足小于等于5時,準(zhǔn)確率可以達(dá)到98.05%,因此我們認(rèn)為準(zhǔn)確率小于等于采樣間隔時滿足我們配準(zhǔn)的需求。同時,在普通個人電腦上,配準(zhǔn)過程小于10ms(配準(zhǔn)過程無GPU加速),完全滿足實時性的要求。測試2:將一張測試的真實圖像作為輸入圖像,得到的標(biāo)簽值分別為(23.40707416.62757179.137238),由標(biāo)簽值可以得到對應(yīng)的切面估計圖像,圖6standard為估計圖像與輸入圖像的絕對誤差圖。圖6(a)-(f)分別表示6中不同標(biāo)簽得到的估計圖像與輸入圖像的絕對誤差圖。為了方便查看,我們將絕對誤差圖進(jìn)行了數(shù)值翻轉(zhuǎn)。表2展示了圖6的估計圖像的標(biāo)簽值和對應(yīng)絕對誤差圖翻轉(zhuǎn)前MSE:表2估計圖像標(biāo)簽值與絕對誤差MSE表圖6和表2可以很明顯的看出,我們得到的標(biāo)簽值對應(yīng)的估計圖像與原始圖像最為接近,因此也驗證我們方法的正確性。本領(lǐng)域的技術(shù)人員容易理解,以上所述僅為本發(fā)明的較佳實施例而已,并不用以限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3 
當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1