CN117422647A - 一种基于机器学习的心脏ct图像几何校准方法及系统 - Google Patents

Abstract

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。

Description

一种基于机器学习的心脏CT图像几何校准方法及系统

技术领域

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

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。

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。

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。

发明内容

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。

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；

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；

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；

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。

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。

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。

进一步地，所述参数包括：CT排数、扫描速度及心率。

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。

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；

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；

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；

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。

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：

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。

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。

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。

附图说明

图1为本发明实施例提供的一种基于机器学习的心脏CT图像几何校准方法及系统示意图；

图2为本发明实施例提供的一种基于机器学习的心脏CT图像几何校准方法及系统校准模型(标准图像数据库由静态扫描获得)；

图3为本发明实施例提供的一种基于机器学习的心脏CT图像几何校准方法及系统校准模型(标准图像数据库由高速摄影仪获得)。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

参见图1～3，本发明实施例提供了一种基于机器学习的心脏CT图像几何校准方法及系统，该基于机器学习的心脏CT图像几何校准方法及系统包括以下步骤：搭建心脏体外动态模拟实验平台。利用心电门控技术获取若干不同扫描参数及心率下的心脏CT动态扫描图像作为待校准图像数据库。利用静态扫描或高速摄影仪获取与心脏CT动态扫描图像期相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，利用待校准图像数据库以及相关参数作为样本，利用与心脏CT动态扫描图像期相一致的标准图像数据库作为标签，对心脏CT几何校准模型进行训练及验证。其改进在于，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。

进一步地，心脏体外动态模拟实验平台包括CT机、心脏模拟装置，控制心脏模拟装置运动的控制器。改进在于，心脏模型采用与人体心脏密度相近的弹性材料3D打印而成，使得所述心脏模型中的每个部位的HU值与人体真实心脏的HU值彼此接近。

进一步地，待校准图像数据库是由若干不同扫描参数及心率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。改进在于，参数包括但不限于CT排数及扫描速度。

进一步地，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；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；

进一步地，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；

进一步地，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。

进一步地，第一、第二基于机器学习的心脏CT图像几何校准模型构建完成后，利用待校准图像数据库作为样本，利用标准图像数据库作为标签，将样本与标签输入基于机器学习的心脏CT图像几何校准模型进行训练，最终期待从训练好的心脏CT图像几何校准模型中获得的输出结果是与所述标签相符的标准图像。

进一步地，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动态扫描图像获得校准后的真实CT图像。

进一步地，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，能够快速准确地消除伪影，使得校准后的心脏CT图像能够真实反映心脏的几何形态，为临床医生提供更加可靠和精确的患者特异性解剖信息以进行病情诊断和治疗决策。

进一步地，本发明所构建的待校准图像数据库是由若干不同参数下心电门控技术辅助获得的心脏CT动态扫描图像所组成的,能够基本涵盖心脏CT临床检查。所构建的标准图像数据库是在动态扫描起始时刻保持心脏模型不发生任何形变下利用CT机静态扫描获得的心脏CT图像，或在动态扫描起始时刻利用高速摄影仪通过对心脏模型进行多方位拍摄的二维图像，能够准确反映心脏真实跳动下的形态。所构建的基于机器学习的心脏CT图像几何校准模型能够快速实现心脏动态扫描CT图像的快速几何校准，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。

一个具体实施例如下：

首先，搭建心脏体外动态模拟实验平台。

其次，构建待校准图像数据库，构建方式为获取若干不同扫描参数及心率等参数下的心脏CT动态扫描图像作为待校准图像数据库。

然后，构建标准图像数据库，构建方式为利用静态扫描或高速摄影仪获取与心脏CT动态扫描图像期相一致的标准图像数据库。

接着，构建基于机器学习的心脏CT图像几何校准模型，利用待校准图像数据库以及相关参数作为样本，利用与心脏CT动态扫描图像期相一致的对应的标准图像数据库作为标签，对心脏CT几何校准模型进行训练及验证。

最后，得到的校准后的心脏CT图像能够真实反映心脏的几何形态，使得整个方法能够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。

本发明的目的在于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，搭建心脏体外动态模拟实验平台以获取待校准的心脏CT动态扫描图像数据集，以及由静态扫描或高速摄影仪获取的标准图像数据集，利用基于机器学习的心脏CT图像几何校准模型实现心脏动态扫描CT图像的快速、准确校准。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

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：

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；

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；

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；

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。

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：

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；

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；

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；

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。