一种肋骨可视化方法、识别方法及计算机可读存储介质与流程

本发明涉及ct扫描技术领域，尤其是一种肋骨可视化方法、识别方法及计算机可读存储介质。

背景技术：

计算机断层扫描(ct)是检测肋骨骨折和癌症的肋骨转移的主要方法。一般基于计算机断层扫描图像进行诊断的方法分为二维和三维两种，常规的二维方法需要手动追踪多个切片，传统的三维可视化方法在诊断时需要对图像进行旋转观察从而避免肋骨遮挡的影响，肋骨解剖形态独特，每一根肋骨自后上至前下，需要对多个ct横断面进行反复观察，依次完成对左右两侧逐一肋骨的评价，因此不管是二维方法还是三维方法，对肋骨ct图像的检查都相当耗时，且由于肋骨特殊的结构和位置，ct对轻微及不全肋骨病变容易漏诊，这更增加了诊断的难度。

为了降低医生阅读ct图像的难度，现有技术中一般通过后处理方法提高诊断效率，现有后处理方法包括：

1、mpr,对容积扫描所得图像数据进行重组，得到冠状位、矢状位以及任意斜位的二维重建图像，可以从不同方位、不同角度、任意平面进行细致和准确观察骨折情况，达到切线观察骨折的效果；但是mpr方法不能从整体观察肋骨结构，不利于肋骨病变的计数和定位。

2、vr，对容积扫描所得图像数据进行三位重建，可以多方位、多角度旋转，能得到干净、清晰、层次分明、立体直观的肋骨图像，完全显示胸廓肋骨解剖学关系；vr对操作精度和数据精度要求较高，三维重建图像的伪影，如运动伪影等容易造成误诊，旋转角度欠佳以及肋骨遮挡，阈值选择不合理等原因也导致隐匿性病变显示不清。

3、借助西门子公司的unfolddisplay软件，利用ct薄层数据通过与内置模板匹配确定所有肋骨的中心线，通过沿中心线的cpr重组技术获得拉伸后的胸廓图像；但是unfolddisplay软件需要对肋骨中心线提取，中心线提取精度容易受图像噪声、伪影、邻近的骨组织和严重病变的影响，提取精度不够导致展开的肋骨数量较少和扭曲，影响病变的诊断率。

从上述分析可知，现有的对ct图像的后处理方法，都不能很好的提供高精度的ct图像后处理结果供医生参考。

技术实现要素：

发明目的：为弥补现有技术的不足，本发明提出一种肋骨可视化方法、识别方法及计算机可读存储介质。

技术方案：为实现上述目的，本发明提出的技术方案为：

一种肋骨可视化方法，包括步骤：

（1）获取胸部ct扫描图像；

（2）对每一层胸部ct扫描图像进行坐标系变换：将胸部ct扫描图像中的肋骨横断面近似为椭圆，建立以椭圆的质心为原点、长轴为横轴、短轴为纵轴的直角坐标系xoy；以椭圆的质心为原点建立极坐标系，将原图像中属于肋骨结构的像素点逐一映射到坐标系中，原图像中任意一个像素点a与其在坐标系中的映射点之间的映射的关系为：

其中，表示原图像中像素点a的像素值，表示像素点a在原图像的坐标；表示像素点a的映射点的像素值，表示映射点的坐标，为短轴与长轴之比；

（3）对每一层椭圆变换后的图像，沿着角度方向求图像的最大值，把每一层最大值的结果合并显示即为展开结果。

一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现所述的肋骨可视化方法。

一种肋骨识别方法，包括步骤：

收集胸部ct数据，采用所述的胸部ct扫描图像中肋骨展开方法对收集来的胸部ct数据进行展开，得到肋骨结构2d图像；

在肋骨结构2d图像上添加标记：标记出不同位置的肋骨轮廓坐标和每根肋骨的类别；

将添加标记后的肋骨结构2d图像作为训练样本输入预先构建好的神经网络，训练神经网络直至损失函数的值满足阈值条件；

通过训练好的神经网络对新输入的肋骨结构2d图像进行分类，得到相应肋骨图像中各肋骨的轮廓坐标和类别。

进一步的，所述神经网络的结构包括：unet、fcnn、cnn、resnet。

一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现所述的肋骨识别方法。

有益效果：与现有技术相比，本发明具有以下优势：

采用本发明提出的技术方案对肋骨进行展开，肋骨展开不需要依赖肋骨中心线，提高了肋骨展开精度；

本发明利用深度学习卷积神经网络高效的识别分类方法，对展开的肋骨进行自动分类标签化，做好的标签还可以通过坐标变换映射到展开后的肋骨图像中去，这样可以使展开的肋骨图像与volume数据相互对应，方便医生查看，提高诊断效率。

附图说明

图1为实施例中涉及的椭圆变换的示意图；

图2为实施例所涉及的肋骨可视化方法的流程图；

图3为实施例所涉及的对胸部ct扫描图像进行椭圆变换前后的对比图，其中，左图为椭圆变换之前的胸部ct扫描图像，右边为椭圆变换之后的胸部ct扫描图像；

图4为实施例所涉及的肋骨展开结果示意图。

具体实施方式

下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。

本实施例提出一种肋骨可视化方法，包括步骤：

（1）获取胸部ct扫描图像；

（2）对每一层胸部ct扫描图像进行坐标系变换：

如图1所示，将图像中的肋骨横断面近似为椭圆，建立以椭圆的质心为原点、长轴为横轴、短轴为纵轴的直角坐标系xoy。

以椭圆的质心为原点建立极坐标系，将原图像中属于肋骨结构的像素点逐一映射到极坐标系中，原图像中任意一个像素点a与其在极坐标系中的映射点之间的映射的关系为：

其中，表示原图像中像素点a的像素值，表示像素点a在原图像的坐标；表示像素点a的映射点的像素值，表示映射点的坐标，为短轴与长轴之比。

图3所示为胸部ct扫描图像进行椭圆变换前后的对比图，其中，左图为椭圆变换之前的胸部ct扫描图像，右边为椭圆变换之后的胸部ct扫描图像。

（4）对每一层椭圆变换后的图像进行展开，这里优选采用最大密度投影的显示方法，即取每条投影线经过的所有体素中最大的一个体素值，作为投影图像中对应的像素值，由所有投影线对应的若干个最大密度的像素所组成的图像即为最大密度投影所产生的图像。即在展开的肋骨图像中，沿着角度方向求图像的最大值，把每一层最大值的结果合并显示即为展开结果。图4所示即为展开后的肋骨图像。

需要注意的是，这里的对椭圆变换后的图像进行展开的方法不限于上述最大密度投影的显示方法，其他现有技术，例如曲面重建（cpr）等能够实现相同功能的方法也应纳入本发明的保护范围。

本实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现所述的肋骨可视化方法。

本实施例还提出一种肋骨识别方法，其流程如图2所示，包括步骤：

收集胸部ct数据，采用所述的肋骨可视化方法对收集来的胸部ct数据进行展开，得到肋骨结构2d图像；

在肋骨结构2d图像上添加标记：标记出不同位置的肋骨轮廓坐标和每根肋骨的类别；

将添加标记后的肋骨结构2d图像作为训练样本输入预先构建好的神经网络，训练神经网络直至损失函数的值满足阈值条件；

通过训练好的神经网络对新输入的肋骨结构2d图像进行分类，得到相应肋骨图像中各肋骨的轮廓坐标和类别。

进一步的，所述神经网络的结构包括：unet、fcnn、cnn、resnet。下面以unet模型为例对神经网络的训练步骤进行详述：

unet模型的输入为带有标签的肋骨展开图像，输出为肋骨的类别和轮廓位置坐标。由于肋骨结构的特殊性，最上面一对肋骨和最下面一对肋骨以及中间的肋骨有明显的差异，可以只标注成三类方便训练，得到分类结果后可以通过其解剖特性对其他剩余肋骨进行标注。

unet模型训练的具体步骤为：将带有标签的肋骨展开图像归一化到2.5mm层厚，横断面调整为512*512大小，并沿着扫描方向将模板分为512*512*5的切片和512*512*1的切片，分别作为网络输入数据和输出数据。

unet模型的损失函数为：

其中，为网络预测输出，为真实标记。

训练模型时，采用梯度下降法搜索最佳参数。训练好的模型能根据输入的肋骨展开图像提取出各个肋骨和肋骨位置坐标。

需要注意的是，此处优选采用unet模型，但其他能够实现相同功能的深度学习分割网络模型也应纳入本发明的保护范围。

本实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现所述的肋骨识别方法。

应当理解的是，在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，从而形成本发明范围内的另外的实施例。此外，本发明所述的特定示例和实施例是非限制性的，并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。

上述实施例，特别是任何“优选”施例，是实施方式的可能示例，并且仅仅为了清楚理解本发明的原理而提出。在基本上不脱离本发明描述的技术的精神和原理的情况下，可以对上述实施例做出许多变化和修改，这些变化和修改也应视为本发明的保护范围。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。