一种个性化二尖瓣自动建模方法、系统及设备

本发明涉及医学影像的三维建模技术领域，特别是涉及一种个性化二尖瓣自动建模方法、系统及设备。

背景技术：

心脏疾病已经成为危及人类健康和生命安全的头等疾病之一，其中包含常见的瓣膜性心脏病，并且该发病率逐年上升。对该疾病的诊断过程中无创性的要求以及制定较好的手术方案一直是医学界的一个难题。

近年来，医学影像诊断技术得到了极大的进步，基于医学影像数据对二尖瓣疾病的诊断治疗方案进行研究具有十分重要的意义。随着软件技术和硬件技术的不断提升，计算机辅助诊断技术在医学领域的应用越来越广泛。通过将人体二尖瓣三维模型可视化，能够帮助医师获得更多的诊断信息。因此，对个性化二尖瓣进行三维建模的过程必不可少。

现有的二尖瓣三维建模方法主要是通过手动输入对多个医学影像中的二尖瓣解剖结构特征轮廓进行标记，并基于所标记特征轮廓构建三维模型。但是该方法需要手动提取特征轮廓，需要消耗大量的人力和时间，并且在手动提取过程中容易受到视觉疲劳所带来的错误标记，不利于推广使用。王田天等人(王田天.人体心脏二尖瓣的功能模拟数学模型与算法研究.[d].陕西:西安理工大学,2018:19-23)提出的二尖瓣三维建模方法是将二尖瓣的形状假设为半椭圆圆柱壳，给出相应的参数方程，并利用人体二尖瓣局部医学结构的统计数据拟合求解参数方程并将拟合结果可视化，得到二尖瓣的曲面模型。但该方法的曲面模型是根据医学统计数据拟合得到，无法体现不同二尖瓣的个性化几何特征。

技术实现要素：

本发明的目的是为了解决现有的二尖瓣建模流程中人工交互操作耗时费力以及几何模型无法体现个性化特征的问题，提出一种个性化二尖瓣自动建模方法、系统及设备。

为实现本发明目的，本发明提供了一种个性化二尖瓣自动建模方法，应用于集成了个性化二尖瓣建模系统的嵌入式设备，包括：

构建二尖瓣三维超声图像数据库；

将所述二尖瓣三维超声图像数据库中的数据作为训练数据集输入到卷积神经网络中，得到训练好的二尖瓣自动分割模型；

采集目标二尖瓣的三维超声图像，将目标超声图像输入到所述二尖瓣自动分割模型中，输出目标分割结果；

通过所述目标分割结果获取点云数据；

根据点云数据进行曲面拟合，得到二尖瓣的曲面方程，通过将所述二尖瓣的曲面方程获得二尖瓣三维曲面模型。

优选的，所述超声图像数据库包含已分割好的标签数据，所述标签数据是根据二尖瓣的医学解剖结构在超声影像对应区域划分所得。

优选的，在将所述训练数据集输入卷积神经网络之前做数据增广处理，所述增广处理包含随机缩放和旋转。

优选的，在将所述训练数据集输入卷积神经网络之前进行归一化处理，保证训练数据的一致性。

优选的，所述卷积神经网络采用3d-unet卷积神经网络，所述3d-unet卷积神经网络采用binarycrossentropy作为损失函数，选取adam作为优化器，选取iou(intersectionoverunion)作为评价指标。

优选的，所述二尖瓣的曲面方程为：

其中，α1，α2，α3是形状控制参数，分别控制曲面沿x，y，z轴的尺寸大小，ε1和ε2是平方因子，分别调节曲面不同方向上的曲率。x0，y0，z0是为了使坐标系居中而引入的全局原点坐标参数，参数θ是调整曲面与z轴之间的夹角；

优选的，所述通过所述二尖瓣的曲面方程获得二尖瓣三维曲面模型，具体包括：

优选的，通过优化方法求解所述二尖瓣的曲面方程，优化求解中的目标函数方程设置为：

其中i表示参与曲面拟合所使用的点云中的第i个点，fi(xi,yi,zi)表示每个点云坐标带入所述二尖瓣曲面方程所得结果，α1，α2，α3和ε1与所述二尖瓣曲面方程的参数值相同；

优选的，优化求解中的收敛判别条件设置为：

其中n表示总共迭代的次数，rn表示迭代第n次的目标函数；

优选的，求解所述目标函数r最小值，得到最佳的二尖瓣曲面拟合参数(α1，α2，α3，ε1，ε2，θ，x0，y0，z0)，将拟合参数代入所述二尖瓣曲面方程并将拟合结果可视化得到二尖瓣三维曲面模型。

为了实现本发明目的，本发明还提供一种个性化二尖瓣自动建模系统，包括：

存储模块，所述存储模块用于构建二尖瓣三维超声图像数据库；

训练模块，所述训练模块用于将所述数据库中的数据作为训练数据集输入到卷积神经网络中，得到训练好的二尖瓣自动分割模型；

采集分割模块，所述采集分割模块用于采集目标二尖瓣的三维超声图像，将目标超声图像输入到所述二尖瓣自动分割模型中，输出目标分割结果。

转换模块，所述转换模块用于通过所述目标分割结果获取点云数据；

拟合模块，所述拟合模块用于根据点云数据进行曲面拟合，得到二尖瓣的曲面方程，通过所述二尖瓣的曲面方程获得二尖瓣三维曲面模型。

优选的，还包括数据预处理模块，用于训练对数据集中的数据进行数据增广和归一化处理。

为了实现本发明目的，本发明还提供一种嵌入式设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现以上任一所述的二尖瓣自动建模方法。

本发明提供的一种个性化二尖瓣自动建模方法，通过将目标二尖瓣的三维超声图像输入训练好的二尖瓣自动分割模型中，得到目标分割结果，将通过目标分割结果得到的点云数据进行拟合，得到二尖瓣的曲面方程，通过所述二尖瓣的曲面方程获得二尖瓣三维曲面模型。实现了个性化二尖瓣建模的自动化，提高了建模的效率，无须像手动建模时需要频繁地人机交互过程，极大地缩短了建模时间。且自动化建模可以有效避免现有技术中手动标记时因视觉疲劳而造成错误标记问题，精确率更高。

自动建模得到的曲面模型还能够进行三维缩放旋转查看，也能够用于测量二尖瓣组织结构之间的空间位置关系，实用性更强。

本发明还提供了一种个性化二尖瓣自动建模系统及设备，具有如上述方法相同的有益效果。

附图说明

图1是本发明实施例提供的一种个性化二尖瓣自动建模方法的流程示意图。

图2是本发明实施例提供的一种个性化二尖瓣自动建模系统的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

请参阅图1，本发明提供的一种个性化二尖瓣自动建模方法，应用于集成了个性化二尖瓣建模系统的嵌入式设备，包括以下步骤：

步骤1：构建二尖瓣三维超声图像数据库。

在本发明其中一个实施例中，所述超声图像数据库包含已分割好的标签数据，所述标签数据是根据二尖瓣的医学解剖结构在超声影像对应区域划分所得。

步骤2，将二尖瓣三维超声图像数据库中的数据作为训练数据集输入到卷积神经网络中，得到训练好的二尖瓣自动分割模型。

在本发明其中一个实施例中，将所述训练数据集在输入网络之前还需要做数据增广处理，所述增广处理包含随机缩放和旋转。

在本发明其中一个实施例中，将所述训练数据集在输入到网络之前还需要进行归一化处理，以保证训练数据的一致性。

在本发明其中一个实施例中，所述卷积神经网络采用3d-unet卷积神经网络，所述3d-unet卷积神经网络采用binarycrossentropy作为损失函数，选取adam作为优化器，选取iou(intersectionoverunion)作为评价指标。

步骤3，采集目标二尖瓣的三维超声图像，将目标超声图像输入到所述二尖瓣自动分割模型中，输出目标分割结果，所述目标分割结果为二尖瓣的医学解剖结构对应目标超声图像区域的划分。

步骤4，通过所述目标分割结果获取点云数据。

在本发明其中一个实施例中，将所述目标分割结果进行数据转换，获取stl格式数据，根据stl数据获取点云数据。

步骤5，根据点云数据进行曲面拟合，得到二尖瓣的曲面方程。

在本发明其中一个实施例中，所述曲面拟合是通过优化求解非线性最小化问题来求解二尖瓣的曲面方程。所述二尖瓣的曲面方程为：

其中，α1，α2，α3是形状控制参数，分别控制曲面沿x，y，z轴的尺寸大小，ε1和ε2是平方因子，分别调节曲面不同方向上的曲率。x0，y0，z0是为了使坐标系居中而引入的全局原点坐标参数，参数θ是曲面与z轴之间的夹角；

所述优化求解中的目标函数方程设置为：

其中i表示参与曲面拟合所使用的点云中的第i个点，fi(xi,yi,zi)表示每个点云坐标带入所述二尖瓣曲面方程所得结果，α1，α2，α3和ε1与所述二尖瓣曲面方程的参数值相同；

所述优化求解中的收敛判别条件设置为：

其中n表示总共迭代的次数，rn表示迭代第n次的目标函数；

求解所述目标函数r最小值，得到最佳的二尖瓣曲面拟合参数(α1，α2，α3，ε1，ε2，θ，x0，y0，z0)，将拟合参数代入所述二尖瓣曲面方程并将拟合结果可视化即可得到二尖瓣三维曲面模型。

请参阅图2，本发明还提供了一种个性化二尖瓣自动建模系统，包括：

存储模块，所述存储模块用于构建二尖瓣三维超声图像数据库，所述超声图像数据库包含已分割好的标签数据，所述标签数据是根据二尖瓣的医学解剖结构在超声影像对应区域划分所得。

训练模块，所述训练模块用于将所述数据库中的数据作为训练数据集输入到卷积神经网络中，得到训练好的二尖瓣自动分割模型。

采集分割模块，所述采集分割模块用于采集目标二尖瓣的三维超声图像，将目标超声图像输入到所述二尖瓣自动分割模型中，输出目标分割结果。

转换模块，所述转换模块用于将所述目标分割结果进行数据转换，获取stl格式数据，根据stl数据获取点云数据。

拟合模块，所述拟合模块用于根据点云数据进行曲面拟合，得到二尖瓣的曲面方程，并根据二尖瓣的曲面方程得到二尖瓣三维曲面模型。

在本发明其中一个实施例中，还包括数据预处理模块，所述数据预处理模块用于对数据集进行数据增广和归一化。

所述数据预处理模块包括：

数据增广子处理模块，所述数据增广子处理模块用于对训练数据集中的数据做数据增广处理。通过该模块可以增加训练数据集，使得训练的模型具有更强的泛化能力。以及

归一化子处理模块，所述归一化处理模块用于对数据集中的数据进行归一化处理，以保证训练数据的一致性。

其中，在拟合模块中，曲面模型的获取方式如下：

所述曲面拟合是通过优化求解非线性最小化问题来求解二尖瓣的曲面方程，二尖瓣的曲面方程为：

其中，α1，α2，α3是形状控制参数，分别控制曲面沿x，y，z轴的尺寸大小，ε1和ε2是平方因子，分别调节曲面不同方向上的曲率。x0，y0，z0是为了使坐标系居中而引入的全局原点坐标参数，参数θ是调整曲面与z轴之间的夹角；

所述优化求解中的目标函数方程设置为：

其中i表示参与曲面拟合所使用的点云中的第i个点，fi(xi,yi,zi)表示每个点云坐标带入所述二尖瓣曲面方程所得结果，α1，α2，α3和ε1与所述二尖瓣曲面方程的参数值相同；

所述优化求解中的收敛判别条件设置为：

其中n表示总共迭代的次数，rn表示迭代第n次的目标函数；

求解所述目标函数r最小值，得到最佳的二尖瓣曲面拟合参数(α1，α2，α3，ε1，ε2，θ，x0，y0，z0)，将拟合参数代入所述二尖瓣曲面方程并将拟合结果可视化即可得到二尖瓣三维曲面模型。

在本发明其中一个实施例中，还提供了一种嵌入式设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现上述任一项一种个性化二尖瓣自动建模方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的二尖瓣自动建模系统和嵌入式设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

以上所述，仅为本发明较佳的具体实施方式，但发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。