一种基于超级边粒子群优化的3D-2D血管图匹配方法

本发明涉及一种基于超级边粒子群优化的3d-2d血管图匹配方法，属于智能医疗领域。

背景技术：

1、在心血管介入手术领域中，是通过从周围血管插入导管、同时通过对导管的精准推送、送至目标位置从而实现对当前主要心血管疾病的微创手术治疗的措施。随着医疗领域智能化的发展，正在向医学和工程技术结合的领域进发。目前传统手术过程仍依赖于手术过程中导管和周围血管二维医学图像。

2、在血管介入手术中，导管需要被引导到目标血管的特定位置。为了实现这个目标，医生需要准确地了解导管在血管内部的位置。传统的血管成像技术包括2d x射线血管成像和3d ct血管成像。2d x射线血管成像仅提供血管的投影图像，不足以提供足够的空间信息；而3d ct血管成像可以提供更多的空间信息，但是由于血管的扭曲和弯曲，医生很难在2d图像和3d图像之间进行准确的对应。

技术实现思路

1、本发明提供了一种基于超级边粒子群优化的3d-2d血管图匹配方法，通过使用超级边粒子群优化对3d ct血管成像和2d x射线血管成像中的关键点进行匹配。根据匹配结果计算出3d ct血管成像和2d x射线血管成像之间的变换矩阵，再使用变换矩阵将3d ct血管成像中的血管位置信息映射算法，可以辅助找到血管狭窄位置，提高效率，进而减少手术风险，以提高手术成功率。

2、为达此目的，本发明提供如下的技术方案：

3、本发明提供了一种基于超级边粒子群优化的3d-2d血管图匹配方法，包括以下步骤：

4、s1、采集3d血管图像重建和2d影像，通过预处理和数据清洗对影像数据进行处理，去除噪声和干扰信息，提高图像质量和精度；

5、s2、对3d血管图像进行处理，提取特征信息并进行匹配对应的2d影像；

6、s3、对3d血管图像和2d影像进行配准，并进行进一步的筛选和匹配，将待匹配血管图像和参考血管图像输入配准网络模型，得到二者之间的相似度评分；

7、s4、如果相似度评分高于设定阈值，则判断为匹配成功，否则判断为匹配失败；

8、s5、在匹配成功的情况下，将待匹配血管图像的3d坐标系映射到2d坐标系中，得到待匹配血管图像在2d坐标系中的位置；

9、s6、根据待匹配血管图像在2d坐标系中的位置，将其与参考血管图像在2d坐标系中的位置对齐，得到3d-2d血管图匹配结果；

10、s7、对于匹配失败的情况，可以采取手动调整的方式进行匹配，以提高匹配成功的概率。

11、优选的，步骤s1中，预处理和数据清洗包括高斯平滑，高斯模糊，腐蚀算法，基于res-unet的血管语义分割。

12、优选的，步骤s2中，3d血管图像采用医学软件meshlab处理。

13、优选的，3d血管图像为ct图。

14、优选的，2d血管图像为x-光线图。

15、优选的，还包括以下步骤：s8、根据匹配结果进行诊断分析和治疗决策等操作，实现精准医疗和个性化治疗。

16、综上所述，本发明中提出了一种特别设计的配准模型:冠状动脉配准网络(car-net)。引入基于深度学习的配准理论克服第一个限制，即xca的投影性质导致的空间信息的损失，该理论通过神经网络以端到端的方式生成变形场，而在推理时没有复杂的优化过程。与现有的机遇强度的3d/2d配准时没有复杂的优化过程。与现有的基于强度的3d/2d配准网络不同，car-net是基于特征的，它将预先保存冠状动脉树拓扑信息的血管中心线作为输入。由于很难将不同的冠状动脉树转换成的数据结构用于网络输入，car-net根据拓扑结构将冠状动脉树分割成一系列血管段，并逐个标注他们。最后通过微调合成变形数据预训练网络。

17、与现有技术相比，应用本发明的技术方案的有益效果及显著进步在于：

18、1、使用关键点和关键边的配准，改善匹配误差：本发明采用了超级边粒子群优化，与传统的特征匹配算法相比，更加适用于3d-2d血管图像的匹配。使用优化算法的方法，可以自动高效地进行图像匹配，避免了手动操作的时间和误差；

19、2、解决术中xca的三维图像结构信息缺失问题：xca技术是一种通过x射线成像观察血管的方法，但是由于其投影性质，可能会丢失血管的3d结构信息。本发明采用关键点和关键边提取的方法，保留结构信息，可以解决这个问题，实现3d血管成像和2d血管成像的匹配；

20、3、提高匹配准确性：本发明采用了超级边粒子群优化，实现了术前计算机断层摄影血管造影体积与术中xca图像相融合，可以提高匹配的准确性。通过准确的定位和导航导管，可以提高手术的安全性和成功率；

21、4、减少手动操作时间和误差：采用自动化匹配技术可以提高医生的效率，减少手动操作时间和误差，从而提高手术的质量和效率；

22、5、提高手术安全性和成功率：通过准确的定位和导航导管，可以避免误刺入、误穿透等意外事故，提高手术的安全性和成功率，降低手术的风险。

技术特征：

1.一种基于超级边粒子群优化的3d-2d血管图匹配方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于超级边粒子群优化的3d-2d血管图匹配方法，其特征在于，步骤s1中，预处理和数据清洗包括高斯平滑，高斯模糊，腐蚀算法，基于res-unet的血管语义分割。

3.如权利要求1所述的一种基于超级边粒子群优化的3d-2d血管图匹配方法，其特征在于，步骤s2中，3d血管图像采用医学软件meshlab处理。

4.如权利要求1所述的一种基于超级边粒子群优化的3d-2d血管图匹配方法，其特征在于，3d血管图像为ct图。

5.如权利要求1所述的一种基于超级边粒子群优化的3d-2d血管图匹配方法，其特征在于，2d血管图像为x-光线图。

6.如权利要求1所述的一种基于超级边粒子群优化的3d-2d血管图匹配方法，其特征在于，还包括以下步骤：s8、根据匹配结果进行诊断分析和治疗决策等操作，实现精准医疗和个性化治疗。

技术总结
本发明提供了一种基于超级边粒子群优化的3D‑2D血管图匹配方法，包括：S1、采集3D血管图像重建和2D影像；S2、对3D血管图像进行处理，提取特征信息并进行匹配对应的2D影像；S3、对3D血管图像和2D影像进行配准，并进行进一步的筛选和匹配，得到二者之间的相似度评分；S4、如果相似度评分高于设定阈值，则匹配成功，否则匹配失败；S5、匹配成功，将待匹配血管图像的3D坐标系映射到2D坐标系中；S6、根据待匹配血管图像在2D坐标系中的位置，得到3D‑2D血管图匹配结果；S7、对于匹配失败的情况，可以采取手动调整的方式进行匹配；本发明的方法可以辅助找到血管狭窄位置，提高效率，进而减少手术风险，以提高手术成功率。

技术研发人员：齐鹏,瞿闻希,汪欣怡
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/5/10