开云优惠体育网页版入口

专利名称：一种超声医学影像的可视化三维重建方法及系统

专利类型：发明专利

专利申请号：CN202411147406.2

专利申请（专利权）人：陕西省核工业二一五医院
权利人地址：陕西省咸阳市秦都区渭阳西路52号

专利发明（设计）人：纪莉,杨洋,苏静,张蒙

专利摘要：本发明涉及图像分析及处理技术领域，具体涉及一种超声医学影像的可视化三维重建方法及系统。本发明首先获取二维超声图像的病灶区域，及相邻采集角度下二维超声图像间的重叠区域；进一步将每个二维超声图像中重叠区域内的所有像素点，与另一二维超声图像内的像素点进行匹配；根据病灶区域与重叠区域的位置分布，结合局部纹理清晰度，获取重叠区域中每个像素点的融合参考权重，进而重构重叠区域，获取三维模型。本发明通过分析相邻二维超声图像中的病灶位置及图像纹理清晰度，分别确定每个二维超声图像对重构重叠区域的参考价值，进而重构重叠区域，提高了融合匹配效果，进而提高了超声医学影像中病灶的可视化三维重建效果。

主权利要求：
1.一种超声医学影像的可视化三维重建方法，其特征在于，所述方法包括：获取扫描部位在不同采集角度下的二维超声图像的病灶区域，及相邻采集角度下所述二维超声图像之间的重叠区域；
在相邻采集角度下所述二维超声图像之间，将每个所述二维超声图像中所述重叠区域内的所有像素点，与另一所述二维超声图像内的像素点进行匹配，获取每个所述二维超声图像中所述重叠区域内的每个像素点在另一所述二维超声图像中的匹配点；
在每个所述二维超声图像中，根据所述病灶区域与所述重叠区域的位置分布关系，结合所述重叠区域中每个像素点的局部纹理清晰度，获取所述重叠区域中每个像素点的融合参考权重；所述融合参考权重反映了二维超声图像中对应像素点对重构重叠区域的参考价值；
根据所述重叠区域中每个像素点的灰度值及所述融合参考权重，结合对应所述匹配点，重构相邻采集角度下的所述二维超声图像间的重叠区域；根据所有相邻所述二维超声图像及对应所有重构后的所述重叠区域，获取扫描部位的三维模型；
所述融合参考权重的获取方法包括：
在每个所述二维超声图像中，判断所述病灶区域是否完全位于所述二维超声图像中的所述重叠区域，结合所述重叠区域中每个像素点与所述病灶区域的区域边界距离，获取所述重叠区域中每个像素点的位置参考权重；
根据所述位置参考权重及所述局部纹理清晰度，获取所述重叠区域中每个像素点的融合参考权重；所述位置参考权重及所述局部纹理清晰度均与所述融合参考权重正相关；
所述位置参考权重的获取方法包括：
当所述病灶区域完全位于或完全不位于所述重叠区域时，设置所述重叠区域中每个像素点的初始位置权重为1；否则，获取所述病灶区域与所述重叠区域的交界线，根据所述重叠区域内所述病灶区域的面积与所述病灶区域的总面积的面积差异，及所述重叠区域中每个像素点与所述交界线的空间距离，获取所述重叠区域中每个像素点的初始位置权重，所述面积差异及所述空间距离均与所述初始位置权重负相关；
在每个所述二维超声图像中，获取所述重叠区域中每个像素点与所述病灶区域的区域边界的最小空间距离；
根据所述初始位置权重与所述最小空间距离获取位置参考权重，所述初始位置权重与所述位置参考权重正相关，所述最小空间距离与所述位置参考权重负相关；
所述局部纹理清晰度的获取方法包括：
将每个所述二维超声图像中所有像素点的梯度均值，作为第一纹理清晰参数；
构建每个所述二维超声图像的所述重叠区域内的以每个像素点为中心的预设邻域，根据邻域像素点与中心对应像素点之间的灰度差异，获取第二纹理清晰参数；
根据所述第一纹理清晰参数及所述第二纹理清晰参数，获取所述重叠区域中每个像素点的局部纹理清晰度，所述第一纹理清晰参数及所述第二纹理清晰参数均与局部纹理清晰度正相关；
所述重叠区域的重构方法包括：
获取每个所述二维超声图像中所述重叠区域内的每个像素点，在相邻采集角度的另一所述二维超声图像内的所述匹配点的匹配融合参考权重，所述匹配点的所述匹配融合参考权重与对应像素点的所述融合参考权重的和值为1；
利用所述匹配融合参考权重及所述融合参考权重分别对对应像素点的灰度值加权求和，将加权和作为所述重叠区域内对应位置的像素点的灰度值，得到重构重叠区域。
2.根据权利要求1中所述的一种超声医学影像的可视化三维重建方法，其特征在于，所述匹配点的获取方法包括：在相邻采集角度下的所述二维超声图像之间，将每个所述二维超声图像中所述重叠区域内任一像素点作为目标像素点，将另一所述二维超声图像内的每个像素点作为参考像素点；
根据所述目标像素点与每个所述参考像素点在对应所述二维超声图像中的位置分布差异，获取第一匹配效果；根据所述目标像素点与每个所述参考像素点之间的局部纹理差异，获取第二匹配效果；
结合所述第一匹配效果及所述第二匹配效果，获取所述目标像素点与每个所述参考像素点的匹配置信度；所述第一匹配效果及所述第二匹配效果均与所述匹配置信度正相关；
将与所述目标像素点的所述匹配置信度最大的所述参考像素点，作为所述目标像素点的匹配点；
所述局部纹理差异的获取方法包括：
分别以所述目标像素点及所述参考像素点为中心，构建对应预设邻域；
根据所述目标像素点及所述参考像素点，在对应预设邻域内所有相同位置处的像素点的灰度差异，获取所述目标像素点及所述参考像素点间的局部纹理差异。
3.根据权利要求2中所述的一种超声医学影像的可视化三维重建方法，其特征在于，所述第一匹配效果的获取方法包括：获取所述目标像素点与每个所述参考像素点在对应所述二维超声图像中位置坐标的欧氏距离，将所述欧氏距离负相关映射后，将映射结果作为所述目标像素点与每个所述参考像素点的第一匹配效果。
4.根据权利要求1中所述的一种超声医学影像的可视化三维重建方法，其特征在于，所述病灶区域的获取方法包括：基于卷积神经网络模型提取每个所述二维超声图像中的病灶区域。
5.一种超声医学影像的可视化三维重建系统，其特征在于，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1 4任意一项所述一种超声医学影像的可视化三维重建方法~的步骤。 说明书 : 一种超声医学影像的可视化三维重建方法及系统技术领域[0001] 本发明涉及图像分析及处理技术领域，具体涉及一种超声医学影像的可视化三维重建方法及系统。背景技术[0002] 三维超声成像技术可以直观地显示人体器官的立体形态及结构细节，有助于更全面地观察病灶细节，在临床诊疗、患者沟通和医学教育等方面发挥着重要作用。目前构建三维图像可以利用多角度的二维图像进行构建，但由于拍摄角度问题，进行匹配的二维图像往往会存在一定的重叠，导致在构建后的三维图像中出现伪影现象。[0003] 现有技术中通常会基于ICP（IterativeClosestPoint）配准算法对相邻角度的二维图像基于三维空间变换参数进行融合以减少重叠区域带来的伪影误差，但该方法容易陷入局部最优，从而导致匹配融合效果不佳，进而导致超声医学影像的可视化三维重建效果差。发明内容[0004] 为了解决现有技术对超声医学影像的可视化三维重建效果差的技术问题，本发明的目的在于提供一种超声医学影像的可视化三维重建方法及系统，所采用的技术方案具体如下：[0005] 本发明提出一种超声医学影像的可视化三维重建方法，所述方法包括：[0006] 获取扫描部位在不同采集角度下的二维超声图像的病灶区域，及相邻采集角度下所述二维超声图像之间的重叠区域；[0007] 在相邻采集角度下所述二维超声图像之间，将每个所述二维超声图像中所述重叠区域内的所有像素点，与另一所述二维超声图像内的像素点进行匹配，获取每个所述二维超声图像中所述重叠区域内的每个像素点在另一所述二维超声图像中的匹配点；[0008] 在每个所述二维超声图像中，根据所述病灶区域与所述重叠区域的位置分布关系，结合所述重叠区域中每个像素点的局部纹理清晰度，获取所述重叠区域中每个像素点的融合参考权重；[0009] 根据所述重叠区域中每个像素点的灰度值及所述融合参考权重，结合对应所述匹配点，重构相邻采集角度下的所述二维超声图像间的重叠区域；根据所有相邻所述二维超声图像及对应所有重构后的所述重叠区域，获取扫描部位的三维模型。[0010] 进一步地，所述匹配点的获取方法包括：[0011] 在相邻采集角度下的所述二维超声图像之间，将每个所述二维超声图像中所述重叠区域内任一像素点作为目标像素点，将另一所述二维超声图像内的每个像素点作为参考像素点；[0012] 根据所述目标像素点与每个所述参考像素点在对应所述二维超声图像中的位置分布差异，获取第一匹配效果；根据所述目标像素点与每个所述参考像素点之间的局部纹理差异，获取第二匹配效果；[0013] 结合所述第一匹配效果及所述第二匹配效果，获取所述目标像素点与每个所述参考像素点的匹配置信度；所述第一匹配效果及所述第二匹配效果均与所述匹配置信度正相关；将与所述目标像素点的所述匹配置信度最大的所述参考像素点，作为所述目标像素点的匹配点。[0014] 进一步地，所述第一匹配效果的获取方法包括：[0015] 获取所述目标像素点与每个所述参考像素点在对应所述二维超声图像中位置坐标的欧氏距离，将所述欧氏距离负相关映射后，将映射结果作为所述目标像素点与每个所述参考像素点的第一匹配效果。[0016] 进一步地，所述局部纹理差异的获取方法包括：[0017] 分别以所述目标像素点及所述参考像素点为中心，构建对应预设邻域；[0018] 根据所述目标像素点及所述参考像素点，在对应预设邻域内所有相同位置处的像素点的灰度差异，获取所述目标像素点及所述参考像素点间的局部纹理差异。[0019] 进一步地，所述融合参考权重的获取方法包括：[0020] 在每个所述二维超声图像中，判断所述病灶区域是否完全位于所述二维超声图像中的所述重叠区域，结合所述重叠区域中每个像素点与所述病灶区域的区域边界距离，获取所述重叠区域中每个像素点的位置参考权重；[0021] 根据所述位置参考权重及所述局部纹理清晰度，获取所述重叠区域中每个像素点的融合参考权重；所述位置参考权重及所述局部纹理清晰度均与所述融合参考权重正相关。[0022] 进一步地，所述位置参考权重的获取方法包括：[0023] 当所述病灶区域完全位于或完全不位于所述重叠区域时，设置所述重叠区域中每个像素点的初始位置权重为1；否则，获取所述病灶区域与所述重叠区域的交界线，根据所述重叠区域内所述病灶区域的面积与所述病灶区域的总面积的面积差异，及所述重叠区域中每个像素点与所述交界线的空间距离，获取所述重叠区域中每个像素点的初始位置权重，所述面积差异及所述空间距离均与所述初始位置权重负相关；[0024] 在每个所述二维超声图像中，获取所述重叠区域中每个像素点与所述病灶区域的区域边界的最小空间距离；[0025] 根据所述初始位置权重与所述最小空间距离获取位置参考权重，所述初始位置权重与所述位置参考权重正相关，所述最小空间距离与所述位置参考权重负相关。[0026] 进一步地，所述局部纹理清晰度的获取方法包括：[0027] 将每个所述二维超声图像中所有像素点的梯度均值，作为第一纹理清晰参数；[0028] 构建每个所述二维超声图像的所述重叠区域内的以每个像素点为中心的预设邻域，根据邻域像素点与中心对应像素点之间的灰度差异，获取第二纹理清晰参数；[0029] 根据所述第一纹理清晰参数及所述第二纹理清晰参数，获取所述重叠区域中每个像素点的局部纹理清晰度，所述第一纹理清晰参数及所述第二纹理清晰参数均与局部纹理清晰度正相关。[0030] 进一步地，所述重叠区域的重构方法包括：[0031] 获取每个所述二维超声图像中所述重叠区域内的每个像素点，在相邻采集角度的另一所述二维超声图像内的所述匹配点的匹配融合参考权重，所述匹配点的所述匹配融合参考权重与对应像素点的所述融合参考权重的和值为1；[0032] 利用所述匹配融合参考权重及所述融合参考权重分别对对应像素点的灰度值加权求和，将加权和作为所述重叠区域内对应位置的像素点的灰度值，得到重构重叠区域。[0033] 进一步地，所述病灶区域的获取方法包括：[0034] 基于卷积神经网络模型提取每个所述二维超声图像中的病灶区域。[0035] 本发明还提出一种超声医学影像的可视化三维重建系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种超声医学影像的可视化三维重建方法的步骤。[0036] 本发明具有如下有益效果：[0037] 本发明首先获取扫描部位在不同采集角度下的二维超声图像的病灶区域，及相邻采集角度下二维超声图像之间的重叠区域；在相邻采集角度下二维超声图像之间，将每个二维超声图像中重叠区域内的所有像素点，与另一二维超声图像内的像素点进行匹配，结合匹配效果获取每个二维超声图像中重叠区域内的每个像素点在另一二维超声图像中的匹配点，以便后续分析每对像素点对重构重叠区域的参考价值；在每个二维超声图像中，根据病灶区域与重叠区域的位置分布关系，结合重叠区域中每个像素点的局部纹理清晰度，获取重叠区域中每个像素点的融合参考权重，融合参考权重不仅关注图像清晰度，还注重病灶区域的重要性，从而确定了对重构重叠区域的参考价值；根据每个像素点的灰度值及融合参考权重，结合对应匹配点，重构相邻采集角度下的二维超声图像间的重叠区域；根据所有相邻二维超声图像及对应所有重构后的重叠区域，获取扫描部位的三维模型。本发明通过分析相邻二维超声图像中的病灶位置及图像纹理清晰度，分别确定每个二维超声图像对重构重叠区域的参考价值，进而重构重叠区域，提高了融合匹配效果，进而提高了超声医学影像中病灶的可视化三维重建效果。附图说明[0038] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。[0039] 图1为本发明一个实施例所提供的一种超声医学影像的可视化三维重建方法的流程图；[0040] 图2为本发明一个实施例所提供的一种匹配点的获取方法的流程图；[0041] 图3为本发明一个实施例所提供的一种融合参考权重的获取方法的流程图。具体实施方式[0042] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种超声医学影像的可视化三维重建方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。[0043] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。[0044] 下面结合附图具体的说明本发明所提供的一种超声医学影像的可视化三维重建方法及系统的具体方案。[0045] 请参阅图1，其示出了本发明一个实施例提供的一种超声医学影像的可视化三维重建方法的流程图，具体包括：[0046] 步骤S1，获取扫描部位在不同采集角度下的二维超声图像的病灶区域，及相邻采集角度下二维超声图像之间的重叠区域。[0047] 在本发明的一个实施例中，以乳腺为扫描部位为例表述说明；利用超声探头对乳腺进行扫描，获取不同采集角度下的二维超声图像；具体以乳头为中心以放射状的采集角度对乳腺区域进行扫描，在整个乳腺区域中均匀获取12个不同采集角度下的二维超声图像，其中这12个采集角度能完全覆盖整个乳腺区域；进一步获取每个采集角度下的二维超声图像中的病灶区域，其中病灶区域指结节、包块或瘤等；将所有二维超声图像以采集角度的顺序进行排序，将相邻两个采集角度下的二维超声图像之间的交叠部分作为重叠区域，以便后续重构重叠区域以进行三维重建。[0048] 优选地，在本发明的一个实施例中，病灶区域的获取方法包括：基于卷积神经网络模型提取每个二维超声图像中的病灶区域。实施者可以对大量二维超声图像进行病灶区域的标注，构建训练样本集，从而进行卷积神经网络的训练，进而将二维超声图像输入至训练好的卷积神经网络中便可自动识别出病灶区域；卷积神经网络的训练及应用已是本领域技术人员熟知的现有技术，在此不赘述。[0049] 在本发明的其他实施例中，实施者也可基于病灶区域相对其他正常乳腺组织区域之间的纹理特征，对二维超声影像进行特征分析，采用阈值分割算法获取病灶区域；或利用边缘检测算法，获取病灶区域的边界，进而获取病灶区域，其均为公知技术，在此不赘述。[0050] 需要说明的是，由于二维超声图像为近扇形状，实施者可进一步将二维超声图像进行放缩、裁剪、降噪等预处理，得到规则的便于处理的高质量二维超声图像，其均为公知技术，在此不赘述。[0051] 需要说明的是，实施者也可对其他如肾脏、子宫等部位进行扫描重建三维模型；也可自行调整二维超声图像的采集方式，其与探头成像范围有关，例如只需扫描4次或8次即可完全覆盖整个乳腺区域；同时需注意相邻采集角度下的二维超声图像间可以存在重叠，但应尽量避免不相邻采集角度下的二维超声图像间重叠，例如第一张与第二张之间存在重叠，但第一张不宜与第三张重叠，以降低重叠区域的重构难度。[0052] 步骤S2，在相邻采集角度下二维超声图像之间，将每个二维超声图像中重叠区域内的所有像素点，与另一二维超声图像内的像素点进行匹配，获取每个二维超声图像中重叠区域内的每个像素点在另一二维超声图像中的匹配点。[0053] 考虑到相邻采集角度下的二维超声图像之间的重叠区域，可能为扫描部位的不同局部部位的交叠，将影响对于重叠区域的局部分析，进而影响后续的三维模型重构。故本发明实施例首先将重叠区域内的像素点进行匹配，进而便于后续分析重构相邻采集角度下二维超声图像之间的重叠区域。[0054] 优选地，在本发明的一个实施例中，匹配点的获取方法包括：[0055] 请参阅图2，其示出了本发明一个实施例所提供的一种匹配点的获取方法的流程图，包括：[0056] 步骤S201，在相邻采集角度下的二维超声图像之间，将每个二维超声图像中重叠区域内任一像素点作为目标像素点，将另一二维超声图像内的每个像素点作为参考像素点。[0057] 由于重叠区域为相邻两个采集角度下的二维超声图像交叠所形成，则在每个采集角度与下一相邻采集角度对应二维超声图像之间，每个二维超声图像中均对应有重叠区域，且其与下一相邻采集角度对应二维超声图像的重叠区域相同。[0058] 需要说明的是，本发明实施例具体以每个二维超声图像中重叠区域的每个像素点，与下一相邻采集角度的二维超声图像内的像素点，进行匹配的角度出发表述说明，即始终将下一相邻采集角度的二维超声图像内的每个像素点作为参考像素点进行匹配。[0059] 为便于后续分析表述重叠区域内每个像素点的匹配过程，本发明一个实施例首先分别确定目标像素点及后续与之匹配的所有参考像素点，从而便于后续配对。[0060] 步骤S202，根据目标像素点与每个参考像素点在对应二维超声图像中的位置分布差异，获取第一匹配效果；根据目标像素点与每个参考像素点之间的局部纹理差异，获取第二匹配效果。[0061] 考虑到在每个采集角度与下一相邻采集角度对应二维超声图像之间，虽采集角度存在一定偏移，但扫描部位的每个局部部位的特征表现及位置分布，在对应二维超声图像中应当相似不变或保持一致；故可基于此评估目标像素点与每个参考像素点之间的匹配效果，进而完成匹配；其中第一匹配效果从位置分布角度评估匹配效果，第二匹配效果从局部纹理特征评估匹配效果，位置分布越相似且局部纹理差异越。ヅ湫Ч郊。[0062] 在本发明的一个优选实施例中，考虑到位置坐标能更为直观的反映其位置分布情况，故第一匹配效果的获取方法包括：[0063] 获取目标像素点与每个参考像素点在对应二维超声图像中位置坐标的欧氏距离，将欧氏距离负相关映射后，将映射结果作为目标像素点与每个参考像素点的第一匹配效果参数。[0064] 由于相邻采集角度下的二维超声图像存在一定的视角偏差，为了对目标像素点与每个参考像素点在对应二维超声图像中的位置进行分析，需要对相邻采集角度下的二维超声图像进行坐标变换。作为一个示例，在每个采集角度与下一相邻采集角度对应二维超声图像之间，对二者进行SIFT特征匹配，以第一个二维超声图像中的任一特征点为原点构建二维坐标系，将下一相邻采集角度对应二维超声图像中对应匹配特征点为坐标原点构建另一二维坐标系，以获取两个二维超声图像中每个像素点的位置坐标，其中所有二维超声图像的主视方向一致；将目标像素点与每个参考像素点对应位置坐标的欧氏距离，作为以自然常数 为底数的指数函数 中的 ，以进行负相关映射并归一化，得到第一匹配效果参数。在其他示例中，也可采用其他如倒数运算等负相关映射手段，在此不赘述。[0065] 在本发明的一个优选实施例中，考虑到像素点的局部灰度差异能够反映其局部纹理特征，故局部纹理差异的获取方法包括：[0066] 分别以目标像素点及参考像素点为中心，构建对应预设邻域；根据目标像素点及参考像素点，在对应预设邻域内所有相同位置处的像素点的灰度差异，获取目标像素点及参考像素点间的局部纹理差异。[0067] 作为一个示例，以目标像素点或参考像素点为中心，构建一个尺寸为 的预设邻域，从而便于分析相同位置上像素点之间的灰度差值绝对值；将所有相同位置处的像素点的灰度差值绝对值进行累乘，累乘结果即为局部纹理差异；灰度差值绝对值越大，说明局部纹理特征相似度越。涠杂ζヅ湫Ч讲，故进一步负相关映射调整逻辑，可做倒数运算，做倒数运算前需将累乘结果加上防零参数1，避免无意义，从而得到第二匹配效果。[0068] 在其他示例中，也可构建其他尺寸的预设邻域，进一步累加所有相同位置处的像素点的灰度差值绝对值，进一步负相关映射到指数函数 中，在此不赘述。[0069] 在本发明的另一个实施例中，获取局部纹理差异时，还可以将梯度差异代替灰度差异，也可融合灰度差异和梯度差异以评估局部纹理差异，在此不赘述。[0070] 步骤S203，结合第一匹配效果及第二匹配效果，获取目标像素点与每个参考像素点的匹配置信度；第一匹配效果及第二匹配效果均与匹配置信度正相关；将与目标像素点的匹配置信度最大的参考像素点，作为目标像素点的匹配点。[0071] 作为一个示例，具体将第一匹配效果及第二匹配效果相加合并，得到匹配置信度，进而筛选最大匹配置信度对应参考像素点作为目标像素点的匹配点；在其他示例中，实施者也可通过相乘或加权求和等基础数学运算或相关映射手段合并二者，在此不赘述。[0072] 在本发明另一实施例中，实施者也可利用图像配准方法，将每个二维超声图像与下一相邻采集角度对应的二维超声图像进行匹配，从而获取每个二维超声图像中重叠区域内的每个像素点在下一相邻采集角度对应的二维超声图像中的匹配点；其已是公知技术，在此不赘述。[0073] 在本发明另一实施例中，实施者还可以利用尺度不变特征变换（Scale?InvariantFeatureTransform，SIFT）算法，首先分别获取每个二维超声图像中的特征点，然后基于特征点将每个二维超声图像与下一相邻采集角度对应的二维超声图像进行特征匹配，进一步获取每对特征点之间的匹配效果获取匹配置信度，从而筛选出置信匹配点；具体将匹配置信度大于预设阈值0.7的匹配特征点作为置信匹配点；然后以重叠区域内每个置信匹配点为聚簇中心，以像素点相对聚簇中心的距离及局部纹理差异之和构建度量距离，进行K?means聚类，获取每个置信匹配点聚簇，进一步将重叠区域内每个置信匹配点与其特征匹配点对应两聚簇内的像素点进行匹配，从而完成每个二维超声图像与下一相邻二维超声图像间像素点的匹配。[0074] 需要说明的是，SIFT算法及K?means聚类算法已是公知技术，在此不赘述；在本发明其他实施例中，也可采用其他特征匹配算法及聚类算法，也可自行设定其他预设阈值获取置信匹配点；其中对于每对置信匹配点对应两聚簇内的像素点的匹配过程与步骤S201?S203所表述的匹配方法思路一致，在此不赘述。[0075] 步骤S3，在每个二维超声图像中，根据病灶区域与重叠区域的位置分布关系，结合重叠区域中每个像素点的局部纹理清晰度，获取重叠区域中每个像素点的融合参考权重。[0076] 考虑到重叠区域是分析重构对象，重构时需要分析每个二维超声图像中重叠区域内每个位置上像素点的参考价值；又考虑到病灶区域是构建三维模型以辅助分析诊疗的重点观察对象，为保证三维重建后病灶区域的表现效果，则当病灶区域处于重叠区域时，更应着重分析病灶区域的清晰程度及边界信息；故本发明实施例根据病灶区域与重叠区域的位置分布关系，结合重叠区域中每个像素点的局部纹理清晰度，获取重叠区域中每个像素点的融合参考权重，融合参考权重即反映了二维超声图像中对应像素点对重构重叠区域的参考价值。[0077] 优选地，在本发明的一个实施例中，融合参考权重的获取方法包括：[0078] 请参阅图3，其示出了本发明一个实施例所提供的一种融合参考权重的获取方法的流程图，包括：[0079] 步骤S301，在每个二维超声图像中，判断病灶区域是否完全位于二维超声图像中的重叠区域，结合重叠区域中每个像素点与病灶区域的区域边界距离，获取重叠区域中每个像素点的位置参考权重。[0080] 考虑到当病灶区域完全位于或者完全不位于重叠区域时，只需关注重叠区域的纹理清晰度和病灶区域的边界是否清晰即可，以保证良好的画质效果及清晰的三维病灶结构；但又考虑到若病灶区域不完全位于重叠区域，即一部分位于重叠区域，一部分位于非重叠区域，则需要进一步关注重叠区域与非重叠区域的过渡效果，从而有利于重叠区域之间的图像平滑。[0081] 故在本发明的一个优选实施例中，位置参考权重的获取方法包括：[0082] 当病灶区域完全位于或完全不位于重叠区域时，设定重叠区域中每个像素点的初始位置权重为1；否则，获取病灶区域与重叠区域的交界线，根据重叠区域内病灶区域的面积与病灶区域的总面积的面积差异，及重叠区域中每个像素点与交界线的空间距离，获取重叠区域中每个像素点的初始位置权重，面积差异及空间距离均与初始位置权重负相关；[0083] 在每个二维超声图像中，获取重叠区域中每个像素点与病灶区域的边界的最小空间距离；[0084] 根据初始位置权重与最小空间距离获取位置参考权重，初始位置权重与位置参考权重正相关，最小空间距离与位置参考权重负相关。[0085] 位置参考权重结合了病灶区域的位置分布及边界信息，评估了每个像素点在重构时的参考价值，其与像素点的局部纹理清晰度均为后续重构重叠区域提供重要参考价值。[0086] 作为一个示例，首先获取初始位置权重，其中当病灶区域部分位于重叠区域时，重叠区域中每个像素点的初始位置权重的获取方法具体为：[0087] 获取病灶区域在重叠区域与非重叠区域之间的交界线，即位于重叠区域但与非重叠区域紧邻的像素点构成的交界线；获取位于重叠区域内的病灶区域的面积，与二维超声影像中病灶区域的总面积的面积比值，当面积比值越大，说明面积差异越。换袢≈氐区域内每个像素点与交界线上所有像素点之间的最小欧式距离，最小欧式距离反映了每个像素点靠近交界线的程度，越接近边界线，像素点信息越重要，参考价值越大，以便于后续平滑；将最小欧式距离负相关映射后，利用乘法与面积比值合并，获取初始位置权重。负相关映射都算可以为映射到指数函数 中，也可做加上防零参数后做倒数运算，在此不赘述。[0088] 在本示例中，获取初始位置权重后，进一步获取重叠区域中每个像素点与病灶区域的边界的最小空间距离，最小空间距离反映了每个像素点靠近病灶区域边界的情况，越靠近边界的像素点越重要，参考价值越大，以便于后续构建清晰的三维病灶结构；进一步将初始位置权重与最小空间距离相乘合并，获取位置参考权重；在其他示例中，也可通过相乘或加权求和等基础数学运算或相关映射手段合并二者，在此不赘述。[0089] 步骤S302，根据位置参考权重及局部纹理清晰度，获取重叠区域中每个像素点的融合参考权重；位置参考权重及局部纹理清晰度均与融合参考权重正相关。[0090] 作为一个示例，将位置参考权重及局部纹理清晰度相乘合并，然后进行最大值最小值归一化，获取融合参考权重；在其他示例中，也可通过相乘或加权求和等基础数学运算或相关映射手段合并二者，也可采用其他归一化手段，在此不赘述。[0091] 在本发明的一个优选实施例中，考虑到乳腺区域的二维超声图像中纹理较为复杂，则像素点的梯度存在高频率的变化，则局部图像的纹理清晰度较高；又考虑到若像素点与其周围临近像素点的灰度差异越大，也说明图像的局部纹理清晰度高；故局部纹理清晰度的获取方法包括：[0092] 将每个二维超声图像中所有像素点的梯度均值，作为第一纹理清晰参数；[0093] 在每个二维超声图像的重叠区域内的以每个像素点为中心的预设邻域内，根据邻域像素点与中心对应像素点之间的灰度差异，获取第二纹理清晰参数；[0094] 根据第一纹理清晰参数及第二纹理清晰参数，获取重叠区域中每个像素点的局部纹理清晰度，第一纹理清晰参数及第二纹理清晰参数均与局部纹理清晰度正相关。[0095] 作为一个示例，具体采用sobel算子获取每个像素点的梯度值，将二维超声图像中的所有像素点的梯度值求均，得到第一纹理清晰参数；梯度均值越大，说明纹理越清晰；同时以每个像素点为中心构建预设邻域，预设邻域的构建方法与步骤S202中分析局部纹理差异时构建的预设邻域方法及尺寸一致，在此不赘述；在预设邻域中，将每个邻域像素点与中心像素点之间的灰度差值绝对值进行累加，得到第二纹理清晰参数；进一步将第一纹理清晰参数与第二纹理清晰参数相乘合并，得到局部纹理清晰度。[0096] 在其他示例中，实施者也可分析每个像素点与邻域像素点之间的灰度值的熵，评估局部纹理清晰度，熵越大，局部纹理清晰度越大；也可进一步获取图像中的对比度，对比度越高，局部纹理清晰度越大，其均为本领域技术人员熟知的现有技术，在此不赘述。[0097] 步骤S4，根据重叠区域中每个像素点的灰度值及融合参考权重，结合对应匹配点，重构相邻采集角度下的二维超声图像间的重叠区域；根据所有相邻二维超声图像及对应所有重构后的重叠区域，获取扫描部位的三维模型。[0098] 在步骤S2?S3中分别获取了每个二维超声图像与相邻下一采集角度的二维超声图像中的重叠区域中，每个二维超声图像的重叠区域中每个像素点的融合参考权重，融合参考权重越大，说明该二维超声图像中该像素点对重构重叠区域的参考价值越大，但仍需结合其在下一相邻采集角度的二维超声图像中的匹配点的参考信息，融合重构重叠区域。[0099] 故在本发明的一个实施例优选中，重叠区域的重构方法包括：[0100] 获取每个二维超声图像中重叠区域内的每个像素点，在相邻采集角度的另一二维超声图像内的匹配点的匹配融合参考权重，匹配点的匹配融合参考权重与对应像素点的融合参考权重的和值为1；[0101] 利用匹配融合参考权重及融合参考权重分别对对应像素点的灰度值加权求和，将加权和作为重叠区域内对应位置的像素点的灰度值，得到重构重叠区域。[0102] 在本发明实施例中，分别利用对应权重对每个二维超声图像的重叠区域中每个位置上的像素点的灰度值，与其在相邻下一张二维超声图像中对应匹配点的灰度值，进行加权求和，得到重叠区域每个位置上的像素点的重构灰度值，重构灰度值融合了每对匹配点的参考信息，从而得到重构重叠区域。[0103] 获取每两个相邻采集角度下的重构重叠区域后，便可将按照采集角度即扫描方位排序的所有二维图像进行三维映射，具体采用RayCasting光线投射算法进行体积重建，得到初始三维体数据后，进一步可采用ISO表面提取方法生成具有清晰边界的三维模型，至此可以获取扫描部位的三维超声模型，从而便于理解和观察扫描部位的病灶结构。[0104] 需要说明的是，利用多角度二维平面图像构建三维模型已是公知技术，实施者也可采用除RayCasting光线投射算法及ISO表面提取方法外的其他算法或手段，在此不赘述。[0105] 综上所述，本发明实施例首先获取不同采集角度下的二维超声图像的病灶区域，及相邻采集角度下二维超声图像之间的重叠区域；进一步将每个二维超声图像中重叠区域内的所有像素点，与另一二维超声图像内的像素点进行匹配；进一步根据病灶区域与重叠区域的位置分布关系，结合局部纹理清晰度，获取重叠区域中每个像素点的融合参考权重，进而重构相邻采集角度下的二维超声图像间的重叠区域，获取扫描部位的三维模型。本发明通过分析相邻二维超声图像中的病灶位置及图像纹理清晰度，分别确定每个二维超声图像对重构重叠区域的参考价值，进而重构重叠区域，提高了融合匹配效果，进而提高了超声医学影像中病灶的可视化三维重建效果。[0106] 本发明还提出一种超声医学影像的可视化三维重建系统，系统包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现一种超声医学影像的可视化三维重建方法的步骤。[0107] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0108] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

专利地区：陕西

专利申请日期：2024-08-21

专利公开日期：2024-11-19

专利公告号：CN118657894B