基于三维卷积神经网络的颅骨缺损重建方法

摘要

本发明公开了一种基于三维卷积神经网络的颅骨缺损重建方法，包括：S1.利用健康人体的完整头部CT数据构建健康颅骨三维模型；S2.根据健康颅骨三维模型生成若干组颅骨缺陷的模拟病人数据；S3.利用模拟病人数据生成训练数据；S4.构建三维卷积神经网络，并利用训练数据对三维卷积神经网络进行训练得到缺损颅骨的自动重建网络模型。本发明利用健康人CT体数据生成大量虚拟病人模型，并通过深度学习训练一个自动重建颅骨缺损的模型完成颅骨缺损的自动重建，实现了缺损颅骨的自动重建。

权利要求

1.基于三维卷积神经网络的颅骨缺损重建方法，其特征在于，包括：S1.利用健康人体的完整头部CT数据构建健康颅骨三维模型；

S2.根据健康颅骨三维模型生成若干组颅骨缺陷的模拟病人数据；

S2中模拟病人数据的生成包括：

S21.对健康颅骨三维模型进行分割，获取颅骨部分；

S22.对颅骨部分随机切除一部分颅骨，获得缺损部分；

S23.根据健康颅骨三维模型和缺损部分生成切除部分颅骨后的受损颅骨三维模型；

S24.利用内陷算法对受损颅骨三维模型进行组织塌陷模拟处理，得到一组模拟病人数据；

S3.利用模拟病人数据生成训练数据；

S3包括：

S31.对模拟病人数据进行降采样，并将处理结果记为DCM；

S32.对DCM进行二值化，将头颅部分标记为1，非头颅以及背景部分标记为-1，并将处理结果记为MASK；

S33.对颅骨部分和缺损部分的数据进行降采样，生成一个相同尺寸的全零矩阵，将颅骨部分标记为1，缺损部分标记为2，并将处理结果记为CLASS；

S34.将DCM、MASK和CLASS保存为NIFTI格式，作为训练数据；

S4.构建三维卷积神经网络，并利用训练数据对三维卷积神经网络进行训练得到缺损颅骨的自动重建网络模型。

2.根据权利要求1所述的基于三维卷积神经网络的颅骨缺损重建方法，其特征在于， S1包括：S11.获取一组健康人体头部的CT序列，去掉颧骨及以下部分的切片；

S12.将颧骨以上部分的切片按照真实物理比例进行重建，得到健康颅骨三维模型。

3.根据权利要求1所述的基于三维卷积神经网络的颅骨缺损重建方法，其特征在于， S22包括：S221.在模型空间内随机生成一个球体/立方体；

S222.利用逻辑与操作获得球体/立方体和颅骨部分的重合部分，得到缺损部分。

4.根据权利要求3所述的基于三维卷积神经网络的颅骨缺损重建方法，其特征在于， S23中生成受损颅骨三维模型包括：在颅骨部分中，将球体/立方体和颅骨部分的重合部分所在位置的值置零，得到受损颅骨三维模型。

5.根据权利要求1所述的基于三维卷积神经网络的颅骨缺损重建方法，其特征在于， S24包括：S241.以颅骨部分中心为起点，向颅骨部分中所有被置零的位置发出一条射线，射线一直延伸至背景区域；

S242.将离颅骨模型中心远的像素块的值赋给离颅骨中心近的像素块，直到被置零部分被填满；

S243.对皮肤组织与背景边缘部分进行平滑处理，得到模拟病人数据。

6.根据权利要求1所述的基于三维卷积神经网络的颅骨缺损重建方法，其特征在于，所述三维卷积神经网络包括13层，其中卷积层10层、全连接层2层、分类层1层。

7.根据权利要求1所述的基于三维卷积神经网络的颅骨缺损重建方法，其特征在于，所述自动重建网络模型的输出包括颅骨轮廓模型、用于重建的缺损颅骨块和完整颅骨模型。

8.根据权利要求1所述的基于三维卷积神经网络的颅骨缺损重建方法，其特征在于，基于三维卷积神经网络的颅骨缺损重建方法还包括：使用CT扫描患者颅骨窗，获取颅脑DICOM数据；

利用颅脑DICOM数据生成患者头颅三维模型；

将患者头颅三维模型输入自动重建网络模型，得到缺损部分修补模型；

将缺损部分修补模型导入3D打印机制作出与缺损相匹配的PEEK修补片供医生使用。

说明书

基于三维卷积神经网络的颅骨缺损重建方法

技术领域

[0001] 本发明涉及颅骨缺损重建的方法，特别是涉及一种基于三维卷积神经网络的颅骨缺损重建方法。

背景技术

[0002] 随着计算机技术的发展，CT三维重建技术与3D打印技术相结合可以更快、更准确地根据颅骨缺损部位的形状和结构重建假体，为修补术提供了支持与方便，是颅骨修补手术的一次革命性的进步。医生利用高精度CT为患者进行颅骨扫描和三维重建，确定患者颅骨缺损的形状和大小，接着通过3D打印技术制作损毁部分的修补片，嵌入后严丝合缝，外形完美，具有良好的组织相容性；力学性能接近人骨，通过手术将修补片镶嵌到患者的缺损部位，参见参考文献1-5。

[0003] 目前在假体上的设计常用的镜像法仅适用于缺损在侧面的情况，若缺损部分位于正面或顶部，则需要以贝塞尔曲线为参考，人工绘制得到缺损颅骨近似曲面。也就是说，现有方法不适用于所有情况，其设计过程仍然需要人工干预。

[0004] 参考文献：

[0005] [1]张毅,彭,吴阳,王蕾,戴勇,倪娟.3D打印引导钛网在成年人颅骨缺损修补中的应用[J].中华神经创伤外科电子杂志,2019,5(03):176-8。

[0006] [2]赵树森.基于CT数据的3D打印数据生成方法研究[A].中国体视学学会.第十五届中国体视学与图像分析学术会议论文集[C].中国体视学学会:中国体视学学会,2017:1。

[0007] [3]陈俊,周,刘融.颅骨修补材料运用现状及3D打印技术在其制备工艺中[J].中国临床神经外科杂志,2017,22(08):597-600。

[0008] [4]F.R.LOAYZA J S-M,L.CASTRO-VALLADARES,J.LITARDO,L. AND H.MORA.Pre-operative patient-specific alloplastic implant design and manufacturing:cranioplasty application[J].2018IEEE Third Ecuador Technical Chapters Meeting(ETCM),Cuenca,2018,pp.1-5.。

[0009] [5] K S, H,DOMAZET I,et al.Polymethylmethacrylate cranioplasty using low-cost customised 3D printed moulds for cranial defects–a single Centre experience:technical note[J].British Journal of Neurosurgery,
1-3。

发明内容

[0010] 本发明的目的在于克服现有技术的不足，提供一种基于三维卷积神经网络的颅骨缺损重建方法，通过训练一个自动重建颅骨缺损的模型完成颅骨缺损的自动重建。

[0011] 本发明的目的是通过以下技术方案来实现的：基于三维卷积神经网络的颅骨缺损重建方法，包括：

[0012] S1.利用健康人体的完整头部CT数据构建健康颅骨三维模型；

[0013] S2.根据健康颅骨三维模型生成若干组颅骨缺陷的模拟病人数据；

[0014] S3.利用模拟病人数据生成训练数据；

[0015] S4.构建三维卷积神经网络，并利用训练数据对三维卷积神经网络进行训练得到缺损颅骨的自动重建网络模型。

[0016] 优选的，所述步骤S1包括：

[0017] S11.获取一组健康人体头部的CT序列，去掉颧骨及以下部分的切片；

[0018] S12.将颧骨以上部分的切片按照真实物理比例进行重建，得到健康颅骨三维模型。

[0019] 优选的，所述步骤S2中模拟病人数据的生成包括：

[0020] S21.对健康颅骨三维模型进行分割，获取颅骨部分；

[0021] S22.对颅骨部分随机切除一部分颅骨，获得缺损部分；

[0022] S23.根据健康颅骨三维模型和缺损部分生成切除部分颅骨后的受损颅骨三维模型；

[0023] S24.利用内陷算法对受损颅骨三维模型进行组织塌陷模拟处理，得到一组模拟病人数据。

[0024] 优选的，所述步骤S22包括：

[0025] S221.在模型空间内随机生成一个球体/立方体；

[0026] S222.利用逻辑与操作获得球体/立方体和颅骨部分的重合部分，得到缺损部分。

[0027] 优选的，所述步骤S23中生成受损颅骨三维模型包括：在颅骨部分中，将球体/立方体和颅骨部分的重合部分所在位置的值置零，得到受损颅骨三维模型。

[0028] 优选的，所述步骤S24包括：

[0029] S241.以颅骨部分中心为起点，向颅骨部分中所有被置零的位置发出一条射线，射线一直延伸至背景区域；

[0030] S242.将离颅骨模型中心远的像素块的值赋给离颅骨中心近的像素块，直到被置零部分被填满；

[0031] S243.对皮肤组织与背景边缘部分进行平滑处理，得到模拟病人数据。

[0032] 优选的，所述步骤S3包括：

[0033] S31.对模拟病人数据进行降采样，并将处理结果记为DCM；

[0034] S32.对DCM进行二值化，将头颅部分标记为1，非头颅以及背景部分标记为-1，并将处理结果记为MASK；

[0035] S33.对颅骨部分和缺损部分的数据进行降采样，生成一个相同尺寸的全零矩阵，将颅骨部分标记为1，缺损部分标记为2，并将处理结果记为CLASS；

[0036] S34.将DCM、MASK和CLASS保存为NIFTI格式，作为训练数据。

[0037] 优选的，所述三维卷积神经网络包括13层，其中卷积层10层、全连接层2层、分类层1层。

[0038] 优选的，所述自动重建网络模型的输出包括颅骨轮廓模型、用于重建的缺损颅骨块和完整颅骨模型。

[0039] 优选的，基于三维卷积神经网络的颅骨缺损重建方法还包括：

[0040] 使用CT扫描患者颅骨窗，获取颅脑DICOM数据；

[0041] 利用颅脑DICOM数据生成患者头颅三维模型；

[0042] 将患者头颅三维模型输入自动重建网络模型，得到缺损部分修补模型；

[0043] 将缺损部分修补模型导入3D打印机制作出与缺损相匹配的PEEK修补片供医生使用。

[0044] 优选的，在将缺损部分修补模型导入3D打印机前还包括：利用形态学操作与空间滤波对缺损部分修补模型进行光滑处理。

[0045] 本发明的有益效果是：

[0046] (1)本发明利用健康人CT体数据生成大量虚拟病人模型，并通过深度学习训练一个自动重建颅骨缺损的模型完成颅骨缺损的自动重建，实现了缺损颅骨的自动重建；

[0047] (2)本发明中的训练数据获取容易，不需要大量病人数据和人工标记，用少量完整头颅数据即可批量生成测试用数据集(包含原始图像和标记图像)；

[0048] (3)本发明中的训练数据生成快捷，只需要人工设定几个参数即可自动随机生成不同颅骨缺损的模拟病人数据，根据缺损面积不同，平均每分钟可生成5～10组模拟病人数据；

[0049] (4)本发明使用巨量数据进行训练，自动重建网络模型的输出结果与真实颅骨的误差小，后续制得的修补片精准、可靠。

附图说明

[0050] 图1为本发明一种实施例的流程图；

[0051] 图2为模拟病人数据生成时的原始CT切片；

[0052] 图3为模拟病人数据生成时的颅骨部分；

[0053] 图4为模拟病人数据生成时的缺损部分；

[0054] 图5为模拟病人数据生成时的受损颅骨三维模型；

[0055] 图6为模拟病人数据生成时的模拟组织塌陷后的受损颅骨三维模型；

[0056] 图7为健康颅骨三维模型；

[0057] 图8为模拟病人数据；

[0058] 图9为临床应用时的原始CT切片；

[0059] 图10为患者颅骨三维模型；

[0060] 图11为用于重建的受损颅骨块粗模型；

[0061] 图12为用于重建的受损颅骨块最终模型；

[0062] 图13为一种视角的模拟装配图；

[0063] 图14为又一种视角的模拟装配图。

具体实施方式

[0064] 下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0065] 参阅图1-14，本发明提供一种基于三维卷积神经网络的颅骨缺损重建方法：

[0066] 如图1所示，基于三维卷积神经网络的颅骨缺损重建方法，包括：

[0067] S1.利用健康人体的完整头部CT数据构建健康颅骨三维模型。

[0068] 所述步骤S1包括：

[0069] S11.获取一组健康人体头部的CT序列，去掉颧骨及以下部分的切片(因为本发明不对面部骨骼进行缺损修复)。

[0070] S12.将其余切片(颧骨以上部分的切片)(某一切片如图2所示)按照真实物理比例进行重建，得到健康颅骨三维模型，如图7所示。

[0071] S2.根据健康颅骨三维模型生成若干组颅骨缺陷的模拟病人数据。

[0072] 所述步骤S2中模拟病人数据的生成包括：

[0073] S21.对健康颅骨三维模型进行阈值分割，获取颅骨部分(某一切片如图3所示)。

[0074] S22.对颅骨部分随机切除一部分颅骨，获得缺损部分。

[0075] 所述步骤S22包括：

[0076] S221.在模型空间内随机生成一个球体/立方体，球体/立方体的尺寸可人为设置，本实施例中在额骨和左顶骨的连接处生成直径为90个像素的球体。

[0077] S222.利用逻辑与操作获得球体/立方体和颅骨部分的重合部分，得到缺损部分，某一切片如图4所示。

[0078] S23.根据健康颅骨三维模型和缺损部分生成切除部分颅骨后的受损颅骨三维模型。

[0079] 所述步骤S23中生成受损颅骨三维模型包括：在颅骨部分中，将球体/立方体和颅骨部分的重合部分所在位置的值置零，得到受损颅骨三维模型，某一切片如图5所示。

[0080] S24.利用内陷算法对受损颅骨三维模型进行组织塌陷模拟处理，得到一组模拟病人数据。

[0081] 所述步骤S24包括：

[0082] S241.以颅骨部分中心为起点，向颅骨部分中所有被置零的位置(步骤S23中所有被置零的位置)发出一条射线，射线一直延伸至背景区域。

[0083] S242.每一条射线会穿过很多像素块，反向从外向内“推动”像素块，即将离颅骨模型中心远的像素块的值赋给离颅骨中心近的像素块，直到被置零部分被填满。

[0084] S243.对皮肤组织与背景边缘部分进行平滑处理(某一切片如图6所示)，得到模拟病人数据(如图8所示)，平滑处理采用形态学与空间滤波等方法。

[0085] S3.利用模拟病人数据生成训练数据。

[0086] 所述步骤S3包括：

[0087] S31.对模拟病人数据进行降采样至200*200*100，并将处理结果记为DCM；

[0088] S32.对DCM进行二值化，将头颅部分标记为1，非头颅以及背景部分标记为-1，并将处理结果记为MASK；

[0089] S33.对颅骨部分和缺损部分的数据进行降采样至200*200*100，生成一个相同尺寸的全零矩阵，将颅骨部分标记为1，缺损部分标记为2，并将处理结果记为CLASS；

[0090] S34.将DCM、MASK和CLASS保存为NIFTI格式，作为训练数据。

[0091] S4.构建三维卷积神经网络，并利用训练数据对三维卷积神经网络进行训练得到缺损颅骨的自动重建网络模型。

[0092] 所述三维卷积神经网络包括13层，其中卷积层10层、全连接层2层、分类层1层，其中卷积层使用3×3×3大小的卷积核进行特征提取，全连接层由150×53的神经元组成，用于和卷积层的特征图进行全连接，分类层采用softmax分类器实现分类。

[0093] 对三维卷积神经网络进行训练时采用80组S34中得到的NIFTI格式的训练数据作为输入，其中训练集40组，验证集20组，测试集20组。为了提高训练精度，对训练集进行训练的同时，对验证集进行验证和推理，更新迭代CNN权重参数，以获得最佳的颅骨重建效果。

[0094] 在一些实施例中，三维卷积神经网络的参数设置为：训练集的输入体素块大小为30×30×30，验证集的输入体素块大小为25×25×25，测试集的输入体素块大小为45×45×45；训练循环次数为35，子循环次数为20，训练集的批处理样本数为10，验证集的批处理样本数为48，测试集的批处理样本数为10；激活函数采用PRelu(parametric rectified linear unit)；全连接层采用Dropout防止过拟合并提高泛化能力，设置比例为0.5，初始学习率设置为0.001；采用Adam梯度下降的方法调整学习率。

[0095] 所述自动重建网络模型的输出包括颅骨轮廓模型、用于重建的缺损颅骨块和完整颅骨模型。

[0096] 在一些实施例中，基于三维卷积神经网络的颅骨缺损重建方法还包括：

[0097] S5.使用CT扫描患者颅骨窗，获取颅脑DICOM数据，如图9所示；

[0098] S6.利用颅脑DICOM数据生成患者头颅三维模型，如图10所示；

[0099] S7.将患者头颅三维模型输入自动重建网络模型，得到缺损部分修补模型，如图11所示；

[0100] S8.将缺损部分修补模型导入3D打印机制作出与缺损相匹配的PEEK修补片供医生使用。

[0101] 在将缺损部分修补模型导入3D打印机前还包括：利用形态学操作与空间滤波对缺损部分修补模型进行处理，得到更光滑的缺损部分修补模型，如图12所示。缺损部分修补模型的模拟装配如图13和图14所示。

[0102] 以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。