基于多尺度卷积网络和加权稀疏表达的肺部图像分割与运动建模研究

This project focuses on the investigation of the key issues in the lung blood vessel segmentation and respiratory motion information acquisition in computer-assisted lung biopsy surgeries. We will explore the problems of the lung blood vessel segmentation and high-precision local lung motion information acquisition based on the deep convolution neural network, sparse representation theory and image registration method. The main research of this project includes: (1) a multi-scale convolution neural network model will be designed to extract image feature information at different scales and obtain the lung blood vessel area combined with the image enhancement method to provide the foundation for the lung motion modeling. (2) By detecting the confidence of feature points, a weighted sparse representation theory-based motion information acquisition algorithm will be proposed for improving the robustness of the algorithm to non-Gaussian error and obtaining the prior motion information of lung tissue. (3) A high-precision local lung motion model will be constructed using a mixed features-based adaptive local image registration by fusing the motion prior information, model surface and image information. This research has strong innovative as well as practical values. Its results can be directly applied to the computer-assisted lung biopsy surgeries.

本课题针对计算机辅助肺内活检穿刺手术中肺内血管分割和肺组织呼吸运动信息获取这两项关键问题开展研究。将借助卷积神经网络提取图像特征的优势，研究面向肺内血管的图像分割算法。并在肺内血管模型的基础上，引入稀疏表达和图像配准理论，结合肺组织呼吸运动样本数据库，研究获取高精度肺组织局部运动信息的方法。主要研究内容为：（1）研究基于多尺度卷积神经网络的图像分割算法，结合图像增强方法，有效提取不同尺度下的图像特征信息，获取肺内血管区域，为肺组织运动建模提供基础；（2）通过对特征点置信度的检测，研究基于加权稀疏表达的运动信息获取算法，提高算法对非高斯误差的鲁棒性，获取肺组织呼吸运动的先验信息；（3）研究基于混合特征的自适应局部图像配准算法，实现先验信息、模型信息以及图像信息的融合，形成具有高精度的个体化肺组织局部运动模型。本课题研究成果可应用于计算机辅助肺内活检穿刺手术，具有较强的创新性和实用价值。

肺组织分割和肺组织呼吸运动信息获取是肺内肺内活检穿刺手术中的关键。本项目研究了基于多尺度注意力机制的肺实质与肺部血管分割算法，以卷积神经网络为基础，结合多尺度卷积和混合注意力模块，在提升肺实质分割精确度的同时，将骨架提取模块融入到卷积神经网络中，实现了在骨架结构上约束肺血管的拓扑结构，从而保证了肺部血管分割的连续性。以肺内血管树模型的运动作为评判呼吸方式相似度的依据，研究了基于模型表面相似度的权重稀疏表达算法，将当前患者的运动信息和呼吸运动数据库中运动信息逐一计算得到与之对应的相似度系数，并通过与全局控制系数的配合实现对样本稀疏性的适应性控制，降低了不同呼吸方式下的运动信息对运动建模精度的影响。针对肺内特征点选取过程中存在误差可能性不一致的问题，本项目提出了基于特征点置信度的权重稀疏表达算法，将特征点置信度的思想融入到稀疏表达理论中，实现对特征点误差的单独控制，加强了算法捕获特征点误差的能力。本项目还提出了基于先验信息的自适应B样条配准方法解决了CTF图像与CT图像不同维度之间的配准难题。该算法将运动先验信息与肺内血管树模型表面信息、图像灰度信息融入到图像配准的过程之中，进一步降低了先验运动信息在局部病灶区域的运动估计误差，从而构建出肺内局部感兴趣区域更为准确的运动模型。本课题相关研究成果未来主要可应用于虚拟手术、手术规划、计算机辅助介入手术导航等相关领域。结合立体导航定位系统，在术中提供实时、精确的人体组织模型三维显示，具有简化手术治疗难度，提高手术的成功率，减少对病人的附加伤害等重要临床应用价值。