[发明专利]一种肝脏变形预测方法、系统及电子设备

权利要求书

1.一种肝脏变形预测方法，其特征在于，包括以下步骤：

步骤a：获取肝脏四面体的变形数据；

步骤b：对所述肝脏四面体的变形数据进行重采样插值和预处理，生成肝脏数据集；

步骤c：根据肝脏数据集构建卷积神经网络，所述卷积神经网络在获取肝脏表面位移后，对肝脏整体变形进行预测。

2.根据权利要求1所述的肝脏变形预测方法，其特征在于，在所述步骤a中，所述获取肝脏四面体的变形数据具体为：从术前患者的肝脏CT图像中分割获得肝脏数据，对所述肝脏数据重建获得肝脏表面三角形网格，并生成对应的肝脏四面体网格；随机在肝脏表面选择设定大小的区域作为零位移边界条件，模拟肝脏与相邻器官相固定的地方，施加一定大小的力到另一个随机的设定大小的区域，给予肝脏变形的动力；使用Elmer算法计算变形后的结果，得到对应点的位移矢量信息；并移除肝脏数据中最大位移大于一定大小的区域。

3.根据权利要求2所述的肝脏变形预测方法，其特征在于，在所述步骤b中，所述对肝脏四面体的变形数据进行重采样插值和预处理具体为：首先，将肝脏重采样到64×64×64的规则网格中，计算规则网格中每个点到肝脏最近表面点的距离，并设在肝脏表面外的点到肝脏最近表面点的距离为正，在肝脏表面内的点到肝脏最近表面点的距离为负；然后，将肝脏零位移点的部分标记出来，与非肝脏内部点加以区分；对于规则网格，每一个点包含三重信息五个数据，分别为：矢量的三个方向、距离肝脏表面的最近距离以及是否为零位移点。

4.根据权利要求1至3任一项所述的肝脏变形预测方法，其特征在于，在所述步骤c中，所述卷积神经网络包括编码器和解码器，使用编码器降低分辨率并学习数据特征，使用跳跃连接，将前端信息复制到解码器，解码器使用平均池化来降低数据分辨率提高通道数；解码器有三个上采样，采用最临近插值，将分辨率提高一倍，使得网络的输出分辨率与输入分辨率相同。

5.根据权利要求4所述的肝脏变形预测方法，其特征在于，所述步骤c后还包括：构建损失函数，得到最优化的卷积神经网络；损失函数添加了额外的下采样位移估计与标签对应的下采样相误差计算；误差函数表达为：

上述公式中，u_i为解码器在分辨率为i时额外输出的部分，u_tar,i为标签数据为对应分辨率下采样结果，为对应分辨点的个数，如果点在肝脏外面，则O(p)＝0；分辨率i∈(64,32,16,8，最后的损失函数作为不同分辨率的加权和：

上述公式中，选取权重λ₆₄＝λ₃₂＝λ₁₆＝λ₈＝1。

6.一种肝脏变形预测系统，其特征在于，包括：

数据获取模块：用于获取肝脏四面体的变形数据；

数据处理模块：用于对所述肝脏四面体的变形数据进行重采样插值和预处理，生成肝脏数据集；

网络构建模块：用于根据肝脏数据集构建卷积神经网络，所述卷积神经网络在获取肝脏表面位移后，对肝脏整体变形进行预测。

7.根据权利要求6所述的肝脏变形预测系统，其特征在于，所述数据获取模块获取肝脏四面体的变形数据具体为：从术前患者的肝脏CT图像中分割获得肝脏数据，对所述肝脏数据重建获得肝脏表面三角形网格，并生成对应的肝脏四面体网格；随机在肝脏表面选择设定大小的区域作为零位移边界条件，模拟肝脏与相邻器官相固定的地方，施加一定大小的力到另一个随机的设定大小的区域，给予肝脏变形的动力；使用Elmer算法计算变形后的结果，得到对应点的位移矢量信息；并移除肝脏数据中最大位移大于一定大小的区域。