[发明专利]基于webgl的高适应性医学影像多平面重建方法及系统

说明书

本发明实施例提供一种基于webgl的高适应性医学影像多平面重建方法及系统，该方法包括以下步骤：步骤S1：设置重建参数；步骤S2：对输入的影像进行预处理，从而提取用户选择的目标器官的轮廓和感兴趣的区域；步骤S3：利用深度学习网络进行图像分割；步骤S4：对用户选择的目标器官的轮廓和感兴趣的区域进行压缩；步骤S54：对图像进行渲染，得到最终重建的二维医疗影像。该方法支持用户自由选择重建模式，适用更加复杂的应用场景，有效减少现有技术对客户机的依赖性，提高系统开发效率，降低开发成本，也能够智能识别不同器官组织，使得医生诊断效率大大提高。

技术领域

本发明涉及医疗图像领域，尤其涉及一种基于webgl的高适应性医学影像多平面重建方法及系统。

背景技术

多平面重建是将CT或MRI等成像设备扫描范围内所有原始横轴位图像叠加起来，再对某些标定线段所指定的组织进行冠状位、矢状位、横轴位和任意角度斜面进行图像重组。重建后的图像仍是二维的断面图像，能从冠状面、矢状面、横断面及任意空间方位上显示病变与周围结构的关系。重建后的图像与断面图像结合，丰富了空间立体效果，适用于显示全身各个系统组织器官的形态学改变，尤其是对判断颅底、颈部、肺门、腹部、盆腔内、动静脉血管等解剖结构复杂部位的病变性质、侵及范围、比邻关系具有明显的优势。

现有多平面重建方法依赖于C/S架构的系统，并且使用了VTK、ITK、 XTK等图形图像可视化工具，存在以下问题：

1、现有方法采用对原始图像数据进行重建，对于大数据量的医疗影像，比如全身高分辨率CT图，存在对客户机资源需求高，交互流畅性差的问题。

2、移动设备适应性不足，现有技术依赖于C/S结构系统，在客户机需要专门安装程序，开发维护成本较高。

3、不能支持医生日益增长的对智能显像技术的需求，导致原因是现有方法重建模式单一以及未结合日渐成熟的人工智能技术。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基于webgl的高适应性医学影像多平面重建方法及系统。

第一方面，本发明实施例提供一种基于webgl的高适应性医学影像多平面重建方法，包括以下步骤：

步骤S1：设置重建参数；

步骤S2：对输入的影像进行预处理，从而提取用户选择的目标器官的轮廓和感兴趣的区域；

步骤S3：利用深度学习网络进行图像分割；

步骤S4：对用户选择的目标器官的轮廓和感兴趣的区域进行压缩；

步骤S54：对图像进行渲染，得到最终重建的二维医疗影像。

进一步地，步骤S1中的重建参数包括：器官组织名称、感兴趣区域和压缩比。

进一步地，步骤S2中的预处理指对对于输入的影像进行图像灰度值规范化和去噪处理。

进一步地，步骤S3中的图像分割指沿序列Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到深度学习网络中，得到预测结果为第 5张切片图像对应的初步分割结果；再将所有初步分割结果堆叠起来，并重采样至原始图像尺寸，得到最终分割结果。

进一步地，步骤S4中，对用户选择的目标器官的轮廓和感兴趣的区域进行压缩采用jpeg2000方法。

进一步地，步骤S5包括以下步骤：