[发明专利]一种3D-DSA图像的重建方法及系统

说明书

本发明涉及稀疏视图3D‑DSA成像技术领域，公开了一种3D‑DSA图像的重建方法，所述方法包括以下步骤：S1，采集基于微血管的2D‑DSA图像，对所述2D‑DSA图像进行预处理；S2，将预处理后的所述2D‑DSA图像以及对应的相机参数输入至训练好的3D‑DSA重建网络中，获得重建的3D‑DSA图像。此外，本发明还公开了一种血管3D‑DSA图像的重建系统，本发明的3D‑DSA图像的重建方法及系统，通过极少的2D图像便可以有效地重建多尺度人类脑血管系统，不仅可以确保重建图像的质量，还能够显著降低病人所承受的辐射剂量。

技术领域

本发明涉及稀疏视图3D-DSA成像技术领域，特别涉及一种基于超稀疏2D投影视图重建血管3D-DSA图像的方法及系统。

背景技术

脑血管疾病是引起人类死亡的主要疾病之一，是危害人类健康和生命的常见病和多发病。在头颈部血管检查手段中，数字减影血管造影(Digital SubtractionAngiography，DSA)技术被公认为是脑血管疾病诊断的“金标准”。然而，常规的二维血管造影术(2D-DSA)显示范围有限，难以清晰显示脑部血管复杂的结构及相互关系，导致部分病变血管与周围血管的关系显示不清，甚至部分血管狭窄会被遮挡而遗漏。三维数字减影血管造影(3D-DSA)技术就是为了解决这些问题而生的，3D-DSA技术是C形臂围绕患者做两次旋转，并采集一系列连续角度的2D-DSA图像，通过专业设备完成血管三维模型重建以及综合评估。

目前临床上使用的金标准3D-DSA成像方法是基于FDK算法实现的，西门子、通用电气(GE)、飞利浦和其他医疗设备制造商对基于FDK的算法进行了修订和使用，但这种传统的3D-DSA扫描和重建方法要求患者持续暴露于辐射中，采集的2D-DSA图像越多，患者在采集过程中需要注射造影剂用量越大，遭受辐射时间越长。因此，降低3D-DSA成像的辐射剂量是具有重大临床意义的，但是迄今为止，尚未报道在确保重建图像质量的条件下，可以显著降低辐射剂量的有效方法。

深度学习(DL)是一种机器学习技术，它使用多层人工神经网络来自动分析信号或数据。卷积神经网络(CNN)是深度学习技术中最成功且广泛使用的模型之一，它擅长以2D或3D图像数据作为输入来拟合非线性函数，同时不需要使用手动设计提取图像特征。近年来已经出现一些将卷积神经网络用于医学成像领域的2D(X射线)-3D计算机断层扫描(CT)重建方法的工作，比如使用稀疏的视图进行三维重建。但由于脑血管的复杂程度较高，目前尚未出现将深度学习的算法直接应用在脑血管DSA重建中。基于此，现提出一种3D-DSA图像的重建方法及系统，通过该重建方法及系统可以在采集到极少的2D图像的基础上重建获得血管的3D-DSA图像。

发明内容

本发明的目的旨在克服现有技术的缺陷，提供一种3D-DSA图像的重建方法及系统，通过极少的2D图像便可以有效地重建多尺度人类脑血管系统，不仅可以确保重建图像的质量，还能够显著降低病人所承受的辐射剂量。

本发明的上述技术目的是通过以下技术方案得以实现的：一种3D-DSA图像的重建方法，所述方法包括以下步骤：

S1，采集基于微血管的2D-DSA图像，对所述2D-DSA图像进行预处理；

S2，将预处理后的所述2D-DSA图像以及对应的相机参数输入至训练好的3D-DSA重建网络中，获得重建的3D-DSA图像。

进一步地，所述步骤S1中的预处理具体包括去噪、去运动伪影以及去造影剂流动干扰处理，所述步骤S2中的所述相机参数包括采集所述2D-DSA图像的视角。

进一步地，所述步骤S1之前，所述方法还包括：

S10，根据预先获得的2D-DSA图像构建特征数据库，所述特征数据库中包括若干组训练集，所述训练集中包括若干个二维投影图像及其对应的视角；