一种基于深度学习的生物体内部结构生成方法

专利主权项内容

1.一种基于深度学习的生物体内部结构生成方法，其特征在于，包括以下步骤：S1、构建并训练成像目标的内部器官生成模型；S2、获取所要成像目标的三维体表轮廓图像；S3、将获取到的成像目标的三维体表轮廓图像输入内部器官生成模型，得到内部器官分布三维图像；S4、将内部器官分布三维图像与三维体表轮廓图像进行叠加融合、显示；S1具体包括以下步骤：S101、获取成像目标的原始三维体表轮廓图像和内部结构图像；S102、对内部结构图像进行勾画处理，从而得到器官的二进制掩膜图像；S103、获取与原始三维体表轮廓图像配准的器官掩膜图像，具体方法为：将二进制掩膜图像与原始三维体表轮廓图像进行配准得到轮廓配准位移场，将轮廓配准位移场作用于二进制掩膜图像，得到与三维体表轮廓图像配准的器官掩膜图像；将二进制掩膜图像与原始三维体表轮廓图像进行配准的方法为：首先针对同一个截面的原始三维体表轮廓图像和器官掩膜图像，原始三维体表轮廓图像截面之后是一条体表轮廓曲线，将器官掩膜图像的边缘与该条体表轮廓曲线进行弹性配准，得到弹性配准位移场，再将该弹性配准位移场作用于器官掩膜图像内部的器官结构；或者，将二进制掩膜图像与原始三维体表轮廓图像进行配准的方法为：将原始三维体表轮廓图像与二进制掩膜图像的三维轮廓进行曲面间的配准，得到弹性配准位移场，再将该弹性配准位移场作用于器官掩膜图像内部的器官结构；S104、对原始三维体表轮廓图像进行归一化处理，设定处理后的三维体表轮廓图像作为深度学习神经网络的输入图像，器官掩膜图像为深度学习神经网络的输出结果，将三维体表轮廓图像、器官掩膜图像作为一个训练数据样本对；S105、利用训练数据样本对训练基于神经网络的成像目标内部器官生成模型。