2D | 您所在的位置:网站首页 › 薄层ct与三维重建的图片怎么获得 › 2D |
一、课题背景
希望通过二维的X光图像就可以重建出三维的脊柱骨模型,在空间上获取更多的数据,更好地对脊柱骨的侧弯程度进行分型。 1.1 前期论文研读脊柱侧弯背景知识学习 阅读了Lenke分型的论文,掌握基本的脊柱分型知识 三维重建 Yoni Kasten等人提出的端对端的利用双平面X-Ray图像重建三维模型的方法 Liyue Shen等人提出的通过单个DRR图像生成CT数据的 Henzler等人提出的利用一个 encoder-decoder structure的卷积神经网络对实现2D到3D的重建 二、三维重建的思路 2.1 数据集制作 2.1.1 对CT图像进行数据处理 原始的CT是一个dicom文件序列,且每一个患者的切片数目不一致。 基本处理: 用simpleITK读取CT图像序列,并把这些序列转化为一个三维的数组 去除CT图像的扫描边界 调整CT图像像素强度到0-255 将CT数据缩小为128×128×128 导出保存为nii格式 2.1.2 利用CT数据生成DRR在实际生活中X光CT对应的数据是非常少见的,所以在上述三篇X光重建三维模型的论文中,都是先利用CT图像生成DRR来模拟X光图像。 目前进展: 在DRR生成这一块主要使用了ITK包中的Filtering/DigitallyReconstructedRadiograph1.cxx示例进行的DRR生成。这部分难点主要在于弄明白ITK这个代码的接口使用,以及生成DRR的参数调节部分。 调通接口后的官网原参数生成的DRR结果:
目前调试过程中,最优的DRR效果如下:
仍存在的问题: 感觉可能由于CT剂量原因,固定参数生成的DRR效果并不是特别好。例如上述图2 就特别的暗 生成的DRR感觉有点变形 无法评判这个DRR与真实的X光到底区别有多大 在DRR生成算法这块并不是特别熟悉,还需要进行研究 2.2 网络结构及超参数设置 主要对Liyue Shen等人提出的通过单个DRR图像生成三维CT数据的方法进行了复现。
2.2.1 网络结构 表征层网络 一个二维的残差网络,主要用于提取DRR图像中的特征信息 转化模块 经过表征层网络寻来你后得到4096×4×4的tensor,通过transform模块将这个tensor转为2048×2×4×4 生成网络 类似一个解码器,根据二维图像提取的特征生成三维的CT数据 2.2.2 超参数设置 激活函数选用ReLU 代价函数选用均方误差(MSE) 优化器论文中用了Adam 实际用的时候使用Adam在反向传播的时候计算量很大,网络跑不动,所以使用了SGD,且momentum=0才跑得动 optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0)epoch size = 100 , min-bath size = 1 2.2.3 总结与思考 作者给出了Pytorch框架下的网络结构代码,但是并没有给出数据处理及训练部分的代码。所以前期花费了比较多的时间在数据集的处理及接口搭建上。 可能并非是GPU性能不够而无法使用Adam优化器,或者设置momentum,而是未合理释放内存 文中的代价函数选用的是均方误差,感觉在loss函数上可以有更多的思考。简单的均方误差可能并不能很好的反应更为细致的结构特征 三、目前结果由于数据量只有20个所以只是初步训练了一个大致的结果: 3.1 原始CT训练结果 输入数据:二维的DRR图像 左图为原始CT , 右图为生成的CT 3.2 二值CT 训练结果 二维的DRR图像 左图为原始CT , 右图为生成的CT 四、总结 1、数据量过少 目前医院的数据并不多,数据量不够,考虑用LIDC-IDRI这个肺部的公共数据集先去实现 2、带有mask的CT数据不好处理 考虑将对CT做处理,直接拿只有脊柱骨的CT切片作为真值。不过如何获取只有脊柱骨部分的ROI目前没有教好的方法。 mimics软件过于繁琐,面对大量数据的时候时间成本较高。 利用医学图像处理的方法用代码分割出脊柱骨。(目前还在学习) |
CopyRight 2018-2019 实验室设备网 版权所有 |