CN119478203B 肝胆胰三维图像的重建方法 （中国人民解放军海军军医大学第三附属医院）

骨骼和组织对比度、MRI的软组织分辨率及超声2所述的非刚性配准算法包括：使用卷积神经网络CNN结合注意力机制与多尺度特征提match为特征点匹配误差的总和；3所述的非刚性配准算法包括：在配准过程中引入多级金字塔策略，将2.根据权利要求1所述的肝胆胰三维图像的重建方法，其特征在于所述构建初步的三其中，Econtour表示轮廓提取的能量函数，Ω为图像的定义域，代表轮廓计算的范围；3.根据权利要求2所述的肝胆胰三维图像的重建方法，其特征在于所述构建初步的三MarchingCubes算法将点云转化为三角其中在网格生成过程会根据点云的局部密度和几何形态4.根据权利要求3所述的肝胆胰三维图像的重建方法，其特征在于所述构建初步的三4adjust表示自适应调整的能量函数，衡量网格调整过程5.根据权利要求4所述的肝胆胰三维图像的重建方法，其特征在于所述构建初步的三5超声图像主要描绘血流和血管结构，重建的三维图像偏向于血管解剖图像及血流的分布，换和计算来实现图像重建，而这种重建过程往往需要复杂的计算和大量的图像数据匹配，建方法缺乏对重建影像的真实感增强和纹理映射的处理。虽然能够展示血管和血流信息，678[0045]通过引入基于能量最小化的变形控制技术，优化网格在维持网格单元的形态一致性和边界光滑度，特别是在复杂区域的网格变形控制上表现优9[0049]图4为本发明使用ASiR_V重建的轴向CT图像，范围从10％到100间隔为10％(A[0051]图6为本发明测量主动脉(单个ROI)和肝脏(右前叶、右后叶和左肝叶的三个ROI)使得不同模态影像在空间上达到高精度对齐。该配准算法结合了U_Net等卷积神经网络架确保网格与实际器官结构的高度吻合。为了进一步提升网格模型对真实器官形状的贴合模态影像中的位置误差，得到位置对齐的精度；Ivf(x)-vg()l则代表特征点处的梯度差[0077]L＝1.2×25,000,000+1.5×469.8＝30,000,000+704.7＝[0078]通过最小化这一总损失函数L，网络不断调整配准过程中的变换参数，优化CT与[0088]这一结果反映了当前层级的变形场优化效果，通过最小化Fopt系统逐层优化变系统可以精准控制网格的调整过程，使得网格在复杂区域能够精准表达器官的形态特征，[0128]这种基于能量最小化的变形控制技术不仅解决了网格在复杂形态区域的变形挑[0130]在本实施例中，将探讨ASiR_V(混合迭代重建算法)和DLIR(深度学习图像重建算[0133]结合附图4中所示，使用ASiR_V算法的图像重建强度从10％到100％不等(对应图度θedge为45度(cos45八o=0.707).优化后能量函数的值为：[0142]本实施例结合DLIR(深度学习图像重建算法)和ASiR_V(混合迭代重建算法)在不DLIR图像与其他成像模式(如MRI和超声)进行精确对齐，以综合利用各模态影像的优势特杂形态区域如胆管和胰腺导管处保持高网格密度，同时在肝脏表面等平滑区域降低密度，的走行和胰腺的形态特征，能够帮助医生在术前规划中更好地评估病变对周围组织的影