本發(fā)明涉及醫(yī)學及計算機仿真，尤其涉及一種生物組織模型結構優(yōu)化模型、方法、裝置及介質。

背景技術：

1、介入手術因其微創(chuàng)性在各類疾病治療中得到了廣泛應用，尤其在血管疾病(如動脈瘤、動脈硬化、癌癥相關血管重建等)的治療中尤為重要。精確的血管結構重建是確保手術安全和提高治療效果的關鍵。然而，現(xiàn)有的血管結構優(yōu)化技術仍面臨諸多挑戰(zhàn)，如分割算法導致血管直徑縮小、圖像分辨率降低及離散體素處理的精度問題。在臨床應用中，這些問題可能導致得到的血管模型誤差較大和不連續(xù)等問題，進而影響介入治療的準確性，增加醫(yī)生的操作負擔。

2、現(xiàn)有方法通常通過逐層處理圖像堆棧來完成血管結構的建模，因此形狀不可避免地受到離散體素分辨率的影響。此外，隨著血管直徑的逐漸減小，ct圖像的清晰度也顯著下降。這些因素導致建立的血管結構的更加粗糙，且易受尖刺狀噪聲的干擾，盡管拉普拉斯平滑方法(laplacian?smoothing)可以減少部分噪聲，但在消除尖刺狀噪聲干擾的同時，卻無法保證血管表面的高保真度。

3、隨著卷積神經(jīng)網(wǎng)絡(convolutional?neural?networks，cnn)的發(fā)展，自動化血管結構優(yōu)化方法得到了廣泛應用，以減輕人工的工作量。這些方法能夠利用術前數(shù)據(jù)對同一患者的術中數(shù)據(jù)進行推斷，從而減少重復醫(yī)生的負擔。然而，基于cnn的方法通常仍在離散體素空間中建模血管結構，因此依舊面臨上述問題。此外，這些方法在推理過程中易發(fā)生斷裂問題，導致血管樹的不連續(xù)性，進而干擾術前路徑規(guī)劃算法，甚至可能引導介入科醫(yī)生得出錯誤結論。

4、以上背景技術內容的公開僅用于輔助理解本發(fā)明的發(fā)明構思及技術方案，其并不必然屬于本技術的現(xiàn)有技術，也不必然會給出技術教導；在沒有明確的證據(jù)表明上述內容在本技術的申請日之前已經(jīng)公開的情況下，上述背景技術不應當用于評價本技術的新穎性和創(chuàng)造性。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供一種生物組織模型結構優(yōu)化模型、方法、裝置及介質，通過引入隱式模板和空間變換函數(shù)的聯(lián)合建模，能夠更精確地捕捉生物組織結構的復雜幾何特征，預測并修復生物組織模型結構中的缺損和變形，進而提高生物組織模型結構表面重建的精度。

2、為達到上述目的，本發(fā)明采用的技術方案如下：

3、一種生物組織模型結構優(yōu)化模型，通過以下方式構建：

4、獲取學習樣本集，所述學習樣本集包括多個學習樣本，每個學習樣本包括從一個生物組織模型樣本上提取的所有點的空間坐標；所述生物組織模型樣本上的點通常為生物組織模型表面上的點、也稱為頂點或表面頂點，每個所述生物組織模型均包括多個點/頂點；

5、預先構建一神經(jīng)網(wǎng)絡基礎模型，所述基礎模型包括變形網(wǎng)絡和模板網(wǎng)絡，所述變形網(wǎng)絡被配置將所述學習樣本變換至預設的三維空間以得到預測生物組織模型，所述模板網(wǎng)絡被配置為確定所述預測生物組織模型的sdf值即有符號距離函數(shù)值；

6、將所述學習樣本集輸入所述基礎模型，利用預設的總損失函數(shù)對所述基礎模型進行優(yōu)化訓練以得到生物組織模型結構優(yōu)化模型；所述總損失函數(shù)與所述預測生物組織模型的sdf損失和/或幾何梯度損失相關。

7、進一步地，承前所述的任一技術方案或多個技術方案的組合，所述總損失函數(shù)的表示為：

8、lsdf＝k1lsdf-val+k2lsdf-geo

9、其中，lsdf表示總損失函數(shù)，lsdf-wal表示所述預測生物組織模型的sdf損失，lsdf-geo表示所述預測生物組織模型的幾何梯度損失，k1為第一系數(shù)、k1＞0，k2為第二系數(shù)、k2＞0。

10、進一步地，承前所述的任一技術方案或多個技術方案的組合，通過以下公式計算所述預測生物組織模型的sdf損失lsdf-wal：

11、

12、其中，ωi表示第i個預測生物組織模型的整個空間，si表示第i個預測生物組織模型的表面，p表示點的空間坐標，αi表示第i個生物組織模型樣本的特征向量，β表示一類生物組織模型樣本的特征向量，s'表示真實的sdf值，f(p；αi，β)表示針對p預測的sdf值，φ(f(p；αi,β))＝exp(-δ·||f(p；αi,β)||)是對非生物組織模型表面點預測的懲罰，旨在使其sdf值接近零，其中δ>>1，ωs表示在lsdf-wal中sdf誤差值的權重，ωφ表示在lsdf-wal中sdf空間分布的權重。

13、進一步地，承前所述的任一技術方案或多個技術方案的組合，通過以下公式計算所述預測生物組織模型的幾何梯度損失lsdf-geo：

14、

15、其中，ωi表示第i個預測生物組織模型的整個空間，si表示第i個預測生物組織模型的表面，p表示點的空間坐標，n'表示生物組織模型樣本的表面p點所在平面的法向量，scos表示余弦相似性、其用于衡量預測梯度與真實法向量的一致性，表示生物組織模型樣本的表面p點的梯度方向，表示梯度的步幅和單位法向量的模長一致，ωn表示余弦相似性的系數(shù)，ωeik表示幅值的系數(shù)。

16、進一步地，承前所述的任一技術方案或多個技術方案的組合，k1＝1，k2＝1。

17、進一步地，承前所述的任一技術方案或多個技術方案的組合，還包括通過以下方式對所述基礎模型進行優(yōu)化訓練：

18、為所述學習樣本配置潛在編碼，所述變形網(wǎng)絡被配置基于所述潛在編碼將所述學習樣本變換至預設的三維空間以得到預測生物組織模型，所述模板網(wǎng)絡被配置為基于所述潛在編碼確定所述預測生物組織模型的sdf值，并且在每輪訓練過程中，對所述潛在編碼進行優(yōu)化。所述潛在編碼與所述學習樣本的形狀特征相關，具體的，所述潛在編碼為表示所述學習樣本的形狀特征的高維向量。在訓練初始時，所述潛在編碼為隨機初始化的一個高維向量；在每輪訓練過程中都對潛在編碼進行優(yōu)化，在訓練完成后，所述潛在編碼為準確表示所示學習樣本的高維向量。通過引入所述潛在編碼，使得訓練完成的變形網(wǎng)絡和模板網(wǎng)絡能夠精準地學習所述學習樣本的整體結構特征，進而在實際應用中，也能夠更加高效、快速、準確地確定具有缺陷的待優(yōu)化的3d生物組織模型的整體結構特征。

19、進一步地，承前所述的任一技術方案或多個技術方案的組合，基于以下公式，利用所述變形網(wǎng)絡將所述學習樣本變換至預設的三維空間以及利用所述模板網(wǎng)絡得到所述預測生物組織模型的sdf值：

20、f(p∈r3,c)＝t(d(p,c))

21、其中，f表示有符號距離函數(shù)、其輸出為sdf值，p表示生物組織模型樣本上的點的空間坐標，c表示所述學習樣本的潛在編碼，r3表示所述學習樣本的三維空間，函數(shù)d用于將點p的空間坐標映射到預設的三維空間以得到相應的三維坐標，t是一個隱式函數(shù)、其用于返回預設的三維空間內的點的sdf值。

22、進一步地，承前所述的任一技術方案或多個技術方案的組合，所述變形網(wǎng)絡包括多層全連接層和非線性激活函數(shù)，其輸入是三維空間的點坐標和潛在編碼，其輸出為三維的位移向量，所述潛在編碼與所述生物組織模型的形狀特征相關。

23、進一步地，承前所述的任一技術方案或多個技術方案的組合，所述生物組織模型結構優(yōu)化模型滿足：以學習樣本的部分為輸入，其得到的輸出不僅包括所述輸入還包括所述輸入不包括但所述學習樣本包括的點的空間坐標；和/或，

24、所述預設的三維空間為模板空間，所述模板空間為表示生物組織模型結構隱式模板的空間，基于所述模板空間，所述變形網(wǎng)絡和所述模板網(wǎng)絡對不同形狀進行統(tǒng)一建模。

25、進一步地，承前所述的任一技術方案或多個技術方案的組合，所述生物組織模型包括血管模型、骨骼模型和器官模型中的一種或多種。

26、根據(jù)本發(fā)明的另一方面，本發(fā)明提供了一種生物組織模型結構優(yōu)化方法，包括以下步驟：

27、確定輸入數(shù)據(jù)，所述輸入數(shù)據(jù)包括待優(yōu)化的3d生物組織模型上的所有頂點的空間坐標以及初始潛在編碼，所述初始潛在編碼通過隨機初始化確定；

28、將所述輸入數(shù)據(jù)輸入預先構建的生物組織模型結構優(yōu)化模型以得到優(yōu)化后的3d生物組織模型；

29、其中，所述生物組織模型結構優(yōu)化模型通過以下方式構建：

30、獲取學習樣本集，所述學習樣本集包括多個學習樣本，每個學習樣本包括從一個生物組織模型樣本上提取的所有點的空間坐標；

31、預先構建一神經(jīng)網(wǎng)絡基礎模型，所述基礎模型包括變形網(wǎng)絡和模板網(wǎng)絡，所述變形網(wǎng)絡被配置將所述學習樣本變換至預設的三維空間以得到預測生物組織模型，所述模板網(wǎng)絡被配置為確定所述預測生物組織模型的sdf值；

32、將所述學習樣本集輸入所述基礎模型，利用預設的總損失函數(shù)對所述基礎模型進行優(yōu)化訓練以得到生物組織模型結構優(yōu)化模型；所述總損失函數(shù)與所述預測生物組織模型的sdf損失和/或幾何梯度損失相關。

33、進一步地，承前所述的任一技術方案或多個技術方案的組合，利用所述生物組織模型結構優(yōu)化模型對所述輸入數(shù)據(jù)進行優(yōu)化以得到優(yōu)化后的3d生物組織模型，包括：

34、基于所述輸入數(shù)據(jù)，利用訓練后的所述變形網(wǎng)絡將所述3d生物組織模型變換至預設的三維空間以得到當前3d生物組織優(yōu)化模型，利用訓練后的所述模板網(wǎng)絡確定所述當前3d生物組織優(yōu)化模型的sdf值；

35、根據(jù)所述3d生物組織優(yōu)化模型和所述sdf值確定預設的所述總損失函數(shù)是否收斂，若所述總損失函數(shù)收斂，則確定所述當前3d生物組織優(yōu)化模型為優(yōu)化后的3d生物組織模型；

36、若所述總損失函數(shù)不收斂，則對神經(jīng)網(wǎng)絡參數(shù)和所述當前潛在編碼進行優(yōu)化，并根據(jù)優(yōu)化后的神經(jīng)網(wǎng)絡參數(shù)和所述當前潛在編碼進行下一輪所述3d生物組織模型的優(yōu)化直至所述總損失函數(shù)收斂；

37、其中，第一輪優(yōu)化對應的所述當前潛在編碼通過隨機初始化得到，之后每一輪優(yōu)化對應的所述當前潛在編碼根據(jù)上一輪的優(yōu)化結果確定。

38、具體地，獲取待優(yōu)化的3d生物組織模型即待修復模型的潛在編碼，采用統(tǒng)計學中最大后驗概率估計方法，即對待修復模型進行n次不同的隨機的sdf空間采樣，可作為觀測值，滿足n次觀測平均誤差最小或者相似度最高潛在編碼為修復模型的潛在編碼。

39、根據(jù)本發(fā)明的另一方面，本發(fā)明提供了一種生物組織模型結構優(yōu)化裝置，所述生物組織模型結構優(yōu)化裝置中設置有如上任一實施例所述的生物組織模型結構優(yōu)化模型，所述生物組織模型結構優(yōu)化裝置被配置為對輸入的待優(yōu)化的3d生物組織模型進行優(yōu)化重建。

40、根據(jù)本發(fā)明的另一方面，本發(fā)明提供了一種計算機可讀存儲介質，用于存儲程序指令，所述程序指令被配置為被處理器調用而執(zhí)行如上任一技術方案或多個技術方案組合所述的方法的步驟。

41、本發(fā)明提供的技術方案帶來的有益效果如下：

42、a.本發(fā)明通過引入隱式模板和空間變換函數(shù)的聯(lián)合建模，能夠更精確地捕捉生物組織結構的復雜幾何特征，傳統(tǒng)的deepsdf方法在處理復雜形狀時，往往難以準確反映形狀的細微變化，而本方法通過將形狀的幾何變化與通用模板sdf的差異聯(lián)系起來，基于深度隱式神經(jīng)場和幾何梯度約束，原始數(shù)據(jù)中的斷裂區(qū)域在重建過程中被隱式模板和空間變換函數(shù)聯(lián)合建模，通過幾何梯度約束的優(yōu)化，斷裂處的sdf值能夠被準確地預測并補全；

43、b.本發(fā)明通過潛在編碼對隱式模板和空間變換函數(shù)進行條件建模，利用潛在編碼從輸入數(shù)據(jù)中提取的形狀特征，能夠表示不同生物組織模型實例的幾何差異，在訓練過程中，隱式模板和空間變換函數(shù)的參數(shù)和潛在編碼被聯(lián)合優(yōu)化，共同捕捉形狀的全局和局部幾何特征，確保了隱式模板和空間變換函數(shù)之間的一致性，避免了傳統(tǒng)方法中可能出現(xiàn)的全局與局部特征不匹配的問題，有效地提高了表面重建的精度。