心脏三维重构的调研报告

 

最近导师让做一个关于心脏的三维重构报告，查阅了很多的资料，这一块感觉还是比较冷门的，所以更新一下，希望能够帮助后来的童鞋~~~

 

1.调研背景 

1.1背景介绍

       近年来，CT、CR、DR、MRI、 US、PET、SPECT 等多种成像技术开始逐渐成熟并在医学疾病诊断中获得广泛应用，而随着人工智能的兴起，其在医疗领域能起到的作用也愈来愈明显，特别是在医学影像辅助诊疗方面具有广阔的前景。

1.2医疗与人工智能的实例

在文献【1】中作者用CNN分析了将近13万张临床上的皮肤癌图片，这个神经网络迅速成为了一名皮肤癌的专家。其算法的性能是通过构建敏感性特异性曲线进行衡量的，其中敏感性代表着正确识别恶性病变的能力，特异性代表着正确识别良性病变的能力。其是通过三个关键性诊断任务进行评估的：角化细胞癌的分类、黑素瘤的分类和通过皮肤镜检查的黑素瘤分类。在所有的三个任务中，该算法的表现媲美皮肤科医生，灵敏度曲线之下的区域达到整个曲线图区域的 91%。该算法另外的优点是它的敏感性能进行调整，研究者可以根据他们想要评估的东西从而调整其响应度。这种改变敏感性的能力暗示着该算法的深度与复杂性。看似无关照片中潜藏的架构——包括猫和狗的图像，都有助于算法更好地评价皮肤病变影像。

在文献【2】中，作者基于光学相干断层成像（OCT）数据有效进行图像黄斑变性和糖尿病视网膜黄斑水肿的识别和严重性定量评估，建立了一个基于深度学习框架的用于筛查普通可治疗的致盲性视网膜疾病的诊断工具。此外，论文还证明了该AI系统在用于胸部X射线图像诊断小儿肺炎方面具有普遍适用性。该工具的问世有望加速有关可治疗性疾病的诊断，从而促进疾病的早治疗，最终改善病人的临床结果。这说明人工智能诊断工具将非常有利于临床上很多疾病的筛查，并且在所有医学类型中创建更为有效的转诊系统。

这些资料都表明了智能与医疗，正成为人工智能时代重头戏。为了促进人工智能在医疗方面的发展，本文从深度学习对疾病的辅助诊断、三维四维构造心脏器官以及对病变的心血管做出预测等几个方面展开调研。

本文在第一章介绍了医学影像学与计算机技术的调研背景，在第二章着重介绍了三维重建以及在重构心脏方面的应用，在第三章介绍了四维重建心脏的方法，在第四章介绍了运用人工智能知识对病变的心血管疾病做出判断。

2．心血管影像的三维重建

2.1三维重建技术的相关概念

医学影像三维重建技术就是将二维的序列切片图像重建出三维立体图像。医学图像三维重构涉及到的研究内容包括:医学图像数据的获取、图像预处理、图像分割、可视化映射、三维重建、显示。随着三维重建理论的不断发展，逐渐形成了面绘制和体绘制两种主要的绘制方法。在综合多篇文章和资料之后，本文将医学的三维重建可以概括为以下过程：

 

 

 

 

2.2三维重建经典方法的总结

面绘制通过设定固定的阈值只绘制特定物体的表面信息，因此计算量小绘制速度较快，但不能完全反映物体的内部细节。体绘制绘制速度较慢却能更完整更全面地获取物体的三维信息，随着计算机速度的不断提升，体绘制速度也不断提高，面绘制已经渐渐被体绘制所取代，在综合大量资料之后，本文将关于各个绘制方法用如下表格来总结：

 

表2-1  三维重建经典方法总结比较

三维重建方法			优缺点	速度	效果	原理
面 绘 制		轮廓线方法	占用空间小，效果差	快	差	在一组截面轮廓上构造曲面
		Cuberille	简单，内存小	快	差	用体素的六个面来拟合所求等面值，然后把体素中重合的去掉，连接不重合的面
		Marching Cubes	经典算法，算法容易实现	较快	好	经典算法，在2.2中重点讲到
		Marching Tetrahedra	精度高，实现简单	较快	好	基于MC算法，解决了二义性问题
		Dividing Cubes	适用高密度的三维数据场	较快	中等	用体素中心点的小面片来代替体素内的三角面片
		Surfacing Tracking	减少体素单元的访问个数	快	较好	利用相邻体素的相关性，选取某个体素做种子体素，然后扩展等面值
体绘制	空间域	光线投影法	占用内存大，无法实时交互	好	慢	以图像空间为序的直接体绘制
		错切变形法	占用内存大，收数据规模限制	一般	快	将三维视觉变换分解成三维的错切变换和二维的变形变换
		抛雪球法	计算多	较好	较快	将体数据与函数核做卷积
	频率域	频域体绘制	算法简单	较好	快	在片段提取期间，在频域中执行阴影计算来替换大多数丢失的深度和形状线索
		基于小波	占用内存多，算法复杂	好	一般	对体数据进行三维离散小波变换，光线投影法在小波域上的实现

 

 

 

 

 

2.3改进的三维重构算法

MC算法是面绘制最经典最常用的算法，而光线投影法是体绘制最常用最经典的算法，本节选取这两个经典重构算法对其进行详述以各自在GPU上的改进。可编程管线GPU的出现，利用其独特的硬件结构加速了计算机上的各种图形处在文献【3】中，作者利用可编程图形处理单元 GPU 对三维重建算法进行加速，使得医学影像三维重建系统实现快速高效的实时绘制。

 

2.3.1MC重构算法及其基于GPU的编程

在上节表格的总结中，MC算法适用大部分情况，且算法效果较好，在文献【4】中由Willian E.Lorensen 和Harvey E.Cline共同提出。其基本思想可以理解为用一个超大的长方体包住目标器官，再把这个大长方体，分成 A x B x C个一模一样的小长方体。其中，每个平行于水平面的长方体截面就对应着一个CT断层图片，然后判断小立方体的8个顶点分别是否在目标器官的内部。如果某个顶点在物体内部，那么给这个顶点标上一个0，