(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211247610.2 (22)申请日 2022.10.12 (71)申请人 华中科技大 学苏州脑空间信息 研究 院 地址 215000 江苏省苏州市工业园区若水 路388号 (72)发明人 丰钊　周建东　龚辉　李安安　 (74)专利代理 机构 南京艾普利德知识产权代理 事务所 (特殊普通合伙) 32297 专利代理师 陆明耀 (51)Int.Cl. G06T 17/00(2006.01) G06T 3/40(2006.01) G06T 3/00(2006.01)G06F 40/186(2020.01) (54)发明名称 一种三维脑图谱 模板构建方法 (57)摘要 本发明提供一种三维脑图谱模板构建方法， 其包括： 步骤一， 形变场获取： 选取一套二维图像 的序列， 对于任意相邻的两张二维图像， 将前一 张配准到后一张上， 配准过程生成形变场； 步骤 二， 中间形变场生成： 对于任意相邻的两张二维 图像配准生成的形变场， 按时间的形变路径积 分， 计算中间形变场； 步骤三， 插值图像生成： 对 于任意相邻的两张二维图像， 根据所述中间形变 场， 计算待插值图像。 本发明所述三维脑图谱模 板构建方法、 存储介质及电子设备， 避免了传统 三维重建思路可能产生的碎片空洞和缝隙重叠 等问题。 权利要求书1页 说明书6页 附图1页 CN 115457218 A 2022.12.09 CN 115457218 A 1.一种三维脑图谱 模板构建方法， 其特 征在于， 包括： 步骤一， 形变场获取： 选取一套二维图像的序列， 对于任意相邻的两张二维图像， 将前 一张配准到后一张上， 配准过程 生成形变场； 步骤二， 中间形变场生成： 对于任意相邻的两张二维图像配准生成的形变场， 按时间的 形变路径积分， 计算中间形变场； 步骤三， 插值图像生成： 对于任意相邻的两张二维图像， 根据所述中间形变场， 计算待 插值图像。 2.如权利要求1所述的三维脑图谱模板构建方法， 其特征在于， 所述步骤一中， 所述一 套二维图像的序列包括N张二维 图像， 记为S＝{s1,s2,…si,…sN}， 该序列中任意一张图像 si， i＝1,2…N， 长宽方向上 的像素数及分辨率都相同， 其像素分辨率记为hμm/pixel； 轴向 上， 序列中任意相邻的两张二维图像si和si+1之间的距离记为viμm， vi>h。 3.如权利要求2所述的三维脑图谱模板构建方法， 其特征在于， 所述二维图像为二维标 记图像。 4.如权利要求2所述的三维脑图谱模板构建方法， 其特征在于， 序列中任意相邻的两张 二维图像si和si+1之间的距离相同或不同。 5.如权利要求2所述的三维脑图谱模板构建方法， 其特征在于， 所述步骤一包括： 对于 任意相邻的两张二维图像si和si+1， 使用微分同胚非线性 形变图像配 准算法， 将si配准到si+1 上， 配准过程 生成所述形变场， 记为Di。 6.如权利要求5所述的三维脑图谱模板构建方法， 其特征在于， 所述形变场Di满足 Similarity(Di(Fi),Fi+1)≥Thresh， Fi和Fi+1为任意相邻的两张二维图像si和si+1上的图像 特征所构成的集合， 所述图像特征为特征点或是用相同灰度值标记的特征区域， 数量不限， Similarity为图像特 征对应的相似性评估， Thresh为预设的相似性阈值。 7.如权利要求2中所述的三维脑图谱 模板构建方法， 其特 征在于， 所述 步骤二包括： 1)计算待插值图像张数： mi＝floor(vi/h)‑1， mi为二维图像的序列S中任意相邻的两张 二维图像si和si+1之间需要插值的图像张数， fl oor为向下 取整操作； 2)计算中间形变场： 为时间点Tk下的中间形变场， Tk为将积分的时间等分为mi+1段， 每一段 结束的时间点。 8.如权利要求7 所述的三维脑图谱 模板构建方法， 其特 征在于， 所述 步骤三包括： 1)生成中间图像： 记二维图像的序列 S中任意相邻的两张二维图像si和si+1之间， 待插 值 图像按顺序排列为Ci＝{c1,c2,…ck,…cmi}， 对于其中任意的待插值图像ck， 有 由此生成所有的待插值图像； 2)构建三维图像堆栈： 将二维图像的序列S和所有的待插值图像Ci， 按照空间顺序排列 成一个三维图像堆栈R， 三维图像堆栈R即为构建的三维脑图谱 模板。权　利　要　求　书 1/1 页 2 CN 115457218 A 2一种三维脑图谱 模板构建 方法 技术领域 [0001]本发明涉及图像处 理技术领域， 尤其涉及一种三维脑图谱 模板构建方法。 背景技术 [0002]基于二维图像序列的三维重建是图像 处理领域的常规任务， 其目的是在轴向信息 匮乏， 即图像序列的轴向分辨率远低于其单张图像水平分辨率的情况下， 重构出图像序列 所记录对象的三维形态信息 。 [0003]脑图谱模板构建同样属于三维重建任务中的一种。 所谓的脑图谱模板， 一般指标 注了若干脑结构的三维 图像， 图像上属于同一个解剖结构的体素被相同的灰度值标记。 相 比于光学显微镜、 磁共振仪等设备获取 的包含真实脑结构信息的自然图像， 仅包含标记信 息的脑图谱模板更适合作为人工比对或者图像配准计算中的标准参考， 因此可用于辅助用 户在三维空间中定位神经环路、 血 管分布等 不同类型的脑信息 。 [0004]脑图谱模板构建通常遵循如下步骤。 首先从同一个脑组织样本中获取若干张二维 脑片， 置于显微镜下成像， 然后 将获取的自然图像在轴向上对齐， 构 造一套待标记的自然图 像数据集。 受成像技术所限， 自然图像数据集的水平分辨率往往高于其轴向分辨率1～2个 数量级。 接下来， 由具备神经解剖知识的专家手工界定脑片图像上各个解剖结构的边界， 并 使用不同的灰度值对各解剖结构边界内的像素进行填充， 得到标记图像。 由于标记图像来 自于自然图像， 其空间分辨率同样远高于轴向上 的空间距离， 因此需对标记图像进行轴向 插值操作， 计算出若干 “中间图像 ”， 以此使得标记图像数据集在轴向上的空间分辨率和水 平方向相当。 插值所 得的数据集即为 三维脑图谱 模板。 [0005]近年来， 以 “显微光学切片断层成像技术 ”为代表的新的成像技术， 已经可以获取 轴向分辨率与水平分辨率均达到1微米量级的哺乳动物脑图像数据集。 以小鼠脑为例， 现有 技术所获取 的单套数据集可包含1万多张水平分辨率达到微米水平的脑片， 相邻脑片之间 的轴向间距也均为1微米。 然而， 由于一张脑片上包含的解剖结构数量众多， 且彼此之间的 边界难以用自动算法识别和提取， 因此依然要由解剖专家手动进 行标注。 另一方面， 专家经 验的习得需要长年的神经解剖学训练， 难以规模化和批量化， 限制 了专家所能手动标注的 图像数量。 同样以小鼠脑为例， 为了从新成像技术所获取的图像数据集构建三 维图谱模板， 需要每100张左右选取1张脑片进行手动标注， 才能将工作量控制在合理范围内， 而由此所 获得的标记图像序列的轴向分辨率， 依然低于水平分辨率2个数量级。 由此可见， 如何基于 数量有限的二维标注图像来构建三维脑图谱 模板， 一直是一项 亟待解决的任务。 [0006]目前的主流处理思路可大致分为两种。 第一类方法是将其视为常规图像插值问题 的一种特例， 包括经典的最近邻插值、 线性插值、 双三次插值等， 其核心思想是对于空间中 的任意一个点， 搜索二维 图像序列中与其最近的若干个像素， 通过对这些像素按距离进行 排序或灰度值的加权平均， 获取该点应该填充的灰度值。 这一类方法并未将被标注的脑解 剖结构作为一个整体来看待， 其处理对 象是一个个孤立的体素点， 因此最终插值出 的结果 不可避免地会产生空洞、 碎片， 使得重建结果无法满足三维脑图谱模板中各个解剖结构边说　明　书 1/6 页 3 CN 115457218 A 3