CH717198B1

CH717198B1 - Metodo per la segmentazione di una griglia 3D discreta.

Info

Publication number: CH717198B1
Application number: CH000269/2020A
Authority: CH
Inventors: Schärfig Randolf
Original assignee: Lilla Nafradi
Priority date: 2020-03-09
Filing date: 2020-03-09
Publication date: 2024-03-28
Also published as: CH717198A1; WO2021181238A1

Abstract

L'invenzione riguarda un metodo per l'identificazione delle regioni di confine tra diversi oggetti e genera automaticamente i contorni delle superfici all'interno dei dati scansionati. Il metodo qui descritto comprende le fasi di calcolo di un vettore normale in ogni punto di dati, la preselezione di punti in prossimità delle superfici in caso di dati affetti da rumore, l'identificazione delle diverse superfici e la limitazione di queste superfici a trovarsi nel punto di maggior contrasto. L'applicazione principale è per l'imaging medico.

Description

CAMPO DELL'INVENZIONE

[0001] La presente invenzione riguarda un metodo per la segmentazione di una griglia 3D discreta.

[0002] Con la dicitura griglia 3D discreta si intende una pila (o stack) ordinata di immagini, dove tutte le immagini hanno la stessa risoluzione e sono state catturate lungo l'asse perpendicolare al piano dell'immagine.

[0003] La griglia 3D discreta può essere ottenuta, ad esempio, da un dispositivo di scansione come, ma non solo, la risonanza magnetica (MRI) o la tomografia computerizzata (TAC) o altri scanner conosciuti.

[0004] La griglia 3D discreta è memorizzata in una memoria del computer e il metodo qui descritto opera su tale griglia 3D.

[0005] Alcune delle applicazioni del metodo di cui sopra si trovano nel campo dell'imaging medico.

[0006] Tuttavia, il metodo descritto in questo documento non si limita alle immagini mediche, ma può essere utilizzato su tutti i dati forniti in un formato di griglia 3D discreta, ad es. microscopia 3D, scansioni geologiche e altri campi tecnici.

TECNICA NOTA

[0007] Come è noto, l'obiettivo della segmentazione delle immagini mediche è quello di creare una segmentazione - ovvero di delineare tutti i confini tra i diversi tipi di tessuto - delle immagini mediche acquisite attraverso la risonanza magnetica (RMN), la tomografia computerizzata (TC) e altre forme di scansione 3D del corpo. I dispositivi di scansione utilizzano diversi mezzi per la scansione di un corpo umano e restituiscono uno stack di immagini in scala di grigi 2D. Questo stack permette ai professionisti del settore medico di osservare in modo non invasivo il paziente sottoposto a scansione per identificare i problemi e pianificare gli interventi chirurgici.

[0008] Un set di dati DICOM è costituito da immagini 2D, che forniscono un'immagine in scala di grigi attraverso il piano dello scanner, con ogni immagine catturata ad una certa distanza lungo l'asse perpendicolare a quel piano.

[0009] Il valore di grigio (o di Hounsfield) di un punto dell'immagine è determinato dall'interazione del tessuto corporeo del paziente nella posizione relativa a quel punto immagine. Poiché le diverse densità o consistenze del materiale portano a diverse interazioni, l'immagine mostra diversi tessuti in diversi valori di grigio, consentendo a un professionista medico di „vedere“ l'interno del paziente sottoposto a scansione.

[0010] La segmentazione dell'immagine medica viene utilizzata per classificare il contenuto dell'immagine. L'obiettivo è quello di identificare diversi tipi di tessuto e organi. La segmentazione può quindi essere utilizzata per diversi scopi, come la creazione di un modello 3D per la regione scansionata.

[0011] Un problema significativo nella segmentazione automatica delle immagini mediche è che i valori di Hounsfield non sono identici all'interno dello stesso organo o tessuto. Ciò è dovuto al rumore statistico creato dal dispositivo di scansione ed alle differenze nel tessuto stesso, che non è omogeneo all'interno degli organi. Un'altra ragione per valori di Hounsfield non omogenei che si possono osservare soprattutto nelle ossa è che le ossa non hanno la stessa densità sulla loro superficie. Questo è soprattutto il caso in cui le ossa sono assottigliate (ad esempio in corrispondenza delle articolazioni) o in pazienti con una frattura. Soprattutto in caso di fratture, il paziente applica il meno stress possibile sull'osso ferito, che a sua volta perde densità.

[0012] Pertanto, il valore di Hounsfield da solo non può essere utilizzato per estrarre un modello 3D affidabile, anche se in pratica viene utilizzato per ottenere almeno una segmentazione grezza attraverso l'imposizione di soglie.

[0013] Uno scopo della presente invenzione è di creare un metodo in grado di identificare le regioni di confine tra diversi tipi di tessuto e di generare automaticamente i contorni delle superfici all'interno dei dati scansionati.

[0014] Un ulteriore scopo dell'invenzione è quello di risolvere i problemi sopra citati in modo razionale ed economico.

SINTESI DELL'INVENZIONE

[0015] Gli scopi di cui sopra sono ottenuti grazie ad un metodo per la segmentazione di una griglia 3D discreta, la griglia 3D discreta viene creata a partire da uno stack ordinato di immagini acquisite da un dispositivo di scansione in un'unica serie, il metodo comprendendo almeno i seguenti passaggi: la superficie Snessere fatta crescere, aggiungendo alla superficie Sne alla coda Q, ogni punto Vjche giace in un intorno del punto Vcse la condizione Nc· Nj< T2è verificata, in cui Ncè il vettore normale del punto Vc, Njè il vettore normale del punto Vje T2è un valore di soglia predefinito, fino a quando tutti i punti vicini Vjal punto corrente Vcsono stati considerati e poi cancellare il punto corrente Vcdalla coda Q; – c.3) se c'è almeno un altro punto Vqnella coda Q, impostare c = q e ripetere i passi a partire dal punto c.2). – c.4) se la coda Q è vuota, scegliere il punto successivo della griglia 3D discreta e ripetere i passi da c) a c.3) fino a quando tutti i punti della griglia 3D discreta sono stati considerati e considerare la superficie Sicome completamente cresciuta; – d) per ciascuna delle superfici Sifatte crescere secondo i passi c), c.1), c.2) c.3) e c.4), cancellare tutti i punti SVinda meno che almeno uno dei punti vicini SVjabbia un valore di errore Ejche ha segno opposto rispetto al segno del valore di errore Einddel punto corrente SVind.

[0016] Tra i vantaggi della presente invenzione, va notato che l'algoritmo descritto nella presente domanda di brevetto è in grado di identificare le regioni di confine tra i diversi tipi di tessuto e di generare automaticamente i contorni delle superfici all'interno dei dati scansionati.

[0017] La presente invenzione non richiede alcuna preelaborazione dei dati, né l'interazione manuale con l'utente. Poiché l'algoritmo funziona direttamente sui gradienti dei valori misurati di Hounsfield, funziona contemporaneamente sia con i dati della risonanza magnetica che con quelli della TAC. Il risultato dell'esecuzione dell'algoritmo sui dati acquisiti da un dispositivo di scansione medica è un insieme di oggetti 3D separati, ognuno dei quali rappresenta un oggetto all'interno della regione scansionata, ad esempio un oggetto per ogni osso disarticolato o anche un frammento di osso in caso di ossa rotte presenti nei dati, organi, muscoli e pelle.

[0018] Secondo un aspetto dell'invenzione, è possibile eseguire un ulteriore passo di preselezione dei punti che si trovano in prossimità delle superfici dell'immagine generata dal computer e scartare i punti appartenenti allo stesso tessuto, il passo di preselezione comprendente il calcolo di un numero Giper ogni punto Vi, detto numero Giessendo rappresentativo del numero di punti vicini Vjal punto Viaventi una superficie simile normale al punto Vi.

[0019] Questo aspetto dell'invenzione ha il vantaggio di permettere di trattare i casi in cui i dati sono molto affetti da rumore statistico, piuttosto che i casi in cui i dati sono affidabili.

[0020] Ulteriori caratteristiche dell'invenzione possono essere dedotte dalle rivendicazioni dipendenti.

BREVE DESCRIZIONE DELLE FIGURE

[0021] Ulteriori caratteristiche e vantaggi dell'invenzione saranno evidenti dalla lettura della seguente descrizione fornita a titolo esemplificativo e non limitativo, con l'ausilio delle figure illustrate nelle tavole allegate, nelle quali:

[0022] - La Figura 1 illustra un primo passo di un calcolo di una normale in 2D e un intorno di 1;

[0023] - La figura 2 illustra i vettori della figura 1 moltiplicati per la differenza del valore di Hounsfield del punto corrispondente al rispettivo vettore;

[0024] - La Figura 3 mostra il risultato della somma dei vettori della Figura 2;

[0025] - La figura 4 mostra il vettore normale normalizzato (di lunghezza unitaria) risultante per il pixel centrale;

[0026] - La Figura 5 mostra i vettori risultanti quando si applica il calcolo sopra descritto ad ogni punto della griglia data. Si noti che i vettori sono abbastanza uguali sul confine tra la regione scura e quella chiara, mentre sono inesistenti all'interno di entrambe le regioni;

[0027] - La Figura 6a mostra un singolo strato di un file Digital Imaging and CQmmunications in Medicine (DICOM). Le Figure 6b-6c mostrano i diversi valori calcolati per questa porzione e la Figura 6d mostra la segmentazione finale risultante;

[0028] - La Figura 7a mostra un'immagine del modello 3D generato dalla segmentazione del file DICOM di due piedi di un paziente, e le Figure 7b-7d un modello 3D dell'osso dell'anca segmentato da un altro file DICOM; e

[0029] - La Figura 8 mostra i muscoli glutei in rosso sulla parte superiore e la pelle dei glutei di un paziente nella parte inferiore dell'immagine.

[0030] - La Figura 6d, le Figure 7a-7d e la Figura 8 mostrano anche che l'algoritmo genera modelli 3D separati per i diversi oggetti visualizzati dai diversi colori.

DESCRIZIONE DETTAGLIATA DELLE FIGURE

[0031] Questa invenzione sarà ora descritta con particolare riferimento alle figure allegate.

[0032] L'algoritmo proposto nella presente domanda di brevetto comprende una serie di passi consecutivi, a seconda della qualità dei dati: 1. Calcolare il vettore normale in ogni punto dei dati 2. Pre-selezionare i punti in prossimità delle superfici (solo per i dati affetti da rumore statistico) 3. Far crescere diverse regioni di superficie 4. Limitare queste superfici a trovarsi nel punto di maggior contrasto.

[0033] Per descrivere la tecnica in dettaglio, verranno descritti preliminarmente i dati richiesti come input a questa tecnica ed i parametri direttamente calcolati da essa. Con questo, verrà descritto come è possibile costruire o far crescere le superfici e restringerle o limitarle fino al punto di interesse, cioè i punti con il contrasto più forte.

[0034] Questo documento farà riferimento all'uso dei file DICOM, in quanto sono lo standard de facto nella memorizzazione dei dati delle immagini mediche, acquisite da scanner come la risonanza magnetica, la TAC e dispositivi di scansione simili.

[0035] Va notato, tuttavia, che la tecnica e il metodo qui descritto funzionerà allo stesso modo su tutti i dati che vengono forniti in modo simile.

[0036] In questo documento il termine punto descrive un singolo elemento pixel di una singola immagine DICOM.

[0037] Il termine griglia verrà utilizzato per descrivere la struttura dei dati 3D che viene creata da tutti i punti di una singola serie all'interno di un file DICOM. La griglia di un file DICOM avrà quindi le dimensioni: • Larghezza w = larghezza di una singola immagine DICOM • Altezza h = altezza di una singola immagine DICOM • Profondità d = numero di immagini nel DICOM (considerando solo una singola serie)

[0038] La notazione Viviene utilizzata per riferirsi ad un punto arbitrario all'interno della griglia. Ogni punto Viavrà inizialmente un valore di Hounsfield Hideterminato dall'output dello scanner. Questo è l'ingresso su cui opera l'algoritmo della presente invenzione.

[0039] La notazione V[x,y,z]è usato per riferirsi al punto con le coordinate x ∈ [0, w - 1], y ∈ [0, h - 1], z ∈ [0, d - 1] all'interno della griglia.

[0040] Il vettore è il vettore normalizzato dal centro di Vial centro di Vjed è calcolato utilizzando le coordinate della griglia di Vie di Vj.

[0041] Si ponga come intorno n di Vi.

[0042] è quindi definito come l'insieme di tutti i punti con una distanza da Viinferiore o uguale a n:

[0043] Utilizzando queste definizioni, un valore di errore Eie un vettore normale possono essere calcolati per ogni punto della griglia Vicome segue:

[0044] In primo luogo, i due vettori sono calcolati.

[0045] Avendo ottenuto i valori di e è possibile calcolare il vettore normale e il valore dell' errore

[0046] Si noti che i vettori puntano quasi sempre nella stessa direzione, il che si traduce in un prodotto scalare Eiquasi sempre positivo e in realtà anche vicino a 1. Un'eccezione si verifica quando Viè al confine tra le regioni con diversi valori di Hounsfield. In questo caso, i due vettori punteranno in direzioni opposte, portando ad un valore per Eivicino a -1. Questo è un fatto importante, che sarà ampiamente utilizzato in una fase successiva del metodo descritto. La figura 6c mostra il valore di errore calcolato in ogni punto; nero significa che il valore è esattamente zero, verde che è molto vicino a zero, mentre il colore rosso indica un valore di errore vicino a -1.0 e il colore blu un valore di errore vicino a 1.0.

[0047] In modo più generale è calcolato come la somma di tutti i vettori dove l'indice j passa sopra tutti i punti Vjnell' intorno del punto Vimoltiplicato per la differenza del valore di Hounsfield tra i e j. In seguito è calcolato sommando i vettori questa volta moltiplicati per il valore assoluto della differenza del valore di Hounsfield tra i e j.

[0048] In caso di dati affetti da rumore, è possibile utilizzare la seguente fase di preselezione dei punti in prossimità delle superfici.

[0049] Quando i vettori normali sono stati calcolati per tutti i punti della griglia, i punti che non sono in prossimità di alcuna superficie possono essere esclusi.

[0050] Per calcolare ciò vengono utilizzati i seguenti fatti: a) se un punto si trova abbastanza vicino ad una superficie reale, la normale calcolata è molto simile al vettore normale della superficie reale, b) per le superfici organiche chiuse, l'angolo tra la normale di due punti vicini della superficie è in generale piuttosto piccolo a causa dell'assenza di spigoli vivi.

[0051] Per eliminare la perturbazione del rumore nei dati, si controlla inizialmente quale dei punti della griglia si trova vicino ad una superficie. Poiché gli incroci tra superfici introducono salti più grandi nei valori di Hounsfield vicini, i vettori normali in quelle posizioni tendono ad essere più omogenei, puntando a questa regione della maggiore differenza nei valori di Hounsfield. Al contrario, le regioni che hanno solo lievi variazioni di valore dovute al rumore creano vettori normali che puntano in direzioni casuali (a causa della casualità del rumore iniziale).

[0052] Questo fatto viene utilizzato per individuare le regioni di interesse calcolando un altro numero Giper ogni punto Vi. Questo conterà i „buoni“ vicini di Vi, il che significa punti aventi una normale alla superficie simile. Si determina questo numero facendo un looping su tutti i punti Vjin e calcolando il prodotto scalare d(i,j)= Ni· Nj. Giche sarà quindi pari al numero di tutti d(i,j)che sono più grandi di una certa soglia definita dall'utente Ti.

[0053] Per determinare a quale valore di Giscartare un punto della griglia Vi, sono stati presi in considerazione i seguenti elementi.

[0054] Anche se è solo un'approssimazione, è noto che nelle zone vicine ad un confine si troveranno vettori normali piuttosto omogenei. Per un punto sul confine, ci si può aspettare che circa la metà di tutti i punti vicini contribuisca a Gipoiché si presume che qualsiasi superficie in un'area molto localizzata della scansione si comporti come un piano, tagliando l'intorno in due parti - una all'interno e una all'esterno della superficie. È anche noto che il numero di vicini in è 26 per n = 1 e 124 per n = 2. Pertanto, scartando i punti con un valore relativo di G inferiore alla metà del numero massimo possibile di punti nel quartiere, si ottengono risultati adeguati per rimuovere le regioni all'interno dello stesso tessuto.

[0055] Si noti che la fase di preselezione dei punti in prossimità delle superfici deve essere utilizzata solo quando i dati sono molto rumorosi. Questo passo non ha effetti positivi nei dati affidabili, poiché per questo tipo di dati è sufficiente il passo 3.

[0056] Si illustra ora la creazione delle superfici contenute nella griglia. Per fare questo, si procede a fare un loop su tutti i punti Vinella griglia che non sono stati scartati al punto 2 (in caso di dati rumorosi).

[0057] Per ogni punto vengono eseguiti i seguenti passi:

[0058] Dopo questo, ogni punto appartiene esattamente ad una superficie S. Si noti che un punto non può appartenere a più di una superficie. Se un punto può essere raggiunto da due o più superfici diverse a causa del fatto che il prodotto del punto con i suoi vicini è più grande della soglia definita dall'utente T2sarebbe stato aggiunto alla prima superficie che avesse raggiunto quel punto e sarebbe stato quindi aggiunto alla coda utilizzata per far crescere questa superficie. Nell' elaborare la coda fino a quando non è vuota, esso sarebbe diventato un punto attivo che a sua volta avrebbe aggiunto tutti i suoi vicini, che non si trovano in una superficie in quel momento, alla superficie attuale. Questo a sua volta avrebbe permesso alla seconda superficie di essere completamente integrata nella prima superficie che ha raggiunto questo punto. È quindi impossibile che un punto appartenga a più superfici. Ciò si traduce anche nel fatto che tutte le superfici create sono una partizione di tutti i punti della griglia in set separati.

[0059] Un'ultima fase del metodo prevede di limitare le superfici identificate a giacere nel punto di maggior contrasto.

[0060] I punti in un'unica superficie Sisono punti che condividono un angolo più piccolo di T2con i loro diretti vicini. Ma a causa del fatto che il calcolo delle normali nella prima fase del presente metodo è stato effettuato su un'area più ampia, la superficie è sfocata (vedi Figura 5 e Figura 6b). Invece di contenere solo i punti in cui il gradiente tra i diversi tipi di tessuto è più forte, contiene anche i punti che sono abbastanza vicini a questa regione.

[0061] Per limitare questi confini ai punti di maggior contrasto, si utilizza il valore di errore precedentemente calcolato Ej(si veda Figura 6c) . Per ottenere superfici Siche contengono solo i punti che si trovano esattamente al confine tra i diversi tessuti si procede come segue: si considerano tutte le superfici create, e per ogni superficie Scsi procede così:

[0062] In questa fase, il risultato è uno stack di immagini con una segmentazione molto accurata di tutti gli oggetti di questo stack. Se è necessario un modello 3D dell'area scansionata, è ormai banale costruirlo con mezzi diversi. Quello che abbiamo usato, è quello di eseguire semplicemente un algoritmo del tipo cubi marcianti su tutta la griglia, una superficie alla volta. Affinché l'algoritmo produca un buon modello 3D, i punti della griglia sono impostati a zero, mentre solo i punti contenuti nella superficie corrente devono essere al di sopra della soglia impostata per l'algoritmo dei cubi marcianti. In questo modo, viene creato un preciso modello 3D per ogni superficie all'interno dell'area scansionata.

[0063] Si noti che la tecnica descritta in questo documento non si limita alle immagini mediche, ma può essere utilizzata su tutti i dati forniti in una griglia 3D discreta, ad esempio microscopia 3D, scansioni geologiche e così via. Inoltre, il calcolo dei vettori normali viene effettuato in 3D, il che dà risultati migliori rispetto all'esecuzione di questo calcolo in ciascuna delle immagini 2D dello stack separatamente. Tuttavia, anche questo potrebbe essere fatto e porterebbe a risultati migliori rispetto allo stato attuale della tecnica.

[0064] In particolare, la figura 1 illustra un primo passo di un normale calcolo in 2D e un intorno n di 1, la figura 1 e le figure seguenti sono solo un esempio delle varie possibilità del metodo.

[0065] Il calcolo normale in 2D e un intorno di n inizia con un vettore normalizzato dal punto corrente nel centro, verso il centro di ciascuno dei suoi 8 vicini.

[0066] La figura 2 illustra i vettori della figura 1 moltiplicati per la differenza del valore di Hounsfield del punto corrispondente al rispettivo vettore.

[0067] Entrambi i vettori lungo la diagonale dall'alto a sinistra al basso a destra scompaiono, poiché i valori di Hounsfield sono uguali lungo quella diagonale in questo esempio. Inoltre, tre vettori hanno cambiato direzione, a causa del segno negativo nella differenza di Hounsfield.

[0068] La Figura 3 mostra il risultato della somma dei vettori della Figura 2.

[0069] La Figura 4 mostra il vettore normale risultante per il pixel centrale.

[0070] La Figura 5 mostra i vettori risultanti quando si applica il calcolo sopra descritto ad ogni punto della griglia data.

[0071] Per immagini lisce, i punti che non confinano con un gradiente calcolano un vettore con lunghezza zero e possono quindi essere scartati nel processo di ricerca di una superficie. Per la maggior parte delle immagini mediche, nessun punto adiacente avrà lo stesso valore, in modo che i vettori risultanti in aree dello stesso tipo di tessuto puntino in direzioni casuali determinate solo dal rumore statistico nei dati. Ma poiché il cambiamento creato dal rumore è molto piccolo rispetto al cambiamento creato dalla differenza tra i diversi tipi di tessuto, le normali lungo la superficie sono abbastanza stabili per ulteriori calcoli.

[0072] Le figure 6a-6d mostrano varie immagini relative ad una porzione di Digital Imaging e CQmmunications in Medicine (DICOM).

[0073] L'immagine della Figura 6a mostra i valori di Hounsfield in una porzione di DICOM. L'immagine della Figura 6b mostra i normali vettori calcolati da quel set di dati. Ai fini della visualizzazione il vettore 3D è codificato nello spazio RGB dell'immagine a colori. Questo è stato fatto prendendo ogni componente del vettore, aggiungendo 1.0 e moltiplicandolo per 127. Poiché ogni componente del vettore normalizzato è nell'intervallo [-1.0, 1.0], ogni componente di colore dell'immagine risultante sarà quindi nell'intervallo [0, 254]. L'immagine visualizza la regolarità dei vettori lungo i bordi utilizzati nella crescita delle superfici. L'immagine della Figura 6c mostra il valore di errore. I pixel rossi hanno un valore di errore compreso tra -1.0 e -0.5 mentre i pixel blu hanno un valore di errore compreso tra 0.5 e 1.0. I pixel verdi mostrano valori di errore tra - 0,5 e 0,5.

[0074] L'immagine della Figura 6d mostra la segmentazione risultante utilizzando sia i normali vettori per la crescita superficiale sia i valori di errore per l'identificazione dei confini.

[0075] La Figura 7a mostra sul lato sinistro dell'immagine la segmentazione di due piedi di un paziente segmentato da un'immagine DICOM, e le Figure 7b-7c mostrano l'osso dell'anca segmentato da un'altra immagine DICOM.

[0076] Entrambi gli esempi mostrano che l'algoritmo è in grado non solo di segmentare le superfici in un dato DICOM, ma anche di creare oggetti separati anche quando gli oggetti sono vicini tra loro.

[0077] La Figura 8 mostra i muscoli glutei in rosso sulla parte superiore e la pelle dei glutei di un paziente nella parte inferiore dell' immagine

[0078] Questa immagine della Figura 8 è stata estratta dallo stesso DICOM che ha prodotto l'osso dell'anca nelle Figure 7a-c. L'algoritmo qui descritto è in grado di segmentare automaticamente tutte le parti in una sola volta, separando le diverse superfici in diversi modelli 3D.

[0079] La Figura 8 dimostra anche l'estrema precisione dell'algoritmo, mostrando ogni ammaccatura della pelle del paziente (parte inferiore) e le fibre muscolari chiaramente distinte.

[0080] Un modo preferito per eseguire il calcolo del metodo descritto è quello di calcolare i vettori normali nella griglia 3D, che dà risultati migliori rispetto all'esecuzione di questo calcolo in ciascuna delle immagini 2D dello stack separatamente.

[0081] Tuttavia, invece di calcolare i normali vettori in 3D, si potrebbe fare separatamente in ogni immagine dello stack, ottenendo così i normali vettori 2D. Questo porterebbe a risultati iniziali molto peggiori, ma ciò potrebbe essere compensato in una fase successiva della costruzione della superficie.

[0082] La stessa cosa vale per la costruzione delle superfici. Anche se potrebbero essere costruite prima all'interno di ogni strato, e poi essere combinate passando sopra tutti gli strati.

[0083] È anche da intendersi che quando si considera la vicinanza di un punto - sia che per il calcolo dei vettori normali o per il controllo dei buoni vicini - non si preferisce esplicitamente il valore della distanza, ma l'estensione della vicinanza può essere scelta a piacere a seconda delle applicazioni.

[0084] Ovviamente, l'invenzione così come descritta può essere modificata o migliorata per ragioni contingenti o particolari, senza uscire dallo scopo dell'invenzione.

Claims

1. Metodo per la segmentazione di una griglia 3D discreta nel campo dell'imaging medico, la griglia 3D discreta essendo costruita a partire dai dati acquisiti da un dispositivo di scansione e memorizzati in una memoria di un computer per rappresentare uno stack di immagini DICOM visualizzabili su uno schermo del suddetto computer, il metodo essendo implementato mediante un sistema computerizzato e comprendendo almeno i seguenti passi: – a) calcolare un vettore normale N1per ogni punto V1della griglia 3D discreta, il vettore normale N1essendo calcolato in funzione del valore di Hounsfield H1del rispettivo punto V1e dei valori di Hounsfield Hjdei punti Vjche giacciono in un intorno del punto V1, i valori di Hounsfield H1, Hjessendo determinati a partire dall'output del dispositivo di scansione, ove il vettore normale N1è calcolato utilizzando la formula ove e il vettore è il vettore normalizzato dal punto V1al punto Vjed è calcolato utilizzando le coordinate della griglia di V1e di Vj; – b) calcolare un valore di errore E1per ogni vettore normale N1, ove il valore di errore E1è calcolato utilizzando la formula

– c) far crescere una superficie Sna partire da un punto corrente Vcdella griglia discreta 3D seguendo i passi di: – c. 1) creare una coda vuota Q, per contenere i punti della superficie Snidentificati nel successivo passo c.2); – c.2) aggiungere il punto Vcalla coda vuota Q; la superficie Snessendo fatta crescere, aggiungendo alla superficie Sne alla coda Q, ogni punto Vjche giace in un intorno del punto Vcse la condizione Nc· Nj< T2 è verificata, in cui Ncè il vettore normale del punto Vc, Njè il vettore normale del punto Vje T2è un valore di soglia predefinito, fino a quando tutti i punti vicini Vjal punto corrente Vcsono stati considerati e poi cancellare il punto corrente Vcdalla coda Q, mentre se la condizione Nc· Nj< T2non è verificata, il punto Vjnon viene aggiunto alla superficie Sne alla coda Q; – c.3) se c'è almeno un altro punto Vqnella coda Q, impostare c = q e ripetere i passi a partire dal punto c.2); – c.4) se la coda Q è vuota, scegliere il punto successivo della griglia 3D discreta e ripetere i passi da c) a c.3) fino a quando tutti i punti della griglia 3D discreta sono stati considerati e considerare la superficie S1come completamente cresciuta; – d) per ciascuna delle superfici Sifatte crescere secondo i passi c), c.1), c.2) c.3) e c.4), cancellare tutti i punti SVindidentificati con un indice corrente ind, a meno che almeno uno dei punti SVjvicini al punto SVindabbia un valore di errore E1che ha segno opposto rispetto al segno del valore di errore Einddel punto SVind, ove il valore di errore Eindè calcolato utilizzando la formula

2. Metodo secondo la rivendicazione 1, in cui viene eseguita una fase di preselezione dei punti che giacciono in prossimità delle superfici S1della griglia 3D discreta e scartando i punti appartenenti allo stesso tessuto corporeo, la fase di preselezione comprendente il calcolo di un numero G, per ogni punto V1, detto numero Giessendo pari alla somma di tutti i punti nell'intorno Vjdi ogni punto V1che soddisfano la condizione data dalla formula: d(i,j)= Ni· Nj in cui il vettore normale N1è associato al punto V1e il vettore normale Njè associato al punto Vje d(i,j)è inferiore ad una soglia predeterminata T2.

3. Metodo secondo la rivendicazione 2, in cui ogni punto V, che ha il numero Giinferiore alla metà del numero massimo possibile di punti nell'intorno di detto punto V, viene scartato.

4. Metodo secondo la rivendicazione 1, in cui per ciascuna delle superfici S1fatte crescere secondo i passi c), c.1), c.2), c.3) e c.4), il passo d) può essere eseguito in concomitanza con i passi c), c.1), c.2), c.3) e c.4).

5. Metodo secondo la rivendicazione 1, in cui per ciascuna delle superfici S1fatte crescere secondo i passi c), c.1), c.2), c.3) e c.4), il passo d) può essere eseguito prima di detti passi c), c.1), c.2), c.3) e c.4).

6. Metodo secondo la rivendicazione 1, in cui per ciascuna delle superfici S1fatte crescere secondo i passi c), c.1), c.2), c.3) e c.4) della rivendicazione 1, se almeno uno dei valori di errore Ejrelativo ad un punto SVjha un valore positivo, il punto SVindviene considerato come giacente sul bordo di una superficie e non viene scartato.

7. Metodo secondo la rivendicazione 1, dove nel passo a) della rivendicazione 1 del calcolo di un vettore normale N1per ogni punto V, di un'immagine generata dal computer viene eseguito impostando N1scelto tra uno dei vettori oppure .

8. Metodo secondo la rivendicazione 1, in cui la griglia 3D discreta è suddivisibile nello stack di piani 2D e i vettori normali N1per ogni punto V1sono calcolati in ciascuno di detti piani 2D ignorando le componenti dei vettori che sono rivolte all'esterno del piano di ciascuna immagine dello stack.