CN103218800A

CN103218800A - 用于自动肋骨中心线提取的方法和***

Info

Publication number: CN103218800A
Application number: CN2012103689267A
Authority: CN
Inventors: 吴迪嘉; 刘大元; C.蒂金; G.索扎; 周少华; D.科马尼丘
Original assignee: Siemens AG
Current assignee: SIEMENS Medical Co., Ltd.; Siemens AG
Priority date: 2011-09-27
Filing date: 2012-09-27
Publication date: 2013-07-24
Anticipated expiration: 2032-09-27
Also published as: US20130077841A1; US8989471B2

Abstract

本发明涉及用于自动肋骨中心线提取的方法和***。公开了一种用于在3D体积（比如3D计算机断层摄影（CT）体积）中提取肋骨中心线的方法和***。利用基于学习的检测器在所述3D体积中检测肋骨中心线体素。随后通过基于所检测到的肋骨中心线体素将对于整个肋骨篮的肋骨中心线的模板与所述3D体积相匹配提取出对于整个肋骨篮的肋骨中心线。随后利用主动轮廓模型单独细化每一条所提取出的肋骨中心线。

Description

用于自动肋骨中心线提取的方法和***

本申请要求2011年9月27日提交的美国临时申请号61/539,561的权益，其公开内容被合并在此以作参考。

技术领域

本发明涉及3D医疗图像数据（比如3D计算机断层摄影（CT）扫描）中的肋骨中心线线条提取，并且更具体来说涉及利用基于学习的可变形模板匹配进行自动肋骨中心线提取。

背景技术

在胸部CT扫描中，定位肋骨转移和骨折通常涉及读取数以百计的轴向CT切片，以便在视觉上跟踪肋骨截面积的改变。相应地，对于CT扫描的人工读取相当耗时，并且在实践中常常由于人为失误而错过肋骨异常。对于肋骨解剖中心线的自动提取可以被用来增强展开的肋骨篮的可视化，这可以使得例行的骨骼读取任务对于放射科医师更加高效且有效。所提取出的并且加了标记的肋骨中心线还可以用作***官、登记病变以及引导间隔改变分析的串行胸廓CT扫描之间的对应性的参考。此外，肋骨几何结构的所导出的信息可以帮助肋骨篮骨折固定手术。

尽管具有前面描述的临床方面的重要性，但是在CT扫描中对肋骨的自动检测和标记仍然是一项具有挑战性的任务。大多数传统方法将肋骨建模为细长管状结构，并且采用海赛（Hessian）或结构张量本征***分析以进行脊背体素检测。但是，这些算法通常在计算方面花费很高，并且可能无法对于所有患者都获得一致的结果。图1示出了不同患者的不同肋骨截面的示例。如图1中所示，图像（b）所示的肋骨截面104比图像（a）中所示的肋骨截面102具有更加清晰的暗骨髓。在许多情况中，肋骨骨髓可能比肋骨边界更暗；从而可能无法将肋骨中心点一致地检测为脊背体素。为了构造肋骨中心线，通常使用基于跟踪的方法（比如Kalman滤波）从一个切片到下一个切片对所检测到的肋骨中心点进行追踪。但是，一些传统的基于跟踪的方法需要人工初始种子点，并且这样的点到点跟踪方法对于例如骨折之类的肋骨病变（这可能是放射科医师最感兴趣的）所造成的局部模糊或不连续高度敏感。图2示出了可能导致基于追踪的方法中的不准确的肋骨中心线的不同肋骨病变的示例。如图2中所示，图像（a）示出了缺失肋骨节段202的肋骨，并且图像（b）示出了具有肋骨转移204的肋骨。此外，在传统的肋骨追踪算法中，每一根肋骨被单独地检测及追踪；因此肋骨标记需要单独的试探方法。

发明内容

本发明提供了一种用于3D CT体积中的自动肋骨中心线提取和标记的方法和***。本发明实施例的实施例利用基于学习的肋骨中心线检测来检测种子点，并且随后将整个肋骨篮的可变形模板与种子点相匹配以便提取出肋骨中心线。通过同时地而不是单独地提取出整个肋骨篮的肋骨中心线，本发明的实施例可以在相邻的肋骨之间施加预先约束以便改进肋骨跟踪期间的鲁棒性，以及在肋骨跟踪的同时提供肋骨标记。

在本发明的一个实施例中，在3D体积中检测肋骨中心线体素。通过基于所检测到的肋骨中心线体素把多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线。肋骨中心线的模板可以是对于整个肋骨篮的肋骨中心线的模板。可以利用主动形状模型单独细化所提取出的肋骨中心线。

通过参照下面的详细描述和附图，本领域普通技术人员将认识到本发明的这些和其他优点。

附图说明

图1示出了不同患者中的不同肋骨截面的示例；

图2示出了不同肋骨病变的示例；

图3示出了根据本发明的一个实施例的用于从3D体积提取出肋骨中心线的方法；

图4示出了示例性的肋骨中心线体素检测结果；

图5示出了对于不同肋骨篮形状的肋骨中心线的示例；

图6示出了关节式肋骨节段匹配方法的示例性结果；

图7示出了利用主动轮廓的示例性肋骨中心线细化；

图8示出了示例性肋骨中心线提取结果；

图9示出了对于利用图3的方法具有挑战性的情况的示例性肋骨中心线提取结果；以及

图10是能够实施本发明的计算机的高层级方框图。

具体实施方式

本发明针对用于在3D医疗图像体积（比如3D计算机断层摄影（CT）体积）中提取肋骨中心线的方法和***。在这里描述本发明的实施例以便给出对于所述肋骨中心线提取方法的视觉理解。数字图像常常由一个或多个对象（或形状）的数字表示构成。在这里常常是关于标识及操纵对象方面来描述对象的数字表示。这样的操纵是在计算机***的存储器或其他电路/硬件中实现的虚拟操纵。相应地，应当理解的是，可以利用存储在计算机***内的数据在所述计算机***内施行本发明的实施例。

本发明的实施例利用可变形模板匹配方法在3D医疗图像数据中提取出肋骨中心线。利用计算方面高效的类Haar特征的基于学***滑刚性匹配的肋骨中心线。

图3示出了根据本发明的一个实施例的用于从3D体积提取肋骨中心线的方法。图3的方法将3D医疗图像体积（比如CT体积）变换成代表患者的肋骨的所提取出的肋骨中心线集合。如图3中所示，在步骤302处接收3D体积。根据一个有利实施例，所述3D体积可以是CT体积，但是本发明不限于此。还可以利用其他医疗成像模式采集3D体积，比如磁共振（MR）、x射线、超声等等。可以从图像采集器件（比如CT扫描器）直接接收3D体积，或者可以通过（例如从计算机***的存储装置或存储器）加载先前存储的3D体积来接收所述3D体积。

在步骤304处，利用经过训练的肋骨中心线检测器在3D体积中检测肋骨中心线体素。由于肋骨内部的暗骨髓，因此不能把肋骨简单地建模成实心明亮管状结构。相应地，通过基于海赛本征***的滤波器的最大响应并不总是可靠地识别出肋骨中心线。此外，如图1中所示，跨越不同体积的肋骨表现出各种各样的尺寸、形状和边缘对比度。根据本发明的一个有利实施例，使用鲁棒的基于学习的特定于对象的中心线检测方法来检测肋骨中心线体素，并且使用从基于学习的检测得到的概率图来跟踪及标记肋骨中心线。

利用带注释的训练数据对肋骨中心线检测器进行训练。在一种有利实现方式中，使用3D类Haar特征来训练肋骨中心线检测器。3D类Haar特征考虑检测窗口内的特定位置处的邻近框形区域，并且计算各区域内的像素强度总和之间的差。可以利用求和面积表快速地计算所述特征。为了训练肋骨中心线检测器，在训练数据内的正和负训练样本处提取出3D类Haar特征，并且基于所提取出的特征训练肋骨中心线检测器。在一个可能的实施例中，肋骨中心线检测器可以被训练成具有多个AdaBoost分类器节点的概率提升树分类器（PBT）。但是，本发明不限于PBT分类器，并且还可以使用其他机器学习算法来训练肋骨中心线检测器。

在一个有利实施例中，代替仅仅使用单个PBT（或其他类型的分类器），可以训练由粗到细的金字塔形PBT分类器并且将其用于肋骨中心线体素检测，这样不仅会通过图像下采样从而减少分类早期阶段中的样本数目而显著加速检测，而且还利用了较低分辨率下的更长范围的空间要素。在给定所接收到的3D体积的情况下，对所述3D体积应用经过训练的分类器，并且对于3D体积的每一个体素确定该体素是肋骨中心线体素的概率。相应地，经过训练的肋骨中心线检测器生成概率响应图

，其表明每一个体素是肋骨中心线的可能性。图4示出了示例性肋骨中心线体素检测结果。如图4中所示，图像400示出了所接收到的CT体积，并且图像402示出了利用经过训练的肋骨中心线检测器生成的概率响应图。

回到图3，在步骤306处，基于所检测到的肋骨中心线体素将肋骨中心线模板与3D体积相匹配。由肋骨中心线检测器生成的概率图可能并不总是可靠的，这是由于来自相邻的类似骨骼结构（比如锁骨和肩胛骨）的撑开牵引或者由肋骨损伤导致的局部模糊或不连续而造成的。相应地，使用一种鲁棒的肋骨跟踪和标记方法来基于所述概率图提取出肋骨中心线。传统的点到点追踪方法（比如Kalman滤波或区域生长处理）对于局部肋骨异常高度敏感并且因此容易发生误差传播。

本发明的实施例利用基于模板的匹配方法来进行肋骨中心线提取。肋骨中心线模板是通过对来自正常肋骨篮的12对肋骨中心线进行人工注释和标记而离线构造的，并且肋骨中心线模板的每一根肋骨

由均匀采样的中心线体素集合

表示，其中

是肋骨

的长度。所述模板例如被存储在计算机***的存储器或存储装置中，并且随后基于利用经过训练的肋骨中心线检测器生成的概率图与所接收到的3D体积相匹配。为了将模板与3D体积相匹配，使得所生成的概率图上的经过变换的模板的响应总和最大化的最佳变换T是：

。

使用整个肋骨篮的模板使得本方法与传统肋骨检测方法的区别在于，所有肋骨被同时跟踪或匹配。整个肋骨篮模板允许在跟踪或匹配期间对相邻肋骨施加形状约束，从而克服来自邻近骨骼结构（比如锁骨或邻近的肋骨）的撑开牵引。此外，利用整个肋骨篮的模板的模板匹配在3D体积中自动标记肋骨，这是因为所存储的肋骨中心线模板中的肋骨的肋骨标记是已知的。

图5示出了对于不同的肋骨篮形状的肋骨中心线的示例。如图5的图像（a）和（b）中所示，在不同的患者之间，肋骨篮可能会有明显的变形，并且邻近的肋骨之间的间距可能会有明显的变化。由于不同患者的肋骨篮的明显变形和邻近肋骨之间的间距变化，简单的刚性配准可能无法产生准确的结果。传统的非刚性变换或配准方法在计算方面花费很高并且对于局部最小值较为脆弱，从而导致不准确的结果。在本发明的一个有利实施例中，使用关节式匹配方法来把肋骨中心线模板与3D体积相匹配。具体来说，每一根肋骨

被分解成几个较短节段

。因此，每一条肋骨节段中心线的弯曲程度较低，并且从而可以经由刚性变换通过搜索最优相似度变换参数

来近似地匹配，其中

分别表示平移、定向和缩放参数，正如等式（2）中所表达的那样：

（2）

其中，

是相似度变换T的集合。在一种有利实现方式中，代替穷尽搜索的九维参数空间，仅仅按照类似于边际空间学习（MSL）的策略搜索低维边际空间。具体来说，将对于每一个肋骨节段的变换估计分成三步：位置估计，位置-定向估计，以及位置-定向-缩放估计。首先穷尽搜索位置边际空间，并且保留许多最佳位置候选。接下来，对于每一个位置候选穷尽搜索定向边际空间（即通过对于每一个位置候选生成许多位置-定向假设），并且保留多个最佳位置-定向候选。接下来，对于每一个位置-定向候选搜索缩放边际空间（即通过对于每一个位置-定向候选生成许多位置-定向-缩放假设），从而得到对于所述肋骨节段的完全变换（位置-定向-缩放）的一个或多个最佳候选。对于每一个阶段（位置、位置-定向和位置-定向-缩放）可以利用带注释的训练数据来训练单独的经过训练的分类器（例如PBT分类器）。

在等式（2）中，每一个肋骨节段被单独搜索，并且从而可能由于邻近肋骨之间的相似性而被匹配到错误的肋骨。为了避免这一问题，本发明的实施例利用Markov随机场（MRF）模型对相邻肋骨节段的变换参数施加了成对平滑度约束：

其中，

是正则化参数，

表示相邻肋骨对

的集合，并且L是如下定义的两个变换参数的相似度函数：

（4）

其中，L测量分别通过不同参数

和

变换的两个相邻肋骨节段

和的平均欧几里得距离。

为了使得等式（3）最大化并且找到对于所有肋骨节段的最佳变换集合，对于每一个肋骨节段

单独搜索变换参数

并且保持变换参数

的多个顶级候选。具体来说，对于每一个肋骨节段可以通过利用对于该节段训练的分类器集合（位置、位置-定向和位置-定向-缩放）搜索概率响应图来检测变换参数。随后可以利用动态编程高效地确定用以最大化等式（3）的所有肋骨节段变换

的最优组合。图6示出了所述关节式肋骨节段匹配方法的示例性结果。如图6中所示，图像600、602、604和606示出了肋骨中心线的模板的关节式肋骨节段匹配，其中每一根肋骨被分解成四个节段。

回到图3，在步骤308处，利用主动轮廓模型细化单独的肋骨中心线。由于每一个肋骨节段被刚性地变换，所以关节式肋骨中心线是逐段平滑的，并且由于每一个肋骨节段的微小变形以及离散的变换参数搜索空间的有限分辨率而经受较小偏差。相应地，本发明的实施例采用主动轮廓模型或动态轮廓模型（snakes）来进一步细化模板匹配结果。所述主动轮廓模型被单独应用于所提取出的每一条肋骨中心线，以便通过最小化基于概率响应图细化每一条肋骨中心线并且能量函数为：

（5）

其中，α和β分别控制弹性力和刚性力，并且

表示肋骨中心线点。在应用这样的主动轮廓模型时的一个可能的问题与初始化相关联。一般来说，起始轮廓必须靠近真实边界，或所述轮廓将可能收敛到错误的结果。但是这在本发明的实施例中不成问题，因为关节式模板匹配提供了对于肋骨中心线的良好初始化。等式（5）的能量函数的最小化导致求解相应的欧拉方程，并且可以使用众所周知的迭代数值方法来求解欧拉方程。图7示出了利用主动轮廓的示例性肋骨中心线细化。如图7中所示，图像700示出了利用关节式模板匹配提取出的肋骨中心线，且图像710示出了通过应用主动轮廓模型得到的经过细化的肋骨中心线。在图像700中可以看到脱节的肋骨中心线702，并且在图像710中示出了相应的经过细化的肋骨中心线712。

回到图3，输出肋骨中心线提取结果。可以通过例如在计算机***的显示器上显示所提取出的肋骨中心线来输出所提取出的肋骨中心线。还可以通过例如把所提取出的肋骨中心线存储在计算机***的存储器或存储装置中而输出所提取出的肋骨中心线。

图8示出了示例性的肋骨中心线提取结果。如图8中所示，图像800示出了利用传统的基于随机游走（walker）分段的追踪方法在第一CT体积中提取出的肋骨中心线，并且图像802示出了利用图3的方法在第一CT体积中提取出的肋骨中心线。图像804示出了利用传统的基于随机游走分段的追踪方法在第二CT体积中提取出的肋骨中心线，并且图像806示出了利用图3的方法在第二CT体积中提取出的肋骨中心线。在图8中可以看出，根据本发明的一个实施例的图3的方法明显比传统的基于追踪的方法更加鲁棒。

图9示出了对于利用图3的方法具有挑战性的情况的示例性肋骨中心线提取结果。如图9中所示，图像（a）示出了对于具有缺失的肋骨节段904的肋骨集合提取出的肋骨中心线902。图像（b）示出了对于具有肋骨转移914的肋骨提取出的肋骨中心线912。图像（c）示出了对于在相邻肋骨之间具有反常的较大间距924的肋骨提取出的肋骨中心线922。图像（d）示出了对于包括相连的肋骨934的肋骨集合提取出的肋骨中心线932。

前面描述的用于肋骨中心线提取的方法可以利用众所周知的计算机处理器、存储器单元、存储器件、计算机软件和其他组件实施在计算机上。在图10中示出了这样的计算机的高层级方框图。计算机1002包含处理器1004，其通过执行定义计算机1002的总体操作的计算机程序指令来控制这样的操作。计算机程序指令可以被存储在存储器件1012或其他计算机可读介质（例如磁盘、CD ROM等等）中，并且在希望执行所述计算机程序指令时被加载到存储器1010中。因此，图3的方法的步骤可以由存储在存储器1010和/或存储装置1012中的计算机程序指令定义，并且由执行计算机程序指令的处理器1004控制。图像采集器件1020（比如CT扫描器）可以连接到计算机1002以便向计算机1002输入图像。有可能把图像采集器件1020和计算机1002实施为一个器件。也有可能令图像采集器件1020与计算机1002通过网络进行无线通信。计算机1002还包括一个或多个网络接口1006以便通过网络与其他器件通信。计算机1002还包括其他输入/输出器件1008（例如显示器、键盘、鼠标、扬声器、按钮等等），从而允许与计算机1002进行用户交互。本领域技术人员将认识到，实际的计算机的实现方式还可以包含其他组件，并且图10是用于说明性目的的此类计算机的其中一些组件的高层级表示。

前面的详细描述应当被理解为在每一方面都是说明性和示例性而非限制性的，并且这里所公开的本发明的范围不由所述详细描述决定，而是由根据专利法所允许的完全广度所解释的权利要求书决定。应当理解的是，这里所示出并描述的实施例仅仅说明本发明的原理，并且在不背离本发明的范围和精神的情况下，本领域技术人员可以实施各种修改。在不背离本发明的范围和精神的情况下，本领域技术人员可以实施各种其他特征组合。

Claims

1.一种用于在3D体积中提取肋骨中心线的方法，包括：

在所述3D体积中检测肋骨中心线体素；以及

通过基于所检测到的肋骨中心线体素将多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线。

2.权利要求1的方法，其中，多根肋骨的肋骨中心线的模板包括对于整个肋骨篮的肋骨中心线的模板。

3.权利要求1的方法，还包括：

利用主动轮廓模型单独细化每一条所提取出的肋骨中心线。

4.权利要求1的方法，其中，在所述3D体积中检测肋骨中心线体素的步骤包括：

利用经过训练的肋骨中心线体素检测器在所述3D体积中检测肋骨中心线体素。

5.权利要求4的方法，其中，所述经过训练的肋骨中心线检测器是基于带注释的训练数据训练的概率提升树（PBT）分类器。

6.权利要求4的方法，其中，所述经过训练的肋骨中心线检测器包括由粗到细的金字塔形经过训练的分类器。

7.权利要求1的方法，其中，在所述3D体积中检测肋骨中心线体素的步骤包括通过对于所述3D体积中的多个体素当中的每一个确定关于所述体素是肋骨中心线体素的概率而生成概率响应图，并且通过基于所检测到的肋骨中心线体素将多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线的步骤包括：

将肋骨中心线的模板与所述概率响应图相匹配。

8.权利要求7的方法，其中，所述肋骨中心线的模板包括对于每一条肋骨中心线的多个肋骨节段，并且将肋骨中心线的模板与概率响应图相匹配的步骤包括：

对于每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便把该肋骨节段与所述概率响应图相匹配；以及

对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合，以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率。

9.权利要求8的方法，其中，所述对于每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便把该肋骨节段与所述概率响应图相匹配的步骤包括对于每一个肋骨节段实施以下内容：

利用第一经过训练的分类器在所述概率响应图中检测位置候选；

利用第二经过训练的分类器基于所检测到的位置候选在所述概率响应图中检测位置-定向候选；以及

利用第三经过训练的分类器基于所检测到的位置-定向候选在所述概率响应中检测变换候选。

10.权利要求8的方法，其中，所述对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率的步骤包括：

利用动态编程对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合，以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率。

11.一种用于在3D体积中提取肋骨中心线的设备，包括：

用于在所述3D体积中检测肋骨中心线体素的装置；以及

用于通过基于所检测到的肋骨中心线体素把多根肋骨的肋骨中心线的模板与所述3D体积相匹配以便提取出肋骨中心线的装置。

12.权利要求11的设备，其中，所述多个肋骨的肋骨中心线的模板包括对于整个肋骨篮的肋骨中心线的模板。

13.权利要求11的设备，还包括：

用于利用主动轮廓模型单独细化每一条所提取出的肋骨中心线的装置。

14.权利要求11的设备，其中，所述用于在3D体积中检测肋骨中心线体素的装置包括：

用于利用经过训练的肋骨中心线体素检测器在所述3D体积中检测肋骨中心线体素的装置。

15.权利要求11的设备，其中，所述用于在3D体积中检测肋骨中心线体素的装置包括用于针对所述3D体积中的多个体素当中的每一个生成关于所述体素是肋骨中心线体素的概率的概率响应的装置，并且所述用于通过基于所检测到的肋骨中心线体素把多根肋骨的肋骨中心线的模板与所述3D体积相匹配以便提取出肋骨中心线的装置包括：

用于把所述肋骨中心线的模板与所述概率响应图相匹配的装置。

16.权利要求15的设备，其中，所述肋骨中心线的模板包括对于每一条肋骨中心线的多个肋骨节段，并且所述用于把肋骨中心线的模板与所述概率响应图相匹配的装置包括：

用于针对每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便把该肋骨节段与所述概率响应图相匹配的装置；以及

用于针对每一条肋骨中心线的多个肋骨节段确定变换候选的组合以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率的装置。

17.一种存储用于在3D体积中提取肋骨中心线的计算机程序指令的非瞬时计算机可读介质，当由处理器执行时所述计算机程序指令使得所述处理器施行包括以下各项的操作：

在所述3D体积中检测肋骨中心线体素；以及

18.权利要求17的非瞬时性计算机可读介质，其中，所述多根肋骨的肋骨中心线的模板包括对于整个肋骨篮的肋骨中心线的模板。

19.权利要求17的非瞬时性计算机可读介质，其中，所述操作还包括：

利用主动轮廓模型单独细化每一条所提取出的肋骨中心线。

20.权利要求17的非瞬时性计算机可读介质，其中，在所述3D体积中检测肋骨中心线体素的操作包括：

21.权利要求20的非瞬时性计算机可读介质，其中，所述经过训练的肋骨中心线检测器包括由粗到细的金字塔形经过训练的分类器。

22.权利要求1的非瞬时性计算机可读介质，其中，所述在3D体积中检测肋骨中心线体素的操作包括通过对于所述3D体积中的多个体素当中的每一个确定该体素是肋骨中心线体素的概率而生成概率响应图，并且所述通过基于所检测到的肋骨中心线体素将多根肋骨的肋骨中心线的模板与所述3D体积相匹配而提取出肋骨中心线的操作包括：

将所述肋骨中心线的模板与所述概率响应图相匹配。

23.权利要求22的非瞬时性计算机可读介质，其中，所述肋骨中心线的模板包括对于每一条肋骨中心线的多个肋骨节段，并且所述将肋骨中心线的模板与所述概率响应图相匹配的操作包括：

24.权利要求23的非瞬时性计算机可读介质，其中，所述对于每一条肋骨中心线的多个肋骨节段当中的每一个确定许多变换候选以便将该肋骨节段与所述概率响应图相匹配的操作包括对于每一个肋骨节段施行以下内容：

25.权利要求23的非瞬时性计算机可读介质，其中，所述对于每一条肋骨中心线的多个肋骨节段确定所述变换候选的组合以便基于所述概率响应图最大化肋骨中心线受到对于相邻肋骨节段的变换的成对平滑度约束的总概率的操作包括：