CN103871057A - 基于磁共振图像的骨骼分割的方法及其*** - Google Patents
基于磁共振图像的骨骼分割的方法及其*** Download PDFInfo
- Publication number
- CN103871057A CN103871057A CN201410087926.9A CN201410087926A CN103871057A CN 103871057 A CN103871057 A CN 103871057A CN 201410087926 A CN201410087926 A CN 201410087926A CN 103871057 A CN103871057 A CN 103871057A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- mri
- resonance image
- bone
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明适用于医学图像技术领域,提供了一种基于磁共振图像的骨骼分割的方法及其***,所述方法包括如下步骤:计算步骤:计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;提取步骤:提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;优化步骤:对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。借此,本发明实现了在磁共振图像中完整且独立分割出需要分割的骨骼。
Description
技术领域
本发明涉及医学图像技术领域,尤其涉及一种基于磁共振图像的骨骼分割的方法及其***。
背景技术
骨骼是人体最重要的支撑和运动结构。骨骼主要由骨质、骨髓和骨膜三部分构成,骨骼周边有丰富的血管、神经以及软组织,在进行骨骼分割时往往需要将每一块骨骼单独分出并且不粘连骨骼周边的血管、神经以及软组织。
MRI(Magnetic Resonance Imaging,核磁共振成像)是一种通过从人体中获得电磁信号来重建人体信息的断层成像技术,在数字影像技术突飞猛进的今天,MRI被越来越多地被用于医疗过程中,成为影像诊断领域必不可少的技术之一。
MRI与CT(Computed Tomography,计算机断层扫描)一样,都是医学影像诊断领域最常用的技术。在MRI图像中,肌肉、软骨、韧带、半月板等软组织成像清晰,效果远远好于CT;而且MRI能够多序列成像,输出多种图像类型,为影像诊断提供更为丰富的信息。但MRI在对骨骼成像时,容易被周边组织所干扰,使得在分割骨骼时容易出现粘连骨骼周边其他组织以及在骨骼表面出现孔洞等问题。
目前并无涉及MRI骨骼分割的相关技术方案。在的中国专利申请号为201110260717.6,发明名称为《一种提取脑部CT图像骨骼方法及装置》的发明专利申请中,申请人东软集团股份有限公司提出一种基于灰度阈值分割对脑部CT图像进行骨骼提取的方法。该方法通过多次分析图像灰度信息来对CT图像进行骨骼和背景的分离,从而达到提取脑骨骼的目的。这种基于图像灰度阈值分割方法在CT图像有伪影或骨骼边界不够清晰地情况下难以分割出完整的骨骼,会使骨骼出现孔洞或粘连到其他骨块或血管。并且,MRI图像的复杂程度高于CT图像,对CT骨骼的分割方法更无法用于MRI图像。
因此,单纯地依靠图像阈值来对MRI图像中的骨骼进行分割存在许多问题。在图像质量不太好的数据中,相邻骨骼会在彼此靠近的区域呈粘连状。于是在阈值分割时这两块相邻骨骼就会被同时提取出,导致这两块骨骼粘连而不独立。而在一些骨骼骨质灰度不均匀的区域进行阈值分割时又会出现骨骼孔洞。在一些骨骼和骨骼周边软组织(如韧带,半月板)靠得较近的区域,在提取骨骼时容易连带到其他组织。
综上可知,现有的基于磁共振图像的骨骼分割技术在实际使用上,显然存在不便与缺陷,所以有必要加以改进。
发明内容
针对上述的缺陷,本发明的目的在于提供一种基于磁共振图像的骨骼分割的方法及其***,以在磁共振图像中完整且独立分割出需要分割的骨骼。
为了实现上述目的,本发明提供一种基于磁共振图像的骨骼分割的方法,所述方法包括如下步骤:
计算步骤:计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;
提取步骤:提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;
优化步骤:对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。
根据所述的方法,所述在所述计算步骤之前还包括:
图像获取步骤:对需要进行骨骼分割的部位进行磁共振扫描,获取所述部位的第一磁共振图像。
根据所述的方法,所述计算步骤包括:
为所述第一磁共振图像中的各个像素构造高斯滤波器Gσ,其中σ为高斯滤波器的方差,对高斯滤波器Gσ求其二阶导数得到Lσ;
采用Lσ与所述第一磁共振图像做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);
将Lσ与所述第一磁共振图像卷积得到的结果构成的Hessian矩阵H为:
计算每个Hessian矩阵H的三个特征值λ1、λ2、λ3。
根据所述的方法,所述提取步骤包括:
构造所述第一磁共振图像中的片状结构特征判别函数VS(λ1,λ2,λ3),所述函数对原磁共振图像每个像素值的Hessian矩阵特征值进行结构判定,判断像素点是否位于图形轮廓区域;
计算所述第一磁共振图像中所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数;
根据各个像素点的片状特征判别结果对所述第一磁共振图像中片状结构进行灰度增强,获得所述第二磁共振图像。
根据所述的方法,所述优化步骤包括:
设定所述第二磁共振图像中的骨骼轮廓的灰度阈值范围[IL,IH];
在需要提取的骨骼的轮廓边缘选取一个第一像素点,以所述第一像素点作为阈值连通的起始点,并搜索在所述骨骼轮廓的灰度阈值范围内的第二像素点;
将所述骨骼轮廓的灰度阈值范围内的第一像素点和第一像素点组成的区域进行平滑优化,获得所述第一磁共振图像中的骨骼轮廓分割结果。
为了实现本发明的另一发明目的,本发明还提供了一种基于磁共振图像的骨骼分割的***,所述***包括:
计算模块:用于计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;
提取模块:用于提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;
优化模块:用于对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。
根据所述的***,所述***还包括:
图像获取模块,用于对需要进行骨骼分割的部位进行磁共振扫描,获取所述部位的第一磁共振图像。
根据所述的***,所述计算模块包括:
第一构造子模块,用于为所述第一磁共振图像中的各个像素构造高斯滤波器Gσ,其中σ为高斯滤波器的方差,对高斯滤波器Gσ求其二阶导数得到Lσ;
卷积子模块,用于采用Lσ与所述第一磁共振图像做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);
矩阵子模块,用于将Lσ与所述第一磁共振图像卷积得到的结果构成的
Hessian矩阵H为:
第一计算子模块,用于计算每个Hessian矩阵H的三个特征值λ1、λ2、λ3。
根据所述的***,所述提取模块包括:
第二构造子模块,用于构造所述第一磁共振图像中的片状结构特征判别函数VS(λ1,λ2,λ3),所述函数对原磁共振图像每个像素值的Hessian矩阵特征值进行结构判定,判断像素点是否位于图形轮廓区域;
第二计算子模块,用于计算所述第一磁共振图像中所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数;
灰度增强子模块,用于根据各个像素点的片状特征判别结果对所述第一磁共振图像中片状结构进行灰度增强,获得所述第二磁共振图像。
根据所述的***,所述优化模块包括:
设定子模块,用于设定所述第二磁共振图像中的骨骼轮廓的灰度阈值范围[IL,IH];
搜索子模块,用于在需要提取的骨骼的轮廓边缘选取一个第一像素点,以所述第一像素点作为阈值连通的起始点,并搜索在所述骨骼轮廓的灰度阈值范围内的第二像素点;
优化子模块,用于将所述骨骼轮廓的灰度阈值范围内的第一像素点和第一像素点组成的区域进行平滑优化,获得所述第一磁共振图像中的骨骼轮廓分割结果。
本发明通过计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。由此,本发明提供的***及方法通过计算MRI图像二阶导数来确定图像中的骨骼轮廓,对骨骼轮廓进行灰度增强,再对骨骼轮廓进行阈值提取,最后获得MRI骨骼分割结果。该***及方法能够有效去除MRI图像中骨骼孔洞问题,即使在骨骼边界不够清晰地情况下依然能准确完整地提取出骨骼的外轮廓;并且能够有效解决骨骼与其他骨块或骨骼周边组织粘连的问题。
附图说明
图1是本发明第一实施例中提供了基于磁共振图像的骨骼分割的***结构示意图;
图2是本发明第二、三、四、五实施例中提供了基于磁共振图像的骨骼分割的***结构示意图;
图3是本发明第六实施例提供的基于磁共振图像的骨骼分割的方法流程图;
图4A是本发明一个实施例提供的需要进行分割的膝关节股骨的磁共振图像;
图4B是本发明一个实施例提供的图4A中的膝关节股骨的片状信息图;
图4C是本发明一个实施例提供的图4A中的膝关节股骨的片状增强图;
图4D是本发明一个实施例提供的图4C中的膝关节股骨的阈值连通图;
图4E是本发明一个实施例提供的图4A中的膝关节股骨的最终分割结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参见图1,在本发明的第一实施例中提供了一种基于磁共振图像的骨骼分割的***100,基于磁共振图像的骨骼分割的***100包括:
计算模块10,用于计算第一磁共振图像中的各个像素的Hessian(汉斯)矩阵及其特征值;
提取模块20,用于提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;
优化模块30,用于对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。
在该实施例中,首先由计算模块10计算MRI图像各个像素的Hessian矩阵及其特征值;然后提取模块20提取片状结构并对MRI图像中片状结构进行灰度增强;最后,优化模块30进行阈值连通计算,提取骨骼轮廓并进行平滑优化。由此,可以解决目前在MRI图像中提取骨骼时出现的骨骼粘连和骨骼孔洞等问题。所述基于磁共振图像的骨骼分割的***100能够完整地提取出骨骼轮廓并解决在分割MRI骨骼时出现骨骼孔洞和以及粘连其他骨块与组织等问题。
参见图2,在本发明的第二实施例中,基于磁共振图像的骨骼分割的***100还包括:
图像获取模块40,用于对需要进行骨骼分割的部位进行磁共振扫描,获取所述部位的第一磁共振图像。
在该实施例中,通过图像获取模块40对需要进行骨骼分割的部位进行磁共振扫描,例如需要对膝盖部分的骨头进行分割,则对膝盖部分进行扫描,获得所述第一磁共振图像,即原始的膝盖部分的MRI图像。
参见图2,在本发明的第三实施例中,计算模块10包括:
第一构造子模块11,用于为所述第一磁共振图像中的各个像素构造高斯滤波器Gσ,其中σ为高斯滤波器的方差,对高斯滤波器Gσ求其二阶导数得到Lσ;
卷积子模块12,用于采用Lσ与所述第一磁共振图像做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);
矩阵子模块13,用于将Lσ与所述第一磁共振图像卷积得到的结果构成的
Hessian矩阵H为:
第一计算子模块14,用于计算每个Hessian矩阵H的三个特征值λ1、λ2、λ3。
在该实施例中,计算所述第一磁共振图像中的各个像素的Hessian矩阵及其特征值。具体的首先需要第一构造子模块11构造高斯滤波器Gσ,其中σ为高斯滤波器的方差,对高斯滤波器Gσ求其二阶导数得到Lσ;然后卷积子模块12采用Lσ与原图像(即所述第一磁共振图像)做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);接着矩阵子模块13将Lσ与原图像(即所述第一磁共振图像)卷积得到的结果构成Hessian矩阵 最后第一计算子模块14计算每个Hessian矩阵H的三个特征值λ1、λ2、λ3;由此获取第一磁共振图像中的各个像素的Hessian矩阵及其特征值。
参见图2,在本发明的第四实施例中,提取模块20包括:
第二构造子模块21,用于构造所述第一磁共振图像中的片状结构特征判别函数VS(λ1,λ2,λ3),所述函数对原磁共振图像每个像素值的Hessian矩阵特征值进行结构判定,判断像素点是否位于图形轮廓区域;
第二计算子模块22,用于计算所述第一磁共振图像中所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数;
灰度增强子模块23,用于根据各个像素点的片状特征判别结果对所述第一磁共振图像中片状结构进行灰度增强,获得所述第二磁共振图像。
在该实施例中,实现在所述第一磁共振图像中提取片状结构并对图像中片状结构进行灰度增强,获得处理后的所述第二磁共振图像。具体的第二构造子模块21构造片状结构特征判别函数VS(λ1,λ2,λ3),该函数对原图像(即所述第一磁共振图像)每个像素值的Hessian矩阵特征值进行结构判定,判断像素点是否位于图形轮廓区域;第二计算子模块22计算原图像(即所述第一磁共振图像)所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数;灰度增强子模块23对应各个像素点的片状特征判别结果对原图进行片状结构灰度增强,获得灰度增强后的所述第二磁共振图像。
参见图2,在本发明的第五实施例中,优化模块30包括:
设定子模块31,用于设定所述第二磁共振图像中的骨骼轮廓的灰度阈值范围[IL,IH];
搜索子模块32,用于在需要提取的骨骼的轮廓边缘选取一个第一像素点,以所述第一像素点作为阈值连通的起始点,并搜索在所述骨骼轮廓的灰度阈值范围内的第二像素点;
优化子模块33,用于将所述骨骼轮廓的灰度阈值范围内的第一像素点和第一像素点组成的区域进行平滑优化,获得所述第一磁共振图像中的骨骼轮廓分割结果。
在该实施例中,优化模块30进行阈值连通计算提取骨骼轮廓并进行平滑优化操作。具体的,设定子模块31设定图像灰度增强后骨骼轮廓的大致灰度阈值范围[IL,IH];搜索子模块32在所需提取的骨骼的轮廓边缘选取一个像素点,以此像素点作为阈值连通的起始点并搜索在骨骼轮廓灰度阈值范围内的像素点;优化子模块33将骨骼轮廓像素点组成的区域进行平滑优化,处理后所得的区域则为MRI骨骼的最终分割结果。
在上述多个实施中,所述基于磁共振图像的骨骼分割的***100的多个模块软件单元,硬件单元或软硬件结合单元。
参见图3,在本发明的第六实施例中,提供了一种基于磁共振图像的骨骼分割的方法,所述方法包括如下步骤:
步骤S301中,计算模块10计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;该步骤为计算步骤;
步骤S302中,提取模块20提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;该步骤为提取步骤;
步骤S303中,优化模块30对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果;该步骤为优化步骤。
在该实施例中,从第一磁共振图像灰度二阶导数的角度对第一磁共振图像进行分析,通过Hessian矩阵对第一磁共振图像的二阶导数特征进行分类,从而确定第一磁共振图像中的片状结构,因此将感兴趣区域锁定为骨骼的边缘轮廓,配合骨骼轮廓灰度增强算法将第一磁共振图像中的骨骼轮廓变得清晰突出。在对骨骼轮廓增强后的第二磁共振图像进行阈值连通提取能够有效去除单纯阈值连通算法对骨骼分割时产生的骨骼粘连和骨骼孔洞的问题;获得所述第二磁共振图像中的骨骼轮廓分割结果。该方法能够在复杂的MRI图像中完整且单独地分割出骨骼,为MRI图像的三维重建提供技术基础。
在本发明的第七实施例中,在所述步骤S301之前还包括:
图像获取步骤:对需要进行骨骼分割的部位进行磁共振扫描,获取所述部位的第一磁共振图像。
在本发明的第八实施例中,所述步骤S301包括:
第一构造子模块11为所述第一磁共振图像中的各个像素构造高斯滤波器Gσ,其中σ为高斯滤波器的方差,对高斯滤波器Gσ求其二阶导数得到Lσ;
卷积子模块12采用Lσ与所述第一磁共振图像做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);
矩阵子模块13将Lσ与所述第一磁共振图像卷积得到的结果构成的Hessian
矩阵H为:
第一计算子模块14计算每个Hessian矩阵H的三个特征值λ1、λ2、λ3。
在本发明的第八实施例中,所述步骤S302包括:
第二构造子模块21构造所述第一磁共振图像中的片状结构特征判别函数VS(λ1,λ2,λ3),所述函数对原磁共振图像每个像素值的Hessian矩阵特征值进行结构判定,判断像素点是否位于图形轮廓区域;
第二计算子模块22计算所述第一磁共振图像中所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数;
灰度增强子模块23根据各个像素点的片状特征判别结果对所述第一磁共振图像中片状结构进行灰度增强,获得所述第二磁共振图像。
在本发明的九实施例中,所述步骤S303包括:
设定子模块31设定所述第二磁共振图像中的骨骼轮廓的灰度阈值范围[IL,IH];
搜索子模块32在需要提取的骨骼的轮廓边缘选取一个第一像素点,以所述第一像素点作为阈值连通的起始点,并搜索在所述骨骼轮廓的灰度阈值范围内的第二像素点;
优化子模块33将所述骨骼轮廓的灰度阈值范围内的第一像素点和第一像素点组成的区域进行平滑优化,获得所述第一磁共振图像中的骨骼轮廓分割结果。
参见图4A~图4E,在本发明的一个实施例中,描述了采用本发明提供的***及方法实现对膝关节股骨分割的技术过程,在该实施例中,***接收输入的膝关节股骨MRI图像,然后计算MRI图像各像素的Hessian矩阵及其特征值;接着计算片状特征函数值;并对片状结构进行增强;然后进行阈值连通提取骨骼轮廓;进行平滑优化处理后获得骨骼轮廓分割结果。具体过程如下:
参见图4A为膝关节股骨进行磁共振扫描获得的MRI图像,在该实现中需要对该图像进行处理,以完整且独立的分割出膝关节股骨。
首先,计算模块10计算Hessian矩阵及其特征值
第一构造子模块11构造高斯滤波器Gσ,高斯滤波器的方差σ取为1.6,对高斯滤波器Gσ求其二阶导数得到Lσ;
卷积子模块12采用Lσ与原图像做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);
矩阵子模块13将Lσ与原图像卷积得到的结果构成Hessian矩阵
第一计算子模块14计算Hessian矩阵H的三个特征值,并按从小到大的顺序排列为λ1<λ2<λ3。
然后,提取模块20提取片状结构并对图像中片状结构进行灰度增强
第二构造子模块21构造片状结构特征判别函数VS(λ1,λ2,λ3),该函数对原图像每个像素值的Hessian矩阵特征值进行结构判定;
第二计算子模块22计算原图像所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数,由此得到的图像片状信息如图4B所示。
灰度增强子模块23对应各个像素点的片状特征判别结果对原图进行灰度增强,由此得到的片状结构灰度增强结果如图4C所示。
最后,优化模块30进行阈值连通计算,提取骨骼轮廓
设定子模块31设定图像灰度增强后骨骼轮廓的大致灰度阈值范围,在该实施例中骨骼轮廓的大致灰度范围是[150,500];
搜索子模块32在所需提取的骨骼的轮廓区域上选取一个像素点,以此像素点作为阈值连通的起始点并搜索在骨骼轮廓灰度范围内的像素点,得到的阈值连通结果如图4D所示;
优化子模块33将骨骼轮廓像素点组成的区域进行平滑优化处理,所得的骨骼轮廓膨胀区域则为骨骼轮廓的最终分割结果。最终分割结果如图4E所示。
综上所述,本发明通过计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。由此,本发明提供的***及方法通过计算MRI图像二阶导数来确定图像中的骨骼轮廓,对骨骼轮廓进行灰度增强,再对骨骼轮廓进行阈值提取,最后获得MRI骨骼分割结果。该***及方法能够有效去除MRI图像中骨骼孔洞问题,即使在骨骼边界不够清晰地情况下依然能准确完整地提取出骨骼的外轮廓;并且能够有效解决骨骼与其他骨块或骨骼周边组织粘连的问题。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于磁共振图像的骨骼分割的方法,其特征在于,所述方法包括如下步骤:
计算步骤:计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;
提取步骤:提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;
优化步骤:对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。
2.根据权利要求1所述的方法,其特征在于,所述在所述计算步骤之前还包括:
图像获取步骤:对需要进行骨骼分割的部位进行磁共振扫描,获取所述部位的第一磁共振图像。
3.根据权利要求1所述的方法,其特征在于,所述计算步骤包括:
为所述第一磁共振图像中的各个像素构造高斯滤波器Gσ,其中σ为高斯滤波器的方差,对高斯滤波器Gσ求其二阶导数得到Lσ;
采用Lσ与所述第一磁共振图像做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);
将Lσ与所述第一磁共振图像卷积得到的结果构成的Hessian矩阵H为:
计算每个Hessian矩阵H的三个特征值λ1、λ2、λ3。
4.根据权利要求3所述的方法,其特征在于,所述提取步骤包括:
构造所述第一磁共振图像中的片状结构特征判别函数VS(λ1,λ2,λ3),所述函数对原磁共振图像每个像素值的Hessian矩阵特征值进行结构判定,判断像素点是否位于图形轮廓区域;
计算所述第一磁共振图像中所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数;
根据各个像素点的片状特征判别结果对所述第一磁共振图像中片状结构进行灰度增强,获得所述第二磁共振图像。
5.根据权利要求4所述的方法,其特征在于,所述优化步骤包括:
设定所述第二磁共振图像中的骨骼轮廓的灰度阈值范围[IL,IH];
在需要提取的骨骼的轮廓边缘选取一个第一像素点,以所述第一像素点作为阈值连通的起始点,并搜索在所述骨骼轮廓的灰度阈值范围内的第二像素点;
将所述骨骼轮廓的灰度阈值范围内的第一像素点和第一像素点组成的区域进行平滑优化,获得所述第一磁共振图像中的骨骼轮廓分割结果。
6.一种基于磁共振图像的骨骼分割的***,其特征在于,所述***包括:
计算模块:用于计算第一磁共振图像中的各个像素的Hessian矩阵及其特征值;
提取模块:用于提取所述第一磁共振图像中的片状结构,并对所述第一磁共振图像中的片状结构进行灰度增强,获得第二磁共振图像;
优化模块:用于对所述第二磁共振图像进行阈值连通计算,提取所述中的骨骼轮廓,并进行平滑优化,获得所述第二磁共振图像中的骨骼轮廓分割结果。
7.根据权利要求6所述的***,其特征在于,所述***还包括:
图像获取模块,用于对需要进行骨骼分割的部位进行磁共振扫描,获取所述部位的第一磁共振图像。
8.根据权利要求6所述的***,其特征在于,所述计算模块包括:
第一构造子模块,用于为所述第一磁共振图像中的各个像素构造高斯滤波器Gσ,其中σ为高斯滤波器的方差,对高斯滤波器Gσ求其二阶导数得到Lσ;
卷积子模块,用于采用Lσ与所述第一磁共振图像做卷积得到Ixx(σ),Ixy(σ),Ixz(σ),Iyy(σ),Iyz(σ),Izz(σ);
矩阵子模块,用于将Lσ与所述第一磁共振图像卷积得到的结果构成的
Hessian矩阵H为:
第一计算子模块,用于计算每个Hessian矩阵H的三个特征值λ1、λ2、λ3。
9.根据权利要求6所述的方法,其特征在于,所述提取模块包括:
第二构造子模块,用于构造所述第一磁共振图像中的片状结构特征判别函数VS(λ1,λ2,λ3),所述函数对原磁共振图像每个像素值的Hessian矩阵特征值进行结构判定,判断像素点是否位于图形轮廓区域;
第二计算子模块,用于计算所述第一磁共振图像中所有像素的片状结构特征函数L(λ)=VS(λ1,λ2,λ3)*H(λ1),其中H(λ1)是衡量λ1作用效果的函数;
灰度增强子模块,用于根据各个像素点的片状特征判别结果对所述第一磁共振图像中片状结构进行灰度增强,获得所述第二磁共振图像。
10.根据权利要求9所述的***,其特征在于,所述优化模块包括:
设定子模块,用于设定所述第二磁共振图像中的骨骼轮廓的灰度阈值范围[IL,IH];
搜索子模块,用于在需要提取的骨骼的轮廓边缘选取一个第一像素点,以所述第一像素点作为阈值连通的起始点,并搜索在所述骨骼轮廓的灰度阈值范围内的第二像素点;
优化子模块,用于将所述骨骼轮廓的灰度阈值范围内的第一像素点和第一像素点组成的区域进行平滑优化,获得所述第一磁共振图像中的骨骼轮廓分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410087926.9A CN103871057A (zh) | 2014-03-11 | 2014-03-11 | 基于磁共振图像的骨骼分割的方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410087926.9A CN103871057A (zh) | 2014-03-11 | 2014-03-11 | 基于磁共振图像的骨骼分割的方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103871057A true CN103871057A (zh) | 2014-06-18 |
Family
ID=50909562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410087926.9A Pending CN103871057A (zh) | 2014-03-11 | 2014-03-11 | 基于磁共振图像的骨骼分割的方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103871057A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096332A (zh) * | 2015-08-25 | 2015-11-25 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN106023144A (zh) * | 2016-05-06 | 2016-10-12 | 福建工程学院 | 在断层影像中分割股骨的方法 |
CN106815853A (zh) * | 2016-12-14 | 2017-06-09 | 海纳医信(北京)软件科技有限责任公司 | 对眼底图像中视网膜血管的分割方法和装置 |
US10181191B2 (en) | 2014-12-02 | 2019-01-15 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
CN110458850A (zh) * | 2019-08-01 | 2019-11-15 | 北京灵医灵科技有限公司 | 一种大关节组织的分割方法和分割*** |
-
2014
- 2014-03-11 CN CN201410087926.9A patent/CN103871057A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10181191B2 (en) | 2014-12-02 | 2019-01-15 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
US11094067B2 (en) | 2014-12-02 | 2021-08-17 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image processing |
CN105096332A (zh) * | 2015-08-25 | 2015-11-25 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN105096332B (zh) * | 2015-08-25 | 2019-06-28 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN106023144A (zh) * | 2016-05-06 | 2016-10-12 | 福建工程学院 | 在断层影像中分割股骨的方法 |
CN106023144B (zh) * | 2016-05-06 | 2019-05-31 | 福建工程学院 | 在断层影像中分割股骨的方法 |
CN106815853A (zh) * | 2016-12-14 | 2017-06-09 | 海纳医信(北京)软件科技有限责任公司 | 对眼底图像中视网膜血管的分割方法和装置 |
CN110458850A (zh) * | 2019-08-01 | 2019-11-15 | 北京灵医灵科技有限公司 | 一种大关节组织的分割方法和分割*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahendran et al. | An enhanced tibia fracture detection tool using image processing and classification fusion techniques in X-ray images | |
CN104809740B (zh) | 基于svm与弹性区域生长的膝软骨图像自动分割方法 | |
US9990743B2 (en) | Suppression of vascular structures in images | |
CN103871057A (zh) | 基于磁共振图像的骨骼分割的方法及其*** | |
Hu et al. | Segmentation of brain from computed tomography head images | |
CN104794708A (zh) | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 | |
Jabbar et al. | Using convolutional neural network for edge detection in musculoskeletal ultrasound images | |
CN110288698B (zh) | 基于mri的半月板三维重建*** | |
Barbieri et al. | Vertebral body segmentation of spine MR images using superpixels | |
Hacihaliloglu et al. | Statistical shape model to 3D ultrasound registration for spine interventions using enhanced local phase features | |
Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
Soni et al. | CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation | |
CN106780492A (zh) | 一种ct骨盆图像的关键帧提取方法 | |
Xu et al. | Texture analysis improves level set segmentation of the anterior abdominal wall | |
CN103456004B (zh) | 基于图像片状结构增强的关节软骨分割方法及其*** | |
Fiallos et al. | Automatic detection of injuries in mammograms using image analysis techniques | |
CN115131319A (zh) | 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 | |
Zhang et al. | Blood vessel segmentation based on digital subtraction angiography sequence | |
Shaharuddin et al. | Feature analysis of kidney ultrasound image in four different ultrasound using gray level co-occurrence matrix (GLCM) and intensity histogram (IH) | |
Wang et al. | Automatic knee cartilage segmentation using multi-feature support vector machine and elastic region growing for magnetic resonance images | |
Howes et al. | Texture enhanced Statistical Region Merging with application to automatic knee bones segmentation from CT | |
Vasilache et al. | A unified method based on wavelet filtering and active contour models for segmentation of pelvic CT images | |
Dixit et al. | Proposing a Framework to Analyze Breast Cancer in Mammogram Images Using Global Thresholding, Gray Level Co‐Occurrence Matrix, and Convolutional Neural Network (CNN) | |
Halima et al. | Segmentation Methods for MRI Human Spine Images using Thresholding Approaches | |
Dawood et al. | Automatic Skull Stripping of MRI Head Images Based on Adaptive Gamma Transform. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140618 |