CN106651895A - 一种分割三维图像的方法和装置 - Google Patents
一种分割三维图像的方法和装置 Download PDFInfo
- Publication number
- CN106651895A CN106651895A CN201610821054.3A CN201610821054A CN106651895A CN 106651895 A CN106651895 A CN 106651895A CN 201610821054 A CN201610821054 A CN 201610821054A CN 106651895 A CN106651895 A CN 106651895A
- Authority
- CN
- China
- Prior art keywords
- point
- mesh
- starting point
- value
- grid
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30028—Colon; Small intestine
- G06T2207/30032—Colon polyp
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种分割三维图像的方法和装置。根据该方法的一个例子,首先,可从原始三维图像中选取感兴趣区域,并构建所述感兴趣区域的网格模型。接着,可获得所述网格模型中每个网格点的距离场信息和形状索引特征值,并可根据所述距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合。然后,可根据每个网格点的距离场信息、所述形状索引特征值以及图像值,得到每个网格点的混合代价值。这样,可根据所述混合代价值以及所述候选路径的起始点集合和终止点集合,确定切割路径。
Description
技术领域
本申请涉及医疗图像分割技术领域,特别涉及一种分割三维图像的方法和装置。
背景技术
医学图像分割是指基于医学图像对正常组织和病变组织进行区分,以方便后续的诊断和手术治疗等。
以对结肠息肉的CT图像进行分割为例,可基于病变组织的球形或半球形的几何结构,依赖形状曲率等参数确定结肠息肉的分割面。然而,实际的结肠息肉按照息肉的表面型态可以分为广基型、带蒂型、平坦型等。上述的分割方法可能仅适用于带蒂型息肉。
发明内容
有鉴于此,本申请提供一种分割三维图像的方法和装置,以提高图像分割的准确性。
具体地,本申请是通过如下技术方案实现的:
第一方面,提供一种分割三维图像的方法,所述方法包括:
从原始三维图像中选取感兴趣区域;
构建所述感兴趣区域的网格模型;
获得所述网格模型上每个网格点的距离场信息和形状索引特征值;
根据每个所述网格点的距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合;
根据所述每个网格点的距离场信息、形状索引特征值以及图像值,得到每个网格点的混合代价值;
根据所述每个网格点的混合代价值以及所述候选路径的起始点集合和终止点集合,确定切割路径。
对应的,提供了一种分割三维图像的装置,所述装置包括:
模型构建模块,用于从原始三维图像中选取感兴趣区域,构建所述感兴趣区域的网格模型;
统计信息计算模块,用于获得所述网格模型上每个网格点的距离场信息和形状索引特征值;
网格拆分模块,用于根据每个所述网格点的距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合;
混合代价计算模块,用于根据所述每个网格点的距离场信息、形状索引特征值以及图像值,得到每个网格点的混合代价值;
切割路径确定模块,用于根据所述每个网格点的混合代价值以及所述候选路径的起始点集合和终止点集合,确定切割路径。
本公开的实施例提供的技术方案可以包括以下有益效果:
采用本公开提供的分割三维图像的方法,首先,可从原始三维图像中选取感兴趣区域,并构建所述感兴趣区域的网格模型。接着,可获得所述网格模型中每个网格点的距离场信息和形状索引特征值,并可根据所述距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合。然后,可根据每个网格点的距离场信息、所述形状索引特征值以及图像值,得到每个网格点的混合代价值。这样,可根据所述混合代价值以及所述候选路径的起始点集合和终止点集合,确定切割路径。从而根据上述切割路径准确定位并切割原始三维图像中的可疑病变组织,提高了图像分割的准确性。
附图说明
图1是根据本公开一个例子示出的一种分割三维图像的方法的流程图;
图2是根据本公开一个例子示出的上述图1中步骤12的具体实现的流程图;
图3是根据本公开一个例子示出的感兴趣区域的示意图;
图4A和图4B是根据本公开一个例子示出的感兴趣区域的等值面的示意图;
图5是根据本公开一个例子示出的感兴趣区域的网格模型的示意图;
图6是根据本公开一个例子示出的计算网格模型的距离场信息的流程图;
图7是根据本公开一个例子示出的计算网格模型的形状索引特征的流程图;
图8是根据本公开一个例子示出的网格模型中一个点与邻近点或面的关系示意图;
图9是根据本公开一个例子示出的上述图1中步骤14的具体实现的流程图;
图10A和图10B是根据本公开一个例子示出的网格模型拆分的示意图;
图11是根据本公开一个例子示出的上述图1中步骤15的具体实现的流程图;
图12是根据本公开一个例子示出的上述图1中步骤16的具体实现的流程图;
图13是根据本公开一个例子示出的生成最小代价路径的示意图;
图14为按照本公开提供的方法从图3所示感兴趣区域中分割出结肠息肉的效果图;
图15A~15E为按照本公开提供的方法分割出各种类型结肠息肉的效果图;
图16是根据本公开一个例子示出的一种分割三维图像的装置的硬件结构图;
图17是根据本公开一个例子示出的分割三维图像的控制逻辑的功能模块框图;
图18是根据本公开一个例子示出的图17中模型构建模块的框图;
图19是根据本公开一个例子示出的图17中统计信息计算模块的框图;
图20是根据本公开一个例子示出的图17中网格拆分模块的框图。
具体实施方式
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
在比如CT(Computed Tomography,电子计算机断层扫描)、PET(PositronEmission Tomography,正电子发射计算机断层扫描)、MRI(Magnetic Resonance Imaging,磁共振成像)、超声波等的医学成像技术中,可以通过非介入式的检查方式获得能够表示人体组织的一种或多种物理特性的数据,并可根据上述数据获得用于显示人体组织特性的三维图像。
可以对所获取的三维图像进行图像分割,以确定比如结肠息肉、动脉瘤、肺小结等病变组织的面积、体积、直径等形状参数,从而能够根据上述形状参数进行诊断以及设计手术等。
以结肠息肉为例,结肠息肉是指从结肠粘膜表面突出到肠腔的肿物病变组织。在临床诊断中,由于结肠较长且为弯曲管状,以及结肠壁纹理复杂且皱褶多等,结肠息肉的三维图像分割较困难。
本公开提供了一种分割三维图像的方法,其通过基于各像素的图像值构建感兴趣区域的网格模型,可基于该网格模型的距离场信息等生成候选路径的起始点集合和终止点集合,并然后可根据该网格模型的距离场信息、形状特征以及图像值分布等,从所述候选路径的起始点集合和终止点集合中确定出用以分割目标组织的切割路径。
参照图1,为本公开一个例子示出的一种分割三维图像的方法的流程图,可以包括以下步骤。
在步骤11中,获取原始三维图像。
可基于利用医学成像设备对患者进行扫描所采集到的数据组形成医学图像。其中,当上述数据组为三维阵列数据时,医学图像可以以称为体素的单元显示。体素是能够使用三维坐标定位的点。
本公开以结肠息肉的三维图像分割为例进行详细说明。通过步骤11可获取结肠部位的原始三维图像。
假设结肠的原始三维图像为结肠的CT图像,下面结合CT图像的成像原理说明其获取过程。CT是用X射线束对被扫描对象,例如,人体的某部位进行扫描。由探测器接收透过该部位的X射线,转变为可见光后,由光电转换变为电信号,再经ADC(Analog/DigitalConverter,模拟/数字转换器)转为数字信号。这些数字信号可以称为生数据(raw data),或者也可称为投影数据(projection data)。基于所述生数据可获得每个体素的X射线衰减系数或吸收系数,或者也可称为CT值。这些系数可经DAC(Digital/Analog Converter,数字/模拟转换器)转为由黑到白不等灰度的小方块,即体素(Voxel)。这些体素按矩阵排列即可构成CT图像。
在步骤12中,从所述原始三维图像中选取感兴趣区域,构建所述感兴趣区域的网格模型。
本公开例子中,步骤12可具体为从结肠的原始CT图像中选取结肠息肉的ROI(Region of Interest,感兴趣区域)。
参照图2,为本公开图1中的步骤12具体实现的流程图,可以包括以下步骤。
在步骤121中,在所述原始三维图像中标识种子点。
本公开例子,可以通过例如鼠标、键盘、触摸屏等的接口单元接收医疗人员选择种子点的指令,并根据所接收到的指令在结肠的原始三维图像中标识种子点。在本公开例子中,种子点可以是一个体素,也可以是由多个体素组成的集合,或是由多个彼此邻接的体素组成的一个区域。
在步骤122中,根据所述种子点选取感兴趣区域。
本公开例子中,根据标识的种子点选取结肠息肉图像区域作为ROI。例如,根据种子点,可以选取长宽高分别为5cm~10cm的ROI,如图3所示。
在步骤123中,根据预设的第一阈值构造所述感兴趣区域的等值面。
本公开例子中,可以针对图像值预设一个阈值,比如CT值-700Hu,然后利用例如Marching Cubes(MC)的算法基于该阈值构造ROI的等值面。所谓等值面是空间中所有具有某个相同图像值的点的集合。
Marching Cubes算法是医学图像三维重建的经典算法。在Marching Cubes算法中,假定例如CT图像数据等的原始数据是离散的三维空间规则数据。一个体块(cube)可定义为由相邻层上的8个顶点、即8个体素限定的一个长方体。每个体块由26个其他的体块包围,这26个体块可被看作该体块的邻接体块。为了构造等值面,可先给定等值面的图像值,即设定所述第一阈值。本例中,等值面的图像值可给定为CT值-700Hu。MC算法的基本思想是逐个处理ROI中的体素,包括将各体块的例如灰度值等的图像值与所述第一阈值进行比较,以找出可能与等值面相交的关注体块。接着,可通过基于关注体块的各顶点的坐标信息以及关注体块的各顶点处体素的图像值进行插值计算,来确定出等值面与关注体块的棱边的交点,以下可将该交点又称为等值点。然后,可将各等值点以某种拓扑形式、例如三角形连接成等值面片,作为等值面在该体素内的一个逼近表示。所有例如三角形的等值面片的集合可构成ROI的等值面。以下,将以三角形的等值面片为例进行说明,并简称为三角面片。
在本公开另一个例子中,在上述步骤123和下述步骤124之间还可以包括选取面积最大的等值面,以下可简称为最大等值面。在选取最大等值面后,还可进一步去除与该最大等值面不连通的面积较小的其他等值面。如图4A、图4B所示,图4A为对图3所示的结肠息肉ROI构造的等值面示意图;图4B为去除与最大等值面不连通的其他等值面之后的示意图。通过去除较小面积的等值面,可以有效去除结肠息肉ROI的干扰组织,从而可增加后续处理的鲁棒性。
在步骤124中,计算所述等值面中各等值点和各等值面片之间的关系,所述关系可包括点点关系、面面关系、点面关系、面点关系。
ROI的等值面可由通过相互连接等值点所形成的三角面片拼接构成。每个三角面片和每个等值点都有对应的身份标识ID。比如,等值点的ID可为其在三维坐标系中的坐标值。等值面片的ID可为连接而成该等值面片的所有等值点的坐标值的平均值。在这种情况下,上述点点关系可以用记录当前点与周围邻域点之间相邻关系的ID列表PPlist表示。面面关系可以用记录当前面与周围邻域面之间相邻关系的ID列表FFList表示。点面关系可以用记录当前点属于邻域内部面片关系的ID列表PFList表示。面点关系可以用记录当前三角面片包含顶点的ID列表FPList表示。
在步骤125中,计算所述等值面中每个等值点的法向量和每个等值面片的法向量。
其中,等值面片的法向量可通过计算该等值面片上任意2条棱边的叉积而得。等值点的法向量可通过计算该等值点所在各个等值面片的法向量的平均值而得。
在步骤126中,根据所述等值面中各等值点与各等值面片之间的关系、每个等值点的法向量和每个等值面片的法向量,构建所述感兴趣区域的网格模型。
如图5所示,图5即为对图3所示结肠息肉的ROI构建的三角网格模型。可见,三角网格模型是通过拼接三维空间中的三角面片而形成的分片线性曲面。其中,每个三角面片由三个等值点连接而成,并且每两个等值点连接而成的一条边最多包含在两个三角面片中。
在结肠息肉ROI网格模型构建完成之后,可以进行统计信息计算。本公开例子中,所述统计信息可包括网格模型中每个点的距离场信息和形状索引(Shape Index,SI)特征值。基于前述介绍可知,网格模型中每个点为上述等值点,以下又可简称为网格点。
在步骤13中,计算所述网格模型中每个网格点的距离场信息和形状索引特征值。
一方面,参照图6,为本公开一个例子示出的计算网格模型的距离场信息的流程图,可以包括以下步骤。
在步骤131中,在网格模型上确定第一起始点,所述第一起始点为用于距离场计算的起始点。
本公开例子中,可选取距离种子点最近的网格点作为距离场计算的第一起始点。此处需要说明的是,如果种子点刚好位于网格模型上,则可将该种子点作为距离场计算的第一起始点。
在步骤132中,计算每个所述网格点到所述第一起始点的最短距离Dis。
本公开例子中,可以采用最短路径算法,比如Dijkstra算法或Fast Marching算法,来计算网格模型上每个点到第一起始点的最短距离Dis。
在步骤133中,计算每个所述网格点到所述第一起始点的最长距离MaxDis。
每个网格点到第一起始点的最短距离Dis和最长距离MaxDis,属于网格模型的距离场信息。
另一方面,参照图7,为本公开一个例子示出的计算网格模型的形状索引特征值的流程图,可以包括以下步骤。
在步骤134中,计算每个所述网格点的最大主曲率kmax和最小主曲率kmin。
计算每个网格点的最大主曲率和最小主曲率的方法可以有多种。结合图8所示的网格点与邻近点或面的关系示意图,本公开例子中,可以采用以下方法计算网格点P的最大主曲率和最小主曲率。
首先,可采用公式(1)计算所述网格点P的第一特征量K(P):
其中,K(P)表示网格点P与邻近点之间的夹角的关系;
αi表示以网格点P为顶点的三角面片的内部夹角,如图8所示;
A表示网格点P所在三角面片的面积之和,比如,在图8中,A等于以网格点P为顶点的5个三角面片的面积之和。
其次,可采用公式(2)计算所述网格点P的第二特征量H(P):
其中,H(P)表示网格点P与邻近点之间的边长的关系;
βi表示以网格点P为公共顶点的相邻两个三角面片的法向量之间的夹角;
ei表示形成任意一个以网格点P为顶点的棱边的长,如图8所示。
根据所述网格点P的第一特征量K(P)和第二特征量H(P),可采用公式(3)计算所述网格点P的最大主曲率Kmax:
根据所述网格点P的第一特征量K(P)和第二特征量H(P),可采用公式(4)计算所述网格点P的最小主曲率Kmin:
在步骤135中,根据每个所述网格点的最大主曲率kmax和最小主曲率kmin,计算每个所述网格点的形状索引特征值。
根据一个例子,可按照公式(5)计算网格模型中每个点的形状索引特征值SI:
形状索引特征值SI的取值范围可为[0,1],不同的形状索引特征值可对应不同的形状。比如,对于网格点P,当SI=0时,表示该网格点周边的等值面的形状接近凸球面;当SI=0.5时,表示该网格点周边的等值面的形状接近马鞍;当SI=0.75时,表示该网格点周边的等值面的形状接近凹平面;当SI=1时,表示该网格点周边的等值面的形状接近凹球面。
根据图3及图5所示的结肠息肉ROI的示意图可知,形状索引特征值SI接近0的网格点所组成的区域可视为结肠息肉所在区域。
在计算完每个网格点的形状索引特征值SI之后,可以生成对应的形状代价图。例如,可以使用不同的色彩标记不同形状索引特征值的区域,以可以更清楚地界定目标组织。
在步骤14中,根据所述距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合。
参照图9,为本公开图1的步骤14具体实现的流程图,可以包括以下步骤。
在步骤141中,根据所述距离场信息,在网格模型中选取用于网格拆分的第二起始点。
本公开中,可以采用以下两种方式确定第二起始点。
方式一,根据网格模型的距离场信息,选取距离第一起始点的最长距离MaxDis为最大值的一个网格点作为第二起始点。
也就是说,比较前述计算出的距离场信息中各个网格点到所述第一起始点的最长距离MaxDis,获取最长距离MaxDis的最大值。某种情况下,最长距离MaxDis的最大值可能对应多个网格点,从中选取一个网格点作为网格拆分的起始点。
方式二,根据网格模型的距离场信息,选取距离第一起始点的最长距离为指定长度的一个网格点作为第二起始点。
从所述第二起始点开始,可按照下述执行多次邻近点发现,直至最后确定的邻近点为上述第一起始点。
在步骤142中,沿当前点的距离梯度最大的方向确定当前点的邻近点。
本公开例子中,当前点的邻近点可以是沿当前点的距离梯度最大的方向、在当前点的邻域内并且距离当前点最近的网格点。
在步骤143中,判断所述邻近点是否为所述第一起始点。若所述邻近点是所述第一起始点,则可结束迭代进入步骤144,否则可将所述邻近点作为下一次的当前点,并返回步骤142。
在上述迭代运算过程中,当前点相当于一个已知变量。在迭代运算开始时,第二起始点为当前点,根据上述步骤142可确定第二起始点的邻近点,即沿第二起始点的距离梯度最大的方向在第二起始点的邻域内并且距离第二起始点最近的网格点。假设第二起始点的邻近点为网格点N1,则在第二次迭代运算中,可将上述网格点N1作为当前点,按照上述步骤142确定网格点N1的邻近点N2。之后,可将网格点N2作为第三次迭代运算的当前点,继续迭代运算,依此类推。
在步骤144中,从所述第二起始点开始顺序连接各个当前点和对应的邻近点,直至所述第一起始点,获得一条网格拆分线。
在步骤145中,根据所述网格拆分线,生成候选路径的起始点集合和终止点集合。
下面结合图10A、图10B所示的网格拆分示意图,说明网格拆分过程。
首先,根据前述计算的距离场信息选取相对于第一起始点的最长距离MaxDis为最大值或指定值的网格点作为网格拆分的起始点,即第二起始点。如图10A中所示,假设上述第二起始点为网格点E,从网格点E开始,可根据网格点E的距离梯度最大方向确定网格点E的邻近点,可假设为网格点N。这两个网格点可构造一条拆分边依此类推,直至确定的邻近点为第一起始点B,可获得网格拆分线根据网格拆分线包含的拆分边,遍历网格模型的边列表Elist,统计各拆分边所在的三角面片,可组成面片集T,如图10A中黑色粗虚线包围的区域。如图10A所示,网格点B和网格点E间的虚线经过的点(包括网格点B和网格点E)构成点集PList。
如图10B所示,可将面片集T拆分为面片子集T1、T2。面片子集T1和T2各自内的面片相互连通,面片子集T1和T2的交集为边集EList和点集PList。可复制点集PList生成新的点集合PList2。点集PList和PList2内的网格点ID满足一一对应的关系,如点集PList2中的网格点B2对应点集PList中的网格点B。可将点集PList2加入网格模型中。这样,面片子集T1中的点集可基本无变化,而面片子集T2中的点集可能需要更新。例如,可将面片子集T2中含有点集PList的网格点ID替换为点集PList2中的网格点ID。此外,还可更新网格模型中的各网格点以及各面片之间的关系表,包括PPList、FFList、PFList、FPList等,以完成网格拆分过程,从而可获得拆分后的三角网格模型。可将点集PList作为候选路径的起始点集合,而将点集PList2作为候选路径的终止点集合。由此可见,前述的第一起始点B、第二起始点E均属于上述起始点集合PList。
在步骤15中,根据所述每个网格点的距离场信息、形状索引特征值以及灰度代价统计值,计算拆分后的网格模型中每个网格点的混合代价值。如图11为本公开图1中的步骤15的具体实现的流程图,可以包括以下步骤。
在步骤151中,计算网格模型上每个网格点的灰度代价统计值。
其中,所述每个网格点的灰度代价统计值可包括每个网格点对应的第一低密度体素数量Num1和第二低密度体素数量Num2。其中,所述第一低密度体素数量Num1可以是以该网格点为中心的预设模板中包含的目标体素的个数。例如,该目标体素可设定为CT值低于第二阈值;上述预设模板可以是一个3×3×3大小的体积窗口。上述第二阈值的取值范围可以为-500Hu~-700Hu。所述第二低密度体素数量Num2可以是从该网格点到所述第一起始点的连线所经过的所述目标体素的个数。
在步骤152中,采用公式(6)计算每个网格点的混合代价值fCost。
fCost=(fw1×Num1+fw2×Num2+fw3×|SI-0.5|)×(MaxDis/Dis)……公式(6)
其中,fw1、fw2、fw3为权重系数。如上所述,MaxDis为一个网格点到第一起始点的最长距离,Dis为该网格点到第一起始点的最短距离。
CT值可表示某物质对X射线的衰减系数,也可表示各种组织之间的密度大小关系。在计算每个网格点的混合代价值时,可通过形状索引特征值SI表示网格点周边的等值面形状特性,通过第一低密度体素数量Num1、第二低密度体素数量Num2表示组织的物质成份对混合代价的影响。因而,根据所计算出的混合代价来界定目标组织,能有效提高图像分割的准确性。
在步骤16中,根据所述每个网格点的混合代价值确定切割路径。
参照图12,为本公开图1中的步骤16具体实现的流程图,可以包括以下步骤。
在步骤161中,根据每个网格点的混合代价值,搜索每一个起始点到对应终止点的最小代价路径。
可从网格拆分线的一侧开始搜索三角网格模型,以获取每组点对的最小代价路径。其中,上述每一组点对由一个起始点和一个对应的终止点组成,上述起始点为上述起始点集合PList中的一个点,对应的终止点为上述终止点集合PList2中的一个点。如图10B所示,在一条候选路径中,起始点为网格点E,对应的终止点为网格点E2;在另一条候选路径中,起始点B对应的终止点为网格点B2。计算每条候选路径经过的所有网格点、包括起始点和终止点的混合代价值之和,作为该条候选路径的路径代价值。通过比较路径代价值,可确定从起始点到对应终止点的最小代价路径。
在步骤162中,比较所有最小代价路径的路径代价值,将路径代价值最小的最小代价路径确定作为切割路径。
本公开例子中,经过步骤161之后,可以获得每组点对对应的最小代价路径和路径代价值。并且,具体的对应关系可如以下列表一所示:
点对 | 最小代价路径 | 路径代价值 |
(E、E2) | (E、e1、e2、……E2) | L1 |
(N、N2) | (N、n1、n2、……N2) | L2 |
…… | …… | …… |
(B、B2) | (B、b1、b2、……B2) | Ln |
表一
从表一可知,在拆分后的网格模型中,每组点对的最小代价路径由一个点集表示,例如,点对(E、E2)对应的最小代价路径由点集(E、e1、e2、……E2)表示。该最小代价路径对应的路径代价值L1,可通过对上述点集中每个网格点的混合代价值求和计算而得。具言之,路径代价值L1的计算公式可以表示为:
依此类推,可以获得每组点对的最小代价路径的路径代价值,分别表示为L1、L2、L3……Ln。
比较上述各个点对的最小代价路径的路径代价值,可确定最小的路径代价值,从而可将该最小路径代价值对应的最小代价路径作为切割路径。
如图13所示的最小代价路径的示意图,其中,候选路径BE由起始点集合PList和终止点集合PList2组成。通过搜索从每个起始点到对应终止点的最小代价路径,然后比较各条最小代价路径对应的路径代价值,可确定路径代价值最小的最小代价路径g作为目标组织即结肠息肉的切割路径。
在步骤17中,依据所述切割路径从所述感兴趣区域中分割目标组织。
在本公开例子中,上述目标组织即为结肠息肉,图14为按照上述方法从图3所示感兴趣区域分割结肠息肉的效果图。另外,本公开提供的三维图像分割方法还可以准确分割其他类型的结肠息肉。例如,图15A、图15B、图15C示出了广基型结肠息肉的分割效果图;图15D示出了带蒂型结肠息肉的分割效果图;图15E示出了平坦型结肠息肉的分割效果图。可见,采用本公开提供的三维图像的分割方法能较快速准确的定位并分割可疑病变组织。
出于示例目的,本公开提供的方法可用于结肠***。但应当理解,该方法可以应用于本领域技术人员所公知的各种其它器官或解剖部位,包括但不限于心脏、大脑、脊椎、结肠、肺部、肝脏和肾***。
上述分割三维图像的方法,可以由医学图像采集***如CT、PET、MRI等的控制设备执行,该控制设备的结构可以参见图16所示的示意图。如图16所示,控制设备可以包括处理器(processor)1610、通信接口(Communications Interface)1620、机器可读存储介质(memory)1630、总线1640。处理器1610、通信接口1620、机器可读存储介质1630可通过总线1640完成相互间的通信。
其中,机器可读存储介质1630中可以存储有分割三维图像的控制逻辑对应的机器可执行指令。该机器可读存储介质例如可以是非易失性存储器(non-volatile memory)。处理器1610可以调用执行机器可读存储介质1630中的分割三维图像的控制逻辑对应的机器可执行指令,以执行上述分割三维图像的方法。例如,该分割三维图像的控制逻辑对应的机器可执行指令,可以是图像采集***的控制软件的部分功能对应的程序,在处理器执行该指令时,控制设备可以对应的在显示界面上显示该指令对应的功能界面。
分割三维图像控制逻辑对应的机器可执行指令的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,上述分割三维图像的逻辑指令,可以称为“分割三维图像的装置”,该装置可以划分成各个功能模块。参照图17根据一例子示出的分割三维图像的装置的结构框图,可以包括以下模块。
图像获取模块21,用于获取原始三维图像。
模型构建模块22,用于从所述原始三维图像中选取感兴趣区域,构建所述感兴趣区域的网格模型。
统计信息计算模块23,用于计算所述网格模型上每个网格点的距离场信息和形状索引特征值。
网格拆分模块24,用于根据每个所述网格点的距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合。
混合代价计算模块25,用于根据所述每个点的距离场信息、所述形状索引特征值以及图像值,计算拆分后每个网格点的混合代价值。
切割路径确定模块26,用于根据所述每个网格点的混合代价值以及所述候选路径的起始点集合和终止点集合,确定切割路径。
图像分割模块27,用于依据所述切割路径从所述感兴趣区域中分割目标组织。
进一步的,参见图18,是本公开一个例子示出的模型构建模块的结构框图,所述模型构建模块22可以包括以下子模块。
种子点标识子模块221,用于在所述原始三维图像中标识种子点;
区域选取子模块222,用于根据所述种子点选取感兴趣区域;
等值面构造子模块223,用于根据预设的第一阈值构造所述感兴趣区域的等值面,其中所述等值面由多个等值面片拼接而成,各所述等值面片由三个或三个以上等值点连接而成,所述等值点的图像值等于所述第一阈值;
第一获取子模块224,用于计算所述等值面中各等值点以及各等值面片之间的关系,所述关系可包括点点关系、面面关系、点面关系、面点关系;
第二获取子模块225,用于计算所述等值面中每个等值点的法向量和每个等值面的法向量;
模型构建子模块226,用于根据所述等值面中各等值点以及各等值面片之间的关系、每个等值点的法向量和每个等值面片的法向量,构建所述感兴趣区域的网格模型。
可选的,在本公开另一模型构建模块的例子中,所述等值面构造子模块223还可以包括目标区域选取子模块,用于在等值面构造子模块223根据所述第一阈值构造出多个等值面的情况下,根据所述种子点选取面积最大的等值面作为构建网格模型的目标区域。
进一步的,参见图19,是本公开一个例子示出的统计信息计算模块23的结构框图,所述统计信息计算模块23可以包括用于计算网格点的距离场信息的第一计算子模块231和用于计算网格点的形状索引特征值的第二计算子模块232。其中,所述第一计算子模块231可以包括:
第一起始点确定模块2311,用于例如根据所述种子点在所述网格模型上选择一个网格点确定第一起始点,所述第一起始点为用于距离场计算的起始点;
第一距离计算模块2312,用于计算所述网格模型上每个网格点到所述第一起始点的最短距离Dis;
第二距离计算模块2313,用于计算所述网格模型上每个网格点到所述第一起始点的最长距离MaxDis。
所述第二计算子模块232可以包括:
曲率计算模块2321,用于计算所述网格模型中每个网格点的最大主曲率kmax和最小主曲率kmin;
形状索引值计算模块2322,用于根据所述最大主曲率kmax和最小主曲率kmin,按照以下公式计算每个网格点的形状索引特征值SI:
进一步的,参见图20,是本公开一个例子示出的网格拆分模块24的结构框图,所述网格拆分模块24可以包括以下:
第二起始点确定子模块241,用于根据所述距离场信息,在网格模型中确定一个网格点作为第二起始点,所述第二起始点为进行所述网格拆分的起始点;
网格拆分线确定子模块242,用于在所述网格模型上确定从所述第二起始点经一个或多个网格点连接至所述第一起始点的网格拆分线,其中,从所述第二起始点开始,所述网格拆分线上的每个网格点都在前一网格点的距离梯度最大的方向上;
网格拆分子模块243,用于根据所述网格拆分线拆分所述网格模型,生成候选路径的起始点集合和终止点集合。
进一步的,本公开一个例子中,所述混合代价计算模块25可以包括:
统计子模块,用于根据每个网格点的图像值获得每个网格点的灰度代价统计值,所述每个网格点的灰度代价统计值包括第一低密度体素数量Num1和第二低密度体素数量Num2,其中,所述第一低密度体素数量Num1是以所述网格点为中心的预设模板中包含的图像值低于第二阈值的体素的个数;所述第二低密度体素数量Num2是从所述网格点到所述第一起始点的连线经过的图像值低于所述第二阈值的体素的个数;
混合代价计算子模块,用于采用以下公式输出每个所述网格点的混合代价值fCost:
fCost=(fw1×Num1+fw2×Num2+fw3×|SI-0.5|)×(MaxDis/Dis);
其中,fw1、fw2、fw3为权重系数;MaxDis为网格点到所述第一起始点的最长距离;Dis为网格点到所述第一起始点的最短距离。
进一步的,在本公开一个例子中,所述切割路径确定模块26可以包括:
最小代价路径确定子模块,用于根据所述每个网格点的混合代价值,搜索从起始点集合中的每一个起始点到终止点集合中的对应终止点的最小代价路径;
比较子模块,用于比较从所述起始点集合到所述终止点集合的所有最小代价路径的路径代价值,所述路径代价值为路径经过的所有网格点、包括起始点和终止点的混合代价值之和;
切割路径确定子模块,用于将路径代价值最小的最小代价路径确定作为所述切割路径。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (16)
1.一种分割三维图像的方法,其特征在于,所述方法包括:
从原始三维图像中选取感兴趣区域;
构建所述感兴趣区域的网格模型;
获得所述网格模型上每个网格点的距离场信息和形状索引特征值;
根据每个所述网格点的距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合;
根据所述每个网格点的距离场信息、形状索引特征值以及图像值,得到每个网格点的混合代价值;
根据所述每个网格点的混合代价值以及所述候选路径的起始点集合和终止点集合,确定切割路径。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述切割路径从所述感兴趣区域中分割目标组织。
3.根据权利要求1所述的方法,其特征在于,所述构建所述感兴趣区域的网格模型,包括:
根据预设的第一阈值构造所述感兴趣区域的等值面,其中所述等值面由多个等值面片拼接而成,各所述等值面片由三个或三个以上等值点连接而成,所述等值点的图像值等于所述第一阈值;
获得所述等值面中各等值点以及各等值面片之间的关系;
获得所述等值面中每个等值点的法向量和每个等值面片的法向量;
根据所述等值面中各等值点以及各等值面片之间的关系、每个等值点的法向量和每个等值面片的法向量,构建所述感兴趣区域的网格模型。
4.根据权利要求3所述的方法,其特征在于,在根据所述第一阈值构造出多个等值面的情况下,还包括:
选取面积最大的等值面作为用于构建所述网格模型的目标区域。
5.根据权利要求1所述的方法,其特征在于,所述获得所述网格模型上每个网格点的距离场信息和形状索引特征值,包括:
在所述网格模型上选择一个网格点作为第一起始点,所述第一起始点为用于距离场检测的起始点;
检测所述网格模型上每个网格点到所述第一起始点的最短距离Dis;
检测所述网格模型上每个网格点到所述第一起始点的最长距离MaxDis;
获得所述网格模型上每个网格点的最大主曲率kmax和最小主曲率kmin;
根据所述最大主曲率kmax和最小主曲率kmin,按照以下公式输出每个网格点的形状索引特征值SI:
6.根据权利要求1所述的方法,其特征在于,根据每个所述网格点的距离场信息拆分所述网格模型,包括:
根据所述距离场信息,在所述网格模型中确定一个网格点作为第二起始点,所述第二起始点为进行所述网格拆分的起始点;
在所述网格模型上确定从所述第二起始点经一个或多个网格点连接至所述第一起始点的网格拆分线,其中,从所述第二起始点开始,所述网格拆分线上的每个网格点都在前一网格点的距离梯度最大的方向上;
根据所述网格拆分线拆分所述网格模型,生成所述候选路径的起始点集合和终止点集合。
7.根据权利要求1所述的方法,其特征在于,所述根据每个所述网格点的距离场信息、形状索引特征值以及图像值,得到每个所述网格点的混合代价值,包括:
根据每个网格点的图像值获得每个网格点的灰度代价统计值,所述灰度代价统计值包括第一低密度体素数量Num1和第二低密度体素数量Num2,其中,所述第一低密度体素数量Num1是以所述网格点为中心的预设模板中包含的图像值低于第二阈值的体素的个数;所述第二低密度体素数量Num2是从所述网格点到所述第一起始点的连线所经过的图像值低于所述第二阈值的体素的个数;
采用以下公式输出每个所述网格点的混合代价值fCost:
fCost=(fw1×Num1+fw2×Num2+fw3×|SI-0.5|)×(MaxDis/Dis);
其中,fw1、fw2、fw3为权重系数;
MaxDis为所述网格点到所述第一起始点的最长距离;
Dis为所述网格点到所述第一起始点的最短距离。
8.根据权利要求1所述的方法,其特征在于,所述根据每个网格点的混合代价值,从所述候选路径的起始点集合和终止点集合中确定切割路径,包括:
根据所述每个网格点的混合代价值,搜索从所述起始点集合中的每一个起始点到所述终止点集合中的对应终止点的最小代价路径;
比较从所述起始点集合到所述终止点集合的所有最小代价路径,将路径代价值最小的最小代价路径确定为所述切割路径,其中,所述路径代价值为路径经过的所有网格点、包括起始点和终止点的混合代价值之和。
9.一种分割三维图像的装置,其特征在于,所述装置包括:
模型构建模块,用于从原始三维图像中选取感兴趣区域,构建所述感兴趣区域的网格模型;
统计信息计算模块,用于获得所述网格模型上每个网格点的距离场信息和形状索引特征值;
网格拆分模块,用于根据每个所述网格点的距离场信息拆分所述网格模型,以生成候选路径的起始点集合和终止点集合;
混合代价计算模块,用于根据所述每个网格点的距离场信息、形状索引特征值以及图像值,得到每个网格点的混合代价值;
切割路径确定模块,用于根据所述每个网格点的混合代价值以及所述候选路径的起始点集合和终止点集合,确定切割路径。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
图像分割模块,用于依据所述切割路径从所述感兴趣区域中分割目标组织。
11.根据权利要求9所述的装置,其特征在于,所述模型构建模块包括:
等值面构造子模块,用于根据预设的第一阈值构造所述感兴趣区域的等值面,其中所述等值面由多个等值面片拼接而成,各所述等值面片由三个或三个以上等值点连接而成,所述等值点的图像值等于所述第一阈值;
第一获取子模块,用于获得所述等值面中各等值点以及各等值面片之间的关系;
第二获取子模块,用于获得所述等值面中每个等值点的法向量和每个等值面片的法向量;
模型构建子模块,用于根据所述等值面中各等值点以及各等值面片之间的关系、每个等值点的法向量和每个等值面片的法向量,构建所述感兴趣区域的网格模型。
12.根据权利要求11所述的装置,其特征在于,所述等值面构造子模块,包括:
目标区域选取子模块,用于在根据所述第一阈值构造出多个等值面的情况下,根据所述种子点选取面积最大的等值面作为用于构建所述网格模型的目标区域。
13.根据权利要求9所述的装置,其特征在于,所述统计信息计算模块包括:
第一起始点确定模块,用于第一起始在所述网格模型上选择一个网格点作为第一起始点,所述第一起始点为用于距离场检测的起始点;
第一距离计算模块,用于检测所述网格模型上每个网格点到所述第一起始点的最短距离Dis;
第二距离计算模块,用于检测所述网格模型上每个网格点到所述第一起始点的最长距离MaxDis;
曲率计算模块,用于获得所述网格模型上每个网格点的最大主曲率kmax和最小主曲率kmin;
形状索引值计算模块,用于根据所述最大主曲率kmax和最小主曲率kmin,按照以下公式输出每个网格点的形状索引特征值SI:
14.根据权利要求9所述的装置,其特征在于,所述网格拆分模块包括:
第二起始点确定子模块,用于根据所述距离场信息,在所述网格模型中确定一个网格点作为第二起始点,所述第二起始点为进行所述网格拆分的起始点;
网格拆分线确定子模块,用于在所述网格模型上确定从所述第二起始点经一个或多个网格点连接至所述第一起始点的网格拆分线,其中,从所述第二起始点开始,所述网格拆分线上的每个网格点都在前一网格点的距离梯度最大的方向上;
网格拆分子模块,用于根据所述网格拆分线拆分所述网格模型,生成所述候选路径的起始点集合和终止点集合。
15.根据权利要求9所述的装置,其特征在于,所述混合代价计算模块包括:
统计子模块,用于根据每个网格点的图像值获得每个网格点的灰度代价统计值,所述灰度代价统计值包括第一低密度体素数量Num1和第二低密度体素数量Num2,其中,所述第一低密度体素数量Num1是以所述网格点为中心的预设模板中包含的图像值低于第二阈值的体素的个数;所述第二低密度体素数量Num2是从所述网格点到所述第一起始点的连线所经过的图像值低于所述第二阈值的体素的个数;
混合代价计算子模块,用于采用以下公式输出每个所述网格点的混合代价值fCost:
fCost=(fw1×Num1+fw2×Num2+fw3×|SI-0.5|)×(MaxDis/Dis);
其中,fw1、fw2、fw3为权重系数;
MaxDis为所述网格点到所述第一起始点的最长距离;
Dis为所述网格点到所述第一起始点的最短距离。
16.根据权利要求9所述的装置,其特征在于,所述切割路径确定模块包括:
最小代价路径确定子模块,用于根据所述每个网格点的混合代价值,搜索从所述起始点集合中的每一个起始点到所述终止点集合中的对应终止点的最小代价路径;
切割路径确定子模块,用于比较从所述起始点集合到所述终止点集合的所有最小代价路径,将路径代价值最小的最小代价路径确定为所述切割路径,其中,所述路径代价值为路径经过的所有网格点、包括起始点和终止点的混合代价值之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/342,977 US10325412B2 (en) | 2015-11-05 | 2016-11-03 | Cutting three-dimensional image |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015107467048 | 2015-11-05 | ||
CN201510746704.8A CN105354846A (zh) | 2015-11-05 | 2015-11-05 | 一种分割三维医疗图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651895A true CN106651895A (zh) | 2017-05-10 |
CN106651895B CN106651895B (zh) | 2020-03-17 |
Family
ID=55330813
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510746704.8A Pending CN105354846A (zh) | 2015-11-05 | 2015-11-05 | 一种分割三维医疗图像的方法和装置 |
CN201610821054.3A Expired - Fee Related CN106651895B (zh) | 2015-11-05 | 2016-09-13 | 一种分割三维图像的方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510746704.8A Pending CN105354846A (zh) | 2015-11-05 | 2015-11-05 | 一种分割三维医疗图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN105354846A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509259A (zh) * | 2018-10-22 | 2019-03-22 | 哈尔滨理工大学 | 一种医学图像三维重建等值面网格提取方法 |
WO2023169095A1 (zh) * | 2022-03-11 | 2023-09-14 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备以及介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10201389B2 (en) * | 2016-10-31 | 2019-02-12 | Edda Technology, Inc. | Method and system for interactive grid placement and measurements for lesion removal |
CN106780728B (zh) * | 2017-02-28 | 2020-05-01 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的单个器官拆分方法及*** |
CN109272519B (zh) * | 2018-09-03 | 2021-06-01 | 先临三维科技股份有限公司 | 指甲轮廓的确定方法、装置、存储介质及处理器 |
CN110930389B (zh) * | 2019-11-22 | 2023-06-30 | 北京灵医灵科技有限公司 | 三维医学模型数据的区域分割方法、装置和存储介质 |
CN111062944B (zh) * | 2019-12-10 | 2020-08-14 | 北京推想科技有限公司 | 网络模型训练方法及装置、图像分割方法及装置 |
CN112381824B (zh) * | 2021-01-13 | 2021-07-02 | 北京智拓视界科技有限责任公司 | 一种对图像的几何特征进行提取的方法和相关产品 |
CN112381822B (zh) * | 2021-01-13 | 2021-05-11 | 首都医科大学附属北京友谊医院 | 一种用于处理肺部病灶区图像的方法和相关产品 |
CN112381825B (zh) * | 2021-01-13 | 2021-09-03 | 首都医科大学附属北京友谊医院 | 用于病灶区图像几何特征提取的方法和相关产品 |
CN115239625B (zh) * | 2022-06-21 | 2023-05-09 | 厦门微图软件科技有限公司 | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 |
CN115100189B (zh) * | 2022-07-28 | 2023-07-18 | 上海品课信息科技有限公司 | 三维医疗影像的切割方法、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070036414A1 (en) * | 2005-08-15 | 2007-02-15 | Siemens Corporate Research Inc | Method for database guided simultaneous multi slice object detection in three dimensional volumetric data |
US20090037154A1 (en) * | 2005-09-23 | 2009-02-05 | Koninklijke Philips Electronics, N.V. | Method Of And A System For Adapting A Geometric Model Using Multiple Partial Transformations |
CN101807296A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声影像三维目标对象的分割方法 |
US20120321169A1 (en) * | 2011-06-16 | 2012-12-20 | Siemens Corporation | Shape Based Conditional Random Fields for Segmenting Intracranial Aneurysms |
US20130163836A1 (en) * | 2011-12-23 | 2013-06-27 | Stmicroelectronics S.R.L. | Computing the mass of an object |
CN103430213A (zh) * | 2011-03-30 | 2013-12-04 | 三菱电机株式会社 | 追踪肿瘤的方法 |
CN104200465A (zh) * | 2014-08-20 | 2014-12-10 | 沈阳东软医疗***有限公司 | 心脏三维图像的分割方法和装置 |
US20150078641A1 (en) * | 2012-04-11 | 2015-03-19 | The Trustees Of Columbia University In The City Of New York | Techniques for Segmentation of Lymph Nodes, Lung Lesions and Other Solid or Part-Solid Objects |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
-
2015
- 2015-11-05 CN CN201510746704.8A patent/CN105354846A/zh active Pending
-
2016
- 2016-09-13 CN CN201610821054.3A patent/CN106651895B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070036414A1 (en) * | 2005-08-15 | 2007-02-15 | Siemens Corporate Research Inc | Method for database guided simultaneous multi slice object detection in three dimensional volumetric data |
US20090037154A1 (en) * | 2005-09-23 | 2009-02-05 | Koninklijke Philips Electronics, N.V. | Method Of And A System For Adapting A Geometric Model Using Multiple Partial Transformations |
CN101807296A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声影像三维目标对象的分割方法 |
CN103430213A (zh) * | 2011-03-30 | 2013-12-04 | 三菱电机株式会社 | 追踪肿瘤的方法 |
US20120321169A1 (en) * | 2011-06-16 | 2012-12-20 | Siemens Corporation | Shape Based Conditional Random Fields for Segmenting Intracranial Aneurysms |
US20130163836A1 (en) * | 2011-12-23 | 2013-06-27 | Stmicroelectronics S.R.L. | Computing the mass of an object |
US20150078641A1 (en) * | 2012-04-11 | 2015-03-19 | The Trustees Of Columbia University In The City Of New York | Techniques for Segmentation of Lymph Nodes, Lung Lesions and Other Solid or Part-Solid Objects |
CN104200465A (zh) * | 2014-08-20 | 2014-12-10 | 沈阳东软医疗***有限公司 | 心脏三维图像的分割方法和装置 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG, C 等: "Clustered nuclei splitting via curvature information and gray-scale distance transform", 《JOURNAL OF MICROSCOPY》 * |
肖若秀 等: "应用于医学三维影像的血管结构自动提取", 《光学精密工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509259A (zh) * | 2018-10-22 | 2019-03-22 | 哈尔滨理工大学 | 一种医学图像三维重建等值面网格提取方法 |
WO2023169095A1 (zh) * | 2022-03-11 | 2023-09-14 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备以及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105354846A (zh) | 2016-02-24 |
CN106651895B (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651895A (zh) | 一种分割三维图像的方法和装置 | |
CN108022238B (zh) | 对3d图像中对象进行检测的方法、计算机存储介质和*** | |
Sato et al. | TEASAR: tree-structure extraction algorithm for accurate and robust skeletons | |
JP5918923B2 (ja) | 解剖ツリーの自動化された階層的分割 | |
US20220148260A1 (en) | Method and system for generating a multi-dimensional surface model of a geometric structure | |
US8682045B2 (en) | Virtual endoscopy with improved image segmentation and lesion detection | |
CN107067398B (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
US20080071160A1 (en) | Displaying A Tracheobronchial Tree | |
US20070109299A1 (en) | Surface-based characteristic path generation | |
EP2302595A2 (en) | Virtual endoscopy with improved image segmentation and lesion detection | |
KR20120086084A (ko) | 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치 | |
WO2017114479A1 (zh) | 图像处理的方法及*** | |
CN109754396A (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
JP2007537811A (ja) | 結節の検出方法 | |
Chen et al. | Tree-branch-searching multiresolution approach to skeletonization for virtual endoscopy | |
Mayer et al. | Hybrid segmentation and virtual bronchoscopy based on CT images1 | |
CN103229210A (zh) | 图像配准装置 | |
JP4436838B2 (ja) | 局所的曲率分布パターンの分析方法 | |
US10325412B2 (en) | Cutting three-dimensional image | |
EP1504414B1 (en) | Method for branch selection for probe alignment | |
US20070201737A1 (en) | System And Method For Vascular Visualization Using Planar Reformation Of Vascular Central Axis Surface With Biconvex Slab | |
Mori et al. | Automated nomenclature of bronchial branches extracted from CT images and its application to biopsy path planning in virtual bronchoscopy | |
CN108694007B (zh) | 从磁共振图像展开肋骨 | |
CN104011724A (zh) | 用于生成几何结构的多维表面模型的方法和*** | |
US20130173230A1 (en) | Method and system for generating a multi-dimensional surface model of a geometric structure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Address before: Hunnan New Century Road 110179 Shenyang city of Liaoning Province, No. 16 Applicant before: SHENYANG NEUSOFT MEDICAL SYSTEMS Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200317 |
|
CF01 | Termination of patent right due to non-payment of annual fee |