CN107274389A - 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 - Google Patents
基于ct三维序列图像的股骨和髋臼解剖参数获取方法 Download PDFInfo
- Publication number
- CN107274389A CN107274389A CN201710379450.XA CN201710379450A CN107274389A CN 107274389 A CN107274389 A CN 107274389A CN 201710379450 A CN201710379450 A CN 201710379450A CN 107274389 A CN107274389 A CN 107274389A
- Authority
- CN
- China
- Prior art keywords
- femur
- acetabular
- bone
- acetabular bone
- parameter
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于CT三维序列图像的股骨和髋臼解剖参数获取方法,包括步骤:获取具有股骨和髋臼的CT三维序列图像;股骨与髋臼的分割:对CT三维序列图像依次进行粗分割、分离以及精确分割,获得股骨精确分割图像和髋臼精确分割图像;股骨解剖参数计算:根据股骨精确分割图像,构造股骨表面的三角网格表面模型,计算股骨直径参数、髓腔内径参数以及股骨头的球面拟合参数;髋臼解剖参数计算:选择髋臼精确分割图像构造髋臼表面三角网格表面模型的表面若干点,计算髋臼的前后径。本发明直接对CT三维序列图像进行处理,快速、自动地实现股骨和髋臼精确分割及解剖参数获取,辅助人工骨头假体的个性化设计与建模。
Description
技术领域
本发明涉及股骨和髋臼的参数计算技术领域,更具体地说,本发明涉及 一种基于CT三维序列图像的股骨和髋臼解剖参数获取方法。
背景技术
在治疗股骨头坏死的半髋关节置换临床手术中,不同患者的髋臼骨骼形 态差异很大,如果使用标准件式的人工股骨头假体进行置换,术后效果不理 想,因此,人工股骨头假体的个性化设计就显得十分必要。
现多采用如下的技术方案解决这一个问题;1.人工进行分割,操作人员 手动进行分割提取;2.以大量髋关节图像数据作为训练集,训练得出髋臼的 统计学形状或者利用广义hough变换得到其平均形状,然后对于具体患者的 髋臼形状进行匹配后调整;3.以一副人工分割好的数据,作为先验形状,然 后对于具体患者的髋臼形状进行匹配后调整;4.首先得到髋关节的二值图像, 可得到股骨头和髋关节粘连在一起的初始轮廓,然后利用图像的灰度和邻域 信息将粘连部分分开,最后再利用梯度信息进一步矫正。
但是上述现有技术存在如下缺陷:首先,每个患者的髋关节形状差异很 大,得到的先验形状很难和具体患者的匹配,并且,医生测量髋臼和股骨解 剖参数一般是在二维图像上手动进行的,如X射线透视图或CT的二维断层 图,这就造成了测量存在很大的误差,因此由先验形状得到的分割结果不准 确,无法解决髋臼和股骨头个性化分割与问题;2.整个过程需要复杂的人工 交互,对操作人员的经验要求较高,不同操作人员得到的分割结果可能差别 很大;3.如果使用智能算法,需要积累大量的数据集样本,才能保证结果的 相对正确,实现难度很大,一般的非医学院附属医院很难积累足够的样本。
在一些已公开的专利文献中,也提出了使用图像处理的方式来解决上述 技术问题。但是,这些已公开的技术方案,基本思路还是通过在CT断层图 像中逐层分割股骨,以实现股骨分割和建模的目的,并未提供一个有效的髋 臼、股骨同时精确分割的方法,也不能对髋臼测的解剖参数进行自动测量。
发明内容
针对上述技术中存在的不足之处,本发明提供一种基于CT三维序列图 像的股骨和髋臼解剖参数获取方法,直接对CT三维序列图像进行建模,快 速、自动地实现股骨和髋臼的精确分割及解剖参数获取,辅助人工骨头假体 的个性化设计。
为了实现根据本发明的这些目的和其它优点,本发明通过以下技术方案 实现:
本发明提供一种基于CT三维序列图像的股骨和髋臼解剖参数获取方法, 其包括以下步骤:
获取具有股骨和髋臼的CT三维序列图像;
股骨与髋臼的分割:对所述CT三维序列图像依次进行粗分割、分离以 及精确分割,获得股骨精确分割图像和髋臼精确分割图像;
股骨解剖参数计算:根据所述股骨精确分割图像,构造股骨表面的三角 网格表面模型,计算股骨直径参数、髓腔内径参数以及股骨头的球面拟合参 数;
髋臼解剖参数计算:根据所述髋臼精确分割图像,构造髋臼表面的三角 网格表面模型,选择髋臼的三角网格表面模型表面的若干点,计算髋臼的前 后径;
其中,所述股骨直径参数和所述髓腔内径参数分别包括最大外接圆直径 D外、最小内接圆直径D内以及最佳拟合圆直径D佳;所述股骨头的球面拟合 参数包括股骨头的拟合球半径和颈干角。
优选的是,所述CT三维序列图像的粗分割,包括以下步骤:
采用阈值分割方法分割CT三维序列图像中的骨骼,得到骨骼的初分割 图像;
对骨骼初分割图像依次进行半径不同的形态闭操作,获得股骨和髋臼的 二次分割图像;
对股骨和髋臼的二次分割图像分别进行基于二值迭代空洞填充算法的空 洞填充,获得两个骨骼粗分割图像。
优选的是,所述股骨与髋臼的分离,包括以下步骤:
对两个所述骨骼粗分割图像分别依次进行阈值增长分割、半径不同的形 态学开操作,获得去髋臼的股骨图像和去除股骨的髋臼图像。
优选的是,所述股骨与髋臼的精确分割,包括以下步骤:
分别以所述股骨图像和所述髋臼图像为初始曲面,初始化水平集函数LS 股骨;
基于区域信息和边缘信息构造水平集函数,采用窄带法对水平集函数LS 股骨进行水平集演化,分别获得股骨精确分割图像和髋臼精确分割图像。
优选的是,计算股骨直径参数,包括以下步骤:
使用等值面提取算法构造股骨的表面模型,并进一步进行三角网格化, 获得股骨的三角网格表面模型;
通过指定中心或自动生成来提取股骨的中心线;
分别以股骨中心线上等间距分布的若干点为圆心,计算股骨三角网格表 面模型的断面所对应的最大外接圆直径D外、最小内接圆直径D内和最佳拟合 圆直径D佳。
优选的是,若指定中心来提取股骨的中心线,即,指定股骨中心线提取 的起点、终点以及中心线经过的中间端点,则执行以下步骤:
以股骨头表面的一点为起点,以股骨最下端的一点为终点,采用最大通 量算法计算股骨三角网格表面模型中股骨的第一中心线;
以大转子表面的一点为起点,以股骨最下端的一点为终点,采用最大通 量算法计算股骨三角网格表面模型中股骨的第二中心线;
分别遍历第一中心线和第二中心线中的所有离散点,分别构造第一中心 线和第二中心线的离散点集合CLS1、CLS2,则,CLS1={p1,…,pn},CLS2={q1,…, qm},pn和qm分为为点的三维坐标;
比较任意pn和qm:若|pn-qm|<t且|pn-qm|<|pn-qm’|(m’=1,..,m-1,m+1,…,M),则使用(pn+qm)/2分别取代pn和qm进行坐标更新;坐标更新后的pn、qm分别 记作p’n和q’m;并将修改后p’n和q’m设置为不可修改,获得将第一中心线和 第二中心线合并成的一条二分叉的第三中心线;
使用端点检测算法检测端点坐标;
或,若自动生成股骨的中心线,则执行以下步骤:
基于股骨三角网格表面模型,采用无端点约束的中心线提取算法,提取 股骨的第四中心线;
手动选择不必要的中心线分支,并将其删除。
优选的是,计算股骨头的球面拟合参数,包括以下步骤:
离散化第一中心线,获得分布于第一中心线上的离散点集;
构造第一中心线上任一离散点的法平面,法平面与股骨三角网格表面模 型产生一个闭合截面曲线;
离散化闭合截面曲线,获得分布于闭合截面曲线上的离散点集;
对闭合截面曲线上的离散点集进行圆拟合,计算拟合得到圆周的半径;
以第一中心线的起点为起点,以第一中心线的终端为终点,搜索圆周半 径的最大阶跃点;
构造法平面,最大阶跃点位于法平面上,法平面的法向量为第一中心线 在最大阶跃点的主切向量;法平面法向量的方向指向第一中心线的端点侧;
以法平面为切平面,去除法向量侧的三角面片模型,获得股骨头的表面 模型;
对骨头的表面模型依次进行面片化简、平滑和游离面去除,得到股骨头 表面模型的后处理曲面,后处理曲面的顶点记作Pi=(xi,yi,zi),由Pi拟合球面 的公式为:Err=Σi[(xi-x0)2+(yi-y0)2+(zi-z0)2-r2];通过最小化Err得到拟合球面的 参数,r为拟合球面的半径,x0、y0和z0为拟合球面的球心;
使用第一中心线上的离散点拟合直线,其拟合得到的直线记作第一直线, 计算其方向向量;使用第二中心线上的离散点拟合直线,其拟合得到的直线 记作第二直线,计算其方向向量;计算第一直线和第二直线的内积,即可得 到第一直线的方向向量与第二直线的方向向量之间的夹角,即为颈干角。
优选的是,髋臼解剖参数计算,包括以下步骤:
采用等值面提取算法构造髋臼的表面模型,并进一步进行三角网格化, 获得髋臼的三角网格表面模型;
选择髋臼三角网格表面模型表面的若干个点,计算髋臼的前后径。
优选的是,在获取CT三维序列图像与所述股骨与髋臼分割之间,还包 括步骤:
对具有股骨和髋臼的CT三维序列图像进行预处理,所述预处理至少包 括采用三维高斯平滑算法对所述CT三维序列图像进行平滑滤波处理。
优选的是,对所述CT三维序列图像进行粗分割与分离之间,还包括步 骤:采用多尺度Hessian矩阵对股骨和髋臼间隙部分进行增强。
本发明至少包括以下有益效果:
本发明提供的基于CT三维序列图像的股骨和髋臼解剖参数获取方法, 通过对获取的具有股骨和髋臼的CT三维序列图像,依次进行股骨与髋臼的 粗分割、分离、精确分割的处理方法以精确分割股骨和髋臼,在分割的同时 自动测量计算股骨直径参数、髓腔内径参数、股骨头的球面拟合参数以及髋 臼前后径等股骨与髋臼的参数;整个分割和测量过程直接在CT三维序列图 像上进行,无需手动在单个CT的二维断层图像上进行分割,快速、自动地 实现股骨、髋臼以及髓腔的精确分割以及相关解剖参数获取,辅助人工骨头 假体的个性化设计,智能化水平较高。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将 通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明基于CT三维序列图像的股骨和髋臼解剖参数获取方法流 程图;
图2为本发明所述的CT三维序列图像粗分割的方法流程图;
图3为本发明所述的CT三维序列图像中股骨与髋臼分离的方法流程图;
图4为本发明所述的CT三维序列图像中股骨与髋臼精确分割的方法流 程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照 说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不 排除一个或多个其它元件或其组合的存在或添加。
如图1所示,本发明提供一种基于CT三维序列图像的股骨和髋臼解剖 参数获取方法,其包括以下步骤:
S10,获取具有股骨和髋臼的CT三维序列图像;
S20,股骨与髋臼的分割:对CT三维序列图像依次进行粗分割、分离以 及精确分割,获得股骨精确分割图像和髋臼精确分割图像;
S30,股骨解剖参数计算:根据股骨精确分割图像,构造股骨表面的三角 网格表面模型,计算股骨直径参数、髓腔内径参数以及股骨头的球面拟合参 数;
S40,髋臼解剖参数计算:根据髋臼精确分割图像,构造髋臼表面的三角 网格表面模型,选择髋臼的三角网格表面模型表面的若干点,计算髋臼的前 后径。
上述实施方式中,步骤S10中,具有股骨和髋臼的CT三维序列图像为 CT三维序列图像。
步骤20中,如图2所示,对CT三维序列图像的粗分割包括以下步骤:
S21,采用阈值分割方法分割CT三维序列图像中的骨骼,得到骨骼的初 分割图像。阈值分割方法的低阈值,记作Tl、高阈值为CT三维序列图像的 CT值最大值,记作Tmax,则阈值分割后获得的骨骼初分割图像记作I1。
S22,对骨骼初分割图像依次进行半径不同的形态闭操作,获得股骨和髋 臼的二次分割图像。具体为,使用半径为Re1的模板对I1进行膨胀操作,在 膨胀操作后的图像上使用半径为Rr1的模板进行腐蚀操作,并且Re<Rr,形态 学闭操作后的图像记作IL1;使用半径为Re2的模板对I1进行膨胀操作,在膨 胀操作后的图像上使用半径为Rr2的模板进行腐蚀操作,并且Re2=Rr2,形态 学闭操作后的图像记作IL2。
S23,对股骨和髋臼的二次分割图像分别进行基于二值迭代空洞填充算法 的空洞填充,获得两个骨骼粗分割图像。具体为,对IL1和IL2使用模板半径 为R1的模板进行基于二值迭代空洞填充算法的空洞填充,以填补步骤S22中 二次分割后图像中的空洞,获得两个粗分割图像,分别记作IL1-1和IL2-1;以 IL1-1为模板,得到分割后的骨骼粗分割图像,记作I1-1;以IL2-1为模板,得到 分割后的骨骼粗分割图像,记作I2-1。
步骤20中,如图3所示,对CT三维序列图像中股骨与髋臼的分离,包 括以下步骤:S24,对两个骨骼粗分割图像分别依次进行阈值增长分割、半径 不同的形态学开操作,获得去髋臼的股骨图像和去除股骨的髋臼图像。股骨 与髋臼的分离,采用区域增长方法,具体为,在骨骼粗分割图像I1-1和骨骼粗 分割图像I2-1中,分别选择一个或若干个位于股骨侧的种子点;设置低阈值为 T2且T2≥T1、阈值增长的高阈值Tl=Tmax来对两幅粗分割图像分别进行区域增长 分割;对区域增长后的分割结果使用形态学开操作,即先进行腐蚀操作再进行膨胀操作,腐蚀和膨胀的模板半径都为R2,得到股骨初步分割后去除髋臼 的结果,记作I股骨-1,以及髋臼初步分割后去除股骨的结果,记作I髋臼-1。
步骤20中,如图4所示,对CT三维序列图像中股骨与髋臼的精确分割, 包括以下步骤:S25,分别以股骨图像和髋臼图像为初始曲面,初始化水平集 函数LS股骨;S26,基于区域信息和边缘信息构造水平集函数,采用窄带法对 水平集函数LS股骨进行水平集演化,分别获得股骨精确分割图像和髋臼精确分 割图像。具体地,分别以I股骨-1和I髋臼-1为初始曲面,初始化水平集函数LS股骨;采用区域信息和边缘信息构造水平集函数,在水平集演化过程中使用窄带 法,分别得到股骨和髋臼的精确分割图像,分别记作I股骨-2和I髋臼-2。
步骤30中,股骨直径参数和髓腔内径参数分别包括最大外接圆直径D外、 最小内接圆直径D内以及最佳拟合圆直径D佳;股骨头的球面拟合参数包括股 骨头的拟合球半径和颈干角。
具体地,计算股骨直径参数,包括以下步骤:
S31,使用等值面提取算法构造股骨的表面模型,并进一步进行三角网格 化,获得股骨的三角网格表面模型,记作S股骨。
S32,通过指定中心或自动生成来提取股骨的中心线,其中,
1.若指定中心来提取股骨的中心线,即指定中心线提取的起点、终点以 及中心线经过的中间端点,则执行以下步骤;
以股骨头表面的一点Ps1为起点,以股骨最下端的一点Pt为终点,采用最 大通量算法计算股骨三角网格表面模型中股骨的第一中心线,记作CL1;
以大转子表面的一点Ps2为起点,以股骨最下端的一点Pt为终点,采用最 大通量算法计算股骨三角网格表面模型中股骨的第二中心线,记作CL2;
分别遍历第一中心线CL1和第二中心线CL2中的所有离散点,分别构造 第一中心线CL1和第二中心线CL2的离散点集合CLS1、CLS2,则,CLS1={p1,…, pn},CLS2={q1,…,qm},pn和qm分为为点的三维坐标;
比较任意pn和qm:若|pn-qm|<t且|pn-qm|<|pn-qm’|(m’=1,..,m-1,m+1,…,M),则使用(pn+qm)/2分别取代pn和qm进行坐标更新;坐标更新后的pn、qm分别 记作p’n和q’m;并将修改后p’n和q’m设置为不可修改,获得将第一中心线 CL1和第二中心线CL2合并成的一条二分叉的第三中心线CL3;
使用端点检测算法检测端点坐标,则第三中心线CL3的起点记为Pd、终点 记为Pt;
2.若自动生成股骨的中心线,则执行以下步骤:
基于股骨三角网格表面模型,采用无端点约束的中心线提取算法,提取 股骨的第四中心线CL4;
手动选择不必要的中心线分支,并将其删除。
S33,分别以股骨中心线上等间距分布的若干点为圆心,计算股骨三角网 格表面模型的断面所对应的最大外接圆直径D外、最小内接圆直径D内和最佳 拟合圆直径D佳。
步骤S30中,髓腔内径参数的计算,包括步骤:以S股骨为ROI区域,将 S股骨外侧标记为背景;采用阈值分割,分割得到髓腔;采用等值面提取算法 的方法得到髓腔表面并进行三角面片化处理,髓腔的三角面片表面记作S髓腔; 使用自动的中心线提取算法计算S髓腔的中心线;以中心线上等间距分布若干 点为圆心,计算S股骨断面所对应的最大外接圆直径D外,最小内接圆直径D内 和最佳拟合圆直径D佳及其最小值,并记录该点坐标。
步骤S30中,计算股骨头的球面拟合参数,包括以下步骤:
1)、离散化第一中心线CL1,获得分布于第一中心线CL1上的离散点集, 记作PCL1;
2)、构造第一中心线CL1上任一离散点PCL1的法平面PN,法平面PN 与S股骨三角网格表面模型产生一个闭合截面曲线,记作C;
3)、离散化闭合截面曲线C,获得分布于闭合截面曲线C上的离散点集, 记作Pc,则Pc={pc1,…,pcN’};
对闭合截面曲线上的离散点集Pc进行圆拟合,计算拟合得到圆周的半径 RPC;
4)、以第一中心线CL1的起点Ps1为起点,以第一中心线Pd的终端为终 点,搜索圆周半径的最大阶跃点PJ;
5)、构造法平面PN,最大阶跃点PJ位于法平面上,法平面PN的法向量 为第一中心线CL1在最大阶跃点PJ的主切向量;法平面PN法向量的方向指 向第一中心线CL1的端点侧Pd;
6)、以法平面PN为切平面,去除法向量侧的三角面片模型,获得股骨 头的表面模型,记作S股骨;
7)、对骨头的表面模型依次进行面片化简、平滑和游离面去除,得到股 骨头表面模型S股骨的后处理曲面,后处理曲面的顶点记作Pi=(xi,yi,zi),由Pi拟合球面的公式为:Err=Σi[(xi-x0)2+(yi-y0)2+(zi-z0)2-r2];通过最小化Err得到拟 合球面的参数,r为拟合球面的半径,x0、y0和z0为拟合球面的球心;
8)、使用第一中心线CL1上的离散点拟合直线,其拟合得到的直线记作 第一直线CL1L,计算其方向向量CL1D;使用第二中心线CL2上的离散点拟合 直线,其拟合得到的直线记作第二直线CL2L,计算其方向向量CL2D;计算第 一直线CL1L和第二直线CL2L的内积,即可得到第一直线CL2L的方向向量 CL1D与第二直线CL2L的方向向量CL2D之间的夹角,即为颈干角。
步骤S30中,髋臼解剖参数计算,包括以下步骤:
采用等值面提取算法构造髋臼的表面模型,并进一步进行三角网格化, 获得髋臼的三角网格表面模型;
选择髋臼三角网格表面模型表面的若干个点,计算髋臼的前后径。
在步骤S10获取CT三维序列图像与步骤S20股骨与髋臼分割之间,还 包括步骤:
S50,对具有股骨和髋臼的CT三维序列图像进行预处理,预处理至少包 括采用三维高斯平滑算法对CT三维序列图像进行平滑滤波处理。
步骤S20中,对CT三维序列图像进行粗分割与分离之间,作为优选, 还包括步骤:采用多尺度Hessian矩阵对股骨和髋臼间隙部分进行增强。具体 地,包括以下步骤:
1)在原始CT三维序列图像中选择包含股骨和髋臼整个间隙的ROI区域, 对该ROI区域中体素计算其Hessian矩阵的特征值,分别记作λ1,λ2和λ3;
2)由于股骨和髋臼之间间隙是一个近似于具有一定厚度的曲面,其局部 结构可以看做是盘状结构,因此其间隙的局部Hessian矩阵的特征具有以下特 征:λ1<<λ2≤λ3;
3)构造盘状目标函数:
其中,Ra=λ2/λ3,α、β和c是敏感性参 数;一般情况下,α和β取值为0.5,c根据图像灰度范围调整;当体素位于 盘状目标中时,v输出一个较大的响应。
4)由于股骨和髋臼之间间隙厚度存在一定差异,使用多尺度Hessian滤 波器对图像进行滤波:
其中,δ是空间尺度因子,当δ与血管实际宽度接近或匹配时,血管相似 性函数将输出一个较大的值。在本发明中,δ的取值范围介于[dmin/4,dmax/4], 即δmin=dmin/4,δmax=dmax/4。dmin和dmax表示图像中血管的最小宽度和最大宽 度。在δ的取值范围内,将其等分为N个尺度,逐级增大δ,计算v的输出 相应,并计算其最大响应:
5)设置盘状目标检测阈值t,若v0≥t,则认为该像素位于盘状目标内, 将该像素置为背景值,否则认为该像素位于盘状目标之外,保持原灰度值不 变。
本发明提供的基于CT三维序列图像的股骨和髋臼解剖参数获取方法, 通过对获取的具有股骨和髋臼的CT三维序列图像,依次进行股骨与髋臼的 粗分割、分离、精确分割的处理方法以精确分割股骨和髋臼,在分割的同时 自动测量计算股骨直径参数、髓腔内径参数、股骨头的球面拟合参数以及髋 臼前后径等股骨与髋臼的参数;整个分割和测量过程直接在CT三维序列图 像上进行,无需手动在单个CT的二维断层图像上进行分割,快速、自动地 实现股骨、髋臼以及髓腔的精确分割以及相关参数获取,辅助人工骨头假体 的个性化设计,智能化水平较高。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方 式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领 域的人员而言可容易地实现另外的修改。因此在不背离权利要求及等同范围 所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,其包括以下步骤:
获取具有股骨和髋臼的CT三维序列图像;
股骨与髋臼的分割:对所述CT三维序列图像依次进行粗分割、分离以及精确分割,获得股骨精确分割图像和髋臼精确分割图像;
股骨解剖参数计算:根据所述股骨精确分割图像,构造股骨表面的三角网格表面模型,计算股骨直径参数、髓腔内径参数以及股骨头的球面拟合参数;
髋臼解剖参数计算:根据所述髋臼精确分割图像,构造髋臼表面的三角网格表面模型,选择髋臼的三角网格表面模型表面的若干点,计算髋臼的前后径;
其中,所述股骨直径参数和所述髓腔内径参数分别包括最大外接圆直径D外、最小内接圆直径D内以及最佳拟合圆直径D佳;所述股骨头的球面拟合参数包括股骨头的拟合球半径和颈干角。
2.如权利要求1所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,所述CT三维序列图像的粗分割,包括以下步骤:
采用阈值分割方法分割CT三维序列图像中的骨骼,得到骨骼的初分割图像;
对骨骼初分割图像依次进行半径不同的形态闭操作,获得股骨和髋臼的二次分割图像;
对股骨和髋臼的二次分割图像分别进行基于二值迭代空洞填充算法的空洞填充,获得两个骨骼粗分割图像。
3.如权利要求1所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,所述股骨与髋臼的分离,包括以下步骤:
对两个所述骨骼粗分割图像分别依次进行阈值增长分割、半径不同的形态学开操作,获得去髋臼的股骨图像和去除股骨的髋臼图像。
4.如权利要求1所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,所述股骨与髋臼的精确分割,包括以下步骤:
分别以所述股骨图像和所述髋臼图像为初始曲面,初始化水平集函数LS股骨;
基于区域信息和边缘信息构造水平集函数,采用窄带法对水平集函数LS股骨进行水平集演化,分别获得股骨精确分割图像和髋臼精确分割图像。
5.如权利要求1所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,计算股骨直径参数,包括以下步骤:
使用等值面提取算法构造股骨的表面模型,并进一步进行三角网格化,获得股骨的三角网格表面模型;
通过指定中心或自动生成来提取股骨的中心线;
分别以股骨中心线上等间距分布的若干点为圆心,计算股骨三角网格表面模型的断面所对应的最大外接圆直径D外、最小内接圆直径D内和最佳拟合圆直径D佳。
6.如权利要求1所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,若指定中心来提取股骨的中心线,即,指定股骨中心线提取的起点、终点以及中心线经过的中间端点,则执行以下步骤:
以股骨头表面的一点为起点,以股骨最下端的一点为终点,采用最大通量算法计算股骨三角网格表面模型中股骨的第一中心线;
以大转子表面的一点为起点,以股骨最下端的一点为终点,采用最大通量算法计算股骨三角网格表面模型中股骨的第二中心线;
分别遍历第一中心线和第二中心线中的所有离散点,分别构造第一中心线和第二中心线的离散点集合CLS1、CLS2,则,CLS1={p1,…,pn},CLS2={q1,…,qm},pn和qm分为为点的三维坐标;
比较任意pn和qm:若|pn-qm|<t且|pn-qm|<|pn-qm’|(m’=1,..,m-1,m+1,…,M),则使用(pn+qm)/2分别取代pn和qm进行坐标更新;坐标更新后的pn、qm分别记作p’n和q’m;并将修改后p’n和q’m设置为不可修改,获得将第一中心线和第二中心线合并成的一条二分叉的第三中心线;
使用端点检测算法检测端点坐标;
或,若自动生成股骨的中心线,则执行以下步骤:
基于股骨三角网格表面模型,采用无端点约束的中心线提取算法,提取股骨的第四中心线;
手动选择不必要的中心线分支,并将其删除。
7.如权利要求1所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,计算股骨头的球面拟合参数,包括以下步骤:
离散化第一中心线,获得分布于第一中心线上的离散点集;
构造第一中心线上任一离散点的法平面,法平面与股骨三角网格表面模型产生一个闭合截面曲线;
离散化闭合截面曲线,获得分布于闭合截面曲线上的离散点集;
对闭合截面曲线上的离散点集进行圆拟合,计算拟合得到圆周的半径;
以第一中心线的起点为起点,以第一中心线的终端为终点,搜索圆周半径的最大阶跃点;
构造法平面,最大阶跃点位于法平面上,法平面的法向量为第一中心线在最大阶跃点的主切向量;法平面法向量的方向指向第一中心线的端点侧;
以法平面为切平面,去除法向量侧的三角面片模型,获得股骨头的表面模型;
对骨头的表面模型依次进行面片化简、平滑和游离面去除,得到股骨头表面模型的后处理曲面,后处理曲面的顶点记作Pi=(xi,yi,zi),由Pi拟合球面的公式为:Err=Σi[(xi-x0)2+(yi-y0)2+(zi-z0)2-r2];通过最小化Err得到拟合球面的参数,r为拟合球面的半径,x0、y0和z0为拟合球面的球心;
使用第一中心线上的离散点拟合直线,其拟合得到的直线记作第一直线,计算其方向向量;使用第二中心线上的离散点拟合直线,其拟合得到的直线记作第二直线,计算其方向向量;计算第一直线和第二直线的内积,即可得到第一直线的方向向量与第二直线的方向向量之间的夹角,即为颈干角。
8.如权利要求1所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,髋臼解剖参数计算,包括以下步骤:
采用等值面提取算法构造髋臼的表面模型,并进一步进行三角网格化,获得髋臼的三角网格表面模型;
选择髋臼三角网格表面模型表面的若干个点,计算髋臼的前后径。
9.如权利要求1-8中任一项所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,在获取CT三维序列图像与所述股骨与髋臼分割之间,还包括步骤:
对具有股骨和髋臼的CT三维序列图像进行预处理,所述预处理至少包括采用三维高斯平滑算法对所述CT三维序列图像进行平滑滤波处理。
10.如权利要求1-8中任一项所述的基于CT三维序列图像的股骨和髋臼解剖参数获取方法,其特征在于,对所述CT三维序列图像进行粗分割与分离之间,还包括步骤:采用多尺度Hessian矩阵对股骨和髋臼间隙部分进行增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379450.XA CN107274389B (zh) | 2017-05-25 | 2017-05-25 | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379450.XA CN107274389B (zh) | 2017-05-25 | 2017-05-25 | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274389A true CN107274389A (zh) | 2017-10-20 |
CN107274389B CN107274389B (zh) | 2021-06-01 |
Family
ID=60064252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710379450.XA Active CN107274389B (zh) | 2017-05-25 | 2017-05-25 | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274389B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257118A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于法向腐蚀和随机游走的骨折粘连分割方法 |
CN108537838A (zh) * | 2018-03-13 | 2018-09-14 | 北京理工大学 | 一种髋关节骨性髋臼角度的检测方法 |
CN108765417A (zh) * | 2018-06-15 | 2018-11-06 | 西安邮电大学 | 一种基于深度学习和数字重建放射影像的股骨x线片生成***及方法 |
CN110680353A (zh) * | 2019-09-17 | 2020-01-14 | 中国人民解放军总医院第四医学中心 | 一种股骨头完整率的分析装置及方法 |
CN110728029A (zh) * | 2019-09-17 | 2020-01-24 | 中国人民解放军总医院第四医学中心 | 一种股骨完整度分析***及股骨完整度分析模型构建方法 |
CN110811829A (zh) * | 2019-11-06 | 2020-02-21 | 中国人民解放军总医院第四医学中心 | 一种基于股骨旋转轴与内翻轴分析模型的构建方法及*** |
TWI695387B (zh) * | 2019-01-25 | 2020-06-01 | 上銀科技股份有限公司 | 將電腦斷層掃描儀的掃描資訊轉換為骨骼參數的方法 |
CN111462138A (zh) * | 2020-04-06 | 2020-07-28 | 华中科技大学 | 一种针对病变髋关节图像的半自动的分割方法和装置 |
CN111652888A (zh) * | 2020-05-25 | 2020-09-11 | 北京长木谷医疗科技有限公司 | 基于深度学习的确定髓腔解剖轴线的方法及装置 |
CN112766272A (zh) * | 2021-01-15 | 2021-05-07 | 北京迈格威科技有限公司 | 目标检测方法、装置和电子*** |
CN113450364A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种基于三维通量模型的树状结构中心线提取方法 |
CN113850810A (zh) * | 2021-12-01 | 2021-12-28 | 杭州柳叶刀机器人有限公司 | 用于转正股骨的方法及手术***、存储介质以及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102614034A (zh) * | 2012-03-12 | 2012-08-01 | 南京航空航天大学 | 一种个体化人工骨注凝成型模具的分层式快速设计与制造方法 |
WO2013059177A1 (en) * | 2011-10-18 | 2013-04-25 | Medqia | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes |
CN103198521A (zh) * | 2013-04-16 | 2013-07-10 | 大连理工大学 | 一种面向个性化设计的股骨头表面三维模型重构方法 |
CN103530466A (zh) * | 2013-10-21 | 2014-01-22 | 哈尔滨理工大学 | 基于材料性能多目标优化的股骨假体优选方法 |
CN104091365A (zh) * | 2014-07-12 | 2014-10-08 | 大连理工大学 | 面向序列化髋关节ct图像的髋臼组织模型重建方法 |
CN104969260A (zh) * | 2012-09-27 | 2015-10-07 | 西门子制品生命周期管理软件股份有限公司 | 用于3d计算机断层扫描的多个骨骼分割 |
US20150348259A1 (en) * | 2014-06-03 | 2015-12-03 | Carestream Health, Inc. | Quantitative method for 3-d bone mineral density visualization and monitoring |
US20160140758A1 (en) * | 2014-11-19 | 2016-05-19 | Kabushiki Kaisha Toshiba | Image analyzing device, image analyzing method, and computer program product |
CN105869149A (zh) * | 2016-03-24 | 2016-08-17 | 大连理工大学 | 基于主向量分析的断骨截面分割及断骨模型配准方法 |
US20170018082A1 (en) * | 2013-05-02 | 2017-01-19 | Smith & Nephew, Inc. | Surface and image integration for model evaluation and landmark determination |
-
2017
- 2017-05-25 CN CN201710379450.XA patent/CN107274389B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013059177A1 (en) * | 2011-10-18 | 2013-04-25 | Medqia | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes |
CN102614034A (zh) * | 2012-03-12 | 2012-08-01 | 南京航空航天大学 | 一种个体化人工骨注凝成型模具的分层式快速设计与制造方法 |
CN104969260A (zh) * | 2012-09-27 | 2015-10-07 | 西门子制品生命周期管理软件股份有限公司 | 用于3d计算机断层扫描的多个骨骼分割 |
CN103198521A (zh) * | 2013-04-16 | 2013-07-10 | 大连理工大学 | 一种面向个性化设计的股骨头表面三维模型重构方法 |
US20170018082A1 (en) * | 2013-05-02 | 2017-01-19 | Smith & Nephew, Inc. | Surface and image integration for model evaluation and landmark determination |
CN103530466A (zh) * | 2013-10-21 | 2014-01-22 | 哈尔滨理工大学 | 基于材料性能多目标优化的股骨假体优选方法 |
US20150348259A1 (en) * | 2014-06-03 | 2015-12-03 | Carestream Health, Inc. | Quantitative method for 3-d bone mineral density visualization and monitoring |
CN104091365A (zh) * | 2014-07-12 | 2014-10-08 | 大连理工大学 | 面向序列化髋关节ct图像的髋臼组织模型重建方法 |
US20160140758A1 (en) * | 2014-11-19 | 2016-05-19 | Kabushiki Kaisha Toshiba | Image analyzing device, image analyzing method, and computer program product |
CN105869149A (zh) * | 2016-03-24 | 2016-08-17 | 大连理工大学 | 基于主向量分析的断骨截面分割及断骨模型配准方法 |
Non-Patent Citations (5)
Title |
---|
MARCEL K.等: "An automatic 3D CT/PET segmentation framework for bone marrow proliferation assessment", 《IMAGE PROCESSING (ICIP) 》 * |
MARCEL K.等: "Fully automatic and fast segmentation of the femur bone from 3D-CT images with no shape prior", 《2011 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING: FROM NANO TO MACRO》 * |
R.A. ZOROOFI 等: "Automated segmentation of acetabulum and femoral head from 3-d CT images", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
W.DANDACHLI等: "Three-dimensional CT analysis to determine acetabular retroversion and the implications for the management of femoro-acetabular impingement", 《THE BONE & JOINT JOURNAL》 * |
胡荣慧 等: "髋臼几何参数的CT测量", 《中国组织工程研究》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257118B (zh) * | 2018-01-08 | 2020-07-24 | 浙江大学 | 一种基于法向腐蚀和随机游走的骨折粘连分割方法 |
CN108257118A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于法向腐蚀和随机游走的骨折粘连分割方法 |
CN108537838A (zh) * | 2018-03-13 | 2018-09-14 | 北京理工大学 | 一种髋关节骨性髋臼角度的检测方法 |
CN108537838B (zh) * | 2018-03-13 | 2020-12-01 | 北京理工大学 | 一种髋关节骨性髋臼角度的检测方法 |
CN108765417B (zh) * | 2018-06-15 | 2021-11-05 | 西安邮电大学 | 一种基于深度学习和数字重建放射影像的股骨x线片生成***及方法 |
CN108765417A (zh) * | 2018-06-15 | 2018-11-06 | 西安邮电大学 | 一种基于深度学习和数字重建放射影像的股骨x线片生成***及方法 |
TWI695387B (zh) * | 2019-01-25 | 2020-06-01 | 上銀科技股份有限公司 | 將電腦斷層掃描儀的掃描資訊轉換為骨骼參數的方法 |
CN110680353A (zh) * | 2019-09-17 | 2020-01-14 | 中国人民解放军总医院第四医学中心 | 一种股骨头完整率的分析装置及方法 |
CN110728029A (zh) * | 2019-09-17 | 2020-01-24 | 中国人民解放军总医院第四医学中心 | 一种股骨完整度分析***及股骨完整度分析模型构建方法 |
CN110680353B (zh) * | 2019-09-17 | 2022-04-15 | 中国人民解放军总医院第四医学中心 | 一种股骨头完整率的分析装置 |
CN110811829A (zh) * | 2019-11-06 | 2020-02-21 | 中国人民解放军总医院第四医学中心 | 一种基于股骨旋转轴与内翻轴分析模型的构建方法及*** |
CN111462138A (zh) * | 2020-04-06 | 2020-07-28 | 华中科技大学 | 一种针对病变髋关节图像的半自动的分割方法和装置 |
CN111462138B (zh) * | 2020-04-06 | 2022-10-14 | 华中科技大学 | 一种针对病变髋关节图像的半自动的分割方法和装置 |
CN111652888A (zh) * | 2020-05-25 | 2020-09-11 | 北京长木谷医疗科技有限公司 | 基于深度学习的确定髓腔解剖轴线的方法及装置 |
CN112766272A (zh) * | 2021-01-15 | 2021-05-07 | 北京迈格威科技有限公司 | 目标检测方法、装置和电子*** |
CN113450364A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种基于三维通量模型的树状结构中心线提取方法 |
CN113450364B (zh) * | 2021-06-29 | 2022-05-13 | 湖南大学 | 一种基于三维通量模型的树状结构中心线提取方法 |
CN113850810A (zh) * | 2021-12-01 | 2021-12-28 | 杭州柳叶刀机器人有限公司 | 用于转正股骨的方法及手术***、存储介质以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107274389B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274389A (zh) | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 | |
CN104091365B (zh) | 面向序列化髋关节ct图像的髋臼组织模型重建方法 | |
CN112971981B (zh) | 基于深度学习的全髋关节图像处理方法和设备 | |
CN106780518B (zh) | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 | |
US8571278B2 (en) | System and methods for multi-object multi-surface segmentation | |
CN103440665B (zh) | 膝关节软骨图像自动分割方法 | |
CN103810363B (zh) | 血管造影术中的血管种子点选取方法及血管提取方法 | |
US9349074B2 (en) | Method and apparatus for generating 3D knee joint image | |
CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN111652888B (zh) | 基于深度学习的确定髓腔解剖轴线的方法及装置 | |
CN106127753B (zh) | 一种外科手术中ct影像体表人工标记自动提取方法 | |
CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
CN111462138B (zh) | 一种针对病变髋关节图像的半自动的分割方法和装置 | |
CN114742747B (zh) | 基于深度学习的髋关节置换术后影像的评估方法及*** | |
CN108597017A (zh) | 一种基于测量参数的骨骼变形模板构建方法 | |
CN113077498B (zh) | 骨盆配准方法、骨盆配准装置和骨盆配准*** | |
CN106846330A (zh) | 人体肝脏特征建模及血管模型空间归一方法 | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
CN111292306A (zh) | 膝关节ct与mr图像融合方法及装置 | |
CN108670301A (zh) | 一种基于超声影像的脊柱横突定位方法 | |
Zou et al. | Semi-automatic segmentation of femur based on harmonic barrier | |
CN108257118A (zh) | 一种基于法向腐蚀和随机游走的骨折粘连分割方法 | |
CN108898601A (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |