CN107408301A - 使用通道检测对图像数据中的对象的分割 - Google Patents
使用通道检测对图像数据中的对象的分割 Download PDFInfo
- Publication number
- CN107408301A CN107408301A CN201680015818.8A CN201680015818A CN107408301A CN 107408301 A CN107408301 A CN 107408301A CN 201680015818 A CN201680015818 A CN 201680015818A CN 107408301 A CN107408301 A CN 107408301A
- Authority
- CN
- China
- Prior art keywords
- passage
- voxel
- view data
- described image
- image
- 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
- G06T7/10—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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
-
- 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
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Generation (AREA)
Abstract
本申请涉及了一种从包括多个像素或体素的图像数据识别至少两个对象之间的通道的计算机实现的方法。所述方法包括循环,循环包括以下步骤:选择所述图像数据中包含至少两个所述对象的至少一部分的图像数据在内的部分;计算所述图像数据的所述部分的所述像素或所述体素的图像梯度;以及分析所述图像梯度的取向。如果所述图像梯度中的至少两个指向相反方向,则将所述图像数据的所述所选部分确定为包含限定了所述通道的所述对象的边缘。随后可以使用这种方法来分离或分割限定了所述通道的所述对象或所述对象的部分。
Description
技术领域
本发明总体涉及一种从图像数据识别至少两个对象之间的通道并且使用所述通道来分割(即,分离)两个对象的方法。具体来说,这种方法是在对组织(诸如骨骼)对象的医学成像的上下文中开发的。另外,本发明涉及了一种实现这种方法的计算机程序产品、一种承载这种计算机程序产品的可读介质、以及一种被设置来执行这种计算机程序产品的设备。
背景技术
以下文本涉及图像分析方法,具体地是用于分割图像中的对象(的部分)的方法,例如人或动物身体内的关节(如髋关节、肩关节、椎关节、膝关节、腕关节等等)的计算机断层摄影图像,其中可分割经由关节而连接的对象。对于图像处理,不同或相同的对象的不同部分的分割(即,分离)是必需的。这些部分在图像中可以具有不同性质,即,特征(诸如灰度/亮度、颜色和类似的特性)变化。这些差异来自成像对象的不同性质。根据成像过程,可以区分性质,诸如密度、材料组成、含水量、示踪剂含量、超声波或光的吸收率/反射率和类似的性质。可借助算法来自动实现对真实对象的部分的表示的分割任务,这涉及了在图像中分割具有相同或类似的性质的区域并且构建相关分组。尤其在医学成像中,期望在成像过程或图像处理期间自动完成对不同形式组织(诸如脂肪、肌肉和骨骼)的分割、以及对相关区域(例如,骨骼或器官)的识别。具体地是在颌面外科手术和牙科治疗方面,用于在颞下颌关节处将髁头与颅底(更具体地是窝)自动分离的算法将会是非常有用的。
在医学图像处理中,使用相关技术促成对图像中的表示某些部分或结构(诸如器官、骨骼、关节或相应地它们的部分)的区域的自动识别。这些区域称为感兴趣区域(ROI)。相关技术使用与图像数据匹配的结构模板,以便定位ROI。为此目的,利用互相关或归一化互相关计算相似性度量,相似性度量表示模板与图像数据中的不同区域之间的相关等级(或相似性)。选择具有最佳相似性度量的区域用于进一步的图像处理步骤。此类相关技术是本领域众所周知的。
为了评估图像中包含的信息,必须明确区分图像中示出的不同部分和/或对象。在从图像数据得到的图像中,对象的一些部分或对象本身可能看起来是整体地连接的,但是在现实中没有这种连接。这种错误融合可以在数据捕获、图像重建和/或图像处理步骤期间出现。对此类融合元素的分割在当前图像处理***中难自动化,并且因此经常需要用户手动勾绘。手动分割对象或其部分可能非常困难,当后者较小并且两者之间间隙较窄时。另外,在三维中,用户视角典型地被其他对象或部分遮挡。因此,用户可以选择错误线和表面。另外,手动分割是费力的,并且可能非常耗时,因此导致成本较高。
下颌骨(即,下颚)是通过两个颞下颌关节(TMJ)连接到颅底的骨性结构,位于左髁和右髁的顶部。这些关节允许下颌骨移动,例如,为了咀嚼。由于它们在计算断层摄影(CT)图像中的密度低,因此它们在髁和窝的更密质的骨骼之间限定3D通道。
使用手术计划软件的颌面外科医生应当能够虚拟地将患者的下颌骨重新定位,以便获得更好闭塞或模拟实际下颚关节。为此,需要分离虚拟表面对象:一个表示下颌骨,而另一个表示颅骨其余部分。具体来说,下颌骨的顶端处的髁的表面表示必须完全地与颅底分离。
目前,这不是通常的情况,因为在TMJ区域中的灰度值由于各种原因而可能会相当模糊。当一些TMJ体素具有大于等值阈值(其由用户选择用于标记从DICOM图像数据产生的图像中的可见表面)的灰度值时,表面就被连接起来。有限的扫描仪准确度、噪声、患者运动和/或局部容积效应(PVE)是最常见的原因。当CT扫描仪射束由一起出现在体素中的两种不同类型组织非线性地衰减时,发生PVE。条纹伪像可通过在通道内引入杂散大灰度值来引起虚拟通道阻塞。非标准患者解剖或TMJ缺陷(如局部强直或关节吸收)甚至可能导致关节与窝之间的物理接触。因此,由TMJ限定的低密度通道被部分地阻挡,并且虚拟表面模型将被连接。应当理解,这妨碍了外科医生虚拟地将下颌骨重新定位。
发明内容
对于颌面外科手术和牙科治疗,检测关节通道的勾绘或指示。随后使用通道来将整体地连接的下颌骨和颅骨基面彼此分离。这允许了外科医生经由颞下颌关节虚拟地使连接到彼此的元素移动。如上提及,手动地将髁表面分离或勾绘其轮廓是繁琐、费力、重复且耗时的过程。由于a)3D关节的物理性质和b)髁与窝之间的通道是狭窄的,因此也难以可视化切割/勾绘区域。
通过一种根据权利要求1的方法、一种根据权利要求12的计算机程序产品、一种根据权利要求13的承载计算机程序产品的可读介质、一种根据权利要求14的被设置为执行计算机程序产品的设备和一种根据权利要求15的医疗***,本发明解决了以上问题。本发明的有利且优选的特征以及进一步的发展是从属权利要求的主题。
根据本发明,提供一种从包括多个像素或体素的图像数据识别人或动物身体的至少两个对象(例如组织,特别是骨骼)之间的通道的计算机实现的方法,所述方法包括循环,优选地是若干循环,循环包括以下步骤。
计算图像数据的像素或体素的图像梯度,并且对它们的取向进行分析。对于每个像素或每个体素,如果相邻图像梯度中的至少两个指向相反方向,则梯度之间的像素或体素被确定为通道的一部分。在此,通道由其周围的对象的边缘限定。通道可以位于所述图像的背景中。
在本发明的一个实施方案中,提供一种从包括多个像素或体素的图像数据识别“通道”的计算机实现的方法,通道例如是在至少两个对象之间的、或是对象的部分之间的图像区域,所述方法包括循环,优选地是若干循环,循环包括以下步骤:
计算图像数据的像素或体素的图像梯度,以及
分析图像梯度的取向,
其中,如果图像梯度中的至少两个指向彼此相反方向,则在相反图像梯度之间的像素或体素定位通道,所述方法还包括:
识别在通道体中形成孔的像素或体素,所述像素或所述体素使得通道的每一侧上的所述对象或对象的部分将被连接起来,
闭合通道体,
使用已闭合的通道体切穿连接,从而使得通道的任一侧上的所述对象或对象的所述部分断开连接,并且获得分离对象或对象的分离部分。
优选地,选择图像数据的一部分。所述部分包含对象中的至少两个的至少一部分的图像数据(ROI)。优选地,计算图像数据的所选部分的像素或体素的图像梯度,并且对它们的取向进行分析。在这种情况下,对于每个像素或每个体素,如果相邻图像梯度中的至少两个指向相反方向,则将图像数据的所选部分确定为包含限定通道的对象的边缘。
优选地,随后使用通道分割通道的任一侧上的对象,例如,通过进一步地包括生成被通道分离的对应对象的表面。
本发明人已经发现,当图像中的梯度矢量相反时,它们指示可用于识别对象之间的通道的对象(的部分)之间的边缘的存在。常规地,识别对象而非通道。根据本发明,识别的是通道,并且基于这个通道实行对象的分离/分割。
本发明的方法允许使用计算机基于从例如计算断层摄影或类似的来源获得的图像数据在医学图像中对紧密地定位的部分、具体地是颞下颌关节的部分进行分割。具体来说,关于颌面外科手术,“分离”、“分割”或“划分”由关节连接的骨骼表面基于本发明而自动行进。
因此,在一方面,避免繁琐任务、以及人在医疗中不精确或不正确的分割风险。另一方面,图像分析在更短时间内完成,并且因此可以减少图像分析成本。
在本上下文中,“对象”应理解为由表面(或等效地,边缘)界定的图像中的对象。这个表面可与在图像中的不同对象的表面相对,或者可以面向非表面对象(诸如非骨骼组织)。另外,在本上下文中,“通道”应理解为在两个对象之间的较小区域,这可能是“空的”或被某种其他物质(如脂肪、水,空气等等)占据(换句话说,通道可以位于图像的背景中,而对象则在前景中)。因此,表达“至少两个表面对象之间的通道的识别”同义用于一个或多个对象中的至少两个部分的分割、分离或区分。对象的特定实例是髁表面,例如,当在下颌骨和颅骨基面之间确定通道时。
“图像数据”是数据,通常数字数据,其包含了可能或将要例如通过计算机软件解释以形成二或三维图像的信息。这种图像数据例如可从计算断层摄影(CT)、超声成像(US)或磁共振成像(MRI)***获得,但是也可以从简单X射线或类似的方法获得,而不限于特定成像方法。然而,优选地,图像数据从CT或锥束计算断层摄影(CBCT)获得。
“图像梯度”是图像的像素或优选地体素的性质之间的强度差异,并且可以一次针对整个图像进行计算。优选地,这些性质是表示对象的真实物理性质(诸如密度、水含量、形状、表面粗糙度等等)的灰度值、亮度值和/或色值。像素/体素中的梯度的非零值指示像素/体素与其邻域之间的强度的改变。较大值(即,较大的梯度矢量幅度)典型地出现在对象的表面处(即,在边缘处)。图像梯度矢量取向是像素或体素的相应性质的强度最大程度增加的方向。在本发明上下文中,当像素/体素的梯度矢量背离另一相应体素而非朝向另一像素/体素指向时,两个梯度被理解为面向相反方向。
优选地,对象是人或动物身体的组织对象,具体地是骨骼对象。然而,本发明大体上也可以应用于其他目的。
根据优选方法,图像数据的一部分被选择为使得所述部分包含至少两个对象的至少一部分的图像数据。然而,选择图像数据的一部分并不是必须的,也可以将所述方法应用于为所述方法提供的完整图像数据。选择图像数据的一部分对方法的改进在于使得识别至少两个对象之间的通道的进一步自动化成为可能。
表面对象之间的通道的宽度可以沿其纵向延度变化。另外,具有大体上不同的宽度的通道也是感兴趣的。因此,使用所谓多分辨率方法自动适配步长以供用于计算通道是有利的。适配的目标可以是针对更宽通道的更长步长和针对更窄通道的更短步长。对于髁关节,通常可以假设3-4mm或更小的通道宽度。
有利地,图像梯度与色值强度差异相关,所述色值强度具体地是灰度值强度、亨氏标度值或射频信号强度值。
区分不同组织(诸如骨骼、肌肉、表皮、真皮或脂肪)需要分辨反映图像数据中包含的信息的不同性质。这个信息编码在单个像素或体素的不同特征(如色值/灰度值强度)中,例如,针对不同的亨氏标度值或射频信号强度值。在一些情况下,特征取决于用于获得图像数据的成像技术。
在优选方法中,至少两个对象是关节的部分,所述关节具体地是颞下颌关节,尤其下颌骨、具体地是下颌骨髁头,以及颅骨、具体地是颅骨底窝。然而,其他关节(诸如髋关节、肩关节、椎关节、膝关节、腕关节等等)的表面对象可另外地或替代地是如上所述的分离方法的目标。
颞下颌关节的髁头和窝倾向于在从颞下颌关节的图像数据重建的图像中融合在一起。对这些结构的分割是如上所述非常困难和耗时的。如上所述和如下所述的计算机实现的方法提供可靠且快速的分割结果。
用于本发明的另一进一步优选的发展中的图像数据包括来自计算断层摄影(CT)、锥束计算断层摄影(CBCT)、超声成像(US)或磁共振成像(MRI)的图像数据。然而,图像数据可替代地或另外地从其他成像技术获得。
在另一优选方法中,图像数据是指三维(3D)图像。然而,根据本发明的方法也可以应用于二维(2D)图像和一维(1D)图像,以便识别在至少两个对象之间的通道,所述通道在2D中可表示为某个区域,或者在1D中可表示为由一个区域或两个区域界定的线的区段或表示现实中的表面对象的线的区段。
例如,以上所提及的成像技术可以提供3D图像,3D图像相较2D图像或1D图像来说包含关于检查区域的更多信息并且提供检查区域的更好概览。这种增强的信息和概览是宝贵的,但是需要不同结构被正确地分离。这种分离可利用如上所述的方法和其优选另外特征来实现。
根据有利方法,对一个或多个图像梯度的分析包括将图像梯度投影到单位矢量上,其中单位矢量优选地限定于基数、序数和/或三维对角方向。将图像梯度投影到单位矢量上促成梯度相对于相反方向的比较。所检查的基数方向是坐标系的主要方向,例如北、东、南、西、上和下。序数方向是与两个基数方向成45度角的次要方向。三维对角方向是与三个基数方向成45度角的方向。然而,根据本发明的方法并不限于将梯度投影到在基数、序数和/或三维对角方向上的单位矢量,而是可以将梯度投影到不同方向,或者可以直接相互比较。
在优选方法中,选择图像数据的部分离始算法计算包括使用相关技术。然而,可以使用选择图像数据的一部分的其他方法,诸如简单手动勾绘感兴趣的容积。
如上所述的已知相关技术的使用提供使用户交互、区域选择成本以及区域选择风险最小化的感兴趣区域(ROI)的快速且可靠的选择。结合本发明,它允许了至少两个对象之间的通道的甚至更自动的识别。具体来说,它不对初始化或起始点敏感,而用于识别对象的表面的许多现有技术方法则对初始化或起始点敏感。
在更优选的方法中,图像数据以符合医学数字成像和通信(DICOM)标准的数据格式提供,但是根据本发明的方法可以基于不同形式的图像数据使用。
附图说明
图1A示出了从CBCT图像数据重建的颞下颌关节的图像。由于从图像数据的表面重建,在图像中融合了髁头和窝的表面。
图1A’是图1A的线图。
图1B示出了通过优选通道识别方法来识别的、图1A的图像中的髁头与窝之间的通道。
图1C示出了从CBCT图像数据重建的颞下颌关节的图像。由于利用优选通道定位方法对两个骨性结构的附加分离,在图像中没有融合髁头和窝。
图1C’是图1C的线图。
图2A、图2B、图2C和图2D示意性地示出用于寻找通道和分割通道两侧上的对象的算法的工作方式。
图3A、图3B和图3C示出了从医学CT图像数据重建的髋关节的图像。设置是与图1A至图1C中的相同。
图3A’是图3A的线图,并且图3C’是图3C的线图。
具体实施方式
图1A和图1A’示出了从CBCT图像数据重建的颞下颌关节的近距图像。由于从图像数据的错误重建,髁头12和窝14融合在图像中。例如,重建可由已知网格生成算法(诸如移动立方体(Marching Cube)算法或类似的方法)产生。对于常见重建方法,用户选择对可见表面进行标记的灰度值阈值(即所谓的等值阈值)。在图1A和图1A’的情况下,可以看出,髁头12与窝14之间(即,在由颞下颌关节限定的通道中)的体素中的一些指示连接表面16。因此,我们仅有一个对象(由图1A’中的数字1标记的)。这可能是由于若干原因。一般来说,这些体素的灰度值大于等值阈值,使得得以假设表面16并且错误合并髁头12和窝14。
为了使得外科医生能够虚拟地将下颌骨相对于颅骨来移动,需要将下颌骨和颅骨识别为分离对象。因此,一种识别下颌骨与颅骨之间的、具体地是髁头12与窝14之间的通道18的方法对于允许外科医生准备外科手术来说将会是有利的。
图1B示出了髁头12与窝14之间的通道18。这种通道识别方法产生通道体素位置,使得分离髁头12和窝14是容易可行的。
所述方法可通过使用在计算机上执行的计算机程序产品来实行。所述方法通常也可以应用于其他图像,诸如关节或者其他通道或表面对象的二维表示。
优选地,通常可以例如通过以下预处理步骤来预处理包含一定量的噪声的CT或CBCT图像数据:
首先,使用例如众所周知的高斯滤波器适度平滑3D图像。其次,可优选地基于矢量大小选择梯度。具体来说,比特定阈值大小要小的梯度是归因于噪声,并且会被去除。可动态地将这个阈值大小确定为感兴趣的区域(ROI)中的体素中存在的梯度矢量大小的均值、中值(或它们的组合)。
然而,也可基于未预处理图像数据实行本发明的方法。
作为优选方法的一部分,选择包含颞下颌关节(图1A和图1A’)的图像区段,在本例中,这个图像区段为ROI。这种ROI另外在图2A中示意性地示出。此处,我们又有两个对象22和24(或一个对象的两个部分),它们之间具有通道。两个对象是由看起来像穿过通道的伪像26连接,从而清楚连接两个对象。
在这个图像区段中,针对每个体素计算图像梯度。最大梯度出现在边缘处,如图2B中的箭头所示。然后,沿着13个基数、序数和3D对角方向对附近体素的梯度进行比较。相邻体素可与被调查的体素相距不同距离。在2D图像处理的情况下,可以使用4个基数和序数方向,以便比较关于像素和其相邻像素的梯度的方向。
对于每个体素位置或像素位置p,可以在不同方向上和利用不同步长dp从相反梯度计算函数值F(p)。优选地,仅考虑到相反梯度矢量(指示通道壁的存在)。所有其他梯度贡献都被忽略。
不同通道宽度W(即,其中彼此在一般宽度上不同或在它们宽度上沿着它们延度变化的不同通道)可优选地通过用以计算在变化步长dp上的最大值F(p)值计算F(p)的多分辨率方法解决。根据多分辨率方法来改变分辨率,因为步长dp改变。
在计算图像区段中的所有像素/体素的函数值F(p)的最大值后,具有非零值F(p)的体素或像素在两个对象22和24之间(或具体地针对图1来说,在髁头12和窝14之间)限定通道28(或18)。
优选地,可以应用后处理过程,以便进一步地提高在CT或CBCT图像数据中找到的通道的质量。鉴于尤其髁关节骨可能是非常松质(即,表明密度变化很大)的问题,这种后处理是尤其有利的。这个问题导致骨骼容积内的梯度,这个梯度随后可以被识别为(明显)通道体素。为了从骨骼的图像数据去除此类杂散通道体素,可任选地应用以下后处理步骤:
第一,去除具有非零梯度值的明显通道体素,因为真实通道体素不会保持非零梯度值。应当理解,应当使用“无噪声”预处理梯度值。
第二,可以使用函数值F(p)的大小进一步地完善通道选择。按照定义,最大函数值出现在真实通道的中部,因为它们是从标记通道边缘的最大梯度值计算的(参见图2B)。仅优选地维持具有高于某个阈值的函数值的通道体素。这个阈值可为对函数值计算的均值、中值(或它们的组合)函数值。
第三,确定互连通道体大小,并且仅优选地维持连接到最大容积互连通道体素、或是预定数量容积的那些明显通道体素作为通道体素。在此,要考虑的最大容积互连通道体素数量反映图像中的预期通道数量。
可以调整所有阈值参数以最大化分割的可能性并且具有最小量的表面对象(诸如组织,具体地是骨骼)损失。
然而,上述后处理中的每个步骤也仅仅是本发明任选的。
如前提及,CT或CBCT图像可以在通道中呈现所谓条纹伪像。这些伪像是指示表面对象16、26(例如组织,具体地是骨骼)的存在的像素或体素,但是在现实中,在成像位置处没有这种骨骼对象。关于所计算的通道体28,这些条纹在容积中形成了孔(参见图2B),从而使得每侧上的表面22和24错误连接。
为了识别和去除这些伪像,优选地应用了Aktouf等人的闭孔算法,如“Z.Aktouf,G.Bertrand和L.Perroton:3D孔闭合算法;在计算机成像的离散几何形状中,第36-47页,1996年(Z.Aktouf,G.Bertrand,and L.Perroton:A 3D-hole closing algorithm:inDiscrete Geometry for Computer Imagery,pages 36-47,1996)”中描述的,以及如“Z.Aktouf,、G.Bertrand和L.Perroton:三维孔闭合算法;在图案识别快报中,23:523-531,2002年(Z.Aktouf,G.Bertrand,and L.Perroron:A three-dimensional hole closingalgorithm;in Pattern Recognition Letters,23:523-531,2002)”中描述的。从所识别的通道体的壳体开始,去除(刻出)冗余体素,直到留下闭合通道体。这是通过评估每个额外体素的立方邻域中的背景的连通性来完成的,并且本身是本领域已知的方法。有效地,在通道体28中的孔如图2C中的黑色方块所示是闭合的。
最后,已闭合的通道体28(参见图2C)可以用于切穿条纹伪像26,并且使得每侧上的对象22和24断开连接。在CT或CBCT数据中,这可例如通过将已闭合的通道体中的体素或像素的灰度值重置为a)背景值或b)低于用于表面重建的等值阈值的值完成。
图1C和1C’示出了从CBCT图像数据重建的颞下颌关节的图像,其中两个骨性结构通过上述优选方法分离。因此,髁头12和窝14不会融合在图像中。具体来说,图1A的表面16已被去除,使得下颌骨和颅骨被清楚地分离。因此,我们现有两个分离对象(如图1C’的对象绘图内的数字2和3指示的)。图1B示出了已识别为通道18(具有已闭合孔)的体素。
图3A和图3A’示出了从医学CT图像数据重建的髋关节的图像。更具体地,描绘股骨头32和髋臼窝34。由于从图像数据的表面重建,股骨头和窝的表面融合在图像中。因此,我们仅有一个对象(由图3A’中的数字1标记的)。连接36典型地是重建伪像或条纹伪像。
图3B描绘了图3A的图像中的股骨头32和窝34之间的通道38(由髋关节限定的),如通过我们提出的定位通道的方法识别的。注意,通道体中的所有的孔都被闭合。
图3C和图3C’示出了从已处理的医学CT图像数据重建的相同的髋关节的图像。由于利用优选通道定位方法对两个骨性结构的附加分割,股骨头32和窝34不再融合在图像中。因此,我们现有两个分离对象(如图3C’的对象绘图内的数字2和3指示的)。
Claims (16)
1.一种计算机实现的方法,用于从包括多个像素或体素的图像数据识别“通道”,所述通道例如是在至少两个对象之间的、或是对象的部分之间的图像区域,所述方法包括循环,所述循环包括以下步骤:
计算所述图像数据的所述像素或所述体素的图像梯度,以及
分析所述图像梯度的取向,
其中,如果所述图像梯度中的至少两个指向彼此相反方向,则在所述相反图像梯度之间的所述像素或所述体素定位所述通道,所述方法还包括:
识别在通道体中形成孔的像素或体素,所述像素或所述体素使得所述通道的每一侧上的所述对象或对象的所述部分相连接,
闭合所述通道体,
使用所述已闭合的通道体切穿所述连接,从而使得所述通道任一侧上的所述对象或对象的所述部分断开连接,并且获得分离对象或分离对象部分。
2.如权利要求1所述的方法,其中所述对象是人或动物身体的组织对象,具体地是骨骼对象。
3.如前述权利要求中任一项所述的方法,其中图像数据的一部分被选择为使得所述部分包含所述至少两个对象的至少一部分的图像数据。
4.如前述权利要求中任一项所述的方法,还包括生成被所述通道分离的对应对象的表面。
5.如前述权利要求中任一项所述的方法,其中所述图像梯度与色值强度差异相关,所述色值强度具体地是灰度值强度、亨氏标度值或射频信号强度值。
6.如前述权利要求中任一项所述的方法,其中所述至少两个对象是关节的部分,所述关节具体地是颞下颌关节,尤其下颌骨、具体地是下颌骨髁头,以及颅骨、具体地是颅骨底窝。
7.如前述权利要求中任一项所述的方法,其中所述图像数据包括来自X射线、计算断层摄影、锥束计算断层摄影、超声或磁共振成像的图像数据。
8.如前述权利要求中任一项所述的方法,其中所述图像数据是指三维图像。
9.如前述权利要求中任一项所述的方法,其中分析所述图像梯度的所述取向包括将所述图像梯度投影到单位矢量上,其中优选地相对于要分析的所述特定像素或所述特定体素的基数、序数和/或三维对角方向上限定所述单位矢量。
10.如权利要求3或从属于权利要求3的任一权利要求所述的方法,其中所述图像数据的所述部分的所述选择包括使用互相关技术。
11.一种根据前述权利要求中任一项所述的方法,其中以符合医学数字成像和通信标准的数据格式提供所述图像数据。
12.一种计算机程序产品,所述计算机程序产品被配置为执行如前述权利要求中任一项所述的方法。
13.一种可读介质,所述可读介质承载如权利要求12所述的计算机程序产品。
14.一种设备,所述设备被设置来执行如权利要求12所述的计算机程序产品。
15.一种医疗***,所述医疗***被配置为实行如权利要求1至11中任一项所述的方法。
16.如权利要求15所述的医疗***,包括被设置来执行如权利要求12所述的计算机程序产品的计算机和用于获得至少两个骨骼表面对象的图像数据的成像装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP15159963.6 | 2015-03-19 | ||
EP15159963 | 2015-03-19 | ||
PCT/EP2016/055756 WO2016146722A1 (en) | 2015-03-19 | 2016-03-17 | Segmentation of objects in image data using channel detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107408301A true CN107408301A (zh) | 2017-11-28 |
CN107408301B CN107408301B (zh) | 2021-07-06 |
Family
ID=52780394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680015818.8A Active CN107408301B (zh) | 2015-03-19 | 2016-03-17 | 使用通道检测对图像数据中的对象的分割 |
Country Status (8)
Country | Link |
---|---|
US (1) | US10621726B2 (zh) |
EP (1) | EP3271895B1 (zh) |
JP (1) | JP6785237B2 (zh) |
CN (1) | CN107408301B (zh) |
BR (1) | BR112017019980B1 (zh) |
DK (1) | DK3271895T3 (zh) |
ES (1) | ES2738982T3 (zh) |
WO (1) | WO2016146722A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK3271895T3 (da) | 2015-03-19 | 2019-08-05 | Nobel Biocare Services Ag | Segmentering af objekter i billeddata under anvendelse af kanaldetektering |
WO2020127632A1 (en) | 2018-12-20 | 2020-06-25 | Medicim Nv | Automated trimming of a surface mesh |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5233670A (en) * | 1990-07-31 | 1993-08-03 | Thomson Trt Defense | Method and device for the real-time localization of rectilinear contours in a digitized image, notably for shape recognition in scene analysis processing |
JP2011512999A (ja) * | 2008-03-04 | 2011-04-28 | トモセラピー・インコーポレーテッド | 改良された画像セグメンテーションの方法およびシステム |
CN102043957A (zh) * | 2011-01-11 | 2011-05-04 | 北京邮电大学 | 基于图像凹点的车辆分割方法 |
CN102596001A (zh) * | 2010-07-21 | 2012-07-18 | 奥林巴斯医疗株式会社 | 图像处理装置和图像处理方法 |
CN103942808A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 粘连岩石颗粒图像的分割方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE1008128A3 (nl) | 1994-03-10 | 1996-01-23 | Materialise Nv | Werkwijze voor het ondersteunen van een voorwerp vervaardigd door stereolithografie of een andere snelle prototypevervaardigingswerkwijze en voor het vervaardigen van de daarbij gebruikte steunkonstruktie. |
US6799066B2 (en) * | 2000-09-14 | 2004-09-28 | The Board Of Trustees Of The Leland Stanford Junior University | Technique for manipulating medical images |
EP1382297B1 (en) | 2001-04-26 | 2012-01-04 | Teijin Limited | Three-dimensional joint structure measuring method |
EP2156350A1 (en) | 2007-05-25 | 2010-02-24 | Nobel Biocare Services AG | Method and system for dental planning |
EP2103276B1 (en) | 2008-03-19 | 2019-06-19 | Nobel Biocare Services AG | Repositioning of components related to cranial surgical procedures in a patient |
EP2254068B1 (en) | 2009-05-18 | 2020-08-19 | Nobel Biocare Services AG | Method and system providing improved data matching for virtual planning |
CN102598113A (zh) * | 2009-06-30 | 2012-07-18 | 安芯美特控股有限公司 | 匹配出现在两个或多个图像内的对象或人的方法、电路和*** |
EP2309450B1 (en) * | 2009-09-21 | 2016-04-06 | Orcamp AB | Method for characterizing a blood vessel |
US8457772B2 (en) | 2010-02-10 | 2013-06-04 | Biocad Medical, Inc. | Method for planning a dental component |
US8594820B2 (en) | 2010-09-17 | 2013-11-26 | Nobel Biocare Services Ag | Prosthesis manipulation in dental prosthesis design |
WO2012096882A1 (en) * | 2011-01-11 | 2012-07-19 | Rutgers, The State University Of New Jersey | Method and apparatus for segmentation and registration of longitudinal images |
ES2627108T3 (es) | 2012-04-03 | 2017-07-26 | Intrasense | Método de remapeo de una ROI conservando la topología entre imágenes médicas |
US9077943B2 (en) * | 2012-05-31 | 2015-07-07 | Apple Inc. | Local image statistics collection |
TWI496112B (zh) * | 2013-09-13 | 2015-08-11 | Univ Nat Cheng Kung | 細胞影像分割方法以及核質比評估方法 |
US9218534B1 (en) * | 2014-11-17 | 2015-12-22 | Tandent Vision Science, Inc. | Method and system for classifying painted road markings in an automotive driver-vehicle-assistance device |
DK3271895T3 (da) | 2015-03-19 | 2019-08-05 | Nobel Biocare Services Ag | Segmentering af objekter i billeddata under anvendelse af kanaldetektering |
CA3024372A1 (en) | 2016-06-21 | 2017-12-28 | Nobel Biocare Services Ag | Method for estimating at least one of shape, position and orientation of a dental restoration |
-
2016
- 2016-03-17 DK DK16713770.2T patent/DK3271895T3/da active
- 2016-03-17 CN CN201680015818.8A patent/CN107408301B/zh active Active
- 2016-03-17 JP JP2017543982A patent/JP6785237B2/ja active Active
- 2016-03-17 US US15/559,364 patent/US10621726B2/en active Active
- 2016-03-17 WO PCT/EP2016/055756 patent/WO2016146722A1/en active Application Filing
- 2016-03-17 BR BR112017019980-7A patent/BR112017019980B1/pt active IP Right Grant
- 2016-03-17 ES ES16713770T patent/ES2738982T3/es active Active
- 2016-03-17 EP EP16713770.2A patent/EP3271895B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5233670A (en) * | 1990-07-31 | 1993-08-03 | Thomson Trt Defense | Method and device for the real-time localization of rectilinear contours in a digitized image, notably for shape recognition in scene analysis processing |
JP2011512999A (ja) * | 2008-03-04 | 2011-04-28 | トモセラピー・インコーポレーテッド | 改良された画像セグメンテーションの方法およびシステム |
CN102596001A (zh) * | 2010-07-21 | 2012-07-18 | 奥林巴斯医疗株式会社 | 图像处理装置和图像处理方法 |
CN102043957A (zh) * | 2011-01-11 | 2011-05-04 | 北京邮电大学 | 基于图像凹点的车辆分割方法 |
CN103942808A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 粘连岩石颗粒图像的分割方法 |
Non-Patent Citations (2)
Title |
---|
LEMAITRE C ET AL: "Detection and matching of curvilinear structures", 《PATTERN RECOGNITION ELSEIVER》 * |
WANG LEI ET AL: "fully automated segmentation of the pectoralis muscle boundary in breast MR images", 《PROC,SPIE》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107408301B (zh) | 2021-07-06 |
EP3271895A1 (en) | 2018-01-24 |
DK3271895T3 (da) | 2019-08-05 |
US20180075606A1 (en) | 2018-03-15 |
WO2016146722A1 (en) | 2016-09-22 |
ES2738982T3 (es) | 2020-01-28 |
US10621726B2 (en) | 2020-04-14 |
JP2018512188A (ja) | 2018-05-17 |
BR112017019980A2 (pt) | 2018-06-19 |
EP3271895B1 (en) | 2019-05-08 |
JP6785237B2 (ja) | 2020-11-18 |
BR112017019980B1 (pt) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3726467A1 (en) | Systems and methods for reconstruction of 3d anatomical images from 2d anatomical images | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US10083515B2 (en) | Method and system for segmenting medical imaging data according to a skeletal atlas | |
CN108765417B (zh) | 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 | |
CN100562291C (zh) | 一种针对ct图像的处理装置、方法及*** | |
Jones | Facial Reconstruction Using Volumetric Data. | |
JP5301197B2 (ja) | 断面画像表示装置および方法ならびにプログラム | |
CN104254874A (zh) | 用于辅助2d-3d图像配准的方法及*** | |
JP2009207886A (ja) | 椎骨中心検出装置および方法並びにプログラム | |
Baka et al. | Statistical shape model-based femur kinematics from biplane fluoroscopy | |
US7421100B2 (en) | Method, computer program and system of visualizing image data | |
Udupa | 3D imaging: principles and approaches | |
KR102692396B1 (ko) | Ct를 이용한 3d 두부 계측 랜드마크 자동 검출 장치 및 방법 | |
KR20190078061A (ko) | 유방 형상 변형 방법 및 장치 | |
BR112020014201A2 (pt) | sistema e método de segmentação automática de uma imagem médica 3d por uma ou várias redes neurais através de convolução estruturada de acordo com a geometria anatômica da imagem médica 3d | |
CN107408301A (zh) | 使用通道检测对图像数据中的对象的分割 | |
Wei et al. | Segmentation of lung lobes in volumetric CT images for surgical planning of treating lung cancer | |
Kim et al. | Three-dimensional reconstruction of human femur using consecutive computer tomography images and simulated implantation system | |
Salian et al. | Immersive Visualisation In Medical Imaging | |
Galeano et al. | Alternative Tool for the Diagnosis of Diseases Through Virtual Reality | |
Abdo et al. | Teeth and Jaw Segmentation from CBCT images Using 3D Deep Learning Models | |
Hentschel et al. | Techniques for editing and visualizing CT-angiographic data | |
Galeano et al. | 3D reconstruction of organ from CT images and visualization in a virtual reality environment | |
Fatahi | Application of Medical Imaging and Image Processing in Creating 3D Models of Human Organs | |
Meena | Automatic Bone Segmentation from X-ray Images… |
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 |