CN110599494A - 肋骨图像重建***及方法、终端及可读存储介质 - Google Patents
肋骨图像重建***及方法、终端及可读存储介质 Download PDFInfo
- Publication number
- CN110599494A CN110599494A CN201810979148.2A CN201810979148A CN110599494A CN 110599494 A CN110599494 A CN 110599494A CN 201810979148 A CN201810979148 A CN 201810979148A CN 110599494 A CN110599494 A CN 110599494A
- Authority
- CN
- China
- Prior art keywords
- rib
- image
- region
- coordinate
- spine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 21
- 210000001562 sternum Anatomy 0.000 claims description 33
- 210000000988 bone and bone Anatomy 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 210000004072 lung Anatomy 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 208000027790 Rib fracture Diseases 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 88
- 238000003745 diagnosis Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 208000010392 Bone Fractures Diseases 0.000 description 7
- 206010017076 Fracture Diseases 0.000 description 7
- 210000003109 clavicle Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 210000001991 scapula Anatomy 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 3
- 230000008733 trauma Effects 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000399 orthopedic effect Effects 0.000 description 2
- 101100412905 Chloroflexus aurantiacus (strain ATCC 29366 / DSM 635 / J-10-fl) ribX gene Proteins 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- QTCANKDTWWSCMR-UHFFFAOYSA-N costic aldehyde Natural products C1CCC(=C)C2CC(C(=C)C=O)CCC21C QTCANKDTWWSCMR-UHFFFAOYSA-N 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- ISTFUJWTQAMRGA-UHFFFAOYSA-N iso-beta-costal Natural products C1C(C(=C)C=O)CCC2(C)CCCC(C)=C21 ISTFUJWTQAMRGA-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
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
- G06T7/136—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于图像处理领域，尤其涉及一种肋骨图像重建***及方法、终端及计算机可读存储介质。该***通过提取脊柱上的种子点、获取脊柱及肋骨连通区域、提取肋骨初始中心点以及提取所有肋骨中心点集合一系列操作，最终确定肋骨的位置及形状信息，从而实现了CT图像的肋骨的自动分割，取代了现有技术中医生需要手绘肋骨中心线的过程，并利用肋骨中心点集合对肋骨进行重建，得到重建结果图，从而实现了肋骨在图像上的完整呈现，大大提高了重建图像的质量，从而利于提高医生对肋骨骨折诊断的准确率和效率。
Description
技术领域
本发明属于图像处理领域，尤其涉及一种肋骨图像重建***及方法、终端及可读存储介质。
背景技术
肋骨骨折是一种常见的胸部外伤疾病，临床上一般通过计算机断层成像(Computed Tomography，CT)技术获取肋骨骨折图像，医生根据该肋骨骨折图像对骨科外伤进行诊断，因此，清晰完整的高质量肋骨骨折图像对于医生对骨科外伤的准确诊断十分重要。
现行医院影像科室的主流工作站中，主要借助CT容积再现技术(VolumeRendering，VR)和曲面重建技术(Curved Planar Reformation，CPR)对肋骨骨折图像进行处理后，再进行诊断。首先将VR图像作为定位图，医生通过经验观察VR图像找到有可疑骨折的肋骨，手动描绘该肋骨的中心线。然后通过CPR技术，将可疑肋骨完整显示在二维图像上。通过反复对比二维重建图像和三维原始图像，直到没有新的可疑肋骨部位出现，诊断结束。由此可见，现有的肋骨骨折临床诊断方法需要通过对肋骨中心线的手动描绘结合曲面重建技术来实现肋骨在二维图像上的完整重建呈现。整个重建过程耗时费力，而且需要手动描绘肋骨中心线，这种情况下完全依靠临床医生丰富的经验和技巧，医生手动描绘的个体差异性大(该过程需要医生通过反复观察找到可疑骨折，容易造成对部分骨折线细小的不完全性肋骨骨折，即隐匿性骨折的遗漏)，因此最终重建呈现出对诊断结果影响非常大。
而目前国内外对于肋骨骨折的研究，大部分是从临床医师的角度来研究如何提高医师的诊断技巧，比较不同诊断方法优缺点，很少有从计算机辅助成像(即提高肋骨图像处理***)的角度来研究该问题。在计算机辅助诊断***中，为了实现自动化，最重要的是分割出完整的三维肋骨中心线，然后通过曲面重建获得二维图像。目前专门针对肋骨分割的文献较为少见，大部分的研究集中于将肋骨、脊柱、胸骨作为一个整体进行研究，例如，目前比较热门的研究算法是基于追踪分割的算法来进行单根肋骨的分割。此算法是从肺血管的一个分割算法演变而来，它将肋骨抽象成管状结构，根据中间冠状面切片无脊柱胸骨等干扰的特点，认为中间冠状面切片是提取肋骨初始中心点的最优截面，在此冠状面上通过灰度阈值和肋骨的结构信息找到肋骨区域，并计算区域的中心点作为追踪分割的起点，之后基于肋骨灰度分布构造微分算子以建立判别函数获取跟踪方向，通过动态规划的算法得到肋骨的整体外轮廓结构。该追踪分割的算法虽然算法简洁、适合于临床应用，但是，该算法仅通过中间冠状面切片提取肋骨初始中心点，由于病人个体差异及CT扫描位置的不同，分割中往往造成肋骨的丢失。
综上所述，现有的肋骨图像处理***通过对肋骨中心线的手动描绘结合曲面重建技术来实现肋骨在图像上的完整呈现，整个图像重建过程中需依赖临床医生的诊断经验，操作耗时、效率很低，而且容易造成肋骨骨折的漏诊，因此重建后呈现的肋骨重建图像质量不高，进而造成最终诊断的准确率和效率都不高。
发明内容
本发明提供了一种肋骨图像重建方法及***，旨在解决现有的肋骨图像重建***的准确率低、效率低的问题。
为解决上述技术问题，本发明第一方面提供了一种肋骨图像重建***，该***包括：连通区域获取模块，用于利用脊柱和肋骨的位置关系，提取标准的CT图像脊柱上的种子点，通过区域增长获取脊柱及肋骨连通区域；肋骨中心点获取模块，用于在最优矢状面上提取肋骨初始中心点，并利用追踪分割算法提取所有肋骨中心点集合，以确定肋骨的位置及形状信息；图像重建模块，用于利用预设图像重建方法、以及所述所有肋骨中心点集合对肋骨进行重建，得到重建结果图。
为解决上述技术问题，本发明第二方面提供了一种肋骨图像重建方法，该方法包括：
利用脊柱和肋骨的位置关系，提取标准的CT图像脊柱上的种子点，通过区域增长获取脊柱及肋骨连通区域；在最优矢状面上提取肋骨初始中心点，并利用追踪分割算法提取所有肋骨中心点集合，以确定肋骨的位置及形状信息；利用预设图像重建方法、以及所述所有肋骨中心点集合对肋骨进行重建，得到重建结果图。
为解决上述技术问题，本发明第三方面提供了一种终端，包括：存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，利用了如本发明第一方面提供的肋骨图像重建***的各个模块、同时实现如本发明第二方面提供的肋骨图像重建方法中的各个步骤。
为解决上述技术问题，本发明第四方面提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，利用了如本发明第一方面提供的肋骨图像重建***的各个模块、同时实现如本发明第二方面提供的肋骨图像重建方法中的各个步骤。
本发明与现有技术相比，有益效果在于：
本发明所提供的肋骨图像重建***，通过提取脊柱上的种子点、获取脊柱及肋骨连通区域、提取肋骨初始中心点以及提取所有肋骨中心点集合一系列操作，最终确定肋骨的位置及形状信息，从而实现了CT图像的肋骨的自动分割，取代了现有技术中医生需要手绘肋骨中心线的过程，并利用肋骨中心点集合对肋骨进行重建，得到重建结果图，从而实现了肋骨在图像上的完整呈现，大大提高了重建图像的质量，从而利于提高医生对肋骨骨折诊断的准确率和效率。
附图说明
图1A是本发明第一个实施例提供的一种肋骨图像重建方法流程图；
图1B是本发明第一个实施例提供的一种肋骨图像重建方法流程图中步骤S2的细化流程图；
图1C是本发明第一个实施例提供的一种肋骨图像重建方法流程图中步骤S3的细化流程图；
图2是本发明实施例提供的冠状面切片图像；
图3是本发明实施例提供的矢状面切片图像；
图4是本发明实施例提供的一维信号示意图；
图5是本发明实施例提供的中值滤波示意图；
图6是本发明实施例提供的一阶差分示意图；
图7是本发明实施例提供的一个病人冠状面切片CT图像旋转前后对照示意图；
图8是本发明实施例提供的xy平面示意图和xz平面示意图；
图9是本发明实施例提供的xz平面示意图；
图10是本发明实施例提供的二值化冠状面切片和种子点提取位置示意图；
图11是本发明实施例提供的肋骨连通区域示意图；
图12是本发明实施例提供的连通区域的矢状面切片及闭操作后的切片图像；
图13是本发明实施例提供的矢状面切片及肺部区域提取示意图；
图14是本发明实施例提供的中心点提取流程图；
图15是本发明实施例提供的肋骨截面区域示意图；
图16是本发明实施例提供的三维肋骨连通区域中得到对应的采样肋骨区域示意图；
图17是本发明实施例提供的从种子点开始，以灰度值255进行区域增长操作，找出当前肋骨连通区域示意图；
图18是本发明实施例提供的N个方向上的肋骨边缘点示意图；
图19是本发明实施例提供的x-z平面肋骨曲面重建示意图；
图20是本发明实施例提供的x-y平面肋骨曲面重建图示意图；
图21是本发明第二个实施例提供的一种肋骨图像重建***示意图。
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。
作为本发明的第一个实施例，如图1(A-C)所示，本发明提供的一种肋骨图像重建方法，该方法包括：
步骤S1：获取原始CT图像的脊柱位置(主要是利用CT灰度阈值检测出脊柱位置)，利用预设偏移判断方法判断所述脊柱位置是否需要纠正，若确定需要纠正，则对所述原始CT图像进行角度纠正，以得到所述标准的CT图像。若确定不需要纠正，则确定原始CT图像为所述标准的CT图像。所述步骤S1包括：
步骤S101：需知在CT图像采集中，由于人体的倾斜角度的不同，从冠状面视角来看，CT图像可能存在一定的偏转。为了提高后续肋骨分割的精度，就需要纠正偏转的角度。角度纠正的目标是使CT图像在冠状面视角中左右肋骨大致对称。因人体的12对肋骨相对于脊柱左右对称，所以计算出脊柱的偏转角度即可对原始的CT图像进行纠正。在本实施例中通过脊柱的x轴边界计算偏转角度，具体地，通过下述步骤S101完成对脊柱x轴边界标定。
由于病人CT扫描时姿势不同以及脊柱的粗细不均匀，脊柱不同位置对应的x轴的边界坐标不同，因此，本实施例的步骤S101将CT图像沿z轴的最大区域等分为8块Ri,i＝0,1,2,3,4,5,6,7(如图2所示为冠状面图像)；假设在每一块中，x轴的边界坐标恒定；
由脊柱的空间位置关系及人体骨组织高CT值的特点可知，如图3所示矢状面图像上，靠近脊柱边界处高CT值的骨组织增多，因此紧接着，对每块区域Ri,i＝0,1,2,3,4,5,6,7统计矢状面(即x恒值的yz平面，x＝i1k≤maxX,i1＝0,1,2...,k＝0.7mm，k表示相邻矢状面之间的距离，本发明中选取的是CT扫描图像相邻切片之间的距离)中CT值大于200(大于200的区域为骨组织)的区域面积A[i][x],i＝0,1,2,3,4,5,6,7；
如图4所示，将A[i][x]作为8个一维信号，以x为横坐标，A[i][x]为纵坐标；同时为了提高抗噪能力，本实施例对该一维信号进行了中值滤波处理，具体地：对所述一维信号进行宽度为18的一维中值滤波，得到8个中值滤波图(如图5所示)；
由脊柱的空间位置可知，图5中x轴中间的波峰为脊柱的位置，因此，比较8个中值滤波图，脊柱x轴的中心在x坐标105～245之间。在此x轴区间内中值滤波值最大的位置maxspineX即为脊柱x轴的中心。以所述8个中值滤波图中的波峰maxspineX为脊柱x轴的中心，计算8个所述脊柱x轴的中心的一阶差分ΔA＝Ax+1-Ax；具体计算方法如下：(如图6所示)从maxspineX向左右两边预设的范围内(比如左右分别70mm的距离)寻找差分值ΔA最大的位置，得到8个区域的脊柱边界spineXLi,spineXRi，通过比较得到脊柱x轴左边界的最大值MaxspineXL和最小值MinspineXL，以及右边界的最大值MaxspineXR和最小值MinspineXR；
步骤S102：通过以下公式计算x轴的脊柱偏移距离SpaceL及偏移角度radianL：
SpaceL＝MaxspineXL-MinspineXL；
其中，若spineXL0<spineXL7，则radianL＝-radianL；
若所述脊柱偏移距离SpaceL小于预设值(在本实施例中该预设值一般设置为一个很小的值，比如SpaceL<(spineXL0-spineXR0)/2)时，则确定所述脊柱位置不需要纠正，令radianL＝0，即所述原始CT图像不需要进行旋转操作，此时的原始CT图像为所述标准的CT图像。若所述脊柱偏移距离SpaceL大于等于预设值(在本实施例中该预设值一般设置为一个很小的值，比如SpaceL<(spineXL0-spineXR0)/2)时，则确定所述脊柱位置需要纠正，则在上述公式中计算得到的radianL即为需要偏移的角度，则将所述原始CT图像沿xz平面顺时针旋转radianL，旋转后得到所述标准的CT图像如图7所示，为一个病人冠状面切片CT图像旋转纠正前后对照，A图为纠正前，B图为纠正后。经过旋转后，需利用上述S101的方法重新计算得到所述标准的CT图像的脊柱左右边界。
步骤S2：利用脊柱和肋骨的位置关系，提取标准的CT图像脊柱上的种子点，通过区域增长获取脊柱及肋骨连通区域。所述步骤S2包括(如同1B所示)：
首先，设CT图像的三维坐标轴(此时的“CT图像”代指本发明中所有出现的CT图像，即所有CT图像都有该三维坐标轴标定设置为基准。)，面向人体正面，从左到右为x轴正方向，从前向后为y轴正方向，从下到上为z轴正方向；且所述CT图像x轴坐标值范围为0～maxX，y轴坐标值范围为0～maxY，z轴坐标值范围为0～maxZ；
本发明通过区域增长的方法获取肋骨连通区域。区域增长的第一步是寻找种子点。由人体解剖结构的先验知识可知，12对肋骨的后端全部与脊柱相连。因此本发明从脊柱获取种子点，将脊柱和肋骨作为一个整体提取出来。
获取脊柱肋骨连通区域的目的有两个：一是作为下一步提取肋骨初始中心点的输入数据；二是在后续肋骨中心点的追踪分割中用于定位肋骨区域。
为了准确的提取完整的肋骨初始中心点，首先考虑排除胸骨、肩胛骨、锁骨等的干扰。由于肩胛骨和锁骨均通过胸骨与肋骨连接，因此只需在区域增长前将胸骨数据去掉，便可断开肋骨与肩胛骨、锁骨的连接，使得区域增长获得的连通区域不包含胸骨、肩胛骨和锁骨。而对于肋骨中心点的追踪分割，为了保留肋骨前端的所有信息，不可做去胸骨处理。因此本发明中实现了两种肋骨连通区域的提取。首先是去胸骨操作S201去胸骨操作。本发明中通过矢状面获取肋骨初始中心点。由人体结构的基础知识可知，第9-12根肋骨比较短小，所以能够完全包含12根肋骨的矢状面靠近脊柱端。因此为了本发明考虑去除包含胸骨的部分空间区域，既不造成肋骨初始中心点的丢失又能排除锁骨及肩胛骨的干扰。
步骤S201：利用所述标准的CT图像的脊柱左右边界，得到待赋0处理的空间区域范围，并将所述待赋0处理的空间区域的CT值全部赋0，以实现去胸骨操作；具体通过如下方法实现：
设CT图像的xy平面及xz平面的空间区域范围(如图8中xy、xz平面示意图所示)为：x轴坐标取MinspineXR～MaxspineXL，y轴坐标取0～MaxY/2，z轴边界坐标取0～MaxZ；其中，MinspineXR<MaxsXL<MaxsXR<MaxspineXL，MaxsXR,MaxsXL分别为胸骨x轴的左边界和右边界(由胸骨和脊柱的大小及空间位置关系可以得出：MinspineXR<MaxsXL<MaxsXR<MaxspineXL，且该MaxsXR,MaxsXL是指脊柱的左右边界能够完全包含胸骨，一般由临床医生给出该值的大小)，MaxspineXL,MinspineXR分别为脊柱x轴的左边界的最大值和脊柱右边界的最大值；
将所述空间区域范围内(即MinspineXR～MaxspineXL、0～MaxY/2、0～MaxZ范围内)的CT值全部赋0，以完成去胸骨操作；
步骤S202：由于肋骨和脊柱连通区域CT值不同，骨组织具有高CT值的特点，而在肋骨与脊柱连接处的CT值相对偏低，为了保留完整的骨组织，对CT图像中脊柱区域和其他区域进行双阈值分割。对CT图像中脊柱区域和其他区域进行双阈值分割，以便得到具有完整骨组织的CT图像；具体通过如下方法实现：
确定脊柱区域的三维坐标为：x轴坐标取MinspineXR～MaxspineXL，z轴坐标取0～MaxZ，y轴坐标取spineY～MaxY；其中，如图9所示，spineY的计算方法为从y＝maxY/2开始，沿y轴正方向统计冠状面(即y恒值的xz平面，y＝i2k+maxY/2,i2＝0,1,2...,k＝0.7mm，在本发明中所有的k均表示实际CT扫描图像的间距，且本发明中所有的k均为0.7mm)中的预设统计区域内CT值大于200的区域面积A1，所述预设统计区域(如图9中矩形框中所示区域)为x坐标spineXL7～spineXR7、z坐标7/8MaxZ～MaxZ；
若所述区域面积A1大于预设值一(该预设值一为根据实际经验设定的一个特定值，在本实施例中该预设值一＝4.5mm2)，则冠状面的y轴坐标为脊柱的y轴边界坐标spineY；
对脊柱区域用130阈值分割，对其他区域用180阈值分割，前景赋值255，背景赋值0，得到具有完整骨组织的CT图像；
步骤S203：在脊柱上找到合适的区域增长的种子点，从种子点出发，利用区域增长方法获取脊柱及肋骨连通区域；具体通过如下方法实现：
将CT图像沿z轴的最大区域等分为8块Ri,i＝0,1,2,3,4,5,6,7，首先获取种子点，基于脊柱的结构特点及位置信息，本发明选择在CT图像沿z轴划分的第4和第5块(即R3和R4)区域内寻找种子点。在CT图像沿z轴划分的第4和5块区域内找到存在脊柱的冠状面(如图10所示)，在所述冠状面的脊柱上找到合适的种子点；
步骤S203-1：通过对脊柱的x轴边界求平均值得到种子点的x坐标，计算公式如下：
其中，spineXL5、spineXR5分别为第5区域左、右边界；
步骤S203-2：通过如下方法获取种子点的y坐标：
对三维CT图像进行阈值为200的二值化处理得到骨组织；
从y＝maxY/2开始，沿y轴正方向，统计冠状面(y恒值的xz平面,y＝i3k+maxY/2,i3＝0,1,2...,k＝0.7mm)中区域x坐标spineXR4-d～spineXL4+d、z坐标3×maxZ/8～5×maxZ/8内(如图10A中矩形框所示，其中，d表示从脊柱边界往外推一定距离，比如取7mm)灰度值为255的区域面积A2；
若面积A2大于预设值二，(该预设值二为根据实际经验设定的一个特定值，在本实施例中该预设值二＝4.5mm2)，此时可以认为该冠状面包含脊柱，则将该冠状面的y坐标作为种子点的y轴坐标；
步骤S203-3：通过如下方法获取种子点的z坐标：
在确定x、y轴坐标后，在冠状面中的脊柱中心线(该脊柱中心线的设定肯定包括脊柱区域的)(如图10B所示的实线上，10B为10A中所示的矩形区域)上，找到满足以下条件的点：以该点为中心的面积为A3的正方形邻域内所有灰度值均为255(比如A3取4mm2)；则将所述点定为种子点，同时得到种子点的z坐标；
步骤S203-4：对(双阈值分割处理后的)具有完整骨组织的三维CT图像，从种子点开始，以灰度值255作为阈值寻找脊柱及肋骨的连通区域。如图11分别是A去掉胸骨数据后得到的连通区域(用于获取初始中心点)和B未去除胸骨得到的连通区域(用于肋骨中心点的追踪分割)。显然未去除胸骨操作得到的连通区域包含了部分胸骨及锁骨。
步骤S3：在最优矢状面上提取肋骨初始中心点，并利用追踪分割算法提取所有肋骨中心点集合，以确定肋骨的位置及形状信息。所述步骤S3包括(如同1C所示)：
步骤S301：通过比较从不同的冠状面和矢状面获取肋骨初始中心点的方法可得出，矢状面是获取全部肋骨初始中心点的最佳截面。
基于人体肋骨结构特点和位置信息，为了让得到的矢状面包含单侧的12根肋骨，本发明以脊柱x轴左右边界作为参照，从离脊柱x轴左右边界一定距离(比如取值70mm)的矢状面分别往x轴正反方向寻找能够确定第一根肋骨区域的矢状面，即为最优矢状面。
从所述连通区域的三维CT图像中提取最优矢状面，以作为第一根肋骨区域的矢状面；具体方法如下：
左侧肋骨最优矢状面的确定：从获得的肋骨连通区域的三维CT图像中提取矢状面(图12显示为原始CT图像/标准的CT图像的矢状面与包含连通区域的矢状面的叠加图像。数字标号所示为连通区域，可以清晰地看出连通区域的提取较为准确。矩形框所示即为要确定的第一根肋骨区域)，对所述矢状面中的连通区域进行闭操作，并获取图像上各连通区域的区域属性，则确定满足以下条件1-4的连通区域为第一肋骨；
条件1：majorAxisLength>maxaxislength；其中，majorAxisLength为连通区域最大主轴的长度，maxaxislength为预设值三(本实施例中取maxaxislength为70mm)；
条件2：centroid[2]>centroidz；其中，centroid[2]为连通区域质心的z坐标，centroidz为预设值四(本实施例中取centroidz为2/3MaxZ)；
条件3：centroid[1]<centroidy；其中，centroid[1]为连通区域质心y坐标，centroidy为预设值五(本实施例中centroidy为2/3MaxY)；
条件4：centroid[1]<vertexY；其中，vertexY为切片中肺部顶点的y坐标。
肺部顶点vertexY的计算方法如下：对于原始CT图像的当前矢状面图像(图13(a))用阈值-300进行二值化处理后，用2×2圆形算子进行闭操作，用区域增长法获得肺部区域(图13(b))，求出肺部区域的顶点y坐标vertexY；
其中，将以y＝maxY/2，z＝2×maxZ/3为中心的49mm2的方形区域内找到灰度值为255的点作为肺部连通区域的种子点，从所述肺部连通区域的种子点开始，利用区域增长方法，以灰度值255区域增长得到肺部连通区域；
肺部顶点坐标：从y＝0,z＝maxZ开始，沿y轴正方向(即y＝i4k≤maxY,i4＝0,1,2...z＝maxZ-i5k,i5＝0,1,2...,k＝0.7mm)寻找第一个灰度值为255的点，将该点做为肺部顶点，得到肺部顶点的y坐标。
步骤S302：利用已确定的第一肋骨，按照肋骨的质心z坐标从大到小排序依次提取2-12肋骨区域，以完成对所有肋骨初始中心点的提取；其中，所述肋骨区域确定需满足以下条件：(需知在确定第一肋骨后，显然其他肋骨区域的质心y坐标大于centroid[1]，按照质心z坐标从大到小排序依次为2-12肋骨区域，为了排除噪声区域，因此设定肋骨区域必须满足以下条件)
条件5：sizeOfLable>sizenumbersmall；其中，sizeOfLable为连通区域面积，sizenumbersmall为预设值六(本实施例中sizenumbersmall为4.5mm2)；
条件6：sizeOfLable<sizenumbersbig；其中，sizeOfLable为连通区域的面积，sizenumbersbig为预设值七(本实施例中sizenumbersbig为135mm2)。
单根肋骨结构可以抽象成椭圆的空心管状结构且外表面处处光滑。对于管状结构的肋骨，可以认为小范围内肋骨中心线方向变化较小，并且假设中心线方向始终与肋骨外边缘的梯度方向垂直。
步骤S303：利用追踪分割算法(具体的追踪分割算法与下面步骤S303-5中算法原理相同，只不过此处计算时所用的跟踪步长等参数与步骤S303-5中的并不一定相同)，从肋骨初始中心点开始，逐步往肋骨前端和肋骨后端两个方向提取每个矢状面上的肋骨中心点，直到中心点的追踪到达肋骨前端和肋骨后端时停止跟踪，获取所有肋骨中心点集合，以完成分割(肋骨中心点的提取采用追踪分割算法，对肋骨中心点进行完整的分割，从而为下一步的肋骨曲面重建提供肋骨轮廓信息)；所述步骤S303包括如下步骤(如图14所示为步骤S303的工作原理)：
步骤S303-1：(1)12对肋骨的初始中心点已由步骤S302获取。
(2)分别从每条肋骨的初始中心点所在冠状面上获取肋骨的截面区域，并找到肋骨的边缘点，根据边缘点的梯度算子计算得出每条肋骨的中心点法向方向，以完成对第1-12肋骨中心点法向方向的确定；具体地，由肋骨的空间结构特点，对第一肋骨，在初始中心点所在冠状面上获取肋骨的截面区域(截面基向量v1＝(1,0,0),v2＝(0,0,1))；对于2-12肋骨，在初始中心点所在矢状面上获取肋骨的截面区域(截面基向量v1＝(0,1,0),v2＝(0,0,1))，通过在截面区域中找到肋骨的边缘点，由边缘点的梯度算子计算出初始法向方向v3。
步骤S303-2：获取中心点所在肋骨截面区域：
首先是获取肋骨截面基向量v1和v2：设肋骨的截面中的基向量为v1和v2，肋骨中心点法向方向v3＝(a,b,c)，则(如图15所示为肋骨截面示意图，其中中心点法向v3垂直于截面平面，可由基向量v1和v2来表示)，通过如下获得基向量：
b＝0,c＝0 v1＝(0,1,0),v2＝(0,0,1)
其次是获取肋骨截面采样肋骨区域图像：以v1为横轴的基、v2为纵轴的基、肋骨中心点为中心，从三维肋骨连通区域(步骤S2所得)中提取采样大小为winSize的采样肋骨区域(如图16所示)；其中，winSize为以肋骨中心点为中心的正方形截面区域面积(在本实施例中，winSize取800mm2)；
步骤S303-3：利用区域生长方法找出肋骨截面上的肋骨边缘点；为了后续获取肋骨边缘点，需要得到当前肋骨区域，而将其他区域排除。进而采用区域生长方法来获取当前肋骨区域。具体如下：
首先是种子点选择：对采样肋骨区域进行形态学算子为2×2圆形算子的闭操作，在采样肋骨区域的肋骨中心点周围面积为A4的区域内(比如A4取11.25mm2)，找出满足预设条件的肋骨点(该预设条件根据实际情况进行设定，比如该肋骨点的灰度值为255，且以该肋骨点为中心的面积为1.8mm2的区域内的点的灰度值均为255)，从满足预设条件的肋骨点中选择离当前肋骨中心点最近的点作为区域增长的种子点；
种子点选取之后，在根据其进行区域增长。从种子点开始，以灰度值255进行区域增长操作，找出当前肋骨连通区域(如图17所示)，并在肋骨的截面区域(步骤S303-1中获取的)中，将肋骨中心点向外的方向等分为N份(如图18)，在每个方向从外往里搜索，将搜索到的第一个灰度值为255的点定为当前方向上的肋骨外边缘点，标定出N个肋骨外边缘点。例如：将当前中心点周围的区域等分为N份(比如N取值20，则相邻方向夹角3600/N＝180)，每个方向上在三维空间中采样M个点(比如M取20，采样点到当前中心点的距离为i6k,i6＝1,2,3...20,k＝0.7mm)，则生成400个点的候选外边缘点点集。
步骤S303-4：利用肋骨外边缘点重新计算肋骨中心点和法向方向；具体如下：
计算N个肋骨外边缘点坐标的均值，将均值坐标作为实际中心点坐标；设实际中心点坐标为pr，r＝1,2,3...；
利用三维空间梯度算子计算N个肋骨外边缘点的梯度，梯度算子计算公式如下：
Mx(x,y,z)＝(m+nx2-uy2-uz2)x
My(x,y,z)＝(m-ux2+ny2-uz2)y
Mz(x,y,z)＝(m-ux2-uy2+nz2)z
其中，m＝0.00214212，n＝0.001668，u＝0.000952378，x,y,z∈{-2,-1,0,1,2}；
依次计算所述N个肋骨外边缘点梯度向量梯度向量的协方差矩阵C、以及协方差矩阵的特征值和特征向量，经过排序后得到3个特征值为λ1≥λ2≥λ3，所述3个特征值对应的特征向量为V1,V2,V3，将V3重新定义为中心点法向向量v3；其中，
步骤S303-5：根据预设的跟踪步长以及重新定义的中心点法向向量，利用追踪分割算法计算下一个中心点直到满足预设终止条件时停止跟踪，得到新的所有肋骨中心点集合；其中，所述预设终止条件根据肋骨胸骨结构特征及与脊柱的位置关系进行定义。设定跟踪步长为α(比如取0.7mm)，所述追踪分割算法计算下一个中心点计算公式为pr+1＝pr+αv3；
预设终止条件可根据肋骨胸骨结构特征及与脊柱的位置关系，如肋骨长度限制、重新计算中心点的位置差异限制、相邻两个中心点距离限制、或肋骨连通区域大小限制等等，该预设终止条件根据实际需要进行设定即可。在本实施例中，该预设终止条件设置如下：
(1)肋骨长度限制：设置往后端迭代次数不超过60，往前端迭代次数不超过280；
(2)同一中心点偏差：由pr+1＝pr+αv3得到的初步中心点和后面实际从截面中根据肋骨外边缘点均值所生成的中心点距离不能太大，比如<3.5mm；
(3)相邻两个中心点的距离：相邻两个中心点的距离不能太大，比如|pr+1-pr|<14mm；
(4)肋骨连通区域面积：前端肋骨连通区域面积小于2/5×winSize,winSize为截面面积：后端肋骨连同区域的面积小于1/4×winSize。
采用均匀B样条对所述新的所有肋骨中心点集合进行拟合(以便使其更光滑)，得到已光滑处理的新的所有肋骨中心点集合。拟合公式为：pr＝p0*F0(r)+p1*F1(r)+p2*F2(r)+p3*F3(r)；其中，p0,p1,p2,p3为肋骨中心点，
步骤S4：利用预设图像重建方法、以及所述所有肋骨中心点集合对肋骨进行重建，得到重建结果图。本发明的预设图像重建方法为拉伸曲面重建方法。
临床医生在对肋骨骨折的诊断过程中，希望将三维CT图像投影到二维平面，并且保证肋骨信息的完整性，鉴于肋骨的结构特征，因此本采用拉伸曲面重建方法，对通过步骤S3已得到全部肋骨中心点的三维CT图像进行重建，以完成肋骨曲面重建，最终获取肋骨在不同平面的二维图像。具体的实现过程如下：
选取人体***坐标轴的x-z平面为曲面重建平面，并设定感兴趣线(Lines-of-Interest)平行于z轴，进行采样和曲面重建。以肋骨中心线上的点为中心，沿着z轴上下各采样30个点，构成一个61个点的采样线。
设肋骨中心线上的点pr＝(xr,yr,zr)，采样间距k＝0.7mm，则采样点ql的坐标(Xl,Yl,Zl)＝(xr,yr,zr+(l-30)k),l＝0,1,2,...60，利用高斯插值计算得采样点ql的CT值Bl，Qh,h＝0,1,2...7为采样点的8个插值点，vh为Qh对应的CT值，
对于同一根肋骨中心线上点的z轴采样线按照肋骨走向在x轴依次展开，按照原始CT数据z坐标相对位置不变，相邻两个采样线x坐标距离为k(比如k取0.7mm)。因为要将12对肋骨全部显示在一个二维图像上，所以1-12对肋骨要在二维图像上需要一个固定的偏移R(比如偏移70mm)，从而防止肋骨重叠。x-z平面肋骨曲面重建图如下：
采样点(X,Y,Z)对应重建后的二维图像点的坐标(X*,Y*)
左肋骨：
右肋骨：
其中：ribX为曲面重建后二维图像的宽度比如取360mm，ribIndex代表第几肋骨。
经过上述曲面重建，最终得到的重建结果图能清晰地显示肋骨骨折情况包括正常肋骨、显性骨折肋骨和隐性骨折肋骨，如图19所示。
为了防止漏掉可疑的骨折，改变Lines-of-Interest(感兴趣线)的方法。选取x-y平面为曲面重建平面，并设定Lines-of-Interest平行于x轴。对于每一根肋骨，首先由第一个中心点(x0,y0,z0)(靠近脊柱端)确定x轴采样的起点坐标为firstXX＝x0-d(比如d取35mm)，从起点开始沿着x轴采样maxX/2距离(采样间距k＝0.7mm)，如果采样点超出实际CT数据x轴，则不再采样。对于随后该肋骨的中心点都从x坐标firstXX开始采样，则采样线会在X轴自动对齐，然后按照中心点顺序在y轴依次展开成为2维采样图像(y坐标保持不变)；对于右边肋骨，从firstXX＝0对每个中心点沿着x轴采样，其余步骤跟左边肋骨一样，采样后得到单根肋骨的曲面重建结果。
设每根肋骨中心线上的点pr＝(xr,yr,zr)，采样间距k＝0.7mm，则采样点ql的坐标(Xl,Yl,Zl)，
左侧肋骨：(Xl,Yl,Zl)＝(xo-d+lk,yr,zr),l＝0,1,2,...
右侧肋骨：(Xl,Yl,Zl)＝(lk,yr,zr),l＝0,1,2,...
利用高斯插值计算得采样点ql的CT值Bl
Qh,h＝0,1,2...7为采样点ql的8个插值点，vh为Qh对应的CT值
Qo＝(Xl,Yl,Zl+(l-30)k)
Q1＝(Xl,Yl,Zl+(l-30)k+k)
Q2＝(Xl,Yl+k,Zl+(l-30)k)
Q3＝(Xl,Yl+k,Zl+(l-30)k+k)
Q4＝(Xl+k,Yl,Zl+(l-30)k)
Q5＝(Xl+k,Yl,Zl+(l-30)k+k)
Q6＝(Xl+k,Yl+k,Zl+(l-30)k)
Q7＝(Xl+k,Yl+k,Zl+(l-30)k+k)
采样点(Xl,Yl,Zl)对应重建后的二维图像点的坐标(Xl *,Yl *)
左侧肋骨：
右肋骨：
通过上述过程，即可通过计算机辅助的方法自动实现肋骨在图像上的完整呈现，从而能够根据最终呈现的结果图像进行更精确、高效率的诊断，本发明已基于40套数据进行了实验，肋骨分割结果准确率达94.5％。通过临床医生的试用，此***的肋骨分割精度及曲面重建清晰度有较高的准确性和高效性，因此更加适用于医生的临床诊断，对于减少医生的漏诊、误诊能够起到很好的辅助作用。
综上所述，本发明第一个实施例所提供的方法基于CT图像的肋骨的自动分割与曲面重建，能够快速自动的提取肋骨三维结构并以便于医生阅读的方式将三维肋骨以二维的形式展开，取代了现有技术中医生手动绘制中心线的过程，提高了肋骨骨折诊断的效率，有效的减少了漏诊，且本发明提出了基于区域增长的方法进行肋骨跟踪分割，相较于现有的肋骨分割方法，有效的减少了肋骨的丢失，大大提高了重建图像的质量，从而利于提高医生对肋骨骨折诊断的准确率和效率。
作为本发明的第二个实施例，如图21所示，本发明一种肋骨骨折诊断***，该***包括：
图像预处理模块10：用于获取原始CT图像的脊柱位置，利用预设偏移判断方法判断所述脊柱位置是否需要纠正，若确定需要纠正，则对所述原始CT图像进行角度纠正，以得到所述标准的CT图像。
连通区域获取模块20：用于利用脊柱和肋骨的位置关系，提取标准的CT图像脊柱上的种子点，通过区域增长获取脊柱及肋骨连通区域；
肋骨中心点获取模块30：用于在最优矢状面上提取肋骨初始中心点，并利用追踪分割算法提取所有肋骨中心点集合，以确定肋骨的位置及形状信息；
图像重建模块40：用于利用预设图像重建方法、以及所述所有肋骨中心点集合对肋骨进行重建，得到重建结果图。
所述连通区域获取模块20包括：
去胸骨模块201：用于利用所述标准的CT图像的脊柱左右边界，得到待赋0处理的空间区域范围，并将所述待赋0处理的空间区域的CT值全部赋0，以实现去胸骨操作。去胸骨模块201具体用于：
设CT图像的xy平面及xz平面的空间区域范围为：x轴坐标取MinspineXR～MaxspineXL，y轴坐标取0～MaxY/2，z轴边界坐标取0～MaxZ；其中，MinspineXR<MaxsXL<MaxsXR<MaxspineXL，MaxsXR,MaxsXL分别为胸骨x轴的左边界和右边界，MaxspineXL,MinspineXR分别为脊柱x轴的左边界的最大值和脊柱右边界的最大值；
将所述空间区域范围内的CT值全部赋0，以完成去胸骨操作；
所述骨组织获取模块具体用于：
确定脊柱区域的三维坐标为：x轴坐标取MinspineXR～MaxspineXL，z轴坐标取0～MaxZ，y轴坐标取spineY～MaxY；其中，spineY的计算方法为从y＝maxY/2开始，沿y轴正方向统计冠状面中的预设统计区域内CT值大于200的区域面积A1，所述预设统计区域为x坐标spineXL7～spineXR7、z坐标7/8MaxZ～MaxZ；
若所述区域面积A1大于预设值一，则冠状面的y轴坐标为脊柱的y轴边界坐标spineY；
对脊柱区域用130阈值分割，对其他区域用180阈值分割，前景赋值255，背景赋值0，得到具有完整骨组织的CT图像。
骨组织获取模块202：用于对CT图像中脊柱区域和其他区域进行双阈值分割，以便得到具有完整骨组织的CT图像。骨组织获取模块202具体用于：
确定脊柱区域的三维坐标为：x轴坐标取MinspineXR～MaxspineXL，z轴坐标取0～MaxZ，y轴坐标取spineY～MaxY；其中，spineY的计算方法为从y＝maxY/2开始，沿y轴正方向统计冠状面中的预设统计区域内CT值大于200的区域面积A1，所述预设统计区域为x坐标spineXL7～spineXR7、z坐标7/8MaxZ～MaxZ；
若所述区域面积A1大于预设值一，则冠状面的y轴坐标为脊柱的y轴边界坐标spineY；
对脊柱区域用130阈值分割，对其他区域用180阈值分割，前景赋值255，背景赋值0，得到具有完整骨组织的CT图像。
种子点获取模块203：用于在脊柱上找到合适的区域增长的种子点，从种子点出发，利用区域增长方法获取脊柱及肋骨连通区域。种子点获取模块203具体用于：
将CT图像沿z轴的最大区域等分为8块，在CT图像沿z轴划分的第4和5块区域内找到存在脊柱的冠状面，在所述冠状面的脊柱上找到合适的种子点；
通过对脊柱的x轴边界求平均值得到种子点的x坐标，计算公式如下：
其中，spineXL5、spineXR5分别为第5区域左、右边界；
通过如下方法获取种子点的y坐标：
对三维CT图像进行阈值为200的二值化处理得到骨组织；
从y＝maxY/2开始，沿y轴正方向，统计冠状面中区域x坐标spineXR4-d～spineXL4+d、z坐标3×maxZ/8～5×maxZ/8内灰度值为255的区域面积A2；其中，d表示从脊柱边界往外推一定距离；
若面积A2大于预设值二，则将该冠状面的y坐标作为种子点的y轴坐标；
通过如下方法获取种子点的z坐标：
在冠状面中的脊柱中心线上，找到满足以下条件的点：以该点为中心的面积为A3的正方形邻域内所有灰度值均为255；则将所述点定为种子点，同时得到种子点的z坐标；
对具有完整骨组织的三维CT图像，从种子点开始，以灰度值255作为阈值寻找脊柱及肋骨的连通区域。所述肋骨中心点获取模块30包括：
最优矢状面提取模块301：用于从所述脊柱及肋骨连通区域的三维CT图像中提取最优矢状面，以作为第一根肋骨区域的矢状面，以完成第一肋骨的确定。最优矢状面提取模块301具体用于：
从获得的肋骨连通区域的三维CT图像中提取矢状面，对所述矢状面中的连通区域进行闭操作，并获取图像上各连通区域的区域属性，则确定满足以下条件1-4的连通区域为第一肋骨；
条件1：majorAxisLength>maxaxislength；其中，majorAxisLength为连通区域最大主轴的长度，maxaxislength为预设值三；
条件2：centroid[2]>centroidz；其中，centroid[2]为连通区域质心的z坐标，centroidz为预设值四；
条件3：centroid[1]<centroidy；其中，centroid[1]为连通区域质心y坐标，centroidy为预设值五；
条件4：centroid[1]<vertexY；其中，vertexY为切片中肺部顶点的y坐标。
肋骨初始中心点提取模块302：用于利用已确定的第一肋骨，按照肋骨的质心z坐标从大到小排序依次提取2-12肋骨区域，以完成对所有肋骨初始中心点的提取。肋骨初始中心点提取模块302具体用于：
提取的所述2-12肋骨区域需满足以下条件5-6：
条件5：sizeOfLable>sizenumbersmall；其中，sizeOfLable为连通区域面积，sizenumbersmall为预设值六；
条件6：sizeOfLable<sizenumbersbig；其中，sizeOfLable为连通区域的面积，sizenumbersbig为预设值七。
完整肋骨中心点分割模块303：用于利用追踪分割算法，从肋骨初始中心点开始，逐步往肋骨前端和肋骨后端两个方向提取每个矢状面上的肋骨中心点，直到中心点的追踪到达肋骨前端和肋骨后端时停止跟踪，获取所有肋骨中心点集合，以完成分割。完整肋骨中心点分割模块303具体用于：
分别从每条肋骨的初始中心点所在冠状面上获取肋骨的截面区域，并找到肋骨的边缘点，根据边缘点的梯度算子计算得出每条肋骨的中心点法向方向，以完成对第1-12肋骨中心点法向方向的确定；
获取中心点所在肋骨截面区域；
设肋骨的截面中的基向量为v1和v2，肋骨中心点法向方向v3＝(a,b,c)，则通过如下获得基向量：
b＝0,c＝0 v1＝(0,1,0),v2＝(0,0,1)
以v1为横轴的基、v2为纵轴的基、肋骨中心点为中心，从三维肋骨连通区域中提取采样大小为winSize的采样肋骨区域；其中，winSize为以肋骨中心点为中心的正方形截面区域面积；
利用区域生长方法找出肋骨截面上的肋骨边缘点；具体如下：
对采样肋骨区域进行形态学算子为2×2圆形算子的闭操作，在采样肋骨区域的肋骨中心点周围面积为A4的区域内，找出满足预设条件的肋骨点，从满足预设条件的肋骨点中选择离当前肋骨中心点最近的点作为区域增长的种子点；
从种子点开始，以灰度值255进行区域增长操作，找出当前肋骨连通区域，并在肋骨的截面区域中，将肋骨中心点向外的方向等分为N份，在每个方向从外往里搜索，将搜索到的第一个灰度值为255的点定为当前方向上的肋骨外边缘点，标定出N个肋骨外边缘点；
利用肋骨外边缘点重新计算肋骨中心点和法向方向；具体如下：
计算N个肋骨外边缘点坐标的均值，将均值坐标作为实际中心点坐标；设实际中心点坐标为pr，r＝1,2,3...；
利用三维空间梯度算子计算N个肋骨外边缘点的梯度，梯度算子计算公式如下：
Mx(x,y,z)＝(m+nx2-uy2-uz2)x
My(x,y,z)＝(m-ux2+ny2-uz2)y
Mz(x,y,z)＝(m-ux2-uy2+nz2)z
其中，m＝0.00214212，n＝0.001668，u＝0.000952378，x,y,z∈{-2,-1,0,1,2}；
依次计算所述N个肋骨外边缘点梯度向量梯度向量的协方差矩阵C、以及协方差矩阵的特征值和特征向量，经过排序后得到3个特征值为λ1≥λ2≥λ3，所述3个特征值对应的特征向量为V1,V2,V3，将V3重新定义为中心点法向向量v3；其中，
根据预设的跟踪步长以及重新定义的中心点法向向量，利用追踪分割算法计算下一个中心点直到满足预设终止条件时停止跟踪，得到新的所有肋骨中心点集合；其中，所述预设终止条件根据肋骨胸骨结构特征及与脊柱的位置关系进行定义；
采用均匀B样条对所述新的所有肋骨中心点集合进行拟合，得到已光滑处理的新的所有肋骨中心点集合。
综上所述，本发明第二个实施例所提供的肋骨图像重建***，基于CT图像的肋骨的自动分割与曲面重建，能够快速自动的提取肋骨三维结构并以便于医生阅读的方式将三维肋骨以二维的形式展开，取代了现有技术中医生手动绘制中心线的过程，并利用肋骨中心点集合对肋骨进行重建，得到重建结果图，从而实现了肋骨在图像上的完整呈现，大大提高了重建图像的质量，从而利于提高医生对肋骨骨折诊断的准确率和效率。
本发明第三实施例还提供了一种终端，包括存储器、处理器及存储在存储器上且在处理器上运行的计算机程序，处理器执行计算机程序时，应用了本发明第二实施利肋骨图像重建***中的各个功能模块，实现本发明第一实施例肋骨图像重建方法中的各个步骤。
本发明第四实施例中还提供一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，应用了本发明第二实施利肋骨图像重建***中的各个功能模块，实现本发明第一实施例肋骨图像重建方法中的各个步骤。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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，本发明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全部或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-OnlyMemory)、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。
以上所述仅为本发明的较佳实施例而已，并不用以限制发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种肋骨图像重建***，其特征在于，所述***包括：
连通区域获取模块：用于利用脊柱和肋骨的位置关系，提取标准的CT图像脊柱上的种子点，通过区域增长获取脊柱及肋骨连通区域；
肋骨中心点获取模块：用于在最优矢状面上提取肋骨初始中心点，并利用追踪分割算法提取所有肋骨中心点集合，以确定肋骨的位置及形状信息；
图像重建模块：用于利用预设图像重建方法、以及所述所有肋骨中心点集合对肋骨进行重建，得到重建结果图。
2.如权利要求1所述的***，其特征在于，所述***还包括图像预处理模块：用于获取原始CT图像的脊柱位置，利用预设偏移判断方法判断所述脊柱位置是否需要纠正，若确定需要纠正，则对所述原始CT图像进行角度纠正，以得到所述标准的CT图像。
3.如权利要求1所述的***，其特征在于，所述连通区域获取模块包括：
去胸骨模块：用于利用所述标准的CT图像的脊柱左右边界，得到待赋0处理的空间区域范围，并将所述待赋0处理的空间区域的CT值全部赋0，以实现去胸骨操作；
骨组织获取模块：用于对CT图像中脊柱区域和其他区域进行双阈值分割，以便得到具有完整骨组织的CT图像；
种子点获取模块：用于在脊柱上找到合适的区域增长的种子点，从种子点出发，利用区域增长方法获取脊柱及肋骨连通区域。
所述肋骨中心点获取模块包括：
最优矢状面提取模块：用于从所述脊柱及肋骨连通区域的三维CT图像中提取最优矢状面，以作为第一根肋骨区域的矢状面，以完成第一肋骨的确定；
肋骨初始中心点提取模块：用于利用已确定的第一肋骨，按照肋骨的质心z坐标从大到小排序依次提取2-12肋骨区域，以完成对所有肋骨初始中心点的提取；
完整肋骨中心点分割模块：用于利用追踪分割算法，从肋骨初始中心点开始，逐步往肋骨前端和肋骨后端两个方向提取每个矢状面上的肋骨中心点，直到中心点的追踪到达肋骨前端和肋骨后端时停止跟踪，获取所有肋骨中心点集合，以完成分割。
4.如权利要求3所述的***，其特征在于：
设CT图像的三维坐标轴，面向人体正面，从左到右为x轴正方向，从前向后为y轴正方向，从下到上为z轴正方向；且所述CT图像x轴坐标值范围为0～maxX，y轴坐标值范围为0～maxY，z轴坐标值范围为0～maxZ；
所述去胸骨模块具体用于：
设CT图像的xy平面及xz平面的空间区域范围为：x轴坐标取MinspineXR～MaxspineXL，y轴坐标取0～MaxY/2，z轴边界坐标取0～MaxZ；其中，MinspineXR<MaxsXL<MaxsXR<MaxspineXL，MaxsXR,MaxsXL分别为胸骨x轴的左边界和右边界，MaxspineXL,MinspineXR分别为脊柱x轴的左边界的最大值和脊柱右边界的最大值；
将所述空间区域范围内的CT值全部赋0，以完成去胸骨操作；
所述骨组织获取模块具体用于：
确定脊柱区域的三维坐标为：x轴坐标取MinspineXR～MaxspineXL，z轴坐标取0～MaxZ，y轴坐标取spineY～MaxY；其中，spineY的计算方法为从y＝maxY/2开始，沿y轴正方向统计冠状面中的预设统计区域内CT值大于200的区域面积A1，所述预设统计区域为x坐标spineXL7～spineXR7、z坐标7/8MaxZ～MaxZ；
若所述区域面积A1大于预设值一，则冠状面的y轴坐标为脊柱的y轴边界坐标spineY；
对脊柱区域用130阈值分割，对其他区域用180阈值分割，前景赋值255，背景赋值0，得到具有完整骨组织的CT图像；
所述种子点获取模块具体用于：
将CT图像沿z轴的最大区域等分为8块，在CT图像沿z轴划分的第4和5块区域内找到存在脊柱的冠状面，在所述冠状面的脊柱上找到合适的种子点；
通过对脊柱的x轴边界求平均值得到种子点的x坐标，计算公式如下：
其中，spineXL5、spineXR5分别为第5区域左、右边界；
通过如下方法获取种子点的y坐标：
对三维CT图像进行阈值为200的二值化处理得到骨组织；
从y＝maxY/2开始，沿y轴正方向，统计冠状面中区域x坐标spineXR4-d～spineXL4+d、z坐标3×maxZ/8～5×maxZ/8内灰度值为255的区域面积A2；其中，d表示从脊柱边界往外推一定距离；
若面积A2大于预设值二，则将该冠状面的y坐标作为种子点的y轴坐标；
通过如下方法获取种子点的z坐标：
在冠状面中的脊柱中心线上，找到满足以下条件的点：以该点为中心的面积为A3的正方形邻域内所有灰度值均为255；则将所述点定为种子点，同时得到种子点的z坐标；
对具有完整骨组织的三维CT图像，从种子点开始，以灰度值255作为阈值寻找脊柱及肋骨的连通区域。
5.如权利要求4所述的***，其特征在于：
所述最优矢状面提取模块具体用于：
从获得的肋骨连通区域的三维CT图像中提取矢状面，对所述矢状面中的连通区域进行闭操作，并获取图像上各连通区域的区域属性，则确定满足以下条件1-4的连通区域为第一肋骨；
条件1：majorAxisLength>maxaxislength；其中，majorAxisLength为连通区域最大主轴的长度，maxaxislength为预设值三；
条件2：centroid[2]>centroidz；其中，centroid[2]为连通区域质心的z坐标，centroidz为预设值四；
条件3：centroid[1]<centroidy；其中，centroid[1]为连通区域质心y坐标，centroidy为预设值五；
条件4：centroid[1]<vertexY；其中，vertexY为切片中肺部顶点的y坐标；
所述肋骨初始中心点提取模块具体用于：
提取的所述2-12肋骨区域需满足以下条件5-6：
条件5：sizeOfLable>sizenumbersmall；其中，sizeOfLable为连通区域面积，sizenumbersmall为预设值六；
条件6：sizeOfLable<sizenumbersbig；其中，sizeOfLable为连通区域的面积，sizenumbersbig为预设值七；
所述完整肋骨中心点分割模块具体用于：
分别从每条肋骨的初始中心点所在冠状面上获取肋骨的截面区域，并找到肋骨的边缘点，根据边缘点的梯度算子计算得出每条肋骨的中心点法向方向，以完成对第1-12肋骨中心点法向方向的确定；
获取中心点所在肋骨截面区域；
设肋骨的截面中的基向量为v1和v2，肋骨中心点法向方向v3＝(a,b,c)，则通过如下获得基向量：
b＝0,c＝0 v1＝(0,1,0),v2＝(0,0,1)
以v1为横轴的基、v2为纵轴的基、肋骨中心点为中心，从三维肋骨连通区域中提取采样大小为winSize的采样肋骨区域；其中，winSize为以肋骨中心点为中心的正方形截面区域面积；
利用区域生长方法找出肋骨截面上的肋骨边缘点；具体如下：
对采样肋骨区域进行形态学算子为2×2圆形算子的闭操作，在采样肋骨区域的肋骨中心点周围面积为A4的区域内，找出满足预设条件的肋骨点，从满足预设条件的肋骨点中选择离当前肋骨中心点最近的点作为区域增长的种子点；
从种子点开始，以灰度值255进行区域增长操作，找出当前肋骨连通区域，并在肋骨的截面区域中，将肋骨中心点向外的方向等分为N份，在每个方向从外往里搜索，将搜索到的第一个灰度值为255的点定为当前方向上的肋骨外边缘点，标定出N个肋骨外边缘点；
利用肋骨外边缘点重新计算肋骨中心点和法向方向；具体如下：
计算N个肋骨外边缘点坐标的均值，将均值坐标作为实际中心点坐标；设实际中心点坐标为pr，r＝1,2,3...；
利用三维空间梯度算子计算N个肋骨外边缘点的梯度，梯度算子计算公式如下：
Mx(x,y,z)＝(m+nx2-uy2-uz2)x
My(x,y,z)＝(m-ux2+ny2-uz2)y
Mz(x,y,z)＝(m-ux2-uy2+nz2)z
其中，m＝0.00214212，n＝0.001668，u＝0.000952378，x,y,z∈{-2,-1,0,1,2}；
依次计算所述N个肋骨外边缘点梯度向量梯度向量的协方差矩阵C、以及协方差矩阵的特征值和特征向量，经过排序后得到3个特征值为λ1≥λ2≥λ3，所述3个特征值对应的特征向量为V1,V2,V3，将V3重新定义为中心点法向向量v3；其中，
根据预设的跟踪步长以及重新定义的中心点法向向量，利用追踪分割算法计算下一个中心点直到满足预设终止条件时停止跟踪，得到新的所有肋骨中心点集合；其中，所述预设终止条件根据肋骨胸骨结构特征及与脊柱的位置关系进行定义；
采用均匀B样条对所述新的所有肋骨中心点集合进行拟合，得到已光滑处理的新的所有肋骨中心点集合。
6.如权利要求1所述的***，其特征在于，所述预设图像重建方法采用拉伸曲面重建方法。
7.一种肋骨图像重建方法，其特征在于，所述方法包括：
步骤S2：利用脊柱和肋骨的位置关系，提取标准的CT图像脊柱上的种子点，通过区域增长获取脊柱及肋骨连通区域；
步骤S3：在最优矢状面上提取肋骨初始中心点，并利用追踪分割算法提取所有肋骨中心点集合，以确定肋骨的位置及形状信息；
步骤S4：利用预设图像重建方法、以及所述所有肋骨中心点集合对肋骨进行重建，得到重建结果图。
8.如权利要求7所述的方法，其特征在于，在所述步骤S2之前，所述方法还包括步骤S1：
获取原始CT图像的脊柱位置，利用预设偏移判断方法判断所述脊柱位置是否需要纠正，若确定需要纠正，则对所述原始CT图像进行角度纠正，以得到所述标准的CT图像。
9.如权利要求7所述的方法，其特征在于，所述步骤S2包括：
步骤S201：利用所述标准的CT图像的脊柱左右边界，得到待赋0处理的空间区域范围，并将所述待赋0处理的空间区域的CT值全部赋0，以实现去胸骨操作；
步骤S202：对CT图像中脊柱区域和其他区域进行双阈值分割，以便得到具有完整骨组织的CT图像；
步骤S203：在脊柱上找到合适的区域增长的种子点，从种子点出发，利用区域增长方法获取脊柱及肋骨连通区域；
所述步骤S3包括：
步骤S301：从所述脊柱及肋骨连通区域的三维CT图像中提取最优矢状面，以作为第一根肋骨区域的矢状面，以完成第一肋骨的确定；
步骤S302：利用已确定的第一肋骨，按照肋骨的质心z坐标从大到小排序依次提取2-12肋骨区域，以完成对所有肋骨初始中心点的提取；
步骤S303：利用追踪分割算法，从肋骨初始中心点开始，逐步往肋骨前端和肋骨后端两个方向提取每个矢状面上的肋骨中心点，直到中心点的追踪到达肋骨前端和肋骨后端时停止跟踪，获取所有肋骨中心点集合，以完成分割。
10.如权利要求9所述的方法，其特征在于：
设CT图像的三维坐标轴，面向人体正面，从左到右为x轴正方向，从前向后为y轴正方向，从下到上为z轴正方向；且所述CT图像x轴坐标值范围为0～maxX，y轴坐标值范围为0～maxY，z轴坐标值范围为0～maxZ；
步骤S201具体通过如下方法实现：
设CT图像的xy平面及xz平面的空间区域范围为：x轴坐标取MinspineXR～MaxspineXL，y轴坐标取0～MaxY/2，z轴边界坐标取0～MaxZ；其中，MinspineXR<MaxsXL<MaxsXR<MaxspineXL，MaxsXR,MaxsXL分别为胸骨x轴的左边界和右边界，MaxspineXL,MinspineXR分别为脊柱x轴的左边界的最大值和脊柱右边界的最大值；
将所述空间区域范围内的CT值全部赋0，以完成去胸骨操作；
步骤S202具体通过如下方法实现：
确定脊柱区域的三维坐标为：x轴坐标取MinspineXR～MaxspineXL，z轴坐标取0～MaxZ，y轴坐标取spineY～MaxY；其中，spineY的计算方法为从y＝maxY/2开始，沿y轴正方向统计冠状面中的预设统计区域内CT值大于200的区域面积A1，所述预设统计区域为x坐标spineXL7～spineXR7、z坐标7/8MaxZ～MaxZ；
若所述区域面积A1大于预设值一，则冠状面的y轴坐标为脊柱的y轴边界坐标spineY；
对脊柱区域用130阈值分割，对其他区域用180阈值分割，前景赋值255，背景赋值0，得到具有完整骨组织的CT图像；
步骤S203具体通过如下方法实现：
将CT图像沿z轴的最大区域等分为8块，在CT图像沿z轴划分的第4和5块区域内找到存在脊柱的冠状面，在所述冠状面的脊柱上找到合适的种子点；
步骤S203-1：通过对脊柱的x轴边界求平均值得到种子点的x坐标，计算公式如下：
其中，spineXL5、spineXR5分别为第5区域左、右边界；
步骤S203-2：通过如下方法获取种子点的y坐标：
对三维CT图像进行阈值为200的二值化处理得到骨组织；
从y＝maxY/2开始，沿y轴正方向，统计冠状面中区域x坐标spineXR4-d～spineXL4+d、z坐标3×maxZ/8～5×maxZ/8内灰度值为255的区域面积A2；其中，d表示从脊柱边界往外推一定距离；
若面积A2大于预设值二，则将该冠状面的y坐标作为种子点的y轴坐标；
步骤S203-3：通过如下方法获取种子点的z坐标：
在冠状面中的脊柱中心线上，找到满足以下条件的点：以该点为中心的面积为A3的正方形邻域内所有灰度值均为255；则将所述点定为种子点，同时得到种子点的z坐标；
步骤S203-4：对具有完整骨组织的三维CT图像，从种子点开始，以灰度值255作为阈值寻找脊柱及肋骨的连通区域。
11.如权利要求10所述的方法，其特征在于：
步骤S301具体通过如下方法实现：
从获得的肋骨连通区域的三维CT图像中提取矢状面，对所述矢状面中的连通区域进行闭操作，并获取图像上各连通区域的区域属性，则确定满足以下条件1-4的连通区域为第一肋骨；
条件1：majorAxisLength>maxaxislength；其中，majorAxisLength为连通区域最大主轴的长度，maxaxislength为预设值三；
条件2：centroid[2]>centroidz；其中，centroid[2]为连通区域质心的z坐标，centroidz为预设值四；
条件3：centroid[1]<centroidy；其中，centroid[1]为连通区域质心y坐标，centroidy为预设值五；
条件4：centroid[1]<vertexY；其中，vertexY为切片中肺部顶点的y坐标；
步骤S302具体通过如下方法实现：提取的所述2-12肋骨区域需满足以下条件5-6：
条件5：sizeOfLable>sizenumbersmall；其中，sizeOfLable为连通区域面积，sizenumbersmall为预设值六；
条件6：sizeOfLable<sizenumbersbig；其中，sizeOfLable为连通区域的面积，sizenumbersbig为预设值七；
步骤S303具体通过如下方法实现：
步骤S303-1：分别从每条肋骨的初始中心点所在冠状面上获取肋骨的截面区域，并找到肋骨的边缘点，根据边缘点的梯度算子计算得出每条肋骨的中心点法向方向，以完成对第1-12肋骨中心点法向方向的确定；
步骤S303-2：获取中心点所在肋骨截面区域；
设肋骨的截面中的基向量为v1和v2，肋骨中心点法向方向v3＝(a,b,c)，则通过如下获得基向量：
b＝0,c＝0 v1＝(0,1,0),v2＝(0,0,1)
以v1为横轴的基、v2为纵轴的基、肋骨中心点为中心，从三维肋骨连通区域中提取采样大小为winSize的采样肋骨区域；其中，winSize为以肋骨中心点为中心的正方形截面区域面积；
步骤S303-3：利用区域生长方法找出肋骨截面上的肋骨边缘点；具体如下：
对采样肋骨区域进行形态学算子为2×2圆形算子的闭操作，在采样肋骨区域的肋骨中心点周围面积为A4的区域内，找出满足预设条件的肋骨点，从满足预设条件的肋骨点中选择离当前肋骨中心点最近的点作为区域增长的种子点；
从种子点开始，以灰度值255进行区域增长操作，找出当前肋骨连通区域，并在肋骨的截面区域中，将肋骨中心点向外的方向等分为N份，在每个方向从外往里搜索，将搜索到的第一个灰度值为255的点定为当前方向上的肋骨外边缘点，标定出N个肋骨外边缘点；
步骤S303-4：利用肋骨外边缘点重新计算肋骨中心点和法向方向；具体如下：
计算N个肋骨外边缘点坐标的均值，将均值坐标作为实际中心点坐标；设实际中心点坐标为pr，r＝1,2,3...；
利用三维空间梯度算子计算N个肋骨外边缘点的梯度，梯度算子计算公式如下：
Mx(x,y,z)＝(m+nx2-uy2-uz2)x
My(x,y,z)＝(m-ux2+ny2-uz2)y
Mz(x,y,z)＝(m-ux2-uy2+nz2)z
其中，m＝0.00214212，n＝0.001668，u＝0.000952378，x,y,z∈{-2,-1,0,1,2}；
依次计算所述N个肋骨外边缘点梯度向量梯度向量的协方差矩阵C、以及协方差矩阵的特征值和特征向量，经过排序后得到3个特征值为λ1≥λ2≥λ3，所述3个特征值对应的特征向量为V1,V2,V3，将V3重新定义为中心点法向向量v3；其中，
步骤S303-5：根据预设的跟踪步长以及重新定义的中心点法向向量，利用追踪分割算法计算下一个中心点直到满足预设终止条件时停止跟踪，得到新的所有肋骨中心点集合；其中，所述预设终止条件根据肋骨胸骨结构特征及与脊柱的位置关系进行定义；
采用均匀B样条对所述新的所有肋骨中心点集合进行拟合，得到已光滑处理的新的所有肋骨中心点集合。
12.如权利要求7所述的方法，其特征在于，所述预设图像重建方法采用拉伸曲面重建方法。
13.一种终端，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求7至12任意一项所述的肋骨图像重建方法中的各个步骤。
14.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求7至12任意一项所述的肋骨图像重建方法中的各个步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810600636 | 2018-06-12 | ||
| CN2018106006368 | 2018-06-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110599494A true CN110599494A (zh) | 2019-12-20 |
| CN110599494B CN110599494B (zh) | 2021-11-02 |
Family
ID=68849310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810979148.2A Active CN110599494B (zh) | 2018-06-12 | 2018-08-27 | 肋骨图像重建***及方法、终端及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110599494B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111243082A (zh) * | 2020-01-08 | 2020-06-05 | 浙江大学 | 获得数字影像重建图像的方法、***、装置及存储介质 |
| CN111260669A (zh) * | 2020-02-17 | 2020-06-09 | 北京推想科技有限公司 | 基于ct图像的肺叶分割方法和装置 |
| CN111508590A (zh) * | 2020-04-03 | 2020-08-07 | 上海理工大学 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
| CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
| CN112233083A (zh) * | 2020-10-13 | 2021-01-15 | 沈阳先进医疗设备技术孵化中心有限公司 | 脊椎检测方法、装置、电子设备及存储介质 |
| CN112349391A (zh) * | 2020-11-10 | 2021-02-09 | 山东大学齐鲁医院(青岛) | 一种优化肋骨自动标号方法 |
| CN112508858A (zh) * | 2020-11-17 | 2021-03-16 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法及装置、计算机设备 |
| CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
| CN113017675A (zh) * | 2021-02-26 | 2021-06-25 | 上海健康医学院 | 一种正位胸片位姿自动测量方法及*** |
| CN113256672A (zh) * | 2021-05-20 | 2021-08-13 | 推想医疗科技股份有限公司 | 图像处理方法及装置，模型的训练方法及装置，电子设备 |
| CN113643176A (zh) * | 2021-07-28 | 2021-11-12 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种肋骨显示方法和装置 |
| CN113763324A (zh) * | 2021-08-02 | 2021-12-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、计算机可读存储介质、处理器和*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101452577A (zh) * | 2008-11-26 | 2009-06-10 | 沈阳东软医疗***有限公司 | 一种肋骨自动标定的方法及装置 |
| US20150131881A1 (en) * | 2013-11-12 | 2015-05-14 | Siemens Aktiengesellschaft | 2d visualization for rib analysis |
| CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和*** |
| CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及*** |
| CN106683090A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像中肋骨的定位方法及其*** |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割***、方法、装置和计算机可读存储介质 |
-
2018
- 2018-08-27 CN CN201810979148.2A patent/CN110599494B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101452577A (zh) * | 2008-11-26 | 2009-06-10 | 沈阳东软医疗***有限公司 | 一种肋骨自动标定的方法及装置 |
| US20150131881A1 (en) * | 2013-11-12 | 2015-05-14 | Siemens Aktiengesellschaft | 2d visualization for rib analysis |
| CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和*** |
| CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及*** |
| CN106683090A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像中肋骨的定位方法及其*** |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割***、方法、装置和计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 许朝晖等: "CR数字胸片图像的几种肋骨分割方法", 《中国图象图形学报》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111243082A (zh) * | 2020-01-08 | 2020-06-05 | 浙江大学 | 获得数字影像重建图像的方法、***、装置及存储介质 |
| CN111260669A (zh) * | 2020-02-17 | 2020-06-09 | 北京推想科技有限公司 | 基于ct图像的肺叶分割方法和装置 |
| CN111508590B (zh) * | 2020-04-03 | 2023-03-31 | 上海理工大学 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
| CN111508590A (zh) * | 2020-04-03 | 2020-08-07 | 上海理工大学 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
| CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
| CN111861984B (zh) * | 2020-06-08 | 2023-12-22 | 北京深睿博联科技有限责任公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
| CN112233083A (zh) * | 2020-10-13 | 2021-01-15 | 沈阳先进医疗设备技术孵化中心有限公司 | 脊椎检测方法、装置、电子设备及存储介质 |
| CN112233083B (zh) * | 2020-10-13 | 2024-01-02 | 沈阳先进医疗设备技术孵化中心有限公司 | 脊椎检测方法、装置、电子设备及存储介质 |
| CN112349391A (zh) * | 2020-11-10 | 2021-02-09 | 山东大学齐鲁医院(青岛) | 一种优化肋骨自动标号方法 |
| CN112508858A (zh) * | 2020-11-17 | 2021-03-16 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法及装置、计算机设备 |
| CN112508858B (zh) * | 2020-11-17 | 2024-04-23 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法及装置、计算机设备 |
| CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
| CN113017675A (zh) * | 2021-02-26 | 2021-06-25 | 上海健康医学院 | 一种正位胸片位姿自动测量方法及*** |
| CN113017675B (zh) * | 2021-02-26 | 2024-02-27 | 上海健康医学院 | 一种正位胸片位姿自动测量方法及*** |
| CN113256672A (zh) * | 2021-05-20 | 2021-08-13 | 推想医疗科技股份有限公司 | 图像处理方法及装置，模型的训练方法及装置，电子设备 |
| CN113256672B (zh) * | 2021-05-20 | 2024-05-28 | 推想医疗科技股份有限公司 | 图像处理方法及装置，模型的训练方法及装置，电子设备 |
| CN113643176A (zh) * | 2021-07-28 | 2021-11-12 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种肋骨显示方法和装置 |
| CN113643176B (zh) * | 2021-07-28 | 2024-05-28 | 东软医疗***股份有限公司 | 一种肋骨显示方法和装置 |
| CN113763324A (zh) * | 2021-08-02 | 2021-12-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、计算机可读存储介质、处理器和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110599494B (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110599494B (zh) | 肋骨图像重建***及方法、终端及可读存储介质 | |
| Štern et al. | Parametric modelling and segmentation of vertebral bodies in 3D CT and MR spine images | |
| CN106997594B (zh) | 一种眼部组织的定位方法及装置 | |
| EP1755457A1 (en) | Nodule detection | |
| KR20150045885A (ko) | 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법 | |
| Lee et al. | Segmentation of individual ribs from low-dose chest CT | |
| CN116580068B (zh) | 一种基于点云配准的多模态医学配准方法 | |
| CN106960439B (zh) | 一种脊椎骨识别装置及方法 | |
| Hacihaliloglu et al. | Statistical shape model to 3D ultrasound registration for spine interventions using enhanced local phase features | |
| Qiu et al. | Lung Nodules Detection in CT Images Using Gestalt‐Based Algorithm | |
| CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
| CN106934810B (zh) | 一种脊椎矫正装置 | |
| Vera et al. | An automatic technique for left ventricle segmentation from msct cardiac volumes | |
| Rangayyan et al. | Method for the automatic detection and segmentation of the spinal canal in computed tomographic images | |
| Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
| Lim et al. | A robust segmentation framework for spine trauma diagnosis | |
| US11551371B2 (en) | Analyzing symmetry in image data | |
| Jung et al. | Occlusion and slice-based volume rendering augmentation for PET-CT | |
| CN110858412A (zh) | 基于图像配准的心脏冠脉cta模型建立方法 | |
| CN113706687A (zh) | 路径规划鼻部环境建模方法及装置 | |
| Feng et al. | Automatic fetal weight estimation using 3d ultrasonography | |
| Liu et al. | Optimization of reconstruction of 2D medical images based on computer 3D reconstruction technology | |
| Sun et al. | Automatic method for lung segmentation with juxta-pleural nodules from thoracic CT based on border separation and correction | |
| EP4345747A1 (en) | Medical image data processing technique | |
| Manikandan et al. | Lobar fissure extraction in isotropic CT lung images—an application to cancer identification |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191220 Assignee: Achievement (Shenzhen) Industrial Technology Co.,Ltd. Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES Contract record no.: X2023980043738 Denomination of invention: Rib image reconstruction system and method, terminal and readable storage medium Granted publication date: 20211102 License type: Common License Record date: 20231020 |