CN110930389B - 三维医学模型数据的区域分割方法、装置和存储介质 - Google Patents
三维医学模型数据的区域分割方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110930389B CN110930389B CN201911156860.3A CN201911156860A CN110930389B CN 110930389 B CN110930389 B CN 110930389B CN 201911156860 A CN201911156860 A CN 201911156860A CN 110930389 B CN110930389 B CN 110930389B
- Authority
- CN
- China
- Prior art keywords
- model data
- graph
- dimensional medical
- algorithm
- sampling
- 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.)
- Active
Links
Images
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种三维医学模型数据的区域分割方法、装置和存储介质,所述方法包括以下步骤:获取患者的医学影像,并通过等值面算法对医学影像进行三维重建,得到三维医学网格模型数据;将三维医学网格模型数据转换成为对应的对偶图形式,并根据三维医学网格模型数据上三角面片间的距离设定图的边权;在对偶图上进行近似最远点采样,得到若干种子点;在对偶图上运行基于剪枝的聚类算法,确定每个种子点所控制的区域;根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果。本发明更加快速高效,分割效果精确,并且操作简便,所用设备简单,成本低廉,有较高的实用价值。
Description
技术领域
本发明涉及数字化医疗技术领域,具体涉及一种三维医学模型数据的区域分割方法、一种三维医学模型数据的区域分割装置和一种非临时性计算机可读存储介质。
背景技术
在外科手术设计过程中,医生通常需要仔细全方位地观察患者的某些组织器官,从而设计出精确的手术计划。对于高精度电子计算机断层扫描或者核磁共振技术得到的图像,可以根据等值面重建出感兴趣组织器官的三维结构,或者也可以使用体绘制算法来给用户呈现出他们想要观察的区域。但是这些方式都不能使得医生全方位地观察某个组织器官中的子结构,从而就无法设计出精确的手术计划。
在三维医学模型数据区域分割领域,目前主要有基于聚类、随机游走、基本形状拟合、图割等方式。其中基于聚类的方式首先需要用户输入聚类数,随后选取若干个种子面片,迭代地计算每个聚类所包含的面片并重新计算聚类中心面片,直到结果收敛;基于随机游走的方式首先计算出每个面片属于哪个聚类的概率最大,并得到过分割结果;第二部分再通过层次化合并这些小的聚类从而得到最终的分割结果;基于基本形状匹配的层次聚类算法一开始将所有面片认为是一个单独的聚类,随后通过判断合并后与一些基本形状的匹配程度来进行层次化聚类,直到聚类个数达到目标;基于图割的区域分割算法从随机最小割中选取最优割来确定分割边界,从而将网格数据分为若干部分。然而这些方式都具有对噪声敏感并且效率较低的通病,所以上述技术在临床上难以直接应用。
发明内容
本发明为解决上述技术问题,提供了一种三维医学模型数据的区域分割方法、装置和存储介质,更加快速高效,分割效果精确,并且操作简便,所用设备简单,成本低廉,有较高的实用价值。
本发明采用的技术方案如下:
一种三维医学模型数据的区域分割方法,包括以下步骤:获取患者的医学影像,并通过等值面算法对所述医学影像进行三维重建,得到三维医学网格模型数据;将所述三维医学网格模型数据转换成为对应的对偶图形式,并根据所述三维医学网格模型数据上三角面片间的距离设定图的边权;在所述对偶图上进行近似最远点采样,得到若干种子点;在所述对偶图上运行基于剪枝的聚类算法,确定每个所述种子点所控制的区域;根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果。
所述医学影像为电子计算机断层扫描图像或核磁共振图像。
通过等值面算法对所述医学影像进行三维重建,得到三维医学网格模型数据具体包括:将电子计算机断层扫描图像体数据或核磁共振图像体数据利用Marching cubes算法三维重建为医生感兴趣的组织器官,以三维网格数据的形式呈现。
根据所述三维医学网格模型数据上三角面片间的距离设定图的边权具体包括:将所述三维医学网格模型数据上的每个三角面片当作图上的一个顶点,两个邻接三角面片间的对应顶点连接一条边,通过物理距离与角度距离的加权求和来表示图的边权。
在所述对偶图上进行近似最远点采样,得到若干种子点具体包括:将所述三维医学网格模型数据剖分成若干个子块,通过连通性将每个子块转换成为一个小型无向图,并通过在小型无向图上运行Dijkstra算法来获取子块间的距离,最终通过在由子块组成的小型无向图上使用最远点采样算法得到采样块,再在这些采样块中随机采样点以采样得到近似最远的种子点集。
在所述对偶图上运行基于剪枝的聚类算法,确定每个种子点所控制的区域具体包括:在所述对偶图上以所述种子点集为中心,利用基于无向图上的测地距离剪枝法对Dijkstra算法进行剪枝操作,得到过分割结果。
根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果具体包括:针对所述过分割结果,对每两个相邻的聚类定义合并代价,将所有合并代价存入一个最小堆,每次只合并代价最小的两个部分,然后更新最小堆,以此类推,得到最终的区域分割结果。
一种三维医学模型数据的区域分割装置,包括:建模模块,所述建模模块用于获取患者的医学影像,并通过等值面算法对所述医学影像进行三维重建,得到三维医学网格模型数据;转换模块,所述转换模块用于将所述三维医学网格模型数据转换成为对应的对偶图形式,并根据所述三维医学网格模型数据上三角面片间的距离设定图的边权;采样模块,所述采样模块用于在所述对偶图上进行近似最远点采样,得到若干种子点;第一确定模块,所述第一确定模块用于在所述对偶图上运行基于剪枝的聚类算法,确定每个所述种子点所控制的区域;第二确定模块,所述第二确定模块用于根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果。
所述医学影像为电子计算机断层扫描图像或核磁共振图像。
一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述三维医学模型数据的区域分割方法。
本发明的有益效果:
本发明通过将三维医学网格模型数据转换成对偶图形式,使用近似最远点采样与基于剪枝的聚类算法计算得到三维医学网格模型数据的各个子结构,相对于其他分割方法更加快速高效,分割效果精确,并且本方法的流程是全自动的,仅需要在算法运行完成后调整想要的分割区域个数,用户交互较少,因而操作简便,所用设备简单,成本低廉,有较高的实用价值。
附图说明
图1为本发明实施例的三维医学模型数据的区域分割方法的流程图;
图2为本发明实施例的三维医学模型数据的区域分割装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例的三维医学模型数据的区域分割方法包括以下步骤:
S1,获取患者的医学影像,并通过等值面算法对医学影像进行三维重建,得到三维医学网格模型数据。
在本发明的一个实施例中,医学影像为高分辨率的电子计算机断层扫描图像或核磁共振图像。
在获取到患者的电子计算机断层扫描图像或核磁共振图像后,可将电子计算机断层扫描图像体数据或核磁共振图像体数据利用Marching cubes算法提取等值面,三维重建为医生感兴趣的组织器官,并以三维网格数据的形式呈现。
S2,将三维医学网格模型数据转换成为对应的对偶图形式,并根据三维医学网格模型数据上三角面片间的距离设定图的边权。
在本发明的实施例中,可将三维医学网格模型数据区域分割问题抽象成为一个图分区问题,因此首先可将三维医学网格模型数据M转换成为其对偶图的形式G(M)={VM,EM}。将三维医学网格模型数据上的每个三角面片当作图上的一个顶点,两个邻接三角面片间的对应顶点连接一条边,通过物理距离与角度距离的加权求和来表示图的边权。即边权分为物理距离与角度距离两项,可按照如下表达式定义:
其中,avg(·)代表均值函数,δ控制这两项的权重。两个相邻三角面片间的物理距离PhyDist代表它们中心到公共边之间垂直距离之和,而角度距离AngDist则由它们之间的二面角决定,表达式如下:
AngDist(Vi,Vj)=η·(1-αij)
其中,η根据二面角的凸性改变,当两个面片呈凸角时,η的值要远小于两个面片呈凹角时的值。这样可使得算法对模型凹进去的部分更加敏感,从而使得算法的准确性更高。
S3,在对偶图上进行近似最远点采样,得到若干种子点。
由于本发明实施例的区域分割方法取决于在图上的采样点分布,所以在尽可能短的时间内求出在三维医学网格模型数据上距离较远的点集作为种子点。具体地,首先可将三维医学网格模型数据按照八叉树剖分成若干个子块,然后通过连通性将每个子块转换成为一个小型无向图,并通过在小型无向图上运行Dijkstra算法来获取子块两两之间的距离。在得到子块之间的连通性以及测地距离后,可通过在由子块组成的小型无向图上使用最远点采样算法得到采样块,再在这些采样块中随机采样点,便可在极短的时间内采样得到近似最远的种子点集。
S4,在对偶图上运行基于剪枝的聚类算法,确定每个种子点所控制的区域。
可在对偶图上以种子点集为中心,利用基于无向图上的测地距离剪枝法对Dijkstra算法进行剪枝操作,得到过分割结果。
具体地,可根据步骤S3计算得到的种子点集,对于图G(M)上每个顶点,计算出距离其最近的种子点,即可完成聚类过程。原始的聚类需要对每个种子点都在整个图上运行一次Dijkstra算法(时间复杂度为O(nlogn)),这对于顶点数普遍在百万甚至千万级的数据是不可用的。
实际上,对于单个种子点来说,并不需要对整张图计算单源最短路。距离该种子点过远的顶点对于该种子点来说实际上是没有意义的,因为它不会属于这个种子点所代表的分类。根据上述条件,本发明实施例采用基于测地距离的分区域聚类算法,这是一种基于剪枝策略的Dijkstra单源最短路算法变种。形式化来讲,在无向带权图GM={VM,EM}上存在着k个不重复的顶点(k<<n),并定义种子点集合为S。定义从种子点si到顶点vk的距离为dik。给定种子点si,假如存在其他种子点sj,满足dik>djk,则称vk对si是不必要的。那么考虑种子点si的一个不必要顶点vk,对于满足条件dik′=dik+wkk′>djk+wkk′≥djk′的邻域顶点vk′∈N(vk),下列公式成立:
dik′=dik+wkk′>djk+wkk′≥djk′
也即,vk′是si的不必要顶点。
基于上述定理,可以少考虑相当多的根本不需要计算最短路的顶点,从而可以提升算法整体的效率。具体来说,在Dijkstra算法每次从最小堆(斐波那契堆)中抽取最近顶点时,先判断当前种子点与该顶点间的距离是否是预设值(无穷),如果是,则循环结束;再判断该顶点的前驱相对当前种子点是不是必要的,如果不必要,则跳过该顶点;否则判断该顶点是不是必要的,如果不必要,则跳过该顶点;其他情况与原Dijkstra算法相同。可以看出,测地距最近类归属算法在循环第一次执行时,计算了该种子点相对整张图的最短路,随着种子点的增加,每次计算的区域逐渐减少。
S5,根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果。
具体地,针对步骤S4得到的过分割结果,对每两个相邻的聚类定义合并代价,将所有合并代价存入一个最小堆,每次只合并代价最小的两个部分,然后更新最小堆,以此类推,得到最终的区域分割结果。
其中,合并代价的定义如下:对于两个相邻的部分Si,Sj,定义为Si与Sj相邻部分的边界、/>为Si与Sj合并后的边界。明显地,这些边界都是由一个或多个面片的边拼接而成的。而上述边界中的每条边又连接着两个属于不同部分的面片,那么可以定义/> 也即边界的长度。对于/>可以类似地进行定义。那么Si,Sj的合并代价可以定义为:
根据本发明实施例的三维医学模型数据的区域分割方法,通过将三维医学网格模型数据转换成对偶图形式,使用近似最远点采样与基于剪枝的聚类算法计算得到三维医学网格模型数据的各个子结构,相对于其他分割方法更加快速高效,分割效果精确,并且本方法的流程是全自动的,仅需要在算法运行完成后调整想要的分割区域个数,用户交互较少,因而操作简便,所用设备简单,成本低廉,有较高的实用价值。
为实现上述实施例的三维医学模型数据的区域分割方法,本发明还提出一种三维医学模型数据的区域分割装置。
如图2所示,本发明实施例的三维医学模型数据的区域分割装置,包括建模模块10、转换模块20、采样模块30、第一确定模块40和第二确定模块50。其中,建模模块10用于获取患者的医学影像,并通过等值面算法对医学影像进行三维重建,得到三维医学网格模型数据;转换模块20用于将三维医学网格模型数据转换成为对应的对偶图形式,并根据三维医学网格模型数据上三角面片间的距离设定图的边权;采样模块30用于在对偶图上进行近似最远点采样,得到若干种子点;第一确定模块40用于在对偶图上运行基于剪枝的聚类算法,确定每个种子点所控制的区域;第二确定模块50用于根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果。
在本发明的一个实施例中,医学影像为高分辨率的电子计算机断层扫描图像或核磁共振图像。
在获取到患者的电子计算机断层扫描图像或核磁共振图像后,建模模块10可将电子计算机断层扫描图像体数据或核磁共振图像体数据利用Marching cubes算法提取等值面,三维重建为医生感兴趣的组织器官,并以三维网格数据的形式呈现。
在本发明的实施例中,可将三维医学网格模型数据区域分割问题抽象成为一个图分区问题,因此转换模块20首先可将三维医学网格模型数据M转换成为其对偶图的形式G(M)={WM,EM},然后将三维医学网格模型数据上的每个三角面片当作图上的一个顶点,两个邻接三角面片间的对应顶点连接一条边,通过物理距离与角度距离的加权求和来表示图的边权。即边权分为物理距离与角度距离两项,可按照如下表达式定义:
其中,avg(·)代表均值函数,δ控制这两项的权重。两个相邻三角面片间的物理距离PhyDist代表它们中心到公共边之间垂直距离之和,而角度距离AngDist则由它们之间的二面角决定,表达式如下:
AngDist(Vi,Vj)=η·(1-αij)
其中,η根据二面角的凸性改变,当两个面片呈凸角时,η的值要远小于两个面片呈凹角时的值。这样可使得算法对模型凹进去的部分更加敏感,从而使得算法的准确性更高。
由于本发明实施例的区域分割方法取决于在图上的采样点分布,所以在尽可能短的时间内求出在三维医学网格模型数据上距离较远的点集作为种子点。具体地,采样模块30首先可将三维医学网格模型数据按照八叉树剖分成若干个子块,然后通过连通性将每个子块转换成为一个小型无向图,并通过在小型无向图上运行Dijkstra算法来获取子块两两之间的距离。在得到子块之间的连通性以及测地距离后,采样模块30可通过在由子块组成的小型无向图上使用最远点采样算法得到采样块,再在这些采样块中随机采样点,便可在极短的时间内采样得到近似最远的种子点集。
第一确定模块40可在对偶图上以种子点集为中心,利用基于无向图上的测地距离剪枝法对Dijkstra算法进行剪枝操作,得到过分割结果。
具体地,第一确定模块40可根据采样模块30得到的种子点集,对于图G(M)上每个顶点,计算出距离其最近的种子点,即可完成聚类过程。原始的聚类需要对每个种子点都在整个图上运行一次Dijkstra算法(时间复杂度为O(n log n)),这对于顶点数普遍在百万甚至千万级的数据是不可用的。
实际上,对于单个种子点来说,并不需要对整张图计算单源最短路。距离该种子点过远的顶点对于该种子点来说实际上是没有意义的,因为它不会属于这个种子点所代表的分类。根据上述条件,本发明实施例采用基于测地距离的分区域聚类算法,这是一种基于剪枝策略的Dijkstra单源最短路算法变种。形式化来讲,在无向带权图GM={VM,EM}上存在着k个不重复的顶点(k<<n),并定义种子点集合为S。定义从种子点si到顶点vk的距离为dik。给定种子点si,假如存在其他种子点sj,满足dik>djk,则称vk对si是不必要的。那么考虑种子点si的一个不必要顶点vk,对于满足条件dik′=dik+wkk′>djk+wkk′之djk′的邻域顶点vk′∈N(vk),下列公式成立:
dik′=dik+wkk′>djk+wkk′之djk′
也即,vk′是si的不必要顶点。
基于上述定理,可以少考虑相当多的根本不需要计算最短路的顶点,从而可以提升算法整体的效率。具体来说,第一确定模块40可在Dijkstra算法每次从最小堆(斐波那契堆)中抽取最近顶点时,先判断当前种子点与该顶点间的距离是否是预设值(无穷),如果是,则循环结束;再判断该顶点的前驱相对当前种子点是不是必要的,如果不必要,则跳过该顶点;否则判断该顶点是不是必要的,如果不必要,则跳过该顶点;其他情况与原Dijkstra算法相同。可以看出,测地距最近类归属算法在循环第一次执行时,计算了该种子点相对整张图的最短路,随着种子点的增加,每次计算的区域逐渐减少。
针对第一确定模块40得到的过分割结果,第二确定模块50可对每两个相邻的聚类定义合并代价,将所有合并代价存入一个最小堆,每次只合并代价最小的两个部分,然后更新最小堆,以此类推,得到最终的区域分割结果。
其中,合并代价的定义如下:对于两个相邻的部分Si,Sj,定义为Si与Sj相邻部分的边界、/>为Si与Sj合并后的边界。明显地,这些边界都是由一个或多个面片的边拼接而成的。而上述边界中的每条边又连接着两个属于不同部分的面片,那么可以定义/> 也即边界的长度。对于/>可以类似地进行定义。那么Si,Sj的合并代价可以定义为:
根据本发明实施例的三维医学模型数据的区域分割装置,通过转换模块将三维医学网格模型数据转换成对偶图形式,采样模块和确定模块使用近似最远点采样与基于剪枝的聚类算法计算得到三维医学网格模型数据的各个子结构,相对于其他分割装置更加快速高效,分割效果精确,并且本装置各个模块执行的流程是全自动的,仅需要在算法运行完成后调整想要的分割区域个数,用户交互较少,因而操作简便,设备简单,成本低廉,有较高的实用价值。
对应上述实施例,本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序,该程序被处理器执行时可实现上述任一实施例的三维医学模型数据的区域分割方法。
根据本发明实施例的非临时性计算机可读存储介质,通过处理器执行其存储的计算机程序,对于三维医学模型数据的区域分割更加快速高效,分割效果精确,并且操作简便,所用设备简单,成本低廉,有较高的实用价值。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种三维医学模型数据的区域分割方法,其特征在于,包括以下步骤:
获取患者的医学影像,并通过等值面算法对所述医学影像进行三维重建,得到三维医学网格模型数据;
将所述三维医学网格模型数据转换成为对应的对偶图形式,并根据所述三维医学网格模型数据上三角面片间的距离设定图的边权;
在所述对偶图上进行近似最远点采样,得到若干种子点:将所述三维医学网格模型数据剖分成若干个子块,通过连通性将每个子块转换成为一个小型无向图,并通过在小型无向图上运行Dijkstra算法来获取子块间的距离,最终通过在由子块组成的小型无向图上使用最远点采样算法得到采样块,再在这些采样块中随机采样点以采样得到近似最远的种子点集;
在所述对偶图上运行基于剪枝的聚类算法,确定每个所述种子点所控制的区域:在所述对偶图上以所述种子点集为中心,利用基于无向图上的测地距离剪枝法对Dijkstra算法进行剪枝操作,得到过分割结果;
根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果。
2.根据权利要求1所述的三维医学模型数据的区域分割方法,其特征在于,所述医学影像为电子计算机断层扫描图像或核磁共振图像。
3.根据权利要求2所述的三维医学模型数据的区域分割方法,其特征在于,通过等值面算法对所述医学影像进行三维重建,得到三维医学网格模型数据具体包括:
将电子计算机断层扫描图像体数据或核磁共振图像体数据利用Marching cubes算法三维重建为医生感兴趣的组织器官,以三维网格数据的形式呈现。
4.根据权利要求3所述的三维医学模型数据的区域分割方法,其特征在于,根据所述三维医学网格模型数据上三角面片间的距离设定图的边权具体包括:
将所述三维医学网格模型数据上的每个三角面片当作图上的一个顶点,两个邻接三角面片间的对应顶点连接一条边,通过物理距离与角度距离的加权求和来表示图的边权。
5.根据权利要求4所述的三维医学模型数据的区域分割方法,其特征在于,根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果具体包括:
针对所述过分割结果,对每两个相邻的聚类定义合并代价,将所有合并代价存入一个最小堆,每次只合并代价最小的两个部分,然后更新最小堆,以此类推,得到最终的区域分割结果。
6.一种三维医学模型数据的区域分割装置,其特征在于,包括:
建模模块,所述建模模块用于获取患者的医学影像,并通过等值面算法对所述医学影像进行三维重建,得到三维医学网格模型数据;
转换模块,所述转换模块用于将所述三维医学网格模型数据转换成为对应的对偶图形式,并根据所述三维医学网格模型数据上三角面片间的距离设定图的边权;
采样模块,所述采样模块用于在所述对偶图上进行近似最远点采样,得到若干种子点:将所述三维医学网格模型数据剖分成若干个子块,通过连通性将每个子块转换成为一个小型无向图,并通过在小型无向图上运行Dijkstra算法来获取子块间的距离,最终通过在由子块组成的小型无向图上使用最远点采样算法得到采样块,再在这些采样块中随机采样点以采样得到近似最远的种子点集;
第一确定模块,所述第一确定模块用于在所述对偶图上运行基于剪枝的聚类算法,确定每个所述种子点所控制的区域:在所述对偶图上以所述种子点集为中心,利用基于无向图上的测地距离剪枝法对Dijkstra算法进行剪枝操作,得到过分割结果;
第二确定模块,所述第二确定模块用于根据最小合并代价原理将相邻类逐一合并,并根据用户选择的剩余类别数来确定分割结果。
7.根据权利要求6所述的三维医学模型数据的区域分割装置,其特征在于,所述医学影像为电子计算机断层扫描图像或核磁共振图像。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的三维医学模型数据的区域分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156860.3A CN110930389B (zh) | 2019-11-22 | 2019-11-22 | 三维医学模型数据的区域分割方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156860.3A CN110930389B (zh) | 2019-11-22 | 2019-11-22 | 三维医学模型数据的区域分割方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930389A CN110930389A (zh) | 2020-03-27 |
CN110930389B true CN110930389B (zh) | 2023-06-30 |
Family
ID=69850750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911156860.3A Active CN110930389B (zh) | 2019-11-22 | 2019-11-22 | 三维医学模型数据的区域分割方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930389B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850913A (zh) * | 2021-06-04 | 2021-12-28 | 国网安徽省电力有限公司 | Gim模型轻量化显示方法和装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印*** |
CN109064471A (zh) * | 2018-07-18 | 2018-12-21 | 中北大学 | 一种基于骨架的三维点云模型分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9978150B2 (en) * | 2015-08-05 | 2018-05-22 | Algotec Systems Ltd. | Method and system for spatial segmentation of anatomical structures |
US20170091948A1 (en) * | 2015-09-30 | 2017-03-30 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for automated analysis of cell images |
CN105354846A (zh) * | 2015-11-05 | 2016-02-24 | 沈阳东软医疗***有限公司 | 一种分割三维医疗图像的方法和装置 |
CN108805886B (zh) * | 2018-05-30 | 2021-09-03 | 中北大学 | 一种多融合物理签名的持久性聚类分割方法 |
-
2019
- 2019-11-22 CN CN201911156860.3A patent/CN110930389B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印*** |
CN109064471A (zh) * | 2018-07-18 | 2018-12-21 | 中北大学 | 一种基于骨架的三维点云模型分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110930389A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yoo | Three-dimensional surface reconstruction of human bone using a B-spline based interpolation approach | |
US8571278B2 (en) | System and methods for multi-object multi-surface segmentation | |
US7995810B2 (en) | System and methods for image segmentation in n-dimensional space | |
WO2023078309A1 (zh) | 目标特征点提取方法、装置、计算机设备和存储介质 | |
Pahr et al. | From high-resolution CT data to finite element models: development of an integrated modular framework | |
WO2007058993A2 (en) | Surface-based characteristic path generation | |
CN105740533B (zh) | 用于截骨矫形的ct灰度-材料属性赋值有限元建模方法 | |
Zachow et al. | 3D reconstruction of individual anatomy from medical image data: Segmentation and geometry processing | |
WO2021098617A1 (zh) | 一种在血管数字模型中生成肿瘤的方法、***及电子设备 | |
WO2019023819A1 (zh) | 基于仿真和实测数据的多目标三维超声图像分割方法 | |
CN110930389B (zh) | 三维医学模型数据的区域分割方法、装置和存储介质 | |
CN105608744A (zh) | 基于四面体网格的仿周期极小曲面的内部孔隙设计方法 | |
CN113888698A (zh) | 一种面向肝切除术的动态三维重建方法及*** | |
CN103903255A (zh) | 一种超声图像分割方法和*** | |
CN110689080B (zh) | 一种血管结构影像的平面图谱构建方法 | |
US10593112B1 (en) | Chamber reconstruction from a partial volume | |
CN111105476A (zh) | 一种基于Marching Cubes的CT图像三维重建方法 | |
Zhao et al. | A frame of 3D printing data generation method extracted from CT data | |
US20140032180A1 (en) | Method and apparatus for computing deformation of an object | |
CN107085866A (zh) | 一种人体直骨ct图像的模拟仿真方法及*** | |
Callahan et al. | A meshing pipeline for biomedical computing | |
CN116681705B (zh) | 基于人脑海马体纵向结构的表面形态测量方法及处理设备 | |
CN117495693B (zh) | 用于内窥镜的图像融合方法、***、介质及电子设备 | |
CN117541733B (zh) | 胸肺重建方法、装置、电子设备及存储介质 | |
CN110073408A (zh) | 用于分割解剖结构的二维图像的方法和装置 |
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 |