CN111292306A - 膝关节ct与mr图像融合方法及装置 - Google Patents
膝关节ct与mr图像融合方法及装置 Download PDFInfo
- Publication number
- CN111292306A CN111292306A CN202010079580.3A CN202010079580A CN111292306A CN 111292306 A CN111292306 A CN 111292306A CN 202010079580 A CN202010079580 A CN 202010079580A CN 111292306 A CN111292306 A CN 111292306A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- knee joint
- tibia
- point
- 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.)
- Pending
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
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种膝关节CT与MR图像融合方法及装置,其中,方法包括以下步骤:分别提取CT图像与MR图像中股骨与胫骨轮廓点云;对股骨、胫骨的轮廓点云之间进行配准,得到股骨胫骨配准结果;根据股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,得到完整的膝关节CT与MR融合图像。该方法可实现膝关节CT、MR图像的融合过程,以为医生提供更全面的膝关节解剖学结构,在膝关节置换手术术前诊断和手术路径规划过程中都可以起到积极的作用,简单易实现。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及一种膝关节CT(ComputedTomography,电子计算机断层扫描)与MR(Magnetic Resonance,磁共振)图像融合方法及装置。
背景技术
医学图像融合,指将多源图像传感器所采集到的关于同一目标的图像经过一定的图像处理,提取各自的有用信息,最后综合成同一图像以供观察或进一步处理。从信息论的角度讲,融合后的图像能比组成它的各个子图像具有更优越的性能,综合整体信息大于各部分信息之和,也就是说,融合的结果应该比任何一个输入信息源包含更有用的信息,即1+1>2,这就是图像信息的融合。
医学图像融合的过程是一个渐进的过程,不同的融合方法有各自具体的操作和处理,但是,不管应用何种技术方法,图像融合一般都要经过三大主要的步骤来完成,分别是图像预处理,图像配准和融合图像的创建。
其中,图像预处理是指对获取的各种图像数据做去除噪声、对比度增强、感兴趣区域分割等处理,统一各种数据格式,图像大小和分辨率,对于有条件的图像还可以进行重新断层分层以确保图像在空间分辨率和空间方位上的大体接近。在此基础上,还可以根据目标特点或不同应用目的建立适当的数学模型。
图像配准是指对于一幅医学图像寻求一种或一系列空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两幅匹配图像上具有相同的空间位置,配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。图像配准是图像融合的先决条件与关键,图像配准精度的高低直接决定这融合结果的质量。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种膝关节CT与MR图像融合方法,该方法可实现膝关节CT、MR图像的融合过程,以为医生提供更全面的膝关节解剖学结构,在膝关节置换手术术前诊断和手术路径规划过程中都可以起到积极的作用,简单易实现。
本发明的另一个目的在于提出一种膝关节CT与MR图像融合装置。
为达到上述目的,本发明一方面实施例提出了一种膝关节CT与MR图像融合方法,包括以下步骤:分别提取CT图像与MR图像中股骨与胫骨轮廓点云;对股骨、胫骨的轮廓点云之间进行配准,得到股骨胫骨配准结果;根据所述股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,得到完整的膝关节CT与MR融合图像。
本发明实施例的膝关节CT与MR图像融合方法,通过CT与MR图像中股骨与胫骨轮廓的提取、对应提取轮廓之间点云配准及生成CT与MR融合图像,可实现膝关节CT、MR图像的融合过程,以为医生提供更全面的膝关节解剖学结构,在膝关节置换手术术前诊断和手术路径规划过程中都可以起到积极的作用,简单易实现。
另外,根据本发明上述实施例的膝关节CT与MR图像融合方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述提取CT与MR图像中股骨与胫骨轮廓点云,包括:对所述CT图像进行阈值分割,得到股骨与胫骨的轮廓信息;去除模型中的噪声点,分离出满足预设条件的骨骼轮廓模型;利用区域生长法修补分割出的所述轮廓模型中的缺陷,获得股骨和胫骨轮廓模型。
进一步地,在本发明的一个实施例中,所述提取CT与MR图像中股骨与胫骨轮廓点云,还包括:计算所述MR图像灰度直方图,估计得到阈值范围;确定COG重心与二十面体衍生模型初始半径;根据衍生公式更新模型形态直至收敛分割出骨轮廓。
进一步地,在本发明的一个实施例中,所述对股骨、胫骨的轮廓点云之间进行配准,包括:提取源点云中点的三维法线信息,并使用法线信息计算点的快速直方图特征,且对目标点云作相同的处理;通过在所述目标点云中寻找与在所述源点云中选取的快速直方图特征满足预设条件的点,获得匹配的点对,并计算出所述匹配的点对间的最小二乘变换作为配准结果;将所述配准结果作为ICP算法的初始位姿估计,使用所述ICP算法继续迭代至收敛,获得最终的配准变换结果。
为达到上述目的,本发明另一方面实施例提出了一种膝关节CT与MR图像融合装置,包括:提取模块,用于分别提取CT图像与MR图像中股骨与胫骨轮廓点云;配准模块,用于对股骨、胫骨的轮廓点云之间进行配准,得到股骨胫骨配准结果;融合模块,用于根据所述股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,得到完整的膝关节CT与MR融合图像。
本发明实施例的膝关节CT与MR图像融合装置,通过CT与MR图像中股骨与胫骨轮廓的提取、对应提取轮廓之间点云配准及生成CT与MR融合图像,可实现膝关节CT、MR图像的融合过程,以为医生提供更全面的膝关节解剖学结构,在膝关节置换手术术前诊断和手术路径规划过程中都可以起到积极的作用,简单易实现。
另外,根据本发明上述实施例的膝关节CT与MR图像融合装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述提取模块进一步用于对所述CT图像进行阈值分割,得到股骨与胫骨的轮廓信息,并去除模型中的噪声点,分离出满足预设条件的骨骼轮廓模型,利用区域生长法修补分割出的所述轮廓模型中的缺陷,获得股骨和胫骨轮廓模型。
进一步地,在本发明的一个实施例中,所述提取模块进一步用于计算所述MR图像灰度直方图,估计得到阈值范围,确定COG重心与二十面体衍生模型初始半径,并根据衍生公式更新模型形态直至收敛分割出骨轮廓。
进一步地,在本发明的一个实施例中,所述配准模块进一步用于提取源点云中点的三维法线信息,并使用法线信息计算点的快速直方图特征,且对目标点云作相同的处理,通过在所述目标点云中寻找与在所述源点云中选取的快速直方图特征满足预设条件的点,获得匹配的点对,并计算出所述匹配的点对间的最小二乘变换作为配准结果,并将所述配准结果作为ICP算法的初始位姿估计,使用所述ICP算法继续迭代至收敛,获得最终的配准变换结果。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的膝关节CT与MR图像融合方法的流程图;
图2为根据本发明实施例的对CT图像进行阈值分割的示意图;
图3为根据本发明实施例的衍生更新过程的流程图;
图4为根据本发明实施例的衍生更新过程中的参数说明示意图;
图5为根据本发明实施例的CT与MR图像中股骨与胫骨轮廓点云的提取结果示意图;
图6为根据本发明实施例的膝关节CT与MR图像融合装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的膝关节CT与MR图像融合方法及装置,首先将参照附图描述根据本发明实施例提出的膝关节CT与MR图像融合方法。
图1是本发明一个实施例的膝关节CT与MR图像融合方法的流程图。
如图1所示,该膝关节CT与MR图像融合方法包括以下步骤:
在步骤S101中,分别提取CT图像与MR图像中股骨与胫骨轮廓点云。
可以理解的是,本发明实施例首先进行CT与MR图像中股骨与胫骨轮廓点云的提取。
在本发明的一个实施例中,提取CT与MR图像中股骨与胫骨轮廓点云,包括:对CT图像进行阈值分割,得到股骨与胫骨的轮廓信息;去除模型中的噪声点,分离出满足预设条件的骨骼轮廓模型;利用区域生长法修补分割出的轮廓模型中的缺陷,获得股骨和胫骨轮廓模型。
可以理解的是,此膝关节图像融合的方法首先需要提取两种图像中的股骨和胫骨轮廓模型,在CT图像中,由于骨成像点与软组织成像点之间具有高对比度,故采用阈值分割的方法进行轮廓提取。具体步骤如下:
(1)如图2所示,对CT图像进行阈值分割,分割出股骨与胫骨的大致轮廓;
(2)去除模型中的噪声点,分离出正确的骨骼轮廓模型;
(3)利用区域生长法修补分割出的轮廓模型中的缺陷处,获得完整光滑的股骨和胫骨轮廓模型。
进一步地,在本发明的一个实施例中,提取CT与MR图像中股骨与胫骨轮廓点云,还包括:计算MR图像灰度直方图,估计得到阈值范围;确定COG重心与二十面体衍生模型初始半径;根据衍生公式更新模型形态直至收敛分割出骨轮廓。
可以理解的是,在MR图像中,骨骼与软组织成像对比度并不是十分明显,不能采用较为简单的阈值分割方法进行提取,而是将BET(brain extraction tool)引入到膝关节图像分割过程中进行轮廓提取。具体步骤如下:
(1)计算灰度直方图,粗略估计阈值范围;
(2)确定COG重心与二十面体衍生模型初始半径r;
(3)根据衍生公式更新模型形态直至收敛分割出骨轮廓。
其中,衍生更新过程如图3所示,具体包括:
步骤1:对二十面体衍生模型的每个顶点x计算f1、f2、f3。
步骤2:判断I(x)是否大于阈值,如果否,则直接执行步骤3;如果是,则令f3=-f3;其中,I(x)为轮廓法线方向上与当前顶点邻近的像素点的强度。
步骤3:u=05f1+sn f2+0.05l f3n,并更新x为x+u,其中,vk+1=vk+uk,u为轮廓演化步长,v为当前顶点坐标,k为当前演化次数,下面将结合附图4对步骤1-3中的参数进行进一步阐述:
f1即为图4中的st,sn=(n·s)n,st=s-sn;其中,为演化轮廓表面法向量,s是从当前顶点指向其相邻顶点的平均位置的向量,sn即为s在演化轮廓表面法向量方向上的分量,st为相对应的切向分量;
f2计算公式如上,其中r为当前顶点局部曲率的估计值;alpha与beta为经验性的平滑参数,由实际情况选取适当的参数值,一般分别取1mm与8mm;l为当前顶点与其相邻顶点距离的均值;
t1=(Imax-t2)b1+t2,
Imin=max(t2,min(tm,I(0),I(1),…,I(d))),
Imax=min(tm,max(t,I(0),I(1),…,I(d))),
t=0.9t2+0.1t98,
f3计算公式如上,其中t2和t98是大脑MR像素强度直方图的2%和98%强度;tm是中值强度;Imin和Imax是在轮廓法线方向上与当前顶点邻近(与当前顶点距离小于d个像素)的像素点的最小和最大强度的估计,bt为经验参数通常取0.5。
步骤4:判断轮廓演化步长u是否收敛,即判断每次演化的步长u是否达到某个预设的下限,如果否,则返回步骤1;如果是,则分割完成,得到最终分割结果。需要说明的是,衍生轮廓的过程需要保证轮廓不自交,否则便需要更改初始点位置并重新进行轮廓演化过程。
进一步地,最终分割结果如图5所示,图5中左为CT图像、右为MR图像。
在步骤S102中,对股骨、胫骨的轮廓点云之间进行配准,得到股骨胫骨配准结果。
其中,在本发明的一个实施例中,对股骨、胫骨的轮廓点云之间进行配准,包括:提取源点云中点的三维法线信息,并使用法线信息计算点的快速直方图特征,且对目标点云作相同的处理;通过在目标点云中寻找与在源点云中选取的快速直方图特征满足预设条件的点,获得匹配的点对,并计算出匹配的点对间的最小二乘变换作为配准结果;将配准结果作为ICP算法的初始位姿估计,使用ICP算法继续迭代至收敛,获得最终的配准变换结果。
可以理解的是,在刚性配准中,最经典的算法就是ICP算法(Iterative ClosestPoint,传统迭代最近点算法),但是ICP依赖于良好的初始位姿估计,也就是说需要给它一个良好的输入,比如初始时两个点云的位姿就非常接近,否则ICP算法很容易陷入局部最优而导致非常坏的结果。因此,往往不直接使用ICP算法,而是使用ICP算法的变种,或者ICP结合其他算法一起使用,具体怎么用需要视具体情况而定。本发明实施例使用SAC-IA(SampleConsensus Initial Alignment,随机采样一致配准算法)作为粗配准,将其结果提供给ICP作为一个比较好的初始位姿估计。
具体而言,股骨与胫骨均是刚性对象,因此采用刚性配准算法即可。本发明实施例采用“粗配准+精配准”的模式,采用SAC-IA结合ICP完成配准。
SAC-IA算法首先提取源点云中点的三维法线信息,并使用法线信息计算点的FPFH(Fast Point Feature Histogram,快速直方图)特征,然后对目标点云做相同的处理。通过在目标点云中寻找与在源点云中选取的一些点的FPFH特征近似的点,获得匹配的点对,并计算出点对间的最小二乘变换作为配准结果。然后,将此结果作为ICP算法的初始位姿估计,使用ICP算法继续迭代至收敛,获得的结果即为最终的配准变换结果,即两组刚性配准。
本发明实施例通过粗配置+精配准的方法可以得到CT与MR图像各点之间的映射关系,根据此结果便可进行图像融合过程。
在步骤S103中,根据股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,得到完整的膝关节CT与MR融合图像。
可以理解的是,根据步骤S102得到的股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,进而得到完整的膝关节CT与MR融合图像。
综上,本发明实施例提出的膝关节CT与MR图像融合方法,通过CT与MR图像中股骨与胫骨轮廓的提取、对应提取轮廓之间点云配准及生成CT与MR融合图像,可实现膝关节CT、MR图像的融合过程,以为医生提供更全面的膝关节解剖学结构,在膝关节置换手术术前诊断和手术路径规划过程中都可以起到积极的作用,简单易实现。
其次参照附图描述根据本发明实施例提出的膝关节CT与MR图像融合装置。
图6是本发明一个实施例的膝关节CT与MR图像融合装置的结构示意图。
如图6所示,该膝关节CT与MR图像融合装置10包括:提取模块100、配准模块200和融合模块300。
其中,提取模块100用于分别提取CT图像与MR图像中股骨与胫骨轮廓点云;配准模块200用于对股骨、胫骨的轮廓点云之间进行配准,得到股骨胫骨配准结果;融合模块300用于根据股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,得到完整的膝关节CT与MR融合图像。本发明实施例的装置10可实现膝关节CT、MR图像的融合过程,以为医生提供更全面的膝关节解剖学结构,在膝关节置换手术术前诊断和手术路径规划过程中都可以起到积极的作用,简单易实现。
进一步地,在本发明的一个实施例中,提取模块100进一步用于对CT图像进行阈值分割,得到股骨与胫骨的轮廓信息,并去除模型中的噪声点,分离出满足预设条件的骨骼轮廓模型,利用区域生长法修补分割出的轮廓模型中的缺陷,获得股骨和胫骨轮廓模型。
进一步地,在本发明的一个实施例中,提取模块100进一步用于计算MR图像灰度直方图,估计得到阈值范围,确定COG重心与二十面体衍生模型初始半径,并根据衍生公式更新模型形态直至收敛分割出骨轮廓。
进一步地,在本发明的一个实施例中,配准模块200进一步用于提取源点云中点的三维法线信息,并使用法线信息计算点的快速直方图特征,且对目标点云作相同的处理,通过在目标点云中寻找与在源点云中选取的快速直方图特征满足预设条件的点,获得匹配的点对,并计算出匹配的点对间的最小二乘变换作为配准结果,并将配准结果作为ICP算法的初始位姿估计,使用ICP算法继续迭代至收敛,获得最终的配准变换结果。
需要说明的是,前述对膝关节CT与MR图像融合方法实施例的解释说明也适用于该实施例的膝关节CT与MR图像融合装置,此处不再赘述。
根据本发明实施例提出的膝关节CT与MR图像融合装置,通过CT与MR图像中股骨与胫骨轮廓的提取、对应提取轮廓之间点云配准及生成CT与MR融合图像,可实现膝关节CT、MR图像的融合过程,以为医生提供更全面的膝关节解剖学结构,在膝关节置换手术术前诊断和手术路径规划过程中都可以起到积极的作用,简单易实现。
此外,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至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
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。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种膝关节CT与MR图像融合方法,其特征在于,包括以下步骤:
分别提取CT图像与MR图像中股骨与胫骨轮廓点云;
对股骨、胫骨的轮廓点云之间进行配准,得到股骨胫骨配准结果;以及
根据所述股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,得到完整的膝关节CT与MR融合图像。
2.根据权利要求1所述的方法,其特征在于,所述提取CT与MR图像中股骨与胫骨轮廓点云,包括:
对所述CT图像进行阈值分割,得到股骨与胫骨的轮廓信息;
去除模型中的噪声点,分离出满足预设条件的骨骼轮廓模型;
利用区域生长法修补分割出的所述轮廓模型中的缺陷,获得股骨和胫骨轮廓模型。
3.根据权利要求2所述的方法,其特征在于,所述提取CT与MR图像中股骨与胫骨轮廓点云,还包括:
计算所述MR图像灰度直方图,估计得到阈值范围;
确定COG重心与二十面体衍生模型初始半径;
根据衍生公式更新模型形态直至收敛分割出骨轮廓。
4.根据权利要求1所述的方法,其特征在于,所述对股骨、胫骨的轮廓点云之间进行配准,包括:
提取源点云中点的三维法线信息,并使用法线信息计算点的快速直方图特征,且对目标点云作相同的处理;
通过在所述目标点云中寻找与在所述源点云中选取的快速直方图特征满足预设条件的点,获得匹配的点对,并计算出所述匹配的点对间的最小二乘变换作为配准结果;
将所述配准结果作为ICP算法的初始位姿估计,使用所述ICP算法继续迭代至收敛,获得最终的配准变换结果。
5.一种膝关节CT与MR图像融合装置,其特征在于,包括:
提取模块,用于分别提取CT图像与MR图像中股骨与胫骨轮廓点云;
配准模块,用于对股骨、胫骨的轮廓点云之间进行配准,得到股骨胫骨配准结果;以及
融合模块,用于根据所述股骨胫骨配准结果分别进行大腿和小腿部分的膝关节CT与MR图像融合,得到完整的膝关节CT与MR融合图像。
6.根据权利要求5所述的装置,其特征在于,所述提取模块进一步用于对所述CT图像进行阈值分割,得到股骨与胫骨的轮廓信息,并去除模型中的噪声点,分离出满足预设条件的骨骼轮廓模型,利用区域生长法修补分割出的所述轮廓模型中的缺陷,获得股骨和胫骨轮廓模型。
7.根据权利要求6所述的装置,其特征在于,所述提取模块进一步用于计算所述MR图像灰度直方图,估计得到阈值范围,确定COG重心与二十面体衍生模型初始半径,并根据衍生公式更新模型形态直至收敛分割出骨轮廓。
8.根据权利要求1所述的方法,其特征在于,所述配准模块进一步用于提取源点云中点的三维法线信息,并使用法线信息计算点的快速直方图特征,且对目标点云作相同的处理,通过在所述目标点云中寻找与在所述源点云中选取的快速直方图特征满足预设条件的点,获得匹配的点对,并计算出所述匹配的点对间的最小二乘变换作为配准结果,并将所述配准结果作为ICP算法的初始位姿估计,使用所述ICP算法继续迭代至收敛,获得最终的配准变换结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079580.3A CN111292306A (zh) | 2020-02-04 | 2020-02-04 | 膝关节ct与mr图像融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079580.3A CN111292306A (zh) | 2020-02-04 | 2020-02-04 | 膝关节ct与mr图像融合方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111292306A true CN111292306A (zh) | 2020-06-16 |
Family
ID=71025527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010079580.3A Pending CN111292306A (zh) | 2020-02-04 | 2020-02-04 | 膝关节ct与mr图像融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292306A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763297A (zh) * | 2021-06-30 | 2021-12-07 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种肩锁关节ct图像处理方法 |
CN113936100A (zh) * | 2021-10-12 | 2022-01-14 | 大连医科大学附属第二医院 | 一种人体膝关节十字交叉韧带止点提取与重建方法 |
CN117670951A (zh) * | 2023-11-14 | 2024-03-08 | 北京长木谷医疗科技股份有限公司 | 基于多模态交叉注意力机制的膝关节图像配准方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102940530A (zh) * | 2012-11-16 | 2013-02-27 | 昆明医科大学第一附属医院 | 一种虚拟构建前交叉韧带在股骨和胫骨隧道的方法 |
CN105139442A (zh) * | 2015-07-23 | 2015-12-09 | 昆明医科大学第一附属医院 | 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法 |
CN110353806A (zh) * | 2019-06-18 | 2019-10-22 | 北京航空航天大学 | 用于微创全膝关节置换手术的增强现实导航方法及*** |
-
2020
- 2020-02-04 CN CN202010079580.3A patent/CN111292306A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102940530A (zh) * | 2012-11-16 | 2013-02-27 | 昆明医科大学第一附属医院 | 一种虚拟构建前交叉韧带在股骨和胫骨隧道的方法 |
CN105139442A (zh) * | 2015-07-23 | 2015-12-09 | 昆明医科大学第一附属医院 | 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法 |
CN110353806A (zh) * | 2019-06-18 | 2019-10-22 | 北京航空航天大学 | 用于微创全膝关节置换手术的增强现实导航方法及*** |
Non-Patent Citations (1)
Title |
---|
杨金柱 等: "基于改进BET的MRI脑组织自动提取算法", 《东北大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763297A (zh) * | 2021-06-30 | 2021-12-07 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种肩锁关节ct图像处理方法 |
CN113936100A (zh) * | 2021-10-12 | 2022-01-14 | 大连医科大学附属第二医院 | 一种人体膝关节十字交叉韧带止点提取与重建方法 |
CN117670951A (zh) * | 2023-11-14 | 2024-03-08 | 北京长木谷医疗科技股份有限公司 | 基于多模态交叉注意力机制的膝关节图像配准方法及装置 |
CN117670951B (zh) * | 2023-11-14 | 2024-06-25 | 北京长木谷医疗科技股份有限公司 | 基于多模态交叉注意力机制的膝关节图像配准方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274389B (zh) | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 | |
Subburaj et al. | Automated identification of anatomical landmarks on 3D bone models reconstructed from CT scan images | |
Klinder et al. | Automated model-based vertebra detection, identification, and segmentation in CT images | |
Baka et al. | 2D–3D shape reconstruction of the distal femur from stereo X-ray imaging using statistical shape models | |
Almeida et al. | Fully automatic segmentation of femurs with medullary canal definition in high and in low resolution CT scans | |
CN111292306A (zh) | 膝关节ct与mr图像融合方法及装置 | |
Cheng et al. | Automatic segmentation technique for acetabulum and femoral head in CT images | |
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 | |
Baka et al. | Statistical shape model-based femur kinematics from biplane fluoroscopy | |
Cerveri et al. | Automated method for computing the morphological and clinical parameters of the proximal femur using heuristic modeling techniques | |
US20040101184A1 (en) | Automatic contouring of tissues in CT images | |
Jimenez-Carretero et al. | Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints | |
CN114332378A (zh) | 基于二维医学影像的人体骨骼三维模型获取方法及*** | |
Zheng et al. | Statistical shape and deformation models based 2D–3D reconstruction | |
Chen et al. | Automatic Insall–Salvati ratio measurement on lateral knee x-ray images using model-guided landmark localization | |
Scheys et al. | Image based musculoskeletal modeling allows personalized biomechanical analysis of gait | |
CN108898601B (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
Umadevi et al. | Enhanced Segmentation Method for bone structure and diaphysis extraction from x-ray images | |
Ghanavati et al. | Multi-slice to volume registration of ultrasound data to a statistical atlas of human pelvis | |
Pettersson et al. | Automatic hip bone segmentation using non-rigid registration | |
Zheng | Statistically deformable 2D/3D registration for accurate determination of post-operative cup orientation from single standard X-ray radiograph | |
Zheng et al. | Unsupervised reconstruction of a patient-specific surface model of a proximal femur from calibrated fluoroscopic images | |
Ehrhardt et al. | Atlas-based recognition of anatomical structures and landmarks to support the virtual three-dimensional planning of hip operations | |
Gamage et al. | 3D reconstruction of patient specific bone models from 2D radiographs for image guided orthopedic surgery | |
Subburaj et al. | 3D shape reasoning for identifying anatomical landmarks |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
RJ01 | Rejection of invention patent application after publication |