CN112381824A - 一种对图像的几何特征进行提取的方法和相关产品 - Google Patents
一种对图像的几何特征进行提取的方法和相关产品 Download PDFInfo
- Publication number
- CN112381824A CN112381824A CN202110040108.3A CN202110040108A CN112381824A CN 112381824 A CN112381824 A CN 112381824A CN 202110040108 A CN202110040108 A CN 202110040108A CN 112381824 A CN112381824 A CN 112381824A
- Authority
- CN
- China
- Prior art keywords
- value
- geometric
- dimensional
- vertex
- tetrahedral mesh
- 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
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
- G06T7/60—Analysis of geometric attributes
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (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)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种对图像的几何特征进行提取的方法和相关产品,其中方法包括根据病灶区域的三维图像数据来生成由多个顶点连接而成的四面体网格;利用所述顶点处的体素值来确定所述顶点处的几何特征值以及利用所述几何特征值来替换所述体素值,以实现对所述病灶区域的几何特征提取。本发明通过对病灶区域图像提取高阶几何特征,使得包含更加丰富的特征信息,从而能够反映病灶区域图像的本质几何属性,以便后续进一步的研究。
Description
技术领域
本发明总体涉及图像处理领域。更具体地,本发明涉及一种对图像的几何特征进行提取的方法、设备和计算机可读存储介质。
背景技术
病灶区域图像中包含有助于临床诊断的信息,因此对病灶区域的图像特征的提取显得尤为重要。目前传统的处理方式是提取病灶区域的影像组学特征或者几何特征(例如表面积和体积),并将影像组学特征或者几何特征用于后续的分析和研究,以期对病灶区域做出评价;又或者对病灶区域提取体素矩阵,并通过对体素矩阵训练来获取病灶区域特征。然而,采用传统方式提取的特征包含的信息较少,从而不能反映病灶区域的本质属性。因此,如何提取病灶区域的高阶几何特征并用于病灶区域分析成为亟需解决的问题。
发明内容
为了至少解决上面的技术问题,本发明提供一种对图像的几何特征进行提取的方案。利用本发明提取的高阶几何特征并将其表示为三维张量数据,以便后续的研究和分析。在一些应用场景中,前述获得的三维张量数据可以应用于人工智能领域,从而可以利用如深度学习等数据分析的方法对几何特征进行分析并做出评价。鉴于此,本发明在如下的多个方面提供相应的解决方案。
在一个方面中,本发明公开一种对图像的几何特征进行提取的方法,包括:根据病灶区域的三维图像数据来生成由多个顶点连接而成的四面体网格;利用所述顶点处的体素值来确定所述顶点处的几何特征值以及利用所述几何特征值来替换所述体素值,以实现对所述病灶区域的几何特征提取。
在一个实施例中,所述几何特征值是三维张量数据。
在另一个实施例中,生成所述四面体网格包括确定所述四面体网格的边界和内部顶点。
在又一个实施例中,确定所述四面体网格的边界包括根据所述三维图像数据的边界生成二维网格,以作为所述四面体网格的边界。
在又一个实施例中,确定所述四面体网格的内部顶点包括根据所述三维图像数据的体素顶点来确定所述四面体网格的内部顶点。
在又一个实施例中,根据所述三维图像数据的边界生成二维网格包括:利用布尔型变量来标记所述三维图像区域以及根据标记后的三维图像区域来生成所述二维网格。
在另外的实施例中,所述几何特征包括里奇曲率、梯度或平均曲率。
在一个实施例中,利用所述几何特征值来替换所述体素值包括:根据所述顶点处的体素值来计算所述顶点处的里奇曲率值、梯度值或平均曲率值以及利用所述里奇曲率值、梯度值或平均曲率值来替换所述顶点处的体素值。
在另一个方面中,本发明公开一种对图像的几何特征进行提取的设备,包括:处理器;以及与所述处理器相连接的存储器,所述存储器中存储有计算机程序代码,当所述计算机程序代码被执行时,使得所述处理器执行前述方法及多个实施例。
在又一方面中,本发明公开一种计算机可读存储介质,其上存储有用于对图像的几何特征进行提取的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现前述方法及多个实施例。
基于上文对本发明的方案的概括描述,本领域技术人员可以理解本发明根据病灶区域来重建四面体网格,并且利用该四面体网格的顶点处的体素值来确定几何特征值。进一步地,通过将顶点处的体素值替换为几何特征值,并且可选地将几何特征值表示为例如三维张量的张量数据,本发明的方案可以高效地提取出病灶区域的几何特征,以便后续对病灶区域的研究、分析和评估。基于本发明的几何特征提取方式,可以实现对病灶区域图像的高阶几何特征的提取,使得包含更加丰富的特征信息,从而能够反映目标图像区域本质几何属性,以便后续对目标图像区域的发展进行预测。进一步地,通过利用本发明获得的高阶几何特征,并将其表示为三维张量,以作为例如深度神经网络的机器学习算法的训练数据,可以训练获得针对于病灶发展趋势的预测模型,从而对病灶区域的发展做出准确预测,以便进行有效的人为干预。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示出根据本发明多个实施例的用于对图像的几何特征进行提取的方法的流程图;
图2是示出根据本发明多个实施例的用于生成二维网格的方法的示例性流程图;
图3是示出根据本发明多个实施例的四面体网格的示意图;
图4是示出根据本发明多个实施例的利用几何特征值替换体素值的方法的示例性流程图;
图5是示出根据本发明的多个实施例一部分网格顶点及其邻边的示例性示意图;以及
图6是示出根据本发明多个实施例的用于对图像的几何特征进行提取的设备的框图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚和完整地描述。应当理解的是本说明书所描述的实施例仅是本公开为了便于对方案的清晰理解和符合法律的要求而提供的部分实施例,而并非可以实现本发明的所有实施例。基于本说明书公开的实施例,本领域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,都属于本公开保护的范围。
图1是示出根据本发明多个实施例的用于对图像的几何特征进行提取的方法100的流程图。
首先,需要注意的是本发明的方法100可以通过包括例如计算机的各类计算设备来实施,其中涉及到的病灶区域的三维图像数据可以是通过例如电子计算机断层扫描(Computed Tomography,“CT”)技术或设备所获得的三维图像数据。进一步,本发明的病灶区域的三维图像数据中包含立方体结构,如体积元素(简称“体素”)。正如本领域技术人员所知,体素主要用于三维成像、科学数据与医学成像领域,其是数字数据在三维空间上所能进行分割和识别的最小单位。进一步,体素的数值(简称“体素值”)可以表示不同的特性。例如,在CT图像中,前述的体素值是亨氏单位(Hounsfield Unit,“HU”)。在一个实施例中,可以通过支持CT技术的设备来获取三维图像数据并且通过计算来获得本发明的体素值。在该情形中,体素值是图像的灰度值(即下文本发明实施例中所讨论涉及的灰度值)。附加地,可以对前述的灰度值进行转换以获得CT值,其单位是上述的亨氏单位。
如图1中所示,在基于例如上述讨论的CT技术获得三维图像数据后,在步骤102处,方法100可以根据病灶区域的三维图像数据来生成由多个顶点连接而成的四面体网格。在一个实施例中,生成四面体网格可以包括生成四面体网格的边界,再生成四面体网格的内部顶点。在该情形中,四面体网格的边界可以是根据三维图像数据的边界生成的二维网格,并且四面体网格的内部顶点可以是体素的顶点。进一步地,将生成的二维网格作为四面体网格的边界,由此可以利用该边界来获得四面体网格外表面的先验信息,从而加快了四面体网格的生成速度。进一步地,本发明实施例通过构建(或者说重建)四面体网格,可以对病灶区域的形状进行精确描述。进一步,本发明可以通过该四面体网格来确定高阶几何参数(例如梯度)的位置,以便为后续对病灶区域的分析提供更为准确的数据。在一个实施例中,生成四面体网格的操作也可以通过软件包来自动实现,例如可以选择包含三维约束三角剖分四面体化(Constrained Delaunay Tetrahedralization,“CDT”)功能的软件包来直接生成四面体网格。
在通过步骤102生成四面体网格后,流程前进到步骤104处。在该步骤104处,方法100利用所述顶点处的体素值来确定所述顶点处的几何特征值。如前所述,顶点处的体素值可以直接通过支持例如CT技术的装置或者设备来获得,并且获得的体素值通常是CT图像(即本发明实施例中的病灶区域图像)的灰度值,该灰度值可以是0-255之间的任一对应值。根据本发明的一个或多个实施例,前述的几何特征可以包括但不限于里奇曲率、梯度或者平均曲率。接着,在步骤106处,方法100利用所述几何特征值来替换所述体素值,以实现对所述病灶区域的几何特征提取。当本发明的几何特征是上述的里奇曲率、梯度或者平均曲率中的一种时,计算该顶点处的里奇曲率值、梯度值或者平均曲率值。基于此,利用前述步骤104处获得的四面体网格顶点处的里奇曲率值、梯度值或者平均曲率值作为该顶点处的灰度值来替换体素值。在一个实施例中,这里获得的里奇曲率值、梯度值或者平均曲率值可以是具有多个维度的张量数据,例如三维张量数据。
上文结合图1对本发明的几何特征提取方案进行了描述。基于上文的描述,本领域技术人员可以理解本发明首先对病灶区域重建四面体网格,并通过四面体网格顶点处的体素值来计算几何特征值,例如里奇曲率值、梯度值或者平均曲率值。进一步地,利用获得的几何特征值替换顶点处的体素值以提取几何特征,并且将该几何特征表示为三维张量,以便于后续的研究和分析。
结合上述描述,本发明通过对病灶区域图像的高阶几何特征的提取,使得包含更加丰富的特征信息,从而能够反映目标图像区域本质几何属性。同时,与传统的特征提取相比,本发明基于病灶区域图像提取的高阶几何特征更具可解释性。进一步地,通过利用本发明获得的高阶几何特征,并将其表示为三维张量,以作为例如深度神经网络的机器学习算法的训练数据,可以训练获得针对于病灶发展趋势的预测模型,从而对病灶区域的发展做出准确预测,以便进行有效的人为干预。
图2是示出根据本发明多个实施例的用于生成二维网格的方法200的示例性流程图。结合上文对图1的描述,本领域技术人员可以理解四面体网格的边界可以是根据三维图像数据的边界生成的二维网格。由此,本发明提出利用图2示出的方法200来获得前述的二维网格。这里需要指出的是方法200是图1所示方法100 中部分步骤的具体实现方式,因此关于方法100所做的相应描述也同样适用于下文对于方法200的讨论。
如图2中所示,在步骤202处,方法200利用布尔型变量来标记所述三维图像区域。在一个实施场景中,本领域技术人员可以理解二维网格的生成,其实质是对于布尔型变量(bool)数据外表面的网格生成。具体地,可以利用bool标记病灶区域的三维图像区域,并令其为,其中为光滑函数,为所述三维图像存在的区域。接着,在步骤204处,方法200根据标记后的三维图像区域来生成所述二维网格。例如,基于前述标记的三维图像区域,可以通过表示内部体素,表示外部体素,而(其中0<<1)则表示三维图像数据的边界,并通过光滑插值计算函数的等值面网格。在一个实施场景中,可以利用例如计算几何算法库(Computational Geometry Algorithms Library,“CGAL”)执行前述插值来生成二维网格。
在生成上述二维网格后,本领域技术人员可以对该二维网格进行前述的CDT处理,从而保证二维网格和四面体网格的边界一致性。也就是说,使得生成的二维网格恰好是四面体网格的边界。进一步地,本领域技术人员还可以对四面体网格进行更强的限制,即将三维数据的体素顶点作为四面体网格的内部顶点。由此,基于获得的二维网格和体素顶点,最终生成由多个顶点连接而成的四面体网格。为了便于理解,图3示出了根据本发明实施例生成的四面体网格的一部分的示例性示意图。根据获得的四面体网格,可以利用该网格各顶点处的灰度值以确定该网格顶点处的几何特征值。在一个实施例中,几何特征值可以是里奇曲率值、梯度值或者平均曲率值。进一步地,利用前述几何特征值替换四面体网格顶点处的体素值。
图4是示出根据本发明多个实施例的用于利用几何特征值替换体素值的方法400的示例性流程图。这里需要理解的是方法400是图1所示方法100中部分步骤的一种具体实现方式,因此关于方法100所做的相应描述也同样适用于方法400。
根据前文的描述,在生成由多个顶点连接而成的四面体网格后,在步骤402处,方法400可以根据前述生成的四面体网格的网格顶点处的体素值来计算所述顶点处的里奇曲率值、梯度值或平均曲率值。在一个实施场景中,可以通过下面所描述的数学操作来计算里奇曲率值。首先,可以定义四面体网格中的顶点邻接的边的权值,并将其表示为:
其中,表示边的权值,和分别表示顶点和处的权重,表示所有与顶点邻接的边(不包括边),表示所有与顶点邻接的边(不包括边)。为了便于理解,图5示出了根据本发明多个实施例的部分网格顶点及其邻边的示例性示意图。
如图5所示,和可以表示上述生成的四面体网格中共边的两个顶点,为顶点和顶点的连接边。进一步,顶点还包括与其邻接的边、以及。类似地,顶点也包括与其邻接的边、以及。在一个实施例中,将顶点处的权重定义为,顶点处的权重定义为,前述权重和可以是顶点和顶点处的体素值(即灰度值)。由此,基于顶点和顶点处的权重和,可以获得和共边的权重:
在另一个实施例中,可以只基于上述公式(1)和公式(2)来计算四面体网格中的顶点邻接的边的权重。例如,可以分别计算顶点处相互正交的三个轴(即x轴、y轴、z轴)上的权重,将该三个轴的权重作为里奇曲率值。前述三个轴重可以表示三维张量的张量数据。由此,里奇曲率值可以被表示为三维张量。
上文就如何计算获得里奇曲率值进行了示例性的描述。关于上述提到的几何特征值涉及的梯度值,在一个实施场景中,可以首先采用高斯函数对四面体网格进行卷积,基于卷积后的四面体网格计算其梯度。进一步地,对获得的梯度计算其模长。采用数学方式将四面体网格的梯度值计算表示为。具体地,表示方差为的高斯分布,表示卷积,表示四面体网格中的体素值(即灰度值)。针对高斯卷积运算,本领域技术人员可以通过图像处理软件(例如MATLAB)直接调用高斯滤波函数来进行计算。需要理解的是,在该情形下,前述获得顶点处的梯度值是一个实数。本领域技术人员还可以通过分别计算顶点处的三个轴(即x轴、y轴、z轴)的偏导数,以该三个轴上的偏导数作为三维张量的三个维度上的张量数据。由此,梯度值也可以被表示为三维张量。
上述等值面可以理解成是具有相同灰度值的点的集合所组成的曲面。对于三维数据来说,其可以看成是多个前述等值面的集合。需要理解的是,基于前述定义获得的平均曲率是一个实数。由此,平均曲率可以直接采用基于公式(4)计算得到的实数表示。
返回到图4,基于上述获得里奇曲率值、梯度值或者平均曲率值后,接着方法400前进至步骤404。在该步骤404处,方法400利用所述里奇曲率值、梯度值或平均曲率值来替换所述顶点处的体素值。具体来说,可以将每个顶点处的体素值替换成上述获得的里奇曲率值、梯度值或平均曲率值,其中里奇曲率值和梯度值可以表示为三维张量。由此,本发明通过确定里奇曲率值、梯度值或平均曲率值而实现了对病灶区域的几何特征的提取。
结合上述描述,本发明实施例通过对病灶区域提取高阶几何特征值,例如里奇曲率值、梯度值或者平均曲率值,并且将里奇曲率值和梯度值表示三维张量。进一步地,本发明实施例病灶区域的体素值替换成前述几何特征值,便于后续的分析和研究。在一个实现场景中,本领域技术人员可以将获得的几何特征值作为数据源,应用于例如神经网络,经过训练或深度学习以获得针对病灶区域发展趋势的预测模型,从而对病灶区域的发展做出准确预测,以便进行有效的人为干预。
图6是示出根据本发明多个实施例的用于对图像的几何特征进行提取的设备600的框图。如图6中所示,本发明用于几何特征提取的设备可以包括CPU 611,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备600还可以包括大容量存储器612和/或只读存储器ROM 613,其中大容量存储器612可以配置用于存储各类数据,包括各种病灶区域图像数据、算法数据、中间结果和运行设备600所需要的各种程序,ROM 613可以配置成存储对于设备600的加电自检、***中各功能模块的初始化、***的基本输入/输出的驱动程序及引导操作***所需的数据。
可选地,设备600还可以包括其他的硬件平台或组件,例如示出的TPU (张量处理单元)614、GPU(图形处理单元)615、FPGA (现场可编程门阵列)616和MLU (机器学***台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备600可以仅包括CPU来实现本发明用于病灶区域的几何特征进行提取的操作。
本发明的设备600还可以包括通信接口618,从而可以通过该通信接口618连接到局域网/无线局域网(LAN/WLAN)605,进而可以通过LAN/WLAN连接到本地服务器606或连接到因特网(“Internet”)607。替代地或附加地,本发明的设备600还可以通过通信接口618基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、***(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明的设备600还可以根据需要访问外部网络的服务器608和数据库609,以便获得各种已知的图像模型、数据和模块,并且可以远程地存储各种数据,例如用于提取病灶区域图像中的几何特征的各类数据。
设备600的***设备可以包括显示装置602、输入装置603以及数据传输接口604。在一个实施例中,显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本发明的显示病灶区域图像的运算过程或者最终结果进行语音提示和/或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件,其配置用于接收病灶区域图像数据的输入和/或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机***接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或***的数据传输和交互。根据本发明的方案,该数据传输接口604还可以接收来自于CT设备的病灶区域图像或病灶区域图像数据,并且向设备600传送该病灶区域图像数据或各种其他类型的数据和结果。
本发明的设备600的上述CPU 611、大容量存储器612、只读存储器ROM 613、TPU614、GPU 615、FPGA 616、MLU 617和通信接口618可以通过总线619相互连接,并且通过该总线与***设备实现数据交互。在一个实施例中,通过该总线619,CPU 611可以控制设备600中的其他硬件组件及其***设备。
以上结合图6描述了可以用于执行本发明的用于提取图像(例如包括病灶区域图像)的几何特征的设备。需要理解的是这里的设备结构仅仅是示例性的,本发明的实现方式和实现实体并不受其限制,而是可以在不偏离本发明的精神下做出改变。
还应当理解,本发明示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质,诸如存储介质、计算机存储介质或数据存储设备(可移除的和/或不可移除的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性,可移动和不可移动介质,例如计算机可读指令、数据结构、程序模块或其他数据。
基于上文,本发明还公开了一种计算机可读存储介质,其中存储有程序指令,所述程序指令适于由处理器加载并执行以下操作:
根据病灶区域的三维图像数据来生成由多个顶点连接而成的四面体网格;利用所述顶点处的体素值来确定所述顶点处的几何特征值;以及利用所述几何特征值来替换所述体素值,以实现对所述病灶区域的几何特征提取。总之,该计算机可读存储介质包括了用于执行结合图1-图5所述的处理操作的程序指令。
依据以下条款可更好地理解前述内容:
条款A1、一种对图像的几何特征进行提取的方法,包括:
根据病灶区域的三维图像数据来生成由多个顶点连接而成的四面体网格;
利用所述顶点处的体素值来确定所述顶点处的几何特征值;以及
利用所述几何特征值来替换所述体素值,以实现对所述病灶区域的几何特征提取。
条款A2、根据条款A1所述的方法,其中所述几何特征值是三维张量数据。
条款A3、根据条款A1或A2所述的方法,其中生成所述四面体网格包括确定所述四面体网格的边界和内部顶点。
条款A4、根据条款A1-A3的任意一项所述的方法,其中确定所述四面体网格的边界包括根据所述三维图像数据生成二维网格,以作为所述四面体网格的边界。
条款A5、根据条款A1-A4的任意一项所述的方法,其中确定所述四面体网格的内部顶点包括根据所述三维图像数据的体素顶点来确定所述四面体网格的内部顶点。
条款A6、根据条款A1-A5的任意一项所述的方法,其中根据所述三维图像数据生成二维网格包括:
利用布尔型变量来标记所述三维图像区域;以及
根据标记后的三维图像区域来生成所述二维网格。
条款A7、根据条款A1-A6的任意一项所述的方法,其中所述几何特征包括里奇曲率、梯度或平均曲率。
条款A8、根据条款A1-A7的任意一项所述的方法,其中利用所述几何特征值来替换所述体素值包括:
根据所述顶点处的体素值来计算所述顶点处的里奇曲率值、梯度值或平均曲率值;以及
利用所述里奇曲率值、梯度值或平均曲率值来替换所述顶点处的体素值。
条款A9、一种对图像的几何特征进行提取的设备,还包括:
处理器;以及
与所述处理器相连接的存储器,所述存储器中存储有计算机程序代码,当所述计算机程序代码被所述处理器执行时,使得所述设备执行如条款A1-A8中任意一项所述的方法。
条款A10、一种计算机可读存储介质,其上存储有用于对病灶区域图像的几何特征进行提取的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如条款A1-A8中任意一项所述的方法。
应当理解,本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
虽然本发明的实施方式如上,但所述内容只是为便于理解本发明而采用的实施例,并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种对图像的几何特征进行提取的方法,包括:
根据病灶区域的三维图像数据来生成由多个顶点连接而成的四面体网格;
利用所述顶点处的体素值来确定所述顶点处的几何特征值;以及
利用所述几何特征值来替换所述体素值,以实现对所述病灶区域的几何特征提取。
2.根据权利要求1所述的方法,其中所述几何特征值是三维张量数据。
3.根据权利要求1所述的方法,其中生成所述四面体网格包括确定所述四面体网格的边界和内部顶点。
4.根据权利要求3所述的方法,其中确定所述四面体网格的边界包括根据所述三维图像数据的边界生成二维网格,以作为所述四面体网格的边界。
5.根据权利要求3所述的方法,其中确定所述四面体网格的内部顶点包括根据所述三维图像数据的体素顶点来确定所述四面体网格的内部顶点。
6.根据权利要求4所述的方法,其中根据所述三维图像数据的边界生成二维网格包括:
利用布尔型变量来标记三维图像区域;以及
根据标记后的三维图像区域来生成所述二维网格。
7.根据权利要求1所述的方法,其中所述几何特征包括里奇曲率、梯度或平均曲率。
8.根据权利要求6所述的方法,其中利用所述几何特征值来替换所述体素值包括:
根据所述顶点处的体素值来计算所述顶点处的里奇曲率值、梯度值或平均曲率值;以及
利用所述里奇曲率值、梯度值或平均曲率值来替换所述顶点处的体素值。
9.一种对图像的几何特征进行提取的设备,还包括:
处理器;以及
与所述处理器相连接的存储器,所述存储器中存储有计算机程序代码,当所述计算机程序代码被所述处理器执行时,使得所述设备执行如权利要求1-8中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有用于对图像的几何特征进行提取的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如权利要求1-8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040108.3A CN112381824B (zh) | 2021-01-13 | 2021-01-13 | 一种对图像的几何特征进行提取的方法和相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040108.3A CN112381824B (zh) | 2021-01-13 | 2021-01-13 | 一种对图像的几何特征进行提取的方法和相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381824A true CN112381824A (zh) | 2021-02-19 |
CN112381824B CN112381824B (zh) | 2021-07-02 |
Family
ID=74590911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110040108.3A Active CN112381824B (zh) | 2021-01-13 | 2021-01-13 | 一种对图像的几何特征进行提取的方法和相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381824B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708973A (zh) * | 2022-06-06 | 2022-07-05 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的方法和相关产品 |
CN114820674A (zh) * | 2022-05-17 | 2022-07-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 电弧轮廓提取方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109285225A (zh) * | 2018-10-15 | 2019-01-29 | 东北大学 | 一种基于医学影像的虚拟现实辅助手术的建立方法 |
US20200058156A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Dense three-dimensional correspondence estimation with multi-level metric learning and hierarchical matching |
CN112085714A (zh) * | 2020-08-31 | 2020-12-15 | 广州视源电子科技股份有限公司 | 一种肺结节检测方法、模型训练方法、装置、设备及介质 |
-
2021
- 2021-01-13 CN CN202110040108.3A patent/CN112381824B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20200058156A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Dense three-dimensional correspondence estimation with multi-level metric learning and hierarchical matching |
CN109285225A (zh) * | 2018-10-15 | 2019-01-29 | 东北大学 | 一种基于医学影像的虚拟现实辅助手术的建立方法 |
CN112085714A (zh) * | 2020-08-31 | 2020-12-15 | 广州视源电子科技股份有限公司 | 一种肺结节检测方法、模型训练方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
徐士彪等: "基于形状特征的三维模型检索技术综述", 《中国体视觉与图像分析》 * |
籍冉冉等: "用于保特征四边形网格生成的改进 Morse算法", 《大连理工大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820674A (zh) * | 2022-05-17 | 2022-07-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 电弧轮廓提取方法、装置、计算机设备和存储介质 |
CN114820674B (zh) * | 2022-05-17 | 2024-04-05 | 中国南方电网有限责任公司超高压输电公司广州局 | 电弧轮廓提取方法、装置、计算机设备和存储介质 |
CN114708973A (zh) * | 2022-06-06 | 2022-07-05 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的方法和相关产品 |
CN114708973B (zh) * | 2022-06-06 | 2022-09-13 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112381824B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288808B2 (en) | System and method for n-dimensional image segmentation using convolutional neural networks | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
EP3382642B1 (en) | Highly integrated annotation and segmentation system for medical imaging | |
US20220122263A1 (en) | System and method for processing colon image data | |
Saha et al. | A survey on skeletonization algorithms and their applications | |
JP7324268B2 (ja) | 複雑なデータのリアルタイムレンダリングのためのシステムおよび方法 | |
US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
CN112381824B (zh) | 一种对图像的几何特征进行提取的方法和相关产品 | |
CN112381822B (zh) | 一种用于处理肺部病灶区图像的方法和相关产品 | |
US11776130B2 (en) | Progressively-trained scale-invariant and boundary-aware deep neural network for the automatic 3D segmentation of lung lesions | |
CN110163872A (zh) | 一种hrmr图像分割与三维重建的方法及电子设备 | |
CN112183541A (zh) | 一种轮廓提取方法及装置、电子设备、存储介质 | |
Ogiela et al. | Natural user interfaces in medical image analysis | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN112767340A (zh) | 基于神经网络模型对病灶区进行评估的设备和相关产品 | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估***和相关产品 | |
CN113362291A (zh) | 用于获取图像中目标物的方法和相关产品 | |
CN112884706B (zh) | 一种基于神经网络模型的图像评估***和相关产品 | |
CN112381825B (zh) | 用于病灶区图像几何特征提取的方法和相关产品 | |
Ankireddy | Assistive diagnostic tool for brain tumor detection using computer vision | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
Hong et al. | An implicit skeleton-based method for the geometry reconstruction of vasculatures | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
GB2611601A (en) | Image processing method and device | |
CN112785562A (zh) | 一种基于神经网络模型进行评估的***和相关产品 |
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 |