CN116258737A - 一种基于区域生长的膝关节股骨胫骨分割方法及*** - Google Patents

一种基于区域生长的膝关节股骨胫骨分割方法及*** Download PDF

Info

Publication number
CN116258737A
CN116258737A CN202310344858.9A CN202310344858A CN116258737A CN 116258737 A CN116258737 A CN 116258737A CN 202310344858 A CN202310344858 A CN 202310344858A CN 116258737 A CN116258737 A CN 116258737A
Authority
CN
China
Prior art keywords
knee joint
data
tibia
femur
segmentation
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
Application number
CN202310344858.9A
Other languages
English (en)
Inventor
侯尧
王少白
刘金涛
沈汇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhuoxin Medical Technology Co ltd
Original Assignee
Shanghai Zhuoxin Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Zhuoxin Medical Technology Co ltd filed Critical Shanghai Zhuoxin Medical Technology Co ltd
Priority to CN202310344858.9A priority Critical patent/CN116258737A/zh
Publication of CN116258737A publication Critical patent/CN116258737A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/187—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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T7/11—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及医学影像处理技术领域，提供了基于区域生长的膝关节股骨胫骨分割方法，包括：S1：获取膝关节医学影像；S2：选取生长种子点；S3：对膝关节医学影像粗分割，获得膝关节骨干数据；S4：对膝关节医学影像细分割，获得膝关节连接数据；S5：对膝关节骨干数据和膝关节连接数据进行融合，获得轮廓完整的膝关节股骨胫骨影像数据；S6：对膝关节股骨胫骨影像数据进行粗填充，获得进行粗填充后的膝关节股骨胫骨影像数据；S7：对膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的影像数据。以解决膝关节置换手术术前规划中股骨胫骨分割速度慢、分割效果不稳定以及分割不完整和粘连等问题。

Description

一种基于区域生长的膝关节股骨胫骨分割方法及***
技术领域
本发明涉及医疗影像处理的技术领域，尤其涉及一种基于区域生长的膝关节股骨胫骨分割方法及***。
背景技术
膝关节处的股骨和胫骨是连接整个膝关节最为重要的两大骨块，股骨和胫骨分割是膝关节置换手术中不可或缺的一步，在膝关节置换手术的术前规划中，需要精准快速的分割出股骨和胫骨。
现有技术中大多利用深度学习的方法分割股骨和胫骨，该方法存在运行速度慢、对计算机配置要求高以及对一些复杂病例分割不稳定的问题，而利用传统的分割算法则会存在分割不完整以及粘连等问题。
发明内容
针对上述问题，本发明的目的在于提供一种基于区域生长的膝关节股骨胫骨分割方法及***，以解决膝关节置换手术术前规划中膝关节股骨胫骨分割速度慢、分割效果不稳定以及分割不完整和粘连等问题。
本发明的上述发明目的是通过以下技术方案得以实现的：
一种基于区域生长的膝关节股骨胫骨分割方法，包括以下步骤：
S1：获取待分割的膝关节医学影像；
S2：手动选取所述膝关节医学影像上的股骨或胫骨的生长种子点；
S3：对所述膝关节医学影像进行粗分割，获得进行所述粗分割后的膝关节骨干数据；
S4：对所述膝关节医学影像进行细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的膝关节连接数据；
S5：对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据；
S6：对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据；
S7：对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
进一步地，在步骤S3中，对所述膝关节医学影像进行所述粗分割，获得进行所述粗分割后的所述膝关节骨干数据，具体为：
设定第一HU值范围，将所述膝关节医学影像数据中在所述第一HU值范围内的数据点加入生长队列，并将所述数据点标记为三维模型点；
设定第二HU值范围，将所述膝关节医学影像数据中在所述第二HU值范围内的所述数据点标记为所述三维模型点，但不加入所述生长队列；
其中，所述第一HU值范围和所述第二HU值范围为所述膝关节医学影像数据中表示骨的HU值范围，且所述第一HU值范围中的HU值大于所述第二HU值范围中的HU值。
进一步地，在步骤S4中，对所述膝关节医学影像进行所述细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的所述膝关节连接数据，具体为：
以所述生长种子点为起点，统计所述生长队列中每个待生长点的3*3*3空间领域的HU平均值；
若所述待生长点的HU值高于所述HU平均值，同时判断所述待生长点不位于股骨和胫骨的连接处时，将所述待生长点加入所述生长队列并标记为所述三维模型点；
对所述生长队列中的所述待生长点进行不断迭代，获得进行所述细分割后的膝关节股骨和胫骨连接处的所述膝关节连接数据。
其中，判断所述待生长点不位于股骨和胫骨的连接处，具体为；
利用所述膝关节医学影像中层与层之间的关系，当所述待生长点的HU值高于上层点的HU值或高于下层点的HU值时，所述待生长点不位于股骨和胫骨的连接处。
进一步地，在步骤S5中，对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据，具体为：
分别获取通过所述粗分割后的所述膝关节骨干数据中的所述三维模型点和通过所述细分割后的所述膝关节连接数据中标记的所述三维标记点；
对所述膝关节骨干数据中的所述三维模型点和所述膝关节连接数据中标记的所述三维标记点进行合并融合，合并融合后的所有的所述三维标记点组成的影像数据为轮廓完整的所述膝关节股骨胫骨影像数据。
进一步地，在步骤S6中，对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的所述数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据，具体为：
判断所述膝关节股骨胫骨影像数据中的所述数据点在X，Y，Z三个方向上是否都存在标记过的所述三维模型点，若在X，Y，Z三个方向上都存在标记过的所述三维模型点，则认为所述数据点位于骨内部，标记为所述三维模型点；
经过对所述膝关节股骨胫骨影像数据中的所述数据点的不断迭代，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据。
进一步地，在步骤S7中，对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用所述三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据，具体为：
构建三维滑动窗口，将所述三维滑动窗口置于进行所述粗填充后的所述膝关节股骨胫骨影像数据中；
依次滑动所述三维滑动窗口，当所述三维滑动窗口中的三维中心点对应的所述数据点未被标记为所述三维模型点时，判断所述三维滑动窗口与进行所述粗填充后的所述膝关节股骨胫骨影像数据之间所述三维标记点重叠的方向的个数，若重叠方向个数大于4，则将所述数据点标记为所述三维模型点，并加入所述生长队列；
经过不断迭代，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
一种用于执行如上述的基于区域生长的膝关节股骨胫骨分割方法的基于区域生长的膝关节股骨胫骨分割***，包括：
影像获取模块，用于获取待分割的膝关节医学影像；
种子点选取模块，用于手动选取所述膝关节医学影像上的股骨或胫骨的生长种子点；
粗分割模块，用于对所述膝关节医学影像进行粗分割，获得进行所述粗分割后的膝关节骨干数据；
细分割模块，用于对所述膝关节医学影像进行细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的膝关节连接数据；
数据融合模块，用于对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据；
粗填充模块，用于对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据；
细填充模块，用于对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有计算机代码，所述计算机代码被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上述的方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如上述的方法被执行。
与现有技术相比，本发明包括以下有益效果是：
本发明通过提供一种基于区域生长的膝关节股骨胫骨分割方法，包括：S1：获取待分割的膝关节医学影像；S2：手动选取所述膝关节医学影像上的股骨或胫骨的生长种子点；S3：对所述膝关节医学影像进行粗分割，获得进行所述粗分割后的膝关节骨干数据；S4：对所述膝关节医学影像进行细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的膝关节连接数据；S5：对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据；S6：对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据；S7：对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。上述技术方案，通过采用区域生长方法和计算机图像处理技术对医学图像数据进行处理，解决了目前传统方法分割缺失、粘连以及深度学习方法分割速度较慢的问题，实现了膝关节分割稳定及速度较快的技术效果，为膝关节置换手术提供了一个较好的基础。
附图说明
图1为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法的整体流程示意图；
图2为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗分割方法流程示意图；
图3为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗分割方法的分割效果图；
图4为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中细分割方法流程示意图；
图5为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中细分割方法的分割效果图；
图6为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗分割和细分割数据融合效果图；
图7为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中股骨胫骨粗填充的流程示意图；
图8为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗填充效果图；
图9为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中股骨胫骨细填充的流程示意图；
图10为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中细填充效果图；
图11为本发明提供的一种基于区域生长的膝关节股骨胫骨分割***的整体结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
第一实施例
如图1所示，本实施例提供了一种基于区域生长的膝关节股骨胫骨分割方法，包括以下步骤：
S1：获取待分割的膝关节医学影像。
具体的，对于本发明涉及的膝关节医学影像可以是通过任意一种医院专业的医疗影像设备采集的膝关节医学影像。例如：X射线投影设备，CT投影设备等采集的医学影像。本发明对膝关节医学影像的采集方式不做任何限制。
S2：手动选取所述膝关节医学影像上的股骨或胫骨的生长种子点。
具体的，由于每个病人的膝关节医学影像数据具有差异性，需要医生根据每个病人的特性在股骨和胫骨上分别选取股骨、胫骨的生长种子点，用于后续的分割和填充过程。
S3：对所述膝关节医学影像进行粗分割，获得进行所述粗分割后的膝关节骨干数据，具体为：
设定第一HU值范围，将所述膝关节医学影像数据中在所述第一HU值范围内的数据点加入生长队列，并将所述数据点标记为三维模型点；设定第二HU值范围，将所述膝关节医学影像数据中在所述第二HU值范围内的所述数据点标记为所述三维模型点，但不加入所述生长队列；其中，所述第一HU值范围和所述第二HU值范围为所述膝关节医学影像数据中表示骨的HU值范围，且所述第一HU值范围中的HU值大于所述第二HU值范围中的HU值。
在本实施例中，第一HU值范围设置为HU值高于700，第二HU值范围设置为HU值在400-700之间。HU值是医学影像中测定人体组织或器官密度大小的一种计量单位，骨的HU值和其他组织有较大差别，骨的HU值一般高达400以上，基于这一特点，将区域生长中的粗生长条件分为两部分，第一部分：HU值高于700(第一HU值范围)的数据点率先加入生长队列中，并且标记为三维模型点；第二部分：数据点HU值范围在400-700之间(第二HU值范围)的，将其标记为三维模型点，但是不加入生长队列，避免过度生长。获得具有明显特征的膝关节骨干数据，图2为本发明提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗分割方法流程示意图，图3为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗分割方法的分割效果图。
S4：对所述膝关节医学影像进行细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的膝关节连接数据，具体为：
本申请为了优化传统分割算法中出现的粘连问题，充分利用每个数据点的位置信息，以所述生长种子点为起点，统计所述生长队列中每个待生长点的3*3*3空间领域的HU平均值；
将每个待生长点对应的空间邻域HU平均值作为参考标准，如果数据点HU值低于空间邻域HU平均值，说明该数据点可能位于骨的边缘处或者位于骨与骨的连接处；若所述待生长点的HU值高于所述HU平均值，说明该数据点位于骨点上，就进入下一步，该方法通过自适应调整不同位置处数据点的参考标准，可以有效避免大部分粘连，但由于病人膝关节医学影像数据较为特殊复杂，会存在噪声等问题。因此，在下一步中，充分利用膝关节医学影像数据中层与层之间的关系，当待生长点位于股骨和胫骨连接处时，该点在矢状面垂直方向上的HU值分布会存在一个最低点，即当待生长点的HU值满足高于上层股骨点HU值或高于下层胫骨点HU值时，则认为该待生长点不会位于股骨胫骨连接处的最低点，将所述待生长点加入所述生长队列并标记为所述三维模型点；
对所述生长队列中的所述待生长点进行不断迭代，获得进行所述细分割后的膝关节股骨和胫骨连接处的所述膝关节连接数据。图4为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中细分割方法流程示意图，图5为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中细分割方法的分割效果图。
S5：对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据，具体为：
分别获取通过所述粗分割后的所述膝关节骨干数据中的所述三维模型点和通过所述细分割后的所述膝关节连接数据中标记的所述三维标记点；对所述膝关节骨干数据中的所述三维模型点和所述膝关节连接数据中标记的所述三维标记点进行合并融合，合并融合后的所有的所述三维标记点组成的影像数据为轮廓完整的所述膝关节股骨胫骨影像数据。
图6为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗分割和细分割数据融合效果图。通过上述方法可以有效避免股骨胫骨粘连的问题，同时较为完整的分割出股骨和胫骨的整体轮廓。
S6：对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据。
具体的，在膝关节分割中，由于存在噪声点，会存在一些孔洞的情况，为了获得较为完整、平滑的三维数据，先对其进行粗填充，引入数据点的位置信息，判断所述膝关节股骨胫骨影像数据中的所述数据点在X，Y，Z三个方向上是否都存在标记过的所述三维模型点，若在X，Y，Z三个方向上都存在标记过的所述三维模型点，则认为所述数据点位于骨内部，标记为所述三维模型点；经过对所述膝关节股骨胫骨影像数据中的所述数据点的不断迭代，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据。
图7为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中股骨胫骨粗填充的流程示意图，图8为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中粗填充效果图。
S7：对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据，具体为：
构建一个空间三维滑动窗口，将所述三维滑动窗口置于进行所述粗填充后的三维的所述膝关节股骨胫骨影像数据中；
依次滑动所述三维滑动窗口，当所述三维滑动窗口中的三维中心点对应的所述数据点未被标记为所述三维模型点时，判断所述三维滑动窗口与进行所述粗填充后的所述膝关节股骨胫骨影像数据之间所述三维标记点重叠的方向的个数(依次判断数据点的上下左右前后6个方向)，若重叠方向个数大于4，则将所述数据点标记为所述三维模型点，并加入所述生长队列；经过不断迭代，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
图9为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中股骨胫骨细填充的流程示意图，图10为本申请提供的一种基于区域生长的膝关节股骨胫骨分割方法中细填充效果图。
第二实施例
如图11所示，本实施例提供了一种用于执行如第一实施例中的基于区域生长的膝关节股骨胫骨分割方法的基于区域生长的膝关节股骨胫骨分割***，包括：
影像获取模块1，用于获取待分割的膝关节医学影像；
种子点选取模块2，用于手动选取所述膝关节医学影像上的股骨或胫骨的生长种子点；
粗分割模块3，用于对所述膝关节医学影像进行粗分割，获得进行所述粗分割后的膝关节骨干数据；
细分割模块4，用于对所述膝关节医学影像进行细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的膝关节连接数据；
数据融合模块5，用于对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据；
粗填充模块6，用于对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据；
细填充模块7，用于对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
一种计算机可读存储介质，计算机可读存储介质存储有计算机代码，当计算机代码被执行时，如上述方法被执行。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于区域生长的膝关节股骨胫骨分割方法，其特征在于，包括以下步骤：
S1：获取待分割的膝关节医学影像；
S2：手动选取所述膝关节医学影像上的股骨或胫骨的生长种子点；
S3：对所述膝关节医学影像进行粗分割，获得进行所述粗分割后的膝关节骨干数据；
S4：对所述膝关节医学影像进行细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的膝关节连接数据；
S5：对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据；
S6：对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据；
S7：对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
2.根据权利要求1所述的基于区域生长的膝关节股骨胫骨分割方法，其特征在于，在步骤S3中，对所述膝关节医学影像进行所述粗分割，获得进行所述粗分割后的所述膝关节骨干数据，具体为：
设定第一HU值范围，将所述膝关节医学影像数据中在所述第一HU值范围内的数据点加入生长队列，并将所述数据点标记为三维模型点；
设定第二HU值范围，将所述膝关节医学影像数据中在所述第二HU值范围内的所述数据点标记为所述三维模型点，但不加入所述生长队列；
其中，所述第一HU值范围和所述第二HU值范围为所述膝关节医学影像数据中表示骨的HU值范围，且所述第一HU值范围中的HU值大于所述第二HU值范围中的HU值。
3.根据权利要求2所述的基于区域生长的膝关节股骨胫骨分割方法，其特征在于，在步骤S4中，对所述膝关节医学影像进行所述细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的所述膝关节连接数据，具体为：
以所述生长种子点为起点，统计所述生长队列中每个待生长点的3*3*3空间领域的HU平均值；
若所述待生长点的HU值高于所述HU平均值，同时判断所述待生长点不位于股骨和胫骨的连接处时，将所述待生长点加入所述生长队列并标记为所述三维模型点；
对所述生长队列中的所述待生长点进行不断迭代，获得进行所述细分割后的膝关节股骨和胫骨连接处的所述膝关节连接数据。
4.根据权利要求3所述的基于区域生长的膝关节股骨胫骨分割方法，其特征在于，判断所述待生长点不位于股骨和胫骨的连接处，具体为；
利用所述膝关节医学影像中层与层之间的关系，当所述待生长点的HU值高于上层点的HU值或高于下层点的HU值时，所述待生长点不位于股骨和胫骨的连接处。
5.根据权利要求3所述的基于区域生长的膝关节股骨胫骨分割方法，其特征在于，在步骤S5中，对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据，具体为：
分别获取通过所述粗分割后的所述膝关节骨干数据中的所述三维模型点和通过所述细分割后的所述膝关节连接数据中标记的所述三维标记点；
对所述膝关节骨干数据中的所述三维模型点和所述膝关节连接数据中标记的所述三维标记点进行合并融合，合并融合后的所有的所述三维标记点组成的影像数据为轮廓完整的所述膝关节股骨胫骨影像数据。
6.根据权利要求5所述的基于区域生长的膝关节股骨胫骨分割方法，其特征在于，在步骤S6中，对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的所述数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据，具体为：
判断所述膝关节股骨胫骨影像数据中的所述数据点在X，Y，Z三个方向上是否都存在标记过的所述三维模型点，若在X，Y，Z三个方向上都存在标记过的所述三维模型点，则认为所述数据点位于骨内部，标记为所述三维模型点；
经过对所述膝关节股骨胫骨影像数据中的所述数据点的不断迭代，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据。
7.根据权利要求6所述的基于区域生长的膝关节股骨胫骨分割方法，其特征在于，在步骤S7中，对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用所述三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据，具体为：
构建三维滑动窗口，将所述三维滑动窗口置于进行所述粗填充后的所述膝关节股骨胫骨影像数据中；
依次滑动所述三维滑动窗口，当所述三维滑动窗口中的三维中心点对应的所述数据点未被标记为所述三维模型点时，判断所述三维滑动窗口与进行所述粗填充后的所述膝关节股骨胫骨影像数据之间所述三维标记点重叠的方向的个数，若重叠方向个数大于4，则将所述数据点标记为所述三维模型点，并加入所述生长队列；
经过不断迭代，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
8.一种用于执行如权利要求1-7任意一项所述的基于区域生长的膝关节股骨胫骨分割方法的基于区域生长的膝关节股骨胫骨分割***，其特征在于，包括：
影像获取模块，用于获取待分割的膝关节医学影像；
种子点选取模块，用于手动选取所述膝关节医学影像上的股骨或胫骨的生长种子点；
粗分割模块，用于对所述膝关节医学影像进行粗分割，获得进行所述粗分割后的膝关节骨干数据；
细分割模块，用于对所述膝关节医学影像进行细分割，优化区域生长算法中的生长条件，补充进行所述粗分割后的所述膝关节骨干数据中缺失的膝关节数据，获得进行所述细分割后的膝关节股骨和胫骨连接处的膝关节连接数据；
数据融合模块，用于对通过所述粗分割后的所述膝关节骨干数据和通过所述细分割后的所述膝关节连接数据进行数据融合，获得轮廓完整的膝关节股骨胫骨影像数据；
粗填充模块，用于对融合后的所述膝关节股骨胫骨影像数据进行粗填充，填充位于骨内部的数据点，获得进行所述粗填充后的所述膝关节股骨胫骨影像数据；
细填充模块，用于对进行所述粗填充后的所述膝关节股骨胫骨影像数据利用三维滑动窗口迭代填充孔洞，获得与周围数据形态一致、位置一致以及完整平滑的所述膝关节股骨胫骨影像数据。
9.一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有计算机代码，所述计算机代码被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如权利要求1至7中任一项所述的方法被执行。
CN202310344858.9A 2023-04-03 2023-04-03 一种基于区域生长的膝关节股骨胫骨分割方法及*** Pending CN116258737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310344858.9A CN116258737A (zh) 2023-04-03 2023-04-03 一种基于区域生长的膝关节股骨胫骨分割方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310344858.9A CN116258737A (zh) 2023-04-03 2023-04-03 一种基于区域生长的膝关节股骨胫骨分割方法及***

Publications (1)

Publication Number Publication Date
CN116258737A true CN116258737A (zh) 2023-06-13

Family

ID=86686336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310344858.9A Pending CN116258737A (zh) 2023-04-03 2023-04-03 一种基于区域生长的膝关节股骨胫骨分割方法及***

Country Status (1)

Country Link
CN (1) CN116258737A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503607A (zh) * 2023-06-28 2023-07-28 天津市中西医结合医院（天津市南开医院） 一种基于深度学习的ct图像分割方法和***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503607A (zh) * 2023-06-28 2023-07-28 天津市中西医结合医院（天津市南开医院） 一种基于深度学习的ct图像分割方法和***
CN116503607B (zh) * 2023-06-28 2023-09-19 天津市中西医结合医院（天津市南开医院） 一种基于深度学习的ct图像分割方法和***

Similar Documents

Publication Publication Date Title
US20220296313A1 (en) Surgical navigation of the hip using fluoroscopy and tracking sensors
JP5932879B2 (ja) 患者特有の骨殻の３ｄモデルを生成する方法
US9646229B2 (en) Method and system for bone segmentation and landmark detection for joint replacement surgery
US20180039754A1 (en) Methods and systems for producing an implant
US11626212B2 (en) Systems and methods for automated segmentation of patient specific anatomies for pathology specific measurements
US7630750B2 (en) Computer aided treatment planning
EP0424912A2 (en) Region extracting method and three-dimensional display method
EP2598033B1 (en) Knowledge-based automatic image segmentation
CN111507381A (zh) 图像识别方法及相关装置、设备
US9727975B2 (en) Knowledge-based automatic image segmentation
CN116258737A (zh) 一种基于区域生长的膝关节股骨胫骨分割方法及***
Baka et al. Statistical shape model-based femur kinematics from biplane fluoroscopy
CN110223279A (zh) 一种图像处理方法和装置、电子设备
CN114066886B (zh) 骨骼分割边界确定方法、装置、电子设备及存储介质
Jimenez-Carretero et al. Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints
CN114642444A (zh) 口腔种植精度评价方法、***和终端设备
Soler et al. Fully automatic anatomical, pathological, and functional segmentation from CT scans for hepatic surgery
Gelaude et al. Semi-automated segmentation and visualisation of outer bone cortex from medical images
CN112767265A (zh) 用于ct图像的去金属伪影分割图像校正方法、***及计算机可读存储介质
CN114445445B (zh) Ct图像的动脉分割方法、装置、电子设备及存储介质
WO2001056491A2 (en) Computer aided treatment planning
TWI648035B (zh) 最小割脊椎分節演算法
CN116778081A (zh) 基于医学图像的截骨面三维建模方法
Paccini et al. Mapping Grey-Levels on 3D Segmented Anatomical districts.
Guven et al. X2V: 3D Organ Volume Reconstruction From a Planar X-Ray Image With Neural Implicit Methods

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