CN116824059A - 基于三维影像的目标表面重建方法、装置、设备和介质 - Google Patents
基于三维影像的目标表面重建方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116824059A CN116824059A CN202310804311.2A CN202310804311A CN116824059A CN 116824059 A CN116824059 A CN 116824059A CN 202310804311 A CN202310804311 A CN 202310804311A CN 116824059 A CN116824059 A CN 116824059A
- Authority
- CN
- China
- Prior art keywords
- target
- dimensional image
- data
- surface reconstruction
- reconstruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000011218 segmentation Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000000844 transformation Methods 0.000 claims 2
- 238000007667 floating Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000001981 hip bone Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000011540 hip replacement Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo 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
- G06T2207/10—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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于三维影像的目标表面重建方法、装置、设备和介质。所述方法包括:获取初始三维影像数据,并对所述初始三维影像数据中的目标进行分割得到分割掩膜;对所述分割掩膜进行处理得到目标轮廓;基于所述目标轮廓对所述初始三维影像数据进行表面重建得到所述目标的表面重建数据。本申请还涉及一种基于三维影像的目标表面重建方法,包括:基于前述方法得到所述目标的表面重建数据;对所述分割掩膜进行表面重建得到初始重建数据;根据所述初始重建数据和所述目标的表面重建数据得到所述目标的最终的表面重建数据。采用本方法能够提高重建精度。
Description
说明:本申请是针对原申请号为“202110228811.7”、申请日为“2021-03-02”、发明创造名称为“基于三维影像的目标表面重建方法、装置、设备和介质”的母案所提出的分案申请。
技术领域
本申请涉及图像处理技术领域,特别是涉及一种基于三维影像的目标表面重建方法、装置、设备和介质。
背景技术
随着计算机技术的发展,CT或者MR等医学影像中的三维目标器官的三维表面(Mesh)重建越来越成熟,目标的Mesh重建,一方面可用于三维可视化;另一方面,Mesh数据可以作为一种灵活的轻量化的数据存储方式,用于高精度的目标的形态和位置的记录,并可对目标的特性参数进行定量化计算;它还能通过极其方便的计算形式,体现目标的运动或形变,这可用于目标物体的动态实时状态跟踪。Mesh重建的以上优点决定了其在医学影像的辅助诊断和辅助治疗领域具有极为广泛的应用场景,比如用于目标器官、组织或病灶的三维可视化、位置和形状记录、量化参数计算以及实时跟踪等。
传统技术中,对于三维医学图像的重建方法包括:首先利用图像分割算法对CT或MR图像中的目标结构进行分割,得到分割Mask;然后使用分割Mask直接用Marching Cube算法进行Mesh重建。然而,该分割Mesh的重建精度完全取决于分割算法的精度。而因为分割结果仍然是以三维矩阵的形式存储的,这种离散的存储方式决定了分割精度上限仅能到一个像素间隔的精度,因此重建的Mesh精度有限。且因为分割Mask边缘呈现阶梯状(像素的网格效应),重建得到的Mesh也呈现阶梯状。虽然可以通过Mesh平滑的方式消除这种现象,但是这会导致重建的目标结构丢失细节。
针对上述问题,传统技术中通过从CT图像分割Mask的轮廓上提取边缘像素点坐标转换为点云数据,然后通过点云Mesh重建的方法,如泊松表面重建等方法,将点云数据重建Mesh,并通过轮廓的法向方向作为约束辅助Mesh的重建。但是由于边缘像素仍为离散坐标点,Mesh重建精度并无法突破单像素上限,使得重建后的目标精度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高重建精度的基于三维影像的目标表面重建方法、装置、设备和介质。
一种基于三维影像的目标表面重建方法,所述方法包括:
获取初始三维影像数据,并对所述初始三维影像数据中的目标进行分割得到分割掩膜;
对所述分割掩膜进行处理得到目标轮廓;
基于所述目标轮廓对所述初始三维影像数据进行表面重建得到所述目标的表面重建数据。
在其中一个实施例中,所述基于所述目标轮廓对所述初始三维影像数据进行表面重建得到所述目标的表面重建数据,包括:
基于所述目标轮廓从所述初始三维影像数据中提取待处理三维影像数据;
对所述待处理三维影像数据进行表面重建得到目标的表面重建数据。
在其中一个实施例中,所述基于所述目标轮廓从所述初始三维影像数据中提取待处理三维影像数据,包括:
对所述目标轮廓进行像素膨胀以确定待处理三维影像数据。
在其中一个实施例中,所述对所述待处理三维影像数据进行表面重建得到目标的表面重建数据,包括:
获取所述待处理三维影像数据对应的图像灰度值;
基于所述图像灰度值,利用移动立方体法插值构建等值面;
根据所构建的等值面对所述待处理三维影像数据进行表面重建得到目标的表面重建数据。
在其中一个实施例中,所述基于所述图像灰度值,利用移动立方体法插值构建等值面,包括:
获取所述目标轮廓对应的轮廓灰度值,以及所述目标轮廓对应的背景的背景灰度值;
根据所述轮廓灰度值和所述背景灰度值确定固定阈值;
根据所述固定阈值,利用移动立方体法插值构建等值面。
在其中一个实施例中,所述基于所述图像灰度值,利用移动立方体法插值构建等值面,包括:
获取与所述目标轮廓距离小于等于预设距离的像素的灰度信息;
根据所述灰度信息计算得到自适应阈值;
根据所述自适应阈值,利用移动立方体法插值构建等值面。
一种基于三维影像的目标表面重建方法,所述方法包括:
基于上述的方法得到所述目标的表面重建数据;
对所述分割掩膜进行表面重建得到初始重建数据;
根据所述初始重建数据和所述目标的表面重建数据得到所述目标的最终的表面重建数据。
在其中一个实施例中,所述根据所述初始重建数据和所述目标的表面重建数据得到所述目标的最终的表面重建数据初始重建数据,包括:
根据所述初始重建数据和所述目标的表面重建数据初始重建数据进行配准得到所述目标的最终的表面重建数据。
一种基于三维影像的目标表面重建装置,所述装置包括:
分割模块,用于获取初始三维影像数据,并对所述初始三维影像数据中的目标进行分割得到分割掩膜;
目标轮廓提取模块,用于对所述分割掩膜进行处理得到目标轮廓;
第一重建模块,用于基于所述目标轮廓对所述初始三维影像数据进行表面重建得到所述目标的表面重建数据。
一种基于三维影像的目标表面重建装置,所述装置包括:
重建数据获取模块,用于基于上述的装置得到目标的表面重建数据;
第二重建模块,用于对所述分割掩膜进行表面重建得到初始重建数据;
综合重建模块,用于根据所述初始重建数据和所述目标的表面重建数据得到所述目标的最终的表面重建数据。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例中所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一个实施例中所述的方法的步骤。
上述基于三维影像的目标表面重建方法、装置、设备和介质,针对分割掩膜提取了目标轮廓,从而根据目标轮廓进行了表面重建,能结合周围的信息拟合出泄漏部位的边缘,重建出高精度的目标的表面重建数据。
附图说明
图1为一个实施例中基于三维影像的目标表面重建方法的应用环境图;
图2为一个实施例中基于三维影像的目标表面重建方法的流程示意图;
图3为一个实施例中分割掩膜的示意图;
图4为一个实施例中的目标的表面重建数据的示意图;
图5为一个实施例中的灰度图;
图6为另一个实施例中基于三维影像的目标表面重建方法的流程示意图;
图7为一个实施例中的初始重建数据的示意图;
图8为一个实施例中的目标的最终的表面重建数据的示意图;
图9为再一个实施例中基于三维影像的目标表面重建方法的流程示意图;
图10为一个实施例中基于三维影像的目标表面重建装置的结构框图;
图11为另一个实施例中基于三维影像的目标表面重建装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于三维影像的目标表面重建方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与医疗成像设备104进行通信。其中终端102可以接收到医疗成像设备104扫描得到的初始三维影像数据,或者是终端102从数据库等获取到医疗成像设备104扫描得到的初始三维影像数据,然后对初始三维影像数据中的目标进行分割得到分割掩膜,对分割掩膜进行处理得到目标轮廓,并基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据,这样针对分割掩膜提取了目标轮廓,从而根据目标轮廓进行了表面重建,能结合周围的信息拟合出泄漏部位的边缘,重建出高精度的表面重建数据。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备以及医疗成像设备本身的功能模块和专用电路。在此实施例中,终端102可以包括患者的移动终端设备和/或医疗操作人员的移动终端设备。医疗成像设备104包括但不限于各种成像设备,例如CT成像设备(CT:Computed Tomography,它是利用精确准直的X线束与灵敏度极高的探测器一同围绕人体的某一个部位做一个接一个的断面扫描,并且通过CT扫描可以重建出肿瘤等的精确三维位置图像)、磁共振设备(其是断层成像的一种,它利用磁共振现象从人体中获得电磁信号,并重建出人体信息图像)、正电子发射型计算机断层显像(Positron Emission Computed Tomography)设备、正电子发射型磁共振成像***(PET/MR)等。
在一个实施例中,如图2所示,提供了一种基于三维影像的目标表面重建方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202:获取初始三维影像数据,并对初始三维影像数据中的目标进行分割得到分割掩膜。
具体地,初始三维影像数据为包括CT、MRI等三维医学影像体数据,其中该些初始三维影像数据可以是以三维矩阵的方式存储的。其中分割是指对初始三维影像数据进行图像分割,以确定目标结构。其中图像分割技术包括但不限于基于深度学***集、阈值分割等分割方法)、通过使用交互软件进行手动或者半自动的分割方法(比如使用Mimics、ITK-Snap、3D Slicer、MITK等软件进行分割),具体地,图3为一个实施例中髋骨分割效果示意图。
其中,以髋关节置换手术中的髋骨作为实例进行说明,终端可以通过基于深度学习全卷积网络的图像分割技术对CT数据中的髋骨进行分割,得到一侧髋骨的分割掩膜数据,具体如图3所示。
S204:对分割掩膜进行处理得到目标轮廓。
具体地,终端可以通过对分割掩膜利用边缘检测算法提取轮廓线,从而该边缘轮廓线即为目标轮廓。
S206:基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据。
具体地,基于目标轮廓对初始三维影像数据进行表面重建则是利用初始三维影像信息,这样初始三维影像数据中包含的像素的信息,例如像素的灰度信息丰富,通过三维线性插值得到预设等值面上顶点的更精确位置,从而可以提高表面重建的精度。
在该实施例中,相比于分割掩膜,初始三维影像数据包含完整的像素的灰度信息,通过设定目标结构边缘的灰度值作为等值面重建阈值,并结合分割掩膜所确定的目标轮廓的位置,可以限定在分割掩膜的目标轮廓附近对初始三维图像数据重建,得到更精确的目标的表面重建数据,具体地,目标的表面重建数据可以参见图4所示。
上述基于三维影像的目标表面重建方法,针对分割掩膜提取了目标轮廓,从而根据目标轮廓进行了表面重建,能结合周围的信息拟合出泄漏部位的边缘,重建出高精度的表面重建数据。
在其中一个实施例中,基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据,包括:基于目标轮廓从初始三维影像数据中提取待处理三维影像数据;对待处理三维影像数据进行表面重建得到目标的表面重建数据。
具体地,本实施例中由于初始三维影像数据非常复杂,不做约束可能重建出大量的设定阈值的等值面,从而难以剥离出仅为目标的表面的部分,因此终端基于目标轮廓从初始三维影像数据中提取出待处理三维影像数据,其中待处理三维影像数据仅是初始三维影像数据中的一部分,具体地,待处理三维影像数据可以单指初始三维影像数据中目标轮廓附近的图像数据。
可选地,基于目标轮廓从初始三维影像数据中提取待处理三维影像数据可以包括:对目标轮廓进行像素膨胀以确定待处理三维影像数据。例如终端在提取了目标轮廓后,可以对目标轮廓在三维空间上的各个维度上进行像素膨胀,例如在三个维度上分别进行[Nx,Ny,Nz]个像素的膨胀,其中Nx,Ny,Nz的取值与具体图像的像素分辨率有关系,通常在0~10之间的正数,在本实施例中,图像的像素间隔三个方向为1mm,Nx,Ny,Nz均取3,即在距离轮廓线3mm的范围内进行Marching Cube重建。
上述实施例中,首先根据目标轮廓进行了约束,从而可以避免重建出大量的设定阈值的等值面,简化了目标的表面部分的剥离复杂性。
在其中一个实施例中,对待处理三维影像数据进行表面重建得到目标的表面重建数据,包括:获取待处理三维影像数据对应的图像灰度值;基于图像灰度值,利用移动立方体法插值构建等值面;根据所构建的等值面,对待处理三维影像数据进行表面重建得到目标的表面重建数据。
具体地,图像灰度值是指待处理三维影像数据对应的灰度值信息,相比于分割掩膜,初始三维影像数据具有灰度值信息,也即待处理三维影像数据具有灰度值信息,具体可以参见图5所示,因此终端根据该图像灰度值,利用移动立方体法(Marching Cube)插值构建等值面,即终端选择合适的等值面重建阈值,然后根据所构建的等值面对待处理三维影像数据进行表面重建得到目标的表面重建数据。
上述实施例中,利用初始三维影像数据,并结合分割掩膜的目标轮廓在轮廓周围区域,对待处理三维影像数据使用Marching Cube算法,使用合适的目标结构边缘的灰度值,进行等值面重建,得到更高精度的目标的表面重建数据。
在其中一个实施例中,基于图像灰度值,利用移动立方体法插值构建等值面,包括:获取目标轮廓对应的轮廓灰度值,以及目标轮廓对应的背景的背景灰度值;根据轮廓灰度值和背景灰度值确定固定阈值;根据固定阈值,利用移动立方体法插值构建等值面。
在其中一个实施例中,基于图像灰度值,利用移动立方体法插值构建等值面,包括:获取与目标轮廓距离小于等于预设距离的像素的灰度信息;根据灰度信息计算得到自适应阈值;根据自适应阈值,利用移动立方体法插值构建等值面。
具体地,在上述两个实施例中,主要是针对等值面重建阈值的不同,一个是固定阈值,一个是自适应阈值,其中阈值的选择需要根据待重建目标结构边缘的灰度界定,其选取标准为选择轮廓灰度值和背景灰度值之间的值。因此一方面可以采用固定阈值,以上文骨结构重建为例,可以选择150HU;另一方面,为了稳定性更好,可以采用自适应阈值,终端可以通过统计目标轮廓附近一定范围内点的灰度信息,并提取中值灰度作为自适应阈值。其中目标轮廓附近可以是指上述经过图像膨胀处理后的待处理三维影像数据。
上述实施例中,一方面可以采用固定阈值来构建等值面,另一方面可以采用自适应阈值,从而可以保证稳定性。
在其中一个实施例中,如图6所示,提供了一种基于三维影像的目标表面重建方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S602:基于上述任意一个实施例中的方法得到目标的表面重建数据。
具体地,关于目标的表面重建数据的生成方式可以具体参见上文,本实施例中不再赘述。
S604:对分割掩膜进行表面重建得到初始重建数据。
具体地,对分割掩膜进行表面重建得到初始重建数据可以是直接对分割掩膜进行的,该初始重建数据是具有完整的目标结构的,具体可以参见图4所示。其中对分割掩膜进行表面重建的算法可以包括但不限于采用经典的Marching Cube算法对Mask数据进行轮廓上的等值面重建,或采用泊松表面重建算法,利用轮廓上所有点形成的点云进行网格数据的重建等等。
其中以经典的Marching Cube算法为例进行说明,终端在轮廓边缘选择合适阈值进行等值面重建,得到有分割掩膜重建的完整目标结构的初始重建数据。
具体地,终端将目标的区域的像素值设置为1,非目标区域的像素值设置为0,然后使用Marching Cube算法,以0.5为等值面重建阈值,以分割掩膜作为输入,进行网格表面重建。以股骨为例,重建结果可参考图7。等值面重建阈值可以选择0~1之间的任意值。
这样分割掩膜因为采用离散的形式表示分割结果,即每个像素表示是非0即1的,其精度有限,因此直接使用分割掩膜重建的初始重建数据精度不高,如图7,整个重建后的第一重建数据的观感也不佳,呈现出因为像素离散形式导致的阶梯状伪影。
S606:根据初始重建数据和目标的表面重建数据得到目标的最终的表面重建数据。
具体地,终端所得到的初始重建数据是包括完整目标结构的,目标的表面重建数据则是高精度的,因此终端可以通过以高精度的目标的表面重建数据为目标网格数据,以包括完整目标结构的初始重建数据为浮动网格数据,然后使用配准技术,例如弹性配准技术等,将浮动网格数据向目标网格数据进行配准,从而可以得到高精度的且完整目标结构的最终的表面重建数据,具体可以参见图8所示,
上述基于三维影像的目标表面重建方法,针对分割掩膜提取了目标轮廓,从而根据目标轮廓进行了表面重建,且结合了根据分割掩膜进行表面重建得到的目标的表面重建数据,使得目标结构的边缘不存在不连贯或者泄露的情况,算法能结合周围的信息拟合出泄漏部位的边缘,重建出完整美观的最终的表面重建数据。
在其中一个实施例中,根据初始重建数据和目标的表面重建数据得到目标的最终的表面重建数据,包括:根据初始重建数据和目标的表面重建数据进行配准得到目标的最终的表面重建数据。
具体地,在该实施例中,终端通过网格或者是点云的配准技术将通过以高精度的目标的表面重建数据为目标网格数据,以包括完整目标结构的初始重建数据为浮动网格数据,将浮动网格数据向目标网格数据进行配准,从而可以得到高精度的且完整目标结构的最终的表面重建数据。
其中网格或者是点云的配准技术可以包括但不限于CPD(Coherent Point Drift)算法、nonrigid-ICP算法,以及基于深度学习的方法等。
在其中一个实施例中,根据初始重建数据和目标的表面重建数据进行配准得到目标的最终的表面重建数据,包括:根据初始重建数据和目标的表面重建数据,通过迭代执行黏性变换和弹性变换的方式进行配准得到目标的表面重建数据,其中对于进行黏性变换和弹性变换的点对通过吸引度函数确定黏性变换和弹性变换的程度,点对为初始和目标的表面重建数据中最接近的对应点。
具体地,本实施例中以网格数据弹性配准技术并通过迭代执行黏弹变换的方式进行配准,其中可以包括以下步骤:首先终端对于两个表面重建数据对应的点云中每个点寻找其在另一个点云上的最近对应点,然后根据所设定的距离阈值来确定离群点对和非离群点对,其中距离大于距离阈值的点设置为离群点对,否则为非离群点对。然后终端对于每一点对进行黏性变换和弹性变换,直至上述步骤的迭代次数满足预设的迭代次数。
其中黏性变换定义为将浮动网格数据或浮动点云上的每个点,直接向目标网格数据或目标点云上的对应点所在方向位移。
弹性变换定义为对目标网格数据或目标点云上每一个点p,依据与它同目标网格数据或目标点云上最近的N个邻近点的坐标位置的加权平均,替换原来的坐标位置,相当于对目标网格数据或目标点云上的每一个点p的位置做一次平滑操作;此处每个邻近点的加权权重依据邻近点到p点的距离定,距离越近权重大。本实例中定义为到p点距离的高斯径向基函数。
其中,本实施例中,为了保证更好的弹性配准效果,对于进行黏性变换和弹性变换的每个点对定义一吸引度函数,其中吸引度决定了其进行变换的程度,对于吸引度低的点对,黏性变换和弹性变换相对更加平缓。具体的吸引度函数通过以下公式定义:
T和F分别表示目标网格数据或目标点云上的第i个顶点和浮动网格数据或浮动点云上的第j个顶点,Position表示该顶点的坐标,Normal为该点的归一化后法向量;第一项f表述两个点的空间欧氏距离相关函数,距离越大,该项越小,吸引度越小,可选择高斯径向基函数等;第二项g表述点对的法向量一致性,法向量方向越一致,点积结果越大,g越大,吸引度越大。
本实例中g采用以下公式:
对于两个网格数据或电源,需要定义一个吸引度矩阵AM×N,表示目标网格数据或目标点云和浮动网格数据或浮动点云任意的点对之间的吸引度,AM×N矩阵公式定义如下:
AM×N(i,j)=Affinityi,j
其中M和N分别表示目标网格数据或目标点云和浮动网格数据或浮动点云的顶点数量。
实际使用时,利用吸引度矩阵和目标网格数据或目标点云的顶点矩阵相乘,得到根据吸引度进行加权求和后的新的目标网格数据或目标点云,再与浮动网格数据或浮动点云执行上述弹性配准操作。使得浮动网格数据或浮动点云往目标网格数据或目标点云上对浮动网格数据或浮动点云吸引度大的点上配准。具体操作如下公式:
Position_′3,=Position_T3,·M,n
式中Position_T为3行M列的目标网格数据或目标点云顶点矩阵,每一列代表每一个顶点的三维坐标;Position_T’为根据吸引度矩阵进行加权求和后的新的目标网格数据或目标点云顶点矩阵,3行N列,每一列代表每一个新的顶点的三维坐标。最终用Position_T’和浮动网格数据或浮动点云的顶点进行弹性配准。
上述实施例中,通过吸引度可以反映点的离群程度。对于离群度大的点(未找到合适的匹配点),黏性变换程度弱,但是因为弹性变换的存在,会将非离群点的变换传递到离群点上。对于目标表面存在泄露,即重建的高精度的目标的表面重建数据存在缺漏的部位,浮动网格数据或浮动点云对应位置因为没有参照形成离群点,但是通过迭代的黏弹变换,这些离群点会依据周围点的移动,拟合出合理的形变场,使得浮动网格数据或浮动点云在没有参照的情况下能够较好的去拟合泄漏部位的目标边界。
具体地,参见图9所示,图9为再一个实施例中的基于三维影像的目标表面重建方法的流程示意图,在该实施例中,首先导入初始三维影像数据,然后终端对初始三维影像数据中的目标进行图像分割得到分割掩膜。这样一方面终端利用分割掩膜,直接对分割掩膜使用Marching Cube算法,在轮廓边缘选择合适阈值进行等值面重建,得到有分割掩膜重建的完整目标结构初始重建数据。另一方面,其可以是串行或者是并行进行处理,利用初始三维影像数据,并结合分割掩膜的轮廓信息对轮廓周围区域,对初始三维影像数据使用Marching Cube算法,使用合适的目标结构边缘的灰度值,进行等值面重建,得到更高精度的目标结构的目标的表面重建数据。
最后,终端以高精度目标的表面重建数据为目标网格数据,完整的初始重建数据为浮动网格数据,使用表面弹性配准技术,将完整的初始重建数据往高精度的目标的表面重建数据配准,得到高精度完整目标结构的最终的表面重建数据。
上述基于三维影像的目标表面重建方法,针对分割掩膜提取了目标轮廓,从而根据目标轮廓进行了表面重建,且结合了根据分割掩膜进行表面重建得到的目标的表面重建数据,使得目标结构的边缘不存在不连贯或者泄露的情况,算法能结合周围的信息拟合出泄漏部位的边缘,重建出完整美观的最终的表面重建数据。
应该理解的是,虽然图2、图6和图9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图6和图9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种基于三维影像的目标表面重建装置,包括:分割模块100、目标轮廓提取模块200和第一重建模块300,其中:
分割模块100,用于获取初始三维影像数据,并对初始三维影像数据中的目标进行分割得到分割掩膜;
目标轮廓提取模块200,用于对分割掩膜进行处理得到目标轮廓;
第一重建模块300,用于基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据。
在其中一个实施例中,上述的第一重建模块300可以包括:
提取单元,用于基于目标轮廓从初始三维影像数据中提取待处理三维影像数据;
重建单元,用于对待处理三维影像数据进行表面重建得到目标的表面重建数据。
在其中一个实施例中,上述提取单元用于对目标轮廓进行像素膨胀以确定待处理三维影像数据。
在其中一个实施例中,重建单元可以包括:
灰度值确定子单元,用于获取待处理三维影像数据对应的图像灰度值;
等值面构建子单元,用于基于图像灰度值,利用移动立方体法插值构建等值面;
重建子单元,用于根据所构建的等值面对待处理三维影像数据进行表面重建得到目标的表面重建数据。
在其中一个实施例中,等值面构建子单元包括:
第一灰度值获取孙单元,用于获取目标轮廓对应的轮廓灰度值,以及目标轮廓对应的背景的背景灰度值;
固定阈值确定孙单元,用于根据轮廓灰度值和背景灰度值确定固定阈值;
第一等值面构建孙单元,用于根据固定阈值,利用移动立方体法插值构建等值面。
在其中一个实施例中,上述的等值面构建子单元包括:
第二灰度值获取孙单元,用于获取与目标轮廓距离小于等于预设距离的像素的灰度信息;
自适应阈值确定孙单元,用于根据灰度信息计算得到自适应阈值;
第二等值面构建孙单元,用于根据自适应阈值,利用移动立方体法插值构建等值面。
在一个实施例中,如图11所示,提供了一种基于三维影像的目标表面重建装置,包括:重建数据获取模块400、第二重建模块500和综合重建模块600,其中:
重建数据获取模块400,用于基于上述任意一个实施例中的装置得到目标的表面重建数据。
第二重建模块500,用于对分割掩膜进行表面重建得到初始重建数据。
综合重建模块600,用于根据初始重建数据和目标的表面重建数据得到目标的最终的表面重建数据。
在其中一个实施例中,上述的综合重建模块600用于根据初始重建数据和目标的表面重建数据进行配准得到目标的最终的表面重建数据。
关于基于三维影像的目标表面重建装置的具体限定可以参见上文中对于基于三维影像的目标表面重建方法的限定,在此不再赘述。上述基于三维影像的目标表面重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于三维影像的目标表面重建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取初始三维影像数据,并对初始三维影像数据中的目标进行分割得到分割掩膜;对分割掩膜进行处理得到目标轮廓;基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据。
在一个实施例中,处理器执行计算机程序时所实现的基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据,包括:基于目标轮廓从初始三维影像数据中提取待处理三维影像数据;对待处理三维影像数据进行表面重建得到目标的表面重建数据。
在一个实施例中,处理器执行计算机程序时所实现的基于目标轮廓从初始三维影像数据中提取待处理三维影像数据,包括:对目标轮廓进行像素膨胀以确定待处理三维影像数据。
在一个实施例中,处理器执行计算机程序时所实现的对待处理三维影像数据进行表面重建得到目标的表面重建数据,包括:获取待处理三维影像数据对应的图像灰度值;基于图像灰度值,利用移动立方体法插值构建等值面;根据所构建的等值面对待处理三维影像数据进行表面重建得到目标的表面重建数据。
在一个实施例中,处理器执行计算机程序时所实现的基于图像灰度值,利用移动立方体法插值构建等值面,包括:获取目标轮廓对应的轮廓灰度值,以及目标轮廓对应的背景的背景灰度值;根据轮廓灰度值和背景灰度值确定固定阈值;根据固定阈值,利用移动立方体法插值构建等值面。
在一个实施例中,处理器执行计算机程序时所实现的基于图像灰度值,利用移动立方体法进行插值构建等值面,包括:获取与目标轮廓距离小于等于预设距离的像素的灰度信息;根据灰度信息计算得到自适应阈值;根据自适应阈值,利用移动立方体法插值构建等值面。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:基于上述任意一个实施例中的方法得到目标的表面重建数据;对分割掩膜进行表面重建得到初始重建数据;根据初始重建数据和目标的表面重建数据得到目标的最终的表面重建数据
在一个实施例中,处理器执行计算机程序时所实现的根据初始重建数据和目标的表面重建数据得到目标的最终的表面重建数据,包括:根据第一重建数据和目标的表面重建数据进行配准得到目标的表面重建数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取初始三维影像数据,并对初始三维影像数据中的目标进行分割得到分割掩膜;对分割掩膜进行处理得到目标轮廓;基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据。
在一个实施例中,计算机程序被处理器执行时所实现的基于目标轮廓对初始三维影像数据进行表面重建得到目标的表面重建数据,包括:基于目标轮廓从初始三维影像数据中提取待处理三维影像数据;对待处理三维影像数据进行表面重建得到目标的表面重建数据。
在一个实施例中,计算机程序被处理器执行时所实现的基于目标轮廓从初始三维影像数据中提取待处理三维影像数据,包括:对目标轮廓进行像素膨胀以确定待处理三维影像数据。
在一个实施例中,计算机程序被处理器执行时所实现的对待处理三维影像数据进行表面重建得到目标的表面重建数据,包括:获取待处理三维影像数据对应的图像灰度值;基于图像灰度值,利用移动立方体法插值构建等值面;根据所构建的等值面对待处理三维影像数据进行表面重建得到目标的表面重建数据。
在一个实施例中,计算机程序被处理器执行时所实现的基于图像灰度值,利用移动立方体法插值构建等值面,包括:获取目标轮廓对应的轮廓灰度值,以及目标轮廓对应的背景的背景灰度值;根据轮廓灰度值和背景灰度值确定固定阈值;根据固定阈值,利用移动立方体法插值构建等值面。
在一个实施例中,计算机程序被处理器执行时所实现的基于图像灰度值,利用移动立方体法插值构建等值面,包括:获取与目标轮廓距离小于等于预设距离的像素的灰度信息;根据灰度信息计算得到自适应阈值;根据自适应阈值,利用移动立方体法插值构建等值面。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:基于上述任意一个实施例中的方法得到目标的表面重建数据;对分割掩膜进行表面重建得到初始重建数据;根据初始重建数据和目标的表面重建数据得到目标的最终的表面重建数据
在一个实施例中,计算机程序被处理器执行时所实现的根据初始重建数据和目标的表面重建数据得到目标的最终的表面重建数据,包括:根据第一重建数据和目标的表面重建数据进行配准得到目标的表面重建数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上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。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种基于三维影像的目标表面重建方法,其特征在于,所述方法包括:
获取初始三维影像数据,并对所述初始三维影像数据中的目标进行分割得到分割掩膜;
对所述分割掩膜进行处理得到目标轮廓;
基于所述目标轮廓从所述初始三维影像数据中提取待处理三维影像数据,对所述待处理三维影像数据进行表面重建得到所述目标的表面重建数据;
对所述分割掩膜进行表面重建得到初始重建数据;
根据所述初始重建数据和所述目标的表面重建数据进行配准得到所述目标的最终的表面重建数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标轮廓从所述初始三维影像数据中提取待处理三维影像数据,包括:
对所述目标轮廓进行像素膨胀以确定待处理三维影像数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述待处理三维影像数据进行表面重建得到所述目标的表面重建数据,包括:
获取所述待处理三维影像数据对应的图像灰度值;
基于所述图像灰度值,利用移动立方体法插值构建等值面;
根据所构建的等值面对所述待处理三维影像数据进行表面重建得到目标的表面重建数据。
4.根据权利要求3所述的方法,其特征在于,所述基于所述图像灰度值,利用移动立方体法插值构建等值面,包括:
获取所述目标轮廓对应的轮廓灰度值,以及所述目标轮廓对应的背景的背景灰度值;
根据所述轮廓灰度值和所述背景灰度值确定固定阈值;
根据所述固定阈值,利用移动立方体法插值构建等值面。
5.根据权利要求3所述的方法,其特征在于,所述基于所述图像灰度值,利用移动立方体法插值构建等值面,包括:
获取与所述目标轮廓距离小于等于预设距离的像素的灰度信息;
根据所述灰度信息计算得到自适应阈值;
根据所述自适应阈值,利用移动立方体法插值构建等值面。
6.根据权利要求1所述的方法,其特征在于,所述根据所述初始重建数据和所述目标的表面重建数据进行配准得到所述目标的最终的表面重建数据,包括:
根据初始重建数据和目标的表面重建数据,通过迭代执行黏性变换和弹性变换的方式进行配准得到目标的表面重建数据,其中对于进行黏性变换和弹性变换的点对通过吸引度函数确定黏性变换和弹性变换的程度,点对为初始和目标的表面重建数据中最接近的对应点。
7.根据权利要求6所述的方法,其特征在于,所述对于进行黏性变换和弹性变换的点对通过吸引度函数确定黏性变换和弹性变换的程度,包括:
对于进行黏性变换和弹性变换的每个点对定义一吸引度函数,以确定黏性变换和弹性变换的程度。
8.一种基于三维影像的目标表面重建装置,其特征在于,所述装置包括:
分割模块,用于获取初始三维影像数据,并对所述初始三维影像数据中的目标进行分割得到分割掩膜;
初始重建数据目标轮廓提取模块,用于对所述分割掩膜进行处理得到目标轮廓;
第一重建模块,用于基于所述目标轮廓从所述初始三维影像数据中提取待处理三维影像数据,对所述待处理三维影像数据进行表面重建得到所述目标的表面重建数据;
第二重建模块,用于对所述分割掩膜进行表面重建得到初始重建数据;
综合重建模块,用于根据所述初始重建数据和所述目标的表面重建数据进行配准得到所述目标的最终的表面重建数据。
9.根据权利要求8所述的装置,其特征在于,所述第一重建模块包括:
提取单元,用于对所述目标轮廓进行像素膨胀以确定待处理三维影像数据。
10.根据权利要求8所述的装置,其特征在于,所述第一重建模块包括:
灰度值确定子单元,用于获取所述待处理三维影像数据对应的图像灰度值;
等值面构建子单元,用于基于所述图像灰度值,利用移动立方体法插值构建等值面;
重建子单元,用于根据所构建的等值面对所述待处理三维影像数据进行表面重建得到目标的表面重建数据。
11.根据权利要求10所述的装置,其特征在于,所述等值面构建子单元包括:
第一灰度值获取孙单元,用于获取所述目标轮廓对应的轮廓灰度值,以及所述目标轮廓对应的背景灰度值;
固定阈值确定孙单元,用于根据所述轮廓灰度值和所述背景灰度值确定固定阈值;
第一等值面构建孙单元,用于根据所述固定阈值,利用移动立方体法插值构建等值面。
12.根据权利要求10所述的装置,其特征在于,所述等值面构建子单元包括:
第二灰度值获取孙单元,用于获取与所述目标轮廓距离小于等于预设距离的像素的灰度信息;
自适应阈值确定孙单元,用于根据所述灰度信息计算得到自适应阈值;
第二等值面构建孙单元,用于根据所述自适应阈值,利用移动立方体法插值构建等值面。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
14.一种计算机可读存储介质,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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310804311.2A CN116824059A (zh) | 2021-03-02 | 2021-03-02 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228811.7A CN113129418B (zh) | 2021-03-02 | 2021-03-02 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN202310804311.2A CN116824059A (zh) | 2021-03-02 | 2021-03-02 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228811.7A Division CN113129418B (zh) | 2021-03-02 | 2021-03-02 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116824059A true CN116824059A (zh) | 2023-09-29 |
Family
ID=76772374
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310804311.2A Pending CN116824059A (zh) | 2021-03-02 | 2021-03-02 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN202110228811.7A Active CN113129418B (zh) | 2021-03-02 | 2021-03-02 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228811.7A Active CN113129418B (zh) | 2021-03-02 | 2021-03-02 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116824059A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962938A (zh) * | 2021-09-27 | 2022-01-21 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、计算机设备和可读存储介质 |
CN114693884B (zh) * | 2022-03-30 | 2023-10-13 | 优脑银河(湖南)科技有限公司 | 头部表面绘制文件的生成方法、渲染方法和可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013107568A1 (de) * | 2013-07-16 | 2015-01-22 | Schultheiss Gmbh | Verfahren und Vorrichtung zum Herstellen eines dreidimensionalen Objekts sowie Belichtungsmaskenerzeugungseinrichtung |
KR101718868B1 (ko) * | 2015-09-21 | 2017-03-22 | 한국과학기술연구원 | 자동 의료영상 분할에 의한 3차원 악안면 모델 형성 방법, 이를 수행하는 자동 영상 분할과 모델 형성 서버 및 이를 저장하는 기록매체 |
CN105455780A (zh) * | 2015-11-17 | 2016-04-06 | 西北大学 | 基于双网格的有限投影的荧光分子断层成像重建方法 |
CN106296664B (zh) * | 2016-07-30 | 2019-10-08 | 上海联影医疗科技有限公司 | 血管提取方法 |
US10347045B1 (en) * | 2017-09-29 | 2019-07-09 | A9.Com, Inc. | Creating multi-dimensional object representations |
CN109658515B (zh) * | 2017-10-11 | 2022-11-04 | 阿里巴巴集团控股有限公司 | 点云网格化方法、装置、设备及计算机存储介质 |
CN109815843B (zh) * | 2018-12-29 | 2021-09-14 | 深圳云天励飞技术有限公司 | 图像处理方法及相关产品 |
CN110675464A (zh) * | 2019-09-20 | 2020-01-10 | 和宇健康科技股份有限公司 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
CN111311705B (zh) * | 2020-02-14 | 2021-06-04 | 广州柏视医疗科技有限公司 | 基于webgl的高适应性医学影像多平面重建方法及*** |
-
2021
- 2021-03-02 CN CN202310804311.2A patent/CN116824059A/zh active Pending
- 2021-03-02 CN CN202110228811.7A patent/CN113129418B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113129418B (zh) | 2023-06-27 |
CN113129418A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saha et al. | A survey on skeletonization algorithms and their applications | |
CN111292314B (zh) | 冠脉分段方法、装置、图像处理***和存储介质 | |
CN112967236B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
CN103295234B (zh) | 基于形变表面模型的医学图像分割***及方法 | |
CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
CN111815597A (zh) | 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 | |
CN111754534A (zh) | 基于深度神经网络的ct左心室短轴图像分割方法、装置、计算机设备和存储介质 | |
CN115861248A (zh) | 医学图像分割方法、医学模型训练方法、装置和存储介质 | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN115345928A (zh) | 关键点的获取方法、计算机设备和存储介质 | |
CN113538209A (zh) | 一种多模态医学影像配准方法、配准***、计算设备和存储介质 | |
Rodrigues | An efficient and locality-oriented Hausdorff distance algorithm: Proposal and analysis of paradigms and implementations | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
CN113888698A (zh) | 一种面向肝切除术的动态三维重建方法及*** | |
CN111724395B (zh) | 心脏图像四维上下文分割方法、设备、存储介质及装置 | |
CN112669450B (zh) | 人体模型构建方法和个性化人体模型构建方法 | |
Cheng et al. | Non-rigid registration in 3d implicit vector space | |
WO2022163513A1 (ja) | 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置 | |
US20210256741A1 (en) | Region correction apparatus, region correction method, and region correction program | |
CN113963037A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
Pal et al. | Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet | |
CN113658113B (zh) | 医学影像检测方法和医学影像检测模型的训练方法 | |
US20230206477A1 (en) | Image processing method, image processing device, program, and trained model |
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 |