CN117197345B - 基于多项式拟合的智能骨关节三维重建方法、装置及设备 - Google Patents
基于多项式拟合的智能骨关节三维重建方法、装置及设备 Download PDFInfo
- Publication number
- CN117197345B CN117197345B CN202311108903.7A CN202311108903A CN117197345B CN 117197345 B CN117197345 B CN 117197345B CN 202311108903 A CN202311108903 A CN 202311108903A CN 117197345 B CN117197345 B CN 117197345B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- interpolation
- bone joint
- fitting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种基于多项式拟合的智能骨关节三维重建方法、装置、设备及计算机可读存储介质。该基于多项式拟合的智能骨关节三维重建方法,包括:获取骨关节DICOM图像;通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;提取分割图像的边缘,得到图像边缘;使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;对插值边缘图像进行填充,得到填充图像;基于填充图像进行三维重建,生成骨关节三维模型。根据本申请实施例,能够提高三维重建的精度。
Description
技术领域
本申请属于手术机器人技术领域,尤其涉及一种基于多项式拟合的智能骨关节三维重建方法、装置、设备及计算机可读存储介质。
背景技术
当前CT图像的切片厚度一般为1mm-5mm之间,但是在特定领域(如手术机器人)的CT图像分割中,层厚已经严重影响到了CT图像分割后分割结果重建的精度。
因此,如何提高三维重建的精度是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种基于多项式拟合的智能骨关节三维重建方法、装置、设备及计算机可读存储介质,能够提高三维重建的精度。
第一方面,本申请实施例提供一种基于多项式拟合的智能骨关节三维重建方法,包括:
获取骨关节DICOM图像;
通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;
提取分割图像的边缘,得到图像边缘;
使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;
对插值边缘图像进行填充,得到填充图像;
基于填充图像进行三维重建,生成骨关节三维模型。
可选的,通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像,包括:
基于深度学习或机器学习的方法对骨关节DICOM图像进行图像分割,得到分割图像;
其中,深度学习或机器学习的方法包括马尔科夫随机场模型、unet系列、FCN系列、RNN系列、Deeplab系列中的至少一种。
可选的,通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像,包括:
基于阈值分割、区域增长、聚类方法、可变形模型中的至少一种方法对骨关节DICOM图像进行图像分割,得到分割图像。
可选的,提取分割图像的边缘,得到图像边缘,包括:
利用高斯滤波器平滑图像;
利用一阶偏导有限差分计算梯度幅值和方向;
对梯度幅值进行非极大抑制;
利用双阈值算法检测和连接边缘。
可选的,使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像,包括:
对相邻的多个切片进行边缘的拟合,得到拟合结果;
基于拟合结果在原始边缘点的中间进行插值,得到插值边缘图像。
可选的,对插值边缘图像进行填充,得到填充图像,包括:
将插值边缘图像中的每个像素值都填充为其周围像素值和其均值之间的双线性插值结果,得到填充图像。
可选的,对插值边缘图像进行填充,得到填充图像,包括:
将插值边缘图像中的每个像素值都填充为其周围像素值的中值,得到填充图像。
第二方面,本申请实施例提供了一种基于多项式拟合的智能骨关节三维重建装置,装置包括:
图像获取模块,用于获取骨关节DICOM图像;
图像分割模块,用于通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;
边缘提取模块,用于提取分割图像的边缘,得到图像边缘;
边缘插值模块,用于使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;
图像填充模块,用于对插值边缘图像进行填充,得到填充图像;
三维重建模块,用于基于填充图像进行三维重建,生成骨关节三维模型。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如第一方面的基于多项式拟合的智能骨关节三维重建方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如第一方面的基于多项式拟合的智能骨关节三维重建方法。
本申请实施例的基于多项式拟合的智能骨关节三维重建方法、装置、设备及计算机可读存储介质,能够提高三维重建的精度。
该基于多项式拟合的智能骨关节三维重建方法,包括:获取骨关节DICOM图像;通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;提取分割图像的边缘,得到图像边缘;使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;对插值边缘图像进行填充,得到填充图像;基于填充图像进行三维重建,生成骨关节三维模型。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的基于多项式拟合的智能骨关节三维重建方法的流程示意图;
图2是本申请一个实施例提供的整体效果示意图;
图3是本申请一个实施例提供的多项式拟合效果示意图;
图4是本申请一个实施例提供的减小切片厚度的效果示意图;
图5是本申请一个实施例提供的基于多项式拟合的智能骨关节三维重建装置的结构示意图;
图6是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当前CT图像的切片厚度一般为1mm-5mm之间,但是在特定领域(如手术机器人)的CT图像分割中,层厚已经严重影响到了CT图像分割后分割结果重建的精度。
为了解决现有技术问题,本申请实施例提供了一种基于多项式拟合的智能骨关节三维重建方法、装置、设备及计算机可读存储介质。下面首先对本申请实施例所提供的基于多项式拟合的智能骨关节三维重建方法进行介绍。
图1示出了本申请一个实施例提供的基于多项式拟合的智能骨关节三维重建方法的流程示意图。如图1所示,该基于多项式拟合的智能骨关节三维重建方法,包括:
S101、获取骨关节DICOM图像;
S102、通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;
S103、提取分割图像的边缘,得到图像边缘;
S104、使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;
S105、对插值边缘图像进行填充,得到填充图像;
S106、基于填充图像进行三维重建,生成骨关节三维模型。
本文输入DICOM图像,使用分割算法对图像进行分割。分割结果为二值图像,对二值图像进行边缘提取。使用2.5D分割算法的思想,对多张切片图像的边缘进行多项式拟合,并将拟合结果进行填充,并***到各个切片之间,从而生成新的三维模型。整体效果示意图如图2所示。
在一个实施例中,通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像,包括:
基于深度学习或机器学习的方法对骨关节DICOM图像进行图像分割,得到分割图像;
其中,深度学习或机器学习的方法包括马尔科夫随机场模型、unet系列、FCN系列、RNN系列、Deeplab系列中的至少一种。
在一个实施例中,通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像,包括:
基于阈值分割、区域增长、聚类方法、可变形模型中的至少一种方法对骨关节DICOM图像进行图像分割,得到分割图像。
具体的,图像分割主要是将DICOM图像中需要的部分提取出来,以便于后面的三维重建。图像分割部分可以使用基于深度学习/机器学习的方法(如马尔科夫随机场模型、unet系列、FCN系列、RNN系列、Deeplab系列等),也可以使用基于传统图像的方法(如阈值分割、区域增长、聚类方法、可变形模型等)。
在一个实施例中,提取分割图像的边缘,得到图像边缘,包括:
利用高斯滤波器平滑图像;
利用一阶偏导有限差分计算梯度幅值和方向;
对梯度幅值进行非极大抑制;
利用双阈值算法检测和连接边缘。
具体的,在进行边缘点确定的过程中,并不总是一刀切,也就是超过阈值的点都是边缘点,而是通过设置两个阈值,希望在高阈值和低阈值之间的点也可能是边缘点,而且这些点最好在高阈值附近,也就是说中间阈值的点是高阈值边缘的一种延伸。
对图像进行高斯滤波的实现可以用两个以为高斯核分别两次加权实现,也就是先一维X方向卷积,得到的结果在一维Y方向卷积。也可以直接通过二维高斯核一次卷积完成。
计算梯度值和方向,图像的灰度值的梯度一般使用一阶有限差分来近似,就可以得到图像在X和Y方向上的偏导数的两个矩阵。非极大抑制就是寻找像素点局部最大值,沿着梯度方向,比较它前面和后面的梯度值就行。
双阈值的选取是按照直方图来选择的,首先把梯度幅值的直方图求出来,选取占直方图总数多少所对应的的梯度幅值为高阈值,高阈值的一般为低阈值,也可以选择其他策略。边缘检测时首先判断该点是否超过高阈值,然后判断该点的8邻域点中寻找满足超过低阈值的点,再根据此点收集新的边缘,直到整个图像边缘闭合。
在一个实施例中,使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像,包括:
对相邻的多个切片进行边缘的拟合,得到拟合结果;
基于拟合结果在原始边缘点的中间进行插值,得到插值边缘图像。
具体的,边缘提取主要是基于多个切片的图像分割结果。边缘提取主要是为了得到单像素链的边缘,本发明中主要使用canny算法进行边缘提取。当得到较厚切片的边缘后,将使用拟合的方法得到较薄切片的边缘图像。
本发明使用多项式非线性拟合的算法进行切片间边缘的插值。同时,我们使用并非相连间切片的边缘图像,而是使用相邻的多个切片进行边缘的拟合。多层切片的拟合可以综合上下文信息,得到更加准确的边缘信息。具体计算过程如下。
首先提取多层切片之间,相同位置的边缘坐标:
{(x1,y1)(x2,y2)...(xm,ym)}
其中,(xi,yi)为边缘坐标。
再次,设置多项式公式
其中,n为多项式的次数,一般多项式拟合在7次以内。ai为第i项的系数。对多项式进行偏导计算则会得到对应第i项的系数。具体计算如下所示:
得到拟合结果后,在原始边缘点的中间进行插值,具体拟合的效果图如图3所示,其中M点为插值点,其余的点是原始切片边缘点。减小切片厚度的效果图如图4所示。
本申请采用多层切片之间进行多项式拟合的方法进行切片间的插值;为了减小计算量,使用图像边缘进行切片间的插值。
在一个实施例中,对插值边缘图像进行填充,得到填充图像,包括:
将插值边缘图像中的每个像素值都填充为其周围像素值和其均值之间的双线性插值结果,得到填充图像。
在一个实施例中,对插值边缘图像进行填充,得到填充图像,包括:
将插值边缘图像中的每个像素值都填充为其周围像素值的中值,得到填充图像。
具体的,预处理之边缘填充:
在数字图像处理中,预处理是非常重要的一步,它可以帮助我们更好地理解和处理数据。边缘填充是预处理中的一种技术,它可以提高图像的对比度和细节,使得图像更加清晰和易于分析。
边缘填充的基本思想是将图像中的边缘部分进行填充,使得图像的边缘更加清晰和连续。常用的边缘填充方法有以下几种:
最大值填充:
最大值填充是将图像中的每个像素值都填充为其周围像素值的最大值。这种方法简单易行。
平均值填充:
平均值填充是将图像中的每个像素值都填充为其周围像素值的平均值。这种方法相对较少产生边缘毛刺和噪声。
中值填充:
中值填充是将图像中的每个像素值都填充为其周围像素值的中值。这种方法在保留图像细节的同时,减少了边缘毛刺和噪声的产生,是一种比较理想的填充方法。
双线性插值填充:
双线性插值填充是将图像中的每个像素值都填充为其周围像素值和其均值之间的双线性插值结果。这种方法可以较好地保留图像细节,同时减少了边缘毛刺和噪声的产生。
在实际应用中,我们通常需要根据具体情况选择不同的填充方法,并对不同方法的效果进行比较和评估。例如,在一些需要突出图像边缘的场合,最大值填充可能是更好的选择;而在一些需要保留图像细节的场合,中值或平均值填充可能更加合适。此外,一些后续处理操作如着色、增强、修复等也需要根据具体情况进行选择和设计。
除了上述基本方法外,还有一些其他的边缘填充技术,如自适应阈值填充、自适应对数变换填充等。这些技术可以根据具体应用场景进行选择和设计,以达到更好的效果。
总之,边缘填充是数字图像处理中非常重要的一步,它可以提高图像的对比度和细节,使得图像更加清晰和易于分析。在实际应用中,我们需要根据具体情况选择合适的填充方法,并对不同方法的效果进行评估和比较。同时,我们还需要注意后续处理操作的设计和选择,以获得更好的图像处理效果。
图5是本申请一个实施例提供的基于多项式拟合的智能骨关节三维重建装置的结构示意图,该基于多项式拟合的智能骨关节三维重建装置,装置包括:
图像获取模块501,用于获取骨关节DICOM图像;
图像分割模块502,用于通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;
边缘提取模块503,用于提取分割图像的边缘,得到图像边缘;
边缘插值模块504,用于使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;
图像填充模块505,用于对插值边缘图像进行填充,得到填充图像;
三维重建模块506,用于基于填充图像进行三维重建,生成骨关节三维模型。
图6示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在电子设备的内部或外部。在特定实施例中,存储器602可以是非易失性固态存储器。
在一个实施例中,存储器602可以是只读存储器(Read Only Memory,ROM)。在一个实施例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现上述实施例中的任意一种基于多项式拟合的智能骨关节三维重建方法。
在一个示例中,电子设备还可包括通信接口603和总线610。其中,如图6所示,处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的基于多项式拟合的智能骨关节三维重建方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于多项式拟合的智能骨关节三维重建方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于多项式拟合的智能骨关节三维重建方法,其特征在于,包括:
获取骨关节DICOM图像;
通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;
提取分割图像的边缘,得到图像边缘;
使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;
对插值边缘图像进行填充,得到填充图像;
基于填充图像进行三维重建,生成骨关节三维模型;
提取分割图像的边缘,得到图像边缘,包括:
利用高斯滤波器平滑图像;
利用一阶偏导有限差分计算梯度幅值和方向;
对梯度幅值进行非极大抑制;
利用双阈值算法检测和连接边缘;
对图像进行高斯滤波的实现用两个以为高斯核分别两次加权实现,也就是先一维X方向卷积,得到的结果在一维Y方向卷积;
计算梯度值和方向,图像的灰度值的梯度使用一阶有限差分来近似,得到图像在X和Y方向上的偏导数的两个矩阵;非极大抑制就是寻找像素点局部最大值,沿着梯度方向,比较它前面和后面的梯度值;
双阈值的选取是按照直方图来选择的,首先把梯度幅值的直方图求出来,选取占直方图总数多少所对应的的梯度幅值为高阈值,高阈值的一半为低阈值;边缘检测时首先判断该点是否超过高阈值,然后判断该点的8邻域点中寻找满足超过低阈值的点,再根据此点收集新的边缘,直到整个图像边缘闭合;
使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像,包括:
对相邻的多个切片进行边缘的拟合,得到拟合结果;
基于拟合结果在原始边缘点的中间进行插值,得到插值边缘图像;
具体的,边缘提取是基于多个切片的图像分割结果;边缘提取是为了得到单像素链的边缘,使用canny算法进行边缘提取;当得到较厚切片的边缘后,将使用拟合的方法得到较薄切片的边缘图像;
使用多项式非线性拟合的算法进行切片间边缘的插值;同时,使用并非相连间切片的边缘图像,而是使用相邻的多个切片进行边缘的拟合;多层切片的拟合综合上下文信息,得到更加准确的边缘信息;具体计算过程如下;
首先提取多层切片之间,相同位置的边缘坐标:
{(x1,y1)(x2,y2)...(xm,ym)}
其中,(xi,yi)为边缘坐标;
再次,设置多项式公式
其中,n为多项式的次数,一般多项式拟合在7次以内;ai为第i项的系数;对多项式进行偏导计算则会得到对应第i项的系数;具体计算如下所示:
得到拟合结果后,在原始边缘点的中间进行插值。
2.根据权利要求1所述的基于多项式拟合的智能骨关节三维重建方法,其特征在于,通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像,包括:
基于深度学习或机器学习的方法对骨关节DICOM图像进行图像分割,得到分割图像;
其中,深度学习或机器学习的方法包括马尔科夫随机场模型、unet系列、FCN系列、RNN系列、Deeplab系列中的至少一种。
3.根据权利要求1所述的基于多项式拟合的智能骨关节三维重建方法,其特征在于,通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像,包括:
基于阈值分割、区域增长、聚类方法、可变形模型中的至少一种方法对骨关节DICOM图像进行图像分割,得到分割图像。
4.根据权利要求1所述的基于多项式拟合的智能骨关节三维重建方法,其特征在于,对插值边缘图像进行填充,得到填充图像,包括:
将插值边缘图像中的每个像素值都填充为其周围像素值和其均值之间的双线性插值结果,得到填充图像。
5.根据权利要求1所述的基于多项式拟合的智能骨关节三维重建方法,其特征在于,对插值边缘图像进行填充,得到填充图像,包括:
将插值边缘图像中的每个像素值都填充为其周围像素值的中值,得到填充图像。
6.一种基于多项式拟合的智能骨关节三维重建装置,其特征在于,所述装置包括:
图像获取模块,用于获取骨关节DICOM图像;
图像分割模块,用于通过分割算法对骨关节DICOM图像进行图像分割,得到分割图像;
边缘提取模块,用于提取分割图像的边缘,得到图像边缘;
边缘插值模块,用于使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像;
图像填充模块,用于对插值边缘图像进行填充,得到填充图像;
三维重建模块,用于基于填充图像进行三维重建,生成骨关节三维模型;
提取分割图像的边缘,得到图像边缘,包括:
利用高斯滤波器平滑图像;
利用一阶偏导有限差分计算梯度幅值和方向;
对梯度幅值进行非极大抑制;
利用双阈值算法检测和连接边缘;
对图像进行高斯滤波的实现用两个以为高斯核分别两次加权实现,也就是先一维X方向卷积,得到的结果在一维Y方向卷积;
计算梯度值和方向,图像的灰度值的梯度使用一阶有限差分来近似,得到图像在X和Y方向上的偏导数的两个矩阵;非极大抑制就是寻找像素点局部最大值,沿着梯度方向,比较它前面和后面的梯度值;
双阈值的选取是按照直方图来选择的,首先把梯度幅值的直方图求出来,选取占直方图总数多少所对应的的梯度幅值为高阈值,高阈值的一半为低阈值;边缘检测时首先判断该点是否超过高阈值,然后判断该点的8邻域点中寻找满足超过低阈值的点,再根据此点收集新的边缘,直到整个图像边缘闭合;
使用多层切片多项式拟合方法对图像边缘进行插值,得到插值边缘图像,包括:
对相邻的多个切片进行边缘的拟合,得到拟合结果;
基于拟合结果在原始边缘点的中间进行插值,得到插值边缘图像;
具体的,边缘提取是基于多个切片的图像分割结果;边缘提取是为了得到单像素链的边缘,使用canny算法进行边缘提取;当得到较厚切片的边缘后,将使用拟合的方法得到较薄切片的边缘图像;
使用多项式非线性拟合的算法进行切片间边缘的插值;同时,使用并非相连间切片的边缘图像,而是使用相邻的多个切片进行边缘的拟合;多层切片的拟合综合上下文信息,得到更加准确的边缘信息;具体计算过程如下;
首先提取多层切片之间,相同位置的边缘坐标:
{(x1,y1)(x2,y2)…(xm,ym)}
其中,(xi,yi)为边缘坐标;
再次,设置多项式公式
其中,n为多项式的次数,一般多项式拟合在7次以内;ai为第i项的系数;对多项式进行偏导计算则会得到对应第i项的系数;具体计算如下所示:
得到拟合结果后,在原始边缘点的中间进行插值。
7.一种电子设备,其特征在于,电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的基于多项式拟合的智能骨关节三维重建方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的基于多项式拟合的智能骨关节三维重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108903.7A CN117197345B (zh) | 2023-08-30 | 2023-08-30 | 基于多项式拟合的智能骨关节三维重建方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108903.7A CN117197345B (zh) | 2023-08-30 | 2023-08-30 | 基于多项式拟合的智能骨关节三维重建方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197345A CN117197345A (zh) | 2023-12-08 |
CN117197345B true CN117197345B (zh) | 2024-05-31 |
Family
ID=89002671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108903.7A Active CN117197345B (zh) | 2023-08-30 | 2023-08-30 | 基于多项式拟合的智能骨关节三维重建方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197345B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037929A (zh) * | 2024-03-22 | 2024-05-14 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的纹理映射三维重建方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
CN102628682A (zh) * | 2012-04-24 | 2012-08-08 | 重庆大学 | 基于工业ct扫描技术的体积测量方法 |
CN109191510A (zh) * | 2018-07-09 | 2019-01-11 | 研靖信息科技(上海)有限公司 | 一种病理切片的3d重建方法及其装置 |
CN109272575A (zh) * | 2018-09-28 | 2019-01-25 | 麦克奥迪实业集团有限公司 | 一种提高数字切片扫描仪建模速度的方法 |
CN114693660A (zh) * | 2022-04-11 | 2022-07-01 | 中国人民解放军空军工程大学 | 一种基于ict的固体火箭发动机装药计算网格生成方法 |
CN115937410A (zh) * | 2022-11-07 | 2023-04-07 | 有方(合肥)医疗科技有限公司 | 口腔全景图生成方法、装置、电子设备及存储介质 |
-
2023
- 2023-08-30 CN CN202311108903.7A patent/CN117197345B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
CN102628682A (zh) * | 2012-04-24 | 2012-08-08 | 重庆大学 | 基于工业ct扫描技术的体积测量方法 |
CN109191510A (zh) * | 2018-07-09 | 2019-01-11 | 研靖信息科技(上海)有限公司 | 一种病理切片的3d重建方法及其装置 |
CN109272575A (zh) * | 2018-09-28 | 2019-01-25 | 麦克奥迪实业集团有限公司 | 一种提高数字切片扫描仪建模速度的方法 |
CN114693660A (zh) * | 2022-04-11 | 2022-07-01 | 中国人民解放军空军工程大学 | 一种基于ict的固体火箭发动机装药计算网格生成方法 |
CN115937410A (zh) * | 2022-11-07 | 2023-04-07 | 有方(合肥)医疗科技有限公司 | 口腔全景图生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
人工髋关节三维重建及3D打印应用研究;黎良田;《深圳职业技术学院学报》;20180920;第第17卷卷(第第5期期);正文第1-4节,图5 * |
基于Canny算子的IC卡字符边缘检测及分割的研究;郑鹏等;《计算技术与自动化》;20180915;第第37卷卷(第第3期期);正文第1.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197345A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117197345B (zh) | 基于多项式拟合的智能骨关节三维重建方法、装置及设备 | |
CN113450328B (zh) | 基于改进神经网络的医学图像关键点检测方法及*** | |
CN103745468A (zh) | 一种基于图结构和边界先验的显著性物体检测方法 | |
CN108305268B (zh) | 一种图像分割方法及装置 | |
CN109903254B (zh) | 基于泊松核改进的双边滤波方法 | |
CN110956632A (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
Abdullah et al. | Deep CNN based skin lesion image denoising and segmentation using active contour method | |
CN109146803B (zh) | 基于多角度图像的sar图像辐射分辨率提升方法及装置 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN105913402B (zh) | 一种基于ds证据理论的多幅遥感图像融合去噪方法 | |
CN111325671B (zh) | 网络训练方法、装置、图像处理方法及电子设备 | |
CN117408905B (zh) | 基于多模态特征提取的医学图像融合方法 | |
CN109242797B (zh) | 基于均质和异质区域融合的图像去噪方法、***及介质 | |
CN117115166B (zh) | 一种肾脏多期ct影像检测***及方法、电子设备 | |
CN116543222A (zh) | 膝关节病变检测方法、装置、设备及计算机可读存储介质 | |
CN102314687A (zh) | 一种红外序列图像中的小目标检测方法 | |
CN111060887B (zh) | 一种基于凹凸搜索的Gm-APD激光雷达低信噪比回波数据信号提取方法 | |
Suneetha et al. | An Improved Denoising of Medical Images Based on Hybrid Filter Approach and Assess Quality Metrics | |
CN110766005B (zh) | 目标特征提取方法、装置和终端设备 | |
CN118212126A (zh) | 基于深度学习的图像数据转换方法及装置 | |
CN116805291B (zh) | 一种无人机信号频段检测方法及装置 | |
CN113205531B (zh) | 三维点云分割方法、装置及服务器 | |
CN117474940A (zh) | 医学图像分割模型的生成方法、装置、设备和介质 | |
CN117204910B (zh) | 基于深度学习的膝关节位置实时追踪的自动截骨方法 | |
CN117496050A (zh) | 三维模型生成方法、装置、设备、介质和程序产品 |
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 |