CN101331524A - 形状模型的表面棋盘形分割 - Google Patents
形状模型的表面棋盘形分割 Download PDFInfo
- Publication number
- CN101331524A CN101331524A CNA2006800469272A CN200680046927A CN101331524A CN 101331524 A CN101331524 A CN 101331524A CN A2006800469272 A CNA2006800469272 A CN A2006800469272A CN 200680046927 A CN200680046927 A CN 200680046927A CN 101331524 A CN101331524 A CN 101331524A
- Authority
- CN
- China
- Prior art keywords
- template
- shape
- graticule mesh
- result
- examples
- 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 claims abstract description 109
- 238000000605 extraction Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000010276 construction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 description 32
- 238000011160 research Methods 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 210000002758 humerus Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 108010028984 3-isopropylmalate dehydratase Proteins 0.000 description 1
- 238000005617 Overman rearrangement reaction Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
- G06T17/205—Re-meshing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
Abstract
本发明涉及一种基于形状模型的多个实例确定形状模型的模板格网的方法(100)和系统(200)。该确定形状模型的模板格网的方法包括：获得步骤(110)，用于获得所述模板格网的多个实例；计算步骤(120)，用于基于形状模型的多个实例计算多个结果，决策步骤(130)，用于基于多个结果做出决策，以及抽取步骤(140)，用于基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。于是，通过本发明的方法确定的形状模型的模板格网较好地描述了所有位置处的研究目标。
Description
本发明涉及一种基于形状模型的多个实例确定形状模型的模板格网的方法。
本发明还涉及可以用所述方法获得的形状模型的模板格网。
本发明还涉及针对图像数据集调节所述形状模型的模板格网的方法。
本发明还涉及一种基于形状模型的多个实例确定形状模型的模板格网的系统。
本发明还涉及针对图像数据集调节所述形状模型的模板格网的系统。
本发明还涉及包括至少一个所述系统的图像获取设备。
本发明还涉及包括至少一个所述系统的工作站。
本发明还涉及一种计算机程序产品，该计算机程序产品包括存储在计算机可读介质上的程序代码装置，用于在计算机上运行所述程序产品时执行所述方法中的至少一种。
在2003年的IEEE Transactions on Medical Imaging，22(8)，1005-1013页，Michael R.Kaus，Vladimir Pekar，Cristian Lorenz，Roel Truyen，StevenLobregt和Jürgen Weese的文章“Automated 3D PDM construction fromsegmented images using deformable models”中描述了开篇所述种类的方法的实施例，以下将该文章简称为参考文献1，在此通过引用并入本文。该方法的输入为代表研究目标的学习形状。可以从分割的学习图像获得学习形状。将该学习形状分成三角形。例如，在2000年的Computer Vision and ImageUnderstanding 77(2)，175-191页的Cristian Lorenz和Nils
的文章“Generation of point-based 3D statistical shape models for anatomicalobjects”中描述了三角划分方法，以下将该文章简称参考文献2，在此通过引用将其并入本文。在该方法中，基于学习形状表面的局部曲率使表示学习形状表面的三角形格网的参数数量最小化，并用学习形状表面的局部曲率指导三角形格网顶点的选择。将所确定的代表学习形状的三角形格网实例用作形状模型的模板格网。所确定的模板格网包括多个顶点和边。
术语“模板格网”表示格网的拓扑属性，例如顶点数量和顶点连通度，而术语“模板格网的实例”表示格网的拓扑属性和几何属性，例如但不限于顶点的坐标。形状模型包括模板格网。此外，形状模型可以包括其他实体，例如与模板格网的面相关的特征函数的参数。形状模型的实例包括模板格网的实例，并可以包括其他实体，例如与模板格网的实例的面相关的特征函数的参数值。
参考文献1所述的方法的缺点在于，用于对研究目标(例如骨骼或器官)建模的形状模型的模板格网的本地分辨率常常不足以描述所有位置处的研究目标。
本发明的目的是提供一种开篇所述种类的方法，该方法确定更好地描述所有位置的研究目标的形状模型的模板格网。
本发明的这一目的是通过一种基于形状模型的多个实例确定形状模型的模板格网的方法实现的，该方法包括：
-获得步骤，用于获得形状模型的多个实例；
-计算步骤，用于计算多个结果，所述多个结果包括基于所述形状模型的多个实例中的所述形状模型的第一实例计算的第一结果以及基于所述形状模型的多个实例中的所述形状模型的第二实例计算的第二结果；
-决策步骤，用于基于包括所述第一结果和所述第二结果的所述多个结果做出决策；以及
-抽取步骤，用于基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。
根据本发明的方法，关于抽取形状模型的模板格网的决策考虑了形状模型的多个实例。首先，在获得步骤中获得形状模型的多个实例。形状模型的每个实例包括表示研究目标(例如肱骨或股骨)表面的模板格网，例如三角形模板格网的实例。在简单闭合面的示例性情况下，针对模板格网的每个实例计算基于模板格网的某顶点处的局部曲率的结果。在1992年的Proceedings of the ACM SIGGRAPH Conference 1992第65-70页，William J.Schroeder，Jonathan A.Zarge和William E.Lorensen的论文“Decimation ofTriangle Meshes”中描述了对模板格网实例某顶点处的局部曲率的示例性估算，以下将该论文简称为参考文献3，在此通过引用将其并入本文。如果该估算满足某种条件，例如，估算的平均值小于预定阈值，那么做出抽取三角形模板格网的决策。如参考文献3所述，在抽取步骤中基于该决策抽取格网。另一方面，如果估算不满足特定条件，决策是不抽取模板格网。于是，本发明的方法确定了较好地描述了所有位置处的研究目标的形状模型的模板格网。
在根据本发明的方法的实施例中，第一结果包括抽取模板格网的第一判断，第二结果包括抽取模板格网的第二判断。例如，该判断可以是对赞成或反对模板格网投票。该决策可以基于对抽取模板格网的赞成票与总票数之比。
在根据本发明的方法的另一实施例中，第一结果基于所述形状模型第一实例中的特征函数的第一估值，第二结果基于所述形状模型第二实例中的特征函数的第二估值。在三角形模板格网的示例性情况下，例如，如果对于模板格网的每个实例，与包括某顶点的三角形相关的特征函数是等价的，例如，具有基本上相同的参数值，则可以采用通过去除所述顶点来抽取模板格网的决策。从抽取模板格网获得的孔的三角形化获得的三角形的新特征函数包括所述相同的参数。这种标准排除了将具有不同特征函数的三角形合并的可能，即，将位于本地图像外观有大的改变可能的位置处的三角形合并的可能。于是，新的特征函数将决定用于在图像数据集中调整模板格网的良好目标特征。
在根据本发明的方法的实施例中，该方法还包括：
-第一构建步骤，用于基于多个学习图像数据集构建所述形状模型；以及
-第二构建步骤，用于基于所述多个学习图像数据集构建形状模型的实例。
在本实施例中，该方法的输入包括多个学习图像数据集。该方法有利地包括两个构建步骤，这两个构建步骤允许基于多个学习图像数据集构建形状模型和形状模型的多个实例。根据本发明的方法，进一步可以将形状模型、形状模型的多个实例和/或多个学习图像数据集用于确定形状模型的模板格网。
本发明的另一目的是提供一种开篇所述种类的形状模型的模板格网，其更好地描述了所有位置的研究目标。这是通过可以由所要求保护的基于形状模型的多个实例确定形状模型的模板格网的方法的任一个获得的模板格网实现的。
本发明的另一目的是提供一种开篇所述种类的调整形状模型的模板格网的方法，该模板格网更好地描述所有位置的研究目标。通过如下方式实现这一目的：针对图像数据集调整形状模型的模板格网的方法使用可以由所要求保护的基于形状模型的多个实例确定形状模型的模板格网的方法的任一个获得的形状模型的模板格网。
本发明的另一目的是提供一种开篇所述种类的系统，该系统确定更好地描述所有位置的研究目标的形状模型的模板格网。这一目的是通过一种基于形状模型的多个实例确定形状模型的模板格网的系统实现的，该系统包括：
-获得单元，用于获得所述模板格网的多个实例；
-计算单元，用于计算多个结果，所述多个结果包括基于所述形状模型的多个实例中的所述形状模型的第一实例计算的第一结果以及基于所述形状模型的多个实例中的所述形状模型的第二实例计算的第二结果；
-决策单元，用于基于包括所述第一结果和所述第二结果的所述多个结果做出决策；以及
-抽取单元，用于基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。
本发明的另一目的是提供一种调整开篇所述种类的形状模型的模板格网的系统，将该系统设置成调整形状模型的模板格网以更好地描述所有位置的研究目标。通过如下方式实现这一目的：将针对图像数据集调整形状模型的模板格网的系统设置成使用可以由所要求保护的基于形状模型的多个实例确定形状模型的模板格网的系统的任一个获得的形状模型的模板格网。
本发明的另一目的是提供一种开篇所述种类的图像获取设备，该图像获取设备能够确定更好地描述所有位置的研究目标的形状模型的模板格网。这一目的是通过一种包括基于形状模型的多个实例确定形状模型的模板格网的系统的图像获取设备实现的，该系统包括：
-获得单元，用于获得所述模板格网的多个实例；
-计算单元，用于计算多个结果，所述多个结果包括基于所述形状模型的多个实例中的所述形状模型的第一实例计算的第一结果以及基于所述形状模型的多个实例中的所述形状模型的第二实例计算的第二结果；
-决策单元，用于基于包括所述第一结果和所述第二结果的所述多个结果做出决策；以及
-抽取单元，用于基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。
本发明的另一目的是提供一种开篇所述种类的图像获取设备，该图像获取设备能够调整更好地描述所有位置的研究目标的形状模型的模板格网。通过如下方式实现这一目的：该图像获取设备包括针对图像数据集调整形状模型的模板格网的系统，将该系统设置成使用可以由所要求保护的基于形状模型的多个实例确定形状模型的模板格网的系统获得的形状模型的模板格网。
本发明的另一目的是提供一种开篇所述种类的工作站，该工作站能够确定更好地描述所有位置的研究目标的形状模型的模板格网。这一目的是通过使得该工作站包括基于形状模型的多个实例确定形状模型的模板格网的系统而实现的，该系统包括：
-获得单元，用于获得所述模板格网的多个实例；
-计算单元，用于计算多个结果，所述多个结果包括基于所述形状模型的多个实例中的所述形状模型的第一实例计算的第一结果以及基于所述形状模型的多个实例中的所述形状模型的第二实例计算的第二结果；
-决策单元，用于基于包括所述第一结果和所述第二结果的所述多个结果做出决策；以及
-抽取单元，用于基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。
本发明的另一目的是提供一种开篇所述种类的工作站，该工作站能够调整更好地描述所有位置的研究目标的形状模型的模板格网。通过如下方式实现这一目的：使该工作站包括针对图像数据集调整形状模型的模板格网的系统，将该系统设置成使用可以由所要求保护的基于形状模型的多个实例确定形状模型的模板格网的系统获得的形状模型的模板格网。
本发明的另一目的是提供开篇所述种类的计算机程序产品，在所述计算机程序产品运行于计算机上时，其确定更好地描述所有位置的研究目标的形状模型的模板格网。这是通过该计算机程序产品包括存储在计算机可读介质上用于执行如下任务的程序代码装置来实现的：
-获得模板格网的多个实例；
-计算多个结果，所述多个结果包括基于所述形状模型的多个实例中的所述形状模型的第一实例计算的第一结果以及基于所述形状模型的多个实例中的所述形状模型的第二实例计算的第二结果；
-基于包括所述第一结果和所述第二结果的所述多个结果做出决策；以及
-基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。
本发明的另一目的是提供一种开篇所述种类的计算机程序产品，该计算机程序产品能够调整更好地描述所有位置的研究目标的形状模型的模板格网。这是通过如下方式实现的：该计算机程序产品包括存储在计算机可读介质上的程序代码装置，将该程序代码装置设置成当所述程序产品运行于计算机上时，该程序代码装置使用可由所要求保护的基于形状模型的多个实例确定形状模型的模板格网的方法获得的形状模型的模板格网。
可以由技术人员基于本说明书执行对应于描述的所述确定形状模型的模板格网的方法及其变化的变型的，形状模型的模板格网、调整形状模型的模板格网的方法、确定形状模型的模板格网的系统、调整形状模型的模板格网的系统、图像获取设备、工作站和/或计算机程序产品的变型及其变化。
在将本发明的方法应用于以3D图像数据集表示研究目标的形状模型时，该方法特别有用。现今可以通过各种数据采集设备来例行地产生这种图像数据集，数据采集设备例如是但不限于磁共振成像(MRI)、计算层析X射线摄影(CT)、超声波(US)、正电子发射层析成像(PET)和单光子发射计算层析X射线摄影(SPECT)。不过，还可以将本方法应用于以任何多维图像数据集表示研究目标的形状模型。
通过下面所述的实施形式和实施例并参考附图，本发明的这些和其他方面将变得明了并得到阐明，附图中：
图1示出了确定形状模型的模板格网的方法的示例性实施例的流程图；
图2示意性地示出了用于确定形状模型的模板格网的系统的示例性实施例；
图3示意性地示出了包括用于确定形状模型的模板格网的系统的图像获取设备的示例性实施例；以及
图4示意性地示出了包括用于确定形状模型的模板格网的系统的工作站的示例性实施例。
在所有附图中用相同的附图标记表示类似的部分。
图1示出了确定形状模型的模板格网的方法100的示例性实施例的流程图。在开始步骤101之后，该方法100前进到获得步骤110，以获得形状模型的多个实例。在获得步骤之后，该方法100前进到计算步骤120，用于基于形状模型的实例计算结果。该方法100然后前进到决策步骤130，在决策步骤，基于在计算步骤120中计算的结果做出对形状模型的模板格网抽取的决策。如果该决策是抽取形状模型的模板格网，那么方法100前进到抽取步骤140，用于抽取模板格网。在抽取步骤140之后，该方法100前进到循环步骤150。如果该决策是不抽取形状模型的模板格网，那么方法100跳过抽取步骤140而前进到循环步骤150。在循环步骤150中，生成用于继续抽取模板格网，即用于继续确定形状模型的模板格网的条件。如果要进一步抽取格网，那么该方法返回到计算步骤120。否则，该方法前进到终止步骤199。
方法100的输入包括形状模型的多个实例。在获得步骤110中获得形状模型的该多个实例。形状模型的每个实例包括模板格网的实例。模板格网包括许多顶点，在该上下文中，也可以将模板格网称为点分布模型(PDM)。通常，模板格网还包括多个边。每个边的末端为模板格网的顶点。可以用顶点列表和连接顶点的边列表来表示这种模板格网。可以将由边彼此连接的两个顶点称为相邻顶点。此外，模板格网的顶点和边可以界定模板格网的面。如果所有面都是多边形，那么将模板格网称为多边形模板格网。如果所有面都是三角形，那么将模板格网称为三角形模板格网或三角模板格网。如果格网的每个顶点都是恰好三个边的末端，那么将该模板格网称为单形格网。
或者，方法100的输入包括多个学习图像数据集，可以在获得步骤110中用所述多个学习图像数据集构建形状模型的实例。每个学习图像数据集包括要用形状模型建模的研究目标，例如肱骨或股骨。例如，可以由用户选择学习图像，或者从图像数据集数据库自动选择学习图像。可以对学习图像进行分割。或者，该确定形状模型的模板格网的方法还可以包括分割步骤，用于对学习图像数据集中的研究目标进行分割。例如，可以使用手动图像分割对目标分割。
在计算步骤120中使用在获得步骤110中获得的多个形状模型计算多个结果，该多个结果包括基于多个形状模型的实例中的形状模型的第一实例计算的第一结果以及基于所述多个形状模型的实例中的形状模型的第二实例计算的第二结果。例如，第一结果可以包括从模板格网的第一实例中的模板格网的某一顶点到第一平均平面的距离，该第一平均平面可以定为由边连接的模板格网第一实例的所有顶点到该顶点的距离的平方和最小的平面。类似地，第二结果可以包括针对模板格网第二实例计算的类似距离。来自多个结果的另一结果还可以包括针对模板格网的另一实例计算的类似距离。
在另一个例子中，多个结果中的结果可以包括由始于模板格网实例中的顶点的边定义的内部立体角的量度。在又一个例子中，结果可以包括始于模板格网实例中的某顶点的两条边长度的最大比值。在又一例子中，结果可以包括如参考文献2的3.2节所述的局部曲率的量度。多个结果中的结果还可以包括多种数据，例如内部立体角的量度和两条边的长度的最大比值。本领域技术人员会明白，所述的结果例示了本发明的实施例但不限制权利要求的范围。
该方法100还包括决策步骤130，用于基于包括第一结果和第二结果的多个结果做出决策。如果多个结果中的结果满足特定条件，可以采取抽取模板格网的决策。例如，如果对于模板格网的所有实例，从模板格网的某顶点到如前一例子所述的平均平面的距离的平均小于阈值，那么该决策可以是通过从模板格网去除某顶点来抽取模板格网。如果该平均距离大于或等于预定阈值，该决策可以是不从模板格网去除该某顶点。该特定条件可以包括其他要求，例如，在模板格网的所有实例中，从模板格网的某顶点到平均平面的距离的最大值小于平均距离的两倍和/或所述距离的标准偏差小于阈值。可以预先定义或可以由用户选择条件，例如各种阈值。
该方法100还包括抽取步骤140，用于基于在决策步骤130中导出的决策抽取形状模型的模板格网。在文献中介绍过很多抽取算法。在1998年10月的Proceedings Graphics Interface′98的311-18页中L.Kobbelt，S.Campagna和H.P.Seidel的文章“A General Framework for Mesh Decimation”中提供了格网抽取算法的综述，在此通过引用将其并入本文。模板格网的选择，例如多边形、三角形或单形(simplex)，对抽取算法的选择有影响。抽取算法的选择影响着包括在计算步骤120中要针对模板格网实例计算的多个结果的抽取准则的选择、在决策步骤130中用于导出抽取模板格网的决策的条件的选择以及在抽取步骤140中执行的抽取任务。
抽取任务包括去除模板格网的顶点和/或边，以及(如果需要的话)通过固定(例如三角形化)所得孔来生成新模板格网。例如，用于抽取三角形格网的单纯算法按如下方式工作：去除某顶点以及始于该顶点的边，并且通过生成至少一个新边来使所得的孔成为三角形。在参考文献3中描述了这种和其他用于抽取三角形格网的算法。此外，可以重新配置被抽取模板格网的实例以改善被抽取模板格网的光滑度和纵横比。此外，还可以针对相应学习图像数据集中包括的相应研究目标实例再次调整被抽取模板格网的实例。或者，可以针对模板格网的相应实例再次调整已抽取模板格网的实例。
本领域技术人员将认识到，有很多种抽取算法可能对实施本发明的方法有用，上述算法例示了本发明而不限制权利要求的范围。
在根据本发明的方法100的实施例中，多个结果包括在计算步骤120中计算的多个结果。在决策步骤130中导出多个决策。在抽取步骤140中抽取多个顶点和/或边。例如，在计算步骤120中计算的多个结果可以包括针对每个顶点和模板格网的每个实例的内部立体角的量度。在决策步骤130中可以将立体角量度满足条件的每个顶点标志为要删除。在抽取步骤140中可以从模板格网中删除被标识为删除的所有顶点以及始于这些顶点的所有边。
在根据本发明的方法100的实施例中，第一结果包括抽取模板格网的第一选项，第二结果包括抽取模板格网的第二选项。例如，第一和第二选项可以包括诸如“是”或“否”的双态判断，即对赞成或反对抽取形状模型的模板格网的动作投票，或者可以包括来自评价抽取形状模型的模板格网的动作有用性的分级标度的级别，即数值。来自多个结果的其他结果还可以包括这种判断或级别。可以在决策步骤130中使用多个选项或级别。例如，可以从来自多个双态选项的双态选项的布尔积，或从来自多个级别的级别代数和来导出抽取模板格网的决策。
在根据本发明的方法100的实施例中，第一结果基于形状模型第一实例中的特征函数的第一估值，第二结果基于形状模型第二实例中的特征函数的第二估值。特征函数是很多形状模型的重要部分，例如在2001年Springer的Proc.IPMI第380-387页J.Weese，V.Pekar，M.Kaus，C.lorenz，S.Lobregt和R Truyen的文章“Shape constrained deformable models for 3Dmedical image segmentation”中描述的形状模型，在此通过引用将其并入本文。有利地，可以利用例如下述特征优化方法来优化形状模型的特征函数，即在2005年Amsterdam：Elsevier的Lemke，Heinz U.(Ed.)，Computer AssistedRadiology and Surgery，Proceedings CARS 2005中第33-38页Jochen Peters，Olivier Ecabert和Jürgen Weese的文章“Feature Optimization Via SimulatedSearch for Model-Based Heart Segmentation”中描述的特征优化方法，以下将该文章简称为参考文献4，在此通过引用将其并入本文。在三角形模板格网的示例性情况下，用于通过去除边来抽取模板格网的条件例如可以是这样的：对于模板格网的每个实例，与包括所述边的三角形相关的特征函数是等价的，例如，具有基本相同的参数值。从抽取模板格网获得的孔的三角形化获得的三角形的新特征函数包括所述相同参数。这种标准排除了将具有不同特征函数的三角形合并的可能，即，将位于本地图像外观有大的改变可能的位置处的三角形合并的可能。于是，新的特征函数将决定用于针对图像数据集调整模板格网的良好目标特征。用于抽取模板格网的较弱条件是，特征函数是相似的，即，特征函数相似性的量度大于阈值。该阈值可以是该方法的预定参数，可以通过该方法计算，或可以由用户定义。其他条件可以涉及特征函数的参数统计矩，例如平均和/或变动。对已抽取格网中的孔三角形化获得的三角形可以继承平均特征函数，可以通过被合并三角形的特征函数的参数平均来定义该平均特征函数。或者，可以利用参考文献4的方法确定特征函数。
在根据本发明的方法100的实施例中，对抽取三角形模板格网的决策基于在相邻三角形(即共享边的三角形)中同时出现特征函数或其参数的概率。可以将相邻三角形中同时出现特征函数的概率定义为所述相邻三角形具有相同特征函数的形状模型的实例数量与形状模型的实例总数量的比值。如果该概率超过阈值，可以从格网去除共享的边。
本领域技术人员将会认识到，特征函数仅仅是形状模型和/或形状模型的实例的很多特征中之一，并且可以在本发明的其他实施例中有利地使用其他特征。
在根据本发明的方法100的实施例中，该获得步骤110包括：
-第一构建步骤，用于基于多个学习图像数据集构建形状模型；以及
-第二构建步骤，用于基于多个学习图像数据集构建形状模型的实例。
在第一构建步骤中，基于多个学习图像数据集中的分割的学习图像数据集构建包括点分布模型的形状模型的模板格网。为了生成表示学习图像中包括的被描绘研究目标的表面的点分布模型，必需要从学习图像数据集中选择体素(voxel)子集作为表面点。可以将表面体素定义为26-连接到背景体素的目标体素。任选地，为了获得目标表面的完全参数化，可以对表示体素的表面点集进行三角形化。例如，可以利用1997年Springer出版的M.de Berg，M.van Kreveld，M.Overmans和O.Schwarzkopf的“Computational Geometry，Applications and Algorithms”第9章中描述的Delaunay三角形划分法来实现该目的，在此通过引用将该内容并入本文。也可以将本领域技术人员公知的形状模型的其他参数，例如特征函数分配给形状模型的三角形格网的三角形。例如，可以利用参考文献4的算法实现此点。
在第二构建步骤中，例示出形状模型的多个实例。值得指出的是，形状模型的实例与在第一构建步骤中利用多个学习图像数据集的分割学习图像数据集构建的形状模型相同。可以通过针对多个学习图像数据集中的剩余学习图像数据集调整形状模型获得形状模型的每个剩余实例，例如参考文献1的II.B和II.C部分所述。或者，可以采用参考文献2的第4部分描述的基于地界标的登记方法。第二构建步骤的输出是形状模型的多个实例。
本领域技术人员将理解，还有构建形状模型的其他定义和/或其他方法，本发明的方法100可以有利地加以利用。例如，一些模型可以包括三角形格网，而其他模型可以包括单形格网。在本说明书中使用的形状模型用于例示本发明，并不限制权利要求的范围。
在根据本发明的方法100的实施例中，复制所获得的模板格网及其多个实例作为候选模板格网和候选模板格网的多个实例。例如，可以在计算步骤120中执行该任务。还存储参考模板格网和参考模板格网的多个实例。参考模板格网和参考模板格网的多个实例可以分别与在获得步骤110中获得的模板格网和其多个实例相同，即与第一构建步骤中计算的高分辨率模板格网和第二构建步骤中计算的其实例相同。在计算步骤120中抽取候选模板格网。然后针对多个学习图像数据集中的每个学习图像数据集调整已抽取候选模板格网。在计算步骤120中进一步计算的多个结果可以包括候选模板格网实例和参考模板格网的相应实例之间的体积差异。例如，可以将体积差异定义为夹在候选模板格网实例和参考模板格网相应实例之间的区域体积之和，或由候选模板格网实例围绕的形状和参考模板格网的相应实例围绕的形状的集合理论对称差分的体积。在决策步骤130中，可以计算两个模板格网的实例的体积差异。例如，可以将两个模板格网实例的体积差异之和与阈值比较。然后可以基于在抽取步骤140中进行的这一比较接受或拒绝候选格网作为模板格网。
在根据本发明的方法100的实施例中，该方法100还包括用于设置抽取模板格网的标准的设置步骤。例如，该标准可以是要在计算步骤120中计算的多个结果的每个结果小于阈值。另一标准可以是要在计算步骤120中计算的多个结果的结果平均值大于阈值。另一标准可以是计算步骤120中计算的多个结果的结果相同。另一标准可以是基于在计算步骤120中计算的多个结果的结果计算的成本函数达到最佳。成本函数的例子为定义模板格网的参数数量。可以要求定义成本函数最佳值的参数满足一些条件，这不会允许模板格网的实例与研究目标的模型化实例相差悬殊。标准可以包括多个子标准。在设置步骤中设置的标准影响着计算步骤120、决策步骤130、抽取步骤140和循环步骤150的实施。可以由该方法基于设置步骤中设置的条件自动选择这些步骤中的至少一个的适当实施。任选地，例如，可以由用户在设置步骤中交互式地确定这些步骤中的至少一个的适当实施。
可以迭代计算步骤110、决策步骤120和抽取步骤130。迭代次数可以通过迭代条件定义。在根据本发明的方法100的实施例中，方法100包括用于检查迭代条件的循环步骤150。例如，迭代条件可以基于迭代次数的最大值，模板格网中的顶点数，成本函数的估算和/或已抽取模板格网的估算。例如，如果抽取模板格网的否定决策数量超过阈值，那么可以终止迭代。本领域技术人员将理解，可以有很多其他终止重复的条件，且可以利用布尔和/或数值表达式组合多个条件。
在本发明的方法100的所述实施例中的步骤次序不是强制的，本领域技术人员可以改变一些步骤的次序，或利用线程模型、多处理器系统或多过程并行执行一些步骤，而并没有脱离本发明的原理。任选地，可以将本发明的方法100的两个或更多步骤组合成一个步骤。任选地，可以将本发明的方法100的步骤分成多个步骤。
可以将方法100，例如图1中的流程图所示的方法，实现为计算机程序产品，且可以存储在任何适当的介质，例如磁带、磁盘或光盘上。可以将该计算机程序加载到包括处理单元和存储器的计算机装置中。在被加载之后，该计算机程序产品为处理单元提供执行方法100的步骤的能力。
图2示意性地示出了基于包括如下单元的形状模型的多个实例确定形状模型的模板格网的系统200的示例性实施例：
-用于获得模板格网的多个实例的获得单元210；
-用于计算多个结果的计算单元220；
-用于基于多个结果做出决策的决策单元230；
-用于基于决策抽取形状模型的模板格网的抽取单元240；
-用于控制迭代的循环单元250；
-用于和系统200通信的用户接口265；以及
-用于存储数据的存储单元270。
在图2所示的系统200的实施例中，有三个用于输入数据的输入连接器281、282和283。将第一输入连接器281设置为接收从数据存储器输入的数据，该数据存储器例如为硬盘、磁带、闪速存储器或光盘。将第二输入连接器282设置为接收来自用户输入装置的数据，该用户输入装置例如是但不限于鼠标或触摸屏。将第三输入连接器283设置为接收来自诸如键盘的用户输入装置的数据。输入连接器281、282和283连接到输入控制单元280。
在图2所示的系统200的实施例中，有两个用于输出数据的输出连接器291和292。将第一输出连接器291设置为向数据存储器输出数据，该数据存储器例如为硬盘、磁带、闪速存储器或光盘。将第二输出连接器292设置为向显示装置输出数据。输出连接器291和292经由输出控制单元290接收相应数据。
本领域技术人员将理解，有很多方法将输入装置连接到输入连接器281、282和283，将输出装置连接到系统200的输出连接器291和292。这些方法包括但不限于有线和无线连接、诸如局域网(LAN)和广域网(WAN)的数字网络、因特网、数字电话网和模拟电话网。
在根据本发明的系统200的实施例中，系统200包括存储单元270。将系统200设置成经由任一输入连接器281、282和283从外部装置接收输入数据并将所接收的输入数据存储在存储单元270中。将数据加载到存储单元270中允许通过系统200的各单元快速访问相关数据部分。输入数据可以包括形状模型的多个实例和/或多个学习图像数据集。可以通过诸如随机存取存储器(RAM)芯片、只读存储器(ROM)芯片和/或硬盘的器件实现存储单元270。优选地，存储单元270包括RAM，用于存储输入数据和/或输出数据。还将存储单元270设置成经由存储器总线275从包括获得单元210、计算单元220、决策单元230、抽取单元240、循环单元250和用户接口265的系统200的多个单元接收数据以及向所述多个单元提供数据。进一步将存储单元270设置成使外部装置经由输出连接器291和292的任一个可以使用数据。将来自系统200的单元的数据存储在存储单元270中有利地改善了系统200的单元性能以及从系统200的单元向外部装置转移数据的速率。
或者，系统200不包括存储单元270和存储器总线275。由至少一个连接到系统200的单元的外部装置，例如外存储器或处理器提供系统200所用的输入数据。类似地，向至少一个连接到系统200的单元的外部装置，例如外存储器或处理器提供系统200所产生的输出数据。将系统200的单元设置成经由内部连接或经由数据总线彼此之间接收数据。
在根据本发明的系统200的另一实施例中，系统200包括用于和系统200通信的用户接口265。用户接口265可以包括用于向用户显示数据的显示单元和用于做出选择的选择单元。将系统200与用户接口265组合允许用户与系统200通信。可以将用户接口265设置成接受由用户选择的用于抽取模板格网的标准。可以进一步将用户接口265设置成显示模板格网的实例。任选地，用户接口可以包括系统200的多个工作模式，例如使用多种抽取算法之一的模式，这可以由系统200实现。本领域技术人员将理解，可以在系统200的用户接口265中有利地实现更多功能。
或者，该系统可以采用经由输入连接器282和/或283以及输出连接器292连接到系统200的外部输入装置和/或外部显示器。本领域技术人员还将理解，有很多可以有利地包括在本发明的系统200中的用户接口装置。
图3示意性地示出了采用本发明的系统200的图像获取设备300的实施例，所述图像获取设备300包括经由内部连接与系统200相连的图像采集单元310、输入连接器301和输出连接器302。这种布置有利地提高了图像获取设备300的能力，为所述图像获取设备300提供了系统200用于确定形状模型的模板格网以及使用系统200可获得的形状模型的模板格网进行图像分割的有利能力。图像获取设备的例子包括但不限于CT系统、X射线系统、MRI系统、US系统、PET系统和SPECT系统。
图4示意性地示出了工作站400的实施例。该工作站包括系统总线401。将处理器410、存储器420、磁盘输入/输出(I/O)适配器430以及用户接口(UI)440可操作地连接到系统总线401。将磁盘存储装置431可操作地耦合到磁盘I/O适配器430。将键盘441、鼠标442和显示器443可操作地耦合到UI 440。将被实现为计算机程序的本发明的系统200存储在磁盘存储装置431中。设置工作站400以向存储器420中加载程序和输入数据并在处理器410上执行程序。用户可以使用键盘441和/或鼠标442向工作站400输入信息。将工作站设置成向显示装置443和/或磁盘431输出信息。技术人员将理解，现有技术中已知有很多工作站400的其他实施例，本实施例的目的是例示本发明，决不可将其视为把本发明限制到这一特定实施例。
应当指出，上述实施例例示而非限制本发明，且本领域的技术人员将能够设计出替换实施例而不脱离所附权利要求的范围。在权利要求中，不应将括号中的任何附图标记视为限制权利要求。“包括”一词并不排除存在权利要求或说明书中未列示的元件或步骤。元件前的“一”或“一个”并不排除存在多个这种元件。可以利用包括若干不同元件的硬件或利用适当的程序控制计算机来实现本发明。在列举若干单元的系统权利要求中，可以用同一件硬件或软件实现这些单元中的几个。使用单词第一、第二和第三等并不表示任何次序。要将这些单词视为名称。
Claims (11)
1、一种基于形状模型的多个实例确定所述形状模型的模板格网的方法(100)，所述方法(100)包括：
-获得步骤(110)，用于获得所述模板格网的多个实例；
-计算步骤(120)，用于计算多个结果，所述多个结果包括基于所述形状模型的多个实例中的所述形状模型的第一实例计算的第一结果以及基于所述形状模型的多个实例中的所述形状模型的第二实例计算的第二结果；
-决策步骤(130)，用于基于包括所述第一结果和所述第二结果的所述多个结果做出决策；以及
-抽取步骤(140)，用于基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。
2、根据权利要求1所述的方法(100)，其中所述第一结果包括关于抽取所述模板格网的第一判断，且所述第二结果包括关于抽取所述模板格网的第二判断。
3、根据权利要求1所述的方法(100)，其中所述第一结果基于所述形状模型第一实例中的特征函数的第一估值，所述第二结果基于所述形状模型第二实例中的特征函数的第二估值。
4、根据权利要求1所述的方法(100)，其中所述实例获得步骤(110)包括：
-第一构建步骤，用于基于多个学习图像数据集构建所述形状模型；以及
-第二构建步骤，用于基于所述多个学习图像数据集构建形状模型的实例。
5、一种可以由权利要求1所述的方法(100)获得的形状模型的模板格网。
6、一种针对图像数据集调整如权利要求0所述的形状模型的模板格网的方法。
7、一种基于形状模型的多个实例确定所述形状模型的模板格网的系统(200)，所述系统(200)包括：
-获得单元(210)，用于获得所述模板格网的多个实例；
-计算单元(220)，用于计算多个结果，所述多个结果包括基于所述形状模型的多个实例中的所述形状模型的第一实例计算的第一结果以及基于所述形状模型的多个实例中的所述形状模型的第二实例计算的第二结果；
-决策单元(230)，用于基于包括所述第一结果和所述第二结果的所述多个结果做出决策；以及
-抽取单元(240)，用于基于所述决策抽取所述形状模型的模板格网，由此确定所述形状模型的模板格网。
8、一种针对图像数据集调整如权利要求0所述的形状模型的模板格网的系统。
9、一种包括权利要求0或0的任一项所述的系统的图像获取设备(300)。
10、一种包括权利要求0或0的任一项所述的系统的工作站(400)。
11、一种计算机程序产品，其包括存储在计算机可读介质上的程序代码装置，所述程序代码装置用于当所述程序产品在计算机上运行时执行根据权利要求1或权利要求0所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP05112308 | 2005-12-16 | ||
| EP05112308.1 | 2005-12-16 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101331524A true CN101331524A (zh) | 2008-12-24 |
Family
ID=38038712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2006800469272A Pending CN101331524A (zh) | 2005-12-16 | 2006-12-15 | 形状模型的表面棋盘形分割 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20090030657A1 (zh) |
| EP (1) | EP1964069A2 (zh) |
| CN (1) | CN101331524A (zh) |
| WO (1) | WO2007069223A2 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8073252B2 (en) * | 2006-06-09 | 2011-12-06 | Siemens Corporation | Sparse volume segmentation for 3D scans |
| US7928979B2 (en) | 2008-02-01 | 2011-04-19 | Microsoft Corporation | Efficient geometric tessellation and displacement |
| US9020827B2 (en) * | 2009-10-16 | 2015-04-28 | Baxter International Inc. | Peritoneal dialysis optimized using a patient hand-held scanning device |
| EP2491516B1 (en) * | 2009-10-23 | 2018-09-12 | Exxonmobil Upstream Research Company | Method for optimization with gradient information |
| GB201114242D0 (en) | 2011-08-18 | 2011-10-05 | Pilkington Group Ltd | Tantalum oxide coatings |
| US20140267003A1 (en) * | 2013-03-14 | 2014-09-18 | Fresenius Medical Care Holdings, Inc. | Wireless controller to navigate and activate screens on a medical device |
| US9589318B2 (en) | 2014-08-25 | 2017-03-07 | Ge Aviation Systems Llc | Method and system for generating airport surface map graphics in aircraft cockpit displays |
| CN105825471A (zh) * | 2016-03-13 | 2016-08-03 | 华东理工大学 | 一种基于Unity 3D的三维体表面重构与渲染方法 |
| US10186082B2 (en) * | 2016-04-13 | 2019-01-22 | Magic Leap, Inc. | Robust merge of 3D textured meshes |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6950104B1 (en) * | 2000-08-30 | 2005-09-27 | Microsoft Corporation | Methods and systems for animating facial features, and methods and systems for expression transformation |
| US6771261B2 (en) * | 2001-08-30 | 2004-08-03 | Intel Corporation | Error metric for mesh simplification processing |
| GB2400288B (en) * | 2003-04-02 | 2005-12-28 | Canon Europa Nv | Generating texture maps for use in 3D computer graphics |
-
2006
- 2006-12-15 WO PCT/IB2006/054894 patent/WO2007069223A2/en active Application Filing
- 2006-12-15 US US12/097,141 patent/US20090030657A1/en not_active Abandoned
- 2006-12-15 CN CNA2006800469272A patent/CN101331524A/zh active Pending
- 2006-12-15 EP EP06842561A patent/EP1964069A2/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| WO2007069223A3 (en) | 2007-09-27 |
| EP1964069A2 (en) | 2008-09-03 |
| US20090030657A1 (en) | 2009-01-29 |
| WO2007069223A2 (en) | 2007-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101331524A (zh) | 形状模型的表面棋盘形分割 | |
| US8224089B2 (en) | Information processing device and information processing method, image processing device and image processing method, and computer program | |
| McInerney et al. | A dynamic finite element surface model for segmentation and tracking in multidimensional medical images with application to cardiac 4D image analysis | |
| US20180068461A1 (en) | Posture estimating apparatus, posture estimating method and storing medium | |
| Shen et al. | Skeleton pruning as trade-off between skeleton simplicity and reconstruction error | |
| CN106327506B (zh) | 一种基于概率分区合并的三维模型分割方法 | |
| US20060265198A1 (en) | Apparatus and a method of feature edge extraction from a triangular mesh model | |
| CN103914571A (zh) | 一种基于网格分割的三维模型检索方法 | |
| CN101479763A (zh) | 基于可变分辨率模型的图像分割 | |
| JP4170096B2 (ja) | 対象の３次元表面上にマップされた３次元メッシュモデルの適合性評価のための画像処理装置 | |
| CN104361578B (zh) | 一种多尺度精度控制下的层次化网格分割方法 | |
| Ye et al. | Fast nonrigid 3D retrieval using modal space transform | |
| Li et al. | On surface reconstruction: A priority driven approach | |
| Jalba et al. | Efficient surface reconstruction from noisy data using regularized membrane potentials | |
| CN112381824B (zh) | 一种对图像的几何特征进行提取的方法和相关产品 | |
| Erdenebayar et al. | Feature line extraction of stone tools based on mahalanobis distance metric | |
| Bénière et al. | Recovering primitives in 3D CAD meshes | |
| JP2006277713A (ja) | ３次元メッシュモデルの特徴稜線抽出装置、プログラム及び方法 | |
| Yang et al. | Developing a semantic-driven hybrid segmentation method for point clouds of 3D shapes | |
| Takashima et al. | Shape descriptor-based similar feature extraction for finite element meshing | |
| Sharma et al. | 3D Surface Reconstruction from Unorganized Sparse Cross Sections. | |
| Dardenne et al. | Medial axis approximation with constrained centroidal voronoi diagrams on discrete data | |
| Cheng et al. | Meaningful mesh segmentation guided by the 3d short-cut rule | |
| Hisada et al. | Towards a singularity-based shape language: ridges, ravines, and skeletons for polygonal surfaces | |
| Canton et al. | Automated hexahedral mesh generation of complex biological objects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20081224 |