CN101692286B - 医学图像三视图获取方法 - Google Patents
医学图像三视图获取方法 Download PDFInfo
- Publication number
- CN101692286B CN101692286B CN2009103069972A CN200910306997A CN101692286B CN 101692286 B CN101692286 B CN 101692286B CN 2009103069972 A CN2009103069972 A CN 2009103069972A CN 200910306997 A CN200910306997 A CN 200910306997A CN 101692286 B CN101692286 B CN 101692286B
- Authority
- CN
- China
- Prior art keywords
- view
- plane view
- image
- point
- coronal
- 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.)
- Expired - Fee Related
Links
Images
Abstract
一种图像处理技术领域的医学图像三视图获取方法,包括:首先获得CT医学图像并对医学图像三维重建得到三维立体图像;读入三维立体图像,通过三角片简化技术降低三维图像的三角片数量,得到三维重建图像,以降低图像绘制时间和内存占有量;通过三维重建图像中的一个任意点的三维坐标计算该点的三视图法向量和三视图位置坐标,然后通过转换矩阵处理获得通过该任意点的横断面视图、冠状面视图和矢状面视图:采用三线性插值法获得横断面视图、冠状面视图和矢状面视图上各个点的灰度值分别获得横断面视图、冠状面视图和矢状面视图。本发明中降低三维图像的三角形数量,以降低图像绘制时间和内存占有量,提高交互性。
Description
技术领域
本发明涉及的是一种图像处理技术领域的方法,具体是一种医学图像三视图获取方法。
背景技术
在目前的影像医疗诊断中,医生主要是过观察一组CT(电子计算机X射线断层扫描技术)、MRI(核磁共振成像)的二维切片图像发现病变,但这只能依赖于医生丰富的读片经验。利用医学可视化技术从一系列连续的二维切片重建出三维人体器官,可以真实再现物体的本来面貌,辅助医务人员对病变体或感兴趣的区域进行定量直至定性分析,从而可以大大提高医疗诊断的准确性。
利用计算机图像处理技术,由断层图像序列获取其它方向的虚拟切片(如横截面、冠状面视图和矢状面视图),则可帮助医生从多个方位对病变组织进行观察、诊治,从而提高诊断的准确性,最大程度地再利用了图像信息。因此人体器官或病灶的三维重建和多个方向虚拟切片的获取在学术和应用上都有重要意义。
经过对现有技术的检索发现,杨志强于2006年发表于山东师范大学学报上的论文《任意方位CT切片的获取方法》实现了三维体数据内CT切片的绘制显示,并通过平移、旋转变换实现了其它方向、位置处CT切片的获取,但是对于医疗诊断最重要标准三视图没有给出直接有效的获取方法。
发明内容
本发明针对现有技术存在的上述不足,提供一种医学图像三视图获取方法,降低三维图像的三角形数量,以降低图像绘制时间和内存占有量,同时最大程度地利用了图像信息。
本发明是通过以下技术方案实现的,本发明包括以下步骤:
第一步、首先获得CT医学图像并对医学图像三维重建得到三维立体图像;
所述的三维立体图像采用三维三角片网格表示;
所述三维重建具体为:
1.1)每次读取两张经过量化灰度的CT医学图像,作为CT层,每一张CT医学图像中的每一个圆点表示每一个CT层的一个像素点,由相邻CT层上的各4个像素组成立方体的8个顶点;
1.2)对每一个立方体的8个顶点按阈值进行分类:当该像素点的值小于阈值,则该点在等值面外,将该像素点的值标记为黑,否则,该点在等值面内则不修改该像素点的值;
1.3)判断等值面与立方体是否相交:当等值面与立方体相交时,交点连成三角片面,然后将等值面采用三角片面近似表示;
1.4)重复步骤1.2饿步骤1.3,按从左到右,从前到后依次处理每个CT层中的立方体,最终得到等值面。
所述的CT医学图像为12位灰度图象;
所述的等值面是指:采用三维三角片网格表示的具有相同灰度值的平面。
第二步、读入三维立体图像,通过三角片简化技术降低三维图像的三角片数量,得到三维重建图像,以降低图像绘制时间和内存占有量;
所述的三角片简化技术是指:将三角片网格的每一个顶点依次插入优先队列。
所述的优先队列中的优先权取决于删除该顶点再形成新三角片网格所引起的误差,按所引起的误差值由大到小排列,当误差大于误差阈值时保存该误差所对应的顶点,否则则删除相应误差大于误差阈值的顶点。
第三步、通过三维重建图像中的一个任意点的三维坐标计算该点的三视图法向量和三视图位置坐标,然后通过转换矩阵处理获得通过该任意点的横断面视图、冠状面视图和矢状面视图,具体步骤如下:
3.1)对于横断面视图、冠状面视图和矢状面视图中的每一个面都可以通过面上的点以及面的法向量确定;
3.2)任意方位的切面的变换矩阵如下:
其中:原始齐次坐标系统为(x,y,z,1),切面坐标为(x’,y’,z’,1),第一列(nx,x,nx,y,nx,z)表示x’轴在原坐标系统的方向,第二列(ny,x,ny,y,ny,z)表示y’轴在原坐标系统的方向,第三列是切面的矢量,是前两列的矢量积,第四列(tx,ty,tz)是切面经过的点坐标。
3.3)横断面视图Ta、冠状面视图Tc和矢状面视图Ts的变换矩阵如下所示:
其中:(tx,ty,tz)是切面经过的点坐标。
第四步、采用三线性插值法获得横断面视图、冠状面视图和矢状面视图上各个点的灰度值分别获得横断面视图、冠状面视图和矢状面视图,具体步骤如下:
4.1)将横断面视图、冠状面视图和矢状面视图上每一点作为插值点,通过三视图法向量和三视图位置坐标得到插值点坐标。
4.2)取得插值点最近的8个点构成一个立方体,通过计算该立方体8个顶点的灰度值的加权平均值来获得插值处的灰度值。
4.3)将显示界面分成四部分,分别显示三维重建图像、横断面视图、冠状面视图和矢状面视图,其中:横断面视图、冠状面视图和矢状面视图相交的点的坐标为(tx,ty,tz),该点的坐标通过鼠标单击三维重建图像获取。
与现有技术相比,本发明中降低三维图像的三角形数量,以降低图像绘制时间和内存占有量,提高交互性。另一方面,由断层图像序列获取三个标准方向视图(横截面、冠状面视图和矢状面视图),则可帮助医生从多个方位对病变组织进行观察、诊治,从而提高诊断的准确性,最大程度地再利用了图像信息。
附图说明
图1为实施例相邻切面图。
图2为立方体的8个顶点按阈值进行分类示意图。
其中:图2a为立方体与等值面示意图;图2b为等值面外顶点示意图。
图3为采用三角片片面近似等值面示意图。
图4为实施例冠状面视图获取示意图;
其中:x’表示冠状面视图的水平轴,y’表示冠状面视图的垂直轴,z’为冠状面视图法向量,(tx,ty,tz)是切面经过的某一点的坐标。
图5为实施例三维重建图;
其中:(a)为颈椎重建,(b)为颈椎重建俯视图。
图6为为三角片网格简化后重建图像。
图7为实施例三视图;
其中:(a)、(b)、(c)分别为横截面、冠状面视图和矢状面视图。
图8为实施例三维重建和三视图最终结果。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例的具体实施过程如下:
1.首先对病人进行颈部CT扫描,获得颈部CT图片。该图片为DICOM格式,12位灰度图像,图片像素点为512*512。
所述的DICOM为数字影像和通信标准。
2.对采集的医学图像进行三维重建:
2.1)每次读取两张切片,形成一层,如图1所示,每一个圆点表示切片的一个像素点,由相邻层上的各4个像素组成立方体的8个顶点;
2.2)对每一个立方体的8个顶点按阈值进行分类:如图2所示,如果顶点灰度值小于阈值,则该点在等值面外,标记为黑,否则,该点在等值面内,不标记;
2.3)如果等值面与立方体相交,这些交点可连成三角片面,如图3所示的浅灰色部分,将深色的等值面采用浅灰色的三角片面近似表示;
2.4)按从左到右,从前到后依次处理每一层中的立方体,再依次处理每一层,最终得到等值面。
3.由于重建算法采用三角片面表示,而上一步产生大量三角片,本实施例会产生超过20万个三角片,所以要对三角片网格进行简化。具体步骤为:首先读入重建的三维三角片网格,即前面所述的等值面,再设置简化比例,同时还需保持重建物体基本拓扑结构不变,通过三角片简化技术降低三维图像的三角形数量,以降低图像绘制时间和内存占有量;
4. 获取三视图方位:标准三视图包括横断面视图、冠状面视图和矢状面视图。通过3个转换矩阵可以获得过任意点的三个标准方向视图。
任意方位的切面的变换矩阵如公式3所示。设原始齐次坐标系统为(x,y,z,1),切面坐标为(x’,y’,z’,1)。如公式3所示,第一列(nx,x,nx,y,nx,z)表示x’轴在原坐标系统的方向。第二列(ny,x,ny,y,ny,z)表示y’轴在原坐标系统的方向。第三列是切面的矢量,是前两列的矢量积。第四列(tx,ty,tz)是切面经过的点坐标。
横断面视图(Ta)、冠状面视图(Tc)和矢状面视图(Ts)的变换矩阵如下所示。其中冠状面视图(Tc)变换矩阵可参照图4。因为冠状面视图必穿过(tx=0,ty,tz=0)的点,所以第四列为(0,ty,0)。
5.由于上一步获取的三视图上的点可能没有对应灰度值,所以采用三线性插值法获得三视图上各个点的灰度值。
插值方式有最临近插值法,线性插值法等。本实施例采用三线性插值法,通过计算立方体8个顶点的加权平均值来获得插值处的灰度值,它比最临近插值法运行时间稍长,但效果要好于最邻近插值法。立方体内采样点(tx,ty,tz)的数值Vt的值按下式计算:
Vt=V000(1-tx)(1-ty)(1-tz)+V001(1-tx)(1-ty)tz
+V010(1-tx)ty(1-tz)+V011(1-tx)tytz+V100tx(1-ty)(1-tz)
+V101tx(1-ty)tz+V110txty(1-tz)+V111txtytz (5)
其中V000,V001,…, V111为立方体顶点的值。
6.绘制三视图:把显示界面分成四部分,其中一部分用来显示三维重建图像,另外三部分分别用来绘制横断面视图、冠状面视图和矢状面视图,横断面视图、冠状面视图和矢状面视图的都经过点(tx,ty,tz),点的坐标通过鼠标单击三维重建图像获取。
Claims (2)
1.一种医学图像三视图获取方法,其特征在于,包括以下步骤:
第一步、首先获得CT医学图像并对医学图像三维重建得到三维立体图像;
所述三维重建具体为:
1.1每次读取两张经过量化灰度的CT医学图像,作为CT层,每一张CT医学图像中的每一个圆点表示每一个CT层的一个像素点,由相邻CT层上的各4个像素组成立方体的8个顶点;
1.2对每一个立方体的8个顶点按阈值进行分类:当该像素点的值小于阈值,则该点在等值面外,将该像素点的值标记为黑,否则,该点在等值面内则不修改该像素点的值;
1.3判断等值面与立方体是否相交:当等值面与立方体相交时,交点连成三角片面,然后将等值面采用三角片面近似表示;
1.4重复步骤1.2至步骤1.3,按从左到右,从前到后依次处理每个CT层中的立方体,最终得到CT医学图像三维重建的等值面;
第二步、读入三维立体图像,通过三角片简化技术降低三维图像的三角片数量,得到三维重建图像,以降低图像绘制时间和内存占有量;
所述的三角片简化技术是指:将三角片网格的每一个顶点依次插入优先队列,所述的优先队列中的优先权取决于删除该顶点再形成新三角片网格所引起的误差,按所引起的误差值由大到小排列,当误差大于误差阈值时保存该误差所对应的顶点;
第三步、通过三维重建图像中的一个任意点的三维坐标计算该点的三视图法向量和三视图位置坐标,然后通过转换矩阵处理获得通过该任意点的横断面视图、冠状面视图和矢状面视图;
第三步中所述的获得通过三维重建图像中的一个任意点的横断面视图、冠状面视图和矢状面视图的方法为:
3.1)对于横断面视图、冠状面视图和矢状面视图中的每一个面都可以通过面上的点以及面的法向量确定;
3.2)任意方位的切面的变换矩阵如下:
其中:原始齐次坐标系统为(x,y,z,1),切面坐标为(x’,y’,z’,1),第一列表示x’轴在
原坐标系统的方向,第二列(ny’x,ny’y,ny’z)表示y’轴在原坐标系统的方向,第三列是切面的矢量,是前两列的矢量积,第四列(tx,ty,tz)是切面经过的点坐标;
3.3)横断面视图Ta、冠状面视图Tc和矢状面视图Ts的变换矩阵如下所示:
其中:(tx,ty,tz)是切面经过的点坐标;
第四步、采用三线性插值法获得横断面视图、冠状面视图和矢状面视图上各个点的灰度值,即可分别获得横断面视图、冠状面视图和矢状面视图;
所述的第四步的方法具体为:
4.1)将横断面视图、冠状面视图和矢状面视图上每一点作为插值点,通过三视图法向量和三视图位置坐标得到插值点坐标;
4.2)取得插值点最近的8个点构成一个立方体,通过计算该立方体8个顶点的灰度值的加权平均值来获得插值处的灰度值;
4.3)将显示界面分成四部分,分别显示三维重建图像、横断面视图、冠状面视图和矢状面视图,其中:横断面视图、冠状面视图和矢状面视图相交的点的坐标为(tx,ty,tz),该点的坐标通过鼠标单击三维重建图像获取。
2.根据权利要求1所述的医学图像三视图获取方法,其特征是,所述的等值面是指:采用三维三角片网格表示的具有相同灰度值的曲面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009103069972A CN101692286B (zh) | 2009-09-15 | 2009-09-15 | 医学图像三视图获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009103069972A CN101692286B (zh) | 2009-09-15 | 2009-09-15 | 医学图像三视图获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101692286A CN101692286A (zh) | 2010-04-07 |
CN101692286B true CN101692286B (zh) | 2013-01-02 |
Family
ID=42080969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009103069972A Expired - Fee Related CN101692286B (zh) | 2009-09-15 | 2009-09-15 | 医学图像三视图获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101692286B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102688071A (zh) * | 2012-06-15 | 2012-09-26 | 华东医院 | 超声浅表组织与器官容积扫描断层成像方法 |
CN102800089B (zh) * | 2012-06-28 | 2015-01-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
CN103198465A (zh) * | 2013-04-19 | 2013-07-10 | 中国石油大学(华东) | 一种ct扫描图像旋转误差校正方法 |
CN110338840B (zh) * | 2015-02-16 | 2022-06-21 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
CN105095910B (zh) * | 2015-07-23 | 2017-03-01 | 青岛海信医疗设备股份有限公司 | 一种dicom图像的分类方法 |
GB2548149A (en) | 2016-03-10 | 2017-09-13 | Moog Bv | Model generation for dental simulation |
CN106844770A (zh) * | 2017-02-28 | 2017-06-13 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的三维建模成像优化方法 |
CN107170009B (zh) * | 2017-04-28 | 2021-04-20 | 广州军区广州总医院 | 一种基于医学图像的护目镜基弯数据测量方法 |
CN107560663B (zh) * | 2017-07-21 | 2020-11-24 | 深圳市易成自动驾驶技术有限公司 | 环境参数检测方法及系统、存储介质 |
CN109509259B (zh) * | 2018-10-22 | 2020-11-20 | 哈尔滨理工大学 | 一种医学图像三维重建等值面网格提取方法 |
CN109801357B (zh) * | 2018-12-04 | 2023-10-31 | 先临三维科技股份有限公司 | 显示三维数字模型的方法及装置、存储介质、处理器 |
CN109636915B (zh) * | 2018-12-19 | 2020-11-20 | 哈尔滨理工大学 | 一种基于边增长的医学图像三维重建等值面网格提取方法 |
CN109767382B (zh) * | 2019-01-21 | 2023-02-28 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
CN109793999B (zh) * | 2019-01-25 | 2020-09-18 | 无锡海鹰医疗科技股份有限公司 | Hifu治疗系统的静态三维轮廓体图像的构建方法 |
CN110021053B (zh) * | 2019-04-16 | 2020-05-15 | 河北医科大学第二医院 | 一种基于坐标转换的图像定位方法、装置、存储介质及设备 |
CN111739139B (zh) * | 2020-06-24 | 2023-04-07 | 西北大学 | 一种噪声ct图像三维重建方法 |
CN112419486A (zh) * | 2020-12-02 | 2021-02-26 | 广州粤芯半导体技术有限公司 | 一种光刻胶形貌的三维重建方法 |
CN113160186B (zh) * | 2021-04-27 | 2022-10-25 | 青岛海信医疗设备股份有限公司 | 一种肺叶分割方法及相关装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1299634A (zh) * | 2001-01-17 | 2001-06-20 | 上海交通大学 | 基于倒置结构的x射线三维成像扫描方法 |
-
2009
- 2009-09-15 CN CN2009103069972A patent/CN101692286B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1299634A (zh) * | 2001-01-17 | 2001-06-20 | 上海交通大学 | 基于倒置结构的x射线三维成像扫描方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101692286A (zh) | 2010-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101692286B (zh) | 医学图像三视图获取方法 | |
Panetta et al. | Choosing the optimal spatial domain measure of enhancement for mammogram images | |
CN111429474B (zh) | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 | |
CN103295234B (zh) | 基于形变表面模型的医学图像分割系统及方法 | |
CN101625767A (zh) | 非平行轮廓医学影像的点云式三维表面重建方法 | |
CN102096939B (zh) | 面向医学海量数据的多分辨率体绘制方法 | |
Hesse et al. | Subcortical segmentation of the fetal brain in 3D ultrasound using deep learning | |
CN109602434A (zh) | 一种胎儿宫内颅脑影像检测方法 | |
JP4668289B2 (ja) | 画像処理装置および方法並びにプログラム | |
Hess et al. | Deep learning for multi-tissue segmentation and fully automatic personalized biomechanical models from BACPAC clinical lumbar spine MRI | |
Tian et al. | Efficient tooth gingival margin line reconstruction via adversarial learning | |
Qiu et al. | 3D segmentation of mandible from multisectional CT scans by convolutional neural networks | |
Wu et al. | The segmentation and visualization of human organs based on adaptive region growing method | |
CN116758087A (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
Bae et al. | Residual CNN-based image super-resolution for CT slice thickness reduction using paired CT scans: preliminary validation study | |
CN111951241B (zh) | 一种水生动物运动过程中肌肉形变的测定与显示方法 | |
CN110599560B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
Gao et al. | 3DSRNet: 3D Spine Reconstruction Network Using 2D Orthogonal X-ray Images Based on Deep Learning | |
Płotka et al. | BabyNet++: Fetal birth weight prediction using biometry multimodal data acquired less than 24 hours before delivery | |
Zhang et al. | A deep learning-based method for knee articular cartilage segmentation in MRI images | |
Li et al. | Three-dimensional computer generated breast phantom based on empirical data | |
Drapikowski | Surface modeling—uncertainty estimation and visualization | |
He et al. | Rapid and high-quality 3D fusion of heterogeneous CT and MRI data for the human brain | |
CN110349256A (zh) | 血管重建方法、装置及计算机终端 | |
Zhao et al. | Automated breast lesion segmentation from ultrasound images based on ppu-net |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130102 Termination date: 20150915 |
|
EXPY | Termination of patent right or utility model |