CN102436675A - 一种腔体内壁三维形态的重建方法 - Google Patents
一种腔体内壁三维形态的重建方法 Download PDFInfo
- Publication number
- CN102436675A CN102436675A CN2011102848721A CN201110284872A CN102436675A CN 102436675 A CN102436675 A CN 102436675A CN 2011102848721 A CN2011102848721 A CN 2011102848721A CN 201110284872 A CN201110284872 A CN 201110284872A CN 102436675 A CN102436675 A CN 102436675A
- Authority
- CN
- China
- Prior art keywords
- wall
- voxel
- cavity
- value
- curvature value
- 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.)
- Granted
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Generation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种腔体内壁三维形态的重建方法,包括以下步骤:(1)获取三维腔体体数据;(2)计算腔体内壁上每个体素处的有效曲率值;(3)将腔体内壁体上每个体素的灰度值变成二值,通过寻找等值面,重建出腔体内壁的三维虚拟模型;(4)将步骤(2)得出的每个体素处的有效曲率值投影到色彩空间,然后用投影后的色彩空间对步骤(3)重建的三维虚拟模型进行渲染,从而得到腔体内壁的三维形态。本发明方法通过CT或MR图像重建出腔体内壁的三维形态,使得能够快速、直观地了解腔体内壁的形态。
Description
技术领域
本发明涉及计算机视觉和图像处理技术,特别是一种腔体内壁三维形态的重建方法。
背景技术
在美国,腔体肿瘤,如腔体癌、胃癌、宫颈癌等都是致死率非常高的常见病。腔体癌在癌症病中排第五位。病人如果在第三期或第四期才被确诊为腔体癌,其五年相对生存率(五年生存率是指:病人被确诊为癌症后至少能活5年的概率,5年相对生存率是排除了与该疾病不相关的死亡因素后估算出的病人的生存率。)低于50%。而且,据研究,腔体癌在肿瘤被切除后的复发率很高(高达80%)。
因此,一种高效且无创的检测手段对于腔体肿瘤的检测和术后复查是十分重要的。常规的内窥镜检查是现阶段最常用的一种诊断及治疗手段。然而,这种方法有创,昂贵,视野有限不方便观察。近几年来,作为一种无创的能够替代纤维腔体镜检查的诊断工具,计算机断层成像(CT)和核磁成像(MR)被用来对整个腔体进行诊断。借助CT或MR图像,放射科医师可以对腔体粘膜层和腔体壁内同腔体病灶有关系的形态和纹理特征进行观察。临床上,放射科医师需要逐片阅读图像(CT或MR)来定位可疑病灶,而因为缺乏三维信息,这样的阅读和定位过程是耗时且会造成疲劳误差的。
因此,人们提出了一种计算机辅助诊断(CAD)的方法,来提升放射科医师的诊断效率并减轻他们的工作量。同CT相比,MRI在软组织间的图像对比度更好,从而更有利于诊断和肿瘤分期(举个例子来说,T1加权的MR图像在腔体壁处的对比度非常好,而这一点对腔体病灶的检测是至关重要的),所以在CAD系统中,更倾向于使用MR腔体造影。
目前,大多数腔体病灶检测技术都基于二维图像(MR、CT等),即对一整套腔体数据进行逐片处理,综合各片的检测情况进行病灶定位。该技术的主要缺陷是系统的工作量大、耗时,对各片检测情况的分析与综合也容易造成误差,且不如三维信息直观。对于算法本身,现有的腔体病灶检测算法多使用的是一些传统的典型特征,比如曲率和形状因子,一些研究显示,早期的腔体癌中,小于10mm的较平或较小的肿瘤是很难被检测到的,而上述特征在像素和像素之间差异较大,会造成很高的假阳性率。
鉴于以上现有技术存在的缺点,使得腔体病灶检测技术实用性较差,因此未能得以广泛应用。
发明内容
本发明的目的是提供一种腔体内壁三维形态的重建方法,使得能够快速、直观地了解腔体内壁的形态。
本发明腔体内壁三维形态的重建方法,包括以下步骤:(1)获取三维腔体体数据;(2)计算腔体内壁上每个体素处的有效曲率值;(3)将腔体内壁体上每个体素的灰度值变成二值,通过寻找等值面,重建出腔体内壁的三维虚拟模型;(4)将步骤(2)得出的每个体素处的有效曲率值投影到色彩空间,然后用投影后的色彩空间对步骤(3)重建的三维虚拟模型进行渲染,从而得到腔体内壁的三维形态。
其中,步骤(2)中,通过以下方法计算体素处的有效曲率值:(2.1)用水平集方法对腔体的内壁和外壁进行分割,进而得到介于内壁和外壁之间且与内壁和外壁平行的若干层,对于每一层,首先用其中所有像素的灰度值生成一个向量,然后将向量中的元素按升序排列,以向量序号为横坐标、向量中每个元素的值为纵坐标画曲线形成该层的ILIC(Inter-layer Intensity Curve)曲线;(2.2)计算腔体内壁每个体素处的原始曲率值;(2.3)根据步骤(2.1)得到的ILIC曲线计算腔体壁的有效厚度值,并计算腔体内壁上每个体素处的有效厚度值;(2.4)通过 计算腔体内壁上每个体素处的有效曲率值,其中代表体素x处的原始曲率值,和分别代表体素x处的有效厚度值和整个腔体壁的有效厚度值,BR E 代表有效曲率值,n为权重指数因子,调节厚度项 对有效曲率值的影响程度。
步骤(2.2)中,通过公式计算腔体内壁每个体素处的原始曲率值,其中,代表所要求的原始曲率值,是用于分割腔体内壁的内边界水平集函数,x表示中间层上的体素,,代表图像域,和是两个用于调节的参数,K是一个阶梯函数, ,R是一个事先定义好的常量,H为一经典分段函数,如下式所示:。
步骤(2.3)中,通过以下方法计算腔体壁的有效厚度值:计算步骤(2.1)得到的每条ILIC曲线对应的灰度均值,以层数索引为横坐标、每层对应的灰度均值为纵坐标画曲线,将该曲线半高宽对应的层的数量作为腔体壁的有效厚度值。
步骤(2.3)中,通过以下方法计算腔体内壁上每个体素处的有效厚度值:对于腔体内壁上某一体素A,在腔体外壁上寻找一个对应体素B使得所述体素A与体素B之间的欧几里德距离最短,对于体素A和B之间的线段上的每一个体素,做如下操作: 其中,X表示线段上的任一体素,为体素X对应的灰度值,表示尺度下的二维高斯核函数,线段上所有灰度值在腔体壁的有效厚度范围内的体素都被挑选出来,被挑选出来的体素的总个数就是体素A处的有效厚度值。
步骤(4)中,通过以下方法将步骤(2)得出的每个体素的有效曲率值投影到HSV色彩空间:(4.1)对有效曲率值进行如下处理:有效曲率值为负则变为0,有效曲率值为正则保持不变;(4.2)将步骤(4.1)处理后的有效曲率值归一化为从0到1之间的实数;(4.3)基于HSV色彩空间,对于每个体素,保持其S和V为常数,H被指定为归一化后的有效曲率值。
所述三维腔体体数据优选腔体部位的T1加权MR图像数据集。
本发明方法通过CT或MR图像重建出腔体内壁的三维形态,使得能够快速、直观地了解腔体内壁的形态。
附图说明
图1为本腔体内壁三维形态重建方法的流程图。
图2为ILIC曲线示意图。
图3为腔体壁内所有层对应的均值和方差曲线示意图。
图4a-c依次为一个原始的T1加权的核磁图像、用本发明方法重建的三维模型的外部视野和内部视野。
图5a-c依次为另一个原始的T1加权的核磁图像、用本发明方法重建的三维模型的外部视野和内部视野。
图6为对应于图5a的T1加权的核磁图像,用原始曲率值替代本发明中的有效曲率值后,重建的三维模型的外部视野。
具体实施方式
本发明方法基于对腔体壁Inter-layer Intensity Curves (ILICs)的分析,结合腔体壁厚度信息,计算三维腔体内壁上每个体素的有效曲率值,使用有效曲率值对重建的三维虚拟腔体模型进行渲染,从而得到腔体内壁的三维形态。下面结合附图对本发明做进一步说明。
参照图1,本腔体内壁三维形态的重建方法,包括以下步骤:(1)获取三维腔体体数据;(2)计算腔体内壁上每个体素处的有效曲率值;(3)重建腔体内壁的三维虚拟模型;(4)使用有效曲率值对重建的三维虚拟模型进行渲染。下面详细说明。
1.三维腔体体数据可以选用CT或MR图像数据集。由于同CT相比,MR图像在软组织间的图像对比度更好,故优选MR图像数据集。其中又优选腔体部位的T1加权MR图像数据集,图像可以是DICOM格式。
2.计算体素的有效曲率值。在三维体数据中,基于水平集方法对腔体的内壁和外壁进行分割,进而得到内壁和外壁之间与内壁和外壁平行的若干层对应的ILIC曲线;基于ILIC曲线,得到腔体壁的整体有效厚度,以及每个体素处的有效壁厚和原始曲率值;最终,结合有效壁厚及原始曲率值,计算出腔体内壁上每个体素处的有效曲率值。具体如下:
(1)ILIC的生成
首先使用水平集方法对腔体壁的内边界(内壁)和外边界(外壁)进行分割,通过该方法定义了两个水平集函数:内边界水平集函数(ILSF): 表示某个体素到内边界的距离;外边界水平集函数(OLSF):表示某个体素到外边界的距离。然后利用下面的公式(1),确定腔体壁的中间层及中间层水平集函数(MLSF):表示某个体素到中间层的距离:
定义一个距离D,在的范围内,定义一个ROI(感兴趣区域),在其中,生成2D条同腔体壁内外边界平行的层。对于每一层,首先用其中所有像素的灰度值生成一个向量,然后将向量中的元素按升序排列。如图2所示,以向量序号为横坐标,向量中每个元素的值为纵坐标画出的曲线,即为每层对应的ILIC。
(2)原始曲率的计算
上式中代表所要求的原始曲率值,是用于分割内边界的内边界水平集函数,x表示中间层上的体素,并且,代表图像域。K是一个阶梯函数,其中R是一个事先定义好的常量。和是两个用于调节的参数。一般来说,。公式(2)定义在三维空间来衡量三维表面的弯曲程度。
(3)计算腔体壁的有效厚度值和腔体内壁上每个体素处的有效厚度值
对(1)中生成的所有ILIC,计算每条对应的灰度均值,如图3所示,以层数索引为横坐标,每层对应的均值为纵坐标画出曲线,该曲线半高宽对应的层的数量即被定义为该腔体壁的有效厚度值。
其中,X表示线段上的任一体素,为体素X对应的灰度值,表示尺度下的二维高斯核函数。上面的卷积运算是为了将图像噪声的影响降低到最小。则线段上所有灰度值在有效壁厚范围内的体素都被挑选出来,被挑选出来的体素的总个数就是体素A处的有效厚度值。
3.重建腔体内壁的三维虚拟模型。对于分割出来的腔体内壁体数据,我们将每个体素的灰度值变成二值,然后通过寻找等值面,重建出腔体内壁的三维虚拟模型。
4.使用有效曲率值对重建的三维虚拟模型进行渲染。将腔体内壁上每个体素的有效曲率值转换到HSV色彩空间,首先对有效曲率值做以下处理:如果有效曲率值为负,则设定为0;有效曲率值为正,则保待不变。然后,将处理后的有效曲率值归一化为从0到1之间的实数。基于HSV色彩空间,对于每个体素,保持其S和V为常数,H被指定为归一化的有效曲率值。最后,用上述变换后的HSV色彩空间对上述重建的三维虚拟模型进行渲染。从而得到腔体内壁的三维形态。
图4a-c依次为一个原始的T1加权的核磁图像、用本发明方法重建的三维模型的外部视野和内部视野。可以看出,通过本发明方法能够直观地了解腔体的内部构造,获得腔体内壁的三维信息。
图5a-c依次为另一个原始的T1加权的核磁图像、用本发明方法重建的三维模型的外部视野和内部视野。图5a的核磁图像来自于腔体癌患者,图5b、5c中以颜色突出显示的即为肿瘤的位置。
图6为对应于图5a的T1加权的核磁图像,用原始曲率值替代本发明中的有效曲率值后,重建的三维模型的外部视野。与图5b对照,可以看出,黑色箭头处也出现了突出显示,而该处实际是由于腔体壁被挤压变形而造成的被突出显示的假阳性区域。
本发明方法通过CT或MR图像重建腔体内壁的三维形态,不仅可以直观地了解腔体的内部构造,获得腔体内壁的三维信息,而且能够以颜色突出显示腔体内壁的突起物。本发明的重构方法可以应用于腔体肿瘤的检测设备和腔体病灶的定位设备中,但并不限于此。
Claims (7)
1.一种腔体内壁三维形态的重建方法,其特征在于,包括以下步骤:
(1)获取三维腔体体数据;
(2)计算腔体内壁上每个体素处的有效曲率值;
(3)将腔体内壁上每个体素的灰度值变成二值,通过寻找等值面,重建出腔体内壁的三维虚拟模型;
(4)将步骤(2)得出的每个体素处的有效曲率值投影到色彩空间,然后用投影后的色彩空间对步骤(3)重建的三维虚拟模型进行渲染,从而得到腔体内壁的三维形态。
2.根据权利要求1所述的方法,其特征在于,步骤(2)中,通过以下方法计算体素处的有效曲率值:
(2.1)用水平集方法对腔体的内壁和外壁进行分割,进而得到介于内壁和外壁之间且与内壁和外壁平行的若干层,对于每一层,首先用其中所有像素的灰度值生成一个向量,然后将向量中的元素按升序排列,以向量序号为横坐标、向量中每个元素的值为纵坐标画曲线形成该层的ILIC曲线;
(2.2)计算腔体内壁每个体素处的原始曲率值;
(2.3)根据步骤(2.1)得到的ILIC曲线计算腔体壁的有效厚度值,并计算腔体内壁上每个体素处的有效厚度值;
(2.4)通过
4.根据权利要求2所述的方法,其特征在于,步骤(2.3)中,通过以下方法计算腔体壁的有效厚度值:计算步骤(2.1)得到的每条ILIC曲线对应的灰度均值,以层数索引为横坐标、每层对应的灰度均值为纵坐标画曲线,将该曲线半高宽对应的层的数量作为腔体壁的有效厚度值。
6.根据权利要求1所述的方法,其特征在于,步骤(4)中,通过以下方法将步骤(2)得出的每个体素的有效曲率值投影到HSV色彩空间:
(4.1)对有效曲率值进行如下处理:有效曲率值为负则变为0,有效曲率值为正则保持不变;
(4.2)将步骤(4.1)处理后的有效曲率值归一化为从0到1之间的实数;
(4.3)基于HSV色彩空间,对于每个体素,保持其S和V为常数,H被指定为归一化后的有效曲率值。
7.根据权利要求1所述的方法,其特征在于:所述三维腔体体数据为腔体部位的T1加权MR图像数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110284872.1A CN102436675B (zh) | 2011-09-23 | 2011-09-23 | 一种腔体内壁三维形态的重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110284872.1A CN102436675B (zh) | 2011-09-23 | 2011-09-23 | 一种腔体内壁三维形态的重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102436675A true CN102436675A (zh) | 2012-05-02 |
CN102436675B CN102436675B (zh) | 2014-04-30 |
Family
ID=45984712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110284872.1A Expired - Fee Related CN102436675B (zh) | 2011-09-23 | 2011-09-23 | 一种腔体内壁三维形态的重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102436675B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345638A (zh) * | 2013-06-24 | 2013-10-09 | 清华大学深圳研究生院 | 基于医学影像的腔体病灶计算机辅助检测方法 |
CN111053574A (zh) * | 2019-12-05 | 2020-04-24 | 深圳开立生物医疗科技股份有限公司 | 一种三维表面重建方法、装置及超声设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6685642B1 (en) * | 2002-10-03 | 2004-02-03 | Koninklijke Philips Electronics N.V. | System and method for brightening a curve corresponding to a selected ultrasound ROI |
CN1518719A (zh) * | 2001-04-23 | 2004-08-04 | 西门子共同研究公司 | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统 |
CN1647117A (zh) * | 2002-04-18 | 2005-07-27 | 西门子共同研究公司 | 利用稳定的射线扩散进行三维医学构造的分割 |
US20060110017A1 (en) * | 2004-11-25 | 2006-05-25 | Chung Yuan Christian University | Method for spinal disease diagnosis based on image analysis of unaligned transversal slices |
-
2011
- 2011-09-23 CN CN201110284872.1A patent/CN102436675B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1518719A (zh) * | 2001-04-23 | 2004-08-04 | 西门子共同研究公司 | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统 |
CN1647117A (zh) * | 2002-04-18 | 2005-07-27 | 西门子共同研究公司 | 利用稳定的射线扩散进行三维医学构造的分割 |
US6685642B1 (en) * | 2002-10-03 | 2004-02-03 | Koninklijke Philips Electronics N.V. | System and method for brightening a curve corresponding to a selected ultrasound ROI |
US20060110017A1 (en) * | 2004-11-25 | 2006-05-25 | Chung Yuan Christian University | Method for spinal disease diagnosis based on image analysis of unaligned transversal slices |
Non-Patent Citations (1)
Title |
---|
姚德民: "计算机辅助识别下虚拟内窥镜系统研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345638A (zh) * | 2013-06-24 | 2013-10-09 | 清华大学深圳研究生院 | 基于医学影像的腔体病灶计算机辅助检测方法 |
CN111053574A (zh) * | 2019-12-05 | 2020-04-24 | 深圳开立生物医疗科技股份有限公司 | 一种三维表面重建方法、装置及超声设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102436675B (zh) | 2014-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
US10387765B2 (en) | Image correction using a deep generative machine-learning model | |
US9792703B2 (en) | Generating a synthetic two-dimensional mammogram | |
CN106023200B (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
Mattes et al. | PET-CT image registration in the chest using free-form deformations | |
El-Baz et al. | Appearance analysis for diagnosing malignant lung nodules | |
US20120020573A1 (en) | Image analysis systems using non-linear data processing techniques and methods using same | |
US20050135664A1 (en) | Methods and apparatus for reconstruction of volume data from projection data | |
CN103559728B (zh) | 基于解剖功能联合先验模型的pet图像最大后验重建方法 | |
US20130188878A1 (en) | Image analysis systems having image sharpening capabilities and methods using same | |
Park et al. | Adaptive registration using local information measures | |
Pu et al. | An automated CT based lung nodule detection scheme using geometric analysis of signed distance field | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
Koshino et al. | Narrative review of generative adversarial networks in medical and molecular imaging | |
US11605162B2 (en) | Systems and methods for determining a fluid and tissue volume estimations using electrical property tomography | |
Shahsavari et al. | Proposing a novel Cascade Ensemble Super Resolution Generative Adversarial Network (CESR-GAN) method for the reconstruction of super-resolution skin lesion images | |
JP2015536732A (ja) | 画像処理装置および方法 | |
JP7278224B2 (ja) | 医用画像の病変の定量化される態様 | |
WO2015078980A2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
Bhatt et al. | Unsupervised detection of lung nodules in chest radiography using generative adversarial networks | |
CN102436675B (zh) | 一种腔体内壁三维形态的重建方法 | |
Chu et al. | Multi-organ segmentation from 3D abdominal CT images using patient-specific weighted-probabilistic atlas | |
Kim et al. | A methodology to train a convolutional neural network-based low-dose CT denoiser with an accurate image domain noise insertion technique | |
Perez-Gonzalez et al. | Deep learning spatial compounding from multiple fetal head ultrasound acquisitions | |
Yao et al. | Employing topographical height map in colonic polyp measurement and false positive reduction |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140430 Termination date: 20160923 |