CN103295234B - 基于形变表面模型的医学图像分割系统及方法 - Google Patents
基于形变表面模型的医学图像分割系统及方法 Download PDFInfo
- Publication number
- CN103295234B CN103295234B CN201310185737.0A CN201310185737A CN103295234B CN 103295234 B CN103295234 B CN 103295234B CN 201310185737 A CN201310185737 A CN 201310185737A CN 103295234 B CN103295234 B CN 103295234B
- Authority
- CN
- China
- Prior art keywords
- model
- surface model
- medical image
- double
- image
- 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
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于形变表面模型的医学图像分割系统及方法,属于图像处理技术领域。该系统包括模型存储模块、输入模块、显示模块、定位控制模块和分割模块,从而能够利用显示模块根据用户操作显示待分割的医学图像,并显示从模型存储模块获取的与该医学图像中的器官对应的双层变形表面模型;而后通过定位控制模块将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;最后利用分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像,从而实现基于三维的变形表面模型的医学图像的分割,大幅提升医学图像分割的准确度和自动化率,有效降低分割操作的难度。
Description
技术领域
本发明涉及图像处理系统及方法技术领域,特别涉及医学图像的分割处理系统及方法技术领域,具体是指一种基于形变表面模型的医学图像分割系统及方法。
背景技术
医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超声)及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用,图像分割在影像医学中发挥着越来越大的作用。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段,同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合,如组织容积的定量分析,诊断,病变组织的定位,解剖结构的学习,治疗规划,功能成像数据的局部体效应校正和计算机指导手术。
医学图像分割到今天仍然没有获得解决,一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像比较,不可避免的具有模糊、不均匀性等特点。另外,人体的解剖组织结构和形状复杂,而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。为了解决医学图像的分割问题,近几年来,很多研究人员做了大量的工作,提出了很多实用的分割算法,随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛,遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题,国内外学者提出了不少有针对性的好分割方法。
九十年代以来,随着医学影像设备的发展,可以获得更高空间分辨率和软组织分辨率的图像,基于形变模型的方法也开始大量应用于医学图像,并取得了成功。基于形变模型的方法综合利用了区域与边界信息,是目前研究最多、应用最广的分割方法,可以被认为是过去几年计算机视觉领域的成功关键。在基于模型的技术中,形变模型提供了一种高效的图像分析方法,它结合了几何学、物理学和近似理论。他们通过使用从图像数据获得的约束信息(自底向上)和目标的位置、大小和形状等先验知识(自顶向下),可有效地对目标进行分割、匹配和跟踪分析。从物理学角度,可将形变模型看成是一个在施加外力和内部约束条件下自然反应的弹性物体。
形变模型包括形变轮廓(deformablecontour)模型(又称snake或activecontour),三维形变表面(deformablesurface)模型。基于形变轮廓的分割过程就是使轮廓曲线在外能和内能的作用下向物体边缘靠近,外力推动轮廓运动,而内力保持轮廓的光滑性。形变表面模型是活动轮廓在三维空间的推广形式,可以更高效、更快地利用三维数据,而且更少地需要用户交互或指导。形变模型的主要优点是能够直接产生闭合的参数曲线或曲面,并对噪声和伪边界有较强的鲁棒性。还有一些形变模型利用了形状先验知识和标记点集合(pointsets)等先验知识,可以使分割结果更为健壮和准确。不过,利用先验知识需要先进行样本训练,训练中需要人的交互,统计特定对象形状的变化信息,这是将变形模型应用于医学图像分析的技术领域实现医学影像分割操作的难点,也是该技术领域亟待解决的技术问题。
发明内容
本发明的目的是克服了上述现有技术中的缺点,提供一种利用三维的变形表面模型,实现对于医学图像的分割,获取图像中的特定的器官影像,从而使分割后的器官影像能够被广泛地应用于组织容积的定量分析、诊断、病变组织的定位、解剖结构的学习、治疗规划、功能成像数据的局部体效应校正和计算机指导手术等后续的应用步骤中,大幅提升医学图像分割的准确度和自动化率,降低了分割操作的难度,且应用范围广泛,实现方法也较为简单的基于形变表面模型的医学图像分割系统及方法。
为了实现上述的目的,本发明的基于形变表面模型的医学图像分割系统具有如下构成:
该系统包括:模型存储模块、输入模块、显示模块、定位控制模块和分割模块。
其中,模型存储模块用以存储多个分别与各器官相对应的双层变形表面模型,所述的双层变形表面模型包括外表面模型和内表面模型;
输入模块用以接收用户操作;
显示模块用以根据用户操作显示待分割的医学图像以及与该医学图像中的器官对应的双层变形表面模型;
定位控制模块用以根据用户操作,将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;
分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像。
该基于形变表面模型的医学图像分割系统中,所述的双层变形表面模型为三维模型,所述的医学图像和器官图像均为三维图像。所述的三维图像为CT图像、MRI图像、PET图像、SPECT图像或超声波图像中的一种。
该基于形变表面模型的医学图像分割系统中,所述的定位控制模块包括:模型位移控制单元和模型缩放控制单元。其中:模型位移控制单元用以根据用户操作调整所述的双层变形表面模型与所述的待分割的医学图像中的器官图像间的相对位置关系;模型缩放控制单元用以根据用户操作缩放所述的双层变形表面模型的大小。
该基于形变表面模型的医学图像分割系统中,所述的分割模块包括:分割控制单元和器官图像存储单元。其中:分割控制单元用以根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息分割所述的医学图像中与该模型对应的器官图像;器官图像存储单元获取并存储分割后的器官图像。
该基于形变表面模型的医学图像分割系统还包括双层变形表面模型生成模块。该双层变形表面模型生成模块用以根据用户的操作,对相同器官的多个样本进行归一化处理,获得该器官对应的双层变形表面模型,并存入所述的模型存储模块。
该基于形变表面模型的医学图像分割系统中,所述的双层变形表面模型生成模块包括:样本勾画数据采集单元、归一化处理单元和模型生成单元。其中,样本勾画数据采集单元用以采集用户通过所述的输入模块对于相同器官的多个样本进行的器官边缘勾画操作,获得各个样本的勾画数据;归一化处理单元用以对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据;模型生成单元用以将所述的最小包围区域表面数据作为所述的内表面模型,将所述的最大包围区域表面数据作为所述的外表面模型,生成双层变形表面模型,并将该双层变形表面模型存入所述的模型存储模块。
本发明还提供一种利用所述的系统实现基于形变表面模型的医学图像分割方法,该方法包括以下步骤:
(1)所述的显示模块根据用户操作显示待分割的医学图像,并显示从所述的模型存储模块获取的与该医学图像中的器官对应的双层变形表面模型;
(2)所述的定位控制模块根据用户操作将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;
(3)所述的分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像。
该基于形变表面模型的医学图像分割方法中,所述的分割模块包括:分割控制单元和器官图像存储单元,所述的步骤(3)具体包括以下步骤:
(3-1)所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息分割医学图像中与该模型对应的器官图像;
(3-2)所述的器官图像存储单元获取并存储分割后的器官图像。
该基于形变表面模型的医学图像分割方法中,所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息分割医学图像中与该模型对应的器官图像,具体为:所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息,并利用水平集方法或变形模板方法,分割所述的医学图像中与该模型对应的器官图像。
该基于形变表面模型的医学图像分割方法中,所述的定位控制模块包括:模型位移控制单元和模型缩放控制单元,所述的步骤(2)具体包括以下分步骤:模型位移控制单元根据用户操作调整所述的双层变形表面模型与所述的待分割的医学图像中的器官图像间的相对位置关系的分步骤;以及模型缩放控制单元用以根据用户操作缩放所述的双层变形表面模型的大小的分步骤,定位控制模块通过重复上述两个分步骤将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间。
该基于形变表面模型的医学图像分割方法中,所述的系统还包括:双层变形表面模型生成模块,所述的方法在步骤(1)之前还包括以下步骤:
(0)所述的双层变形表面模型生成模块根据用户的操作对相同器官的多个样本进行归一化处理,获得该器官对应的双层变形表面模型,并存入所述的模型存储模块。
该基于形变表面模型的医学图像分割方法中,所述的双层变形表面模型生成模块包括:样本勾画数据采集单元、归一化处理单元和模型生成单元,所述的步骤(0)具体包括以下步骤:
(0-1)所述的样本勾画数据采集单元采集用户通过所述的输入模块对于相同器官的多个样本进行的器官边缘勾画操作,获得各个样本的勾画数据;
(0-2)所述的归一化处理单元对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据;
(0-3)所述的模型生成单元将所述的最小包围区域表面数据作为所述的内表面模型,并将所述的最大包围区域表面数据作为所述的外表面模型,以生成双层变形表面模型,然后将该双层变形表面模型存入所述的模型存储模块。
该基于形变表面模型的医学图像分割方法中,所述的归一化处理单元对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据,具体为:所述的归一化处理单元将各个样本根据样本中的参考区域尺寸进行缩放,使各个样本缩放至相同几何尺寸,然后获得各个样本的勾画数据中的最小包围区域表面数据和最大包围区域表面数据。其中所述的样本中的参考区域可以为皮肤区域。
采用了该发明的基于形变表面模型的医学图像分割系统及方法,由于其系统包括模型存储模块、输入模块、显示模块、定位控制模块和分割模块,从而能够利用显示模块根据用户操作显示待分割的医学图像,并显示从模型存储模块获取的与该医学图像中的器官对应的双层变形表面模型;而后通过定位控制模块将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;最后利用分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像,从而实现基于三维的变形表面模型的医学图像的分割,所获取的器官图像能被广泛地应用于组织容积的定量分析、诊断、病变组织的定位、解剖结构的学习、治疗规划、功能成像数据的局部体效应校正和计算机指导手术等后续的应用步骤中,利用本发明的基于形变表面模型的医学图像分割系统及方法能够大幅提升医学图像分割的准确度和自动化率,有效降低分割操作的难度,且应用范围广泛,实现方法也较为简单。
附图说明
图1为本发明的基于形变表面模型的医学图像分割系统的功能模块结构示意图。
图2为本发明的基于形变表面模型的医学图像分割方法的步骤流程图。
图3为本发明的基于形变表面模型的医学图像分割方法中将内外表面模型同时与待分割器官图像(肝)定位时的横断面示图。
图4为图3所示的内外表面模型同时与待分割器官图像(肝)定位时的管状面示意图。
图5为图3所示的内外表面模型同时与待分割器官图像(肝)定位时的矢状面示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。
请参阅图1所示,为本发明的基于形变表面模型的医学图像分割系统的功能模块结构示意图。
在一种实施方式中,该基于形变表面模型的医学图像分割系统包括模型存储模块、输入模块、显示模块、定位控制模块和分割模块。
所述的模型存储模块用以存储多个分别与各器官相对应的双层变形表面模型,所述的双层变形表面模型包括外表面模型和内表面模型;输入模块用以接收用户操作;显示模块用以根据用户操作显示待分割的医学图像以及与该医学图像中的器官对应的双层变形表面模型;定位控制模块用以根据用户操作,将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像。其中,所述的双层变形表面模型为三维模型,所述的医学图像和器官图像均为三维图像。所述的三维图像可以为CT图像、MRI图像、PET图像、SPECT图像或超声波图像。
利用该实施方式所述的系统实现基于形变表面模型的医学图像分割方法,如图2所示,包括以下步骤:
(1)所述的显示模块根据用户操作显示待分割的医学图像,并显示从所述的模型存储模块获取的与该医学图像中的器官对应的双层变形表面模型;
(2)所述的定位控制模块根据用户操作将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;
(3)所述的分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像。
在一种较优选的实施方式中,所述的定位控制模块包括模型位移控制单元和模型缩放控制单元。其中:模型位移控制单元用以根据用户操作调整所述的双层变形表面模型与所述的待分割的医学图像中的器官图像间的相对位置关系;模型缩放控制单元用以根据用户操作缩放所述的双层变形表面模型的大小。
在利用该较优选实施方式所述的系统实现基于形变表面模型的医学图像分割方法中,所述的步骤(2)具体包括以下分步骤:
(2a)模型位移控制单元根据用户操作调整所述的双层变形表面模型与所述的待分割的医学图像中的器官图像间的相对位置关系的分步骤;以及
(2b)模型缩放控制单元用以根据用户操作缩放所述的双层变形表面模型的大小的分步骤。
定位控制模块根据用户操作可以通过不断重复上述(2a)与(2b)两个分步骤,从而将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间。
在另一种较优选的实施方式中,所述的分割模块包括分割控制单元和器官图像存储单元。其中:分割控制单元用以根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息等参数分割所述的医学图像中与该模型对应的器官图像;器官图像存储单元获取并存储分割后的器官图像。
在利用该较优选实施方式所述的系统实现基于形变表面模型的医学图像分割方法中,所述的步骤(3)具体包括以下步骤:
(3-1)所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息等参数分割医学图像中与该模型对应的器官图像;
(3-2)所述的器官图像存储单元获取并存储分割后的器官图像。
其中,步骤(3-1)所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息等参数分割医学图像中与该模型对应的器官图像,具体为:所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息等参数,并利用水平集方法或变形模板方法或其它本技术领域已知的图像处理方法,分割所述的医学图像中与该模型对应的器官图像。
在进一步优选的实施方式中,该基于形变表面模型的医学图像分割系统还包括双层变形表面模型生成模块。该双层变形表面模型生成模块可以根据用户的操作对相同器官的多个样本进行归一化处理,获得该器官对应的双层变形表面模型,并存入所述的模型存储模块。
相应的,在利用该进一步优选实施方式所述的系统实现基于形变表面模型的医学图像分割方法中,该方法在步骤(1)之前还包括以下步骤:
(0)所述的双层变形表面模型生成模块根据用户的操作对相同器官的多个样本进行归一化处理,获得该器官对应的双层变形表面模型,并存入所述的模型存储模块。
在更优选的实施方式中,所述的双层变形表面模型生成模块包括:样本勾画数据采集单元、归一化处理单元和模型生成单元。其中,样本勾画数据采集单元用以采集用户通过所述的输入模块对于相同器官的多个样本进行的器官边缘勾画操作,获得各个样本的勾画数据;归一化处理单元用以对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据;模型生成单元用以将所述的最小包围区域表面数据作为所述的内表面模型,将所述的最大包围区域表面数据作为所述的外表面模型,生成双层变形表面模型,并将该双层变形表面模型存入所述的模型存储模块。
在利用该更优选实施方式所述的系统实现基于形变表面模型的医学图像分割方法中,所述的步骤(0)具体包括以下步骤:
(0-1)所述的样本勾画数据采集单元采集用户通过所述的输入模块对于相同器官的多个样本进行的器官边缘勾画操作,获得各个样本的勾画数据;
(0-2)所述的归一化处理单元对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据;
(0-3)所述的模型生成单元将所述的最小包围区域表面数据作为所述的内表面模型,并将所述的最大包围区域表面数据作为所述的外表面模型,以生成双层变形表面模型,然后将该双层变形表面模型存入所述的模型存储模块。
其中,步骤(0-2)所述的归一化处理单元对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据,具体为:所述的归一化处理单元将各个样本根据样本中的参考区域尺寸进行缩放,使各个样本缩放至相同几何尺寸,然后获得各个样本的勾画数据中的最小包围区域表面数据和最大包围区域表面数据。其中的样本中的参考区域可以为皮肤区域。
在本发明的应用中,本发明的基于形变表面模型的医学图像分割系统及方法不同于传统的三维形变分割算法,本发明采用了双层表面来表示待分割器官模型。整个分割过程分为模型生成和形变分割两大步骤。
1、模型生成步骤
对于一种器官,该步骤仅需在样本图像上进行一次处理,在实际分割时就可以使用同样的模型。对同一器官只有一个模型,例如肝,只需建立一个肝的模型,以后分割包括肝的图像时就可以使用同一个肝模型。对于牙齿,通常需建立32个模型(即每个牙齿对应一个模型,但对同一个牙齿,不同的病人使用的是相同的模型),不同的牙齿才使用不同的模型。
具体的双层变形表面模型生成包括以下步骤:
(1)在样本图像上,人工勾画带分割器官。
(2)对勾画的样本数据进行归一化处理。归一化处理过程中,需要根据皮肤区域尺寸对不同的样本进行缩放,保证不同病例数据缩放到相同的几何尺寸。
(3)统计所有样本数据,获得待勾画器官的最小和最大包围区域。
(4)根据最小和最大包围区域生成最小和最大区域的三维表面。
2、变形分割步骤
(1)在待分割图像的三维显示界面上人工交互地定位双层表面模型。通过输入设备,例如鼠标,来移动和缩放模型,确保待分割器官位于双层表面模型中间。双层表面模型与待分割图像间的相对位置的定位,可以将双层表面模型分开定位,也可以双层表面模型同时定位。
图3至图5所示分别为将内外表面模型同时与待分割器官图像(以肝为例)定位时的横断面、管状面及矢状面示意图。图中清楚表示了分别位于肝脏边缘内外两侧的内表面模型和外表面模型。当然也可以根据实际需要,将内外表面模型分开定位。
(2)基于模型表面中间区域图像的灰度和待分割器官的几何特征信息,利用变形模板或水平集等分割算法完成器官的分割。本发明的医学图像分割方法可以兼容现有的各种基于形变的分割算法。常用的基本分割算法为在内外表面模型的相同位置建立一条连线,通过该线段上各像素点的灰度、梯度等信息来定位器官的边界,从而完成分割。
采用了该发明的基于形变表面模型的医学图像分割系统及方法,由于其系统包括模型存储模块、输入模块、显示模块、定位控制模块和分割模块,从而能够利用显示模块根据用户操作显示待分割的医学图像,并显示从模型存储模块获取的与该医学图像中的器官对应的双层变形表面模型;而后通过定位控制模块将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;最后利用分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像,从而实现基于三维的变形表面模型的医学图像的分割,所获取的器官图像能被广泛地应用于组织容积的定量分析、诊断、病变组织的定位、解剖结构的学习、治疗规划、功能成像数据的局部体效应校正和计算机指导手术等后续的应用步骤中,利用本发明的基于形变表面模型的医学图像分割系统及方法能够大幅提升医学图像分割的准确度和自动化率,有效降低分割操作的难度,且应用范围广泛,实现方法也较为简单。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (11)
1.一种基于形变表面模型的医学图像分割系统,其特征在于,所述的系统包括:
模型存储模块,用以存储多个分别与各器官相对应的双层变形表面模型,所述的双层变形表面模型包括外表面模型和内表面模型;
输入模块,用以接收用户操作;
显示模块,用以根据用户操作显示待分割的医学图像以及与该医学图像中的器官对应的双层变形表面模型;
定位控制模块,用以根据用户操作,将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;
分割模块,根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像;以及
双层变形表面模型生成模块,用以根据用户的操作,对相同器官的多个样本进行归一化处理,获得该器官对应的双层变形表面模型,并存入所述的模型存储模块,
所述的双层变形表面模型生成模块包括:
样本勾画数据采集单元,用以采集用户通过所述的输入模块对于相同器官的多个样本进行的器官边缘勾画操作,获得各个样本的勾画数据;
归一化处理单元,用以对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据;以及
模型生成单元,用以将所述的最小包围区域表面数据作为所述的内表面模型,将所述的最大包围区域表面数据作为所述的外表面模型,生成双层变形表面模型,并将该双层变形表面模型存入所述的模型存储模块。
2.根据权利要求1所述的基于形变表面模型的医学图像分割系统,其特征在于,所述的双层变形表面模型为三维模型,所述的医学图像和器官图像均为三维图像。
3.根据权利要求2所述的基于形变表面模型的医学图像分割系统,其特征在于,所述的三维图像为CT图像、MRI图像、PET图像、SPECT图像或超声波图像中的一种。
4.根据权利要求1所述的基于形变表面模型的医学图像分割系统,其特征在于,所述的定位控制模块包括:
模型位移控制单元,用以根据用户操作调整所述的双层变形表面模型与所述的待分割的医学图像中的器官图像间的相对位置关系;以及
模型缩放控制单元,用以根据用户操作缩放所述的双层变形表面模型的大小。
5.根据权利要求1所述的基于形变表面模型的医学图像分割系统,其特征在于,所述的分割模块包括:
分割控制单元,用以根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息分割所述的医学图像中与该模型对应的器官图像;
器官图像存储单元,获取并存储分割后的器官图像。
6.一种利用权利要求1所述的系统实现基于形变表面模型的医学图像分割方法,其特征在于,所述的方法包括以下步骤:
(0)所述的双层变形表面模型生成模块根据用户的操作对相同器官的多个样本进行归一化处理,获得该器官对应的双层变形表面模型,并存入所述的模型存储模块;
(1)所述的显示模块根据用户操作显示待分割的医学图像,并显示从所述的模型存储模块获取的与该医学图像中的器官对应的双层变形表面模型;
(2)所述的定位控制模块根据用户操作将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间;
(3)所述的分割模块根据所述的双层变形表面模型分割并获取所述的医学图像中与该模型对应的器官图像,
所述的步骤(0)具体包括以下步骤:
(0-1)所述的样本勾画数据采集单元采集用户通过所述的输入模块对于相同器官的多个样本进行的器官边缘勾画操作,获得各个样本的勾画数据;
(0-2)所述的归一化处理单元对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据;
(0-3)所述的模型生成单元将所述的最小包围区域表面数据作为所述的内表面模型,并将所述的最大包围区域表面数据作为所述的外表面模型,以生成双层变形表面模型,然后将该双层变形表面模型存入所述的模型存储模块。
7.根据权利要求6所述的基于形变表面模型的医学图像分割方法,其特征在于,所述的分割模块包括:分割控制单元和器官图像存储单元,所述的步骤(3)具体包括以下步骤:
(3-1)所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息分割医学图像中与该模型对应的器官图像;
(3-2)所述的器官图像存储单元获取并存储分割后的器官图像。
8.根据权利要求7所述的基于形变表面模型的医学图像分割方法,其特征在于,所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息分割医学图像中与该模型对应的器官图像,具体为:
所述的分割控制单元根据所述的医学图像的灰度和/或梯度变化以及器官表面形状的几何信息,并利用水平集方法或变形模板方法,分割所述的医学图像中与该模型对应的器官图像。
9.根据权利要求6所述的基于形变表面模型的医学图像分割方法,其特征在于,所述的定位控制模块包括:模型位移控制单元和模型缩放控制单元,所述的步骤(2)具体包括以下分步骤:
模型位移控制单元根据用户操作调整所述的双层变形表面模型与所述的待分割的医学图像中的器官图像间的相对位置关系的分步骤;以及
模型缩放控制单元用以根据用户操作缩放所述的双层变形表面模型的大小的分步骤,
定位控制模块通过重复上述两个分步骤将所述的待分割的医学图像中的器官图像定位于所述的双层变形表面模型的外表面模型和内表面模型之间。
10.根据权利要求6所述的基于形变表面模型的医学图像分割方法,其特征在于,所述的归一化处理单元对所述的各个样本的勾画数据进行归一化处理,获得最小包围区域表面数据和最大包围区域表面数据,具体为:
所述的归一化处理单元将各个样本根据样本中的参考区域尺寸进行缩放,使各个样本缩放至相同几何尺寸,然后获得各个样本的勾画数据中的最小包围区域表面数据和最大包围区域表面数据。
11.根据权利要求10所述的基于形变表面模型的医学图像分割方法,其特征在于,所述的样本中的参考区域为皮肤区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310185737.0A CN103295234B (zh) | 2013-05-17 | 2013-05-17 | 基于形变表面模型的医学图像分割系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310185737.0A CN103295234B (zh) | 2013-05-17 | 2013-05-17 | 基于形变表面模型的医学图像分割系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103295234A CN103295234A (zh) | 2013-09-11 |
CN103295234B true CN103295234B (zh) | 2016-01-06 |
Family
ID=49096039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310185737.0A Expired - Fee Related CN103295234B (zh) | 2013-05-17 | 2013-05-17 | 基于形变表面模型的医学图像分割系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103295234B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544695B (zh) * | 2013-09-28 | 2015-12-23 | 大连理工大学 | 一种高效的基于博弈框架的医学图像分割方法 |
CN104143193B (zh) * | 2014-08-07 | 2018-10-16 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像中目标对象分割方法、装置及系统 |
CN104867143B (zh) * | 2015-05-15 | 2018-09-04 | 东华理工大学 | 基于局部引导核拟合能量模型的水平集图像分割方法 |
CN109964249A (zh) * | 2016-09-21 | 2019-07-02 | 皇家飞利浦有限公司 | 用于对身体部分的自适应轮廓勾画的装置 |
CN106843694B (zh) * | 2017-02-13 | 2020-07-21 | 上海联影医疗科技有限公司 | 三维图像处理系统 |
CN107330883A (zh) * | 2017-07-04 | 2017-11-07 | 南京信息工程大学 | 一种医学图像病变区域定位和分类方法 |
EP3462461A1 (de) * | 2017-09-28 | 2019-04-03 | Siemens Healthcare GmbH | Personalisiertes patientenmodell |
CN111145190B (zh) * | 2019-12-27 | 2022-06-17 | 之江实验室 | 一种基于医学图像处理与可视化的单个器官互动方法 |
CN112330603B (zh) * | 2020-10-19 | 2023-04-18 | 浙江省肿瘤医院 | 基于软组织表面形变估计组织内部目标运动的系统与方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807296A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声影像三维目标对象的分割方法 |
CN102243759A (zh) * | 2010-05-10 | 2011-11-16 | 东北大学 | 一种基于几何形变模型的三维肺血管图像分割方法 |
CN102402788A (zh) * | 2011-12-22 | 2012-04-04 | 华南理工大学 | 一种三维超声图像的分割方法 |
-
2013
- 2013-05-17 CN CN201310185737.0A patent/CN103295234B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807296A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声影像三维目标对象的分割方法 |
CN102243759A (zh) * | 2010-05-10 | 2011-11-16 | 东北大学 | 一种基于几何形变模型的三维肺血管图像分割方法 |
CN102402788A (zh) * | 2011-12-22 | 2012-04-04 | 华南理工大学 | 一种三维超声图像的分割方法 |
Non-Patent Citations (2)
Title |
---|
Left-ventricle myocardium segmentation using a coupled level-set with a priori knowledge;M.Lynch et al;《Computerized Medical Imaging and Graphics》;20061231;全文 * |
Volumetric Layer Segmentation Using Coupled Surfaces Propagation;Zeng X et al;《IEEE CVPR》;19981231;1-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN103295234A (zh) | 2013-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103295234B (zh) | 基于形变表面模型的医学图像分割系统及方法 | |
US10699410B2 (en) | Automatic change detection in medical images | |
US11250601B2 (en) | Learning-assisted multi-modality dielectric imaging | |
US9524552B2 (en) | 2D/3D registration of a digital mouse atlas with X-ray projection images and optical camera photos | |
CN103325143B (zh) | 基于模型匹配的标记点自动注册方法 | |
CN102667857B (zh) | X射线照片中的骨抑制 | |
Kalra | Developing fe human models from medical images | |
CN114732517A (zh) | 医学成像中的左心耳闭合引导 | |
CN110232691A (zh) | 一种多模态的ct影像的分割方法 | |
US9224204B2 (en) | Method and apparatus for registration of multimodal imaging data using constraints | |
Wen et al. | An accurate and effective FMM-based approach for freehand 3D ultrasound reconstruction | |
CN102903103B (zh) | 基于迁移活动轮廓模型的胃部ct序列图像分割方法 | |
CN104268914B (zh) | 一种4d‑ct不同时相序列图像的重建方法 | |
Lee et al. | Semi-automatic segmentation for 3D motion analysis of the tongue with dynamic MRI | |
CN105303547A (zh) | 一种基于网格匹配的Demons算法的多期CT图像配准方法 | |
CN108846830A (zh) | 对ct中腰椎自动定位的方法、装置以及存储介质 | |
Virga et al. | Use the force: deformation correction in robotic 3D ultrasound | |
Florkow et al. | The impact of MRI-CT registration errors on deep learning-based synthetic CT generation | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
Gao et al. | 3DSRNet: 3D Spine Reconstruction Network Using 2D Orthogonal X-ray Images Based on Deep Learning | |
Woo et al. | Tissue-point motion tracking in the tongue from cine MRI and tagged MRI | |
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 | |
Rivest-Hénault et al. | Inverse-consistent rigid registration of CT and MR for MR-based planning and adaptive prostate radiation therapy | |
Flach et al. | PURE: panoramic ultrasound reconstruction by seamless stitching of volumes | |
CN103514607A (zh) | 动态对比度增强核磁共振图像检测方法 |
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: 20160106 Termination date: 20180517 |