CN103745495A - 基于医学体数据的体绘制方法 - Google Patents
基于医学体数据的体绘制方法 Download PDFInfo
- Publication number
- CN103745495A CN103745495A CN201410045619.4A CN201410045619A CN103745495A CN 103745495 A CN103745495 A CN 103745495A CN 201410045619 A CN201410045619 A CN 201410045619A CN 103745495 A CN103745495 A CN 103745495A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- interpolation
- medical
- point
- 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
Images
Landscapes
- Image Generation (AREA)
Abstract
本发明提出了一种基于医学体数据的体绘制的方法,其包括以下步骤:获取医学体数据;对所述医学体数据进行处理;形成具有色彩的医学图像。本发明不仅考虑了灰度的变化,也兼顾了解剖结构轮廓的变化,从而更好地解决了传统插值方法的不足,使新插值出的图片更接近于实际情况。
Description
技术领域
本发明涉及一种科学计算可视化处理技术,尤其涉及的是一种基于医学体数据的体绘制方法。
背景技术
现有技术中,以体绘制技术为代表的科学可视化技术可把抽象的数据变换成易于被人接受和理解的直观形式--图形,为理解、发现科学计算过程中的各种现象、规律提供有力的工具。
体绘制技术能产生三维数据场的整体图像,能包含数据场的大量细节,绘制高质量的图像,但它涉及的数据量较多,计算量较大,因而绘制时间较长,且难以利用传统的图形硬件实现绘制。虽然研究工作者在串行体绘制算法的优化方面做了很多工作,但是随着应用领域的发展,数据规模急剧扩大,绘制精度急剧增加,仅仅依靠对串行算法本身的优化已经无法满 足对绘制速度的需求。
可视化(Visualization)把抽象的数据变换成易于被人接受和理解的直观形式--图形。根据侧重面的不同,可视化可以分成三个分支:科学可视化(Scientific Visualization)、数据可视化(Data Visualization)和信息可视化 (Information Visualization)。科学可视化(Scientific Visualization),又称科学计算可视化(Visualization in Scientific Computing),指运用计算机图形学和图像处理技术,将科学计算过程中产生的计算结果转换为图形及图像在屏幕 上显示出来并进行交互处理的理论、方法和技术。
科学计算可视化是20世纪80年代后期提出并发展起来的一个新的研究领域,是计算机图形学中的一个重要研究方向。它将数据挖掘、图形生成技术、图像处理技术和人机交互技术结合在一起,其主要功能是分析和理解输入到计算机中的多维数据,并将中间过程或分析结果用图形或图像形象、直观地显示出来,供科研工作者和相关人员观察和使用。
科学计算可视化的应用领域十分广泛,几乎涉及一切自然学科和工程领域,其主要应用领域有医学、分子模型构造、工业无损探伤、考古学、地质勘探、气象学、计算流体力学和有限元分析等。
此外,科学计算可视化还可应用于空间探测、天体物理、数学领域等。以医学领域的数字化虚拟人为例。基于二维的计算机断层扫描(CT)数据、 核磁共振(MRI)数据以及真实人体的切片数据等三维规则数据场,利用人体结构数字化和科学可视化技术可以重建出一个三维的数字化虚拟人,也就是将人体结构数字化。通过计算机技术和图像处理技术,在电脑屏幕上显示一模拟人体,再进一步将人体功能性的研究成果加以数字化,由信息科学家将其转变为电脑的语言符号,赋加到这个人体形态框架上;经过与虚拟现实技术的交叉融合,通过操作者的调控,这个“虚拟人”将能模仿真人做出各种各样的反应。
数字化虚拟人将人体结构数字化与可视化,建立起能够用计算机处理的数学模型,使计算机的定量分析和精确模拟成为可能。随着信息获取和处理技术的进步、数据采集精度的提高,虚拟人将在越来越广泛的领域内更加精确地模拟人体的功能和行为,为医学、国防、汽车等多学科研究提供应用基础。
科学计算可视化可以大大加速数据的处理速度,使每时每刻都在产生的庞大数据得到有效的处理、利用;它可以通过图像、图像表达蕴含在科学计算数据中的信息,为理解、发现科学计算过程中的各种现象、规律提供有力工具。总之,科学计算可视化将极大地提高科学计算的速度和质量, 从而使科学研究工作的面貌发生根本性的变化,最终给人们的社会生活带来巨大的便利。
以医疗领域为例。在以往的影像医疗诊断中,主要是通过观察一组CT、MRI的三维切片图像发现病变体,这主要依赖于医务工作者丰富的读片经验,对图像进行定性分析。利用科学可视化技术可对二维切片图像进行二维或三维分析及处理,如对人体器官、软组织和病变体的分割提取、三维重建和二维显示,可以辅助医务工作者对病变体及其它感兴趣的区域进行定性直至准确的定量分析,从而可以大大提高医疗诊断的准确性和正确性,最终带来巨大的经济效益和社会效益。
科学计算可视化的核心是三维数据场的可视化,对于三维体数据来说,有两类不同的可视化算法:面绘制和体绘制。面绘制技术是指首先在三维数据场中构造出中间几何图元,然后再由传统的计算机图形学技术实现画面的绘制。面绘制方法有多种算法,各种算法的不同点在于所采用的近似表面几何单元不同或几何单元尺度选择不同。典型算法有:W.E.Lorenson 和H.E.Cline[LORE87]提出的MC方法(Marching Cubes)、A.Doi[DOI91]提出的MT方法(Marching Tetrahedral)、H.E.Cline和W.E.Lorenson[CLIN98] 提出的剖分立方体法(Dividing Cubes)等。面绘制技术可以产生比较清晰的等值面图像,而且可以利用现有的图形硬件实现绘制功能,使图像生成及变换的速度加快,适用于绘制表面特征分明的组织和器官。但是面绘制技术对数据分割要求高,且物体内部信息无法保留,不能反映整个原始数据场的全貌和细节。
体绘制技术并不构造中间几何图元,而是直接由三维数据场产生屏幕上的二维图像,也称为直接体绘制。体绘制技术是近年来得以迅速发展的一种三维数据场可视化方法。相对于足迹算法、体元投影算法等其他体绘制算法而言,光线投射体绘制算法能绘制出具有更高质量、体现更多内部细节的图像,是最基本、最常用的体绘制算法。
由于光线投射体绘制算法需要对屏幕上的每一个像素进行光线投射和颜色计算,而且,当观察方向发生变化时,数据场中的采样点之间的前后关系也发生变化,这样就要对所有像素进行重新绘制,因此计算量极为庞大且造成了大量的不规则访问,最终导致光线投射体绘制算法的绘制速度达不到应用的要求。
为了解决计算速度的问题,人们提出了各种的改进方法或加速算法,如可以略过三维图像空区域的空间跳跃算法、累积透明度接近于数值时终止光线投射的射线提前终止法等。基于集群的光线投射并行绘制算法也从90 年代开始发展。下面将根据时间次序,对光线投射体绘制中的改进和加速技术以及基于集群的光线投射体并行体绘制算法进行介绍。
1、光线投射体绘制加速技术
M.Levoy第一个提出了光线投射(Levoy称其为“光线跟踪”)体绘制算法。首先,对体数据进行适当的预处理,例如去噪、重采样等;然后,利用查找表来确定体素的不透明度值,同时利用Phong光照模型来确定体 素的颜色值;接着,沿着投射光线均匀采样、对采样点三次线性插值;最后,用从后向前的方法合成颜色值和不透明度值,形成最后的图像。为了提高图像的质量,Levoy采用了过采样的方法--在原始数据点之间插入更多的中间点。这种方法能够减少走样,提高图像质量,但是会增加计算的开销。
M.Levoy提出由前向后的图像合成方法。在这种新方法中,不透明值必然逐步增大。当不透明值趋近于1时(例如Levoy选择不透明值0.95作为光线终止的条件),说明该像素点的图像已经接近于完全不透明,后面的体元不会再对该像素点的图像有所贡献,因而可以不再计算了。因此,由前向后的图像合成方法可以省去部分颜色计算,使速度加快。
M.Levoy采用八叉树方法组织体数据中的物体体元。体数据被递归均 匀子分并组成一个层次八叉树结构。在采用光线投射进行体绘制时,通过遍历八叉树,光线可跳过包含当前采样点的最大空区域。
Tang对光线跟踪体绘制算法进行了改进。先对体数据场根据投射光线进行重采样,然后再进行数据值分类、颜色赋值、不透明度赋值及明暗计算等步骤。这种改进后的算法构造出的图像质量有所提高;同时,由于不需要对全部数据点赋颜色值和不透明度值,可以减少计算量、节省存储空 间。
PARC算法则利用物体体元的包围盒来除去体数据中物体体元周围的空体元。该方法仅对由空区域包围的物体体元有效,对包含多个物体体元区域的体数据或物体体元区域中含有空体元的体数据均无法作有效处理。
Lee等人提出了一种用于加速体绘制的自适应子分算法,该算法将体数据均匀分割成一定大小的子数据块,每个子数据块包含若干体元。若子数据块中的体元为空,则该块被标识为空。在其后的合并过程中,按一定的顺序遍历子数据块,合并其中的空子数据块,并且生成尽可能大的空块。 在体绘制过程中,这种数据组织使得空块得以有效地跳过,从而加速了体绘制。
Wald等人提出了最小值/最大值kd-tree方法。虽然每个kd-tree节点都需要存储最小值和最大值,增加了一倍的数据量;但是,由于能够通过比较各个节点最小值/最大值来快速地滑过空白区域、整合同源区域,达到比较理想的帧率。
Knittel第一个利用单CPU系统用软件实现交互式光线投射体绘制算法。 当然,Knittel利用的ULTRAVIS系统虽然只有一个CPU,但是有像MMX等和处理器无关的扩展;同时,采用利用了手工优化的汇编语言和SIMD指令集进行编程。
2、基于集群的光线投射体并行体绘制算法
J.Nieh和M.Levoy提出了第一个并行光线投射体绘制算法。该并行算法在MIMD模式的多处理器环境DASH上实现(此环境提供了一个共享存储区,同时各子处理器也有本地存储区),最大加速比能达到40(48台处理器),最大的帧频为3Hz。该算法的基本思想是:在开始绘制计算之前,首先根据处理器数目进行一次粗略的任务分配,即将图像空间划分为大小相等或接近的子区域,静态地指定给各处理器;每个子处理器进而将对应的子区域细分为适当大小的子块,于是每个子区域中的所有子块分别排成一个队列。每个子区域的大小非常接近,所以经过第一步粗略的任务划分,整个系统的负载平衡已经有了一定的保证。又由于实际的任务调度是在子块粒度下进行的,所以可以进一步改善负载平衡状况。
具体的方法是,一旦某个子处理器对应的任务队列为空,它可以直接接管其他处理器尚未完成的部分子任务。实际上,这种接管过程中被接管的处理器不必知晓和参与(“任务窃取”算法)。在光线投射体绘制算法中,所有计算发生的物理空间的位置难以预先确定,因此数据在空间上的相关性极强。当某个子处理器在计算过程中需要访问的数据不在本地存储区,就只能通过数据通信来获得。Nieh和Levoy在共享存储区中保留一份原始数据场,供所有子处理器读取;在各个处理器的本地存储区之间,数据按照交叉存储的方式分布,按照页面交换的方式进行通信。
C.Montani等人提出了一种混合式光线投射并行体绘制算法,该算是将图像空间分割成矩形的条状子区域,各部分大小相等或接近;相应地,对处理器节点进行分组,每组拥有相同数目的节点。绘制计算的任务划分按照条状子区域为单位进行,即一个子区域对应于一个子任务。在通过令牌传递方式来估计出各分组的相对计算能力之后,可以静态的方式在各组之间进行子任务分配;当然,这样就要求每个组内部都拥有一套完整的数据 场拷贝。通过对计算任务和处理节点的合理划分和组织,这类算法能够有效降低数据通信量;因为对各分组计算能力做了预先估计,虽然任务划分方式是静态的,但是仍然可以得到满意的负载平衡。但其缺点在于数据量冗余量过大,实际上整个系统的存储消耗不仅取决于原始数据的规模,而且与组的数目成正比。
K.Ma等人提出了另外一个光线投射并行体绘制算法,由Kwan-Liu、 K.Ma等人分别在CM-5以及工作站机群环境中实现。和所有的其他绘制算法一样,本算法包括两个主要的计算过程:对体数据的重采样和图像合成。整个算法按照分治策略进行,重采样过程经过递归划分为最终由各处理器并行完成,而图像合成则通过回溯过程进行。
任继成等人提出了非规则数据场并行体绘制算法(实质为“光线投射面绘制算法”),该算法采用静态数据分布,避免了绘制过程中的重分布与计算节点间的通信,并提出了优化的图像合成方法,使绘制与合成并行执行,避免了网络通信的阻塞,提高了算法的并行性。静态与动态相结合的负载平衡策略,进一步提高了算法的效率。
邓俊辉等人提出了一种基于并行虚拟机结构的光线投射并行体绘制算法,该算法以二维切片为单位来划分和组织体数据,既降低了通信代价,也保证了各子任务的数据局部性。在任务分配时,维护并使用性能指数数据库,自适应式地确定各个子任务,较好地实现了负载平衡;同时使用一种异步二分方法,减少了所有局部图像合并的时间。针对可视化算法在虚拟机环境中的并行化实现,自行设计并实现了一个基于TCP/IP和Socket 标准开发平台PIPVR。
易法令等人提出了一种基于BSP树的光线跟踪并行面绘制算法。该算法通过分析视点与场景空间的关系,进行像素空间的划分,避免并行处理任务分配的盲目性。
上述现有技术的各处理方法中,通常需要对数据进行重新组织,系统开销很大,而且数据的处理繁琐复杂,处理速度比较慢。因此,现有技术还有待于改进和发展。
发明内容
为了解决上述问题, 本发明提出了一种基于医学体数据的体绘制方法,其包括以下步骤:
获取医学体数据;
对所述医学体数据进行处理;
形成具有色彩的医学图像。
其中,所述获取医学体数据具体包括:
摄取检查对象的多张多层断层图像,并使用接口函数取得所述多层断层图像的特性数据,然后对多层断层图像进行平滑和降噪处理,其中所述特性数据包括所述多层断层图像的数量、图像的分辨率和相邻图像之间的间距;
对每张图像进行标记,以明确每张多层断层图像的位置,将最下面的一层图像在Z轴上位置定为Z=0,以此类推;
从最下的一层的图像开始,依次在相邻两层图像之间进行插值操作;
在相邻两层的图像之间确定第一层待插值图像所在的位置,即与图像Ik距离d1和与图像Ik+1距离d2,其中d1+d2=Δz,Δz表示两层图像之间的距离;
获取待插值点V(x,y,d)的位置,再根据与所述待插值点位置对应的上下层图像中的两个对应点进行层间像素的插值:对所有的图像进行插值,获取三维体数据,所述三维体数据包括在点的三维网格上的多个强度。
其中,所述对所述医学体数据进行处理包括以下步骤:
设定一个投影面和基准视点位置,产生采样光线,将采样光线从所述基准视点位置穿过所述三维体数据投射在该投影面上;
沿着所述采样光线选择所述特征组织内的采样点,在所述特征组织内部产生分割区域,其中对所述采样光线进行移动最小二乘法平滑,并根据用户提供的梯度阈值判断极小值点,并根据用户提供的梯度阈值判断极小值点是否为特征分界点,并记录参数;
根据第一次光线投射中特征分析的结果,判断当前采样点是否处于分割区域内部,如果是,则把第一传递函数应用从第一特征组织内插的采样值,并且如果否,则把第二传递函数应用来自第二特征组织内插的采样值,累积上述传递函数的输出。
其中,所述形成具有色彩的医学图像具体为:
根据采样光线上的抽象采样点数量计算抽象采样点的不透明度;分析每个区域内采样点标量值及梯度信息,找到标量值最大的采样点,其物理位置作为抽象采样点的标量值,同时找到特征组织内梯度模值最大的梯度信息作为抽象采样点的法向量,最后,为采样点设置颜色,并执行局部光照计算,将抽象采样点融合,形成最终的医学图像。
本发明的有益效果主要表现在:能够实现医学影像数据的快速的三维组织特征显示,而不需要耗费大量时间调节传输函数;在医学影像数据获取时,能及时的提供给用户直观的视觉信息。本发明不仅考虑了灰度的变化,也兼顾了解剖结构轮廓的变化,从而更好地解决了传统插值方法的不足,使新插值出的图片更接近于实际情况。实验证明,本发明的视觉效果和图像质量有了较大的改进,插值出的图片轮廓清晰、噪声较小、不再有双重轮廓,提高了插值的质量,更重要的是计算时间大大减少。将本发明应用于三维重建和显示的系统中,使绘制出来的图像边界清晰,把梯田效应减少到最低,更符合实际需求,从而较大范围地提高医生判断的准确性和工作效率。
附图说明
图1为与本发明具体实施例一致的基于医学体数据的体绘制方法流程图。
具体实施例
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明本发明的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
通常,体积,即三维(3D)医学图像数据包括多个元。医学图像数据的每一数据元(x,y,z,I)包括通常由图像数据坐标系内的三个笛卡尔坐标x,y,z表示的位置(x,y,z)和该位置处的强度I。可以将所述医学图像数据体积定义为包括所述图像数据元(x,y,z,I)内包含的所有位置(x,y,z)的体积。当所述医学图像数据包括多个成员图像数据时,每一数据元还可以包括图像数据隶属指数m。
本发明提出了一种基于医学体数据的体绘制方法,具体包括以下措施。
摄取检查对象的多张多层断层图像,并使用接口函数取得所述多层断层图像的特性数据,然后对多层断层图像进行平滑和降噪处理,其中所述特性数据包括所述多层断层图像的数量、图像的分辨率和相邻图像之间的间距。
对每张图像进行标记,以明确每张多层断层图像的位置,将最下面的一层图像在Z轴上位置定为Z=0,向上以此类推。
从最下的一层的图像开始,依次在相邻两层图像之间进行插值操作。
在相邻两层的图像之间确定第一层待插值图像所在的位置,即与图像Ik距离d1和与图像Ik+1距离d2,其中d1+d2=Δz,Δz表示两层图像之间的距离。
获取待插值点V(x,y,d)的位置,再根据与所述待插值点位置对应的上下层图像中的两个对应点进行层间像素的插值:对所有的图像进行插值,获取三维体数据,所述三维体数据包括在点的三维网格上的多个强度。
边缘点的处理:如果获取待插值点V(x,y,d)位于图像周围(x,y=0,N-1),则直接采用基于上下对应点对的灰度值fijk,fij(k+1)进行线性插值,否则转至非边缘点的处理1;
线性插值公式:fijd=r fijk+(1-r)fij(k+1),(r=d1/(d1+d2)。本发明中将线性插值公式:fA=rf1+(1-r)f2,(r=d1/(d1+d2)改为:fA=f2+r(f1-f2),其余做同样的操作,这样乘法次数减少到原来的一半,大大减少了计算量。
非边缘点的处理1:如果获取待插值点不是图像周围的点,则利用上下层对应点V(i,j,k)和V(i,j,k+1)的灰度值fijk,fij(k+1)及其差值|fijk-fij(k+1)|,根据组织相关性原理判断待插值点是否属于RONI,RONI表示不感兴趣区,如果属于RONI,则采用基于其灰度值fijk,fij(k+1)进行线性插值,否则转到非边缘点的处理2;
组织相关性原理:根据人体中不同组织灰度差异及不同组织灰度分布图,本发明系统在进行相关性计算前先根据灰度值分布图。判断待插值体素V(i,j,d)属于RONI(如空气),还是属于ROI(如人体组织),ROI表示感兴趣区。属于ROI时,还要判断上下断层图像中像素点(i,j)所在的两块区域是否属于相同的组织。
非边缘点的处理2分别以上下层对应点V(i,j,k)和V(i,j,k+1)为中心,选取两个的区域Ak,和Ak+1,计算这两个区域的组织自相关系数,若相关系数大于某一阈值ρ0,说明两个区域整体比较相似,则采用基于这个两个区域Ak,和Ak+1进行三线性插值,否则转到非边缘点的处理3;
Ak,和Ak+1为分别以上下层对应点V(i,j,k)和V(i,j,k+1)为中心选取的区域;fijk,fij(k+1)是点V(i,j,k)和V(i,j,k+1)的灰度值,fk,f(k+1)为灰度平均值,N为上述所选区域内像素的个数;
区域的选择:因为对于医学图像来说,所处理的一般都是人体某些组织或病变部位,而这些部位的轮廓线都是平滑的,即一般成不规则的圆形或椭圆形,所以为获得更好的插值效果,本发明采用选择两个对称的近似圆形区域。
所述三线性插值为:在上下两个对称的近似圆形区域中选取
V(x,y,z)(x=i-1,i+1;y=j-1,j+1;z=k,k+1)8个点,先由点V(x,j-1,z)(x=i-1,i+1)的灰度值线性插值出点V(i,j-1,z)(z=k,k+1)的灰度值,由点V(x,j+1,z)(x=i-1,i+1)的灰度值线性插值出点V(i,j+1,z)(z=k,k+1)的灰度值,然后由点V(i,y,z)(y=j-1,j+1)的灰度值线性插值出点V(i,j,z)(z=k,k+1)的灰度值,最后由点V(i,j,z)(z=k,k+1)的灰度值线性插值出点V(i,j,d)的灰度值,即进行三次线性插值。
非边缘点的处理3:在上下层对应区域Ak,和Ak+1中寻求最佳匹配点对,利用对应点对的灰度值fijk,fij(k+1)进行线性插值。最佳匹配点对必须满足四点:匹配点对灰度值应该相近;匹配点对及周围点的灰度变化率应该相近;匹配点对及周围点的灰度变化方向应该相近;匹配点对的距离应该较短。
设定一个投影面和基准视点位置,产生采样光线,将采样光线从所述基准视点位置穿过所述三维体数据投射在该投影面上。
沿着所述采样光线选择所述特征组织内的采样点,在所述特征组织内部产生分割区域,其中对所述采样光线进行移动最小二乘法平滑,并根据用户提供的梯度阈值判断极小值点是否为特征分界点,并记录参数。
根据第一次光线投射中特征分析的结果,判断当前采样点是否处于分割区域内部,如果是,则把第一传递函数应用从第一特征组织内插的采样值,并且如果否,则把第二传递函数应用来自第二特征组织内插的采样值,累积上述传递函数的输出。
执行第一次光线投射,沿采样光线对采样光线进行移动最小二乘法(MLS)平滑,其中移动最小二乘法去除了原始数据中的大部分高频噪声数据,并且保留了数据特征。
沿采样光线搜索极小值点,并根据用户提供的梯度阈值判断极小值点是否为特征分界点,并记录特征分界点位置Pi,并计算特征区域的平均标量值Sa,平均梯度模值Ga,并根据公式
f(Sa,Ga) = (1-λ)Sa + λnGa
计算每一个特征区域的特征阈值函数值,并记录在结构体{Ps,Pe,f(Sa,Ga)}中,以提供给下一步作为特征绘制的信息,其中λ为用户自定义的参数,可以控制标量与梯度值在函数中的权重。
第二次光线投射,根据第一次光线投射中特征分析的结果,判断当前采样点是否处于特征组织内部,如果是,则判断当前特征片段的特征函数阈值f(Sa,Ga)是否大于用户提供的特征阈值Tfeature,如果是,则执行加强累积方法,否则,执行直接体绘制累积方法;该过程同时执行光照计算,采用Phong光照模型,以当前采样点的梯度作为光照的表面法向,利用公式
Csh=(ka+kd(N·L))×C+ks(N·H)n
计算新的颜色值参与颜色累积过程,其中ka,kd,和ks分别为环境光,散射光以及高光的影响参数,N代表当前采样点的法向量的方向,由当前采样点的归一化梯度向量表示,L代表入射光线的方向,由当前采样点的位置以及光源的位置确定,H代表反射光与法向量之间的半角,用来计算高光,n是高光系数,用来控制高光的范围以及亮度,C代表当前采样点的颜色值,在直接体绘制中通常由传输函数指定。
根据采样光线上的抽象采样点数量计算抽象采样点的不透明度;分析每个区域内采样点标量值及梯度信息,找到标量值最大的采样点,其物理位置作为抽象采样点的标量值,同时找到特征组织内梯度模值最大的梯度信息作为抽象采样点的法向量,最后,为采样点设置颜色,并执行局部光照计算,将抽象采样点融合,形成最终的医院图像。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于医学体数据的体绘制方法,其包括以下步骤:
获取医学体数据;
对所述医学体数据进行处理;
形成具有色彩的医学图像。
2.如权利要求1所述基于医学体数据的体绘制方法,其中所述获取医学体数据具体包括:
摄取检查对象的多张多层断层图像,并使用接口函数取得所述多层断层图像的特性数据,然后对多层断层图像进行平滑和降噪处理,其中所述特性数据包括所述多层断层图像的数量、图像的分辨率和相邻图像之间的间距;
对每张图像进行标记,以明确每张多层断层图像的位置,将最下面的一层图像在Z轴上位置定为Z=0,以此类推;
从最下的一层的图像开始,依次在相邻两层图像之间进行插值操作;
在相邻两层的图像之间确定第一层待插值图像所在的位置,即与图像Ik距离d1和与图像Ik+1距离d2,其中d1+d2=Δz,Δz表示两层图像之间的距离;
获取待插值点V(x,y,d)的位置,再根据与所述待插值点位置对应的上下层图像中的两个对应点进行层间像素的插值:对所有的图像进行插值,获取三维体数据,所述三维体数据包括在点的三维网格上的多个强度。
3.如权利要求1所述基于医学体数据的体绘制方法,其中所述对所述医学体数据进行处理包括以下步骤:
设定一个投影面和基准视点位置,产生采样光线,将采样光线从所述基准视点位置穿过所述三维体数据投射在该投影面上;
沿着所述采样光线选择所述特征组织内的采样点,在所述特征组织内部产生分割区域,其中对所述采样光线进行移动最小二乘法平滑,并根据用户提供的梯度阈值判断极小值点是否为特征分界点,并记录参数;
根据第一次光线投射中特征分析的结果,判断当前采样点是否处于分割区域内部,如果是,则把第一传递函数应用从第一特征组织内插的采样值,如果否,则把第二传递函数应用来自第二特征组织内插的采样值,累积上述传递函数的输出。
4.如权利要求1所述基于医学体数据的体绘制方法,其中所述形成具有色彩的医学图像具体为:
根据采样光线上的抽象采样点数量计算抽象采样点的不透明度;分析每个区域内采样点标量值及梯度信息,找到标量值最大的采样点,其物理位置作为抽象采样点的标量值,同时找到特征组织内梯度模值最大的梯度信息作为抽象采样点的法向量,最后,为采样点设置颜色,并执行局部光照计算,将抽象采样点融合,形成最终的医学图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410045619.4A CN103745495A (zh) | 2014-02-08 | 2014-02-08 | 基于医学体数据的体绘制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410045619.4A CN103745495A (zh) | 2014-02-08 | 2014-02-08 | 基于医学体数据的体绘制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103745495A true CN103745495A (zh) | 2014-04-23 |
Family
ID=50502510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410045619.4A Pending CN103745495A (zh) | 2014-02-08 | 2014-02-08 | 基于医学体数据的体绘制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103745495A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765410A (zh) * | 2018-06-01 | 2018-11-06 | 上海联影医疗科技有限公司 | 医学图像处理方法及装置和终端 |
CN108876783A (zh) * | 2018-06-27 | 2018-11-23 | 上海联影医疗科技有限公司 | 图像融合方法及系统、医疗设备和图像融合终端 |
CN109493414A (zh) * | 2018-10-30 | 2019-03-19 | 西北工业大学 | 一种基于梯度自适应的Blinn-Phong光照增强算法 |
CN111612792A (zh) * | 2019-02-22 | 2020-09-01 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082983A (zh) * | 2007-06-22 | 2007-12-05 | 崔志明 | 基于感兴趣区域的自适应医学序列图像插值方法 |
CN101110124A (zh) * | 2006-02-21 | 2008-01-23 | 美国西门子医疗解决公司 | 利用虚拟切割的背景中体积可视化的系统及方法 |
CN102542598A (zh) * | 2011-12-20 | 2012-07-04 | 浙江工业大学 | 一种面向医学体数据的局部特征加强体绘制方法 |
CN103366394A (zh) * | 2013-06-27 | 2013-10-23 | 浙江工业大学 | 医学体数据特征抽象的直接体绘制方法 |
-
2014
- 2014-02-08 CN CN201410045619.4A patent/CN103745495A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110124A (zh) * | 2006-02-21 | 2008-01-23 | 美国西门子医疗解决公司 | 利用虚拟切割的背景中体积可视化的系统及方法 |
CN101082983A (zh) * | 2007-06-22 | 2007-12-05 | 崔志明 | 基于感兴趣区域的自适应医学序列图像插值方法 |
CN102542598A (zh) * | 2011-12-20 | 2012-07-04 | 浙江工业大学 | 一种面向医学体数据的局部特征加强体绘制方法 |
CN103366394A (zh) * | 2013-06-27 | 2013-10-23 | 浙江工业大学 | 医学体数据特征抽象的直接体绘制方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765410A (zh) * | 2018-06-01 | 2018-11-06 | 上海联影医疗科技有限公司 | 医学图像处理方法及装置和终端 |
CN108876783A (zh) * | 2018-06-27 | 2018-11-23 | 上海联影医疗科技有限公司 | 图像融合方法及系统、医疗设备和图像融合终端 |
CN108876783B (zh) * | 2018-06-27 | 2021-02-05 | 上海联影医疗科技股份有限公司 | 图像融合方法及系统、医疗设备和图像融合终端 |
US11200727B2 (en) | 2018-06-27 | 2021-12-14 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for fusing image data |
CN109493414A (zh) * | 2018-10-30 | 2019-03-19 | 西北工业大学 | 一种基于梯度自适应的Blinn-Phong光照增强算法 |
CN111612792A (zh) * | 2019-02-22 | 2020-09-01 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
CN111612792B (zh) * | 2019-02-22 | 2024-03-08 | 曹生 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101324962B (zh) | 一种预投影光线投射体绘制的并行处理方法 | |
CN103106685B (zh) | 一种基于gpu的腹部脏器三维可视化方法 | |
CN104574263A (zh) | 一种基于gpu的快速三维超声重建和显示方法 | |
JP4885042B2 (ja) | 画像処理方法および装置ならびにプログラム | |
Tatarchuk et al. | Real-time isosurface extraction using the GPU programmable geometry pipeline | |
CN105825471A (zh) | 一种基于Unity 3D的三维体表面重构与渲染方法 | |
CN103745495A (zh) | 基于医学体数据的体绘制方法 | |
Huang et al. | 3D reconstruction and visualization from 2D CT images | |
Kumar et al. | 3D reconstruction of face from 2D CT scan images | |
CN101561937A (zh) | 基于普通微机的大数据量医学影像三维交互方法 | |
Leist et al. | Interactive visualisation of spins and clusters in regular and small-world Ising models with CUDA on GPUs | |
Ciżnicki et al. | Efficient isosurface extraction using marching tetrahedra and histogram pyramids on multiple GPUs | |
Kaufman et al. | A survey of architectures for volume rendering | |
Tan et al. | Design of 3D visualization system based on VTK utilizing marching cubes and ray casting algorithm | |
Tatarchuk et al. | Advanced interactive medical visualization on the GPU | |
Borgeat et al. | Layered surface fluid simulation for surgical training | |
Zhao et al. | High-performance and real-time volume rendering in CUDA | |
US20120268459A1 (en) | Processing a dataset representing a plurality of pathways in a three-dimensional space | |
Tian et al. | A multi‐GPU finite element computation and hybrid collision handling process framework for brain deformation simulation | |
Bruckner | Efficient volume visualization of large medical datasets | |
Yagel | Classification and survey of algorithms for volume viewing | |
CN105301652A (zh) | 一种三维地震数据固定轴向切片动态判断体绘制方法 | |
Liang et al. | Fast hardware-accelerated volume rendering of CT scans | |
CN108830922A (zh) | 一种基于多线程的轮廓树构建方法 | |
Yagel | Volume viewing algorithms: Survey |
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 |
Application publication date: 20140423 |