CN104091365A - 面向序列化髋关节ct图像的髋臼组织模型重建方法 - Google Patents

Abstract

本发明公开了一种面向序列化髋关节CT图像的髋臼组织模型重建方法，具有如下步骤：精细轮廓形成步骤：在选定的初始CT切片上的圆形股骨头粗轮廓上任一点的切线垂线上选定垂线上梯度最大的点；遍历股骨头粗轮廓，得到每一个切线垂线上梯度最大点的轮廓点集；该轮廓点集中的点连接形成该CT切片股骨头组织的精细轮廓；序列股骨头轮廓提取步骤、序列髋臼图像提取步骤和三维重建步骤。本发明基于患者个体髋关节骨骼形状，得到个性化的相关位置参数，在CT图像中进行髋臼分割，获得准确的髋臼组织图像和三维模型，为后续进行人工股骨头假体的个性化反求建模，不需要其他数据集进行训练所得到先验知识，实现简单。

Description

面向序列化髋关节CT图像的髋臼组织模型重建方法

技术领域

本发明涉及一种髋臼组织模型重建方法，尤其涉及一种面向序列化髋关节CT图像的髋臼组织模型重建方法。涉及专利分类号A61医学或兽医学；卫生学A61B诊断；外科；鉴定A61B6/00用于放射诊断的仪器，如与放射治疗设相结合的A61B6/02依次在不同平面中诊断的仪器；立体放射诊断的A61B6/03用电子计算机处理的层析X射线摄影机。

背景技术

在治疗股骨头坏死的半髋关节置换临床手术中，不同患者的髋臼骨骼形态差异很大，如果使用标准件式的人工股骨头假体，术后效果不理想，因此人工股骨头假体的个性化设计就显得十分必要。现多采用如下的技术方案解决这一个问题；

技术1：人工进行分割，操作人员手动进行分割提取。

技术2：以大量髋关节图像数据作为训练集，训练得出髋臼的统计学形状或者利用广义hough变换得到其平均形状，然后对于具体患者的髋臼形状进行匹配后调整[1][2]。

技术3：以一副人工分割好的数据，作为先验形状，然后对于具体患者的髋臼形状进行匹配后调整[3]。

技术4：首先得到髋关节的二值图像，可得到股骨头和髋关节粘连在一起的初始轮廓，然后利用图像的灰度和邻域信息将粘连部分分开，最后再利用梯度信息进一步矫正[4]。

然而上述技术都存有缺陷：比如每个患者的髋关节形状差异很大，得到的先验形状很难和具体患者的匹配，因此由先验形状得到的分割结果不准确，无法解决髋臼和股骨头个性化分割问题。再者，整个过程需要复杂的人工交互，对操作人员的经验要求较高，不同操作人员得到的分割结果可能差别很大。最后，如果使用智能算法，需要积累大量的数据集样本，才能保证结果的相对正确，实现难度很大，一般的非医学院附属医院很难积累足够的样本。

发明内容

本发明针对以上问题的提出，而研制的一种面向序列化髋关节CT图像的髋臼组织模型重建方法，在空间三维坐标的髋臼和股骨头图像和股骨头粗轮廓的CT序列图像中去除CT扫描图像的股骨头影像，留下髋臼的影像，进而进行3D重构得到髋臼的3D模型。

包括如下步骤：

精细轮廓形成步骤：选择大转子和股骨头首次分离的CT切片作为初始CT切片，首先在初始CT切片的圆形股骨头粗轮廓上选定任一点，做该点的切线垂线，通过计算得到该垂线上梯度最大的点。

然后遍历股骨头的粗轮廓，得到每一个切线垂线上梯度最大点，形成一轮廓点集，该轮廓点集中的点相连接，即形成初始切片股骨头组织的精细轮廓。

以初始切片的股骨头精细轮廓为初始轮廓线，分别向CT切片序列图像向CT切片上层和下层进行演化，不断迭代得到每一层CT切片中股骨头的精细轮廓，直到CT切片上不存在精细轮廓内股骨头的图像为止，完成迭代，即可得到每一张CT切片图像的股骨头的精细轮廓。

然后，填充每一层CT切片的精细轮廓，利用诸如二值化的方法，即可在对应的切片上去除股骨头的图像，留下髋臼的图像。

最后利用去除股骨头图像的CT切片序列，进行三维重建，即可得到髋臼组织的三维模型。

作为一个较佳的选择梯度最大点的实施方式：首先，在股骨头粗轮廓的圆上选择一点，以背离粗轮廓圆心的方向为正向，做该点的切线垂线。然后，沿射线方向计算射线上每个像素点的梯度值，选择梯度值最大的点。

更进一步的，考虑到，由于髋臼和股骨头在CT切片图像上距离较近，在识别过程中，算法有很大几率将髋臼上的边缘点设为股骨头的边缘点，导致算法无法正确识别股骨头边缘点而造成计算错误。

故作为一个较佳的实施方式，在计算梯度最大的点时，以点的梯度角度作为限制条件：以粗轮廓圆心的x坐标为分界将股骨头分为左右两侧，股骨头左侧边缘的射线上的点的梯度角度应为：0～90°或270°～360°，否则放弃该点；股骨头右侧边缘的梯度角度应为：90°～180°或180°～270°，否则放弃该点。

更进一步的，考虑到采用梯度的方法得到的梯度最大点的集合(轮廓点集)中会同时存在真边缘点和假边缘点。产生假边缘点的原因主要有两个：

一是股骨头上的灰度值不均匀，很有可能其内部的点或者距离边缘很近的也满足这个条件(即梯度值较大，梯度角度也在相应范围内)。

二是噪声点影响。CT图像在产生过程中不可避免会产生噪声，除噪算法并不能完全将噪声除去。

而若是梯度最大点(即边缘点)，其梯度幅值在其8领域内也一定是最大值，如果其梯度幅值在领域内不是最大值，则一定是假边缘点。

故作为一个较佳的实施方式，在该点的8邻域内，沿该点的梯度方向，判断该点的梯度值是否为最大：若为最大值，即判定为边缘点；否则不是边缘点，舍弃。

更进一步的，采用上述步骤得到的边缘点(梯度最大值点)的集合，即轮廓点集中仍会存在误差点，非最大值抑制仍不能完全保证100％去除噪声点，故作为一个较佳的实施方式，得到梯度最大值点之后还包括误差点剔除步骤，利用莱以特准则，即3σ通用准则剔除粗大误差点：

首先对得到轮廓点集，利用hough变换圆检测算法和投票原则得到精确轮廓圆心(x₀,y₀)和半径r₀。然后遍历所述轮廓点集，计算集合中每个边缘点的拟合残差：

$v_i=\sqrt{{(x_i-x_0)}^2+{(y_i-y_0)}^2-{r_0}^2}.$

所得的拟合残差直方图应呈高斯分布，对误差较大的采样点进行剔除处理,根据贝塞尔(Bessel)公式计算标准差估计量s：

$s=\sqrt{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v_i}^2\right)/(n-1)},$

如果某点(x_i,y_i)满足|v_l|＞3s，则认为是粗大误差采样点，属于异常数据，剔除。

考虑到，股骨头靠近髋臼一侧的边缘，由于距离髋臼图像较近，在算法中不易设别，容易造成识别误差。为了保证计算梯度最大点(边缘点)的计算精度，在计算开始前，还包括图像增强步骤I，作为一个较佳的实施方式，该步骤包括：在使用hessian矩阵图像增强算法增强髋臼和股骨头的间隙；使用原图像减去使用hessian矩阵图像增强算法增强后的图像。

经hessian矩阵增强后的图像并经过原图像减去后的图像，图像中的股骨头和髋臼相邻的边缘对比度更大，进而边缘点的梯度幅值就更大，搜索时更容易准确提取边缘点。有效的突出了股骨头髋臼侧的边缘，保证了后续操作的精度。

同样的，为了保证计算精度，在算法识别过程中减少非边缘点的影响，针对股骨头远离髋臼的一侧的边缘，作为一个较佳的实施方式，在计算其梯度最大点之前还包括图像增强步骤II，该步骤利用形态学的闭操作提取图像前景。经过形态学闭操作后，股骨头远离髋臼侧的边缘会被极大的增强，保证了后续操作的精度。

考虑到，在得到的CT图像序列中，只会有一部分CT切片图像含有股骨头的图像，为了能够让算法识别出含有股骨头图像的CT切片，以便算法在分别向CT序列图像进行迭代演化时准确判定精细轮廓消失，及时完成迭代，实现自动分割，作为一个较佳的实施方式：

将股骨头近似的认为是一个存在CT图像序列中的空间球体，通过估算球体的球心位置和半径，就可预知股骨头存在与CT图像序列中的哪些切片。

首先，对近似球形的股骨头，对初始切片得到的股骨头精确轮廓利用hough变换圆检测算法求出所述初始CT切片精细轮廓圆心，并依次求出CT序列图像中其余切片上的精细轮廓的圆心，在z方向上使用投票原则确定股骨头球心的x，y坐标。

然后依据得到的每层CT切片的精细轮廓的半径和每层CT切片的z_i坐标，估计股骨头球心的z坐标，根据如下公式计算得出股骨头球体圆心的Z轴坐标Z₀和股骨头球体半径R；

(Z₀-z_i)²+r_i ²＝R²

其中z_i和r_i为CT切片的Z坐标和精细轮廓半径，将带有股骨头精细轮廓的全部CT切片的Z坐标和精细轮廓半径{(z₁,r₁),(z₂,r₂),......,(z_i,r_i)}带入上式进行参数空间转换(转换为以Z0和R为参数)后利用投票原则，得到股骨头球心的Z轴坐标Z₀和股骨头球体半径R；

最后，根据股骨头球心的Z轴坐标Z0和股骨头球体半径R，判断带有股骨头精细轮廓的CT切片范围：上切片数为(Z₀+R)/Zspacing，下切片数为(Z₀-R)/Zspacing，Zspcaing为切片层间距。

采用预估股骨头球体在空间位置，避免了人工观察CT切片序列图像并判断精细轮廓范围的误差，实现了算法自动分割，得到结果准确稳定。(如果不预估范围，就需要操作者输入该范围，而不同的操作者观察同一个CT切片集，得到的范围可能并不相同。这就造成两个问题：一不能实现自动的分割，二不同操作者得到的计算结果可能不同。而预估了范围就不需要人的输入了，并且得到的结果也比较稳定)

考虑到，每个CT切片是通过演进得到的多个点从而得到轮廓线，因此，将这些更新后的点连起来得到的轮廓线并不平滑，可能有锯齿状的起伏变化，会影响本CT切片的精细轮廓精度，同时，会造成下一副CT切片得到的精细轮廓更加的不平滑。故作为一个较佳的实施方式，首先使用开操作先腐蚀后膨胀，可平滑突起的锯齿部分，然后使用闭操作先膨胀后腐蚀，可平滑凹陷的锯齿部分。即可得到较为平滑的精细轮廓，同时保证了演进过程整体的精度。

考虑到，CT切片图像上除了髋臼和股骨头的图像，还有可能包括股骨其它位置的图像，在髋臼图像提取时，包括剔除剩余股骨体步骤：若为左侧髋关节，则残余股骨体上点的x坐标应大于X₀+R；若为右侧髋关节，则残余股骨体上点的x坐标应小于X₀-R。

优选的，在所述三维重建步骤中采用面绘制算法进行三维重建，对于一CT切片，将股骨头和股骨体出去，所得髋臼即为最大等值面；采用移动立方体Marching cubes算法抽取最大的等值面，重建得到髋臼的三维模型。

由于采用了上述技术方案，本发明提供的面向序列化髋关节CT图像的髋臼组织模型重建方法，基于患者个体髋关节骨骼形状，得到个性化的相关位置参数，在CT图像中进行髋臼分割，可获得准确的髋臼组织图像和三维模型，为后续进行人工股骨头假体的个性化反求建模，从而实现人工股骨头假体的个性化设计打下坚实的基础。本方法为自动分割，操作简单，不同操作人员得到的分割结果基本相同。不需要其他数据集进行训练所得到先验知识，实现简单。本方法易于编程实现，算法复杂度较低。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的算法流程图

图2为本发明实施例1中作为初始处理切片的左切片示意图

图3为本发明实施例1中作为初始处理切片的右切片示意图

图4为本发明实施例1中建立的直角坐标系示意图

图5为本发明实施例1控制点提取示意图

图6为本发明实施例1中粗轮廓的示意图

图7为本发明实施例1中精细轮廓的示意图

图8为本发明实施例1中序列股骨头轮廓提取示意图

图9为本发明实施例1中得到的各层CT图像上的髋臼轮廓示意图

图10为本发明实施例1中三维重建得到的髋臼模型示意图

图11为本发明实施例1中由粗轮廓提取股骨头精细轮廓的更新过程

图12为本发明实施例1中股骨头的近似球体在CT图像序列坐标系中位置的示意图

图13为本发明实施例1中边缘点的梯度方向几何示意图

图14为本发明实施例1hessian算法增强效果示意图

图15为本发明实施例1为形态学闭操作效果示意图

图16为本发明实施例1的算法演进示意图

图17为本发明实施例1中参数空间变换的示意图

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

实施例1，如图1所示的一种面向序列化髋关节CT图像的髋臼组织模型重建方方法，包括如下步骤：

CT图像预处理：采用3D高斯模糊的方法对CT图像序列中的每一个CT切片进行除噪。

选择初始处理切片：以大转子和股骨头首次分离的CT切片作为初始CT切片。如图2所示为左侧髋关节的图像切片，图3所示为右侧髋关节的图像切片。

建立空间直角坐标系：

以CT图像序列中的首张切片的左上角为坐标原点，以向右为x轴正向，以向下为y轴正向，以切片层数增大的方向为z轴正向，建立空间直角坐标系。如图4。

初始切片股骨头轮廓粗提取：

首先，提取骨组织凸包，利用Graham扫描算法获得初始切片的骨组织凸包。

然后提取在骨组织凸包上提取控制点，如图5所示：分别选择大转子侧初始点、大转子侧控制点、CT切片中骨组织图像的几何中心点、上侧控制点、髋臼侧控制点和髋臼侧初始点。

计算凸包的几何中心点p_m坐标(x_m,y_m)。

计算p_m正上方与凸包边界交点上侧控制点p_up的坐标(x_up,y_up)，x_up＝x_m,y_up＝(y_m+y_up)/2

计算大转子侧控制点p_F坐标(x_F,y_F)，首先得到位于凸包边界上且在大转子附近的，并且距离p_m最远的大转子侧初始点p_farst坐标(x_farst,y_farst)；然后求取p_m和p_farst的中点坐标即为p_F，即x_F＝(x_m+x_farst)/2，y_F＝(y_m+y_farst)/2。

计算髋臼侧控制点p_E坐标(x_E,y_E)，首先得到位于凸包边界上且和p_m的y坐标相同的髋臼侧初始点p_e坐标(x_e,y_e)；然后求取p_m和p_e的中点坐标即为p_E，也即x_E＝(x_m+x_e)/2，y_E＝y_m。

粗轮廓提取

以控制点p_up，p_F和p_E为圆上3点，得到圆心点坐标(x₀,y₀)和半径r₀，可根据实际情况对半径进行调整。

所得圆即为初始切片的粗轮廓，如图6所示。

初始切片股骨头轮廓精提取

利用hessian矩阵图像增强算法增强髋臼和股骨头的间隙，并用原图像减去增强后的图像，使股骨头靠近髋臼侧的边缘更加容易识别和提取，如图14所示：a为未处理的图像，b为经过hessian矩阵图像增强算法增强处理后的图像，c为使用原图像减去图像b后的图像，股骨头与髋臼之间的边缘和边缘点更加突出。

遍历靠近髋臼侧的股骨头粗轮廓上的每个像素点(文中其它位置出现的点，如粗轮廓等位置所出现的点，非特指均为像素点)，按照下述垂直射线更新算法进行更新。

利用形态学闭操作提取图像前景，使股骨头远离髋臼侧的边缘更加容易识别和提取，如图15所示，图15a为未处理的图像，图15b为处理后的图像，可见股骨头组织原理髋臼侧的边缘和边缘点更加突出，其余部位的边缘变模糊。

遍历远离髋臼侧的股骨头粗轮廓上的每个点，按照下述垂直射线更新算法进行更新。

垂直射线更新算法(即为所述选择垂直射线上梯度最大值点或边缘点的步骤)，

对粗轮廓上的点做垂线，以背离粗轮廓圆心的方向为射线正向；

对沿射线方向的每个点，计算其梯度值和梯度角度。

以梯度角度为限制条件，梯度最大值点即为相应的候选边缘点。

以粗轮廓圆心的x坐标为分界，股骨头左侧边缘的梯度角度应为：0～90°或270°～360°；股骨头右侧边缘的梯度角度应为：90°～180°或180°～270°，如图13所示。

非极大值抑制：在该点的8邻域内，沿该点的梯度方向，判断该点的梯度值是否为最大：若为最大值则即判定为边缘点；否则就不是边缘点，应予舍弃。

误差点剔除：利用莱以特准则，即3σ通用准则剔除粗大误差点。

对轮廓点集，利用hough变换圆检测算法得到其圆心(x0,y0)和半径r0。

遍历点集，计算每个点的拟合残差

拟合残差直方图应呈高斯分布，可以对误差较大的采样点进行剔除处理,根据贝塞尔(Bessel)公式计算标准差估计量如果某点(x_i,y_i)满足|v_l|＞3s，则认为是粗大误差采样点，属于异常数据，应予剔除。

由上可得初始处理切片的股骨头精确轮廓，如图7。

序列股骨头轮廓提取

股骨头空间定位：股骨头近似球形，利用分层hough变换对股骨头进行定位

对初始切片得到的股骨头精确轮廓利用hough变换圆检测算法，得到其圆心(x₀,y₀)及半径r₀。同时可得到初始切片的切片层数Znum。

以[Znum-r₀,Znum+r₀]为采样范围，对每一层采样切片利用snake模型演化得到股骨头轮廓点集，进行hough变换圆检测算法，得到每一层的圆心(x_i,y_i)半径r_i(单位为像素)，转换为mm单位，即r_i＝r_i×Xspcaing，其中Xspcaing为XY平面像素间距；同理可得以mm单位的相应切片的z坐标z_i＝n_i×Zspcaing，其中n_i为切片层数，Zspcaing为切片层间距。

由每层得到的圆心坐标点集，根据投票原则，可大致得到股骨头球心的x,y坐标即(X₀,Y₀)，用以最后每层切片上股骨体的剔除。

在XZ平面，根据几何关系可得公式(Z₀-z_i)²+r_i ²＝R²，其中Z₀为球心z坐标，R为球半径。由2)可得相应点集{(z₁,r₁),(z₂,r₂),......,(z_i,r_i)}，同理利用hough变换的参数空间变换原理可得到Z₀和R。

如图17所示：由所述的点集进行参数空间转换之后，利用投票原则得到Z₀和R。公式(Z₀-z_i)²+r_i ²＝R²的参数是Z₀和R，z_i和r_i为已知变量，其几何形状为圆，圆心为(Z₀，0)，半径R，点(z_i，r_i)是该圆上的点。所谓参数空间转换即将z_i和r_i看做已知变量，Z₀和R转换为参数，那么便可作出以(z_i，0)和r_i分别为圆心和半径的圆，由于有i对数据，所以可以作出i个圆，而这i个圆的交点即为(Z₀，0)。

由于股骨头并非规则的球形，所以每对z_i和r_i并不会准确的落在圆上，因此交于同一点得圆的个数最多的那个点，即应用投票规则，选出作为圆心值(Z₀，0)，其相应的r_i作为半径R。

利用以下公式可准确计算存在股骨头的切片范围：上切片数为(Z₀+R)/Zspacing，下切片数为(Z₀-R)/Zspacing，空间几何模型如图13所示。

序列股骨头轮廓提取：利用snake主动轮廓模型在CT序列图像上进行序列演进，如图8所示。

以初始切片上得到的精确股骨头轮廓为初始轮廓线，利用snake主动轮廓模型分别向上层切片和向下层切片演化，每层都以前一层得到的股骨头轮廓作为本层的初始轮廓，不断地迭代得到新一层切片的股骨头轮廓，直至股骨头轮廓消失。

并对每层得到的股骨头轮廓分别进行形态学开操作和闭操作，以得到更为准确的轮廓线，而且使下一个迭代得到的结果更为准确。

由于股骨头轮廓逐渐缩小，因此每一层切片在利用snake模型演化之前，要对初始轮廓进行形态学腐蚀操作，以保证snake模型能准确演化。

序列髋臼轮廓提取

在每层CT图像上，利用得到的股骨头轮廓线将股骨头填充并除去。

在每层CT图像上，剔除残余的股骨体。若为左侧髋关节，则残余股骨体上点的x坐标应大于X₀+R；若为右侧髋关节，则残余股骨体上点的x坐标应小于X₀-R。

从而在各层CT图像上得到准确的髋臼轮廓，如图9。

髋臼的三维重建：采用面绘制算法进行三维重建，如图10。

由于已将股骨头和股骨体除去，所以髋臼即为最大的等值面；

采用Marching cubes(移动立方体)算法抽取最大的等值面，即可重建得到髋臼的三维模型。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

本发明背景技术中的引证文献如下：

[1]Wei wei Song,Guan hua Li,Zong ying Ou,Jun Han,De wei Zhao,and Weiming Wang."Model-based segmentation of femoral head and acetabulum from CTimages."In Complex Medical Engineering,2007.CME2007.IEEE/ICMEInternational Conference on,pp.586-590.IEEE,2007.

[2]Seim,Heiko,Dagmar Kainmueller,Markus Heller,Hans Lamecker,StefanZachow,and Hans-Christian Hege."Automatic Segmentation of the Pelvic Bonesfrom CT Data Based on a Statistical Shape Model."In VCBM,pp.93-100.2008.

[3]Pettersson,Johanna,Hans Knutsson,and Magnus Borga."Automatic hipbone segmentation using non-rigid registration."In Pattern Recognition,2006.ICPR2006.18th International Conference on,vol.3,pp.946-949.IEEE,2006.

[4]Cheng,Yuanzhi,Shengjun Zhou,Yadong Wang,Changyong Guo,Jing Bai,and Shinichi Tamura."Automatic segmentation technique for acetabulum andfemoral head in CT images."Pattern Recognition46,no.11(2013):2969-2984.

Claims (10)

1.一种面向序列化髋关节CT图像的髋臼组织模型重建方法，在带有髋臼和股骨头图像和股骨头粗轮廓的CT序列图像的基础上，建立去除股骨头的髋臼3D模型，具有如下步骤：

—精细轮廓形成步骤：在选定的初始CT切片上的圆形股骨头粗轮廓上任一点的切线垂线上选定垂线上梯度最大的点；遍历股骨头粗轮廓，得到每一个切线垂线上梯度最大点的轮廓点集；该轮廓点集中的点连接形成该CT切片股骨头组织的精细轮廓；

—序列股骨头轮廓提取步骤：以所述的精细轮廓为初始轮廓线，分别向CT序列图像向所述CT切片的上层和下层进行演化，迭代得到每一层CT切片中股骨头的精细轮廓，直至CT切片上精细轮廓内的股骨头图像消失，完成迭代，得到每一张CT切片的股骨头的精细轮廓；

—序列髋臼图像提取步骤：去除每一张CT切片的精细轮廓、轮廓内部图像和残余股骨体，得到CT切片的髋臼图像；

—三维重建步骤：利用得到的每一张CT切片的髋臼图像，进行三维重建，得到髋臼组织的三维模型。

2.根据权利要求1所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于精细轮廓形成步骤中梯度最大的点的选择过程如下：

—在股骨头粗轮廓的圆上选择一点，以背离粗轮廓圆心的方向为正向，做该点的切线垂线；

—计算沿射线方向的每个像素点的梯度值，选择该射线上梯度最大的点。

3.根据权利要求2所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于：在计算梯度最大的点时，以点的梯度角度作为限制条件：

以粗轮廓圆心的x坐标为分界将股骨头分为左右两侧，股骨头左侧边缘的射线上的点的梯度角度应为：0～90°或270°～360°，否则放弃该点；股骨头右侧边缘的梯度角度应为：90°～180°或180°～270°，否则放弃该点。

4.根据权利要求2或3所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于在计算梯度最大点之前还包括图像增强步骤I：

—在使用hessian矩阵图像增强算法增强髋臼和股骨头的间隙；

—使用原图像减去使用hessian矩阵图像增强算法增强后的图像。

5.根据权利要求2或3所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于在计算梯度最大点之前还包括图像增强步骤II：

—利用形态学的闭操作提取图像前景。

6.根据权利要求2或3所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于在得到切线垂线上的梯度最大值点后，还包括非极大值抑制步骤：

—在该点的8邻域内，沿该点的梯度方向，判断该点的梯度值是否为最大：若为最大值，即判定为边缘点；否则不是边缘点，舍弃。

7.根据权利要求6所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于经所述非极大值步骤得到梯度最大值点之后还包括误差点剔除步骤，利用莱以特准则，即3σ通用准则剔除粗大误差点：

—对得到轮廓点集，利用hough变换圆检测算法和投票原则得到精确轮廓圆心(x₀,y₀)和半径r₀；

—遍历所述并计算所述轮廓点集每个点的拟合残差：

$v_i=\sqrt{{(x_i-x_0)}^2+{(y_i-y_0)}^2-{r_0}^2};$

—拟合残差直方图应呈高斯分布，对误差较大的采样点进行剔除处理,根据贝塞尔(Bessel)公式计算标准差估计量s：

$s=\sqrt{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v_i}^2\right)/(n-1)},$

如果某点(x_i,y_i)满足|v_l|＞3s，n为所述轮廓点集中点的个数，则认为是粗大误差采样点，属于异常数据，剔除。

8.根据权利要求1所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于序列股骨头轮廓提取步骤中CT切片上含有股骨头的切片范围判定方法如下：

—对近似球形的股骨头，利用hough变换圆检测算法求出所述初始CT切片精细轮廓圆心，并依次求出CT序列图像中其余切片上的精细轮廓的圆心，使用投票原则确定股骨头球心的x，y坐标；

—依据得到的每层CT切片的精细轮廓的半径和每层CT切片的z坐标z_i，估计股骨头球心的z坐标，根据如下公式计算得出股骨头球体球心的Z轴坐标Z₀和股骨头球体半径R；

(Z₀-z_i)²+r_i ²＝R²

其中z_i和r_i为CT切片的Z坐标和精细轮廓半径，将带有股骨头精细轮廓的全部CT切片的Z坐标和精细轮廓半径{(z₁,r₁),(z₂,r₂),......,(z_i,r_i)}带入上式进行参数空间转换，转换为以Z₀和R为参数后，利用投票原则即可得到股骨头球心的Z轴坐标Z₀和股骨头球体半径R；

—根据股骨头球心的Z轴坐标Z0和股骨头球体半径R，判断带有股骨头精细轮廓的CT切片范围：上切片数为(Z₀+R)/Zspacing，下切片数为(Z₀-R)/Zspacing，Zspcaing为切片层间距。

9.根据权利要求1或8所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于：每层CT切片得到的股骨头精细轮廓后，对CT切片分别进行形态学开操作和闭操作。

10.根据权利要求1所述的面向序列化髋关节CT图像的髋臼组织模型重建方法，其特征还在于所述序列髋臼图像提取步骤中还包括剔除剩余股骨体步骤：

若为左侧髋关节，则残余股骨体上点的x坐标应大于X₀+R；若为右侧髋关节，则残余股骨体上点的x坐标应小于X₀-R。