CN104346799B - 一种ct图像中脊髓的提取方法 - Google Patents

一种ct图像中脊髓的提取方法 Download PDF

Info

Publication number
CN104346799B
CN104346799B CN201310332806.6A CN201310332806A CN104346799B CN 104346799 B CN104346799 B CN 104346799B CN 201310332806 A CN201310332806 A CN 201310332806A CN 104346799 B CN104346799 B CN 104346799B
Authority
CN
China
Prior art keywords
image
dimensional
vertebral canal
max
vertebral
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.)
Active
Application number
CN201310332806.6A
Other languages
English (en)
Other versions
CN104346799A (zh
Inventor
刘靖
李强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201310332806.6A priority Critical patent/CN104346799B/zh
Publication of CN104346799A publication Critical patent/CN104346799A/zh
Application granted granted Critical
Publication of CN104346799B publication Critical patent/CN104346799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种CT图像中脊髓的提取方法，所述方法包括如下步骤：(1)输入所述三维CT图像，通过二维简化的椎管模型，得到所述三维CT图像中所述椎管的中轴线位置的三维广义霍夫变换空间；(2)根据所述三维广义霍夫变换空间，确定所述椎管中轴线在所述三维CT图像中的位置；(3)根据所述椎管中轴线的位置，通过区域增长方法，得到所述椎管的分割掩模，即得到所述三维CT图像中的脊髓。本技术方案不仅能自动、快速地提取CT图像中的脊髓，还具有更高的稳定性和灵活性。

Description

一种CT图像中脊髓的提取方法
技术领域
本发明涉及图像处理领域，尤其涉及一种CT图像中脊髓的提取方法。
背景技术
在放疗的准备阶段，医生通过病人的CT图像计算放疗过程中所使用的放射线路经和剂量，同时在CT图像中勾勒(分割)出一些重要的器官，以使其在放疗中避开放射线的照射，或者降低其所受到的放射线照射剂量。脊髓是神经系统的核心组成部分，也是放疗中必须保护的重要区域。在制定针对头部(如脑、颈)、胸部(如乳房、肺、食道)和腹部(如肝脏、脾脏、肾脏、胰脏)等癌症的放疗计划时，为了保护脊髓，医生都需要将脊髓从预先得到的CT图像中分割出来。
目前，对于三维CT图像中椎管的自动分割可以分为两类。第一类方法需要人工确定椎管的位置，比如人工选取椎管内部的一个或多个种子点，然后从种子点出发，进一步自动分割出椎管部分，是一种半自动方法(请参考[L.G.,et al.:Computer Analysis ofImages and Patterns,456-463.(2005)])。
第二类方法可以自动检测出椎管的大致位置，然后对椎管进行提取。例如，通过简单的圆霍夫变换寻找轴切面上的圆形特征来定位椎管，然后通过模糊区域增长的方法在三维空间中分割出椎管；使用三维广义霍夫变换直接定位出任意一节脊椎骨的空间位置，并确定其所包围的椎管中心点作为种子点，然后通过一种自适应的算法，将小管状结构逐段连接到种子点上(请参考[T.Klinder,et al.:Medical Image Analysis,vol.13,471.(2009)])；以及使用一套基于解剖结构图谱的决策支持系统，用于定位二维轴切面上椎管的位置，然后使用区域增长或活动轮廓模型的方法来分割三维椎管。但是，这类方法过于复杂，计算量比较大。
发明内容
本发明解决的问题是提供一种CT图像中脊髓的提取方法，不仅能自动、快速地提取CT图像中的脊髓，还具有更高的稳定性和灵活性。
为了解决上述问题，本发明提供了一种CT图像中脊髓的提取方法，包括如下步骤：
(1)输入所述三维CT图像，通过二维简化的椎管模型，得到所述三维CT图像中所述椎管的中轴线位置的三维广义霍夫变换空间；
(2)根据所述三维广义霍夫变换空间，确定所述椎管中轴线在所述三维CT图像中的位置；
(3)根据所述椎管中轴线的位置，通过区域增长方法，得到所述椎管的分割掩模，即得到所述三维CT图像中的脊髓。
上述所述一种CT图像中脊髓的提取方法，其中，得到所述椎管中轴线位置的三维广义霍夫变换空间的过程如下：
1)通过边缘检测方法，得到第k帧轴切面图像中的边缘点位置和所述边缘点位置处的正规化梯度向量其中，k为所述三维CT图像中第k帧二维轴切面图像，j＝1,...,Nk为所述第k帧轴切面图像中的第j个边缘点，Nk为所述得到的第k帧轴切面图像中的所有边缘点数；
2)根据所述边缘点位置和所述正规化梯度向量得到所述边缘点映射到广义霍夫变换空间中的位置和并进行投票，得到所述广义霍夫空间中的点分布函数和
3)将所述点分布函数和进行合并，得到所述第k帧轴切面的广义霍夫变换空间Hk(c)；
4)将所有轴切面的广义霍夫变换空间在轴向进行级联，得到H(c,k)；
5)将所述H(c,k)进行平滑，得到所述椎管的中轴线的三维广义霍夫变换空间H(c,k)。
上述所述一种CT图像中脊髓的提取方法，其中，所述点分布函数的公式为：
其中，为投票函数，I[·]为指标函数；所述r1为所述二维简化模型中椎孔的半径。
上述所述一种CT图像中脊髓的提取方法，其中，所述点分布函数的公式为：
其中，为投票函数，I[·]为指标函数，为所述正规化梯度向量沿着人体冠状轴的分量；所述r2为所述二维简化模型中椎体的半径；为所述二维简化模型中椎孔中轴线与轴切面的交点以及椎体中轴线与轴切面的交点之间的相对位移。
上述所述一种CT图像中脊髓的提取方法，其中，得到所述Hk(c)的公式为或其中，w为所述所占的权重。
上述所述一种CT图像中脊髓的提取方法，其中，所述H(c,k)的公式为：
其中，k0和ke分别为所述输入的三维CT图像中感兴趣区域的起始帧数和终止帧数。
上述所述一种CT图像中脊髓的提取方法，其中，确定所述椎管中轴线在所述三维CT图像中的位置的过程为：
1)确定所述H(c,k)的极大值的像素点位置(cmax,kmax)；
2)根据快速行进算法和速度函数F(c,k)，得到所述三维CT图像中每个像素点到所述像素点(cmax,kmax)的距离函数D(c,k；cmax,kmax)；
3)分别确定在所述第k0帧和第ke帧轴切面图像中距离函数D(c,k；cmax,kmax)的最小值位置c0和ce；
4)根据最大梯度下降法，分别得到所述c0和ce到所述像素点(cmax,kmax)的最短路径，并使所述最短路径在所述像素点(cmax,kmax)处连接，即得到所述椎管中轴线在所述三维CT图像中的位置S(k0,ke)。
上述所述一种CT图像中脊髓的提取方法，其中，所述速度函数F(c,k)为：F(c,k)＝g(|H(c,k)-H(cmax,kmax)|)，其中，g(·)为变换函数。
上述所述一种CT图像中脊髓的提取方法，其中，所述椎管中轴线位置S(k0,ke)的公式为：S(k0,ke)＝{s(n)|n＝1,...,N}，其中，N为离散点数的总数；s(1)＝(c0,k0)；s(n)＝(c(n),k(n))；s(N)＝(ce,ke)。
上述所述一种CT图像中脊髓的提取方法，其中，得到所述三维CT图像中的脊髓的过程为：
1)计算所述三维CT图像中每个像素点的图像约束的椎管概率p1(x)；
2)计算所述三维CT图像中每个像素点的椎管中轴线形状约束的椎管概率p2(x)；
3)根据所述图像约束的椎管概率p1(x)和椎管中轴线形状约束的椎管概率p2(x)，得到所述三维CT图像中每个像素点成为椎管的概率p(x)；
4)根据所述成为椎管的概率p(x)，得到所述椎管的分割掩模，即得到所述三维CT图像中的脊髓。
上述所述一种CT图像中脊髓的提取方法，其中，，得到所述椎管中轴线形状约束的椎管概率p2(x)的过程为：
1)根据所述椎管中轴线位置S(k0,ke)，得到所述椎管中轴线的初始掩模S0(x)；
2)根据所述初始掩模S0(x)，计算所述椎管中轴线形状约束的椎管概率p2(x)，所述其中，为空间滤波算子；g2(·)为变换函数。
上述所述一种CT图像中脊髓的提取方法，其中，得到所述初始掩模的公式为：其中，N为离散点数的总数；s(n)＝(cn,kn)；I[·]为指标函数；(cn,kn)表示所述椎管的中轴线的三维广义霍夫变换空间中的像素点，n＝1,…,N，N为离散点数的总数。
上述所述一种CT图像中脊髓的提取方法，其中，通过线性意见池或对数意见池得到所述三维CT图像中每个像素点成为椎管的概率p(x)。
上述所述一种CT图像中脊髓的提取方法，其中，得到所述椎管的分割掩模S(X)的公式为：
其中，为空间滤波算子；t2和t3为预定阈值。
与现有技术相比，本发明基于一个简单的二维椎管模型，通过广义霍夫变换(GHT)生成与输入图像对应的三维广义霍夫变换空间，同时自动确定椎管中的种子点，不仅不需要大量由人工勾勒出椎管形状的训练图像样本来构建GHT查找表，而且椎管模型中的几何形状可以独立生成GHT空间，增加了本发明的稳定性和灵活性；
进一步地，通过快速行进算法，高效准确地确定三维空间中椎管的中轴线位置，保证了得到的椎管中轴线是一条连续平滑的曲线；
进一步地，使用基于椎管形状约束的区域增长方法，实现复杂度低，计算速度块，相比传统的区域增长，具有更高的稳定性。
附图说明
图1所示为本发明实施例一种CT图像中脊髓的提取方法的流程示意图；
图2所示为本发明实施例典型的脊椎骨解剖结果的轴切面、脊椎骨所在区域的CT图像以及二维简化的椎管模型的结构示意图；
图3所示为本发明实施例获取所述三维CT图像中所述椎管的中轴线位置的三维广义霍夫变换空间的流程示意图；
图4所示为本发明实施例确定所述椎管中轴线在所述三维CT图像中位置的流程示意图；
图5所示为本发明实施例得到所述三维CT图像中脊髓的流程示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实例，其在此不应限制本发明保护的范围。
下面结合附图和实施例对本发明一种CT图像中脊髓的提取方法进行详细地描述。本发明实施例CT图像中脊髓的提取方法如图1所示，首先，执行步骤S1，输入三维CT图像，通过二维简化的椎管模型，得到所述三维CT图像中所述椎管(脊椎骨)的中轴线位置的三维广义霍夫变换空间。其中，输入的三维CT图像为原始图像或者感兴趣区域(椎管)。在本实施例中，输入的三维CT图像和感兴趣区域在图像中的起始帧数和终止帧数k0和ke。二维简化的椎管模型由简单的几何形状抽象而成，包含了椎管轴切面的主要特征，如图2所示，图2(a)为典型的脊椎骨解剖结构的轴切面；图2(b)为脊椎骨所在区域的CT图像，从图中可以看出，在CT图像中人体骨骼具有较高的灰度值；图2(c)为二维简化的椎管模型，从图中可以看出，实黑线为模型边界，r1和r2分别为椎孔和椎体的半径，C1和C2分别为椎孔和椎体的中轴线与轴切面的交点(即中心点)，为两中心点的相对位移。
通过上述二维简化的椎管模型，得到所述三维CT图像中所述椎管的中轴线位置的三维广义霍夫变换空间的过程如图3所示，首先，执行步骤S301，通过边缘检测方法，得到第k帧轴切面图像中的边缘点位置和所述边缘点位置处的正规化梯度向量其中，k为所述三维CT图像中第k帧二维轴切面图像，j＝1,...,Nk为所述第k帧轴切面图像中的第j个边缘点，Nk为所述得到的第k帧轴切面图像中的所有边缘点数；正规化梯度向量 分别代表边缘点处正规化梯度向量(单位向量)沿着人体冠状轴和矢状轴的分量。具体地，在本实施例中，通过Sobel滤波器来估计图像中脊椎骨边缘点的位置和边缘点的梯度。一般的，脊椎骨灰度值要远高于其周围像素的灰度值，因此，正规化梯度向量也是脊椎骨表面法向量。另外，在一般的CT扫描中，人体的冠状轴、矢状轴与图像的x轴、y轴近似平行，因此，可以直接使用x和y方向正规化的梯度近似表示的两个分量。接着，执行步骤S302，根据所述边缘点位置和所述正规化梯度向量得到所述边缘点映射到广义霍夫变换空间中的位置和并进行投票，得到所述广义霍夫空间中的点分布函数和具体地，得到所述的公式为：
其中，r1为所述二维简化模型中椎孔的半径。再通过投票函数对上述位置进行投票，其中，I[·]为指标函数，当其变量条件成立时，取值为1，否则取值为0。则广义霍夫变换空间中的点分布函数的公式为：
需要说明的是，需要对所有可能的椎孔内半径求和，在本实施例中，椎孔半径r1的取值范围为2mm-6mm。
同样地，通过下列公式，由和得到边缘点映射到GHT空间中的位置所述公式为：
其中，r2为所述二维简化模型中椎体的半径；为所述二维简化模型中椎孔中轴线与轴切面的交点以及椎体中轴线与轴切面的交点之间的相对位移。在本实施例中，
接着通过投票函数对位置进行投票，其中，I[·]为指标函数，当其变量条件成立时，取值为1，否则取值为0；式中乘积的第二项表明仅适用上半圆边缘点进行投票。则广义霍夫变换空间中的点分布函数的公式为：
需要说明的是，需要对所有可能的椎体半径求和，在本实施例中，椎体半径r2的取值范围为6mm-15mm。
接着，执行步骤S303，将所述点分布函数和进行合并，得到所述第k帧轴切面的广义霍夫变换空间Hk(c)。具体地，通过以下两种方法得到与第k帧轴切面对应的GHT空间，
方法一：
方法二：
其中，w为所述所占的权重，0≤w≤1。在本实施例中，采用方法二计算得到所述GHT空间Hk(c)，w＝0.5。
接着，执行步骤S304，将所有轴切面的广义霍夫变换空间在轴向进行级联，得到H(c,k)。具体地，在本实施例中，通过上述步骤计算得到第k0帧轴切面到第ke帧轴切面的一系列GHT空间，并在轴向对所有GHT空间进行级联，得到H(c,k)，
接着，执行步骤S305，将所述H(c,k)进行平滑，得到所述椎管的中轴线的三维广义霍夫变换空间H(c,k)。具体地，通过公式对H(c,k)进一步做三维平滑，得到三维椎管的中轴线的GHT空间，其中，Gσ为空间平滑算子，σ为平滑窗口宽度。在本实施例中，σ＝(3,3,5)mm。
接着，执行步骤S2，根据所述三维广义霍夫变换空间，确定所述椎管中轴线在所述三维CT图像中的位置。椎管的中轴线由从H(c,k)的极大值处分别达到第k0帧和第ke帧图像的最小路径连接而成。具体地，确定所述椎管中轴线在所述三维CT图像中的位置的过程如图4所示，首先，执行步骤S401，确定所述H(c,k)的极大值的像素点位置(cmax,kmax)，即接着，执行步骤S402，根据快速行进算法和速度函数F(c,k)，得到所述三维CT图像中每个像素点到所述像素点(cmax,kmax)的距离函数D(c,k；cmax,kmax)。具体地，速度函数为：F(c,k)＝g(|H(c,k)-H(cmax,kmax)|)，其中，g(·)为变换函数。在本实施例中，变化函数g(·)采用其中，tmax为变量中元素的最大值；σ2为可调参数，σ2＝0.1。
接着，执行步骤S403，分别确定在所述第k0帧和第ke帧轴切面图像中距离函数D(c,k；cmax,kmax)的最小值位置c0和ce，即
接着，执行步骤S404，根据最大梯度下降法，分别得到所述c0和ce到所述像素点(cmax,kmax)的最短路径，并使所述最短路径在所述像素点(cmax,kmax)处连接，即得到所述椎管中轴线在所述三维CT图像中的位置S(k0,ke)。具体地，由于距离函数D(c,k；cmax,kmax)为凸函数，且全局最优点为(cmax,kmax)，因此，最大梯度下降法必然收敛到(cmax,kmax)。通过最大梯度下降法，得到从(c0,k0)到(cmax,kmax)和从(ce,ke)到(cmax,kmax)的最短路径，并在像素点(cmax,kmax)处连接。该路径记作，S(k0,ke)＝{s(n)|n＝1,...,N}，其中，N为离散点数的总数；s(1)＝(c0,k0)；s(n)＝(cn,kn)；s(N)＝(ce,ke)。所述路径即为得到的椎管中轴线再三维CT图像k0帧和ke帧之间的位置。
接着，执行步骤S3，根据所述椎管中轴线的位置，通过区域增长方法，得到所述椎管的分割掩模，即得到所述三维CT图像中的脊髓。具体地，得到所述三维CT图像中的脊髓的过程如图5所示，首先，执行步骤S501，计算所述三维CT图像中每个像素点的图像约束的椎管概率p1(x)。具体地，由于椎管内部为脊髓灰质、白质和脑脊液填充，其灰度值在常规CT图像中取值范围大致为-10Hu～50Hu。因此，首先通过设定阈值二值化CT图像，将灰度值在区间-100Hu～100Hu的像素点置为1，其余像素点置为0，得到二值化图像Ib。再通过如下公式计算由图像约束的像素点成为椎管的概率，即图像约束的椎管概率，所述公式为：
其中，为空间滤波算子，Ib为二值化后的图像，g1(·)为变换函数。在本实施例中，变换函数为g1(t)＝t。
接着，执行步骤S502，计算所述三维CT图像中每个像素点的椎管中轴线形状约束的椎管概率p2(x)。具体地，得到所述椎管中轴线形状约束的椎管概率p2(x)的过程为：首先，根据所述椎管中轴线位置S(k0,ke)，通过公式生成所述椎管中轴线的初始掩模S0(x)，其中，N为离散点数的总数；s(n)＝(cn,kn)；I[·]为指标函数，当其变量条件成立时，取值为1，否则取值为0；接着，根据所述初始掩模S0(x)，通过公式计算所述椎管中轴线形状约束的椎管概率p2(x)，其中，为空间滤波算子；g2(·)为变换函数。在本实施例中，g2(t)＝t。
接着，执行步骤S503，根据所述图像约束的椎管概率p1(x)和椎管中轴线形状约束的椎管概率p2(x)，通过线性意见池或对数意见池计算得到所述三维CT图像中每个像素点成为椎管的概率p(x)。具体地，线性意见池为：
p(x)＝qp1(x)+(1-q)p2(x)；
对数意见池为：
其中，0<q<1。在本实施例中，采用对数意见池计算每个像素点成为椎管的概率p(x)，q＝0.5。
接着，执行步骤S504，根据所述成为椎管的概率p(x)，通过公式得到所述椎管的分割掩模，即得到所述三维CT图像中的脊髓，其中，为空间滤波算子；t2和t3为预定阈值。具体地，在本实施例中，t2和t3的取值为0.5。首先，将所述三维CT图像中成为椎管的概率p(x)大于0.5的像素点赋值为1，其余的像素点赋值为0，得到二值化图像。接着，将二值化图像进行空间平滑滤波，并将平滑的二值化图像中像素值大于0.5的赋值为1，其余的像素点赋值为0，此时得到的二值化图像即为所述椎管的分割掩模。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (13)

1.一种CT图像中脊髓的提取方法，其特征在于，包括如下步骤：
(1)输入三维CT图像，通过二维简化的椎管模型，得到所述三维CT图像中所述椎管的中轴线位置的三维广义霍夫变换空间；
(2)根据所述三维广义霍夫变换空间，确定所述椎管中轴线在所述三维CT图像中的位置；
(3)根据所述椎管中轴线的位置，通过区域增长方法，得到所述椎管的分割掩模，即得到所述三维CT图像中的脊髓；
所述椎管的中轴线位置的三维广义霍夫变换空间通过如下过程得到：
通过边缘检测方法，得到第k帧轴切面图像中的边缘点位置和所述边缘点位置处的正规化梯度向量其中，k为所述三维CT图像中第k帧二维轴切面图像，j＝1,...,Nk为所述第k帧轴切面图像中的第j个边缘点，Nk为所述得到的第k帧轴切面图像中的所有边缘点数；
根据所述边缘点位置和所述正规化梯度向量得到所述边缘点映射到广义霍夫变换空间中的位置和并进行投票，得到所述广义霍夫空间中的点分布函数和r1为所述二维简化模型中椎孔的半径，r2为所述二维简化模型中椎体的半径，c为所述广义霍夫空间中的任一位置；
将所述点分布函数和进行合并，得到所述第k帧轴切面的广义霍夫变换空间Hk(c)；
将所有轴切面的广义霍夫变换空间在轴向进行级联，得到H(c,k)；
将所述H(c,k)进行平滑，得到所述椎管的中轴线的三维广义霍夫变换空间H(c,k)。
2.如权利要求1所述一种CT图像中脊髓的提取方法，其特征在于，所述点分布函数的公式为：
<mrow> <msubsup> <mi>H</mi> <mn>1</mn> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mi>c</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <msub> <mi>r</mi> <mn>1</mn> </msub> </munder> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msubsup> <mi>v</mi> <mrow> <mn>1</mn> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mi>c</mi> <mo>,</mo> <msub> <mi>r</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> <msub> <mi>r</mi> <mn>1</mn> </msub> </mfrac> </mrow>
其中，为投票函数，I[·]为指标函数；所述r1为所述二维简化模型中椎孔的半径。
3.如权利要求1所述一种CT图像中脊髓的提取方法，其特征在于，所述点分布函数的公式为：
<mrow> <msubsup> <mi>H</mi> <mn>2</mn> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mi>c</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <msub> <mi>r</mi> <mn>2</mn> </msub> </munder> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <mn>2</mn> <msubsup> <mi>v</mi> <mrow> <mn>2</mn> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mi>c</mi> <mo>,</mo> <msub> <mi>r</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> <msub> <mi>r</mi> <mn>2</mn> </msub> </mfrac> </mrow>
其中，为投票函数，I[·]为指标函数，为所述正规化梯度向量沿着人体冠状轴的分量；所述r2为所述二维简化模型中椎体的半径；n为所述二维简化模型中椎孔中轴线与轴切面的交点以及椎体中轴线与轴切面的交点之间的相对位移。
4.如权利要求1所述一种CT图像中脊髓的提取方法，其特征在于，所述Hk(c)的公式为或其中，w为所述所占的权重。
5.如权利要求1所述一种CT图像中脊髓的提取方法，其特征在于，所述H(c,k)的公式为：
其中，k0和ke分别为所述输入的三维CT图像中感兴趣区域的起始帧数和终止帧数。
6.如权利要求1所述一种CT图像中脊髓的提取方法，其特征在于，确定所述椎管中轴线在所述三维CT图像中的位置的过程为：
1)确定所述H(c,k)的极大值的像素点位置(cmax,kmax)；
2)根据快速行进算法和速度函数F(c,k)，得到所述三维CT图像中每个像素点到所述像素点(cmax,kmax)的距离函数D(c,k；cmax,kmax)；
3)分别确定在所述第k0帧和第ke帧轴切面图像中距离函数D(c,k；cmax,kmax)的最小值位置c0和ce；
4)根据最大梯度下降法，分别得到所述c0和ce到所述像素点(cmax,kmax)的最短路径，并使所述最短路径在所述像素点(cmax,kmax)处连接，即得到所述椎管中轴线在所述三维CT图像中的位置S(k0,ke)。
7.如权利要求6所述一种CT图像中脊髓的提取方法，其特征在于，所述速度函数F(c,k)为：F(c,k)＝g(|H(c,k)-H(cmax,kmax)|)，其中，g(·)为变换函数。
8.如权利要求6所述一种CT图像中脊髓的提取方法，其特征在于，所述椎管中轴线位置S(k0,ke)记作：S(k0,ke)＝{s(n)|n＝1,...,N}，其中，N为离散点数的总数；s(1)＝(c0,k0)；s(n)＝(c(n),k(n))；s(N)＝(ce,ke)。
9.如权利要求1所述一种CT图像中脊髓的提取方法，其特征在于，得到所述三维CT图像中的脊髓的过程为：
1)计算所述三维CT图像中每个像素点的图像约束的椎管概率p1(x)；
2)计算所述三维CT图像中每个像素点的椎管中轴线形状约束的椎管概率p2(x)；
3)根据所述图像约束的椎管概率p1(x)和椎管中轴线形状约束的椎管概率p2(x)，得到所述三维CT图像中每个像素点成为椎管的概率p(x)；
4)根据所述成为椎管的概率p(x)，得到所述椎管的分割掩模，即得到所述三维CT图像中的脊髓。
10.如权利要求9所述一种CT图像中脊髓的提取方法，其特征在于，得到所述椎管中轴线形状约束的椎管概率p2(x)的过程为：
1)根据所述椎管中轴线位置S(k0,ke)，得到所述椎管中轴线的初始掩模S0(x)；
2)根据所述初始掩模S0(x)，计算所述椎管中轴线形状约束的椎管概率p2(x)，所述其中，为空间滤波算子；g2(·)为变换函数。
11.如权利要求10所述一种CT图像中脊髓的提取方法，其特征在于，得到所述初始掩模的公式为：其中，N为离散点数的总数；s(n)＝(cn,kn)；I[·]为指标函数；(cn,kn)表示所述椎管的中轴线的三维广义霍夫变换空间中的像素点，n＝1,…,N，N为离散点数的总数。
12.如权利要求9所述一种CT图像中脊髓的提取方法，其特征在于，通过线性意见池或对数意见池得到所述三维CT图像中每个像素点成为椎管的概率p(x)。
13.如权利要求9所述一种CT图像中脊髓的提取方法，其特征在于，所述椎管的分割掩模S(x)的公式为：
<mrow> <mi>S</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>I</mi> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <msub> <mi>G</mi> <msub> <mi>&amp;sigma;</mi> <mn>3</mn> </msub> </msub> <mo>&amp;CircleTimes;</mo> <mi>I</mi> <mo>&amp;lsqb;</mo> <mi>p</mi> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>&gt;</mo> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>&amp;rsqb;</mo> <mo>)</mo> </mrow> <mo>&gt;</mo> <msub> <mi>t</mi> <mn>3</mn> </msub> <mo>&amp;rsqb;</mo> </mrow>
其中，为空间滤波算子；t2和t3为预定阈值。
CN201310332806.6A 2013-08-01 2013-08-01 一种ct图像中脊髓的提取方法 Active CN104346799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310332806.6A CN104346799B (zh) 2013-08-01 2013-08-01 一种ct图像中脊髓的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310332806.6A CN104346799B (zh) 2013-08-01 2013-08-01 一种ct图像中脊髓的提取方法

Publications (2)

Publication Number Publication Date
CN104346799A CN104346799A (zh) 2015-02-11
CN104346799B true CN104346799B (zh) 2018-02-02

Family

ID=52502341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310332806.6A Active CN104346799B (zh) 2013-08-01 2013-08-01 一种ct图像中脊髓的提取方法

Country Status (1)

Country Link
CN (1) CN104346799B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139454B (zh) * 2015-08-06 2018-01-19 北京工业大学 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法
CN105405129A (zh) * 2015-10-31 2016-03-16 上海联影医疗科技有限公司 医学图像的重建方法及其装置
CN106683078A (zh) * 2016-12-09 2017-05-17 江西中科九峰智慧医疗科技有限公司 一种基于知识的脊髓自动提取方法
CN107220965B (zh) * 2017-05-05 2021-03-09 上海联影医疗科技股份有限公司 一种图像分割方法及系统
WO2019023891A1 (en) * 2017-07-31 2019-02-07 Shenzhen United Imaging Healthcare Co., Ltd. SYSTEMS AND METHODS FOR AUTOMATIC SEGMENTATION AND IDENTIFICATION OF VERTEBRA IN MEDICAL IMAGES
CN109712163B (zh) * 2018-12-05 2021-05-18 上海联影医疗科技股份有限公司 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN109480876A (zh) * 2018-12-06 2019-03-19 宁波耀通管阀科技有限公司 脊髓ct机控制平台
CN109978887B (zh) * 2018-12-10 2022-11-11 深圳市旭东数字医学影像技术有限公司 基于医学图像的脊髓自动分割方法及其系统
CN109978861B (zh) * 2019-03-27 2021-03-26 北京青燕祥云科技有限公司 骨髓灰质检测方法、装置、设备和计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1838173A (zh) * 2005-03-23 2006-09-27 西门子共同研究公司 使用曲线进化在脊骨图像中检测椎间盘方向
CN102018527A (zh) * 2010-11-12 2011-04-20 北京航空航天大学 脊柱三维动态测量分析系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080037843A1 (en) * 2006-08-11 2008-02-14 Accuray Incorporated Image segmentation for DRR generation and image registration

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1838173A (zh) * 2005-03-23 2006-09-27 西门子共同研究公司 使用曲线进化在脊骨图像中检测椎间盘方向
CN102018527A (zh) * 2010-11-12 2011-04-20 北京航空航天大学 脊柱三维动态测量分析系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Learning-Based Vertebra Detection and Iterative Normalized-Cut Segmentation for Spinal MRI;Szu-Hao Huang 等;《IEEE Transactions on Medical Imaging》;20091031;第28卷(第10期);973-985 *
Object Localization and Border Detection Criteria Design in Edge-Based Image Segmentation:Automated Learning from Examples;Marek Brejl 等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20001031;第19卷(第10期);1595-1605 *
Semi-Automatic Detection of Cervical Vertebrae in X-ray Images Using Generalized Hough Transform;Mohamed Amine LARHMAM 等;《Image Processing Theory, Tools and Applications》;20121018;1-6 *
一种免疫细胞图象非监督分割方法;谢凤英 等;《中国体视学与图像分析》;20021230;第7卷(第4期);224-228 *

Also Published As

Publication number Publication date
CN104346799A (zh) 2015-02-11

Similar Documents

Publication Publication Date Title
CN104346799B (zh) 一种ct图像中脊髓的提取方法
US11062449B2 (en) Method and system for extracting vasculature
US9659364B2 (en) Probabilistic refinement of model-based segmentation
US10869644B2 (en) Method and system for extracting lower limb vasculature
CN107977952A (zh) 医学图像分割方法及装置
EP2249702A2 (en) Method and system for improved image segmentation
CN108573502A (zh) 一种自动测量Cobb角的方法
EP1755457A1 (en) Nodule detection
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
Wei et al. Automated lung segmentation and image quality assessment for clinical 3-D/4-D-computed tomography
CN105741293A (zh) 定位医学图像上器官的方法
Yan et al. Improved mask R-CNN for lung nodule segmentation
CN111080556B (zh) 一种强化ct图像气管壁增强方法、系统、设备及介质
Yang et al. An automated method for accurate vessel segmentation
WO2015040547A1 (en) Method and system for spine position detection
EP3047455A1 (en) Method and system for spine position detection
CN110678934A (zh) 医学图像中的病变的定量方面
CN116277978B (zh) 多模态骨关节数字化3d打印方法
CN112466441A (zh) 一种器官勾画方法及装置
Wei et al. Automatic recognition of major fissures in human lungs
Banik et al. Landmarking and segmentation of 3D CT images
CN109564685B (zh) 鲁棒的肺叶分割
Gálvez et al. Computational intelligence CSA-based approach for machine-driven calculation of outline curves of cutaneous melanoma
Wei et al. Segmentation of lung lobes in clinical CT images
Narkbuakaew et al. An efficient liver-segmentation system based on a level-set method and consequent processes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 201815 No. 1180 Xingxian Road, Jiading Industrial Zone, Jiading District, Shanghai

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201815 No. 1180 Xingxian Road, Jiading Industrial Zone, Jiading District, Shanghai

Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CP01 Change in the name or title of a patent holder
CP02 Change in the address of a patent holder

Address after: 201807 2258 Chengbei Road, Jiading District, Shanghai

Patentee after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201815 No. 1180 Xingxian Road, Jiading Industrial Zone, Jiading District, Shanghai

Patentee before: Shanghai Lianying Medical Technology Co.,Ltd.

CP02 Change in the address of a patent holder