CN104881875A - 基于先验知识的医学断层图像闭合骨骼轮廓重建方法 - Google Patents
基于先验知识的医学断层图像闭合骨骼轮廓重建方法 Download PDFInfo
- Publication number
- CN104881875A CN104881875A CN201510312364.8A CN201510312364A CN104881875A CN 104881875 A CN104881875 A CN 104881875A CN 201510312364 A CN201510312364 A CN 201510312364A CN 104881875 A CN104881875 A CN 104881875A
- Authority
- CN
- China
- Prior art keywords
- template
- bone
- reference template
- contours
- same type
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于先验知识的医学断层图像闭合骨骼轮廓计算方法,首先对从医学断层图像中提取的骨骼轮廓做预处理,将无多余支线且不出现相交情况的单回路骨骼轮廓作为参考模板,其余为非参考模板;然后,引入同类型骨骼模板概念,通过特征值法在同类型骨骼模板中搜索与参考模板最为匹配的轮廓并建立两者仿射变换,利用非参考模板和参考模板的相邻关系,在同方向找到与非参考模板最为匹配的同类型骨骼模板;最后,将参考模板和同类型骨骼模板作为先验知识补全非参考模板断边并去除不相关轮廓线。该发明对轮廓提取中经常出现的相交、相邻、断边等问题进行分类讨论,大大提高了轮廓提取的质量和效率,对提高三维重建的精确度有重要意义。
Description
技术领域
本发明属于计算机图形技术领域,特别是涉及医学断层图像骨骼三维重建过程中需要提取的骨骼轮廓线。
背景技术
在断层图像的骨骼三维重建过程中,骨骼轮廓识别尤为重要,它直接关系到最后重建结果的精确程度,但由于设备老化、图像噪声、骨骼表面的细小裂纹等因素影响,得到的骨骼轮廓线并不能真实还原其本来面貌。国内外有很多文献致力于寻找更好的方法识别图像轮廓线,如在边缘检测阶段利用自适应方式自动获得高低阈值,以及多种检测技术相融合得到效果最好的边缘轮廓线;在边界提取阶段利用边缘点两侧部分灰度均值作为边缘对比特征识别边缘线走向,或者借助边缘点8领域的平均向量约束自身大小和方向。这些方法都是基于单幅图像边缘线的识别,而由于医学断层图像具有序列性、邻近相似性,同类型骨骼间具有全局相似性,提取的骨骼轮廓具有闭合性等特征,针对医学断层图像的骨骼轮廓识别可以利用相邻层或者已有同类型骨骼共同作为先验知识辅助补全不闭合断边,或者辅助识别闭合有误的轮廓。
利用相邻层或者已有同类型骨骼共同作为先验知识,需要根据特征描述函数找到与当前层最为匹配的同类型骨骼轮廓线。轮廓起始点配准是一种十分有效的方法,通过循环移位即能得到不同轮廓起始点匹配中最相似的一个。仿射变换可以实现特征点图像空间坐标变换,建立当前层与同类型骨骼轮廓线间的对应关系。
发明内容
针对现有技术中存在的上述缺陷和不足,本发明提供了一种基于先验知识的骨骼医学断层图像闭合轮廓重建方法,依据医学断层图像具有序列性、邻近相似性,同类型骨骼间具有全局相似性,提取的骨骼轮廓具有连续性、闭合性等特征;提出了以已有同类型骨骼轮廓、效果较好的单回路轮廓为先验知识辅助,解决其他轮廓线中出现的相交、相邻、断边问题,大大提高了提取的精度和效率。
为了实现上述目的,本发明所采取的技术方案是:
基于先验知识的医学断层图像闭合骨骼轮廓重建方法,包括以下步骤:
首先,将从医学断层图像中提取出的骨骼轮廓做预处理并分类成参考模板和非参考模板,具体过程如下:
步骤S01,读入医学断层图像后,利用Canny方法从读入的医学断层图像中获得骨骼轮廓地图,并结合边界跟踪算法得到每张医学断层图像若干条连续或不连续的骨骼轮廓;
步骤S02,将得到的骨骼轮廓作为目标轮廓,若从目标轮廓中搜索出闭合或闭合性较好的骨骼轮廓,则利用三次样条插值法连接断点得到闭合骨骼轮廓作为预参考模板,否则标记为非参考模板;
步骤S03,去除预参考模板中由于插值产生的多余支线,将单回路预参考模板标记为参考模板,否则标记为非参考模板;
其次,建立非参考模板与同类型骨骼模板的对应关系,具体过程如下:
步骤S04,设定同类型骨骼模板等高线间距,重采样得到闭合骨骼轮廓;
步骤S05,利用特征值法在参考模板和同类型骨骼模板间作相似性判断,从而找到与非参考模板相匹配的同类型骨骼模板;
最后,以参考模板、同类型骨骼模板为先验知识,补全断边并除去非参考模板中不相关的轮廓线,具体过程如下:
步骤S06,对不相关轮廓线进行分类;
步骤S07,利用公共夹角计算出同类型骨骼模板、参考模板中的参考向量以及非参考模板断点的平均向量,并以参考向量和平均向量作为共同约束计算出断点后续点的插值坐标以补全断边;
步骤S08,利用同类型骨骼模板、参考模板中的参考向量作为先验知识去除不相关的骨骼轮廓线;
步骤S09,重复步骤S07到步骤S08直致非参考模板成为单回路闭合骨骼轮廓并将其标记为参考模板。
其中,步骤S02中,闭合的骨骼轮廓是指一条或一组骨骼轮廓均为闭合状态;闭合性较好的骨骼轮廓是指轮廓线存在断点且相邻断点间欧式距离均小于距离阈值T,通过插值得到不失真的闭合骨骼轮廓;预参考模板是指经三次样条插值后形成带有多余支线和多回路的闭合骨骼轮廓;所述非参考模板满足以下两点:①骨骼轮廓不闭合,②骨骼轮廓满足闭合或闭合性较好但经过三次样条插值去除多余支线后,回路数大于1,其中,所述骨骼轮廓不闭合是指骨骼轮廓线存在断点且相邻断点间欧式距离均大于距离阈值T,无法通过插值得到不失真的闭合骨骼轮廓。
步骤S02中,利用三次样条插值法连接断点得到闭合骨骼轮廓的具体过程如下:
步骤S02.1,搜索骨骼轮廓的断点数并记录坐标位置,若无断点则认为是闭合的骨骼轮廓;
步骤S02.2,逐一搜索骨骼轮廓上每个断点的邻域,并判断是否存在其他骨骼轮廓断点,若存在则计算两断点间欧氏距离;
步骤S02.3,给定距离阈值T,若每个相邻断点间欧氏距离均小于距离阈值T,则认为是闭合性较好的骨骼轮廓,利用三次样条插值连接断点;
步骤S02.4,重复步骤S02.1到步骤S02.3直致找到所有能闭合的骨骼轮廓,并将其标记为预参考模板,记录预参考模板编号。
步骤S03中,所述支线分为断边、相交两类,断边是指支线为通路且某一端点为断点,相交是指支线为回路;多余支线是指闭合骨骼轮廓中存在交点,从某一交点出发的分支为断边。
步骤S03中,去除预参考模板中由于插值产生的多余支线,将单回路预参考模板标记为参考模板的具体过程如下:
步骤S03.1,搜索定位预参考模板中存在支线的交点并记录交点的坐标,若定位失败则认为该预参考模板无多余支线,继续步骤S03.3,否则继续步骤S03.2;
步骤S03.2,根据定位方向,跟踪每个交点的每条分支并记录后续顶点,若后续顶点为断点则认为该支线属于断边类,直接将该支线所有顶点值设为0即可去除该断边类多余支线;若后续顶点为另一个交点则认为该支线属于相交类并记录后续顶点坐标;
步骤S03.3,计算预参考模板的回路数并更新交点记录表,将预参考模板中交点数为0且回路数为1的预参考模板标记为参考模板,否则标记为非参考模板;
步骤S03.4,重复步骤S03.1到步骤S03.3,直致从预参考模板中筛选出所有满足条件的参考模板。
步骤S04中,同类型骨骼模板是指与医学断层图像部位相同且经过关节分离后得到已知骨骼数据,并通过等高线重采样得到与医学断层图像等层间距的单回路轮廓线集。
步骤S05的具体过程如下:
步骤S05.1,将参考模板和同类型骨骼模板上的轮廓点利用平均误差最小的方法聚合成非显著特征点,利用阈值T在两模板上保留相同数量的特征点;
步骤S05.2,利用特征值法得到参考模板和同类型骨骼模板匹配的起始点;
步骤S05.3,若获得最佳匹配,则在参考模板的同方向找到与非参考模板的轮廓相匹配的同类型骨骼模板轮廓;否则调整同类型骨骼模板等高线采样起始点,继续步骤S04;
步骤S05.4,以重心为参照,计算参考模板和同类型骨骼模板仿射变换方程,与该同类型骨骼模板相邻的模板,即为与参考模板相邻的非参考模板相匹配的模板;
步骤S05.6,重复步骤S05.1到步骤S05.5,找到所有非参考模板相匹配的同类型骨骼模板。
步骤S06中,不相关轮廓线由以下2类情况组成:①等同于步骤S03提到的相交类,由于机器设备老化、图像噪声、骨骼表面的细小缝隙的因素造成骨骼轮廓出现相交情况;②由于医学断层图像扫描的骨骼数量大于1根,而出现骨骼轮廓相邻情况。
步骤S07中,所述公共夹角用于查询非参考模板和与其相匹配同类型骨骼模板轮廓上的对应点,具体过程如下:
步骤S07.1,令非参考模板和与其相匹配同类型模板骨骼轮廓分别记作A、B,重心坐标分别记作C,C’;
步骤S07.2,计算参考模板和同类型骨骼模板仿射变换方程,将非参考模板和同类型骨骼模板的轮廓A和B重心对齐;
步骤S07.3,轮廓A上的点P到重心C的连线为PC,PC与x轴形成夹角θ;
步骤S07.4,PC或PC延长线与轮廓B相交于点P’,则(P,P’)即为所求点对;
步骤S07.5,按上述方法,计算出参考模板和非参考模板上的对应点对(P,P″);
步骤S07中,利用参考向量和平均向量作为共同约束计算出断点后续点的插值坐标以补全断边的具体过程如下:
a定位至非参考模板断点M,将其与前n个顶点间的向量做距离加权平均,得到平均向量a作为M+1点最可能的方向预估值;
b利用步骤S07.1至步骤S07.5得到的对应点M’和M”,计算参考向量b=M’(M+1)’,c=P”(P+1)”;
c利用平均向量a,参考向量b和c的平均加权结果作为M点后续点M+1的插值方向,重复本步骤直致后续点M+1为非断点;
d重复步骤a和步骤c,直致所有轮廓线断边连接完毕。
步骤S08具体过程如下:
步骤S08.1,若非参考模板中存在交点q,则为相交情况;计算交点q和每个后续点q+1向量值d,利用公共夹角计算同类型骨骼模板中对应点q’到后续点q+1’的向量值e,去除与e方向偏差最大的d;
步骤S08.2,若非参考模板为多回路且无断点则为由于医学断层图像扫描的骨骼数量大于1根,而出现骨骼轮廓相邻情况;计算每个非参考模板重心与参考模板重心之间的距离,去除离参考模板重心最远的非参考模板的轮廓线,余下的非参考模板即为所需骨骼轮廓线。
本发明所达到的有益技术效果:
本发明通过对医学断层图像做预处理,得到无多余支线且不出现相交情况的单回路骨骼轮廓作为参考模板;再引入同类型骨骼模板,通过特征值法在同类型骨骼模板中搜索与参考模板最为匹配的轮廓建立两者仿射变换;利用仿射变换找到与参考模板相邻的非参考模板最为匹配的同类型骨骼模板,将参考模板和同类型骨骼模板作为先验知识补全非参考模板断边并去除不相关轮廓线。该发明应用于医学断层图像三维重建设计中,针对轮廓提取中出现的相交、相邻、断边等问题作分类处理,能大大提高轮廓提取质量,保证三维重建的精确性。
附图说明
图1本发明工作流程示意图;
图2本发明利用Canny算法提取骨骼轮廓过程示意图;
图3本发明中目标轮廓预处理阶段识别闭合/闭合性较好的骨骼轮廓流程图;
图4本发明中目标轮廓预处理阶段三次样本插值示意图;
图5本发明中目标轮廓预处理阶段除去多余支线示意图;
图6本发明中目标轮廓预处理阶段从预参考模板中筛选出参考模板流程示意图;
图7本发明中同类型骨骼模板、非参考模板、参考模板三者关系示意图;
图8本发明中以参考模板为基准对同类型骨骼模板做仿射变换示意图;
图9本发明中以同类型骨骼模板为先验知识去除非参考模板中不相关轮廓线-相交情况示意图;
图10本发明中以同类型骨骼模板为先验知识去除非参考模板中不相关轮廓线-有无用断点的相邻情况示意图;
图11本发明中以同类型骨骼模板、参考模板先验知识对非参考模板做断边补全示意图;
图12本发明中对某个出现断点和不相关轮廓线的非参考模板使用本发明方法后的分部示意图。
具体实施方式
为了能更好的了解本发明的技术特征、技术内容及其达到的技术效果,现将本发明的附图结合实施例进行更详细的说明。
下面结合附图和实施例对本发明专利进一步说明。
如图1所示,本发明提供的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,利用提取效果较好的单回路骨骼轮廓、已有同类型骨骼模板轮廓为先验知识共同引导,自动获取其他医学断层图像闭合骨骼轮廓的过程,包括以下步骤:
首先,将从医学断层图像中提取出的骨骼轮廓做预处理并分类成参考模板和非参考模板,具体过程如下:
步骤S01,读入医学断层图像后,利用Canny方法从读入的医学断层图像中获得骨骼轮廓地图,并结合边界跟踪算法得到每张医学断层图像若干条连续或不连续的骨骼轮廓;如图2所示,①为医学断层图像;②为对医学断层图像设定二值化阈值后,滤除了原图中皮肤、肌肉、血管等像素,保留所有骨骼像素;③为利用Canny边缘检测法得到的骨骼轮廓地图(包括骨骼内层轮廓);④为利用边界跟踪算法得到外层骨骼轮廓,由于原始图像中噪声、骨骼上细小裂缝等因素影响使得提取的骨骼轮廓会出现不连续现象。
步骤S02,将得到的骨骼轮廓作为目标轮廓,若从目标轮廓中搜索出闭合或闭合性较好的骨骼轮廓,则利用三次样条插值法连接断点得到闭合骨骼轮廓作为预参考模板,否则标记为非参考模板;
其中,闭合的骨骼轮廓是指一条或一组骨骼轮廓均为闭合状态;闭合性较好的骨骼轮廓是指轮廓线存在断点且相邻断点间欧式距离均小于距离阈值T,通过插值得到不失真的闭合骨骼轮廓;预参考模板是指经三次样条插值后形成带有多余支线和多回路的闭合骨骼轮廓;所述非参考模板满足以下两点:①骨骼轮廓不闭合,②骨骼轮廓满足闭合或闭合性较好但经过三次样条插值去除多余支线后,回路数大于1,其中,所述骨骼轮廓不闭合是指骨骼轮廓线存在断点且相邻断点间欧式距离均大于距离阈值T,无法通过插值得到不失真的闭合骨骼轮廓。
如图3所示,利用三次样条插值法连接断点得到闭合骨骼轮廓的具体过程如下:
步骤S02.1,搜索骨骼轮廓的断点数并记录坐标位置,若无断点则认为是闭合的骨骼轮廓;
步骤S02.2,逐一搜索骨骼轮廓上每个断点的邻域,并判断是否存在其他骨骼轮廓断点,若存在则计算两断点间欧氏距离;
步骤S02.3,给定距离阈值T,若每个相邻断点间欧氏距离均小于距离阈值T,则认为是闭合性较好的骨骼轮廓,利用三次样条插值连接断点;
步骤S02.4,重复步骤S02.1到步骤S02.3直致找到所有能闭合的骨骼轮廓,并将其标记为预参考模板,记录预参考模板编号。
如图4所示,左图用虚线圆圈显著表示断点间距离满足距离阈值T,可以利用三次样本插值;右图为插值后结果示意图。
如图5所示,左图用3个虚线圆圈表示三次样本插值后出现多余支线;右图为经过去除多余支线后结果示意图。
步骤S03,去除预参考模板中由于插值产生的多余支线,将单回路预参考模板标记为参考模板,否则标记为非参考模板;其中,所述支线分为断边、相交两类,断边是指支线为通路且某一端点为断点,相交是指支线为回路;多余支线是指闭合骨骼轮廓中存在交点,从某一交点出发的分支为断边。
如图6所示,去除预参考模板中由于插值产生的多余支线,将单回路预参考模板标记为参考模板的具体过程如下:
步骤S03.1,搜索定位预参考模板中存在支线的交点并记录交点的坐标,若定位失败则认为该预参考模板无多余支线,继续步骤S03.3,否则继续步骤S03.2;
步骤S03.2,根据定位方向,跟踪每个交点的每条分支并记录后续顶点,若后续顶点为断点则认为该支线属于断边类,直接将该支线所有顶点值设为0即可去除该断边类多余支线;若后续顶点为另一个交点则认为该支线属于相交类并记录后续顶点坐标;
步骤S03.3,计算预参考模板的回路数并更新交点记录表,将预参考模板中交点数为0且回路数为1的预参考模板标记为参考模板,否则标记为非参考模板;
步骤S03.4,重复步骤S03.1到步骤S03.3,直致从预参考模板中筛选出所有满足条件的参考模板。
其次,建立非参考模板与同类型骨骼模板的对应关系,具体过程如下:
步骤S04,设定同类型骨骼模板等高线间距,重采样得到闭合骨骼轮廓;同类型骨骼模板是指与医学断层图像部位相同且经过关节分离后得到已知骨骼数据,并通过等高线重采样得到与医学断层图像等层间距的单回路轮廓线集。如图7所示,描述了同类型骨骼模板、非参考模版、参考模版三者关系。
步骤S05,利用特征值法在参考模板和同类型骨骼模板间作相似性判断,从而找到与非参考模板相匹配的同类型骨骼模板,具体过程如下:
步骤S05.1,将参考模板和同类型骨骼模板上的轮廓点利用平均误差最小的方法聚合成非显著特征点,利用阈值T在两模板上保留相同数量的特征点;
步骤S05.2,利用特征值法得到参考模板和同类型骨骼模板匹配的起始点;
步骤S05.3,若获得最佳匹配,则在参考模板的同方向找到与非参考模板的轮廓相匹配的同类型骨骼模板轮廓;否则调整同类型骨骼模板等高线采样起始点,继续步骤S04;
步骤S05.4,以重心为参照,计算参考模板和同类型骨骼模板仿射变换方程,与该同类型骨骼模板相邻的模板,即为与参考模板相邻的非参考模板相匹配的模板;如图8所示。
步骤S05.6,重复步骤S05.1到步骤S05.5,找到所有非参考模板相匹配的同类型骨骼模板。如图9-图10所示,左上角子图为非参考模板,用虚线圆圈显著表示各种情况不相关轮廓线出现的位置;左下角子图为相邻参考模板;右下角子图为与参考模板匹配的已有同类型骨骼模板;右上角子图即为同方向上的同类型骨骼模板,该模板与左上角子图中的非参考模板最为匹配。
最后,以参考模板、同类型骨骼模板为先验知识,补全断边并除去非参考模板中不相关的轮廓线,具体过程如下:
步骤S06,对不相关轮廓线进行分类;不相关轮廓线由以下2类情况组成:①等同于步骤S03提到的相交类,由于机器设备老化、图像噪声、骨骼表面的细小缝隙的因素造成骨骼轮廓出现相交情况;②由于医学断层图像扫描的骨骼数量大于1根,而出现骨骼轮廓相邻情况。
步骤S07,利用公共夹角计算出同类型骨骼模板、参考模板中的参考向量以及非参考模板断点的平均向量,并以参考向量和平均向量作为共同约束计算出断点后续点的插值坐标以补全断边;
所述公共夹角用于查询非参考模板和与其相匹配同类型骨骼模板轮廓上的对应点,具体过程如下:
步骤S07.1,令非参考模板和与其相匹配同类型模板骨骼轮廓分别记作A、B,重心坐标分别记作C,C’;
步骤S07.2,计算参考模板和同类型骨骼模板仿射变换方程,将非参考模板和同类型骨骼模板的轮廓A和B重心对齐;
步骤S07.3,轮廓A上的点P到重心C的连线为PC,PC与x轴形成夹角θ;
步骤S07.4,PC或PC延长线与轮廓B相交于点P’,则(P,P’)即为所求点对;
步骤S07.5,按上述方法,计算出参考模板和非参考模板上的对应点对(P,P″);
如图11所示,步骤S07中,利用参考向量和平均向量作为共同约束计算出断点后续点的插值坐标以补全断边的具体过程如下:
a定位至非参考模板断点M,将其与前n个顶点间的向量做距离加权平均,得到平均向量a作为M+1点最可能的方向预估值;所述平均向量是指a为断点情况,由于骨骼轮廓具有连续性和平滑性,因此非参考模板断点M的n个前续点的向量对点M的后续点坐标方向具有一定指导意义,可以利用平均向量预估点M+1可能移动方向;
b利用步骤S07.1至步骤S07.5得到的对应点M’和M”,计算参考向量b=M’(M+1)’,c=P”(P+1)”;所述参考向量是指由于同类型骨骼间具有全局相似性、相邻层间骨骼轮廓具有序列性,因此同类型骨骼模板、相邻参考模板中与非参考模板交点/断点P对应点的后续点可作为参考向量用于判别/指导后续点可能移动方向;
c利用平均向量a,参考向量b和c的平均加权结果作为M点后续点M+1的插值方向,重复本步骤直致后续点M+1为非断点;
d重复步骤a和步骤c,直致所有轮廓线断边连接完毕。
步骤S08,利用同类型骨骼模板、参考模板中的参考向量作为先验知识去除不相关的骨骼轮廓线,具体过程如下:
步骤S08.1,若非参考模板中存在交点q,则为相交情况;计算交点q和每个后续点q+1向量值d,利用公共夹角计算同类型骨骼模板中对应点q’到后续点q+1’的向量值e,去除与e方向偏差最大的d;
步骤S08.2,若非参考模板为多回路且无断点则为由于医学断层图像扫描的骨骼数量大于1根,而出现骨骼轮廓相邻情况;计算每个非参考模板重心与参考模板重心之间的距离,去除离参考模板重心最远的非参考模板的轮廓线,余下的非参考模板即为所需骨骼轮廓线。
步骤S09,重复步骤S07到步骤S08直致非参考模板成为单回路闭合骨骼轮廓并将其标记为参考模板。
下面通过本发明方法先对实例做预处理,然后借助先验知识将实例修补成最接近真实轮廓的参考模板的过程。
实施例一:
如图12所示,其中,①经预处理得到个非参考模板,由于实施案例中非参考模板没有交点,但有断点,因此根据仿射变换后得到的最相似同类型骨骼模板以及相邻的参考模板为先验知识,做断边补全操作(结果如图12中②所示)。然后去除断边补全操作产生的多余支线(结果如图12中③所示)。虽然当前轮廓中已经没有断点,但是出现了交点且回路数不为1,仍为非参考模板。因此还要继续执行除去不相关轮廓线操作,根据有交点情况,以最相似的同类型骨骼模板为先验知识除去多余分支;根据无交点无断点情况,以相邻参考模板为先验知识除去多余回路(结果如图12中③所示)。
以上已以较佳实施例公布了本发明,然其并非用以限制本发明,凡采取等同替换或等效变换的方案所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:包括以下步骤:
首先,将从医学断层图像中提取出的骨骼轮廓做预处理并分类成参考模板和非参考模板,具体过程如下:
步骤S01,读入医学断层图像后,利用Canny方法从读入的医学断层图像中获得骨骼轮廓地图,并结合边界跟踪算法得到每张医学断层图像若干条连续或不连续的骨骼轮廓;
步骤S02,将得到的骨骼轮廓作为目标轮廓,若从目标轮廓中搜索出闭合或闭合性较好的骨骼轮廓,则利用三次样条插值法连接断点得到闭合骨骼轮廓作为预参考模板,否则标记为非参考模板;
步骤S03,去除预参考模板中由于插值产生的多余支线,将单回路预参考模板标记为参考模板,否则标记为非参考模板;
其次,建立非参考模板与同类型骨骼模板的对应关系,具体过程如下:
步骤S04,设定同类型骨骼模板等高线间距,重采样得到闭合骨骼轮廓;
步骤S05,利用特征值法在参考模板和同类型骨骼模板间作相似性判断,从而找到与非参考模板相匹配的同类型骨骼模板;
最后,以参考模板、同类型骨骼模板为先验知识,补全断边并除去非参考模板中不相关的轮廓线,具体过程如下:
步骤S06,对不相关轮廓线进行分类;
步骤S07,利用公共夹角计算出同类型骨骼模板、参考模板中的参考向量以及非参考模板断点的平均向量,并以参考向量和平均向量作为共同约束计算出断点后续点的插值坐标以补全断边;
步骤S08,利用同类型骨骼模板、参考模板中的参考向量作为先验知识去除不相关的骨骼轮廓线;
步骤S09,重复步骤S07到步骤S08直致非参考模板成为单回路闭合骨骼轮廓并将其标记为参考模板。
2.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S02中,闭合的骨骼轮廓是指一条或一组骨骼轮廓均为闭合状态;闭合性较好的骨骼轮廓是指轮廓线存在断点且相邻断点间欧式距离均小于距离阈值T,通过插值得到不失真的闭合骨骼轮廓;预参考模板是指经三次样条插值后形成带有多余支线和多回路的闭合骨骼轮廓;所述非参考模板满足以下两点:①骨骼轮廓不闭合,②骨骼轮廓满足闭合或闭合性较好但经过三次样条插值去除多余支线后,回路数大于1,其中,所述骨骼轮廓不闭合是指骨骼轮廓线存在断点且相邻断点间欧式距离均大于距离阈值T,无法通过插值得到不失真的闭合骨骼轮廓。
3.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S02中,利用三次样条插值法连接断点得到闭合骨骼轮廓的具体过程如下:
步骤S02.1,搜索骨骼轮廓的断点数并记录坐标位置,若无断点则认为是闭合的骨骼轮廓;
步骤S02.2,逐一搜索骨骼轮廓上每个断点的邻域,并判断是否存在其他骨骼轮廓断点,若存在则计算两断点间欧氏距离;
步骤S02.3,给定距离阈值T,若每个相邻断点间欧氏距离均小于距离阈值T,则认为是闭合性较好的骨骼轮廓,利用三次样条插值连接断点;
步骤S02.4,重复步骤S02.1到步骤S02.3直致找到所有能闭合的骨骼轮廓,并将其标记为预参考模板,记录预参考模板编号。
4.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S03中,所述支线分为断边、相交两类,断边是指支线为通路且某一端点为断点,相交是指支线为回路;多余支线是指闭合骨骼轮廓中存在交点,从某一交点出发的分支为断边。
5.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S03中,去除预参考模板中由于插值产生的多余支线,将单回路预参考模板标记为参考模板的具体过程如下:
步骤S03.1,搜索定位预参考模板中存在支线的交点并记录交点的坐标,若定位失败则认为该预参考模板无多余支线,继续步骤S03.3,否则继续步骤S03.2;
步骤S03.2,根据定位方向,跟踪每个交点的每条分支并记录后续顶点,若后续顶点为断点则认为该支线属于断边类,直接将该支线所有顶点值设为0即可去除该断边类多余支线;若后续顶点为另一个交点则认为该支线属于相交类并记录后续顶点坐标;
步骤S03.3,计算预参考模板的回路数并更新交点记录表,将预参考模板中交点数为0且回路数为1的预参考模板标记为参考模板,否则标记为非参考模板;
步骤S03.4,重复步骤S03.1到步骤S03.3,直致从预参考模板中筛选出所有满足条件的参考模板。
6.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S04中,同类型骨骼模板是指与医学断层图像部位相同且经过关节分离后得到已知骨骼数据,并通过等高线重采样得到与医学断层图像等层间距的单回路轮廓线集。
7.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S05的具体过程如下:
步骤S05.1,将参考模板和同类型骨骼模板上的轮廓点利用平均误差最小的方法聚合成非显著特征点,利用阈值T在两模板上保留相同数量的特征点;
步骤S05.2,利用特征值法得到参考模板和同类型骨骼模板匹配的起始点;
步骤S05.3,若获得最佳匹配,则在参考模板的同方向找到与非参考模板的轮廓相匹配的同类型骨骼模板轮廓;否则调整同类型骨骼模板等高线采样起始点,继续步骤S04;
步骤S05.4,以重心为参照,计算参考模板和同类型骨骼模板仿射变换方程,与该同类型骨骼模板相邻的模板,即为与参考模板相邻的非参考模板相匹配的模板;
步骤S05.6,重复步骤S05.1到步骤S05.5,找到所有非参考模板相匹配的同类型骨骼模板。
8.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S06中,不相关轮廓线由以下2类情况组成:①等同于步骤S03提到的相交类,由于机器设备老化、图像噪声、骨骼表面的细小缝隙的因素造成骨骼轮廓出现相交情况;②由于医学断层图像扫描的骨骼数量大于1根,而出现骨骼轮廓相邻情况。
9.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S07中,所述公共夹角用于查询非参考模板和与其相匹配同类型骨骼模板轮廓上的对应点,具体过程如下:
步骤S07.1,令非参考模板和与其相匹配同类型模板骨骼轮廓分别记作A、B,重心坐标分别记作C,C’;
步骤S07.2,计算参考模板和同类型骨骼模板仿射变换方程,将非参考模板和同类型骨骼模板的轮廓A和B重心对齐;
步骤S07.3,轮廓A上的点P到重心C的连线为PC,PC与x轴形成夹角θ;
步骤S07.4,PC或PC延长线与轮廓B相交于点P’,则(P,P’)即为所求点对;
步骤S07.5,按上述方法,计算出参考模板和非参考模板上的对应点对(P,P″);
步骤S07中,利用参考向量和平均向量作为共同约束计算出断点后续点的插值坐标以补全断边的具体过程如下:
a定位至非参考模板断点M,将其与前n个顶点间的向量做距离加权平均,得到平均向量a作为M+1点最可能的方向预估值;
b利用步骤S07.1至步骤S07.5得到的对应点M’和M”,计算参考向量b=M’(M+1)’,c=P”(P+1)”;
c利用平均向量a,参考向量b和c的平均加权结果作为M点后续点M+1的插值方向,重复本步骤直致后续点M+1为非断点;
d重复步骤a和步骤c,直致所有轮廓线断边连接完毕。
10.根据权利要求1所述的基于先验知识的医学断层图像闭合骨骼轮廓重建方法,其特征在于:步骤S08具体过程如下:
步骤S08.1,若非参考模板中存在交点q,则为相交情况;计算交点q和每个后续点q+1向量值d,利用公共夹角计算同类型骨骼模板中对应点q’到后续点q+1’的向量值e,去除与e方向偏差最大的d;
步骤S08.2,若非参考模板为多回路且无断点则为由于医学断层图像扫描的骨骼数量大于1根,而出现骨骼轮廓相邻情况;计算每个非参考模板重心与参考模板重心之间的距离,去除离参考模板重心最远的非参考模板的轮廓线,余下的非参考模板即为所需骨骼轮廓线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510312364.8A CN104881875A (zh) | 2015-06-09 | 2015-06-09 | 基于先验知识的医学断层图像闭合骨骼轮廓重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510312364.8A CN104881875A (zh) | 2015-06-09 | 2015-06-09 | 基于先验知识的医学断层图像闭合骨骼轮廓重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104881875A true CN104881875A (zh) | 2015-09-02 |
Family
ID=53949359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510312364.8A Pending CN104881875A (zh) | 2015-06-09 | 2015-06-09 | 基于先验知识的医学断层图像闭合骨骼轮廓重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881875A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993277A (zh) * | 2017-11-28 | 2018-05-04 | 河海大学常州校区 | 基于先验知识的损伤部位人造骨骼修补模型重建方法 |
CN110570523A (zh) * | 2019-09-06 | 2019-12-13 | 河海大学常州校区 | 一种基于高斯过程渐变模型的骨骼医学语义自动提取方法 |
CN105678714B (zh) * | 2016-02-05 | 2020-12-29 | 网易传媒科技(北京)有限公司 | 一种图像处理方法和装置 |
CN113298784A (zh) * | 2021-05-25 | 2021-08-24 | 中南大学 | 基于视角的骨折线提取映射方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050162420A1 (en) * | 2004-01-19 | 2005-07-28 | Fanuc Ltd | Three-dimensional visual sensor |
CN102509338A (zh) * | 2011-09-20 | 2012-06-20 | 北京航空航天大学 | 一种基于轮廓骨架图的视频场景行为生成方法 |
CN103632371A (zh) * | 2013-12-06 | 2014-03-12 | 河海大学常州校区 | 基于兼容性网格分割的骨骼参数计算方法 |
CN104200524A (zh) * | 2014-09-11 | 2014-12-10 | 河海大学常州校区 | 一种面向接骨板设计的三维网格骨骼模型平均化方法 |
CN104809736A (zh) * | 2015-05-12 | 2015-07-29 | 河海大学常州校区 | 基于先验知识的医学断层图像闭合骨骼轮廓计算方法 |
-
2015
- 2015-06-09 CN CN201510312364.8A patent/CN104881875A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050162420A1 (en) * | 2004-01-19 | 2005-07-28 | Fanuc Ltd | Three-dimensional visual sensor |
CN102509338A (zh) * | 2011-09-20 | 2012-06-20 | 北京航空航天大学 | 一种基于轮廓骨架图的视频场景行为生成方法 |
CN103632371A (zh) * | 2013-12-06 | 2014-03-12 | 河海大学常州校区 | 基于兼容性网格分割的骨骼参数计算方法 |
CN104200524A (zh) * | 2014-09-11 | 2014-12-10 | 河海大学常州校区 | 一种面向接骨板设计的三维网格骨骼模型平均化方法 |
CN104809736A (zh) * | 2015-05-12 | 2015-07-29 | 河海大学常州校区 | 基于先验知识的医学断层图像闭合骨骼轮廓计算方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678714B (zh) * | 2016-02-05 | 2020-12-29 | 网易传媒科技(北京)有限公司 | 一种图像处理方法和装置 |
CN107993277A (zh) * | 2017-11-28 | 2018-05-04 | 河海大学常州校区 | 基于先验知识的损伤部位人造骨骼修补模型重建方法 |
CN107993277B (zh) * | 2017-11-28 | 2019-12-17 | 河海大学常州校区 | 基于先验知识的损伤部位人造骨骼修补模型重建方法 |
CN110570523A (zh) * | 2019-09-06 | 2019-12-13 | 河海大学常州校区 | 一种基于高斯过程渐变模型的骨骼医学语义自动提取方法 |
CN110570523B (zh) * | 2019-09-06 | 2022-08-16 | 河海大学常州校区 | 一种基于高斯过程渐变模型的骨骼医学语义自动提取方法 |
CN113298784A (zh) * | 2021-05-25 | 2021-08-24 | 中南大学 | 基于视角的骨折线提取映射方法 |
CN113298784B (zh) * | 2021-05-25 | 2023-03-21 | 中南大学 | 基于视角的骨折线提取映射方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809736A (zh) | 基于先验知识的医学断层图像闭合骨骼轮廓计算方法 | |
CN103729632B (zh) | 一种基于连通区域滤波的圆形Mark点的定位方法 | |
Kim et al. | Adaptive smoothness constraints for efficient stereo matching using texture and edge information | |
US8929602B2 (en) | Component based correspondence matching for reconstructing cables | |
CN102831582B (zh) | 一种微软体感装置深度图像增强方法 | |
Crihalmeanu et al. | Enhancement and registration schemes for matching conjunctival vasculature | |
CN104881875A (zh) | 基于先验知识的医学断层图像闭合骨骼轮廓重建方法 | |
CN109190623B (zh) | 一种识别投影仪品牌和型号的方法 | |
CN104077775A (zh) | 一种结合骨架特征点和形状上下文的形状匹配方法及装置 | |
CN101794384A (zh) | 一种基于人体轮廓图提取与分组运动图查询的投篮动作识别方法 | |
EP3073415B1 (en) | Image processing apparatus and image processing method | |
CN103364410A (zh) | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 | |
CN103700101A (zh) | 一种非刚性脑图像配准方法 | |
CN105160303A (zh) | 基于混合匹配的指纹识别方法 | |
CN104732197A (zh) | 目标线检测设备和方法 | |
CN105975905A (zh) | 一种手指静脉快速识别方法 | |
Gul et al. | Automatic extraction of contour lines from topographic maps | |
CN103942756A (zh) | 一种深度图后处理滤波的方法 | |
CN107993277B (zh) | 基于先验知识的损伤部位人造骨骼修补模型重建方法 | |
Jiang et al. | Range image segmentation: Adaptive grouping of edges into regions | |
CN105069766A (zh) | 一种基于汉字图像轮廓特征描述的碑文修复方法 | |
CN105160300B (zh) | 一种基于水平集分割的文本抽取方法 | |
Cerrolaza et al. | Fully-automatic glottis segmentation with active shape models. | |
Cheng et al. | Understanding depth map progressively: Adaptive distance interval separation for monocular 3d object detection | |
CN105989351B (zh) | 一种指纹图像背景分割的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150902 |