CN105046641A - 从3d计算机断层扫描图像中自动骨盆展开的方法和系统 - Google Patents

Abstract

本发明公开了一种用于从3D计算机断层扫描(CT)图像中自动骨盆展开的方法和系统。接收一幅3D医疗图像，例如3D？CT图像。在3D医疗图像中分割骨盆解剖结构。该3D医疗图像被重新格式化以基于所分割的骨盆解剖结构可视化展开的骨盆。

Description

从3D计算机断层扫描图像中自动骨盆展开的方法和系统

技术领域

本发明涉及盆骨可视化，且更具体的，涉及自动重新格式化3D医疗图像数据以可视化该盆骨。

背景技术

腹部的高分辨率的计算机断层扫描(computedtomography，CT)体积典型地用于诊断盆骨中的异常，例如，骨损或骨折。当前的技术提供具有数百轴向切片的CT体积，并且骨盆的评估会是繁重且易错的任务，因为骨盆的复杂结构通常在体积数据中占据多个切片。为了在CT扫描中检查骨盆，放射线学者必须检视CT体积中的所有轴向切片以寻找骨盆中的异常。典型地，放射线学者在轴向切片中检查一个骨盆图像平均花费14分钟。

发明内容

本发明提供一种用于从3D计算机断层扫描(computedtomography，CT)图像中自动骨盆展开的方法和系统。本发明的实施例自动地检测和分割3DCT图像中的骨盆，且随后通过重新格式化该3DCT图像来展开该骨盆以生成提供骨盆的改进的可视化的新图像。

在一个实施例中，接收一幅3D医疗图像。在该3D医疗图像中分割骨盆解剖结构。该3D医疗图像被基于所分割的骨盆解剖结构重新格式化以可视化展开的骨盆。

附图说明

通过参考下面描述的说明书和附图，本发明的这些或其他优点对于本领域技术人员来说是显而易见的。

图1示出了根据本发明实施例的骨盆展开的示例；

图2示出了根据本发明实施例的自动骨盆展开的方法；

图3示出了使用学习后的统计形状模型的示例骨盆分割结果；

图4示出了根据本发明实施例的使用平的医疗表面展开骨盆的方法；

图5示出了图4的方法的示例性结果；

图6示出了根据本发明实施例的使用拟合至骨盆的网格厚片来展开骨盆的方法；以及

图7是可由实现本发明的计算机的高级框图。

具体实施方式

本发明涉及一种用于从三维(3D)计算机断层扫描(CT)图像自动骨盆展开的方法。这里描述的本发明的实施例提供了自动骨盆展开方法的视觉认识。数字图像通常包括一个或多个对象(或形状)的数字表示。这里经常在识别和操控对象方面描述该对象的数字表示。这种操控是在计算机系统中的存储器或其他电路/硬件中实现的视觉操控。因此，要理解的是本发明实施例可以在计算机系统中使用存储在该计算机系统中的数据实现。

本发明的实施例提供用于盆骨可视化的方法和系统。在3DCT图像中自动检测和分割该骨盆。从所分割的骨盆中提取一个表面，并且在提供骨盆的改进的可视化的重新格式化的图像中展开该表面。例如，骨盆的医疗表面可被提取和展开成二维(2D)图像。图1说明了根据本发明实施例的骨盆展开的示例。如图1中所示，从3DCT图像中提取骨盆的表面102，且表面102被展开成提供了骨盆的改进的可视化的重新格式化图像104。该重新格式化图像104允许放射线学者快速检查该骨盆以分别在肿瘤学或创伤应用中定位转移106和骨折108。

图2示出了根据本发明实施例的一种自动骨盆展开方法。图2中的方法将表示患者骨盆解剖结构的医疗图像数据变换为生成提供骨盆的改进的可视化的重新格式化图像。在步骤202，接收3D医疗图像。在优选的实现方法中，该3D医疗图像是一幅3DCT图像，但是本发明并不限制于此，并且其他成像模态，例如磁共振成像(magneticresonanceimaging，MRI)，也能被使用。该3D医疗图像可直接从图像获取设备接收，例如CT扫描仪。也可以是，通过从计算机系统的内存或存储器中下载存储的3D医疗图像数据来接收该3D医疗图像。

在步骤204，在3D医疗图像中分割骨盆解剖结构。根据各种实现方式，在该3D医疗图像中可以分割该整个骨盆，也可以在该3D医疗图像中分割部分骨盆解剖结构，例如网格厚片(meshslab)。各种分割方式可用于在该3D医疗图像中分割该骨盆解剖结构，包括基于血液的方法，基于图集的方法，和模型拟合(modelfitting)方法。

在一个实施例中，边缘空间学习(marginalspacelearning，MSL)可用于分割3D医疗图像中的盆骨。对于给定的体积I，首先通过检索最优相似性变换参数或姿态参数从该体积中检测骨盆，其中参数包括平移t＝(t_x，t_y，t_z)，方向r＝(r_x，r_y，r_z)，和各向异性缩放比例s＝(s_x，s_y，s_z)。姿态估计任务可通过如下的最大化后验概率制定：

$(\hat{t},\hat{r},\hat{s})=\underset{t,r,s}{\arg \max }P(t,r,s|I)---\left(1\right)$

求解方程(1)直接涉及在九维参数空间中查找，这在实践中计算开销大。因此，可使用有效的推断方案、边缘空间学习(MSL)来将整个查找空间分解为边缘查找空间的系列。基于MSL的3D对象检测利用使用注释训练数据训练的一系列有判别力的分类器来估计3D医疗图像数据中的目标解剖结构的位置、方向和缩放比例。例如，2011年3月29日公布的名为“SystemandMethodforSegmentingChambersofaHeartinaThreeDimensionalImage”的美国专利第7,916,919号详细描述了基于MSL的心室分割方法，其全文通过引用包含于此。为了有效使用MSL定位对象，随着维度的增加，在一系列边缘空间中执行参数估计。因此，MSL的想法不是在全相似性变换空间中直接学习一分类器，而是在边缘空间系列中逐渐学习分类器。随着维度增加，有效的空间区域变得更加受先前边缘空间分类器限制。因此，替代同时查找所有参数，MSL将查找空间分解成通过位置、方向和缩放比例的3D查找的连续估计。也就是，姿态参数的检测分为三步：对象位置估计、位置-方向估计和全相似性变换估计：

$(\hat{t},\hat{r},\hat{s})\≈\underset{t}{\arg \max }P\left(t\right|I),\underset{r}{\arg \max }P\left(r\right|I,\hat{t}),\underset{s}{\arg \max }P\left(s\right|I,\hat{t},\hat{r})---\left(2\right)$

每步之后，仅保留有限数量的最好候选以减小查找空间且加速推论。对于这些步骤中的每个，基于注释训练数据来训练独立的判别分类器。在位置估计步骤中，训练后的位置分类器用于在当前医疗图像数据中检测一组最可能的位置候选。在位置-方向估计步骤中，训练后的位置-方向分类器查找每个位置候选处的数个似然的方向以检测一组最可能的位置-方向候选。在全相似性变换估计步骤中，训练后的位置-方向-缩放比例分类器在每个位置-方向候选处查找数个似然的缩放比例检测一组最可能的位置-方向-范围候选。对于每个判别分类器(位置、位置-方向、位置-方向-范围)，可基于训练数据训练概率提高树(probabilisticboostingtree，PBT)分类器。3DHaar特征可用于训练位置分类器，而可操纵的特征可用于训练位置-方向分类器和位置-方向-缩放比例分类器。一旦通过估计该姿态参数(r，s，t)将代表盆骨边界的网格与3D医疗图像对齐，该网格可使用训练过的边界分类器细化。训练过的边界分类器(例如，PBT分类器)从每个网格顶点沿着法线方向查找在查找范围内最可能在盆骨边界上的点，且调节将网格顶点移至检测到的点。

在另一个实施例中，可使用学习后的统计形状模型将骨盆分割成3D医疗图像。在这个实施例中，骨盆的统计形状模型通过人工分割盆骨构建，包括在一组训练图像中的坐骨、镍铬合金和耻骨。可使用训练过的地标检测器在3D医疗图像中自动检测一组解剖地标，使用主分量分析(principalcomponentanalysis，PCA)，解剖地标可用于将骨盆的统计形状模型拟合至3D医疗图像以初始化3D医疗图像中的骨盆形状。随后，可通过使用随机游走细化对初始化的骨盆形状进行细化来自动地分割骨盆。图3说明了使用学习后的统计形状模型的示例骨盆分割结果。如图3所示，图像300显示了在3DCT图像中检测的解剖地标。图像310显示了在该3DCT图像中的分割后的骨盆312，其是通过使用解剖地标将骨盆的统计形状模型拟合至该3DCT图像初始化骨盆形状和随后使用随机游走细化对该骨盆形状进行细化来分割的。

在另一实施例中，表示部分骨盆解剖结构的网格厚片可在3D医疗图像中被分割。该网格厚片表示骨盆中的表面。网格厚片可跨过骨盆的特定关键点由拟合样条创建，例如，耻骨、髂嵴、髂后上棘、股骨头、坐骨结节和坐骨上的点。在可能的实施方式中，在3D医疗图像中网格厚片可使用基于图像配准方法的图集被分割。该方法利用一个或多个3D体积的数据库和对应的网格厚片。图像配准方法通过确定变形场(deformationfield)配准两个图像，该变形场将一图像变形以将其结构最佳地拟合到另一图像的形状中。离线创建具有人工半自动拟合网格厚片的骨盆图像的集合。尽管这里描述了骨盆图像和对应的网格厚片的数据库，要理解的是，甚至可使用单个的存储的图像。通过在骨盆周围放置操控点且在其之间拟合样条以确保光滑，可在数据库中创建用于每个图像的网格厚片。另一种创建网格厚片的方法是分割骨盆，且随后实现同伦保持疏伐(homotopy-preservingthinning)直到所分割的骨盆网格约简为类平板结构。随后类平板结构被平滑，且延伸至骨盆外部，且用于直接定义一网格。因为明确定义了网格，可满足光滑度和失真约束。

一旦建立了图像和网格厚片的数据库，可在接收的3D医疗图像和数据库中的任意图像间应用可变形的配准。对于数据库中的每个图像可重复此步骤直到图像匹配良好(例如，在数据库图像和所接收的3D医疗图像之间具有最小变形的数据库中的图像)。对应于所选择的数据库图像的网格厚片用于定义3D医疗图像中的网格厚片。该3D医疗图像可作为固定或移动的图像。在移动图像的示例中，该3D医疗图像可被采样至数据库中图像的空间，且该网格重采样可用于变形后的移动图像。在3D医疗图像作为固定图像的示例中，变形场可反过来应用从而数据库中的网格可转换至3D医疗图像的空间。在两个示例中，由配准和网格给定的变形场必须是微分同胚的以确保映射回原始图像并且反之是可能的。

在另一实现方式中，模型拟合方法可用于在3D医疗图像中分割网格厚片。该方法包括在图像中检测关键点，且将数学模型拟合至该关键点。例如，可在3D医疗图像中检测骨盆的解剖地标。例如，可在3D医疗图像中检测耻骨、髂嵴、髂后上棘、股骨头、坐骨结节和坐骨上的点。解剖地标可利用训练过的解剖地标检测器(例如，PBT分类器)自动检测。也可能该地标由用户，例如放射线学者手动检测。一旦这些解剖地标被检测，几何对象，例如锥，可拟合至标志。替选地，样条可拟合至地标使得其位于该骨盆的大部分中。接下来，通过将均匀放置的点加至该网格，该结构被增厚。请注意，必须使用多个样条来定义一个表面。

也可通过首先分割骨盆(例如，使用MSL或统计形状模型分割)和随后执行同伦保持疏伐得到薄板结构来在3D医疗图像中定义网格厚片。该薄板结构的边缘可延伸至刚刚达到骨盆的外边。接下来，该板直接转换成网格，随后增加均匀放置点的层以加厚网格。替选地，几何结构、例如3D锥的部分可拟合至该板。

返回至图2，在步骤206，该3D医疗图像重新格式化至基于分割后的骨盆解剖结构展开骨盆。具体地，骨盆中的表面基于分割后的骨盆解剖结构定义，且该3D医疗图像被重新格式化以展开该表面。该3D医疗图像通过沿着该表面采样且将采样点映射至2D平面或映射至重新格式化的图像体积来重新格式化。例如，采样点可利用薄板样条变形映射至被重新格式化的图像。

图4说明了根据本发明实施例使用平的医疗表面展开骨盆的方法。图4的方法可用在示例实施例中以实现图2中的步骤206。在步骤402，从分割后的骨盆解剖结构中提取平的医疗表面。该平的医疗表面是拟合在所分割的骨盆解剖结构内的2D表面。一旦分割了骨盆网格(例如，使用MSL或基于分割的学习后的统计模型)，该平的医疗表面通过将2D表面拟合在所分割的骨盆网格而被提取，从而最小化从所有网格点至该表面的联合距离。除了拟合该医疗表面以最小化从所有网格点的总距离之外，该表面拟合也可经受平滑性约束，从而获得平滑的医疗表面。图5说明了图4中方法的示例结果。如图5所示，图像500说明了3DCT图像中的所分割的骨盆502，图像510说明了拟合至所分割骨盆的平的医疗表面512。

回到图4，在步骤404，该3D医疗图像被沿着平的医疗表面重采样。具体地，一旦2D平的医疗表面拟合至所分割的骨盆解剖结构，采样3D医疗图像中的与2D平的医疗表面相交的点。在步骤406，通过将沿着3D医疗图像中的平的医疗表面的采样点映射至2D图像来展开该平的医疗表面。根据示例实施方式，薄板样条变形可用于将来自3D医疗图像中的采样点映射至2D图像。这形成提供骨盆的展开平的医疗表面的可视化的2D重新格式化图像。如图5所示，图像520显示了利用薄板样条变形获得的2D重新格式化图像522，其提供了骨盆的展开的医疗表面的可视化。

图6示出了根据本发明实施例的利用拟合至骨盆的网格厚片展开骨盆的方法。图6的方法可用在另一示例实施例中以实现图2中的步骤206。在步骤602，提取网格厚片。该网格厚片是拟合至3D医疗图像中的骨盆解剖结构的3D表面。可以理解的是，网格厚片可在骨盆解剖结构分割步骤中(图2中的步骤204)在3D医疗图像中被直接分割。例如，网格厚片可利用基于图像配准方法的图集或上述的模型拟合方法分割。也可能在图2的步骤204中分割整个骨盆解剖结构的网格(例如，使用MSL或基于统计形状模型的分割)，且该网格厚片从整个骨盆解剖结构的网格中提取。具体地，网格厚片可通过在骨盆网格上执行导致薄板结构的同伦保持疏伐来提取。薄板结构的边缘可延伸至刚刚达到骨盆的外部。接下来，该板可直接转换成网格，随后增加均匀放置点的层以加厚该网格。可选的，几何结构，例如3D锥的部分可拟合至该板。

在步骤604，该3D医疗图像在网格厚片上被重采样。具体地，与3D网格厚片表面相交的3D医疗图像上的点被采样。在步骤606，网格厚片通过将3D医疗图像中的网格厚片上的采样点映射至扁平化的3D体积来展开。扁平化的体积是重新格式化的体积，其包括对应于网格厚片的厚度的少量的切片，且重新格式化体积的每个切片提供该展开的网格厚片的可视化。根据示例实施方式，薄板样条变形可用于将来自该3D医疗图像的采样点映射至重新格式化的、扁平化的体积。

返回图2，在步骤208，输出该重新格式化图像。该重新格式化图像可通过在计算机系统的显示设备上显示重新格式化图像来输出。这将骨盆的展开的部分的可视化提供给用户，例如医师或放射线学者，其允许用户快速诊断异常，例如骨盆中的转移和骨折。该重新格式化图像也可通过将重新格式化图像存储在计算机系统的存储器或储存器中来输出。

上述用于从3D医疗图像的自动骨盆展开的方法可在使用已知的计算机处理器、存储单元、存储设备、计算机软件和其他组件的计算机中实现。图7中示出了这种计算机的高级框图。计算机702包括处理器704，其通过执行定义了这种操作的计算机程序指令来操控计算机702的整体操作。该计算机程序指令可存储在存储设备712(例如，磁盘)中且当期望该计算机程序指令执行时下载至存储器710中。因此，图2、4和6的方法步骤可由存储在存储器710和/或储存器712且被执行该计算机程序指令的处理器704操控的计算机程序指令定义。图像获得设备720，例如CT或MR扫描设备，可连接至计算机702以输入该3D图像(体积)至该计算机702。其可以将该图像获得设备720和该计算机702实现为一个设备。该图像获得设备720和计算机702也可能有线通信或通过网络无线通信。该计算机702也包括一个或多个网络接口706以通过网络与其他设备通信。计算机702也包括使得用户与计算机702交互的其他输入/输出设备708(例如，显示器、键盘、鼠标、扬声器、按钮等)。本领域技术人员将意识到真实计算机的实现也会包括其他组件，且图7是出于说明目的的这样的计算机的部分组件的高级展示。

前述的具体实施方式将被理解为在各方面是说明和举例的，而不是限制性的，且这里描述的本发明的范围不由具体实施方式确定，而根据由专利法许可的全宽度来解释的权利要求确定。可以理解这里示出和描述的实施例仅仅说明了本发明的原理，而本领域技术人员在不脱离本发明的范围和精神的情况下可实现各种修改。本领域技术人员在不脱离本发明的范围和精神的情况下可实现各种其他特征的组合。

Claims (31)

1.一种用于从3D医疗图像中自动骨盆展开的方法，包括：

接收3D医疗图像；

在该3D医疗图像中分割骨盆解剖结构；以及

重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆。

2.如权利要求1所述的方法，其中，重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆包括：

从所分割的骨盆解剖结构中提取平的医疗表面；

沿着3D医疗图像中的平的医疗表面采样点；以及

通过将沿着所述3D医疗图像中的平的医疗表面的采样点映射至2D图像来展开该平的医疗表面。

3.如权利要求2所述的方法，其中，所分割的骨盆结构包括骨盆解剖结构的所分割的网格，而从所分割的骨盆解剖结构中提取平的医疗表面包括：

将2D表面拟合至骨盆解剖结构的所分割的网格以最小化从所分割的网格的所有多个网格点至该2D表面的组合距离。

4.如权利要求2所述的方法，其中，所分割的骨盆解剖结构包括该骨盆解剖结构的所分割的网格，而从所分割的骨盆解剖结构中提取平的医疗表面包括：

在平滑性约束下将2D表面拟合至骨盆解剖结构的所分割的网格以最小化从所分割的网格的所有多个网格点至该2D表面的组合距离。

5.如权利要求2所述的方法，其中，通过将沿着所述3D医疗图像中的平的医疗表面的采样点映射至2D图像来展开该平的医疗表面包括：

使用薄板样条变形将沿着所述3D医疗图像中的平的医疗表面的采样点映射至该2D图像。

6.如权利要求1所述的方法，其中，在该3D医疗图像中分割骨盆解剖结构包括：

使用基于边缘空间学习(MSL)的分割来分割骨盆解剖结构。

7.如权利要求1所述的方法，其中，在该3D医疗图像中分割骨盆解剖结构包括：

在3D医疗图像中检测骨盆的多个解剖地标；

基于检测到的解剖地标，通过将学习后的统计形状模型拟合至该3D医疗图像来检测初始骨盆分割；以及

使用随机游走细化来细化初始骨盆分割。

8.如权利要求1所述的方法，其中，在该3D医疗图像中分割骨盆解剖结构包括：

分割拟合至3D医疗图像中的骨盆的网格厚片。

9.如权利要求1所述的方法，其中，分割拟合至3D医疗图像中的骨盆的网格厚片包括：

将所述3D医疗图像配准于存储的3D医疗图像而导致变形场；以及

通过使用所述变形场将与存储的3D医疗图像关联的存储的网格厚片映射至所述3D医疗图像，来分割所述3D医疗图像中的网格厚片。

10.如权利要求9所述的方法，其中，将所述3D医疗图像配准于存储的3D医疗图像而导致变形场包括：

将所述3D医疗图像与数据库中的多个存储的3D图像中的每个配准而导致多个变形场；以及

选择所述多个存储的3D图像中具有最小变形场的存储的3D图像。

11.如权利要求8所述的方法，其中，分割拟合至所述3D医疗图像中的骨盆的网格厚片包括：

在3D医疗图像中检测多个骨盆地标；以及

将表面拟合在所检测的骨盆地标周围。

12.如权利要求8所述的方法，其中，重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆包括：

采样在3D医疗图像中的网格厚片上点；以及

通过将3D医疗图像中的网格厚片上的采样点映射至扁平化的体积来展开该网格厚片。

13.如权利要求1所述的方法，进一步包括：

显示重新格式化的图像，其提供了展开骨盆的可视化。

14.如权利要求1所述的方法，其中，3D医疗图像是3D计算机断层扫描(CT)图像。

15.一种用于从3D医疗图像中自动骨盆展开的设备，包括：

用于接收3D医疗图像的装置；

用于在3D医疗图像中分割骨盆解剖结构的装置；以及

用于重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆的装置。

16.如权利要求15所述的设备，其中，用于重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆的装置包括：

用于从所分割的骨盆解剖结构中提取平的医疗表面的装置；

用于沿着3D医疗图像中的平的医疗表面采样点的装置；以及

用于通过将沿着3D医疗图像中的平的医疗表面的采样点映射至2D图像来展开该平的医疗表面的装置。

17.如权利要求15所述的设备，其中，用于在3D医疗图像中分割骨盆解剖结构的装置包括：

用于分割拟合至3D医疗图像中的骨盆的网格厚片的装置。

18.如权利要求17所述的设备，其中，用于重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆的装置包括：

用于在3D医疗图像中的网格厚片上采样点的装置；以及

用于通过将3D医疗图像中的网格厚片上的采样点映射至扁平化的体积来展开该网格厚片的装置。

19.如权利要求15所述的设备，进一步包括：

用于显示重新格式化的图像的装置，该重新格式化的图像提供了展开的骨盆的可视化。

20.一种非暂时性计算机可读介质，存储有用于从3D医疗图像中自动骨盆展开的计算机程序指令，该计算机程序指令当在处理器上运行时使得处理器执行操作，包括：

接收3D医疗图像；

在3D医疗图像中分割骨盆解剖结构；以及

重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆。

21.如权利要求20所述的非暂时性计算机可读介质，其中，重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆包括：

从所分割的骨盆解剖结构中提取平的医疗表面；

沿着该3D医疗图像中的平的医疗表面采样点；以及

通过将沿着3D医疗图像中的平的医疗表面的采样点映射至2D图像来展开该平的医疗表面。

22.如权利要求21所述的非暂时性计算机可读介质，其中所分割的骨盆解剖结构包括骨盆解剖结构的所分割的网格，而从所分割的骨盆解剖结构中提取平的医疗表面包括：

将2D表面拟合至骨盆解剖结构的所分割的网格以最小化从该所分割的网格的所有多个网格点至该2D表面的组合距离。

23.如权利要求21所述的非暂时性计算机可读介质，其中，所分割的骨盆解剖结构包括骨盆解剖结构的所分割的网格，而从所分割的骨盆解剖结构中提取平的医疗表面包括：

在平滑性约束下将2D表面拟合至骨盆解剖结构的所分割的网格以最小化从该所分割的网格的所有多个网格点至该2D表面的组合距离。

24.如权利要求21所述的非暂时性计算机可读介质，其中通过将沿着3D医疗图像中的平的医疗表面的采样点映射至2D图像来展开平的医疗表面包括：

使用薄板样条变形将沿着3D医疗图像中的平的医疗表面的采样点映射至该2D图像。

25.如权利要求20所述的非暂时性计算机可读介质，其中在3D医疗图像中分割骨盆解剖结构包括：

使用基于边缘空间学习(MSL)的分割来分割骨盆解剖结构。

26.如权利要求20所述的非暂时性计算机可读介质，其中，在3D医疗图像中分割骨盆解剖结构包括：

在3D医疗图像中检测骨盆的多个解剖地标；

基于检测到的解剖地标，通过将学习后的统计形状模型拟合至3D医疗图像来检测初始骨盆分割；以及

使用随机游走细化来细化初始骨盆分割。

27.如权利要求20所述的非暂时性计算机可读介质，其中在3D医疗图像中分割骨盆解剖结构包括：

分割拟合至3D医疗图像中的骨盆的网格厚片。

28.如权利要求27所述的非暂时性计算机可读介质，其中，分割拟合至3D医疗图像中的骨盆的网格厚片包括：

将所述3D医疗图像配准于存储的3D医疗图像而导致变形场；以及

通过使用所述变形场将与存储的3D医疗图像关联的存储的网格厚片映射至所述3D医疗图像来分割所述3D医疗图像中的网格厚片。

29.如权利要求27所述的非暂时性计算机可读介质，其中分割拟合至3D医疗图像中的骨盆的网格厚片包括：

在3D医疗图像中检测多个骨盆地标；以及

将表面拟合在所检测的骨盆地标周围。

30.如权利要求27所述的非暂时性计算机可读介质，其中重新格式化3D医疗图像以基于所分割的骨盆解剖结构来可视化展开的骨盆包括：

在3D医疗图像中的网格厚片上采样点；以及

通过将3D医疗图像中的网格厚片上的采样点映射至扁平化的体积来展开该网格厚片。

31.如权利要求20所述的非暂时性计算机可读介质，操作进一步包括：

显示重新格式化的图像，其提供了展开的骨盆的可视化。