CN106056583A - 面向虚拟结肠镜的结肠息肉图像数据处理方法 - Google Patents
面向虚拟结肠镜的结肠息肉图像数据处理方法 Download PDFInfo
- Publication number
- CN106056583A CN106056583A CN201610347934.1A CN201610347934A CN106056583A CN 106056583 A CN106056583 A CN 106056583A CN 201610347934 A CN201610347934 A CN 201610347934A CN 106056583 A CN106056583 A CN 106056583A
- Authority
- CN
- China
- Prior art keywords
- curvature
- line
- seed points
- colon
- contour surface
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30028—Colon; Small intestine
- G06T2207/30032—Colon polyp
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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向虚拟结肠镜的结肠息肉图像数据处理方法,在图形处理器中进行以下步骤:步骤一、采集结肠部位的三维图像数据,并对所述图像数据进行图像预处理,得到结肠壁的拟合等值面曲面,在所述拟合等值面上选取体现结肠息肉特征的W个种子点;步骤二、逐步移动所述种子点并将移动后的种子点影到图像真实等值面上,并形成W条曲率线;步骤三、将每一条所述曲率线进行散播,生成曲率线集合;步骤四、在所述曲率线集合中筛选出体现结肠息肉形状特征的特征曲率线,并将所述特征曲率线绘制到所述拟合等值面上,以突显结肠息肉。本发明解决了现有技术中无法精确描述息肉的整体三维形状特征的技术问题。
Description
技术领域
本发明涉及无创检测技术领域,特别是一种面向虚拟结肠镜的结肠息肉图像数据处理方法。
背景技术
虚拟结肠镜是一种无创检测技术。但是,基于CT或MR图像的虚拟结肠镜检查十分耗时,这就要求使用计算机辅助检测系统对结肠图像数据进行预处理,以减少检查时间。现有的结肠数据预处理方法主要基于图像的标量曲率,只能反映极小区域内的三维形状,无法精确描述息肉的整体三维状特征。并且,标量曲率对数据中的噪声比较敏感,导致最终的检测结果假阳性率很高。
发明内容
针对上述技术问题,本发明中提出了一种面向虚拟结肠镜的结肠息肉图像数据处理方法,该方法使用基于曲率线的方法处理结肠息肉数据,能够对较大尺寸范围内的三维形状进行分析,对结肠息肉的形状特征的概括能力更强。同时,本发明描述的方法,还具有稳定性高、假阳性率低、自动化程度高和适于并行化处理等优点。本发明解决了现有技术中无法精确描述息肉的整体三维状特征的技术问题。
为了实现根据本发明的这些目的和其它优点,提供了一种面向虚拟结肠镜的结肠息肉图像数据处理方法,包括:
在图形处理器中进行以下步骤:
步骤一、采集结肠部位的三维图像数据,并对所述图像数据进行图像预处理,得到结肠壁的拟合等值面曲面,在所述拟合等值面上选取体现结肠息肉特征的W个种子点;
步骤二、逐步移动所述种子点并将移动后的种子点影到图像真实等值面上,连接种子点及其在图像真实等值面上的投影点形成W条曲率线;
步骤三、将每一条所述曲率线进行散播,生成曲率线集合;
步骤四、在所述曲率线集合中筛选出体现结肠息肉形状特征的特征曲率线,并将所述特征曲率线绘制到所述拟合等值面上,以突显结肠息肉。
优选的,所述步骤一中,图形处理器读入结肠部位的CT三维图像f,分割出结肠壁图像,使用Marching Cubes算法计算生成分布结肠壁的所述拟合等值面曲面。
优选的,所述步骤一中,将所述拟合等值面曲面映射到所述三维图像的坐标系中,所述拟合等值面曲面由若干个顶点和边组成,将顶点坐标和顶点序号一一对应。
优选的,所述步骤一中还包括:计算每个顶点的最大主曲率m1和最小主曲率m2,当每个顶点的主曲率满足以下条件时,该顶点作为候选种子点s’:
其中,mmean是该顶点的平均曲率,mmean=(m1+m2)/2,mt是预先选取的阈值,计算候选种子点s’在其邻域半径r范围内所有相邻顶点sx的主曲率,若sx的最大主曲率和最小主曲率符号相反,则将候选种子点s’删除,若sx的最大主曲率和最小主曲率符号相同,则将该候选种子点s’作为种子点s放入堆栈S中。
优选的,所述步骤二中包括以下步骤:
(I)、计算每个种子点s的最大主曲率k1和最小主曲率k2;
(II)、在每一个种子点s对应的真实等值面的切平面上,沿着最大曲率方向逐步移动,其移动步长为L,其定义为其中,ki(i=1,2)是真实等值面的主曲率,εL是设定的阈值;
(III)、对于S中的种子点s,其初始位置为P,该位置处对应的体素灰度值为U1,由图像处理器线程来计算该位置处的梯度向量若U1小于真实等值面的体素灰度值U2,则定义投影向量为若U1大于U2,则
(VI)、将s在切平面上沿着最大主曲率移动后的位置记作P(i),P(i)沿着D的方向逐步移动,每一步移动的步长为d,其中,d定义为d=Lmax/20,在每一步移动之后,重新获取当前位置sm的体素灰度,并记录移动前后的体素灰度分别是i前和i后;
(V)、若(i前-U2)×(i后-U2)<0,则停止移动s,并计算sm在真实等值面上的投影位置P’,
将P’放入堆栈S中,若种子点在切平面上移动的补偿L≤Lmax/100,或使用了四阶Runge-Kutta方法追踪曲率线,则种子点在真实等值面上的投影过程可以忽略,在曲率线追踪停止之前,将投影位置P’作为种子点不断放入堆栈S中,且将投影位置P’作为种子点回到步骤(I),连接在每个种子点s及其相应的若干个投影位置P’形成一条曲率线;
(IV)、当移动后的种子点和其余的曲率线距离小于预设的阈值,或者种子点移动次数达到了预设的上限,则曲率线终止,将堆栈S中的种子点信息存储到图像处理器的共享存储器或显存中。
优选的,所述步骤三中,曲率线散播的具体步骤包括:
步骤A、在已经生成的曲率线集合中任意选取一条曲率线l,选取l上的一个种子点s,真实等值面曲面的切线方向记作T,由g和T定义一个法平面N;
步骤B、定义两个向量V1和V2,V1=T×g,V1=g×T,并开辟两个图像处理器线程t1和t2,t1和t2分别在V1和V2的方向上分别放置两个新增种子点s1和s2,s1和s2到s的距离为ds,
若s1到已有种子点的距离大于预设阈值τ,则将s1放入堆栈S;若s2到已有种子点的距离大于预设阈值τ,则将s2放入堆栈S;不满足条件的新增种子点对应的线程终止计算,其中,ki(i=1,2)是主曲率,ε1是设定值;
步骤C、分别以s1和s2为起始点,重复步骤一和二,生成新的曲率线l1和l2,l1和l2的终止条件为:移动后的种子点和其余的曲率线距离小于预设的阈值vt,或者种子点移动次数达到了预设的上限,其中,vt为
参量ε2是关于ε1的函数,可表达为
步骤D、曲率线l1和l2生成后,删除线程t1和t2,对于l1和l2,在l1和l2上分别选取一个种子点,并重复步骤B和C,生成对应曲率线;使用二叉树结构存储种子点,同一深度的二叉树节点中的种子点在图像处理器中是并行计算的;
步骤E、重复上述步骤D,直至所生成的全部候选种子点到已有种子点的距离小于预设阈值τ,曲率线散播结束,以上步骤全部完成后,生成曲率线集合Ln;然后使用最大曲率,重复以上全部步骤,生成曲率线集合Lm,Lm是所有沿着最大曲率方向生成的曲率线集合,Ln是所有沿着最小曲率方向生成的曲率线集合,Ln和Lm为所有曲率线的集合。
优选的,所述步骤四中,筛选特征曲率线的步骤包括:
步骤I、构造双曲面百分比参数HP,其中,nh是位于双曲面上的曲率线l的种子点,N为曲率线l上的全部种子点,若曲率线l上的种子点位于某一个潜在的双曲面,则其主曲率的符号相反;
步骤J、使用Winding angle表征曲率线的闭合性,记种子点s在移动前后分别记作s-和s+,经过s的切平面记作T,向量s-s在T上的投影向量记作(s-s)',向量ss+在T上的投影向量记作(ss+)',Winding angle是投影向量(s-s)'到(ss+)'的夹角,对筛选后的每条曲率线计算其Winding angle,选择Winding angle最大的若干条曲率线,并且进一步要求曲率线的起点和终点小于预设的距离阈值;
步骤K、计算筛选后的曲率线的平均半径,其定义为曲率线平均中心到曲率线上各种子点的平均距离,取平均曲率大于预设平均曲率阈值rt的曲率线作为特征曲率线。
本发明至少包括以下有益效果:
1、本发明提出的方法,使用曲率线这一向量形式对图像数据进行处理,有效避免了现有方法仅使用标量处理方法对噪声的敏感性,并且降低了对结肠息肉数据处理的假阳性;
2、本发明所提出的方法,通过直接在图像空间中寻找潜在的等值面,可有效避免在Marching cubes算法生成的曲面上计算曲率线所存在的误差,提高了数据处理精度;
3、本发明所提出的方法,可自动处理图像数据,需要的人机交互少,提高了智能化程度;
4、本发明所提出的方法,具有很好的并行性,处理步骤在图像处理器(图形处理器)中并行计算,适合使用图像处理器进行加速,可有效提高处理速度。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的面向虚拟结肠镜的结肠息肉图像数据处理方法的系统处理流程图;
图2为曲率线追踪示意图,图2(A)为等值面上的曲率线追踪图示;图2(B)为初始点在等值面上的投影图示;
图3为种子点移动步长的示意图;
图4为曲率线的散播和投影的示意图;
图5为种子点投影距离的示意图;
图6为基于Winding angle的闭合曲率线筛选的示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本发明所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
本发明的方法不直接用于疾病诊断,而是用于图像数据的处理过程。
如图1-6所示,本发明提供了一种面向虚拟结肠镜的结肠息肉图像数据处理方法,包括图像预处理、曲率线追踪、曲率线散播和曲率线特征选择等4个主要步骤,其各个步骤的计算过程全部在图形处理器图像处理器中进行,所有处理步骤在图像处理器(图形处理器)中并行计算,适合使用图像处理器进行加速,可有效提高处理速度。
其中,步骤一、采集结肠部位的CT三维图像数据f,并将该三维图像数据f读入到图像处理器中,分割出结肠壁图像,使用Marching Cubes算法计算生成分布结肠壁的所述拟合等值面曲面,将所述拟合等值面曲面映射到所述三维图像的坐标系中,所述拟合等值面曲面由若干个顶点和边组成,将顶点坐标和顶点序号一一对应,然后进行曲率线起点选择和筛选,具体操作步骤为:
(1)、计算三角面片任意顶点x的主曲率最大主曲率m1和最小主曲率m2。将拟合等值面曲面划分为若干区域,每一个区域记作Ri(i=1,…,I)。在图像处理器中设置I个block,记作bi;每一个block中包含T个线程r,记作rt(t=1,2,…,T)。每一个线程对应的寄存器中存储当前顶点vj以及与vj存在边连接的顶点坐标,这些顶点记作vx;vx、vx+1以及当前顶点vj构成了若干个三角面片,记作
(11)对于当前顶点vj,首先,每一个线程计算的单位法向量,记作并计算vj的法向量nj,其中,定义为N是以vj作为顶点的三角面片的数量;
(12)计算vj所在曲线的曲率 其中,表示顶点vj和vx组成的向量,表示向量的长度,×是向量乘法。其中,曲线是向量nj和构成的平面与曲面相交所形成的曲线;
(13)计算nj和其他向量(经过顶点vj的边)构成平面和曲面所构成曲线的曲率。其经过vj的所有曲线的曲率构成集合取集合中的最大曲率和最小曲率作为该点vj的主曲率,最大曲率记作最小曲率记作
(14)每一个线程将顶点对应的顶点坐标、最大曲率和最小曲率组成一位数组,放入寄存器中;
(2)确定种子点。其具体步骤为:
(21)每一个线程判断所计算顶点的主曲率,当每个顶点的主曲率满足以下条件时,该顶点作为候选种子点s’:
其中,m1是最大曲率,m2是最小曲率,mmean是该顶点的平均曲率,mmean=(m1+m2)/2,mt是预先选取的阈值,计算候选种子点s’在其邻域半径r范围内所有相邻顶点sx的主曲率,若sx的最大主曲率和最小主曲率符号相反,则将候选种子点s’删除,若sx的最大主曲率和最小主曲率符号相同,则将该候选种子点s’作为种子点s放入堆栈S中,假定这些选取体现结肠息肉特征的种子点有W个,其中,线程数量和候选种子点数量一致;
(22)每一个线程将一个种子点序号和坐标放入局部存储器中,并通过显存将全部种子点的序号和坐标复制到内存中。
步骤二、逐步移动所述种子点并将移动后的种子点影到图像真实等值面上,连接种子点及其在图像真实等值面上的投影点形成W条曲率线;具体包括:
(I)、计算每个种子点s的最大主曲率k1和最小主曲率k2;主曲率k1和k2的大小为k1=-λ1/∥g∥,k2=-λ2/∥g∥。具体计算过程为:每一个图像处理器线程拾取一个种子点s坐标,计算种子点s所在图像灰度曲面的主曲率。其中,g是局部梯度方向,定义为 定义Hessian矩阵H为
旋转H,使H的其中一个坐标轴和g重合。旋转后的H记作Hr,Hr可写为
其中,(g,u,v)是x的局部坐标系。λ1和λ2是二维矩阵Ht的特征值。主曲率k1和k2的方向为λ1和λ2所对应的特征向量的方向。其中,可以使用线性插值的方法计算局部梯度,也可以使用三次插值方法;
(II)、在每一个种子点s对应的真实等值面的切平面上,图像处理器线程中的s在uv平面上沿着最大曲率方向逐步移动,其移动步长为L,其定义为其中,ki(i=1,2)是真实等值面的主曲率,εL是设定的阈值;一般情况下,L=Lmax/10;同时,我们进一步限定L不得超过0.3毫米;Lmax是三维体素中最长对角线的长度;种子点的在切方向上的移动过程可参见附图2(A),L和εL的关系如图3所示;
(III)、对于S中的种子点s,其初始位置为P,该位置处对应的体素灰度值为U1,由图像处理器线程来计算该位置处的梯度向量若U1小于真实等值面的体素灰度值U2,则定义投影向量为若U1大于U2,则
(VI)、将s在切平面上沿着最大主曲率移动后的位置记作P(i),P(i)沿着D的方向逐步移动,每一步移动的步长为d,其中,d定义为d=Lmax/20,在每一步移动之后,重新获取当前位置sm的体素灰度,并记录移动前后的体素灰度分别是i前和i后;
(V)、若(i前-U2)×(i后-U2)<0,则停止移动s,并计算sm在真实等值面上的投影位置P’,
将P’放入堆栈S中,若种子点在切平面上移动的补偿L≤Lmax/100,或使用了四阶Runge-Kutta方法追踪曲率线,则种子点在真实等值面上的投影过程可以忽略,在曲率线追踪停止之前,将投影位置P’作为种子点不断放入堆栈S中,且将投影位置P’作为种子点回到步骤(I),连接在每个种子点s及其相应的若干个投影位置P’形成一条曲率线;
(IV)、当移动后的种子点和其余的曲率线距离小于预设的阈值,或者种子点移动次数达到了预设的上限,则曲率线终止,最终形成W条曲率线,将堆栈S中的种子点信息存储到图像处理器的共享存储器或显存中。种子点在图像等值面的投影过程可参见图2(B)。
步骤三、将每一条所述曲率线进行散播,生成曲率线集合。曲率线散播的具体步骤包括:
步骤A、在已经生成的曲率线集合中任意选取一条曲率线l,选取l上的一个种子点s,真实等值面曲面的切线方向记作T,由g和T定义一个法平面N;如图4中的虚线框所示;
步骤B、定义两个向量V1和V2,V1=T×g,V1=g×T,并开辟两个图像处理器线程t1和t2,t1和t2分别在V1和V2的方向上分别放置两个新增种子点s1和s2,s1和s2到s的距离为ds,
若s1到已有种子点的距离大于预设阈值τ,则将s1放入堆栈S;若s2到已有种子点的距离大于预设阈值τ,则将s2放入堆栈S;不满足条件的新增种子点对应的线程终止计算,其中,ki(i=1,2)是主曲率,ε1是设定值;一般情况下,ε1=Lmax/10是一个最优选择;
步骤C、分别以s1和s2为起始点,重复步骤一和二,生成新的曲率线l1和l2,l1和l2的终止条件为:移动后的种子点和其余的曲率线距离小于预设的阈值vt,或者种子点移动次数达到了预设的上限,其中,vt为
参量ε2是关于ε1的函数,可表达为
步骤D、曲率线l1和l2生成后,删除线程t1和t2,对于l1和l2,在l1和l2上分别选取一个种子点,并重复步骤B和C,生成对应曲率线;候选种子点数量=2×新生成曲率线数量;使用二叉树结构存储种子点,同一深度的二叉树节点中的种子点在图像处理器中是并行计算的;
步骤E、重复上述步骤D,直至所生成的全部候选种子点到已有种子点的距离小于预设阈值τ,曲率线散播结束,以上步骤全部完成后,生成曲率线集合Ln;然后使用最大曲率,重复以上全部步骤,生成曲率线集合Lm,Lm是所有沿着最大曲率方向生成的曲率线集合,Ln是所有沿着最小曲率方向生成的曲率线集合,Ln和Lm为所有曲率线的集合。
步骤四、在所述曲率线集合中筛选出体现结肠息肉形状特征的特征曲率线,并将所述特征曲率线绘制到所述拟合等值面上,以突显结肠息肉。筛选特征曲率线的步骤包括:
步骤I、为了有效筛选位于结肠息肉,构造双曲面百分比参数HP,其中,nh是位于双曲面上的曲率线l的种子点,N为曲率线l上的全部种子点,若曲率线l上的种子点位于某一个潜在的双曲面,则其主曲率的符号相反;在曲率线选择时,一般选择HP最大的3~5条曲率线。同时,要求被选择的曲率线的HP需大于50%;
步骤J、使用Winding angle表征曲率线的闭合性,记种子点s在移动前后分别记作s-和s+,经过s的切平面记作T,向量s-s在T上的投影向量记作(s-s)',向量ss+在T上的投影向量记作(ss+)',Winding angle是投影向量(s-s)'到(ss+)'的夹角,如图6所示,对筛选后的每条曲率线计算其Winding angle,选择Winding angle最大的若干条曲率线,并且进一步要求曲率线的起点和终点小于预设的距离阈值;通过直接在图像空间中寻找潜在的等值面,可有效避免在Marching cubes算法生成的曲面上计算曲率线所存在的误差,提高了数据处理精度;
步骤K、计算筛选后的曲率线的平均半径,其定义为曲率线平均中心到曲率线上各种子点的平均距离,取平均曲率大于预设平均曲率阈值rt的曲率线作为特征曲率线,一般情况下,rt等于5毫米,最后将所述特征曲率线绘制到所述拟合等值面上,以突显结肠息肉。
由上所述,本发明提出的方法,使用曲率线这一向量形式对图像数据进行处理,有效避免了现有方法仅使用标量处理方法对噪声的敏感性,并且降低了对结肠息肉数据处理的假阳性;同时,通过直接在图像空间中寻找潜在的等值面,可有效避免在Marching cubes算法生成的曲面上计算曲率线所存在的误差,提高了数据处理精度;并且,本发明的方法可自动处理图像数据,需要的人机交互少,提高了智能化程度;进一步的,本发明所提出的方法,具有很好的并行性,处理步骤在图像处理器(图形处理器)中并行计算,适合使用图像处理器进行加速,可有效提高处理速度。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (7)
1.一种面向虚拟结肠镜的结肠息肉图像数据处理方法,其特征在于,在图形处理器中进行以下步骤:
步骤一、采集结肠部位的三维图像数据,并对所述图像数据进行图像预处理,得到结肠壁的拟合等值面曲面,在所述拟合等值面上选取体现结肠息肉特征的W个种子点;
步骤二、逐步移动所述种子点并将移动后的种子点影到图像真实等值面上,连接种子点及其在图像真实等值面上的投影点形成W条曲率线;
步骤三、将每一条所述曲率线进行散播,生成曲率线集合;
步骤四、在所述曲率线集合中筛选出体现结肠息肉形状特征的特征曲率线,并将所述特征曲率线绘制到所述拟合等值面上,以突显结肠息肉。
2.如权利要求1所述的面向虚拟结肠镜的结肠息肉图像数据处理方法,其特征在于,所述步骤一中,图形处理器读入结肠部位的CT三维图像f,分割出结肠壁图像,使用MarchingCubes算法计算生成分布结肠壁的所述拟合等值面曲面。
3.如权利要求2所述的面向虚拟结肠镜的结肠息肉图像数据处理方法,其特征在于,所述步骤一中,将所述拟合等值面曲面映射到所述三维图像的坐标系中,所述拟合等值面曲面由若干个顶点和边组成,将顶点坐标和顶点序号一一对应。
4.如权利要求3所述的面向虚拟结肠镜的结肠息肉图像数据处理方法,其特征在于,所述步骤一中还包括:计算每个顶点的最大主曲率m1和最小主曲率m2,当每个顶点的主曲率满足以下条件时,该顶点作为候选种子点s’:
其中,mmean是该顶点的平均曲率,mmean=(m1+m2)/2,mt是预先选取的阈值,计算候选种子点s’在其邻域半径r范围内所有相邻顶点sx的主曲率,若sx的最大主曲率和最小主曲率符号相反,则将候选种子点s’删除,若sx的最大主曲率和最小主曲率符号相同,则将该候选种子点s’作为种子点s放入堆栈S中。
5.如权利要求4所述的面向虚拟结肠镜的结肠息肉图像数据处理方法,其特征在于,所述步骤二中包括以下步骤:
(I)、计算每个种子点s的最大主曲率k1和最小主曲率k2;
(II)、在每一个种子点s对应的真实等值面的切平面上,沿着最大曲率方向逐步移动,其移动步长为L,其定义为其中,ki(i=1,2)是真实等值面的主曲率,εL是设定的阈值;
(III)、对于S中的种子点s,其初始位置为P,该位置处对应的体素灰度值为U1,由图像处理器线程来计算该位置处的梯度向量若U1小于真实等值面的体素灰度值U2,则定义投影向量为若U1大于U2,则
(VI)、将s在切平面上沿着最大主曲率移动后的位置记作P(i),P(i)沿着D的方向逐步移动,每一步移动的步长为d,其中,d定义为d=Lmax/20,在每一步移动之后,重新获取当前位置sm的体素灰度,并记录移动前后的体素灰度分别是i前和i后;
(V)、若(i前-U2)×(i后-U2)<0,则停止移动s,并计算sm在真实等值面上的投影位置P’,
将P’放入堆栈S中,若种子点在切平面上移动的补偿L≤Lmax/100,或使用了四阶Runge-Kutta方法追踪曲率线,则种子点在真实等值面上的投影过程可以忽略,在曲率线追踪停止之前,将投影位置P’作为种子点不断放入堆栈S中,且将投影位置P’作为种子点回到步骤(I),连接在每个种子点s及其相应的若干个投影位置P’形成一条曲率线;
(IV)、当移动后的种子点和其余的曲率线距离小于预设的阈值,或者种子点移动次数达到了预设的上限,则曲率线终止,将堆栈S中的种子点信息存储到图像处理器的共享存储器或显存中。
6.如权利要求5所述的面向虚拟结肠镜的结肠息肉图像数据处理方法,其特征在于,所述步骤三中,曲率线散播的具体步骤包括:
步骤A、在已经生成的曲率线集合中任意选取一条曲率线l,选取l上的一个种子点s,真实等值面曲面的切线方向记作T,由g和T定义一个法平面N;
步骤B、定义两个向量V1和V2,V1=T×g,V1=g×T,并开辟两个图像处理器线程t1和t2,t1和t2分别在V1和V2的方向上分别放置两个新增种子点s1和s2,s1和s2到s的距离为ds,
若s1到已有种子点的距离大于预设阈值τ,则将s1放入堆栈S;若s2到已有种子点的距离大于预设阈值τ,则将s2放入堆栈S;不满足条件的新增种子点对应的线程终止计算,其中,ki(i=1,2)是主曲率,ε1是设定值;
步骤C、分别以s1和s2为起始点,重复步骤一和二,生成新的曲率线l1和l2,l1和l2的终止条件为:移动后的种子点和其余的曲率线距离小于预设的阈值vt,或者种子点移动次数达到了预设的上限,其中,vt为
参量ε2是关于ε1的函数,可表达为
步骤D、曲率线l1和l2生成后,删除线程t1和t2,对于l1和l2,在l1和l2上分别选取一个种子点,并重复步骤B和C,生成对应曲率线;使用二叉树结构存储种子点,同一深度的二叉树节点中的种子点在图像处理器中是并行计算的;
步骤E、重复上述步骤D,直至所生成的全部候选种子点到已有种子点的距离小于预设阈值τ,曲率线散播结束,以上步骤全部完成后,生成曲率线集合Ln;然后使用最大曲率,重复以上全部步骤,生成曲率线集合Lm,Lm是所有沿着最大曲率方向生成的曲率线集合,Ln是所有沿着最小曲率方向生成的曲率线集合,Ln和Lm为所有曲率线的集合。
7.如权利要求6所述的面向虚拟结肠镜的结肠息肉图像数据处理方法,其特征在于,所述步骤四中,筛选特征曲率线的步骤包括:
步骤I、构造双曲面百分比参数HP,其中,nh是位于双曲面上的曲率线l的种子点,N为曲率线l上的全部种子点,若曲率线l上的种子点位于某一个潜在的双曲面,则其主曲率的符号相反;
步骤J、使用Winding angle表征曲率线的闭合性,记种子点s在移动前后分别记作s-和s+,经过s的切平面记作T,向量s-s在T上的投影向量记作(s-s)',向量ss+在T上的投影向量记作(ss+)',Winding angle是投影向量(s-s)'到(ss+)'的夹角,对筛选后的每条曲率线计算其Winding angle,选择Winding angle最大的若干条曲率线,并且进一步要求曲率线的起点和终点小于预设的距离阈值;
步骤K、计算筛选后的曲率线的平均半径,其定义为曲率线平均中心到曲率线上各种子点的平均距离,取平均曲率大于预设平均曲率阈值rt的曲率线作为特征曲率线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610347934.1A CN106056583A (zh) | 2016-05-24 | 2016-05-24 | 面向虚拟结肠镜的结肠息肉图像数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610347934.1A CN106056583A (zh) | 2016-05-24 | 2016-05-24 | 面向虚拟结肠镜的结肠息肉图像数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106056583A true CN106056583A (zh) | 2016-10-26 |
Family
ID=57175186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610347934.1A Pending CN106056583A (zh) | 2016-05-24 | 2016-05-24 | 面向虚拟结肠镜的结肠息肉图像数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056583A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598716A (zh) * | 2018-12-05 | 2019-04-09 | 上海珍灵医疗科技有限公司 | 基于计算机视觉的肠镜退镜速度实时监测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003058553A2 (en) * | 2001-12-27 | 2003-07-17 | The Government Of The United States Of America, As Represented By The Secretary Of The Department Of Health And Human Services | Automated centerline detection algorithm for colon-like 3d surfaces |
CN101014977A (zh) * | 2004-06-23 | 2007-08-08 | 医学视像上市公司 | 病变边界检测 |
CN101404085A (zh) * | 2008-10-07 | 2009-04-08 | 华南师范大学 | 交互式三维体分割序列图像的分割方法及其应用 |
-
2016
- 2016-05-24 CN CN201610347934.1A patent/CN106056583A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003058553A2 (en) * | 2001-12-27 | 2003-07-17 | The Government Of The United States Of America, As Represented By The Secretary Of The Department Of Health And Human Services | Automated centerline detection algorithm for colon-like 3d surfaces |
CN101014977A (zh) * | 2004-06-23 | 2007-08-08 | 医学视像上市公司 | 病变边界检测 |
CN101404085A (zh) * | 2008-10-07 | 2009-04-08 | 华南师范大学 | 交互式三维体分割序列图像的分割方法及其应用 |
Non-Patent Citations (2)
Title |
---|
LINGXIAO ZHAO 等: "Lines of Curvature for Polyp Detection in Virtual Colonoscopy", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
刘云伍: "基于VTK的医学图像三维重建及可视化研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598716A (zh) * | 2018-12-05 | 2019-04-09 | 上海珍灵医疗科技有限公司 | 基于计算机视觉的肠镜退镜速度实时监测方法和系统 |
CN109598716B (zh) * | 2018-12-05 | 2020-08-07 | 武汉楚精灵医疗科技有限公司 | 基于计算机视觉的肠镜退镜速度实时监测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Local implicit grid representations for 3d scenes | |
CN104268934B (zh) | 一种由点云直接重建三维曲面的方法 | |
WO2015139574A1 (zh) | 一种静态物体重建方法和系统 | |
CN104361632B (zh) | 一种基于Hermite径向基函数的三角网格补洞方法 | |
CN111160085A (zh) | 一种人体图像关键点姿态估计方法 | |
CN110021069A (zh) | 一种基于网格形变的三维模型重建方法 | |
CN111242852A (zh) | 边界感知对象移除和内容填充 | |
CN110378997A (zh) | 一种基于orb-slam2的动态场景建图与定位方法 | |
CN110020996A (zh) | 一种基于先验知识约束的图像修复方法、系统以及计算机设备 | |
EP4096569A1 (en) | Teeth segmentation using neural networks | |
CN112686097A (zh) | 一种人体图像关键点姿态估计方法 | |
Zhang et al. | Critical regularizations for neural surface reconstruction in the wild | |
CN103646421A (zh) | 基于增强型PyrLK光流法的树木轻量化3D重建方法 | |
WO2024060395A1 (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN110310220A (zh) | 一种半全局实时立体匹配方法 | |
Liu et al. | High-quality textured 3D shape reconstruction with cascaded fully convolutional networks | |
CN109948575A (zh) | 超声图像中眼球区域分割方法 | |
Liu et al. | Fine-grained multilevel fusion for anti-occlusion monocular 3d object detection | |
Qian et al. | Automatic polyp detection by combining conditional generative adversarial network and modified you-only-look-once | |
CN114758152A (zh) | 一种基于注意力机制和邻域一致性的特征匹配方法 | |
CN107123138A (zh) | 基于vanilla‑R点对剔除策略的点云配准算法 | |
Pan et al. | One-shot view planning for fast and complete unknown object reconstruction | |
CN106056583A (zh) | 面向虚拟结肠镜的结肠息肉图像数据处理方法 | |
Chen et al. | Structure guided texture inpainting through multi-scale patches and global optimization for image completion | |
CN102663958A (zh) | 一种顾及拓扑关系的大规模矢量地图快速综合的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20161026 |