CN106548476B - 利用医学图像统计肺部三维特征形状方法 - Google Patents
利用医学图像统计肺部三维特征形状方法 Download PDFInfo
- Publication number
- CN106548476B CN106548476B CN201611048576.0A CN201611048576A CN106548476B CN 106548476 B CN106548476 B CN 106548476B CN 201611048576 A CN201611048576 A CN 201611048576A CN 106548476 B CN106548476 B CN 106548476B
- Authority
- CN
- China
- Prior art keywords
- lung
- sample
- image
- data sample
- shape
- 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
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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
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 Processing (AREA)
Abstract
本发明公开了利用医学图像统计肺部三维统计形状方法的构建方法。实施步骤包括:1)提取胸部CT断层图像序列,等方化处理后作为图像样本;2)利用互补区域增长法,对图像中肺部区域进行提取,形成单连通区域,作为体数据样本;3)对体数据样本进行等值面处理形成三角化表面网数据样本;4)利用球面保角映射方法将三角化表面网数据映射到球形参数域;5)利用参照模型和球面保角映射结果,在三角化表面网数据样本上标定特征标记点,形成训练样本;6)利用统计学方法分析训练样本形成统计形状模型。本发明可用于对不同病例或不同时期的肺脏形态变化进行统计。亦可用于构建虚拟肺部形态,分析肺部形变与疾病的关系。
Description
所属技术领域
本发明属于计算机辅助诊断、人体数字化技术领域。设计一种利用胸部CT图像构建肺脏形状模型、统计分析其形状特征变化的方法。可用于对不同病例或不同时期的肺脏形态变化进行统计。亦可用于构建虚拟肺部形态,分析肺部形变与疾病的关系。
背景技术
将人体的解剖图谱数字化、模型化是实现“数字化虚拟人体工程”的目标之一。目前,人体解剖图谱的构建主要采用的数据源为“尸体切片影像数据”。而利用三维断层医学影像建立人体器官的统计形状模型,不仅是实现人体解剖图谱的重要途径,也是计算机辅助诊断(Computer Aided Diagnosis)、计算机辅助手术(Computer Aided Surgery)、计算机辅助导航系统(Computer Assisted Navigation System)等技术的基础。
例如,在医学诊断领域,随着三维医用图像扫描技术的进步,成像解析度和摄影速度都有显著提高。而另一方面随着数据量的急速扩大,由放射线专家手动建立完全的全身解剖图谱变成为一项极为费时的任务。并且,存在诸如精度低,由于人为因素模型构建差异较大等弊端。本发明以肺部为目标,实现从胸部CT图像中自动构建肺脏解剖结构的统计形状模型算法。
发明内容
本发明提出了一种利用胸部CT断层图像自动构建肺脏统计形状模型算法。该方法克服了传统方法中由医师手动标定特征标记点时劳动量大、选取位置不合理等缺点。实现本发明目的技术方案包括下列步骤:
步骤1-1:读入胸部CT图像序列;
步骤1-2:利用线性插值算法对原图像进行等方化处理,得到边长为2mm的体素;
步骤1-3:利用高斯滤波器对图像进行平滑降噪。并利用窗口函数增加图像中肺部区域的对比度;
步骤1-4:利用互补区域增长法在所有图像样本中对肺部区域进行提取,并对肺门边界部分的不正确分割结果进行手动调整,形成体数据样本;
步骤1-5:采用表面等值化处理算法(Marching Cubes)将体数据样本转换为单表面的三角化表面数据样本;
步骤1-6:采用球面保角映射算法将表面数据样本映射到球面参数域。在此参数域中,肺部表面具有相同生理特征的区域得到对应;
步骤1-7:在球面参数域中,根据肺部表面映射后的三角网顶点密度分布情况,构造特征标记点分布模型;
步骤1-8:将特征标记点分布模型中点的位置映射至所有的肺部表面数据样本上。这些特征标记点形成训练样本;
步骤1-9:利用点迭代逼近算法(Iterative Closest Points,ICP)对训练样本的空间位置进行一致化;
步骤1-10:利用主成分分析法(Principal Component Analysis,PCA)求取训练样本集的平均模型以及形状的主要变化成分。
与现有技术相比,本发明的有益效果是:
(1)采用基于球面保角映射技术将肺部表面映射到球面参数域,根据三角网顶点密度分布构造的标记点分布模型中的标记点位置反向映射至所有的肺部表面数据,实现了肺部表面标记点的自动标记。
附图说明
图1:本发明方法的步骤流程框图。
图2:一组CT图像序列。(a)、(b)分别为第80张、第119张断层图像。
图3:(a)、(b)分别为第80张、第119张断层图像经平滑滤波和对比度增强处理后的结果。
图4:(a)、(b)分别为对第80张、第119张断层图像肺部区域边界进行手动修正后的结果。
图5:(a)、(b)分别为利用互补区域增长法对第80张、第119张断层图像分割后得到的左肺的单连通体数据断层图像。
图6:为一例利用Marching Cubes方法处理得到的左肺三角化表面网数据样本。
图7:将一例左肺三角化表面网数据样本,经过球面保角映射获得的球面三角网。
图8:根据图7中球面三角网中顶点密度分布情况,构造的特征标记点分布模型。
图9:将特征标记点分布模型映射至样本球面保角网状表面,并对应至左肺三角网样本的过程。在该图中,以一特征标志点为例,用虚线箭头表示网状表面样本间的对应。左下角子图表示生成的一例左肺训练样本。
图10:由多数个训练样本构成训练样本集。对训练样本集中的数据进行主成分分析(PCA)得到左肺形状的统计形状模型。中间子图为左肺平均形状;四周的子图表示调整形变参数实现的肺部变形表示。
具体实施方式
本发明的流程图如图1所示,程序执行基于“Insight Segmentation andRegistration Toolkit(ITK)”开源程序库。首先读取胸部CT图像序列,利用双线性插值以及重采样算法将图像体素的大小规范为2mm×2mm×2mm。将结果保存为.raw格式三维图像数据样本。对等方化后的图像进行高斯滤波,标准误差sigma=0.9。采用窗口函数,增加图像中肺部区域的对比度。窗口函数将原图像中灰度值范围为[-1200-200]的像素映射到[0,255]范围内。利用ImageJ等画图软件手动修正肺门区域,填充气管区域。步骤2-1:希望获得的体数据样本为二值图像,假设目标区域颜色填充为白色,背景区域填充为黑色,要求目标区域为单连通区域,无空洞,背景区域无其它独立结构,以下利用两次“互补”的区域增长算法(Region Growing)达到此目的:步骤2-2:第一次区域增长算法是将种子点设在关心物体区域内部,运算得到的连通区域作为前景目标区域结果,背景区域中独立结构得到去除;步骤2-3:第二次区域增长算法是在步骤2-2获得图像的基础上,将种子点设在关心物体外部,运算得到的连通区域作为背景区域,结果,前景区域中的空洞结构得到去除。该区域为无空洞的单连通区域,区域内部灰度值为255,背景区域像素值为0。之后,采用Marching Cubes算法对肺部体数据进行等值化处理得到三角化的肺部表面网数据。然后采用球面保角映射算法将三角化的肺部表面网数据映射到球形参数域。球面保角映射算法分为4步:计算球面高斯映射,用相关性理论实现球面的旋转配准。其次,计算球面的Tuette能量,设定迭代结束阈值能量为0.0005。计算球面和谐能量,设定迭代结束阈值能量为0.00001。最后利用莫比乌斯变换和立体投影关系限定球面重心位置为0。在构造“特征标记点分布模型”中,首先利用MeshLab软件生成一个包含80个三角面的球面体。再根据表面样本的球面保角映射面上顶点的密度分布情况剖分80面体的三角形。剖分方法是选择将带剖分三角形单元的三条边的三个中点相连,形成新的三角形。再将刚选择的中点投射到球面上。本发明构建统计模型所需CT图像样本的数量为10例。
在计算效率上提案方法也具有很好的可推广性。实践中,利用通用计算机(CPU:Xeon E5-1607v2,内存:8G)完成一例表面数据配准的执行时间通常少于30[min]。
以上结合附图对本发明专利的具体实施方式作了说明,但这些说明不能被理解为限制了本发明专利的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动都是本发明专利的保护范围。
Claims (5)
1.一种利用医学图像统计肺部三维特征形状方法,其特征在于,所述方法的数据来源于胸部CT图像;针对多组CT图像序列,分别提取肺部区域形成体数据样本;再对体数据样本进行表面离散化处理,形成表面数据样本;在所有的表面数据样本间进行自动的特征标记点选取标定,形成一组训练样本集;最后,利用产生的训练样本集,通过主成分分析运算得到肺部平均形状模型以及形变的主要特征,具体操作步骤如下:
步骤1-1:读入胸部CT图像序列;
步骤1-2:利用线性插值算法对原图像进行等方化处理,得到边长为2mm的体素;
步骤1-3:利用高斯滤波器对图像进行平滑降噪,并利用窗口函数增加图像中肺部区域的对比度;
步骤1-4:利用互补区域增长法在所有图像样本中对肺部区域进行提取,并对肺门边界部分的不正确分割结果进行手动调整,形成体数据样本;
步骤1-5:采用表面等值化处理算法将体数据样本转换为单表面的三角化表面数据样本;
步骤1-6:采用球面保角映射算法将表面数据样本映射到球面参数域,在此参数域中,肺部表面具有相同生理特征的区域得到对应;
步骤1-7:在球面参数域中,根据肺部表面映射后的三角网顶点分布密度情况,构造特征标记点分布模型;
步骤1-8:将特征标记点分布模型中点的位置映射至所有的肺部表面数据样本上,这些特征标记点形成训练样本;
步骤1-9:利用点迭代逼近算法对训练样本的空间位置进行一致化;
步骤1-10:利用主成分分析法求取训练样本集的平均模型以及形状的主要变化成分。
2.根据权利要求1所述利用医学图像统计肺部三维特征形状方法,其特征在于,步骤1-4的具体步骤如下:
步骤2-1:希望获得的体数据样本为二值图像,假设目标区域颜色填充为白色,背景区域填充为黑色,要求目标区域为单连通区域,无空洞,背景区域无其它独立结构,以下利用两次“互补”的区域增长算法达到此目的;
步骤2-2:第一次区域增长算法是将种子点设在关心物体区域内部,运算得到的连通区域作为前景目标区域,结果,背景区域中独立结构得到去除;
步骤2-3:第二次区域增长算法是在步骤2-2获得图像的基础上,将种子点设在关心物体外部,运算得到的连通区域作为背景区域,结果,前景区域中的空洞结构得到去除。
3.根据权利要求1所述利用医学图像统计肺部三维特征形状方法,其特征在于,步骤1-6的具体步骤如下:
步骤3-1:计算网状表面数据集中各样本的球面高斯映射,球心坐标设为坐标原点,半径为1;
步骤3-2:依照各样本的球面高斯映射图对各样本进行旋转配准;
步骤3-3:利用下山法最小化高斯球面的Tuette能量其中分别表示球面三角网上边eus的两个顶点,∑代表球面三角网表面所有三角形的边的集合;
步骤3-4:利用下山法优化球面和谐能量获得网状表面的球面保角映射,其中,α、β分别表示三角网表面样本中三角形单元的边eus的邻角;
步骤3-5:利用莫比乌斯变换关系限制球面保角映射自由度。
4.根据权利要求3所述利用医学图像统计肺部三维特征形状方法,其特征在于,步骤3-2的具体步骤如下:
步骤4-1:计算样本重心和表面各顶点到中心点的平均距离,使其统一解决刚性变换中的平移和缩放系数;
步骤4-2:求取样本的高斯映射球图像;
步骤4-3:利用立体投影映射将高斯映射球映射至有符号的单位圆内;
步骤4-4:利用聚类算法,配准映射到单位圆内的图像,再利用立体投影反变换求出样本空间变换中的旋转系数。
5.根据权利要求1所述利用医学图像统计肺部三维特征形状方法,其特征在于,步骤1-7的具体步骤如下:
步骤5-1:根据步骤1-6将全部表面数据样本映射到统一的球面参数域中;
步骤5-2:在球面参数域中,求取所有表面数据样本的三角单元顶点分布的平均密度;
步骤5-3:绘制正四面体,作为特征标记点分布模型的基本型;
步骤5-4:根据步骤5-2中得到的表面数据样本的三角单元顶点分布数据,利用三角分裂法将步骤5-3中的基本型进行分解;
步骤5-5:将步骤5-4分解后模型的各个顶点重新构成球型表面;
步骤5-6:经过迭代步骤5-4和5-5,构造出特征标记点分布模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611048576.0A CN106548476B (zh) | 2016-11-25 | 2016-11-25 | 利用医学图像统计肺部三维特征形状方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611048576.0A CN106548476B (zh) | 2016-11-25 | 2016-11-25 | 利用医学图像统计肺部三维特征形状方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106548476A CN106548476A (zh) | 2017-03-29 |
CN106548476B true CN106548476B (zh) | 2019-11-12 |
Family
ID=58395572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611048576.0A Active CN106548476B (zh) | 2016-11-25 | 2016-11-25 | 利用医学图像统计肺部三维特征形状方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548476B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493395A (zh) * | 2018-10-31 | 2019-03-19 | 天津大学 | 基于保形变换的开放式电阻抗层析成像图像重建方法 |
CN110211104B (zh) * | 2019-05-23 | 2023-01-06 | 复旦大学 | 一种用于肺部肿块计算机辅助检测的图像分析方法和系统 |
CN111127488B (zh) * | 2019-12-29 | 2022-10-14 | 兰州理工大学 | 一种基于统计形状模型自动构建患者解剖结构模型的方法 |
CN112016572A (zh) * | 2020-09-09 | 2020-12-01 | 北京推想科技有限公司 | 等值面的提取方法及装置、图像绘制方法及装置 |
CN114927203B (zh) * | 2022-06-13 | 2023-02-17 | 上海市胸科医院 | 肺部形变的模拟方法、装置及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332164A (zh) * | 2011-10-31 | 2012-01-25 | 中国科学院自动化研究所 | 一种肾皮质图像分割方法 |
CN102947840A (zh) * | 2010-01-22 | 2013-02-27 | 纽约州立大学研究基金会 | 前列腺可视化和癌症检测的系统和方法 |
CN103489220A (zh) * | 2013-09-27 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 对三维目标建立统计形状模型的方法 |
CN104751437A (zh) * | 2013-12-30 | 2015-07-01 | 蓝网科技有限公司 | 基于胸部ct图像的肺部自动提取方法 |
CN104966276A (zh) * | 2015-06-17 | 2015-10-07 | 北京航空航天大学 | 一种图像视频场景内容的保角映射稀疏表达方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU6634800A (en) * | 1999-08-11 | 2001-03-05 | Case Western Reserve University | Method and apparatus for producing an implant |
US7844087B2 (en) * | 2006-12-19 | 2010-11-30 | Carestream Health, Inc. | Method for segmentation of lesions |
-
2016
- 2016-11-25 CN CN201611048576.0A patent/CN106548476B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102947840A (zh) * | 2010-01-22 | 2013-02-27 | 纽约州立大学研究基金会 | 前列腺可视化和癌症检测的系统和方法 |
CN102332164A (zh) * | 2011-10-31 | 2012-01-25 | 中国科学院自动化研究所 | 一种肾皮质图像分割方法 |
CN103489220A (zh) * | 2013-09-27 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 对三维目标建立统计形状模型的方法 |
CN104751437A (zh) * | 2013-12-30 | 2015-07-01 | 蓝网科技有限公司 | 基于胸部ct图像的肺部自动提取方法 |
CN104966276A (zh) * | 2015-06-17 | 2015-10-07 | 北京航空航天大学 | 一种图像视频场景内容的保角映射稀疏表达方法 |
Non-Patent Citations (2)
Title |
---|
基于球面保角映射理论的表面特征标记点匹配法;汤春明等;《天津工业大学学报》;20160229;第35卷(第1期);54-58 * |
基于粒子滤波器算法的特征标记点匹配;李晓捷等;《计算机工程》;20160229;第42卷(第2期);249-253,265 * |
Also Published As
Publication number | Publication date |
---|---|
CN106548476A (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548476B (zh) | 利用医学图像统计肺部三维特征形状方法 | |
CN110189352B (zh) | 一种基于口腔cbct图像的牙根提取方法 | |
CN109584349B (zh) | 用于渲染材料属性的方法和设备 | |
CN110335358A (zh) | 可变形数字人解剖学模型的个性化变形方法 | |
US20210012492A1 (en) | Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones | |
CN109903396A (zh) | 一种基于曲面参数化的牙齿三维模型自动分割方法 | |
Cheng et al. | A morphing-Based 3D point cloud reconstruction framework for medical image processing | |
CN104240287B (zh) | 一种利用ct图像生成冠脉全景图的方法及系统 | |
GB2505936A (en) | 3D modelling of scanned body | |
Zachow et al. | 3D reconstruction of individual anatomy from medical image data: Segmentation and geometry processing | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN115619773B (zh) | 一种三维牙齿多模态数据配准方法及系统 | |
CN112598649B (zh) | 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法 | |
US11995786B2 (en) | Interactive image editing | |
CN114119872A (zh) | 基于人工智能大数据分析3d打印脊柱内植物的方法 | |
Udupa | 3D imaging: principles and approaches | |
CN108510580A (zh) | 一种椎骨ct图像三维可视化方法 | |
CN107610121A (zh) | 一种肝脏统计形状模型初始位姿设定方法 | |
Badano et al. | The stochastic digital human is now enrolling for in silico imaging trials—methods and tools for generating digital cohorts | |
Fedorov et al. | Tetrahedral mesh generation for non-rigid registration of brain MRI: analysis of the requirements and evaluation of solutions | |
Choi et al. | Automatic initialization active contour model for the segmentation of the chest wall on chest CT | |
Zhuo et al. | Local adaptive segmentation algorithm for 3-D medical image based on robust feature statistics | |
Farinella et al. | Unambiguous Analysis of Woman Breast Shape for Plastic Surgery Outcome Evaluation. | |
Teo et al. | A novel alternative method for 3D visualisation in Parasitology: the construction of a 3D model of a parasite from 2D illustrations. | |
Zhang et al. | An effective approach of teeth segmentation within the 3D cone beam computed tomography image based on deformable surface model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |