CN106600683B - 一种面向骨骼ct序列图像的网格模型自适应重建方法 - Google Patents
一种面向骨骼ct序列图像的网格模型自适应重建方法 Download PDFInfo
- Publication number
- CN106600683B CN106600683B CN201611069493.XA CN201611069493A CN106600683B CN 106600683 B CN106600683 B CN 106600683B CN 201611069493 A CN201611069493 A CN 201611069493A CN 106600683 B CN106600683 B CN 106600683B
- Authority
- CN
- China
- Prior art keywords
- bone
- pel
- adaptive
- dimensional
- sampling
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 64
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000009499 grossing Methods 0.000 abstract description 3
- 230000007704 transition Effects 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract description 2
- 239000002356 single layer Substances 0.000 description 4
- 239000010410 layer Substances 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004215 lattice model Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30008—Bone
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种面向骨骼CT序列图像的网格模型自适应重建方法，包括下述步骤：依次提取每层CT图像中骨骼的二维轮廓数据；将形成的多层二维轮廓数据集转化为带有法向量的三维点云；构建骨骼模型的隐式曲面；对骨骼隐式曲面进行自适应图元采样；对自适应图元集进行三角化，形成骨骼网格模型。本发明可以避免在骨骼模型中生成大量冗余的三角网格和狭长三角网格，可以根据骨骼表面的曲率自适应重建高质量的三角网格模型，同时不同尺寸的三角网格之间合理过渡，网格光顺效果好，在数字骨科学领域具有重要的应用价值。
Description
技术领域
本发明涉及图像处理，尤其涉及一种面向骨骼CT序列图像的网格模型自适应重建方法。
背景技术
CT扫描作为一种X射线计算机体层成像技术，可以无损且准确的获取活体内部组织器官的影像。在骨骼临床应用中，能否准确重建骨骼的三维网格模型直接关系到后续的骨骼计算机辅助制造、骨骼的有限元分析及3D打印效果。目前将骨骼CT序列图像重建为网格模型的方法主要有：移动立方体算法(Marching Cubes)和基于轮廓集直接三角化的方法。移动立方体算法是逐个处理CT体数据场中的体素，以三角形面片来逼近体素内部的等值面，由于能够产生体素量级的网格，使得骨骼网格模型包含大量的冗余网格，严重影响骨骼生物力学中有限元体网格划分。基于轮廓集直接三角化的方法是通过直接连接相邻轮廓线，从而形成分段的三角网格，然后依次连接所有相邻的轮廓之间的三角网格，最终生成整体的三角网格模型，但是当相邻轮廓有多条轮廓线需要重建时，会出现分支和多元匹配问题，尤其在重建复杂骨骼模型时就会出现拓扑连接错误，同时重建的网格模型含有大量的狭长三角网格，并且不同尺寸的三角网格之间不能合理过渡，表面光顺效果差。
另外，上述两种方法都不能根据骨骼表面曲率特征对网格进行自适应划分，在低曲率表面区域生成了大量小尺寸三角网格，在高曲率表面区域不能进行局部加密网格，不能有效保证网格的离散精度和网格质量，严重影响后续的分析和使用。因此如何利用骨骼表面的曲率自适应重建高质量的三角网格模型，是当前急需解决的问题。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种面向骨骼CT序列图像的网格模型自适应重建方法。
技术方案：本发明所述的面向骨骼CT序列图像的网格模型自适应重建方法包括：
(1)依次提取每层骨骼CT序列图像中骨骼的二维轮廓数据；
(2)将形成的二维轮廓数据集转化为带有法向量的三维点云；
(3)根据三维点云构建骨骼模型的隐式曲面；
(4)对骨骼隐式曲面进行自适应图元采样；
(5)对采集的自适应图元集进行三角化，形成骨骼网格模型。
其中，步骤(1)具体包括：
依次提取每层骨骼CT序列图像中骨骼的轮廓边缘、细化、连接、轮廓追踪，获取单像素封闭的骨骼二维轮廓，形成二维轮廓数据集。
其中，步骤(2)具体包括：
(2-1)对二维轮廓数据集中每层二维轮廓的内部图像进行边缘填充，以轮廓边缘为约束，对轮廓边缘内部连通区域进行八向连通填充为白色，轮廓外部边缘连通区域填充为黑色，形成轮廓二值图像；
(2-2)对多层轮廓二值图像的序列形成的三维体素集V进行三维高斯滤波，得到滤波后的体素集V'；
(2-3)使用空间Prewitt算子计算二维轮廓的像素点所在的体素位置处的梯度；
(2-4)通过二维轮廓像素点所在的体素位置梯度计算出二维轮廓像素点的单位法向量；
(2-5)依次提取每层图像的像素空间位置pi(x,y,z)，得到三维点云数据P。
其中，步骤(3)具体包括：
(3-1)使用kd-tree把三维点云数据P分解为m个局部子区域，在每个局部子区域上建立局部隐式曲面；
(3-2)使用加权函数将局部隐式曲面进行拼接，形成完整的隐式曲面。
其中，步骤(4)具体包括：
(4-1)对骨骼的隐式曲面进行图元采样，并计算所有采样图元的高斯曲率；
(4-2)利用高斯曲率，使采样图元在骨骼表面自适应分布，得到自适应图元。
其中，步骤(5)具体包括：
(5-1)计算每个自适应图元对应的法向量；
(5-2)根据法向量，使用Delaunay三角剖分对自适应图元集进行三角化，形成自适应分布的骨骼三角网格模型。
有益效果：本发明与现有技术相比，其显著优点是：本发明提出的面向骨骼CT序列图像的网格模型自适应重建方法，根据骨骼表面曲率大小生成不同尺寸的三角网格，在低曲率表面区域生成稀疏的大尺寸三角网格，在高曲率表面区域生成密集的小尺寸三角网格，这样能够更好的表达骨骼局部细节特征，并且不同尺寸的三角网格之间能合理过渡，表面光顺效果好，同时避免了骨骼模型中生成大量冗余的三角网格和狭长三角网格，能有效保证网格的离散精度和网格质量。
附图说明
图1是本发明的方法流程示意图；
图2是多层骨骼CT序列图像；
图3是单层骨骼CT图像；
图4是单层骨骼CT图像的二维轮廓；
图5是单层骨骼轮廓的二值图像；
图6是骨骼的三维点云模型；
图7是骨骼隐式曲面的自适应图元采样；
图8是重建的骨骼的三角网格模型。
具体实施方式
图1是骨骼CT序列图像自适应重建网格模型的方法流程图，如图所示：本实施例包括如下步骤：
S1：骨骼的多层CT序列图像，如图2所示，依次提取每个单层CT序列图像(见图3)的骨骼轮廓边缘、细化、连接、轮廓追踪，获取单像素封闭的骨骼二维轮廓，如图4所示。
S2：将形成的多层二维轮廓数据集转化为带有法向量的三维点云。结合图5和图6说明，具体步骤如下：
1)对封闭的二维轮廓内部图像进行边缘填充，以轮廓边缘为约束，对轮廓边缘内部连通区域进行八向连通填充为白色，轮廓外部边缘连通区域填充为黑色，形成轮廓二值图像，如图5所示；
2)对多层轮廓二值图像的序列形成的三维体素集V进行三维高斯滤波，得到滤波后的体素集V'，其中三维高斯滤波函数表达式如下：
式中[x,y]表示轮廓像素点所在的CT图像平面内坐标，z为切片的层数所在的坐标，σ是标准偏差，在本发明的实施例中，σ取3；
3)使用空间Prewitt算子计算轮廓像素点所在的体素位置处pi(x,y,z)的梯度▽V'(pi)；
4)通过轮廓像素点所在的体素梯度计算出轮廓像素点的单位法向量ni，其计算表达式如下：
5)依次提取每层图像的像素空间位置pi(x,y,z)，得到三维点云数据如图6所示；
S3：根据三维点云构建骨骼模型的隐式曲面，具体步骤如下：
1)对于局部隐式小曲面的建立，首先定义每个局部子区域坐标系(u,v,w)，其中，(u,v)作为局部平面坐标，w作为平面正交方向，使用正交多项式基，计算局部子区域坐标系下的正交多项式hi(u,v)：
式中，β1＝1，j＝1,2,…,k＝1,2…j-1，wj表示局部正交方向，xj表示未知量；
再根据正交多项式hi(u,v)构造出局部拟合函数Qi(x)＝Qi(u,v,w)＝w-hi(u,v)，其中(u,v,w)是x在局部子区域坐标系中的坐标。
对于局部隐式大曲面的建立，使用三维二次曲面函数进行曲面重建，此时局部拟合函数为Qi(x)＝xTAx+bTx+c，其中A是3×3对称矩阵,b是空间向量,c为常系数。
2)使用加权函数将局部隐式曲面进行拼接，形成完整的隐式曲面，具体步骤如下：
每个局部子区域包含在半径为Ri的圆球内，每个圆球内，局部拟合函数Qi(x)通过最小二乘法拟合，通过加权函数将局部拟合函数Qi(x)在欧式空间Ω中进行叠加形成完整隐式曲面f(x)，表达式如下：
x∈Ω
式中，权重函数wi(x)为非均匀有理B样条函数,ci为圆球的球心。
S4：对骨骼隐式曲面进行自适应图元采样，具体步骤如下：
1)计算骨骼模型的隐式曲面f(x)上所有采样图元{qi}的高斯曲率Ki；
2)利用高斯曲率，使采样图元自适应分布，如图7所示。计算采样图元之间的排斥能量Ei和采样图元的移动速度vi，并更新图元的位置，使采样图元根据骨骼表面高斯曲率自适应分布；其中排斥能量Ei的表达式如下：
其中Ki是采样图元qi的高斯曲率，Eij是采样图元qi和采样图元qj之间的排斥能量，因为σi≠σj，所以Eij≠Eji，μ是排斥参数,|rij|是采样图元qi和采样图元qj之间的距离,σi是采样图元间排斥半径，采样图元的移动速度vi为排斥能量Ei的导数，表达为：
S5：对采集的自适应图元集进行三角化，形成骨骼网格模型，具体步骤如下：
1)计算每个自适应图元qi对应的法向量Ni(qi)，其中Ni(qi)＝▽f(qi)，▽f(qi)是图元qi处的梯度值。
2)使用Delaunay三角剖分对图元集{qi}进行三角化，形成自适应分布的三角网格模型，如图8所示。
本发明可以避免骨骼模型中生成大量冗余的三角网格和狭长三角网格，可以根据骨骼表面的曲率自适应重建高质量的三角网格模型，同时不同尺寸的三角网格之间合理过渡，网格光顺效果好。
以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (8)
1.一种面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于该方法包括：
(1)依次提取每层骨骼CT序列图像中骨骼的二维轮廓数据；
(2)将形成的二维轮廓数据集转化为带有法向量的三维点云；具体包括：
(2-1)对二维轮廓数据集中每层二维轮廓的内部图像进行边缘填充，以轮廓边缘为约束，对轮廓边缘内部连通区域进行八向连通填充为白色，轮廓外部边缘连通区域填充为黑色，形成轮廓二值图像；
(2-2)对多层轮廓二值图像的序列形成的三维体素集V进行三维高斯滤波，得到滤波后的体素集V'，其中，三维高斯滤波函数表达式如下：
式中[x,y]表示轮廓像素点所在的CT图像平面内坐标，z为切片的层数所在的坐标，σ是标准偏差；
(2-3)使用空间Prewitt算子计算二维轮廓的像素点所在的体素位置处的梯度；
(2-4)通过二维轮廓像素点所在的体素位置梯度计算出二维轮廓像素点的单位法向量，计算表达式如下：
式中，ni是法向量，是二维轮廓像素点所在的体素位置pi的梯度；
(2-5)依次提取每层图像的像素空间位置pi(x,y,z)，得到三维点云数据n表示点数；
(3)根据三维点云构建骨骼模型的隐式曲面；
(4)对骨骼隐式曲面进行自适应图元采样；
(5)对采集的自适应图元集进行三角化，形成骨骼网格模型。
2.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于：步骤(1)具体包括：
依次提取每层骨骼CT序列图像中骨骼的轮廓边缘、细化、连接、轮廓追踪，获取单像素封闭的骨骼二维轮廓，形成二维轮廓数据集。
3.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于：步骤(3)具体包括：
(3-1)使用kd-tree把三维点云数据P分解为m个局部子区域，在每个局部子区域上建立局部隐式曲面；
(3-2)使用加权函数将局部隐式曲面进行拼接，形成完整的隐式曲面。
4.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于：步骤(4)具体包括：
(4-1)对骨骼的隐式曲面进行图元采样，并计算所有采样图元的高斯曲率；
(4-2)利用高斯曲率，使采样图元在骨骼表面自适应分布，得到自适应图元。
5.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于：步骤(5)具体包括：
(5-1)计算每个自适应图元对应的法向量；
(5-2)根据法向量，使用Delaunay三角剖分对自适应图元集进行三角化，形成自适应分布的骨骼三角网格模型。
6.根据权利要求3所述的面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于：
步骤(3-1)中所述的局部子区域上建立局部隐式曲面，具体包括步骤：
a)对于局部隐式小曲面的建立，首先定义每个局部子区域坐标系(u,v,w)，其中，(u,v)作为局部平面坐标，w作为平面正交方向，使用正交多项式基，计算局部子区域坐标系下的正交多项式hi(u,v)：
式中，β1＝1，wj表示局部正交方向，xj表示未知量；
再根据正交多项式hi(u,v)构造出局部拟合函数Qi(x)＝Qi(u,v,w)＝w-hi(u,v)，其中(u,v,w)是x在局部子区域坐标系中的坐标；
b)对于局部隐式大曲面的建立，使用三维二次曲面函数进行曲面重建，此时局部拟合函数为Qi(x)＝xTAx+bTx+c，其中A是3×3对称矩阵,b是空间向量,c为常系数，
步骤(3-2)具体包括步骤：
每个局部子区域包含在半径为Ri的圆球内，每个圆球内，局部拟合函数Qi(x)通过最小二乘法拟合，通过加权函数将局部拟合函数Qi(x)在欧式空间Ω中进行叠加形成完整隐式曲面f(x)，表达式如下：
式中，权重函数wi(x)为非均匀有理B样条函数,ci为圆球的球心。
7.根据权利要求4所述的面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于：步骤(4-2)具体包括：
计算采样图元之间的排斥能量Ei和采样图元的移动速度vi，并更新图元的位置，使采样图元根据骨骼表面高斯曲率自适应分布；其中排斥能量Ei的表达式如下：
其中Ki是采样图元qi的高斯曲率，Eij是采样图元qi和采样图元qj之间的排斥能量，因为σi≠σj，所以Eij≠Eji，μ是排斥参数,|rij|是采样图元qi和采样图元qj之间的距离,σi是采样图元间排斥半径，采样图元的移动速度vi为排斥能量Ei的导数，表达为：
8.根据权利要求5所述的面向骨骼CT序列图像的网格模型自适应重建方法，其特征在于：步骤(5-1)中，自适应图元qi对应的法向量Ni(qi)，其中是图元qi处的梯度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611069493.XA CN106600683B (zh) | 2016-11-28 | 2016-11-28 | 一种面向骨骼ct序列图像的网格模型自适应重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611069493.XA CN106600683B (zh) | 2016-11-28 | 2016-11-28 | 一种面向骨骼ct序列图像的网格模型自适应重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106600683A CN106600683A (zh) | 2017-04-26 |
| CN106600683B true CN106600683B (zh) | 2019-05-31 |
Family
ID=58593800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611069493.XA Active CN106600683B (zh) | 2016-11-28 | 2016-11-28 | 一种面向骨骼ct序列图像的网格模型自适应重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106600683B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107545578B (zh) * | 2017-08-25 | 2020-12-11 | 东软医疗系统股份有限公司 | Ct图像中股骨头区域分割方法、装置及设备 |
| CN109523625B (zh) * | 2018-09-29 | 2023-05-12 | 上海涛影医疗科技有限公司 | 一种韧带长度量化方法 |
| CN109671153B (zh) * | 2018-12-05 | 2022-12-30 | 安徽慧软科技有限公司 | 一种复杂器官轮廓线的三维重建方法 |
| CN112038254A (zh) * | 2019-05-15 | 2020-12-04 | 天津科技大学 | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 |
| CN111243082A (zh) * | 2020-01-08 | 2020-06-05 | 浙江大学 | 获得数字影像重建图像的方法、系统、装置及存储介质 |
| CN111354057B (zh) * | 2020-03-10 | 2022-07-08 | 中南大学 | 基于图像变形技术的骨折线地图绘制方法 |
| CN112686909B (zh) * | 2020-12-28 | 2024-04-19 | 淮阴工学院 | 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法 |
| CN112686916B (zh) * | 2020-12-28 | 2024-04-05 | 淮阴工学院 | 一种基于异质多区域ct扫描数据处理的曲面重建系统 |
| CN116964633A (zh) * | 2020-12-31 | 2023-10-27 | 西安大医集团股份有限公司 | 医学图像的处理方法、装置、计算机设备及存储介质 |
| CN112862975B (zh) * | 2021-03-17 | 2023-11-28 | 武汉联影智融医疗科技有限公司 | 骨骼数据处理方法、系统、可读存储介质和设备 |
| WO2023272523A1 (zh) * | 2021-06-29 | 2023-01-05 | 西门子股份公司 | 模型重构方法、装置和系统 |
| CN114240740B (zh) * | 2021-12-16 | 2022-08-16 | 数坤(北京)网络科技股份有限公司 | 骨骼展开图像的获取方法、装置、医疗设备以及存储介质 |
| CN114782414B (zh) * | 2022-06-15 | 2022-12-13 | 深圳市迈捷生命科学有限公司 | 一种基于图像数据处理的人工骨数据分析方法 |
| CN115937371B (zh) * | 2022-11-30 | 2024-03-22 | 上海哔哩哔哩科技有限公司 | 人物模型的生成方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034482A (zh) * | 2006-03-07 | 2007-09-12 | 山东理工大学 | 复杂构件三维自适应有限元网格自动生成方法 |
| 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 |
| CN104952109A (zh) * | 2015-06-17 | 2015-09-30 | 西安电子科技大学 | 一种基于Harris的脊椎特征点自动识别方法 |
| CN105005995A (zh) * | 2015-07-29 | 2015-10-28 | 武汉大学 | 一种计算三维点云模型骨骼的方法 |
-
2016
- 2016-11-28 CN CN201611069493.XA patent/CN106600683B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034482A (zh) * | 2006-03-07 | 2007-09-12 | 山东理工大学 | 复杂构件三维自适应有限元网格自动生成方法 |
| 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 |
| CN104952109A (zh) * | 2015-06-17 | 2015-09-30 | 西安电子科技大学 | 一种基于Harris的脊椎特征点自动识别方法 |
| CN105005995A (zh) * | 2015-07-29 | 2015-10-28 | 武汉大学 | 一种计算三维点云模型骨骼的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 利用数字几何技术重建个性化骨骼模型;陈中，邢跃刚，罗绍华;《中国组织工程研究》;20160923;第20卷(第39期);5046-5051 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106600683A (zh) | 2017-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106600683B (zh) | 一种面向骨骼ct序列图像的网格模型自适应重建方法 | |
| US6362821B1 (en) | Surface model generation for visualizing three-dimensional objects using multiple elastic surface nets | |
| CN106780751A (zh) | 基于改进的屏蔽泊松算法的三维点云重建方法 | |
| CN105654483B (zh) | 三维点云全自动配准方法 | |
| CN102222357B (zh) | 基于图像分割和网格细分的脚型三维表面重建方法 | |
| CN103489218A (zh) | 点云数据质量自动优化方法及系统 | |
| CN109741343A (zh) | 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法 | |
| CN105761304B (zh) | 三维脏器模型构造方法和装置 | |
| CN110070567A (zh) | 一种地面激光点云配准方法 | |
| CN107610221B (zh) | 一种基于同构模型表示的三维模型生成方法 | |
| Peyré et al. | Geodesic computations for fast and accurate surface remeshing and parameterization | |
| CN102930602A (zh) | 一种基于断层图像的面皮三维表面模型重建方法 | |
| CN109978888A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
| CN104545999B (zh) | 一种超声图像膀胱容积测量方法及装置 | |
| CN104318554A (zh) | 基于三角剖分优化匹配的医学影像刚性配准方法 | |
| CN107610219A (zh) | 一种三维场景重构中几何线索感知的像素级点云稠密化方法 | |
| CN110279429B (zh) | 四维超声重建方法及装置 | |
| CN103903255B (zh) | 一种超声图像分割方法和系统 | |
| CN106920242A (zh) | 一种基于超声图像和三维模型的肝脏体积测量方法 | |
| CA2873918C (en) | Method and system for the three-dimensional reconstruction of structures | |
| CN116763295A (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
| CN111369662A (zh) | Ct图像中血管的三维模型重建方法及系统 | |
| JP5943267B2 (ja) | 個人モデルデータの生成方法、生成プログラム、および生成システム | |
| Gálvez et al. | Firefly algorithm for Bézier curve approximation | |
| CN107316343A (zh) | 一种基于数据驱动的模型处理方法及设备 |
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 | ||
| CP02 | Change in the address of a patent holder |
Address after: 223499 8th floor, Anton building, 10 Haian Road, Lianshui, Huaian, Jiangsu Patentee after: HUAIYIN INSTITUTE OF TECHNOLOGY Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| CP02 | Change in the address of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240228 Address after: Room 602, Unit D, Building B3, Fenglu Xintiandi, Nanchang Economic and Technological Development Zone, Nanchang City, Jiangxi Province, 330000 Patentee after: Jiangxi Liangben Information Technology Co.,Ltd. Country or region after: China Address before: 223499 8th floor, Anton building, 10 Haian Road, Lianshui, Huaian, Jiangsu Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240313 Address after: 730000, Room 2824-1, 28th Floor, Building 2, Mingcheng Plaza, No. 5198 Nanbinhe East Road, Yanbei Street, Chengguan District, Lanzhou City, Gansu Province Patentee after: Lanzhou Cuiying Medical Technology Co.,Ltd. Country or region after: China Address before: Room 602, Unit D, Building B3, Fenglu Xintiandi, Nanchang Economic and Technological Development Zone, Nanchang City, Jiangxi Province, 330000 Patentee before: Jiangxi Liangben Information Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |