CN107851312B - 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法 - Google Patents

用于在三维解剖图像中自动分割个别骨骼骨的系统及方法 Download PDF

Info

Publication number
CN107851312B
CN107851312B CN201580081954.2A CN201580081954A CN107851312B CN 107851312 B CN107851312 B CN 107851312B CN 201580081954 A CN201580081954 A CN 201580081954A CN 107851312 B CN107851312 B CN 107851312B
Authority
CN
China
Prior art keywords
split
image
processor
dimensional image
bone
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
Application number
CN201580081954.2A
Other languages
English (en)
Other versions
CN107851312A (zh
Inventor
A·贝赫鲁兹
P·卡斯克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Revvity Cellular Technologies GmbH
Revvity Health Sciences Inc
Original Assignee
PerkinElmer Cellular Technologies Germany GmbH
PerkinElmer Health Sciences Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PerkinElmer Cellular Technologies Germany GmbH, PerkinElmer Health Sciences Inc filed Critical PerkinElmer Cellular Technologies Germany GmbH
Publication of CN107851312A publication Critical patent/CN107851312A/zh
Application granted granted Critical
Publication of CN107851312B publication Critical patent/CN107851312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/20156—Automatic seed setting
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

在某些实施例中，本文呈现的是用于在例如微CT成像的小动物成像的背景下进行稳健骨分裂及分割的方法。在某些实施例中，描述一种用于计算单个及混合二阶导数分裂滤波器并将其应用于灰度图像及二元骨掩模的方法。即使对于低分辨率数据，这些滤波器也可准确地识别所述骨的分裂线/平面，且因此准确地在形态学上断开个别骨。接着，可将分裂骨用作区生长技术中的种子，例如标记物控制的分水岭分割。使用此方法，与现有技术方法相比较，可以高得多的稳健性及准确性对骨进行分割。

Description

用于在三维解剖图像中自动分割个别骨骼骨的系统及方法
技术领域
本发明大体上涉及图像分析的方法及系统。更特定来说，在某些实施例中，本发明涉及从小型受试者(例如，小型动物、小型哺乳动物)的解剖图像的自动骨分裂及分割，所述解剖图像例如用计算断层扫描(CT)扫描仪捕获。
背景技术
存在大量针对哺乳动物体内成像的技术—例如生物发光、荧光、断层扫描及多模式成像技术。小型哺乳动物的体内成像由大量研究者在各种领域(例如，肿瘤学、传染病及药物发现)中执行。
体内微型计算机断层扫描(以下称为“微CT”)成像是可以高分辨率对组织、器官及非有机结构成像的基于x射线的技术，然而更高处理量的成像可有益地使用更低分辨率的微CT成像来加速图像采集及/或处理，同时维持可接受的准确度及图像细节。微CT发展迅速，需要低剂量扫描及快速成像协议以促进多模式应用并启用纵向实验模型。体内成像通常涉及将例如荧光探针的试剂用于活体动物内部的生物学现象的无创性时空可视化。多模式成像涉及以不同方式获得的图像的融合，举例来说，通过组合FMT、PET、MRI、CT及/或SPECT成像数据。
图像分析应用及/或成像系统通常允许生物医学图像的可视化、分析、处理、分割、配准及测量。这些应用程序及系统还提供体绘制工具(例如，体积合成、深度描影、梯度描影、最大强度投影、总体素投影、信号投影)；操纵功能(例如，界定所关注结构的区域、删除非所要对象、编辑图像及对象图)；及测量功能(例如，用于计算表面体素的数目、暴露面的数目、区的平面面积及区的估计表面积或体积)。
常规对象分割算法通常依赖于形态学方法来执行骨分裂。在这些方法中，通常将分水岭变换应用于灰度图像数据或二元对象掩模的距离变换。分水岭变换将二元掩模分离成标记区，其表示组成二元掩模的个别对象(例如，在F.迈耶(F.Meyer)、S.布切尔(S.Beucher)所著的《视觉传达与图像表示杂志(J.Vis.Comm.Im.Rep.)》1(1)，199021-46中所论述)。使用这种方法，来自图1的二元骨掩模可被分离并如图2中所描绘那样来标记。
如在图2中显而易见，此常规分割方法存在导致欠分割、过分割且最重要的是分裂线/平面的不正确放置的限制及缺陷。后者的出现主要是因为距离及分水岭变换的组合将分裂线/平面放置在对象之间最薄连接器上。然而，最薄连接器可能会或可能不会与骨关节重合。此问题可在图2中所示的结果中从股盆分裂股骨中看到。
尽管一些现有形态学分割技术有时可在较大的哺乳动物(例如人类)的高分辨率图像中提供充足准确性，其中对象之间的间隔大于体素分辨率，但其性能无法提供在处置例如图1中所示的数据集的低分辨率数据时进行进一步图像处理所需的充足准确度，例如用于小型动物(例如，小鼠、大鼠、田鼠、兔子及类似大小的动物)的成像。微CT图像通常具有大约几微米到几百微米(例如4.5微米到200微米之间)的体素大小。在较低分辨率(例如，对应于40微米或更高的体素大小)下，部分体积效应可导致两个单独对象在二元掩模中在形态学上连接，这可能例如导致分割准确性的显著损失，如图2中所示。在一些实施例中，受试者(例如，小型哺乳动物受试者，例如小鼠)的图像具有使得图像的每一体素对应于每一维度中至少40微米的体积的分辨率。
虽然各种技术已被用于医疗(人类)CT成像中的大骨的分裂及分割(例如，如由波拉特(Porat)等人的第8306305 B2号美国专利所描述)，但仍需要用于小型动物微CT成像的骨分裂及分割的稳健方法。举例来说，波拉特等人在第8306305 B2号美国专利中指出，如果所述方法希望用于颅骨，那么所述专利中描述的形态学操作可能是不合适的，这是因为操作将导致整个大脑被包含在骨组分中。波拉特等人进一步描述椎骨的薄部分可小于一个体素厚度，并且含有所述部分的体素的平均密度可能小于其实际密度，并且可能不会完整地发现这些骨骼。
大型及小型动物的骨分裂及分割之间的显著差异在于，由微型CT提供的空间分辨率并不总是足够高于小型动物(例如实验室小鼠)的骨的厚度或尺寸。考虑到部分体积效应，这可能对骨分割带来进一步挑战。因此，需要用于自动化对象分割的改进及准确方法，尤其是在例如小型动物微CT数据的情况下，其中高分辨率图像并不总是可用的，或者获得高分辨率图像太耗时或计算太复杂。
发明内容
在某些实施例中，本文呈现的是用于在小型动物成像的情况下的稳健骨分裂及分割的方法。在一些实施例中，本文呈现的分割技术在解剖成像平台(包含微CT)中是有用的。在某些实施例中，描述一种用于计算单个及混合二阶导数分裂滤波器并在分水岭分割之前将其应用于灰度图像及二元骨掩模的方法。即使对于低分辨率数据，这些滤波器也可准确地识别所述骨的分裂线/平面，且因此准确地断开个别骨。接着，可将分裂骨用作用于标记物控制的分水岭分割的种子。使用此方法，与现有技术方法相比较，可以高得多的稳健性及准确性对骨进行分割。此改进的性能源于分裂滤波器使用二阶导函数准确定位骨的分离点/平面的能力。
经由阈值化或类似方法从灰度解剖图像检测到的骨骼骨的自动分割可允许骨可视化、形态测定及统计分析以及形状、特征及疾病研究。举例来说，可使用局部阈值化技术来检测如图1中所示的微CT体积中的骨骼骨。最终目标是将每一骨分割成个别对象；因此，希望将图1中所示的二元掩模自动分裂成经区分的个别骨的分割图。接着，可出于分类、诊断或其它研究目的根据经区分的骨的分割图进行特定骨或骨组的准确自动解剖表征。
所述技术也可用于图像中描绘的其它网络状对象或材料的自动分割。举例来说，本文描述的技术可用于区分三维地质图像中描绘的离散矿物类型以用于矿物填图或用于石油及天然气开发/勘探。
本文描述的一个方面涉及一种执行图像分割以自动区分受试者的骨架或部分骨架的图像中的个别骨骼的方法，所述方法包含：由计算装置的处理器接收受试者(例如，小型哺乳动物受试者，例如小鼠)的图像(例如，二维图像或三维图像，例如，包括体素的三维图像，例如灰度图像)(例如，体内图像、离体图像或原位图像)(例如，通过体内成像系统(例如微CT成像仪)获得)；由所述处理器将一或多个二阶导数分裂滤波器应用于所述图像以产生用于所述图像的分裂骨掩模；由所述处理器通过执行一或多个形态学处理操作(例如，通过执行连接组分分析及/或通过使用距离及分水岭变换来识别集水盆)来确定所述分裂骨掩模的多个分裂二元组分；任选地，由所述处理器量化每一分裂二元组分的体积并且消除具有不可接受的小体积的一或多个组分(例如，消除具有低于预定阈值的体积的一或多个组分)；以及由所述处理器使用所述分裂骨掩模组分作为种子执行区生长操作(例如，标记物控制的分水岭操作)，借此产生区分所述图像中的个别骨的分割图。
在一些实施例中，解剖图像是体内图像。在一些实施例中，解剖图像是离体图像。在一些实施例中，解剖图像是原位图像。在一些实施例中，图像是二维图像或三维图像。在一些实施例中，图像是包括体素的三维图像。在一些实施例中，图像是灰度图像。
在一些实施例中，受试者是小型哺乳动物受试者。在一些实施例中，受试者是小鼠。在一些实施例中，通过体内成像系统获得图像。在一些实施例中，通过微CT扫描仪获得图像。
在一些实施例中，一或多个形态学操作包含使用距离及分水岭变换执行连接组分分析及/或识别集水盆。在一些实施例中，消除具有不可接受的小体积的一或多个组分包含消除具有低于预定阈值的体积的一或多个组分。在一些实施例中，区生长操作包含标记物控制的分水岭操作。
在一些实施例中，一或多个二阶导数分裂滤波器包含选自由以下各者组成的群组的至少一个成员：LoG(高斯-拉普拉斯算子)、HEH(具有初步高斯滤波的最高海塞特征值)及LEH(具有初步高斯滤波的最低海塞特征值)。
在一些实施例中，所述方法包含将多个二阶导数分裂滤波器应用于受试者的图像以产生分裂骨掩模。在一些实施例中，所述应用步骤包含对于所应用的每一二阶导数分裂滤波器，产生滤波图像并识别具有高于或低于阈值(例如，预定阈值)的强度的所述滤波图像的体素，借此产生识别邻近骨之间的边界区附近的体素的分裂二元掩模；通过执行一或多个逻辑运算来组合所述分裂二元掩模，以返回所述分裂骨掩模(其为所述分裂二元掩模的混合)，其中骨边界附近的体素被移除。
在一些实施例中，所述方法还包含由所述处理器使用所述分割图识别一或多个解剖测量(例如，用于诊断目的)。
在一些实施例中，所述方法包含：在产生所述分割图的所述步骤之后，接受来自识别所述分割图的一或多个分割区的用户的反馈以进一步细化或重新计算，且接着：由所述处理器将一或多个二阶导数分裂滤波器应用于对应于所述一或多个用户识别的分割区的所述图像的部分以产生分裂骨掩模；由所述处理器确定所述分裂骨掩模的分裂二元组分；以及由所述处理器使用所述分裂骨掩模组分作为种子来执行区生长操作，借此产生区分所述图像中的个别骨的细化或重新计算的分割图(例如，借此提供额外分裂以校正由所述用户识别的所述一或多个区的欠分割，或借此提供区合并以校正由所述用户识别的所述一或多个区的过分割，例如其中使用不同于先前使用的分裂器滤波器及/或参数执行所述进一步细化或重新计算步骤)。
在一些实施例中，所述受试者(例如，小型哺乳动物受试者，例如小鼠)的所述图像具有这样的分辨率，其使得所述图像的每一体素对应于每一维度中至少40微米的体积。
在一些实施例中，使用所述图像的所述体素强度的空间二阶偏导数的一或多个旋转不变量来应用所述一或多个二阶导数分裂滤波器中的至少一者，其中所述图像是三维灰度图像。
本文描述的另一方面涉及一种系统，其包含：处理器；及其上存储有指令的存储器，其中所述指令在由所述处理器执行时致使所述处理器：接收受试者(例如，小型哺乳动物受试者，例如小鼠)的图像(例如，二维图像或三维图像，例如，包括体素的三维图像，例如灰度图像)(例如，体内图像、离体图像或原位图像)(例如，通过体内成像系统(例如微CT成像仪)获得)；将一或多个二阶导数分裂滤波器应用于所述图像以产生用于所述图像的分裂骨掩模；通过执行一或多个形态学处理操作(例如，通过执行连接组分分析及/或通过使用距离及分水岭变换来识别集水盆)来确定所述分裂骨掩模的多个分裂二元组分；任选地，量化每一分裂二元组分的体积并且消除具有不可接受的小体积的一或多个组分(例如，消除具有低于预定阈值的体积的一或多个组分)；以及使用所述分裂骨掩模组分作为种子执行区生长操作(例如，标记物控制的分水岭操作)，借此产生区分所述图像中的个别骨的分割图。
在一些实施例中，所述一或多个二阶导数分裂滤波器包含选自由以下各者组成的群组的至少一个成员：LoG(高斯-拉普拉斯算子)、HEH(具有初步高斯滤波的最高海塞特征值)及LEH(具有初步高斯滤波的最低海塞特征值)。
在一些实施例中，所述指令在由所述处理器执行时进一步致使所述处理器将多个二阶导数分裂滤波器应用于所述受试者的所述图像以产生所述分裂骨掩模，所述应用步骤包括：对于所应用的每一二阶导数分裂滤波器，产生滤波图像并识别具有高于或低于阈值(例如，预定阈值)的强度的所述滤波图像的体素，借此产生识别邻近骨之间的边界区附近的体素的分割二元掩模；通过执行一或多个逻辑运算来组合所述分裂二元掩模，以返回所述分裂骨掩模(其为所述分裂二元掩模的混合)，其中骨边界附近的体素被移除。
在一些实施例中，所述指令在由所述处理器执行时进一步致使所述处理器使用所述分割图来识别一或多个解剖测量(例如，用于诊断目的)。
在一些实施例中，所述指令在由所述处理器执行时进一步致使所述处理器在产生所述分割图的所述步骤之后接受来自识别所述分割图的一或多个分割区的用户的反馈以进一步细化或重新计算，且接着：将一或多个二阶导数分裂滤波器应用于对应于所述一或多个用户识别的分割区的所述图像的部分以产生分裂骨掩模；确定所述分裂骨掩模的分裂二元组分；以及使用所述分裂骨掩模组分作为种子来执行区生长操作，借此产生区分所述图像中的个别骨的细化或重新计算的分割图(例如，借此提供额外分裂以校正由所述用户识别的所述一或多个区的欠分割，或借此提供区合并以校正由所述用户识别的所述一或多个区的过分割，例如其中使用不同于先前使用的分裂器滤波器及/或参数执行所述进一步细化或重新计算步骤)。
在一些实施例中，所述受试者(例如，小型哺乳动物受试者，例如小鼠)的所述图像具有这样的分辨率，其使得所述图像的每一体素对应于每一维度中至少40微米的体积。
在一些实施例中，使用所述图像的所述体素强度的空间二阶偏导数的一或多个旋转不变量来应用所述一或多个二阶导数分裂滤波器中的至少一者，其中所述图像是三维灰度图像。
本文描述的另一方面涉及一种在其上存储有指令的非暂时性计算机可读媒体，其中所述指令在由处理器执行时致使所述处理器执行以下操作：接收受试者(例如，小型哺乳动物受试者，例如小鼠)的图像(例如，二维图像或三维图像，例如，包括体素的三维图像，例如灰度图像)(例如，体内图像、离体图像或原位图像)(例如，通过体内成像系统(例如微CT成像仪)获得)；将一或多个二阶导数分裂滤波器应用于所述图像以产生用于所述图像的分裂骨掩模；通过执行一或多个形态学处理操作(例如，通过执行连接组分分析及/或通过使用距离及分水岭变换来识别集水盆)来确定所述分裂骨掩模的多个分裂二元组分；任选地，量化每一分裂二元组分的体积并且消除具有不可接受的小体积的一或多个组分(例如，消除具有低于预定阈值的体积的一或多个组分)；以及使用所述分裂骨掩模组分作为种子执行区生长操作(例如，标记物控制的分水岭操作)，借此产生区分所述图像中的个别骨的分割图。
关于本发明的给定方面描述的实施例的元件可用在本发明的另一方面的各种实施例中。举例来说，可设想，涉及一个独立权利要求的从属权利要求的特征可用在任何其它独立权利要求中的任何者的设备及/或方法中。
附图说明
通过参考以下结合附图的描述，本发明的前述及其它目的、方面、特征及优点将变得更加明显并且可被更好地理解，其中：
图1描绘使用局部阈值化技术来检测及可视化的由微CT扫描仪成像的nu/nu小鼠的下肢的骨。阈值化过程导致在骨区域中具有单位值体素且在非骨区域中具有零值体素的二元掩模。
图2描绘使用现有距离及分水岭变换方法的来自图1的骨的分割。除超分割及欠分割的问题之外，此方法不能准确定位如骨盆-股骨分裂中明显的分裂区。
图3描绘在微CT平台中成像的nu/nu小鼠的股骨/骨盆关节的拉普拉斯算子的图像。图。图3说明根据本发明的说明性实施例的拉普拉斯算子滤波器在灰度图像中增强从骨到软组织的对比度，尤其在关节中(考虑到其“上凹”行为)。顶部绘图展示股骨/骨盆关节的拉普拉斯算子，而底部绘图描绘股骨/骨盆关节的灰度数据。
图4描绘根据本发明的说明性实施例的在图5中概述的拉普拉斯算子分裂之后的来自图1的骨掩模的连接组分。
图5是展示根据本发明的说明性实施例的计算基于拉普拉斯算子的分裂滤波器并将其应用于骨数据的流程图。
图6是展示根据本发明的说明性实施例的与使用分裂滤波器执行自动分割相关联的步骤的流程图。
图7是描绘根据本发明的说明性实施例的通过移除由混合LAP-HEH分裂滤波器创建的分裂二元骨掩模的小二元组分而产生的用于标记物控制的分水岭的种子的产生的图像。
图8是描绘根据本发明的说明性实施例的使用来自图7的种子及混合LAP-HEH分裂滤波器的基于自动分裂的分割的最终分割结果的图像。
图9是根据说明性实施例的在用于分析微CT图像数据分析的方法及系统中使用的实例网络环境的框图。
图10是用于本发明的说明性实施例的实例计算装置及实例移动计算装置的框图。
图11A描绘用于本发明的说明性实施例的来自LAP分裂掩模的标记种子。
图11B描绘用于本发明的说明性实施例的来自HEH分裂掩模的标记种子。
图11C描绘用于本发明的说明性实施例的来自混合LAP-HEH分裂掩模的标记种子。
具体实施方式
可设想的是，所主张的发明的系统、装置、方法及过程涵盖使用来自本文描述的实施例的信息产生的变化及调适。可由相关领域的一般技术人员执行本文描述的系统、装置、方法及过程的调适及/或修改。
在整个描述中，在物品、装置及系统被描述为具有、包含或包括特定组件，或者其中过程及方法被描述为具有、包含或包括特定步骤的情况下，可设想的是，另外，存在基本上由所陈述组件组成或由所陈述组件组成的本发明的物品、装置及系统，并且存在根据本发明的基本上由所陈述处理步骤组成或由所陈述处理步骤组成的过程及方法。
应理解，只要本发明保持可操作，步骤的顺序或执行某些动作的顺序就不重要。此外，可同时进行两个或更多个步骤或动作。
本文例如在背景技术部分中提及任何公开案并不是承认所述公开案相对于本文呈现的权利要求中的任何者充当现有技术。背景技术部分是为清楚的目的而呈现的，并不意味着关于任何权利要求的现有技术的描述。
如本文所使用，“图像”-例如，哺乳动物的三维(以下称为“3D”)图像-包含任何视觉表示，例如照片、视频帧、流式视频以及照片、视频帧或流式视频的任何电子、数字或数学模拟。在某些实施例中，本文描述的任何设备包含用于显示由处理器产生的图像或任何其它结果的显示器。在某些实施例中，本文描述的任何方法包含显示经由所述方法产生的图像或任何其它结果的步骤。
如本文所使用，关于“图像”的“3D”或“三维”表示传达有关三维的信息。3D图像可被呈现为三维中的数据集及/或可显示为一组二维表示，或者显示为三维表示。
如本文所使用，“骨种子”是指一组体素(例如，连接的一组体素)，其是骨骼中的骨的一部分并且其可用于通过将其扩展来找到完整的离散骨(例如，通过将可能是同一个别骨的体素的相邻体素重复添加到所述组体素)。
在一些实施例中，可被分割(例如，与骨骼的相邻骨隔离)的骨是腿(例如，臀部、膝盖、股骨等)、手臂、手、脚、手指、脚趾、头盖骨、椎骨或颈骨的骨。一些实施例涉及分割哺乳动物(例如小型哺乳动物，例如大鼠、小鼠)的长骨。在一些实施方案中，长骨选自以下骨骼：股骨、胫骨、腓骨、肱骨、桡骨、尺骨、掌骨、跖骨、指骨及锁骨(例如颈骨的锁骨)。
如本文所使用，“掩模”是识别2D或3D区并用于控制图像或其它图形图案的部分的消除或保留的图形图案。
如本文所使用，“小型动物”是指可用微CT及/或微MR成像仪成像的小型哺乳动物。在一些实施例中，“小型动物”是指小鼠、大鼠、田鼠、兔子、仓鼠及类似大小的动物。
如本文所使用的，应用“二阶导数分裂滤波器”是基于在多个体素中的每一者处的3D图像(例如，灰度3D图像)的强度的二阶导数(或其近似)的图像处理操作。在一些实施例中，根据从高斯-拉普拉斯算子(LoG)、具有初步高斯滤波的最高海塞特征值(HEH)及具有初步高斯滤波的最低海塞特征值(LEH)中选择的高斯二阶导数滤波器导出分裂滤波器。
本文描述用于小型动物成像的背景下的稳健骨分裂及分割的方法。在某些实施例中，描述一种用于计算单个及混合二阶导数分裂滤波器并在标记物控制的分水岭分割之前将其应用于灰度图像及二元骨掩模的方法。在一些实施例中，分裂滤波器的作用是基本上识别及滤出位于两个相邻骨之间的关节区域中的体素。因此，即使对于低分辨率数据，这些滤波器也可准确地识别骨的分裂线/平面，并因此在形态学上断开个别骨。接着，可将分裂骨用作用于标记物控制的分水岭分割的种子。使用此方法，与现有技术方法相比较，可以高得多的稳健性及准确性对骨进行分割。此改进的性能源于分裂滤波器使用二阶导函数准确定位骨的分离点/平面的能力。
在某些实施例中，可基于每一体素中的灰度3D图像的二阶导数来定义分裂滤波器。在大多数实施例中，可使用旋转不变量来独立于骨定向而进行分裂。已知灰度3D图像的空间二阶偏导数的不同旋转不变量，例如海塞矩阵的拉普拉斯算子或特征值或其函数。拉普拉斯算子是不用直接求解特征值问题就可计算的算子，且因此速度优于其它算子-其仅为海塞矩阵的迹。每一旋转不变量可用在分裂滤波器中。此外，可将两个或更多个此类滤波器组合于分裂算法中以形成混合分裂滤波器。在分裂滤波器中被指派高值的体素可被识别并从二元骨掩模移除。接着，分裂二元骨掩模的连接组分可用作用于标记物控制的分水岭分割的种子(源)。
当与本文描述的分割方法的其它步骤组合时，拉普拉斯算子、最高海塞特征值及最低海塞特征值是被发现对于分裂来说是出色的三个滤波器。拉普拉斯算子描述其邻域中给定体素的凹面(例如，上凹或下凹)的程度及符号。在两个骨之间的间隙中，强度预计比在以“上凹”方式的骨体素上低；因此拉普拉斯算子在间隙体素中是正的。举例来说，这在图3中针对股骨/骨盆关节得到证实。最高海塞特征值也对骨之间的间隙敏感，因为其自动量化跨越谷的方向上的强度，其中强度下降比任何其它方向上都大。最低海塞特征值适合于检测属于骨而不是两个骨之间的间隙的体素，因为其自动量化跨越骨的方向上的强度。
拉普拉斯算子通过函数关于每一独立变量的的二阶偏导数(例如，在给定体素处的灰度图像强度)的和给出，例如在三维中如由下式给出：
Figure GDA0001559711460000091
其中x、y及z是xyz空间的标准笛卡尔坐标。
在某些实施例中，使用海塞矩阵来处理图像。海塞是图像的多尺度二阶局部结构或标量值函数(例如，给定体素处的灰度图像强度)的二阶偏导数的正方形矩阵，其描述函数的局部曲率。举例来说，可通过首先应用一组高斯二阶导数滤波器来产生由Lxx、Lyy、Lzz、Lxy、Lxz及Lyz表示的六个二阶导数图像来执行将海塞滤波器应用于包括体素(例如，每一体素具有灰度强度值)的3D图像。接下来，3×3海塞矩阵针对每一体素进行对角化。二阶导数滤波图像的3×3海塞矩阵表示为矩阵1，如下所示：
Figure GDA0001559711460000101
矩阵1
3×3海塞矩阵的对角化是特征问题。特征问题的求解包含计算三个特征值，其描述三个主分量方向上的二阶导数。可通过求解三次方程来计算特征值。在某些实施例中，主分量的方向是不重要的，并且可跳过特征向量的计算。对角化的结果是每一体素的最高、中等及最低特征值(H、M、L)。换句话说，在对角化步骤中，从由应用全组高斯二阶导数滤波器产生的六个图像计算三个图像。本文描述识别每一体素的最高海塞特征值(HEH)及/或最低海塞特征值(LEH)，并且将所述值中的一或两者(或所述值中的一或两者的混合，及/或拉普拉斯算子)与阈值进行比较的实例实施例。
二阶导数分裂滤波器的计算
分裂滤波器是在灰度图像上使用空间二阶导数运算来建立的。此类函数的实例包含拉普拉斯算子(LAP)、海塞的最高或最低特征值(HEH或LEH)。
滤波操作由识别灰度图像中具有高LAP、HEH或LEH值的体素组成。可使用经验或基于自动直方图的阈值化方法来识别这些高值体素。这些体素基本上包含连接对于骨分裂来说是高度关注的相邻骨的骨边界或边界点。一旦这些体素被识别，就将其映射到二元骨掩模。接着，可从骨掩模移除映射二元体素。这在形态学上断开两个紧密间隔的相邻骨。所得二元掩模是分割骨掩模。在其它实施例中，可通过识别分裂滤波器中的低值体素并将其映射到原始骨掩模来直接计算分割骨掩模。作为实例，图4中所示的图像描绘在基于LAP的分裂之后的来自图1的二元骨掩模的连接组分。
图5中所示的流程图500总结用于计算LAP分裂滤波器并将其应用于灰度图像的相关联工作流程。过程开始于获得灰度图像502。如图5中所示，可在步骤504中计算灰度图像(例如，高斯平滑图像)的拉普拉斯算子。在一些实施例中，在步骤508中使用阈值化技术将灰度图像转换为二元骨掩模。在步骤504中计算图像(例如，高斯平滑图像)的拉普拉斯算子之后，在步骤506中识别具有高于基于直方图、切割分数等确定的阈值的拉普拉斯算子的体素。接下来，在步骤510，将具有基于切割分数、直方图等的高值拉普拉斯算子的所识别的体素映射到二元骨掩模。如在图5中所展示，在步骤508及步骤506之后实行步骤510。接下来，在步骤512中将二元骨掩模中的经识别的体素设置为零，以在步骤514中产生分裂二元骨掩模。
尽管LAP或HEH分裂滤波器可个别地提供显著的骨分裂改进，但在组合时其产生高度准确的分裂结果。在某些实施例中，当LAP滤波器在HEH滤波器失效的情况下成功时，LAP滤波器及HEH滤波器可在骨分裂中彼此互补，反之亦然。两个或更多个分裂滤波器可通过在其所得分裂二元掩模之间执行逐体素“与”运算来组合。作为实例，来自图5中的流程图的分裂二元骨掩模可与来自HEH分裂滤波器的分裂二元骨掩模组合以产生混合分裂二元骨掩模，例如在图11C中所示。此方法可用来获得组合两个或更多二阶导数分裂滤波器的优点的混合滤波器。
使用分裂滤波器执行自动骨分割的步骤
基于分裂的骨分割可在如图6中的流程图600中概述的四个主要步骤中完成。在步骤602中，分割过程从骨的二元掩模开始。在第一步骤中，骨的二元掩模在步骤604中经历分裂，如在先前部分中所描述并在图5的流程图500中概述。
一旦在步骤604中执行分裂，就在步骤606中将小二元组分从分裂掩模移除。如图4中展示，偶然的过分裂可能导致小隔离二元组分。然而，可通过形态学操作容易地移除这些组分。举例来说，在一些实施例中，可通过识别二元分裂掩模的连接组分并删除具有较少数目的体素(例如，低于最小预期骨大小)的组分来移除这些组分。
在一些实施例中，通过形态学处理(例如，来自距离及分水岭变换的连接组分分析或集水盆)来确定分裂骨掩模的分裂组分；
在步骤606中将小二元组分从分裂掩模移除之后(或在执行形态学操作之后，如果需要)，在一些实施例中，在步骤608中标记连接组分。在其它实施例中，使用基于分水岭的分割来标记分裂骨掩模的分裂组分。在标记步骤608之后，在步骤610中通过应用区生长技术(例如标记物控制的分水岭)来扩展分裂骨掩模的标记分裂组分以填充整个二元骨掩模并产生标记骨掩模来获得分割骨掩模。
可注意到，分裂二元掩模的连接组分仅被用作在步骤610中执行的标记物控制的分水岭的种子。因此，在步骤606中移除小二元组分，或者一般来说，移除分裂对象的区或部分不会在步骤612中获得的最终分割结果中产生伪影。只要主要组分的连接性未受到损害，这就是真实的。
在步骤608的一些实施例中，可使用6阶连接性或更高阶的连接性来识别及标记二元掩模的连接组分。在一些实施例中，可通过连接组分分析来识别及标记二元掩模的连接组分，连接组分分析是基于图遍历的数字图像处理技术。此步骤产生如图7中所示的标记物控制的分水岭的种子。通过将混合LAP-HEH分裂滤波器应用于图1中所示的数据集的灰度图像而创建图7中所示的用于经标记种子的分裂掩模。
在步骤610的一些实施例中，经标记种子用在标记物控制的分水岭分割中以产生如图8中所示的最终分割图。
图8缺少图2中所见的限制及缺点(例如，欠分割、过分割及分裂线/平面的不正确放置)。举例来说，图2展示已通过常规方法被不准确地分割成骨头205到260的骨骼骨200。相比之下，图8展示骨骼骨800，其经由本文所描述的方法准确地分割成骨805到860。过分割的实例在图2中见到，例如在胫骨205中。相比之下，如图8所见，已使用本文所描述的方法将胫骨805准确地分割成一个骨。此外，臀部225及230在图2中已被过分割。相比之下，臀部825及830已被准确地分割成图8中的个别臀部。例如在椎骨240、245及250中的欠分割的实例也在图2中见到。相比之下，椎骨840、845及850已经经由本文所描述的方法准确地分割成椎骨。在图2中在膝盖骨215及255以及股骨205及260中看到欠分割及/或超分割的额外实例。相比之下，图8准确地分割膝盖骨815及855以及股骨805及860。
在一些实施例中，需要通过用户交互的额外校正。在此类情况下，应用额外分裂来校正欠分割，或执行区合并来校正过分割。在一些实施例中，在产生分割图的步骤之后，所述方法包含接受来自识别分割图的一或多个分割区的用户的反馈以用于进一步细化及重新计算。在一些实施例中，在接受用户反馈之后，所述方法包含由处理器将一或多个二阶导数分裂滤波器应用于对应于一或多个用户识别的分割区的图像部分，以产生分裂骨掩模。在一些实施例中，在应用一或多个二阶导数分裂滤波器之后，所述方法包含由处理器确定分裂骨掩模的分裂二元组分。在一些实施例中，在确定分裂骨掩模的分裂二元组分之后，所述方法包含由处理器使用分裂骨掩模组分作为种子执行区生长操作，借此产生区分图像中的个别骨的细化的或重新计算的分割图。在一些实施例中，产生细化的或重新计算的分割图包含借此提供额外分裂以校正由用户识别的一或多个区的欠分割。在一些实施例中，产生细化的或重新计算的分割图包含借此提供区合并以校正由用户识别的一或多个区的过分割，例如，其中使用不同于先前使用的分裂器滤波器及/或参数来执行进一步细化或重新计算步骤。
应用
如上文所论述，在某些实施例中，基于分裂的分割的应用包括3D小型动物骨分割。例如LAP-HEH的混合二阶导数分裂滤波器可将二元骨掩模分离成准确地催化个别骨的生成的连接组分，如图7及11C中所示。考虑到分裂滤波器可为对象分割(尤其为三维图像)带来的准确性及稳健性的水平，存在多种不同的应用，其中这些滤波器对于准确的自动分割是必要的。实例包含(但不限于)3D器官、脂肪、岩石或天然矿物/材料分割。此外，由微CT以外的成像平台(例如微MR成像仪)产生的灰度图像可用于基于分裂的分割。
硬件
图9展示用于图像分割及分析的方法及系统的说明性网络环境900，如本文所述。简要概述，现在参考图9，展示并描述示范性云计算环境900的框图。云计算环境900可包含一或多个资源提供者902a、902b、902c(统称为902)。每一资源提供者902可包含计算资源。在一些实施方案中，计算资源可包含用于处理数据的任何硬件及/或软件。举例来说，计算资源可包含能够执行算法、计算机程序及/或计算机应用程序的硬件及/或软件。在一些实施方案中，示范性计算资源可包含具有存储及检索能力的应用服务器及/或数据库。每一资源提供者902可连接到云计算环境900中的任何其它资源提供者902。在一些实施方案中，资源提供者902可通过计算机网络908连接。每一资源提供者902可通过计算机网络908连接到一或多个计算装置904a、904b、904c(统称为904)。
云计算环境900可包含资源管理器906。资源管理器906可通过计算机网络908连接到资源提供者902及计算装置904。在一些实施方案中，资源管理器906可促进由一或多个资源提供者902将计算资源提供到一或多个计算装置904。资源管理器906可从特定计算装置904接收对于计算资源的请求。资源管理器906可识别能够提供由计算装置904请求的计算资源的一或多个资源提供者902。资源管理器906可选择资源提供者902来提供计算资源。资源管理器906可促进资源提供者902与特定计算装置904之间的连接。在一些实施方案中，资源管理器906可建立特定资源提供者902与特定计算装置904之间的连接。在一些实施方案中，资源管理器906可将特定计算装置904重新导向到具有所请求的计算资源的特定资源提供者902。
图10展示可用于本发明中描述的方法及系统的计算装置1000及移动计算装置1050的实例。计算装置1000希望表示各种形式的数字计算机，例如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机以及其它适当的计算机。移动计算装置1050希望表示各种形式的移动装置，例如个人数字助理、蜂窝电话、智能电话及其它类似计算装置。此处所示的组件、其连接及关系以及其功能仅意味着实例，并不意味着限制。
计算装置1000包含处理器1002、存储器1004、存储装置1006、连接到存储器1004的高速接口1008及多个高速扩展端口1010，以及连接到低速扩展端口1014及存储装置1006的低速接口1012。处理器1002、存储器1004、存储装置1006、高速接口1008、高速扩展端口1010及低速接口1012中的每一者使用各种总线互连，并且可安装在共同主板上或者以其它方式适当地安装。处理器1002可处理用于在计算装置1000内执行的指令，其包含存储在存储器1004中或存储装置1006上的指令，以在外部输入/输出装置(例如耦合到高速接口1008的显示器1016)上显示GUI的图形信息。在其它实施方案中，可适当地使用多个处理器及/或多个总线以及多个存储器及多种类型的存储器。此外，可连接多个计算装置，其中每一装置提供必要运算的部分(例如，作为服务器库、刀片服务器群组或多处理器系统)。
存储器1004在计算装置1000内存储信息。在一些实施方案中，存储器1004是易失性存储器单元。在一些实施方案中，存储器1004是非易失性存储器单元。存储器1004也可为另一形式的计算机可读媒体，例如磁盘或光盘。
存储装置1006能够为计算装置1000提供大容量存储。在一些实施方案中，存储装置1006可为或含有计算机可读媒体，例如软盘装置、硬盘装置、光盘装置或磁带装置、快快闪存储器储器或其它类似固态存储器装置，或包含存储区域网络中或其它配置中的装置的装置阵列。指令可存储在信息载体中。指令在由一或多个处理装置(例如，处理器1002)执行时执行一或多个方法，例如上文描述的那些方法。指令也可由一或多个存储装置(例如，计算机或机器可读媒体(例如，存储器1004、存储装置1006或处理器1002上的存储器))来存储。
高速接口1008管理计算装置1000的带宽密集型操作，而低速接口1012管理较低带宽密集型操作。此功能分配仅为实例。在一些实施方案中，高速接口1008耦合到存储器1004、显示器1016(例如，通过图形处理器或加速器)，并耦合到高速扩展端口1010，高速扩展端口1010可接受各种扩展卡(未展示)。在实施方案中，低速接口1012耦合到存储装置1006及低速扩展端口1014。可包含各种通信端口(例如，USB、
Figure GDA0001559711460000141
以太网、无线以太网)的低速扩展端口1014可耦合到一或多个输入/输出装置(例如键盘)、指向装置、扫描仪或联网装置(例如交换机或路由器，例如通过网络适配器)。
如图中所示，可以数种不同的形式来实施计算装置1000。举例来说，其可被实现为标准服务器1020，或者在此类服务器群组中被多次实施。另外，其可在例如膝上型计算机1022的个人计算机中实施。其也可被实施为机架服务器系统1024的部分。替代地，来自计算装置1000的组件可与移动装置(未展示)(例如移动计算装置1050)中的其它组件组合。此类装置中的每一者可含有计算装置1000及移动计算装置1050中的一或多者，并且整个系统可由彼此通信的多个计算装置组成。
移动计算装置1050包含处理器1052、存储器1064、例如显示器1054的输入/输出装置、通信接口1066及收发器1068以及其它组件。移动计算装置1050还可具有例如微型驱动器或其它装置的存储装置以提供额外存储。处理器1052、存储器1064、显示器1054、通信接口1066及收发器1068中的每一者使用各种总线互连，并且组件中的若干者可安装在共同主板上或者以其它方式适当地安装。
处理器1052可在移动计算装置1050内执行指令，其包含存储在存储器1064中的指令。处理器1052可被实施为包含单独及多个模拟及数字处理器的芯片的芯片集。处理器1052可例如提供移动计算装置1050的其它组件的协调，例如用户接口的控制，由移动计算装置1050运行的应用程序以及由移动计算装置1050进行的无线通信。
处理器1052可通过耦合到显示器1054的控制接口1058及显示器接口1056与用户通信。显示器1054可为例如TFT(薄膜晶体管液晶显示器)显示器或OLED(有机发光二极管)显示器或其它适当的显示器技术。显示器接口1056可包括用于驱动显示器1054以向用户呈现图形及其它信息的适当电路。控制接口1058可接收来自用户的命令并将其转换以提交给处理器1052。另外，外部接口1062可提供与处理器1052的通信，以便于实现移动计算装置1050与其它装置的近区域通信。外部接口1062可例如在一些实施方案中提供有线通信，或在其它实施方案中提供无线通信，并且还可使用多个接口。
存储器1064在移动计算装置1050内存储信息。存储器1064可实施为计算机可读媒体、易失性存储器单元或非易失性存储器单元中的一或多者。扩展存储器1074也可被提供并且通过扩展接口1072连接到移动计算装置1050，扩展接口1072可包含例如SIMM(单列直插存储器模块)卡接口。扩展存储器1074可为移动计算装置1050提供额外存储空间，或还可为移动计算装置1050存储应用程序或其它信息。具体来说，扩展存储器1074可包含实行或补充上文描述的过程的指令，并且也可包含安全信息。因此，举例来说，扩展存储器1074可作为用于移动计算装置1050的安全模块来提供，并且可用允许安全使用移动计算装置1050的指令来编程。另外，可经由SIMM卡提供安全应用程序以及额外信息，例如以不可入侵的方式将识别信息放置在SIMM卡上。
存储器可包含例如快闪存储器及/或NVRAM存储器(非易失性随机存取存储器)，如下文论述。在一些实施方案中，指令被存储在信息载体中，并且当由一或多个处理装置(例如，处理器1052)执行时，执行一或多个方法，例如上文描述的方法。指令还可由一或多个存储装置(例如一或多个计算机或机器可读媒体(例如，存储器1064、扩展存储器1074或处理器1052上的存储器))来存储。在一些实施方案中，指令可例如通过收发器1068或外部接口1062在传播信号中被接收。
移动计算装置1050可通过通信接口1066进行无线通信，通信接口1066在必要时可包含数字信号处理电路。通信接口1066可提供各种模式或协议下的通信，例如GSM语音呼叫(全球移动通信系统)、SMS(短消息服务)、EMS(增强型消息传送服务)或MMS消息传送(多媒体消息传送服务)、CDMA(码分多址)、TDMA(时分多址)、PDC(个人数字蜂窝)，WCDMA(宽带码分多址)、CDMA2000或GPRS(通用分组无线电业务)等等。此通信可例如使用射频通过收发器1068来发生。另外，可能发生短距离通信，例如使用
Figure GDA0001559711460000161
Wi-FiTM或其它此收发器(未展示)。另外，GPS(全球定位系统)接收器模块1070可向移动计算装置1050提供额外导航及位置相关的无线数据，所述数据可适当地由在移动计算装置1050上运行的应用程序使用。
移动计算装置1050还可使用音频编解码器1060进行可听地通信，音频编解码器1060可接收来自用户的口头信息并将其转换为可用的数字信息。音频编解码器1060同样可例如通过扬声器(例如，在移动计算装置1050的送受话器中)为用户产生可听声音。此声音可包含来自语音电话呼叫的声音，可包含记录的声音(例如，语音消息、音乐文件等)，并且还可包含由在移动计算装置1050上操作的应用程序产生的声音。
如图中所示，可以数种不同的形式来实施移动计算装置1050。举例来说，其可被实施为蜂窝电话1080。其也可被实现为智能电话1082、个人数字助理或其它类似的移动装置的部分。
可在数字电子电路、集成电路，专门设计的ASIC(专用集成电路)、计算机硬件，固件、软件及/或其组合中实现此处描述的系统及技术的各种实施方案。这些各种实施方案可包含在可编程系统上可执行及/或可解译的一或多个计算机程序中的实施方案，所述可编程系统包含至少一个可编程处理器，其可为专用的或通用的，经耦合以接收来自存储系统、至少一个输入装置及至少一个输出装置的数据及指令，并将数据及指令传输到存储系统、至少一个输入装置及至少一个输出装置。
这些计算机程序(也称为程序、软件、软件应用程序或代码)包含用于可编程处理器的机器指令，并且可以高级程序及/或面向对象的编程语言及/或汇编/机器语言来实施。如本文所使用，术语机器可读媒体及计算机可读媒体是指用于将机器指令及/或数据提供到可编程处理器的任何计算机程序产品、设备及/或装置(例如磁盘、光盘、存储器、可编程逻辑装置(PLD))，其包含接收机器指令作为机器可读信号的机器可读媒体。术语机器可读信号是指用于将机器指令及/或数据提供到可编程处理器的任何信号。
为提供与用户的交互，此处描述的系统及技术可在具有显示器装置(例如，CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘及指向装置(例如，鼠标或轨迹球)的计算机上实施，所述显示器用于向用户显示信息，且用户可通过键盘及指向装置向计算机提供输入。其它类型的装置也可用于提供与用户的交互；举例来说，提供给用户的反馈可为任何形式的感官反馈(例如，视觉反馈、听觉反馈或触觉反馈)；并且可以任何形式接收来自用户的输入，其包含声音、语音或触觉输入。
此处描述的系统及技术可在计算系统中实施，其包含后端组件(例如，作为数据服务器)或者包含中间件组件(例如，应用服务器)，或包含前端组件(例如，具有图形用户接口或网络浏览器的客户端计算机，用户可通过其与此处描述的系统及技术的实施交互)，或此类后端、中间件或前端组件的任一组合。系统的组件可通过数字数据通信(例如通信网络)的任何形式或媒体来互连。通信网络的实例包含局域网(LAN)、广域网(WAN)及因特网。
计算系统可包含客户端及服务器。客户端及服务器通常彼此远离，并且通常通过通信网络进行交互。客户端及服务器之间的关系是通过运行在相应计算机上并彼此具有客户端-服务器关系的计算机程序引起。

Claims (30)

1.一种执行图像分割以自动区分受试者的骨架或部分骨架的图像中的个别骨骼的方法，所述方法包括：
由计算装置的处理器接收受试者的三维图像；
由所述处理器将一或多个二阶导数分裂滤波器应用于所述三维图像以产生针对所述图像的骨边界被移除的分裂骨掩模；
由所述处理器通过执行一或多个形态学处理操作来确定所述分裂骨掩模的多个分裂二元组分；以及
由所述处理器使用所述分裂骨掩模的所述分裂二元组分作为种子执行区生长操作，借此产生区分所述三维图像中的个别骨的分割图。
2.根据权利要求1所述的方法，其中所述一或多个二阶导数分裂滤波器包括选自由以下各者组成的群组的至少一个成员：LoG(高斯-拉普拉斯算子)、HEH(具有初步高斯滤波的最高海塞特征值)及LEH(具有初步高斯滤波的最低海塞特征值)。
3.根据权利要求1所述的方法，其包括将多个二阶导数分裂滤波器应用于所述受试者的所述三维图像以产生所述分裂骨掩模，所述应用步骤包括：
对于所应用的每一二阶导数分裂滤波器，产生滤波图像并识别具有高于或低于阈值的强度的所述滤波图像的体素，借此产生识别邻近骨之间的边界区附近的体素的分裂二元掩模；
通过执行一或多个逻辑运算来组合所述分裂二元掩模，以返回所述分裂骨掩模，其中骨边界附近的体素被移除。
4.根据权利要求1所述的方法，其进一步包括由所述处理器使用所述分割图识别一或多个解剖测量。
5.根据权利要求1所述的方法，其进一步包括：在产生所述分割图的所述步骤之后，接受来自识别所述分割图的一或多个分割区的用户的反馈以进一步细化或重新计算，且接着：
由所述处理器将一或多个二阶导数分裂滤波器应用于对应于所述一或多个用户识别的分割区的所述三维图像的部分以产生分裂骨掩模；
由所述处理器确定所述分裂骨掩模的分裂二元组分；以及
由所述处理器使用所述分裂骨掩模的所述分裂二元组分作为种子来执行区生长操作，借此产生区分所述三维图像中的个别骨的细化或重新计算的分割图。
6.根据权利要求1所述的方法，其中所述受试者的所述三维图像具有这样的分辨率，其使得所述三维图像的每一体素对应于每一维度中至少40微米的体积。
7.根据权利要求1所述的方法，其中使用所述三维图像的体素强度的空间二阶偏导数的一或多个旋转不变量来应用所述一或多个二阶导数分裂滤波器中的至少一者，其中所述图像是灰度图像。
8.根据权利要求1所述的方法，其中所述三维图像是体内图像。
9.根据权利要求1所述的方法，其中所述受试者是小型哺乳动物受试者。
10.根据权利要求1所述的方法，其中所述三维图像由微CT成像仪获得。
11.根据权利要求1所述的方法，其中通过执行连接组分分析及/或通过使用距离及分水岭变换识别集水盆来实施确定所述分裂骨掩模的所述多个分裂二元组分。
12.根据权利要求1所述的方法，其包括由所述处理器量化所述分裂骨掩模的每一分裂二元组分的体积以及由所述处理器消除具有不可接受的小体积的所述分裂骨掩模的一或多个分裂二元组分。
13.一种用于执行图像分割以自动区分受试者的骨架或部分骨架的图像中的个别骨骼的系统，所述系统包括：
处理器；及
其上存储有指令的存储器，其中所述指令在由所述处理器执行时致使所述处理器执行以下操作：
接收受试者的三维图像；
将一或多个二阶导数分裂滤波器应用于所述三维图像以产生针对所述三维图像的骨边界被移除的分裂骨掩模；
通过执行一或多个形态学处理操作来确定所述分裂骨掩模的多个分裂二元组分；以及
使用所述分裂骨掩模的所述分裂二元组分作为种子执行区生长操作，借此产生区分所述三维图像中的个别骨的分割图。
14.根据权利要求13所述的系统，其中所述一或多个二阶导数分裂滤波器包括选自由以下各者组成的群组的至少一个成员：LoG(高斯-拉普拉斯算子)、HEH(具有初步高斯滤波的最高海塞特征值)及LEH(具有初步高斯滤波的最低海塞特征值)。
15.根据权利要求13所述的系统，其中所述指令在由所述处理器执行时进一步致使所述处理器将多个二阶导数分裂滤波器应用于所述受试者的所述三维图像以产生所述分裂骨掩模，所述应用步骤包括：
对于所应用的每一二阶导数分裂滤波器，产生滤波图像并识别具有高于或低于阈值的强度的所述滤波图像的体素，借此产生识别邻近骨之间的边界区附近的体素的分裂二元掩模；
通过执行一或多个逻辑运算来组合所述分裂二元掩模，以返回所述分裂骨掩模，其中骨边界附近的体素被移除。
16.根据权利要求13所述的系统，其中所述指令在由所述处理器执行时进一步致使所述处理器使用所述分割图来识别一或多个解剖测量。
17.根据权利要求13所述的系统，其中所述指令在由所述处理器执行时进一步致使所述处理器在产生所述分割图的所述步骤之后接受来自识别所述分割图的一或多个分割区的用户的反馈以进一步细化或重新计算，且接着：
将一或多个二阶导数分裂滤波器应用于对应于所述一或多个用户识别的分割区的所述三维图像的部分以产生分裂骨掩模；
确定所述分裂骨掩模的分裂二元组分；以及
使用所述分裂骨掩模的所述分裂二元组分作为种子来执行区生长操作，借此产生区分所述三维图像中的个别骨的细化或重新计算的分割图。
18.根据权利要求13所述的系统，其中所述受试者的所述三维图像具有这样的分辨率，其使得所述图像的每一体素对应于每一维度中至少40微米的体积。
19.根据权利要求13所述的系统，其中使用所述图像的体素强度的空间二阶偏导数的一或多个旋转不变量来应用所述一或多个二阶导数分裂滤波器中的至少一者，其中所述三维图像是灰度图像。
20.根据权利要求13所述的系统，其中所述三维图像是体内图像。
21.根据权利要求13所述的系统，其中所述受试者是小型哺乳动物受试者。
22.根据权利要求13所述的系统，其中所述三维图像由微CT成像仪获得。
23.根据权利要求13所述的系统，其中通过执行连接组分分析及/或通过使用距离及分水岭变换识别集水盆来实施确定所述分裂骨掩模的所述多个分裂二元组分。
24.根据权利要求13所述的系统，其中所述指令致使所述处理器量化所述分裂骨掩模的每一分裂二元组分的体积以及消除具有不可接受的小体积的一或多个组分。
25.一种在其上存储有指令的非暂时性计算机可读媒体，其中所述指令在由处理器执行时致使所述处理器执行以下操作：
接收受试者的三维图像；
将一或多个二阶导数分裂滤波器应用于所述三维图像以产生针对所述三维图像的骨边界被移除的分裂骨掩模；
通过执行一或多个形态学处理操作来确定所述分裂骨掩模的多个分裂二元组分；以及
使用所述分裂骨掩模的所述分裂二元组分作为种子执行区生长操作，借此产生区分所述三维图像中的个别骨的分割图。
26.根据权利要求25所述的非暂时性计算机可读媒体，其中所述三维图像是体内图像。
27.根据权利要求25所述的非暂时性计算机可读媒体，其中所述受试者是小型哺乳动物受试者。
28.根据权利要求25所述的非暂时性计算机可读媒体，其中所述三维图像由微CT成像仪获得。
29.根据权利要求25所述的非暂时性计算机可读媒体，其中通过执行连接组分分析及/或通过使用距离及分水岭变换识别集水盆来实施确定所述分裂骨掩模的所述多个分裂二元组分。
30.根据权利要求25所述的非暂时性计算机可读媒体，其中所述指令致使所述处理器量化所述分裂骨掩模的每一分裂二元组分的体积以及消除具有不可接受的小体积的一或多个组分。
CN201580081954.2A 2015-07-29 2015-07-29 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法 Active CN107851312B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2015/042631 WO2017019059A1 (en) 2015-07-29 2015-07-29 Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images

Publications (2)

Publication Number Publication Date
CN107851312A CN107851312A (zh) 2018-03-27
CN107851312B true CN107851312B (zh) 2022-04-12

Family

ID=53801221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580081954.2A Active CN107851312B (zh) 2015-07-29 2015-07-29 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法

Country Status (6)

Country Link
EP (1) EP3329458B1 (zh)
JP (1) JP6741750B2 (zh)
CN (1) CN107851312B (zh)
AU (2) AU2015403475B2 (zh)
CA (1) CA2990155C (zh)
WO (1) WO2017019059A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9999400B2 (en) 2015-07-29 2018-06-19 Perkinelmer Health Services, Inc. Systems and methods for automated segmentation of individual skeletal bones in 3D anatomical images
US10136869B2 (en) 2016-03-25 2018-11-27 Perkinelmer Health Sciences, Inc. Systems and methods for characterizing a central axis of a bone from a 3D anatomical image
US10813614B2 (en) * 2017-05-24 2020-10-27 Perkinelmer Health Sciences, Inc. Systems and methods for automated analysis of heterotopic ossification in 3D images
KR102044528B1 (ko) * 2018-03-15 2019-11-14 울산대학교 산학협력단 뼈를 모델링하는 장치 및 방법
US11302008B2 (en) * 2018-03-30 2022-04-12 Perkinelmer Health Sciences, Inc. Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images
US11080830B2 (en) * 2018-04-25 2021-08-03 Perkinelmer Cellular Technologies Germany Gmbh Systems and methods for segmentation and analysis of 3D images
CN108765417B (zh) * 2018-06-15 2021-11-05 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
JP2020183876A (ja) * 2019-04-26 2020-11-12 株式会社前川製作所 特徴点認識システムおよびワーク処理システム
CN112017146B (zh) * 2019-05-31 2024-03-22 杭州三坛医疗科技有限公司 一种骨骼分节方法及装置
CN111292348B (zh) * 2020-01-21 2023-07-28 滨州医学院 一种基于自主探针与三维标注置换的mra颅骨剥离方法
CN111598867B (zh) * 2020-05-14 2021-03-09 国家卫生健康委科学技术研究所 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN116630358B (zh) * 2023-07-25 2023-09-26 潍坊医学院附属医院 一种脑部肿瘤ct影像的阈值分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008016503A1 (de) * 2008-03-31 2009-10-01 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Segmentierung von Strukturen in einem Bilddatensatz
CN102016911A (zh) * 2008-03-03 2011-04-13 新加坡科技研究局 分割ct扫描数据的方法和系统
CN103536360A (zh) * 2012-07-09 2014-01-29 西门子公司 由医学图像数据组提取数据组的方法及医学图像拍摄装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625303B1 (en) * 1999-02-01 2003-09-23 Eastman Kodak Company Method for automatically locating an image pattern in digital images using eigenvector analysis
US7676257B2 (en) * 2003-11-25 2010-03-09 General Electric Company Method and apparatus for segmenting structure in CT angiography
CA2601991A1 (en) * 2005-03-17 2006-09-21 Algotec Systems Ltd. Bone segmentation
CN1983332A (zh) * 2005-04-18 2007-06-20 西门子共同研究公司 用于计算机辅助诊断的改进的结节分割
US7623692B2 (en) * 2005-07-22 2009-11-24 Carestream Health, Inc. Pulmonary nodule detection in a chest radiograph
US7840051B2 (en) * 2006-11-22 2010-11-23 Toshiba Medical Visualization Systems Europe, Limited Medical image segmentation
EP2194505B1 (en) * 2008-11-25 2015-03-11 Algotec Systems Ltd. Method and apparatus for segmenting spine and aorta in a medical image according to a skeletal atlas
CN107610096B (zh) * 2009-09-11 2021-08-10 斯特拉克斯联合控股有限公司 用于所选组织结构的图像分析的方法及系统
JP4940340B2 (ja) * 2009-11-27 2012-05-30 富士フイルム株式会社 椎骨セグメンテーション装置、方法及びプログラム
JP5037705B2 (ja) * 2010-03-11 2012-10-03 富士フイルム株式会社 画像処理装置および方法並びにプログラム
JP5833958B2 (ja) * 2012-03-14 2015-12-16 富士フイルム株式会社 画像処理装置および方法並びにプログラム
US9495752B2 (en) * 2012-09-27 2016-11-15 Siemens Product Lifecycle Management Software Inc. Multi-bone segmentation for 3D computed tomography

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102016911A (zh) * 2008-03-03 2011-04-13 新加坡科技研究局 分割ct扫描数据的方法和系统
DE102008016503A1 (de) * 2008-03-31 2009-10-01 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Segmentierung von Strukturen in einem Bilddatensatz
CN103536360A (zh) * 2012-07-09 2014-01-29 西门子公司 由医学图像数据组提取数据组的方法及医学图像拍摄装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Hierarchical Decision Framework with a Priori Shape Models for Knee Joint Cartilage Segmentation—MICCAI Grand Challenge;Yin Yin et al;《Medical Image Analysis for the Clinic》;20100901;241-250 *
Segmentation of bones in magnetic resonance images of the wrist;Justyna Wlodarczyk et al;《International Journal Of Computer Assisted Radiology and Surgery》;20140806;第10卷(第4期);419-431 *
Segmentation of trabecular bones from Vertebral bodies in volumetric CT spine images;Melih S. Aslan et al;《2009 16th IEEE International Conference on Image Processing (ICIP)》;20100217;3385-3388 *
多模态医学图像配准研究与实现;孙滕;《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》;20120515;第2012年卷(第5期);全文 *

Also Published As

Publication number Publication date
JP2018530739A (ja) 2018-10-18
EP3329458A1 (en) 2018-06-06
JP6741750B2 (ja) 2020-08-19
AU2015403475A1 (en) 2018-01-04
AU2015403475B2 (en) 2021-04-01
EP3329458B1 (en) 2020-08-19
AU2021202716B2 (en) 2022-02-24
AU2021202716A1 (en) 2021-05-27
CN107851312A (zh) 2018-03-27
CA2990155A1 (en) 2017-02-02
CA2990155C (en) 2022-04-19
WO2017019059A1 (en) 2017-02-02

Similar Documents

Publication Publication Date Title
US10178982B2 (en) System and methods for automated segmentation of individual skeletal bones in 3D anatomical images
CN107851312B (zh) 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法
CN110678903B (zh) 用于3d图像中异位骨化的分析的系统和方法
CN108778134B (zh) 用于根据3d解剖图像表征骨骼的中心轴的系统和方法
US11302008B2 (en) Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images
US11219424B2 (en) Systems and methods for characterizing a central axis of a bone from a 3D anatomical image
JP6920376B2 (ja) ３ｄ解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法
JP6970783B2 (ja) ３ｄ解剖学的画像から骨の中心軸を特徴付けるためのシステム及び方法

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