CN108537779A - 基于聚类的椎骨分割与质心检测的方法 - Google Patents

基于聚类的椎骨分割与质心检测的方法 Download PDF

Info

Publication number
CN108537779A
CN108537779A CN201810259768.9A CN201810259768A CN108537779A CN 108537779 A CN108537779 A CN 108537779A CN 201810259768 A CN201810259768 A CN 201810259768A CN 108537779 A CN108537779 A CN 108537779A
Authority
CN
China
Prior art keywords
vertebra
cluster
segmentation
image
pixel
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
Application number
CN201810259768.9A
Other languages
English (en)
Inventor
刘侠
孙艳楠
余洪波
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201810259768.9A priority Critical patent/CN108537779A/zh
Publication of CN108537779A publication Critical patent/CN108537779A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

一种基于聚类的椎骨分割与质心检测的方法。椎骨图像分割与质心的检测在脊柱疾病的诊断中有着特殊的应用价值。脊柱由椎骨和椎间盘组成，椎骨用来保护身体内的内脏器官和神经血管等组织，椎间盘则维持人体的灵活性。所以脊柱周围的组织结构相对复杂，诊断较困难。基于此提出一种基于聚类的椎骨分割与质心检测的方法，提高分割和质心定位的准确性。所述椎骨分割和质心定位方法包括以下步骤：A、对脊椎CT数据进行预处理，突出感兴趣区域；B、利用改进的FCM的图像聚类对脊椎CT图片中椎骨区域进行分割提取；C、对原椎骨图像进行像素点的提取和聚类，再通过密度估计找出最终质心；D、将分割的结果和质心定位的结果进行合成。

Description

基于聚类的椎骨分割与质心检测的方法
技术领域
本发明主要涉及椎骨图像分割处理领域，尤其是基于聚类的图像分割和质心检测的方法。
背景技术
图像处理也称数字图像处理即为了达到某种目的采用数字计算机对图像所进行的操作运算和处理步骤。自从19世纪末德国物理学家伦琴教授发明X射线成像以来，医学影像的技术不断发展，图像处理技术也广泛应用于医学影像，并且也有利的推动了医学影像在临床医学中的应用。在医学成像过程中，提高图像的质量一直是人们努力追求的目标，不仅可以为医生的观测和判断提供了方便，同时还可以完成感兴趣区域病灶的分割与特征计算，提高疾病诊断的水平。
医学图像中CT图像基于本身的成像原理和方式，对于人体中的低密度区，如含气体多的肺部；高密度区，如骨骼都有很好的成像，因此广泛应用于各种疾病的检查。医学图像的分割是医学图像处理中的重要的一部分，分割完成的图像不仅可以减少其他组织的干扰还可以进行有效的病情分析，同时也为后续的图像配准、图像融合、可视化等操作打下基础。
脊椎疾病作为一个高发病率的疾病，它治疗方法则是人们关注的重点问题。根据产生的原因的不同，脊椎疾病的治疗方式也有很多种，椎弓根螺钉置入术是目前比较成熟的医疗手段，而决定手术成功的主要因素在于螺钉尺寸、置入点以及置入路径的正确选择和规划。脊椎相邻的组织结构复杂，背景纹理丰富，也使得单个椎骨的分割和椎骨质心的定位难度提升。重要的是单个椎骨的分割质量会影响三维模型的重建，而椎骨质心的准确性会影响椎弓根螺钉置入时的路径以及后续的稳定性。聚类因具有无样本集、无监督性、能够实现多区域分割的特点被广泛应用于图像的分割。
发明内容
本发明要解决的技术问题是提供一种聚类的椎骨分割和质心检测的方法，其特点在于，所述方法包括以下步骤：
1.对脊椎CT数据进行预处理，突出感兴趣区域；
2.利用改进的FCM的图像聚类对脊椎CT图片中椎骨区域进行分割提取；
3.对原椎骨图像进行像素点的提取和聚类，再通过密度估计找出最终质心；
4.将分割的结果和质心定位的结果进行合成；
5.对于分割后的图像进行去除干扰点处理。
优选的，所述步骤A中脊椎CT图像预处理包括以下步骤：
1.采用的滤波窗口，的高斯平滑滤波；
2.对比度拉伸，使得脊椎区域更加明亮。
优选的，所述步骤B中用改进的FCM的图像聚类对脊椎CT图片中椎骨区域进行分割提取方法包括以下步骤：
1.初始化：对脊椎图像进行直方图计算，判断二维直方图的峰值个数，设定其为聚类类别数；初始化聚类中心 ；加权指数；迭代停止阈值；最大迭代次数；
2.初始化像素的隶属度矩阵，使其满足且；
3.根据计算价值函数，如果小于阈值或它相对上次价值函数值的改变量小于阀值，则算法停止；
4.根据计算新的隶属度函数；
5.如果或者到了最大的迭代次数，则停止否则令K=K+1，继续进行迭代运算；
6.对像素进行分类，输出分类结果；
7.迭代完成后对图片进行干扰点去除。
优选的，所述步骤C中对原椎骨图像进行像素点的提取并对其聚类包括以下步骤：
1.提取原图像的像素点进行聚类；
2.初始化聚类中心，从数据中取出1个点到10个点，逐渐递增；
3.确定隶属度矩阵，计算价值函数，修正聚类中心，多次迭代，找出最优解；
4.将聚类得到的像素点进行核密度估计，密度函数的全局最大值被认为是椎骨的质心点。
本发明的有益效果是
（1）本方法对椎骨分割的快速性和精确性有一定程度的提高，具有很好的可行性；
（2）本发明中采用聚类方法进行椎骨区域的分割，同时利用聚类的无监督性找出椎骨的中心点分布，并利用核密度估计法确定椎骨的质心。将两步得到的结果进行合成。采取两步分别处理的方式，分割出椎骨了的区域，同时定位出椎骨的质心，提高了一定准确性。
附图说明：
图1为本发明基于聚类的图像分割和质心检测的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，参照附图，对本发明进一步详细说明。
步骤S1：首先对待检测的脊椎CT图像进行预处理，采用高斯平滑滤波进行除燥、灰度线性变换增强待检测区域的对比度。
步骤S2：利用改进的FCM的图像聚类对脊椎CT图片中椎骨区域进行分割提取，首先对于图片信息进行直方图计算，直方图的峰值点个数设置为聚类类别个数，聚类中心的最大值聚类类别数，进行迭代，直到小于设置阈值或者到了最大的迭代次数停止迭代。输出分类的结果，对于输出的结果进行干扰点的去除，使得分割结果更加准确。
步骤S3：对原椎骨图像进行像素点的提取，将像素点作为聚类的输入进行分类，对于聚类后离散的像素点进行密度估计，将密度函数最大值得点作为定位出的椎骨的质心点。
步骤S4：将分割出的结果和质心定位的结果进行合成。
步骤S5：输出最终的结果。

Claims (3)

1.基于聚类的椎骨分割与质心检测的方法，其特征在于所述方法包括以下步骤：
1.对脊椎CT数据进行预处理，突出感兴趣区域；
2.利用改进的FCM的图像聚类对脊椎CT图片中椎骨区域进行分割提取；
3.对原椎骨图像进行像素点的提取和聚类，再通过密度估计找出最终质心；
4.将分割的结果和质心定位的结果进行合成；
5.对于分割后的图像进行去除干扰点处理。
2.根据权利要求书1所述的基于聚类的椎骨分割与椎骨质心检测的方法，其特征在于，所述的步骤B中利用改进的FCM的图像聚类对脊椎CT图片中椎骨区域进行分割提取包括以下步骤：
1.初始化：对脊椎图像进行直方图计算，判断二维直方图的峰值个数，设定其为聚类类别数；初始化聚类中心 ；加权指数；迭代停止阈值；最大迭代次数；
2.初始化像素的隶属度矩阵，使其满足且；
3.根据计算价值函数，如果小于阈值或它相对上次价值函数值的改变量小于阀值，则算法停止；
4.根据计算新的隶属度函数；
5.如果或者到了最大的迭代次数，则停止否则令K=K+1，继续进行迭代运算；
6.对像素进行分类，输出分类结果；
7.迭代完成后对图片进行干扰点去除。
3.根据权利要求书1所述的基于聚类的椎骨分割与椎骨质心检测的方法，其特征在于，所述的步骤C中对原椎骨图像进行像素点的提取并对其聚类并进行密度估计找出最终质心包括以下步骤；
1.提取原图像的像素点进行聚类；
2.初始化聚类中心，从数据中取出1个点到10个点，逐渐递增；
3.确定隶属度矩阵，计算价值函数，修正聚类中心，多次迭代，找出最优解；
4.将聚类得到的像素点进行核密度估计，密度函数的全局最大值被认为是椎骨的质心点；
初始化聚类中心，从数据中取出1个点到10个点，逐渐递增；
6.确定隶属度矩阵，计算价值函数，修正聚类中心，多次迭代，找出最优解；
7.将聚类得到的像素点进行密度估计，密度函数的全局最大值被认为是椎骨的质心点。
CN201810259768.9A 2018-03-27 2018-03-27 基于聚类的椎骨分割与质心检测的方法 Pending CN108537779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810259768.9A CN108537779A (zh) 2018-03-27 2018-03-27 基于聚类的椎骨分割与质心检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810259768.9A CN108537779A (zh) 2018-03-27 2018-03-27 基于聚类的椎骨分割与质心检测的方法

Publications (1)

Publication Number Publication Date
CN108537779A true CN108537779A (zh) 2018-09-14

Family

ID=63485314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810259768.9A Pending CN108537779A (zh) 2018-03-27 2018-03-27 基于聚类的椎骨分割与质心检测的方法

Country Status (1)

Country Link
CN (1) CN108537779A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658382A (zh) * 2018-11-16 2019-04-19 福建中医药大学 基于图像聚类和灰度投影的舌体定位方法
CN109934824A (zh) * 2019-03-27 2019-06-25 清华大学 颈椎脊髓高信号的检测方法及系统
CN110599508A (zh) * 2019-08-01 2019-12-20 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备
CN112288704A (zh) * 2020-10-26 2021-01-29 中国人民解放军陆军军医大学第一附属医院 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法
CN113781496A (zh) * 2021-08-06 2021-12-10 北京天智航医疗科技股份有限公司 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法
WO2023050691A1 (zh) * 2021-09-28 2023-04-06 上海商汤智能科技有限公司 图像处理方法及装置、电子设备、存储介质和程序
CN116650112A (zh) * 2023-07-24 2023-08-29 杭州键嘉医疗科技股份有限公司 椎弓根螺钉路径自动规划方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436656A (zh) * 2011-09-05 2012-05-02 同济大学 基于计算机视觉的动物多样性监测方法
CN103559716A (zh) * 2013-11-12 2014-02-05 广州太普信息技术有限公司 一种缺陷图像的自动分割方法
CN104751469A (zh) * 2015-04-02 2015-07-01 西安电子科技大学 基于核模糊c均值聚类的图像分割方法
CN105405136A (zh) * 2015-11-04 2016-03-16 南方医科大学 一种基于粒子群算法的自适应脊柱ct图像分割方法
US20170109878A1 (en) * 2014-02-27 2017-04-20 Agency For Science, Technology And Research Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436656A (zh) * 2011-09-05 2012-05-02 同济大学 基于计算机视觉的动物多样性监测方法
CN103559716A (zh) * 2013-11-12 2014-02-05 广州太普信息技术有限公司 一种缺陷图像的自动分割方法
US20170109878A1 (en) * 2014-02-27 2017-04-20 Agency For Science, Technology And Research Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach
CN104751469A (zh) * 2015-04-02 2015-07-01 西安电子科技大学 基于核模糊c均值聚类的图像分割方法
CN105405136A (zh) * 2015-11-04 2016-03-16 南方医科大学 一种基于粒子群算法的自适应脊柱ct图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭庆燕 等: "肝脏MR图像自适应分割方法", 《福州大学学报（自然科学版）》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658382A (zh) * 2018-11-16 2019-04-19 福建中医药大学 基于图像聚类和灰度投影的舌体定位方法
CN109658382B (zh) * 2018-11-16 2023-05-30 福建中医药大学 基于图像聚类和灰度投影的舌体定位方法
CN109934824A (zh) * 2019-03-27 2019-06-25 清华大学 颈椎脊髓高信号的检测方法及系统
CN110599508A (zh) * 2019-08-01 2019-12-20 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备
CN110599508B (zh) * 2019-08-01 2023-10-27 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备
CN112288704A (zh) * 2020-10-26 2021-01-29 中国人民解放军陆军军医大学第一附属医院 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法
CN112288704B (zh) * 2020-10-26 2021-09-28 中国人民解放军陆军军医大学第一附属医院 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法
CN113781496A (zh) * 2021-08-06 2021-12-10 北京天智航医疗科技股份有限公司 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法
CN113781496B (zh) * 2021-08-06 2024-02-27 北京天智航医疗科技股份有限公司 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法
WO2023050691A1 (zh) * 2021-09-28 2023-04-06 上海商汤智能科技有限公司 图像处理方法及装置、电子设备、存储介质和程序
CN116650112A (zh) * 2023-07-24 2023-08-29 杭州键嘉医疗科技股份有限公司 椎弓根螺钉路径自动规划方法、装置、设备及存储介质
CN116650112B (zh) * 2023-07-24 2023-11-14 杭州键嘉医疗科技股份有限公司 椎弓根螺钉路径自动规划方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108537779A (zh) 基于聚类的椎骨分割与质心检测的方法
CN108257134B (zh) 基于深度学习的鼻咽癌病灶自动分割方法和系统
WO2021017297A1 (zh) 基于人工智能的脊柱影像处理方法及相关设备
JP2022544229A (ja) オブジェクト検出を用いて位置特定された医用画像の三次元オブジェクトセグメンテーション
Li et al. Vessels as 4-D curves: Global minimal 4-D paths to extract 3-D tubular surfaces and centerlines
Hu et al. Segmentation of brain from computed tomography head images
WO2005055137A2 (en) Vessel segmentation using vesselness and edgeness
Ibragimov et al. Segmentation of tongue muscles from super-resolution magnetic resonance images
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
Wei et al. Automated lung segmentation and image quality assessment for clinical 3-D/4-D-computed tomography
Kamiya Deep learning technique for musculoskeletal analysis
Shen et al. Branch: Bifurcation recognition for airway navigation based on structural characteristics
CN108885786B (zh) 医学图像处理
CN116997928A (zh) 使用诊断图像生成解剖模型的方法和设备
CN115830016A (zh) 医学图像配准模型训练方法及设备
CN104915989B (zh) 基于ct影像的血管三维分割方法
Karami et al. Anatomy-based algorithm for automatic segmentation of human diaphragm in noncontrast computed tomography images
Mohammed et al. Digital medical image segmentation using fuzzy C-means clustering
Smeets et al. Segmentation of liver metastases using a level set method with spiral-scanning technique and supervised fuzzy pixel classification
BR112020014201A2 (pt) sistema e método de segmentação automática de uma imagem médica 3d por uma ou várias redes neurais através de convolução estruturada de acordo com a geometria anatômica da imagem médica 3d
Fatima et al. Spinal vertebrae localization and analysis on disproportionality in curvature using radiography—a comprehensive review
Viviers et al. Advancing 6-DoF Instrument Pose Estimation in Variable X-Ray Imaging Geometries
Ding et al. Research on Spinal Canal GenerationMethod based on Vertebral Foramina Inpainting of Spinal CT Images by using BEGAN.
Sindhura et al. Synthetic Vertebral Column Fracture Image Generation by Deep Convolution Generative Adversarial Networks
Song et al. Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with Implicit Neural Representation

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180914

WD01 Invention patent application deemed withdrawn after publication