CN108538370B - 一种光照体绘制输出方法及装置 - Google Patents
一种光照体绘制输出方法及装置 Download PDFInfo
- Publication number
- CN108538370B CN108538370B CN201810292965.0A CN201810292965A CN108538370B CN 108538370 B CN108538370 B CN 108538370B CN 201810292965 A CN201810292965 A CN 201810292965A CN 108538370 B CN108538370 B CN 108538370B
- Authority
- CN
- China
- Prior art keywords
- illumination
- intensity
- training
- dictionary
- dimensional
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/506—Illumination models
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
Abstract
本发明提供了一种光照体绘制输出方法及装置,其中方法包括:获取DICOM数据;设置训练参数,初始化三维字典;利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量;对单层切片进行标记,获得标记信息,标记信息包括N种颜色标记,每种颜色标记不同的对象;利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据;初始化光照体;利用初始化光照体,采用对流算法计算分类数据对应的内部多种组织的光照强度;利用扩散算法模拟光照强度散射效果,计算扩散后的多组织光照强度;根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果,并输出光照体绘制结果。由此高效的绘制更加真实的体绘制结果。
Description
技术领域
本发明涉及数字化医疗领域,尤其涉及一种光照体绘制输出方法及装置。
背景技术
医学影像数据包括核磁数据MRI(Magnetic Resonance Imaging)与计算机断层扫描数据CT(Computed Tomography)等。在医学影像体绘制领域,目前国际上比较流行的商业软件有飞利浦公司的Allura 3D与通用电气公司的GE Volume Viewer以及西门子公司的CTClinical Engines等软件。
这些软件普遍采用经典的局部光照模型基于光线投射的体绘制算法,使用一维或多维传递函数进行显示,基于阈值,梯度等传统医学影像数据特征进行分类。其由于基于局部光照算法,对散射度高的组织如软组织表示效果差,缺乏适度的阴影,提高绘制结果的真实性与立体感,并且只能分类单一组织,或者是血管或者是骨骼,无法一次分类全部分开且效率低。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的一种光照体绘制输出方法及装置,能够高效的绘制更真实的体绘制结果。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种光照体绘制输出方法,包括:获取DICOM数据;设置训练参数,初始化三维字典;利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量,其中,高维特征向量至少包括:DICOM数据在三维空间里的边、角度、轮廓和对象;对单层切片进行标记,获得标记信息,其中,标记信息包括N种颜色标记,每种颜色标记不同的对象;利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据;初始化光照体;利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度;利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度;根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果,并输出光照体绘制结果。
另外,设置稀疏字典的参数,初始化稀疏字典包括:设置要训练的三维字典的长,宽,高以及数量,并设置训练迭代最大次数;随机初始化三维字典中的值介于0到1之间。
另外,利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量包括:对DICOM数据和已初始化的三维字典进行三维傅里叶变换,转换到频率域,通过迭代的方法求解频率域下的训练字典与稀疏编码和DICOM数据构成的线性方程,得到第一训练结果,提取出边,角特征;利用第一训练结果进行中层训练,得到第二训练结果,表示局部轮廓特征;利用第二训练结果进行高层训练,得到整体形状特征,一起构成高维特征向量。
另外,利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据包括:建立多颗CART树,每棵树使用标记信息作为训练集有放回的采样获得,在训练每棵树的节点时无放回的抽取高维特征向量中的特征进行分类,通过设置树的棵数,每棵树的深度,每个节点用到的特征数量,终止节点最少样本数,进行随机森林训练;利用随机森林预测,依次从每棵树的根节点开始,通过特征向量的距离阈值判断进入左节点还是右节点,直到到达某一叶子节点,求得所有树的输出值取平均得到当前点所属的类别。
另外,利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度包括:利用一阶迎风格式对流算法使用某一时刻光照强度,计算得到各个时刻的光照强度。
另外,利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度包括:利用各个时刻光照强度,将各光源在体数据任意位置的光场进行叠加,根据扩散方程,解根据当前点不同分类的散射方程,使用基于CUDA的共轭梯度算法解扩散方程得到经过散射的每一点的光照强度。
另外,根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果,并输出光照体绘制结果包括:模拟光线投射到分类数据的物理过程,对光线不透明度进行积累,此处根据不同分类使用不同传递函数结合散射后的每一点的光照强度,计算光照体绘制结果,并输出光照体绘制结果。
本发明另一方面提供了一种光照体绘制输出装置,包括:获取模块,用于获取DICOM数据;设置模块,用于设置训练参数,初始化三维字典;训练模块,用于利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量,其中,高维特征向量至少包括:DICOM数据在三维空间里的边、角度、轮廓和对象;标记模块,用于对单层切片进行标记,获得标记信息,其中,标记信息包括N种颜色标记,每种颜色标记不同的对象;计算模块,用于利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据;光照算法模块,用于初始化光照体;利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度;利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度;根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果;输出模块,用于输出光照体绘制结果。
另外,设置模块通过如下方式设置稀疏字典的参数,初始化稀疏字典:设置模块,还用于设置要训练的三维字典的长,宽,高以及数量,并设置训练迭代最大次数;随机初始化三维字典中的值介于0到1之间。
另外,训练模块通过如下方式利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量:训练模块,还用于对DICOM数据和已初始化的三维字典进行三维傅里叶变换,转换到频率域,通过迭代的方法求解频率域下的训练字典与稀疏编码和DICOM数据构成的线性方程,得到第一训练结果;利用第一训练结果进行中层训练,得到第二训练结果;利用第二训练结果进行高层训练,得到高维特征向量。
另外,计算模块通过如下方式利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据:计算模块,还用于建立多颗CART树,每棵树使用标记信息作为训练集有放回的采样获得,在训练每棵树的节点时无放回的抽取高维特征向量中的特征进行分类,通过设置树的棵数,每棵树的深度,每个节点用到的特征数量,终止节点最少样本数,进行随机森林训练;利用随机森林预测,依次从每棵树的根节点开始,通过特征向量的距离阈值判断进入左节点还是右节点,直到到达某一叶子节点,求得所有树的输出值取平均得到当前点所属的类别。
另外,光照算法模块通过如下方式利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度:光照算法模块,还用于利用一阶迎风格式对流算法使用某一时刻光照强度,计算得到各个时刻的光照强度;
另外,光照算法模块通过如下方式利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度:光照算法模块,还用于利用计算得到的各个时刻光照强度,将各光源在体数据任意位置的光场进行叠加,根据扩散方程,解根据当前点不同分类的散射方程,使用基于CUDA的共轭梯度算法解扩散方程得到经过散射的每一点的光照强度。
另外,光照算法模块通过如下方式根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果:光照算法模块,还用于模拟光线投射到分类数据的物理过程,对光线不透明度进行积分,此处根据不同分类使用不同传递函数结合散射后的每一点的光照强度,计算光照体绘制结果。
由此可见,通过本发明提供的光照体绘制输出方法及装置,可以替代目前的商业软件,以高效的绘制更加真实的体绘制结果,更利于用户使用。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的光照体绘制输出方法的流程图;
图2为本发明实施例提供的光照体绘制输出装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了绘制更加真实的体绘制结果,本发明提出了一种基于卷积稀疏编码多分类的实时全局光照体绘制技术,可以更加真实的绘制体绘制结果,方便用户使用。本发明方案的输入数据包括:核磁或CT扫描获得的DICOM数据;输出是:多分类的全局光照体绘制结果。
本发明方案具体可以分为两大步骤,S101-S105是卷积稀编码训练,S106-S109是多分类全局光照算法。
图1示出了本发明实施例提供的光照体绘制输出方法的流程图,参见图1本发明实施例提供的光照体绘制输出方法,包括:
S101,获取DICOM数据。
具体地,可以通过核磁或CT扫描获得的DICOM数据。
S102,设置训练参数,初始化三维字典。
作为本发明实施例的一个可选实施方式,设置稀疏字典的参数,初始化稀疏字典可以包括:设置要训练的三维字典的长,宽,高以及数量,并设置训练迭代最大次数;随机初始化三维字典中的值介于0到1之间。设置各类训练参数,其中可以包括设置三维字典参数,同时还可以设置其他训练参数,保证后续训练的顺利进行。
具体地,在准备训练数据时,可以配置训练参数:准备训练稀疏编码所需的DICOM数据,设置需要训练的三维编码字典的长,宽,高以及数量,设置训练迭代最大次数,正则项比例,随机初始化字典中的值介于0到1之间,以及设置学习率等,这在本发明中并不做出限制,只要在后续训练过程中应用到的数据,均需进行训练。
S103,利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量,其中,高维特征向量至少包括:DICOM数据在三维空间里的边、角度、轮廓和对象。
作为本发明实施例的一个可选实现方式,利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量包括:对DICOM数据和已初始化的三维字典进行三维傅里叶变换,转换到频率域,通过迭代的方法求解频率域下的训练字典与稀疏编码和DICOM数据构成的线性方程,得到第一训练结果;利用第一训练结果进行中层训练,得到第二训练结果;利用第二训练结果进行高层训练,得到高维特征向量。由此可以得到用于分类的高维特征向量,以便后续进行分类。
具体地,训练稀疏编码:对DICOM数据与已初始化的字典进行三维傅里叶变换,转换到频率域,通过迭代的方法求解频率域下训练字典(Training Dictionary)与稀疏编码(Sparse Map)以及DICOM数据构成的线性方程,求线性方程组的解,不断迭代使得能量函数值最小,其中,v表示DICOM体数据,d稀疏字典,x稀疏编码,d*x卷积计算,通过多个字典与稀疏编码求和近似回原始数据,||y||1为x的一阶范数用来控制稀疏性,α和λ分别表示稀疏字典重建比例与稀疏项比例,求得字典与编码尽可能还原体数据v且满足某一项比重较大而其他项比重较小。接着由训练好的∑d*x表示数据,进行中层训练字典与稀疏编码,最后再用得到的结果再次训练更高层的字典与编码。低,中,高,三层分别表示DICOM数据在三维空间里的边,角度,轮廓,对象部分的信息,获取高维特征向量,用于分类。
S104,对单层切片进行标记,获得标记信息,其中,标记信息包括N种颜色标记,每种颜色标记不同的对象。
具体地,基于单层切片的标记:经过训练好的高维特征向量,此时提供一层切片的标记,来告诉下一步算法,哪些特征点属于哪一个类别,将作为下一步的输入。例如:所需操作即选择一种类别,如1,2,3,4之一,分别选择四种颜色的画笔,对一层切片进行涂抹,提供选择画笔粗细的功能,例如用红色标记空气即非人体组织,绿色标记软组织,黄色标记骨骼,蓝色标记支气管等。
S105,利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据。
作为本发明实施例的一个可选实施方式,利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据包括:建立多颗CART树,每棵树使用标记信息作为训练集有放回的采样获得,在训练每棵树的节点时无放回的抽取高维特征向量中的特征进行分类,通过设置树的棵数,每棵树的深度,每个节点用到的特征数量,终止节点最少样本数,进行随机森林训练;利用随机森林预测,依次从每棵树的根节点开始,通过特征向量的距离阈值判断进入左节点还是右节点,直到到达某一叶子节点,求得所有树的输出值取平均得到当前点所属的类别。通过随机森林回归算法可以得到分类的数据,以便后续对分类数据进行进一步处理。
具体地,利用随机森林进行回归预测的方式进行。通过卷积稀疏编码获得的高维特征向量(一般可以取30到90维)与标记的一些点的类别信息,使用随机森林回归算法。具体为建立多颗CART(Classification And Regression Tree),每棵树使用标记的点作为训练集有放回的采样获得,在训练每棵树的节点时无放回的抽取一些第二步得到的特征进行分类,通过设置树的棵数,每棵树的深度,每个节点用到的特征数量f,终止节点最少样本数s进行随机森林训练。利用随机森林预测,依次从每棵树的根节点开始,通过特征向量的距离阈值判断进入左节点还是右节点,直到到达某一叶子节点,求得所有树的输出值取平均得到当前点所属的类别。
S106,初始化光照体。
具体地,基于Dirichlet-Neumann边界条件的初始化。以太阳光等平行光远为例,当光入射到DICOM数据边界时,与逆光方向成锐角的部分初始化为光强,钝角处初始化为0,计算立方体6个面的光照初始条件。
S107,利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度。
作为本发明实施例的一个可选实施方式,利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度包括:利用一阶迎风格式对流算法使用某一时刻光照强度,计算得到各个时刻的光照强度。得到各个时刻的光照强度可以为后续处理提供依据。
具体地,对流算法计算光照体内部光强:使用一阶迎风格式对流算法:
其中,P表示光照强度,i,j,k表示在体数据中的位置,t时刻,σ表示不透明度传递函数,x当前体素值,c表示由卷积稀疏编码获得的分类结果,Δx表示体素点间隔,Δp表示i,j,k位置光源方向与光照强度梯度的数量积。
即每个时间步内沿光强变弱方向,更新三维坐标i,j,k位置的光照强度,收敛终止条件是该点的梯度变化小于其不透明度与该点光强除以总光强。
S108,利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度。
作为本发明实施例的一个可选实施方式,利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度包括:利用计算得到的各个时刻光照强度,将各光源在体数据任意位置的光场进行叠加,根据扩散方程,解根据当前点不同分类的散射方程,使用基于CUDA的共轭梯度算法解扩散方程得到经过散射的每一点的光照强度。得到散射的每一点的光照强度,使得体绘制图像更加真实。
具体地,在对流算法得到的某一时刻光强的基础上,将各光源在体数据任意位置x的光场进行叠加,
其中,光满足叠加性,将K个光源光照强度叠加。
根据扩散方程,解根据当前点不同分类的散射方程,
其中,σ(x,c)当前体素位置,分类c下的散射系数,表示上一步叠加光照强度梯度的散度。
使用基于CUDA的共轭梯度算法解上述方程得到最后经过散射的每一点的光照强度。
S109,根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果,并输出光照体绘制结果。
作为本发明实施例的一个可选实施方式,根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果,并输出光照体绘制结果包括:模拟光线投射到分类数据的物理过程,对光线不透明度进行积分,此处根据不同分类使用不同传递函数结合散射后的每一点的光照强度,计算光照体绘制结果,并输出光照体绘制结果。由此可以绘制出更加真实的体绘制结果。
具体地,模拟光线投射到体数据的物理过程,对光线不透明度进行积累,此处根据不同分类使用不同传递函数并结合经过散射后的每一点光强,有如下体绘制公式,最终得到体绘制结果:
由此可见,通过本发明提供的光照体绘制输出方法,可以替代目前的商业软件,以高效的绘制更加真实的体绘制结果,更利于用户使用。
图2示出了本发明实施例提供的光照体绘制输出装置的结构示意图,该光照体绘制输出装置应用于上述方法,以下仅对光照体绘制输出装置的结构进行简单说明,其他未尽事宜,请参照上述光照体绘制输出方法中的相关描述,参见图2,光照体绘制输出装置,包括:
获取模块201,用于获取DICOM数据;
设置模块202,用于设置训练参数,初始化三维字典;
训练模块203,用于利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量,其中,高维特征向量至少包括:DICOM数据在三维空间里的边、角度、轮廓和对象;
标记模块204,用于对单层切片进行标记,获得标记信息,其中,标记信息包括N种颜色标记,每种颜色标记不同的对象;
计算模块205,用于利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据;
光照算法模块206,用于初始化光照体;利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度;利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度;根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果;
输出模块207,用于输出光照体绘制结果。
由此可见,通过本发明提供的光照体绘制输出装置,可以替代目前的商业软件,以高效的绘制更加真实的体绘制结果,更利于用户使用。
作为本发明实施例的一个可选实施方式,设置模块通过如下方式设置稀疏字典的参数,初始化稀疏字典:设置模块,还用于设置要训练的三维字典的长,宽,高以及数量,并设置训练迭代最大次数;随机初始化三维字典中的值介于0到1之间。设置各类训练参数,其中可以包括设置三维字典参数,同时还可以设置其他训练参数,保证后续训练的顺利进行。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式利用DICOM数据与已初始化的三维字典,训练稀疏编码和三维字典,获取用于分类的高维特征向量:训练模块,还用于对DICOM数据和已初始化的三维字典进行三维傅里叶变换,转换到频率域,通过迭代的方法求解频率域下的训练字典与稀疏编码和DICOM数据构成的线性方程,得到第一训练结果;利用第一训练结果进行中层训练,得到第二训练结果;利用第二训练结果进行高层训练,得到高维特征向量。由此可以得到用于分类的高维特征向量,以便后续进行分类。
作为本发明实施例的一个可选实施方式,计算模块通过如下方式利用随机森林回归算法对高维特征向量和标记信息进行计算,得到分类数据:计算模块,还用于建立多颗CART树,每棵树使用标记信息作为训练集有放回的采样获得,在训练每棵树的节点时无放回的抽取高维特征向量中的特征进行分类,通过设置树的棵数,每棵树的深度,每个节点用到的特征数量,终止节点最少样本数,进行随机森林训练;利用随机森林预测,依次从每棵树的根节点开始,通过特征向量的距离阈值判断进入左节点还是右节点,直到到达某一叶子节点,求得所有树的输出值取平均得到当前点所属的类别。通过随机森林回归算法可以得到分类的数据,以便后续对分类数据进行进一步处理。
作为本发明实施例的一个可选实施方式,光照算法模块通过如下方式利用初始化光照体,采用对流算法计算分类数据对应的内部多组织的光照强度:光照算法模块,还用于利用一阶迎风格式对流算法使用某一时刻光照强度,计算得到各个时刻的光照强度。得到各个时刻的光照强度可以为后续处理提供依据。
作为本发明实施例的一个可选实施方式,光照算法模块通过如下方式利用扩散算法模拟光照强度散射效果,对内部多组织的光照强度进行计算,计算扩散后的多组织光照强度:光照算法模块,还用于利用各个时刻光照强度,将各光源在体数据任意位置的光场进行叠加,根据扩散方程,解根据当前点不同分类的散射方程,使用基于CUDA的共轭梯度算法解扩散方程得到经过散射的每一点的光照强度。得到散射的每一点的光照强度,使得体绘制图像更加真实。
作为本发明实施例的一个可选实施方式,光照算法模块通过如下方式根据分类数据以及扩散后的多组织光照强度,计算光照体绘制结果:光照算法模块,还用于模拟光线投射到分类数据的物理过程,对光线不透明度进行积分,此处根据不同分类使用不同传递函数结合散射后的每一点的光照强度,计算光照体绘制结果。由此可以绘制出更加真实的体绘制结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种光照体绘制输出方法,其特征在于,包括:
获取DICOM数据;
设置训练参数,初始化三维字典;
利用DICOM数据与已初始化的所述三维字典,训练稀疏编码和所述三维字典,获取用于分类的高维特征向量,其中,所述高维特征向量至少包括:所述DICOM数据在三维空间里的边、角度、轮廓和对象;
对单层切片进行标记,获得标记信息,其中,所述标记信息包括N种颜色标记,每种颜色标记不同的对象;
利用随机森林回归算法对所述高维特征向量和所述标记信息进行计算,得到分类数据;
初始化光照体;
利用所述初始化光照体,采用对流算法计算所述分类数据对应的内部多组织的光照强度;
利用扩散算法模拟光照强度散射效果,对所述内部多组织的光照强度进行计算,计算扩散后的多组织光照强度;
根据所述分类数据以及所述扩散后的多组织光照强度,计算光照体绘制结果,并输出所述光照体绘制结果。
2.根据权利要求1所述的方法,其特征在于,所述设置稀疏字典的参数,初始化所述稀疏字典包括:
设置要训练的所述三维字典的长,宽,高以及数量,并设置训练迭代最大次数;
随机初始化所述三维字典中的值介于0到1之间。
3.根据权利要求1或2所述的方法,其特征在于,所述利用DICOM数据与已初始化的所述三维字典,训练稀疏编码和所述三维字典,获取用于分类的高维特征向量包括:
对所述DICOM数据和已初始化的所述三维字典进行三维傅里叶变换,转换到频率域,通过迭代的方法求解频率域下的训练字典与稀疏编码和所述DICOM数据构成的线性方程,得到第一训练结果;
利用所述第一训练结果进行中层训练,得到第二训练结果;
利用所述第二训练结果进行高层训练,得到所述高维特征向量。
4.根据权利要求1或2的方法,其特征在于,所述利用随机森林回归算法对所述高维特征向量和所述标记信息进行计算,得到分类数据包括:
建立多颗CART树,每棵树使用所述标记信息作为训练集有放回的采样获得,在训练每棵树的节点时无放回的抽取所述高维特征向量中的特征进行分类,通过设置树的棵数,每棵树的深度,每个节点用到的特征数量,终止节点最少样本数,进行随机森林训练;
利用随机森林预测,依次从每棵树的根节点开始,通过特征向量的距离阈值判断进入左节点还是右节点,直到到达某一叶子节点,求得所有树的输出值取平均得到当前点所属的类别。
5.根据权利要求1或2所述的方法,其特征在于,所述利用所述初始化光照体,采用对流算法计算所述分类数据对应的内部多组织的光照强度包括:
利用一阶迎风格式对流算法使用某一时刻光照强度,计算得到各个时刻的光照强度。
6.根据权利要求5所述的方法,其特征在于,所述利用扩散算法模拟光照强度散射效果,对所述内部多组织的光照强度进行计算,计算扩散后的多组织光照强度包括:
利用计算得到的所述各个时刻的光照强度,将各光源在体数据任意位置的光场进行叠加,根据扩散方程,解根据当前点不同分类的散射方程,使用基于CUDA的共轭梯度算法解所述扩散方程得到经过散射的每一点的光照强度。
7.根据权利要求6所述的方法,其特征在于,所述根据所述分类数据以及所述扩散后的多组织光照强度,计算光照体绘制结果,并输出所述光照体绘制结果包括:
模拟光线投射到所述分类数据的物理过程,对光线不透明度进行积分,此处根据不同分类使用不同传递函数结合散射后的每一点的光照强度,计算光照体绘制结果,并输出所述光照体绘制结果。
8.一种光照体绘制输出装置,其特征在于,包括:
获取模块,用于获取DICOM数据;
设置模块,用于设置训练参数,初始化三维字典;
训练模块,用于利用DICOM数据与已初始化的所述三维字典,训练稀疏编码和所述三维字典,获取用于分类的高维特征向量,其中,所述高维特征向量至少包括:所述DICOM数据在三维空间里的边、角度、轮廓和对象;
标记模块,用于对单层切片进行标记,获得标记信息,其中,所述标记信息包括N种颜色标记,每种颜色标记不同的对象;
计算模块,用于利用随机森林回归算法对所述高维特征向量和所述标记信息进行计算,得到分类数据;
光照算法模块,用于初始化光照体;利用所述初始化光照体,采用对流算法计算所述分类数据对应的内部多组织的光照强度;利用扩散算法模拟光照强度散射效果,对所述内部多组织的光照强度进行计算,计算扩散后的多组织光照强度;根据所述分类数据以及所述扩散后的多组织光照强度,计算光照体绘制结果;
输出模块,用于输出所述光照体绘制结果。
9.根据权利要求8所述的装置,其特征在于,所述设置模块通过如下方式设置稀疏字典的参数,初始化所述稀疏字典:
所述设置模块,还用于设置要训练的所述三维字典的长,宽,高以及数量,并设置训练迭代最大次数;随机初始化所述三维字典中的值介于0到1之间。
10.根据权利要求8或9所述的装置,其特征在于,所述训练模块通过如下方式利用DICOM数据与已初始化的所述三维字典,训练稀疏编码和所述三维字典,获取用于分类的高维特征向量:
所述训练模块,还用于对所述DICOM数据和已初始化的所述三维字典进行三维傅里叶变换,转换到频率域,通过迭代的方法求解频率域下的训练字典与稀疏编码和所述DICOM数据构成的线性方程,得到第一训练结果;利用所述第一训练结果进行中层训练,得到第二训练结果;利用所述第二训练结果进行高层训练,得到所述高维特征向量。
11.根据权利要求8或9所述的装置,其特征在于,所述计算模块通过如下方式利用随机森林回归算法对所述高维特征向量和所述标记信息进行计算,得到分类数据:
所述计算模块,还用于建立多颗CART树,每棵树使用所述标记信息作为训练集有放回的采样获得,在训练每棵树的节点时无放回的抽取所述高维特征向量中的特征进行分类,通过设置树的棵数,每棵树的深度,每个节点用到的特征数量,终止节点最少样本数,进行随机森林训练;利用随机森林预测,依次从每棵树的根节点开始,通过特征向量的距离阈值判断进入左节点还是右节点,直到到达某一叶子节点,求得所有树的输出值取平均得到当前点所属的类别。
12.根据权利要求8或9所述的装置,其特征在于,所述光照算法模块通过如下方式利用所述初始化光照体,采用对流算法计算所述分类数据对应的内部多组织的光照强度:
所述光照算法模块,还用于利用一阶迎风格式对流算法使用某一时刻光照强度,计算得到各个时刻的光照强度。
13.根据权利要求12所述的装置,其特征在于,所述光照算法模块通过如下方式利用扩散算法模拟光照强度散射效果,对所述内部多组织的光照强度进行计算,计算扩散后的多组织光照强度:
所述光照算法模块,还用于利用计算得到的所述各个时刻光照强度,将各光源在体数据任意位置的光场进行叠加,根据扩散方程,解根据当前点不同分类的散射方程,使用基于CUDA的共轭梯度算法解所述扩散方程得到经过散射的每一点的光照强度。
14.根据权利要求13所述的装置,其特征在于,所述光照算法模块通过如下方式根据所述分类数据以及所述扩散后的多组织光照强度,计算光照体绘制结果:
所述光照算法模块,还用于模拟光线投射到所述分类数据的物理过程,对光线不透明度进行积分,此处根据不同分类使用不同传递函数结合散射后的每一点的光照强度,计算光照体绘制结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810292965.0A CN108538370B (zh) | 2018-03-30 | 2018-03-30 | 一种光照体绘制输出方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810292965.0A CN108538370B (zh) | 2018-03-30 | 2018-03-30 | 一种光照体绘制输出方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108538370A CN108538370A (zh) | 2018-09-14 |
CN108538370B true CN108538370B (zh) | 2019-08-02 |
Family
ID=63481777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810292965.0A Active CN108538370B (zh) | 2018-03-30 | 2018-03-30 | 一种光照体绘制输出方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108538370B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669941B (zh) * | 2020-12-28 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN114501051B (zh) * | 2022-01-24 | 2024-02-02 | 广州繁星互娱信息科技有限公司 | 直播对象的标记显示方法和装置、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203988A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种由二维x光图像重建三维体图像的方法及其应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6697067B1 (en) * | 1999-09-28 | 2004-02-24 | Cedera Software Corp. | Method and system for storing information regarding a selected view of a three dimensional image generated from a multi-frame object |
CN106887039B (zh) * | 2017-02-28 | 2021-03-02 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的器官和病灶的三维成像方法及系统 |
-
2018
- 2018-03-30 CN CN201810292965.0A patent/CN108538370B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203988A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种由二维x光图像重建三维体图像的方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN108538370A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361624B (zh) | 一种计算机三维模型中全局光照的渲染方法 | |
Hu et al. | Efficient tree modeling from airborne LiDAR point clouds | |
Livny et al. | Automatic reconstruction of tree skeletal structures from point clouds | |
CN110021069A (zh) | 一种基于网格形变的三维模型重建方法 | |
Pirk et al. | Plastic trees: interactive self-adapting botanical tree models | |
CN104268934B (zh) | 一种由点云直接重建三维曲面的方法 | |
Li et al. | Learning to reconstruct botanical trees from single images | |
CN107203988B (zh) | 一种由二维x光图像重建三维体图像的方法及其应用 | |
Wang et al. | Mvpnet: Multi-view point regression networks for 3d object reconstruction from a single image | |
CN108205806A (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
CN101339670A (zh) | 一种计算机辅助的三维颅面复原方法 | |
CN104134236B (zh) | 一种三维平面实体的布尔运算方法 | |
CN103646421B (zh) | 基于增强型PyrLK光流法的树木轻量化3D重建方法 | |
CN108538370B (zh) | 一种光照体绘制输出方法及装置 | |
RU2674326C2 (ru) | Способ формирования архитектуры нейросети для классификации объекта, заданного в виде облака точек, способ ее применения для обучения нейросети и поиска семантически схожих облаков точек | |
Häne et al. | Hierarchical surface prediction | |
Liu et al. | Single image tree reconstruction via adversarial network | |
Paulin et al. | Review and analysis of synthetic dataset generation methods and techniques for application in computer vision | |
CN116416376A (zh) | 一种三维头发的重建方法、系统、电子设备及存储介质 | |
Zhang et al. | [Retracted] Virtual Reality Design and Realization of Interactive Garden Landscape | |
Kim et al. | Image-based TF colorization with CNN for direct volume rendering | |
Gobron et al. | GPGPU computation and visualization of three-dimensional cellular automata | |
CN103383778B (zh) | 一种三维卡通人脸生成方法和系统 | |
CN106683160A (zh) | 一种基于二维直方图的传递函数设计方法及装置 | |
Ma et al. | Smooth multiple B-spline surface fitting with Catmull% ndash; Clark subdivision surfaces for extraordinary corner patches |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100083 Beijing Haidian District Zhongguancun East Road 8 Dongsheng building AB block nine floor 917 units. Applicant after: Beijing Ling Ling Medical Technology Co., Ltd. Address before: 100083 B 917, Dongsheng building, 8 Zhongguancun East Road, Haidian District, Beijing. Applicant before: Beijing Ling Ling Medical Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |