CN108765483A - 一种从脑部ct图像中确定中矢面的方法及系统 - Google Patents
一种从脑部ct图像中确定中矢面的方法及系统 Download PDFInfo
- Publication number
- CN108765483A CN108765483A CN201810565550.6A CN201810565550A CN108765483A CN 108765483 A CN108765483 A CN 108765483A CN 201810565550 A CN201810565550 A CN 201810565550A CN 108765483 A CN108765483 A CN 108765483A
- Authority
- CN
- China
- Prior art keywords
- brain
- cerebral tissue
- plane
- pixel
- images
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像处理技术领域。本发明提出的从脑部CT图像确定中矢面的方法,包括:步骤S10:根据获取的用户输入的所述脑部CT图像中的一个或多个大脑组织像素点,利用区域生长法确定所述脑部CT图像中的大脑组织;步骤S20:生成对应于所述大脑组织的最小有向包围盒;步骤S30:确定所述最小有向包围盒在沿脑部对称方向的中心对称面,所述中心对称面为所述脑部CT图像的中矢面。本发明提供的从脑部CT图像中确定中矢面的方法自动化程度高,降低了人工参与度,减少了人为主观偏差,准确度好,一致性高。
Description
技术领域
本发明涉及医学图像处理技术领域,特别是一种从脑部CT图像确定中矢面的方法和系统。
背景技术
口腔颌面外科是是诊治口腔颌面部软硬组织肿瘤、创伤、畸形等病变的学科。其治疗器官主要包括牙齿,面部骨骼、皮肤,舌及唾液腺等。意外事故可能会致使口腔颌面的受损,受损程度的不同对于患者的影响也不尽相同。譬如,当颧骨塌陷到了一定的程度之后,会出现明显的肉眼可观察到的面部的塌陷;下巴的脱落,会造成进食困难;颅骨的损伤甚至可能引起生命的危险。诸如此类的症状,会对患者的心理和生理造成很严重的影响。
针对造成面部对称畸形的口腔颌面疾病,当前的医学处置方法中,由临床医生在医学影像中手动选择颅骨上的至少4对对称点,并由计算机图像处理系统根据这些对称点建出患者的头颅对称面,并重建患者的口腔颌面三维模型;具体地,临床医生手动找到与病灶对应的,在对称面的另一侧的健康骨骼,并以该健康骨骼为模板制作导板,并利用该导板来填补面部对称畸形缺陷。
目前,寻找医学影像中的头颅对称面的过程较多依赖于医生的主观判断和医生的手动操作,为医生带来了较多的工作负担。另外,其准确性取决于医生的个人经验,针对相同的一幅医学影像,每个医生选择的颅骨对称点可能不一致,从而导致建立的对称面一致性差;随机性较大,容易受到多种外界因素的影响,如特殊头颅的对称面难以观察,医生长时间工作产生的疲劳,可能导致同一个医生针对相同的一幅医学影像不同时刻选择都不一致等。
上述缺陷是本邻域技术人员期望克服的。
发明内容
(一)要解决的技术问题
针对现有技术中从医学影像中确定头颅对称面的方法随机性较大、结果一致性较差的问题,本发明提供了一种从脑部CT图像中确定中矢面的方法和系统,旨在提高从医学影像中确定头颅对称面的一致性和准确性。
(二)技术方案
第一方面,为解决以上问题,本发明提供的技术方案为:
一种从脑部CT图像中确定中矢面的方法,包括:
步骤S10:根据获取的用户输入的所述脑部CT图像中的一个或多个大脑组织像素点,利用区域生长法确定所述脑部CT图像中的大脑组织;
步骤S20:生成对应于所述大脑组织的最小有向包围盒;
步骤S30:确定所述最小有向包围盒在沿脑部对称方向的中心对称面,所述中心对称面为所述脑部CT图像的中矢面。
进一步地,所述的方法,在所述步骤S30之后,还包括:
步骤S40:平移和/或旋转所述中心对称面,以确定多个过程对称面;
步骤S50:针对所述中心对称面和/或所述过程对称面:
确定位于所述中心对称面和/或所述过程对称面的一侧的大脑组织为第一半脑,确定位于所述中心对称面和/或所述过程对称面的另一侧的大脑组织为第二半脑;
获取所述第一半脑和所述第二半脑之间的互信息数据;
S60:确定最大的互信息数据对应的所述中心对称面或所述过程对称面为所述脑部CT图像的中矢面。
进一步地,所述的方法,所述步骤S10,包括:
步骤S110:根据从所述脑部CT图像中获取的一个大脑组织像素点,利用预先设定的区域范围,确定灰度阈值;或
根据从所述脑部CT图像中获取的多个大脑组织像素点,利用预先设定的多个区域范围,确定灰度阈值;
步骤S120:根据所述至少一个大脑组织像素点,利用26邻域扩展方法和所述灰度阈值,确定全部的脑部CT图像中的大脑组织像素点,所述全部的大脑组织像素点构成所述脑部CT图像中的大脑组织。
进一步地,所述的方法,所述步骤S120,包括:
针对每一个大脑组织像素点:
以所述大脑组织像素点为中心点,确定所述大脑组织像素点对应的 26个邻域像素点;
针对每一个邻域像素点:
若所述邻域像素点的灰度与作为中心点的所述大脑组织像素点的灰度的差异不大于所述灰度阈值,则所述邻域像素点为一个大脑组织像素点。
进一步地,所述的方法,所述步骤S20包括:
步骤S210:确定所述大脑组织的边界点;
步骤S220:根据所述边界点,确定用于重建坐标系的基;
步骤S230:根据所述基,重建坐标系,得到新坐标系,并确定所述大脑组织在所述新坐标系下的新边界点,所述新边界点为对应于所述大脑组织的最小有向包围盒的边界点;
步骤S240:根据所述新边界点,确定最小有向包围盒的中心点和各边边长。
进一步地,所述的方法,所述步骤S220包括:
根据式(1)确定所述边界点的协方差矩阵,其中,式(1)为:
采用施密特方法确定所述协方差矩阵的特征向量,所述特征向量为用于重建坐标系的基。
进一步地,所述的方法,所述步骤S50中,获取所述第一半脑和所述第二半脑之间的互信息数据,包括:
根据式(2)确定所述第一半脑的像素点和所述第二半脑的像素点之间的互信息数据I(A,B),其中,式(2)为:
I(A,B)=H(A)+H(B)-H(A,B),
其中,根据式(3)确定所述第一半脑的像素点的熵H(A),式(3)为:
根据式(4)确定所述第二半脑的像素点的熵H(B),式(4)为:
根据式(5)确定所述第一半脑的像素点和所述第二半脑的像素点之间的联合熵H(A,B),其中,式(5)为:
其中,pA(a)为描述所述第一半脑的像素点的灰度的随机变量A的概率分布;pB(b)为描述所述第二半脑的像素点的灰度的随机变量B的概率分布为;pAB(a,b)为A与B的联合概率分布。
进一步地,所述的方法,
所述步骤S50中,确定位于所述中心对称面和/或所述过程对称面的一侧的大脑组织为第一半脑,确定位于所述中心对称面和/或所述过程对称面的另一侧的大脑组织为第二半脑,包括:
在所述大脑组织的YZ平面上,通过所述中心对称面的投影直线由式(6) 确定,其中,式(6)为:
zcenter_z=k(p_y-center_y);
其中,center_z为所述最小包围盒的中心点的z坐标值,center_y为所述最小包围盒的中心点的y坐标值,k为斜率;
在所述大脑组织的YZ平面上,由式(7)确定任一像素点(p_y,p_z)在所述投影直线的上方还是下方,其中,式(7)为:
k(p_y-center_y+center_z)-p_z;
当式(7)的值大于0时,则判定所述像素点(p_y,p_z)属于第一半脑;当式(7)的值小于等于0时,则判定所述像素点(p_y,p_z)属于第二半脑。
进一步地,所述的方法,所述步骤S60或所述步骤S30之后,还包括:
根据获取的用户输入的刷新指令和/或获取的用户输入的所述脑部 CT图像中的一个或多个大脑组织像素点,利用区域生长法确定所述脑部 CT图像中的大脑组织。
第二方面,为解决以上问题,本发明提供的技术方案为:
一种从脑部CT图像中确定中矢面的系统,包括:
显示设备,其用于展示所述脑部CT图像、及显示所述脑部CT图像的中矢面;
存储器,其用于储存所述脑部CT图像、所述脑部CT图像的中矢面;
处理器,其用于根据获取的用户输入的所述脑部CT图像中的一个或多个大脑组织像素点,利用区域生长法确定所述脑部CT图像中的大脑组织;及
生成对应于所述大脑组织的最小有向包围盒;及
确定所述最小有向包围盒在沿脑部对称方向的中心对称面,所述中心对称面为所述脑部CT图像的中矢面。
(三)有益效果
本发明提供的从脑部CT图像中确定中矢面的方法,使用区域生长法从脑部CT图像中获取大脑组织,并构建大脑组织对应的OBB包围盒,将该OBB包围盒的中心面作为中矢面。随后,即可将该中矢面作为头颅对称面进行重建患者口腔颌面三维模型的工作。
与现有技术相比,本发明提供的从脑部CT图像中确定中矢面的方法从脑部CT图像提取中矢面作为口腔颌面三维模型重建用头颅对称面,自动化程度高,降低了人工参与度,减少了人为主观偏差,准确度好,一致性高。
附图说明
图1为本发明实施例的脑部CT图像的中矢面确定方法流程示意图;
图2为本发明实施例中采用不同灰度阈值确定的大脑组织(在YZ平面内);
图3为本发明实施例中采用不同灰度阈值确定的大脑组织的二维示意图;
图4为本发明实施例中采用不同灰度阈值确定的大脑组织的三维示意图;
图5为包围盒示意图;
图6为本发明实施例中确定的大脑组织的OBB包围盒在不同视角时的示意图;
图7为本发明实施例中确定的大脑组织的OBB包围盒的初始对称面在不同视角时的示意图;
图8为本发明实施例中确定的大脑组织的OBB包围盒的初始对称面进行平移和旋转操作时在二维视角和三维视角的示意图;
图9为本发明实施例采用的10组实验数据中选取的6对左右侧对称性标记点的示意图;
图10为本发明实施例与参考文献依次针对第4组影像数据、第7组影像数据和第8组影像数据确定的中矢面的对照示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
脑部对称面,医学中通常叫做“中矢面”,指鼻梁处中分的一个理想中的几何平面。为确定在口腔颌面外科中重构颅骨骨骼所需的头颅对称面,本发明基于脑部CT图像获取中矢面,并将该中矢面作为头颅对称面。
本发明基于未损坏的大脑组织,而不是已经损坏的颅骨骨骼,来寻找头颅对称面以重构受损的颅骨骨骼,降低了对人工参与度的需求,自动化程度高,准确度好,一致性高。
需要说明的是,本发明的从脑部CT图像中确定中矢面的方法,除了应用在口腔额面外科外,还可以应用在其他医学分支上,如,用于左右脑病变的对称检测。
为了便于理解本发明,以下简要介绍脑部CT图像的获取方法和获取的数据形式。
脑部CT扫描时,通常沿头顶-肩部方向进行断层扫描(头顶-肩部方向定义为坐标系中的Z轴),在每一个断层上,每个像素点具有XY二维坐标值及灰度;其中,沿左肩-右肩方向为坐标系中的Y轴,沿面部-脑后方向为坐标系中的Y轴。获得的脑部CT图像为一组空间离散的数据点,这些数据点的XYZ三维坐标值分别具有均匀的间隔,这些数据点的灰度能够反映大脑组织对X光的响应。。
需要说明的是,以下的“种子点”为像素种子点,或种子像素点,是指在区域生长算法中,也即26点邻域生长法中的起始像素点或中心像素点。
本发明实施例的从脑部CT图像中确定中矢面的方法,使用区域生长法从脑部CT图像中获取大脑组织,并构建大脑组织对应的OBB包围盒,并将该OBB包围盒的中心面作为中矢面。随后,即可将该中矢面作为头颅对称面进行重建患者口腔颌面三维模型的工作。
进一步地,将该OBB包围盒的中心面作为初始对称面,并对该初始对称面进行平移和旋转操作来获得过程对称面,并利用每一过程对称面来重新分割脑组织。在这些过程对称面中,确定分割后的左右脑组织对称性最大时的过程对称面为更新后的中矢面。
具体实施时,也可以设定过程对称面分割后的左右大脑组织的对称性的下限值。将该OBB包围盒的中心面作为初始对称面,并对该初始对称面进行平移和旋转操作来获得过程对称面,直到某一个过程对称面分割脑组织时,分割后的左右脑组织的对称性不小于该对称性下限值时停止对初始对称面进行平移和旋转操作。
(1)区域生长法分割大脑
区域生长法是由Levine等人提出的一种自动提取算法,其可以有效的提取出连续图像中特定灰度的像素点集合。本发明实施例使用区域生长法从脑部CT图像中提取大脑组织。
由于脑部CT图像中,大脑组织的影像连续且均匀,其灰度与背景区域 (如颅骨、毛发、患者接收CT扫描时躺卧的病床等)的灰度差异明显,因此采用区域生长法这一“半自动”组织提取方法来获取脑部CT图像中大脑组织对应的像素点的集合。
首先,得到计算机图像处理系统获取用户(这里的用户通常为临床医生) 手动选择的一个种子点。该种子点是用户根据个人经验,从计算机图像处理系统的显示设备上展示的脑部CT图像中,经过初步判断后选择的大脑组织的一个像素点。
随后,从该种子点开始,根据预先确定的灰度区间(用于保证目标像素点的灰度与种子点的灰度之差的绝对值小于预先确定的灰度阈值),利用区域生长法开始“生长”,直到将该脑部CT图像中满足灰度区间的全部像素点添加到大脑组织像素点集合内;
随后,在计算机图像处理系统的显示设备上显示该大脑组织像素点集合内的每一元素,完成对该脑部CT图像中大脑组织的这一图像特定区域的提取。
需要说明的是,初始选择的种子点可以是一个,也可以是多个。1a)生长准则
区域生长法基于图像像素点之间的灰度差确定灰度相似的影像区域。其生长准则利用事先设定的灰度阈值,来控制区域内的灰度变化范围在种子点灰度的一个小范围的邻域之内。
由于大脑组织是连续的,且其灰度明显高于周围的组织和背景,因此能够通过灰度这一属性,将其和其余的组织(如,颅骨)明显地区分开。
以该种子点为中心,寻找其他与此种子点的灰度之差的绝对值小于或者等于所设灰度阈值的像素点的算法如下:
1)人工手动选取图像中的一点为种子点(种子点的选取需要视具体情况而定。如,可以选择脑灰白质中的一个像素点为种子点)。
2)在种子点处进行26邻域扩展(如图2所示),判定准则是:如果考虑的像素点与种子像素点的灰度之差的绝对值小于等于某个阈值,则将该像素点增加到该种子像素点所在的区域;并将加入该区域的像素点作为新的种子点;
3)重复2),直到该脑部CT图像中不再有像素点能够满足这个区域的生长准则时,该区域生长停止。
1b)分割大脑组织
本发明实施例中使用“半自动”的区域生长法来分割大脑组织。
首先,由用户手动选择种子点,并手动在脑组织上选择一个包括有该种子点的区域范围,比如圆形、长方形等(应该理解为,这里的圆形、长方形是在用户视角下的二维显示效果,实质上是一个空间几何体。),得到这个范围内全部像素点的平均灰度,并根据该平均灰度与种子点的灰度确定随后“生长”中适用的灰度阈值。随后,利用该种子点和灰度阈值进行区域生长:
在第一次区域生长时,将该种子点周围26个邻域的像素点中,确定与该种子点的灰度之差小于阈值的像素点为第一代新种子点;在第二次区域生长时,对每一个第一代新种子点,分别利用26邻域法进行区域生长,从而确定出第二代新种子点;
在第i次区域生长时,对每一个第(i-1)代新种子点,分别利用26邻域法进行区域生长,从而确定出第i代新种子点;
重复以上步骤,直到在第j次区域生长时,不再有第j代新种子点产生。这时,针对该脑部CT图像样本,停止区域生长;
以上全部的第1次至第j-1次区域生长确定出的新种子点即为该CT图像样本中的大脑组织数据。
需要说明时,在选择的种子点是多个时,该多个种子点可以用于优选灰度阈值。也可以用于优选大脑组织。
作为示例,在分割一个脑部CT图像样本时,经过多次测试,确定分割大脑组织时所适合的灰度阈值为35。如图3(c)所示,阈值在35左右的时候,分割出来的脑组织具有较好的雏形和轮廓(大脑轮廓呈现光滑的椭圆),分割较为精确,泄露较少;若阈值选取偏低,则出现如图3(a)中所示的“分割不完全”的情形;若阈值选取偏高,则出现如图3(d)中“过度分割”的情形。
而最终分割的大脑组织的三维图像如图4所示,分割出的大脑组织具有清晰的轮廓。
(2)利用OBB包围盒构建初始对称面
包围盒算法的基本思想是用体积稍大且特性简单的几何体(如图5所示) 来近似地代替特性复杂的几何对象。本发明实施例利用包围盒来寻找脑部 CT图像中的大脑组织的初始对称面。
与其他的包围盒相比,OBB包围盒(Oriented Bounding Box,简称有向包围盒)的独特性和方便性在于,它是包含该对象且相对任意坐标方向方向的最小的长方体。OBB包围盒算法,运算速度快,空间损失小,能够高效地构建出最逼近于物体的一个包围盒。
具体地,本发明实施例选用OBB包围盒来包围分割脑部CT图像后获得的大脑组织,并借助该OBB包围盒来寻找大脑组织的初始对称面。
2a)重建坐标系
为了构建包围分割脑部CT图像后获得的大脑组织的OBB包围盒,首先通过轮廓跟踪法搜寻大脑组织的边界点。利用轮廓跟踪法搜寻边界点可以减少运算量,是现有技术中通用的边界点搜寻方法,这里不再赘述。
应该理解为,边界点为大脑组织像素点中分别在x、y、z坐标方向具有最大坐标值的8个像素点。
随后,利用搜寻到的边界点,寻找使得构建出的OBB包围盒最逼近于大脑组织的一组基,以重建坐标系。
需要说明的是,针对三维空间内的任意一对数据点,其协方差矩阵可以用来表示两者的相关性,具体地,协方差矩阵如下式(1.1)所示:
利用施密特方法对该协方差矩阵单位正交化后,即可得到该矩阵的特征向量,利用该特征向量构造出的新坐标系,可以使得上述8个边界点在该新坐标系的每一个坐标方向上的投影点相对分散,从而使得信息丢失降到最小的水平。
在协方差矩阵单位正交化之后所得到的特征向量的方向上重建三维坐标系得到新坐标系之后,大脑组织的全部像素点在新坐标系的坐标方向上的投影点相对分散,方差最小,从而使得信息丢失降到了最小的水平。
2b)构建OBB包围盒
得到分割脑部CT图像后获得的大脑组织的全部像素点在新坐标系的每一坐标方向上的投影值,并分别确定大脑组织在这3个坐标方向上的投影值的最大值和最小值,也即OBB包围盒的8个边界点;进而确定OBB包围盒的长宽高及几何中心点的位置;最后,根据长宽高以及中心点的位置即可构造出OBB包围盒。
应该理解为,OBB包围盒为一个三维空间内的理想几何体,其包括的区域为上述8个边界点围合而成的立方体。
在每个坐标方向上,该OBB包围盒的几何中心点的坐标如下式(1.2)所示,而长宽高分别为三个坐标方向方向上的最大值与最小值之差。
最终构建出来的OBB包围盒如图6示。
(3)寻找初始对称面
根据已经构建的OBB包围盒的中心点以及各边的长度,确定在脑部对称方向上的初始对称面。
应该理解为,脑部对称方向为通过包围盒中心点,且与XZ平面相平行的方向。可选地,为患者的鼻梁处中分的一个理想中的几何平面所在的方向。
具体地,该初始对称面与多个XY平面(即多个扫描断层)分别相交于一条直线。如图7所示,为根据大脑组织的OBB包围盒的几何中心构建得到的与XZ平面相平行的中心平面,该中心平面即为大脑组织的OBB包围盒的初始对称面。
将该初始对称面作为中矢面,并进而作为头颅对称面既可以进行重建患者口腔颌面三维模型的工作。
(4)利用图像互信息修正对称面
4a)互信息基本原理
互信息通常用于描述两个系统间的统计相关性,或是描述一个系统中所包含的另一个系统中信息的多少,即两个系统之间的依赖程度。
因此,可以采用互信息来表示两幅图像的相似程度。互信息的值越大,则表明两幅图像的关联程度越高。如,当两副图像在几何中心线两侧对齐时,两者的互信息达到最大值。
熵用于表示一个系统的复杂性和不确定性。而互信息一般由熵I(A,B)来表示,其定义如下式所示:
I(A,B)=H(A)+H(B)-H(A,B)
其中,联合熵H(A,B)是检测随机变量A和B相关性的统计量。记随机变量A和B的概率分布分别为pA(a)和pB(b),其联合概率分布为pAB(a,b), H(A)为A的熵值;H(B)为B的熵值;随机变量A和B的联合熵H(A,B)如下式所示:
对于灰度图像来说,可以将图像的灰度看作是一个随机变量,每个像素点的灰度取值作为该随机变量的一个事件,则可以根据图像的灰度信息得到每级灰度发生的概率pi=hi/N,其中hi为图像中灰度值为i的像素点的个数,N 为图像中的像素的总数。
实际应用时,在样本足够大时,概率pi即随机变量的概率分布pA(a)。
4b)根据初始对称面将大脑组织分成两部分
具体实施时,针对分割脑部CT图像后获得的大脑组织的每一像素点,首先需要判定该像素点位于初始对称面左侧还是右侧,属于左半脑还是右半脑。
具体地,因为中矢面必然通过大脑组织的中心点。
鉴于计算机图像处理系统为了展示直观,通常在YZ平面上展示大脑组织的中矢面。在YZ平面上,通过坐标原点的中矢面的投影直线的方程如下式所示:
z-center_z=k·(y-center_y)
则在YZ平面内任意一个像素点(p_y,p_z)在该中矢面投影直线的上方还是下方根据下式来判定:
即,当根据斜率和截距得到的值大于0时,判定在直线的上方;反之,则认为在直线的下方。
也即,在直线的上方的像素点,属于左半脑;在直线的下方的像素点,属于右半脑。
4b)得到左脑组织与右脑组织的互信息值
在理想状态下,左右半脑的大脑组织围绕脑部对称面基本具有镜像关系。因此,可以采用脑部对称面左右两侧大脑的相似程度来评价确定的头颅对称面的准确性。左右半脑组织图像的相似度越高,说明该头颅对称面的对称性越好。
需要说明的是,左右半脑组织因为病损而存在较大差异的情形,不包括在本发明实施例的实施范围内。
具体地,将位于投影直线上方和下方的像素点分别存储为两个矩阵,那么这两个矩阵中分别存储的就是左右两部分的大脑组织像素点,也即左脑组织像素点矩阵和右脑组织像素点矩阵;
进一步地,在将大脑组织分为左右两部分的同时,将右脑组织像素点做沿对称面的镜像,对称到左边;或将左脑组织像素点做镜像,对称到右边都能够更方便地得到两幅图像的相似性。
最后,可以方便地得到基于大脑组织的OBB包围盒的几何中心确定的脑部初始对称面划分的左脑组织与右脑组织的互信息值。
4c)平移及旋转调整脑部对称面
将基于大脑组织的OBB包围盒的几何中心确定的脑部初始对称面在其周围的小范围邻域内(如上下或左右总计10个坐标单位)进行多次平移和/或旋转操作,则得到多个过程对称面。
针对每一个过程对称面,确定由该过程对称面划分的左脑组织与右脑组织,并得到左脑组织与右脑组织对应的互信息值。
在经过有限次平移和/或旋转操作后,可以将互信息最大值所对应的过程对称面或初始对称面,作为头颅对称面。
当然,也可以预先设置互信息阈值。逐一判断过程对称面或初始对称面对应的左脑组织与右脑组织的互信息值,在当前的互信息值不小于该互信息阈值时,停止平移和/或旋转操作,并确定该过程对称面或初始对称面为头颅对称面。
作为示例,基于大脑组织的OBB包围盒的几何中心确定的脑部初始对称面在最便于人眼观察的YZ坐标平面内的投影直线定义为:Y=kx+b,则平移和/或旋转可以由下式表示,
其中,的单位为°,取值范围为[-8°,20°],优选为[-5°,5°];ξ的单位为sample(单位为mm),取值范围为[-8,20],优选为[-5,5]这一小邻域;其中,b的单位为sample(单位为mm),为该投影直线在Y轴上的截距。
具体地,ξ的值为正时,代表向左平移,反之为向右平移;的值为正时,代表逆时针旋转,反之为顺时针旋转。
图8中示出了在初始对称面的周围总共十个邻域的范围内,以分辨率为步长,进行平移(图8(a))和旋转操作(图8(b))时生成的过程对称面在YZ平面内的投影直线及三维示意图。
具体实施时,本发明实施例使用了10组来自于陆军总院真实的病人的数据并利用面部不对称指数来评价头颅对称面的准确性。不对称指数越小,说明当前的对称面越准确。面部不对称指数(asymmetry index,AI)的计算公式如下式所示:
其中Ld,Rd分别为左右侧对称性标记点到所定义的头部对称面的距离。
在实验中,每组病人均给出了6对脑部的左右侧对称性标记点。如图9 所示,这6对点由参考文献(王嘉艺,王珊,王林.CBCT三维头影测量正中矢状参考平面的探究[J].口腔医学,2017,37(07):621-624;徐小惠,王建国.成人颜面不对称患者颌面部骨性结构的三维立体分析[J].实用口腔医学杂志,2011,27(02):231-234.)提供,是左右对称性标记点中最具有参考价值的6 对参考点。
根据这些参考点,得到并统计十组病人基于医生手动选取的对称性标记点确定的对称面的不对称指数和本发明实施例确定的中矢面的不对称指数,从而验证本发明实施例方法的可行性和先进性。根据这6对左右对称性标记点,计算医生手动选点得到的头颅对称面的不对称指数值,如表1所示。
通过表1可以发现,第4组数据误差较大,其原因是患者的颅骨因为外力的缘故发生了破损,且病人的卧姿是倾斜的,医生手动选点出现较大的误差,导致了整体的颜面的对称性都发生了改变;同样地,第7组,第8组数据的颜面对称性也极差。因此,种种原因均导致了医生通过手动选点绘制的对称面,所得到的不对称指数偏高。
表1医生手动选取的对称面不对称指数
计算利用本发明实施例中区域生长出大脑之后再进行旋转和平移操作后最终找到的对称面(分别如图10(a)、(b)、(c)所示),相对于临床医生给的左右侧对称性标记点得到的不对称指数。本发明实施例的算法提取的头颅对称面的不对称指数如表2所示。其中,点到平面的距离公式可采用下式
需要说明的是,表2中,“初始对称面”是指OBB包围盒寻找的初始对称面对应的不对称指数;“平移”,“旋转”均指根据初始对称面进行相关操作后的对称面不对称指数。
通过表2可以发现,第4组在采用了平移和旋转操作后,数据误差减小很多;与之相反,第7组,第8组数据在采用了平移和旋转操作后,数据误差反倒增加。从而表明,得到初始对称面之后,继续采用平移和旋转操作并不一定是优化操作。
为了进一步说明本发明实施例的可行性,分析医生手动选点拟合的对称面所得到的不对称指数,和本发明实施例算法所得到的对称面得到的不对称指数是否具有显著性差异,运用成对样本T检验的方法比较医生手动选点得到的对称面与本发明实施例算法自动得到的对称面之间的差异的显著性。
表2本发明实施例算法实现过程不对称指数
为了进一步说明本发明实施例的可行性,分析医生手动选点拟合的对称面所得到的不对称指数,和本发明实施例算法所得到的对称面得到的不对称指数是否具有显著性差异,运用成对样本T检验的方法比较医生手动选点得到的对称面与本发明实施例算法自动得到的对称面之间的差异的显著性。
设立原假设:认为两组数据均值之差为0。同时设立备择假设:均值之差不为0。在医生手动选点得到的对称面和本发明实施例算法得到的对称面的总共十组不对称指数的数据进行配对样本T检验。
表3成对样本统计信息
样本数 | 相关系数 | 显著性 |
10 | 0.384 | 0.273 |
表3中,相关系数为同一群体在接受的平行测验,相关系数是测验的平行信度。显著性即P值,通过得到P=0.273>0.001,接受原假设,两组数据在均值上没有显著差异。认为本发明实施例的算法找到的对称面,与医生手动点选拟合的对称面没有显著的差异。
表4成对样本统计信息
首先,在自由度为9的T分布中,t的绝对值大于0.379的概率P为0.714,大于0.05,故接受原假设.其次,由差分的95%置信区间来判断,表4中下限为-25.056,上限为35.128,中间包含0,因此差分的均值5.036和0接近. 最后,以传统取向的临界值来看,在自由度为9的T分布中,ɑ=0.05时的双侧临界值为(查T分布表),得到得为0.379,0.379小于临界值.
综上所述,接受原假设,本发明实施例的算法寻找的头颅对称面,在置信度为0.95的范围内,提取的头颅对称面精度没有明显低于医生手动选取的对称面,对于部分数据,本发明实施例的算法优于医生手动选取的对称面。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本邻域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种从脑部CT图像中确定中矢面的方法,其特征在于,包括:
步骤S10:根据获取的用户输入的所述脑部CT图像中的一个或多个大脑组织像素点,利用区域生长法确定所述脑部CT图像中的大脑组织;
步骤S20:生成对应于所述大脑组织的最小有向包围盒;
步骤S30:确定所述最小有向包围盒在沿脑部对称方向的中心对称面,所述中心对称面为所述脑部CT图像的中矢面。
2.根据权利要求1所述的方法,其特征在于,在所述步骤S30之后,还包括:
步骤S40:平移和/或旋转所述中心对称面,以确定多个过程对称面;
步骤S50:针对所述中心对称面和/或所述过程对称面:
确定位于所述中心对称面和/或所述过程对称面的一侧的大脑组织为第一半脑,确定位于所述中心对称面和/或所述过程对称面的另一侧的大脑组织为第二半脑;
获取所述第一半脑和所述第二半脑之间的互信息数据;
S60:确定最大的互信息数据对应的所述中心对称面或所述过程对称面为所述脑部CT图像的中矢面。
3.根据权利要求1所述的方法,其特征在于,所述步骤S10,包括:
步骤S110:根据从所述脑部CT图像中获取的一个大脑组织像素点,利用预先设定的区域范围,确定灰度阈值;或
根据从所述脑部CT图像中获取的多个大脑组织像素点,利用预先设定的多个区域范围,确定灰度阈值;
步骤S120:根据所述至少一个大脑组织像素点,利用26邻域扩展方法和所述灰度阈值,确定全部的脑部CT图像中的大脑组织像素点,所述全部的大脑组织像素点构成所述脑部CT图像中的大脑组织。
4.根据权利要求3所述的方法,其特征在于,所述步骤S120,包括:
针对每一个大脑组织像素点:
以所述大脑组织像素点为中心点,确定所述大脑组织像素点对应的26个邻域像素点;
针对每一个邻域像素点:
若所述邻域像素点的灰度与作为中心点的所述大脑组织像素点的灰度的差异不大于所述灰度阈值,则所述邻域像素点为一个大脑组织像素点。
5.根据权利要求1所述的方法,其特征在于,所述步骤S20包括:
步骤S210:确定所述大脑组织的边界点;
步骤S220:根据所述边界点,确定用于重建坐标系的基;
步骤S230:根据所述基,重建坐标系,得到新坐标系,并确定所述大脑组织在所述新坐标系下的新边界点,所述新边界点为对应于所述大脑组织的最小有向包围盒的边界点;
步骤S240:根据所述新边界点,确定最小有向包围盒的中心点和各边边长。
6.根据权利要求5所述的方法,其特征在于,所述步骤S220包括:
根据式(1)确定所述边界点的协方差矩阵,其中,式(1)为:
采用施密特方法确定所述协方差矩阵的特征向量,所述特征向量为用于重建坐标系的基。
7.根据权利要求2所述的方法,其特征在于,
所述步骤S50中,获取所述第一半脑和所述第二半脑之间的互信息数据,包括:
根据式(2)确定所述第一半脑的像素点和所述第二半脑的像素点之间的互信息数据I(A,B),其中,式(2)为:
I(A,B)=H(A)+H(B)-H(A,B),
其中,根据式(3)确定所述第一半脑的像素点的熵H(A),式(3)为:
根据式(4)确定所述第二半脑的像素点的熵H(B),式(4)为:
根据式(5)确定所述第一半脑的像素点和所述第二半脑的像素点之间的联合熵H(A,B),其中,式(5)为:
其中,pA(a)为描述所述第一半脑的像素点的灰度的随机变量A的概率分布;pB(b)为描述所述第二半脑的像素点的灰度的随机变量B的概率分布为;pAB(a,b)为A与B的联合概率分布。
8.根据权利要求2所述的方法,其特征在于,
所述步骤S50中,确定位于所述中心对称面和/或所述过程对称面的一侧的大脑组织为第一半脑,确定位于所述中心对称面和/或所述过程对称面的另一侧的大脑组织为第二半脑,包括:
在所述大脑组织的YZ平面上,通过所述中心对称面的投影直线由式(6)确定,其中,式(6)为:
z-center_z=k(p_y-center_y);
其中,center_z为所述最小包围盒的中心点的z坐标值,center_y为所述最小包围盒的中心点的y坐标值,k为斜率;
在所述大脑组织的YZ平面上,由式(7)确定任一像素点(p_y,p_z)在所述投影直线的上方还是下方,其中,式(7)为:
k(p_y-center_y+center_z)-p_z;
当式(7)的值大于0时,则判定所述像素点(p_y,p_z)属于第一半脑;当式(7)的值小于等于0时,则判定所述像素点(p_y,p_z)属于第二半脑。
9.根据权利要求2所述的方法,其特征在于,所述步骤S60或所述步骤S30之后,还包括:
根据获取的用户输入的刷新指令和/或获取的用户输入的所述脑部CT图像中的一个或多个大脑组织像素点,利用区域生长法确定所述脑部CT图像中的大脑组织。
10.一种从脑部CT图像中确定中矢面的系统,其特征在于,包括:
显示设备,其用于展示所述脑部CT图像、及显示所述脑部CT图像的中矢面;
存储器,其用于储存所述脑部CT图像、所述脑部CT图像的中矢面;
处理器,其用于根据获取的用户输入的所述脑部CT图像中的一个或多个大脑组织像素点,利用区域生长法确定所述脑部CT图像中的大脑组织;及
生成对应于所述大脑组织的最小有向包围盒;及
确定所述最小有向包围盒在沿脑部对称方向的中心对称面,所述中心对称面为所述脑部CT图像的中矢面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565550.6A CN108765483B (zh) | 2018-06-04 | 2018-06-04 | 一种从脑部ct图像中确定中矢面的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565550.6A CN108765483B (zh) | 2018-06-04 | 2018-06-04 | 一种从脑部ct图像中确定中矢面的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765483A true CN108765483A (zh) | 2018-11-06 |
CN108765483B CN108765483B (zh) | 2021-07-16 |
Family
ID=64002663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810565550.6A Active CN108765483B (zh) | 2018-06-04 | 2018-06-04 | 一种从脑部ct图像中确定中矢面的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765483B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493355A (zh) * | 2018-11-12 | 2019-03-19 | 上海普适导航科技股份有限公司 | 一种水生植物轮廓结构的快速识别方法及其系统 |
CN110956636A (zh) * | 2019-11-28 | 2020-04-03 | 北京推想科技有限公司 | 一种图像处理方法及装置 |
CN111127427A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
WO2020133124A1 (zh) * | 2018-12-28 | 2020-07-02 | 孙永年 | 医疗矢面影像取得方法、神经网络训练方法及计算机装置 |
CN111583189A (zh) * | 2020-04-16 | 2020-08-25 | 武汉联影智融医疗科技有限公司 | 大脑核团定位方法、装置、存储介质及计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033980A (zh) * | 2010-10-13 | 2011-04-27 | 北方工业大学 | 一种钛网颅骨修复体数字化制备方法 |
CN102254343A (zh) * | 2011-07-01 | 2011-11-23 | 浙江理工大学 | 一种基于凸包与obb的三维网格模型骨架提取方法 |
CN102930602A (zh) * | 2012-10-20 | 2013-02-13 | 西北大学 | 一种基于断层图像的面皮三维表面模型重建方法 |
CN103793905A (zh) * | 2012-11-02 | 2014-05-14 | 上海联影医疗科技有限公司 | 确定脑部图像冠状位方向的方法及装置 |
US20140270434A1 (en) * | 2013-03-18 | 2014-09-18 | Samsung Electronics Co., Ltd. | System and method for automatic planning of views in 3d images of brain |
CN105046692A (zh) * | 2015-07-01 | 2015-11-11 | 复旦大学 | 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法 |
CN105046710A (zh) * | 2015-07-23 | 2015-11-11 | 北京林业大学 | 基于深度图分割与代理几何体的虚实碰撞交互方法及装置 |
CN105513055A (zh) * | 2015-11-26 | 2016-04-20 | 东软集团股份有限公司 | Cta图像中分割组织的方法和装置 |
CN105769353A (zh) * | 2016-02-04 | 2016-07-20 | 北京正齐口腔医疗技术有限公司 | 自动化排牙方法及装置 |
-
2018
- 2018-06-04 CN CN201810565550.6A patent/CN108765483B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033980A (zh) * | 2010-10-13 | 2011-04-27 | 北方工业大学 | 一种钛网颅骨修复体数字化制备方法 |
CN102254343A (zh) * | 2011-07-01 | 2011-11-23 | 浙江理工大学 | 一种基于凸包与obb的三维网格模型骨架提取方法 |
CN102930602A (zh) * | 2012-10-20 | 2013-02-13 | 西北大学 | 一种基于断层图像的面皮三维表面模型重建方法 |
CN103793905A (zh) * | 2012-11-02 | 2014-05-14 | 上海联影医疗科技有限公司 | 确定脑部图像冠状位方向的方法及装置 |
US20140270434A1 (en) * | 2013-03-18 | 2014-09-18 | Samsung Electronics Co., Ltd. | System and method for automatic planning of views in 3d images of brain |
CN105046692A (zh) * | 2015-07-01 | 2015-11-11 | 复旦大学 | 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法 |
CN105046710A (zh) * | 2015-07-23 | 2015-11-11 | 北京林业大学 | 基于深度图分割与代理几何体的虚实碰撞交互方法及装置 |
CN105513055A (zh) * | 2015-11-26 | 2016-04-20 | 东软集团股份有限公司 | Cta图像中分割组织的方法和装置 |
CN105769353A (zh) * | 2016-02-04 | 2016-07-20 | 北京正齐口腔医疗技术有限公司 | 自动化排牙方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493355A (zh) * | 2018-11-12 | 2019-03-19 | 上海普适导航科技股份有限公司 | 一种水生植物轮廓结构的快速识别方法及其系统 |
WO2020133124A1 (zh) * | 2018-12-28 | 2020-07-02 | 孙永年 | 医疗矢面影像取得方法、神经网络训练方法及计算机装置 |
CN110956636A (zh) * | 2019-11-28 | 2020-04-03 | 北京推想科技有限公司 | 一种图像处理方法及装置 |
CN111127427A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
CN111127427B (zh) * | 2019-12-24 | 2022-12-23 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
CN111583189A (zh) * | 2020-04-16 | 2020-08-25 | 武汉联影智融医疗科技有限公司 | 大脑核团定位方法、装置、存储介质及计算机设备 |
CN111583189B (zh) * | 2020-04-16 | 2024-02-27 | 武汉联影智融医疗科技有限公司 | 大脑核团定位方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108765483B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765483A (zh) | 一种从脑部ct图像中确定中矢面的方法及系统 | |
US7817836B2 (en) | Methods for volumetric contouring with expert guidance | |
US9514533B2 (en) | Method for determining bone resection on a deformed bone surface from few parameters | |
Yasuda et al. | Computer system for craniofacial surgical planning based on CT images | |
CN107067398B (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
CN110946652B (zh) | 一种骨螺钉的钉道规划方法和装置 | |
CN110214341A (zh) | 重建颅骨的方法 | |
CN106960439B (zh) | 一种脊椎骨识别装置及方法 | |
Tan et al. | An approach to extraction midsagittal plane of skull from brain CT images for oral and maxillofacial surgery | |
Linney et al. | Three-dimensional visualization of computerized tomography and laser scan data for the simulation of maxillo-facial surgery | |
Irwansyah et al. | Algorithm for segmentation and reduction of fractured bones in computer-aided preoperative surgery | |
Dai et al. | Neurosurgical craniotomy localization using interactive 3D lesion mapping for image-guided neurosurgery | |
US11636650B2 (en) | System and method for isolating anatomical features in computerized tomography data | |
US9235888B2 (en) | Image data determination method, image processing workstation, target object determination device, imaging device, and computer program product | |
Raposio et al. | An “augmented-reality” aid for plastic and reconstructive surgeons | |
Singh et al. | Effect of the Segmentation Threshold on Computed Tomography–Based Reconstruction of Skull Bones with Reference Optical Three-Dimensional Scanning | |
CN111127636A (zh) | 一种智能的复杂关节内骨折桌面级三维诊断系统 | |
Neubauer et al. | Advanced virtual corrective osteotomy | |
CN113240645B (zh) | 显示处理方法、装置、存储介质、处理器及终端设备 | |
Athertya et al. | 3D CT image reconstruction of the vertebral column | |
Song et al. | Computer-aided modeling and morphological analysis of hip joint | |
US20230222735A1 (en) | System And Method For Isolating Anatomical Features In Computerized Tomography Data | |
Canciglieri et al. | Geometric modeling from the medical images in the CAD system to support prosthesis design | |
Chuxi et al. | CMF defects database: A craniomaxillofacial defects dataset and a data-driven repair method | |
Ponniah et al. | Planning reconstruction for facial asymmetry |
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 |