CN109544530B - X射线头影测量图像结构特征点自动定位方法及系统 - Google Patents
X射线头影测量图像结构特征点自动定位方法及系统 Download PDFInfo
- Publication number
- CN109544530B CN109544530B CN201811375758.8A CN201811375758A CN109544530B CN 109544530 B CN109544530 B CN 109544530B CN 201811375758 A CN201811375758 A CN 201811375758A CN 109544530 B CN109544530 B CN 109544530B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- forest model
- training
- detected
- 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
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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种X射线头影测量图像结构特征点自动定位方法,包括双层回归森林模型训练:将从训练图像中提取的外观特征作为输入,训练第一层回归森林模型;将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移距离图;将从第一层偏移距离图中提取的外观特征和训练图像的外观特征作为输入,训练第二层回归森林模型;利用训练好的双层回归森林模型,对待检测图像结构特征点定位。本发明构建双层回归森林模型,通过双层回归森林模型对X射线头影测量图像结构特征点进行自动定位,相较于传统的人工定位,提高了效率,解决了时间,同时大大提高了准确性。
Description
技术领域
本发明涉及一种X射线头影测量图像结构特征点自动定位方法及系统,属于医学图像结构特征点自动定位领域。
背景技术
X射线头影测量图像分析技术是现代口腔正畸、正颌治疗和颌面部手术的基础。该技术首先需标记出X射线头影测量图像中牙颌及颅面的19个结构特征点(即目标特征点)位置,然后测量和计算这些标志点之间的角度、距离或比例,再通过和正常人相关数据的分析比对拟定治疗计划。由此可见,结构特征点位置的准确率对口腔疾病的临床诊断、治疗和手术决策有着重要影响。
而在口腔临床治疗中,仍然采用人工方式定位X射线头影测量图像中结构特征点。人工定位不仅工作量大、消耗时间长,而且不同医生的临床经验、个人精力和所受压力的差异性也会直接影响到标志点定位的准确性,因此,发展精确的X射线头影测量图像结构特征点自动定位方法具有重要的临床价值。
发明内容
本发明提供了一种X射线头影测量图像结构特征点自动定位方法及系统,解决了人工定位工作量大、耗时长、准确性不足的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
X射线头影测量图像结构特征点自动定位方法,包括以下步骤:
双层回归森林模型训练:
将从训练图像中提取的外观特征作为输入,训练第一层回归森林模型;
将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移距离图;
将从第一层偏移距离图中提取的外观特征和训练图像的外观特征作为输入,训练第二层回归森林模型;
利用训练好的双层回归森林模型,对待检测图像结构特征点定位。
训练第一层回归森林模型的过程为:
从训练图像像素中随机选取若干个作为采样点;
提取每个采样点的外观特征;
以采样点的外观特征及其到目标特征点的二维坐标偏移向量为输入,训练第一层回归森林模型。
将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移向量图,利用L2范数将第一层偏移向量图转换成第一层偏移距离图。
将1:1的第一层偏移距离图外观特征和训练图像外观特征作为输入,训练第二层回归森林模型。
将训练好的双层回归森林模型作用于待检测图像,生成待检测图像对应的第二层偏移距离图,使用回归投票方式求待检测图像中目标特征点坐标。
双层回归森林模型作用于待检测图像的过程为:
从待检测图像的每个像素点中提取外观特征;
将像素点中提取外观特征输入第一层回归森林模型,得到待检测图像对应的第一层偏移向量图;
利用L2范数,将待检测图像对应的第一层偏移向量图转换成第一层偏移距离图;
将从第一层偏移距离图中提取的像素点的外观特征和待检测图像中像素点的外观特征输入第二层回归森林模型,得到待检测图像对应的第二层偏移距离图。
外观特征为Haar-like特征的公式为:
其中,H(PI)为Haar-like特征,PI(X)为图像I中以像素点X为中心点的图像块,Z为Haar-like特征二维平面函数的数量,ph∈{-1,1}为第h个二维平面函数的极性,ah∈R2为第h个二维平面函数的中心位置,sh为第h个二维平面函数的尺寸。
X射线头影测量图像结构特征点自动定位系统,包括训练模块和测量模块;
训练模块包括第一层回归森林模型训练模块、第一层偏移距离图生成模块和第二层回归森林模型训练模块;
第一层回归森林模型训练模块:将从训练图像中提取的外观特征作为输入,训练第一层回归森林模型;
第一层偏移距离图生成模块:将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移距离图;
第二层回归森林模型训练模块:将从第一层偏移距离图中提取的外观特征和训练图像的外观特征作为输入,训练第二层回归森林模型;
测量模块:利用训练好的双层回归森林模型,对待检测图像结构特征点定位。
一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行X射线头影测量图像结构特征点自动定位方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行X射线头影测量图像结构特征点自动定位方法的指令。
本发明所达到的有益效果:本发明构建双层回归森林模型,通过双层回归森林模型对X射线头影测量图像结构特征点进行自动定位,相较于传统的人工定位,提高了效率,解决了时间,同时大大提高了准确性。
附图说明
图1为本发明的流程图;
图2为X射线头影测量图像目标特征点的位置示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,X射线头影测量图像结构特征点自动定位方法,包括以下步骤:
步骤1,双层回归森林模型训练。
具体过程如下:
11)将训练图像中提取外观特征作为输入,训练第一层回归森林模型。
A1)从训练图像像素中随机选取若干个作为采样点;
训练图像的数量为50张,每张训练图像的采样点为300,图像尺寸为1935×2400,像素尺寸为0.1×0.1mm2。
A2)提取每个采样点的外观特征;
外观特征为Haar-like特征,具体公式为:
其中,H(PI)为Haar-like特征,图像块PI大小设置为30×30,PI(X)为图像I中以像素点X为中心点的图像块,Z为Haar-like特征二维平面函数的数量,Z设置为{1,2},ph∈{-1,1}为第h个二维平面函数的极性,ah∈R2为第h个二维平面函数的中心位置,sh为第h个二维平面函数的尺寸,sh设置为{3,5}。
上述每个采样点的特征数为1000,通过改变Z、ph、ah、sh四个参数,可以产生一系列随机Haar-like特征。
A3)以采样点的外观特征及其到目标特征点的二维坐标偏移向量为输入,训练第一层回归森林模型;回归森林算法所用决策树数目为100,每棵决策树的最大深度是15,每个叶节点中的最大训练样本是5。
12)将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移距离图。
将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移向量图,利用L2范数将第一层偏移向量图转换成第一层偏移距离图。
13)将从第一层偏移距离图中提取的外观特征和训练图像的外观特征作为输入,训练第二层回归森林模型;回归森林算法所用的参数与步骤A3相同,Haar-like特征数为1000,第一层偏移距离图外观特征和训练图像外观特征的比例为1:1,训练图像与第一层偏移距离图尺寸大小完全相同,训练图像中的采样点同时等效到第一层偏移距离图中,第一层偏移距离图外观特征是采样点的等效点外观特征。
上述一次训练1个目标特征点的双层回归森林模型,重复上述过程,可训练如图2所示的19个目标特征点的双层回归森林模型。
步骤2,利用训练好的双层回归森林模型,对待检测图像结构特征点定位。
将训练好的双层回归森林模型作用于待检测图像,生成待检测图像对应的第二层偏移距离图,使用回归投票方式求待检测图像中目标特征点坐标。
双层回归森林模型作用于待检测图像的过程为:
B1)从待检测图像的每个像素点中提取外观特征,即Haar-like特征;
B2)将像素点中提取外观特征输入第一层回归森林模型,得到待检测图像对应的第一层偏移向量图;
B3)利用L2范数,将待检测图像对应的第一层偏移向量图转换成第一层偏移距离图;
B4)将从第一层偏移距离图中提取的像素点的外观特征和待检测图像中像素点的外观特征输入第二层回归森林模型(待检测图像中的像素点会等效到对应的第一层偏移距离图中,待检测图像像素点的等效点为第一层偏移距离图中的像素点),得到待检测图像对应的第二层偏移距离图。
使用回归投票方式求待检测图像中目标特征点坐标,具体而言,待检测图像中每个像素点(x,y)均对坐标为(x+dx,y+dy)的像素点进行一次投票,其中(dx,dy)是像素点(x,y)到目标特征点的坐标偏移向量。当待检测图像中所有像素点完成投票后,得到票数最多的像素点即特征点。
上述构建双层回归森林模型,通过双层回归森林模型对X射线头影测量图像结构特征点进行自动定位,相较于传统的人工定位,提高了效率,解决了时间,同时大大提高了准确性。
X射线头影测量图像结构特征点自动定位系统,包括训练模块和测量模块。
训练模块包括第一层回归森林模型训练模块、第一层偏移距离图生成模块和第二层回归森林模型训练模块。
第一层回归森林模型训练模块:将从训练图像中提取的外观特征作为输入,训练第一层回归森林模型。
第一层偏移距离图生成模块:将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移距离图。
第二层回归森林模型训练模块:将从第一层偏移距离图中提取的外观特征和训练图像的外观特征作为输入,训练第二层回归森林模型。
测量模块:利用训练好的双层回归森林模型,对待检测图像结构特征点定位。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行X射线头影测量图像结构特征点自动定位方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行X射线头影测量图像结构特征点自动定位方法的指令。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (5)
1.X射线头影测量图像结构特征点自动定位方法,其特征在于,包括以下步骤:
双层回归森林模型训练:
将从训练图像中提取的外观特征作为输入,训练第一层回归森林模型;
将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移向量图,利用L2范数将第一层偏移向量图转换成第一层偏移距离图;
将1:1的从第一层偏移距离图中提取的外观特征和训练图像的外观特征作为输入,训练第二层回归森林模型;
利用训练好的双层回归森林模型,对待检测图像结构特征点定位,包括:
将训练好的双层回归森林模型作用于待检测图像,生成待检测图像对应的第二层偏移距离图,使用回归投票方式求待检测图像中目标特征点坐标;
其中,双层回归森林模型作用于待检测图像的过程为:
从待检测图像的每个像素点中提取外观特征;将像素点中提取外观特征输入第一层回归森林模型,得到待检测图像对应的第一层偏移向量图;利用L2范数,将待检测图像对应的第一层偏移向量图转换成第一层偏移距离图;将从第一层偏移距离图中提取的像素点的外观特征和待检测图像中像素点的外观特征输入第二层回归森林模型,得到待检测图像对应的第二层偏移距离图;
外观特征为Haar-like特征的公式为:
其中,H(PI)为Haar-like特征,PI(X)为图像I中以像素点X为中心点的图像块,Z为Haar-like特征二维平面函数的数量,ph∈{-1,1}为第h个二维平面函数的极性,ah∈R2为第h个二维平面函数的中心位置,sh为第h个二维平面函数的尺寸。
2.根据权利要求1所述的X射线头影测量图像结构特征点自动定位方法,其特征在于,训练第一层回归森林模型的过程为:
从训练图像像素中随机选取若干个作为采样点;
提取每个采样点的外观特征;
以采样点的外观特征及其到目标特征点的二维坐标偏移向量为输入,训练第一层回归森林模型。
3.X射线头影测量图像结构特征点自动定位系统,其特征在于,包括训练模块和测量模块;
训练模块包括第一层回归森林模型训练模块、第一层偏移距离图生成模块和第二层回归森林模型训练模块;
第一层回归森林模型训练模块:将从训练图像中提取的外观特征作为输入,训练第一层回归森林模型;
第一层偏移距离图生成模块:将第一层回归森林模型作用于训练图像,获得训练图像对应的第一层偏移向量图,利用L2范数将第一层偏移向量图转换成第一层偏移距离图;
第二层回归森林模型训练模块:将1:1的从第一层偏移距离图中提取的外观特征和训练图像的外观特征作为输入,训练第二层回归森林模型;
测量模块:利用训练好的双层回归森林模型,对待检测图像结构特征点定位,包括:
将训练好的双层回归森林模型作用于待检测图像,生成待检测图像对应的第二层偏移距离图,使用回归投票方式求待检测图像中目标特征点坐标;
其中,双层回归森林模型作用于待检测图像的过程为:
从待检测图像的每个像素点中提取外观特征;将像素点中提取外观特征输入第一层回归森林模型,得到待检测图像对应的第一层偏移向量图;利用L2范数,将待检测图像对应的第一层偏移向量图转换成第一层偏移距离图;将从第一层偏移距离图中提取的像素点的外观特征和待检测图像中像素点的外观特征输入第二层回归森林模型,得到待检测图像对应的第二层偏移距离图;
外观特征为Haar-like特征的公式为:
其中,H(PI)为Haar-like特征,PI(X)为图像I中以像素点X为中心点的图像块,Z为Haar-like特征二维平面函数的数量,ph∈{-1,1}为第h个二维平面函数的极性,ah∈R2为第h个二维平面函数的中心位置,sh为第h个二维平面函数的尺寸。
4.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至2所述的方法中的任一方法。
5.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至2所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375758.8A CN109544530B (zh) | 2018-11-19 | 2018-11-19 | X射线头影测量图像结构特征点自动定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375758.8A CN109544530B (zh) | 2018-11-19 | 2018-11-19 | X射线头影测量图像结构特征点自动定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544530A CN109544530A (zh) | 2019-03-29 |
CN109544530B true CN109544530B (zh) | 2022-08-16 |
Family
ID=65848036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811375758.8A Active CN109544530B (zh) | 2018-11-19 | 2018-11-19 | X射线头影测量图像结构特征点自动定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544530B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675444B (zh) * | 2019-09-26 | 2023-03-31 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
CN115797730B (zh) * | 2023-01-29 | 2023-06-23 | 有方(合肥)医疗科技有限公司 | 模型训练方法及装置、头影测量关键点定位方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150186748A1 (en) * | 2012-09-06 | 2015-07-02 | The University Of Manchester | Image processing apparatus and method for fitting a deformable shape model to an image using random forest regression voting |
CN105389589A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 一种基于随机森林回归的胸腔x光片肋骨检测方法 |
CN107730542A (zh) * | 2017-08-29 | 2018-02-23 | 北京大学 | 锥束计算机断层扫描图像对应与配准方法 |
-
2018
- 2018-11-19 CN CN201811375758.8A patent/CN109544530B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150186748A1 (en) * | 2012-09-06 | 2015-07-02 | The University Of Manchester | Image processing apparatus and method for fitting a deformable shape model to an image using random forest regression voting |
CN105389589A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 一种基于随机森林回归的胸腔x光片肋骨检测方法 |
CN107730542A (zh) * | 2017-08-29 | 2018-02-23 | 北京大学 | 锥束计算机断层扫描图像对应与配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109544530A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931804B (zh) | 一种基于rgbd摄像机的人体动作自动评分方法 | |
CN111599432B (zh) | 一种三维颅面影像特征点标记分析系统及方法 | |
CN107730507A (zh) | 一种基于深度学习的病变区域自动分割方法 | |
CN109636910A (zh) | 一种基于深度生成对抗网络的颅面复原方法 | |
CN109544530B (zh) | X射线头影测量图像结构特征点自动定位方法及系统 | |
CN105243375B (zh) | 一种动作特征提取方法及装置 | |
Cheng et al. | Automatic Dent-landmark detection in 3-D CBCT dental volumes | |
CN113362452A (zh) | 一种手部姿态三维重建方法、装置及存储介质 | |
CN104867104A (zh) | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 | |
WO2020006681A1 (zh) | 标记数据的获取方法及装置、训练方法及装置、医疗设备 | |
Banjšak et al. | Implementation of artificial intelligence in chronological age estimation from orthopantomographic X-ray images of archaeological skull remains | |
CN111815593B (zh) | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 | |
CN108073855A (zh) | 一种人脸表情的识别方法及系统 | |
CN110136522A (zh) | 颅底手术模拟教学培训系统 | |
CN110334566A (zh) | 一种基于三维全卷积神经网络的oct内外指纹提取方法 | |
CN103340602B (zh) | 多分支感兴趣血管段的最佳视角优化方法 | |
CN113421333B (zh) | 牙齿局部坐标系确定方法和系统、设备及计算机存储介质 | |
CN110298345A (zh) | 一种医学图像数据集的感兴趣区域自动标注方法 | |
Yang et al. | Two-stream regression network for dental implant position prediction | |
Yang et al. | ImplantFormer: vision transformer-based implant position regression using dental CBCT data | |
CN112562070A (zh) | 基于模板匹配的颅缝早闭手术切割坐标生成系统 | |
CN114004940B (zh) | 面部缺损参照数据的非刚性生成方法、装置及设备 | |
Xiong et al. | TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry Guided Transformer | |
CN113643401B (zh) | 基于机器学习的生猪胴体分割方法及系统 | |
CN111192244B (zh) | 一种基于关键点确定舌部特征的方法及系统 |
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 |