CN109741360A - 一种骨关节分割方法、装置、终端及可读介质 - Google Patents
一种骨关节分割方法、装置、终端及可读介质 Download PDFInfo
- Publication number
- CN109741360A CN109741360A CN201910012717.0A CN201910012717A CN109741360A CN 109741360 A CN109741360 A CN 109741360A CN 201910012717 A CN201910012717 A CN 201910012717A CN 109741360 A CN109741360 A CN 109741360A
- Authority
- CN
- China
- Prior art keywords
- bones
- joints
- growth
- point
- posting
- 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
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种骨关节分割方法、装置、终端及可读介质,其中该方法包括:获取待分割图像;基于预先训练的定位模型确定所述待分割图像中的骨关节定位框;根据生长条件在所述骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。本发明实施例提供的骨关节分割方法、装置、终端及可读介质,骨关节分割效果佳,减少了后续编辑工作,提高了骨关节分割效率。
Description
技术领域
本发明实施例涉及医学图像处理技术,尤其涉及一种骨关节分割方法、装置、终端及可读介质。
背景技术
在医学图像中,例如在电子计算机断层扫描(Computed Tomography,CT)图像或磁共振成像(Magnetic Resonance Imaging,MRI)中,骨关节处骨与骨间的腔隙较小,且骨关节灰度与周边软组织灰度相似,使得骨关节分割难度较大。
现有骨分割方法主要包括如下两种:第一种,基于医学图像中骨组织灰度和软组织灰度的灰度差异,将骨组织所在区域的像素点标记出来作为种子点,根据骨组织的灰度值从种子点进行区域生长,以实现骨组织与软组织分割;第二种,基于水平集或图割算法进行骨组织与软组织分割。
由于骨关节灰度与周边软组织灰度相似,上述两种方法都不能很好地进行骨关节处的分割,容易造成骨关节处的分割不完全,分割边界泄露等情况,需要繁琐的后续编辑工作。
发明内容
有鉴于此,本发明实施例提供了一种骨关节分割方法、装置、终端及可读介质,骨关节分割效果佳,减少了后续编辑工作,提高了骨关节分割效率。
第一方面,本发明实施例提供了一种骨关节分割方法,包括:
获取待分割图像;
基于预先训练的定位模型确定所述待分割图像中的骨关节定位框;
根据生长条件在所述骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。
第二方面,本发明实施例提供了一种骨关节分割装置,包括:
图像获取模块,用于获取待分割图像;
定位模块,用于基于预先训练的定位模型确定所述待分割图像中的骨关节定位框;
差值阈值生长模块,用于根据生长条件在所述骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。
第三方面,本发明实施例提供了一种终端,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的骨关节分割方法。
第四方面,本发明实施例提供了一种可读介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的骨关节分割方法。
本发明实施例提供的一种骨关节分割方法、装置、终端及可读介质,其中该方法包括:获取待分割图像;基于预先训练的定位模型确定待分割图像中的骨关节定位框;根据生长条件在骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。通过先定位后分割的骨关节分割方法,使得到的骨关节分割效果较佳,减少了后续编辑工作,提高了骨关节分割效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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的附图。
图1是本发明实施例一提供的一种骨关节分割方法流程图;
图2是本发明实施例一提供的一种骨关节分割方法中确定骨关节定位框的流程图;
图3是本发明实施例一提供的一种骨关节分割方法中确定第一骨关节区域的流程图;
图4是本发明实施例一提供的一种骨关节分割方法应用于医学图像骨关节分割的示意图;
图5是本发明实施例二提供的一种骨关节分割方法流程图;
图6是本发明实施例三提供的一种骨关节分割方法流程图;
图7是本发明实施例三提供的一种骨关节分割方法应用于医学图像骨关节分割的示意图;
图8是本发明实施例四提供的一种骨关节分割装置结构示意图;
图9是本发明实施例五提供的一种终端的结构示意图。
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,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1是本发明实施例一提供的一种骨关节分割方法流程图,本实施例可适用于骨关节分割的情况,该方法可以由终端实现,具体可通过终端中的软件和/或硬件来实施。参见图1,该骨关节分割方法包括如下步骤:
S110、获取待分割图像。
其中,终端可以通过访问设定的存储路径获取待分割图像;其中,存储路径可以是终端本地的存储路径,还可以是通过通信协议与其他终端建立交互后,其他终端的存储路径。
S120、基于预先训练的定位模型确定待分割图像中的骨关节定位框。
其中,预先训练的定位模型可以是随机森林定位模型,也可以是通过深度学习确定的定位模型,例如通过人工神经网络确定的定位模型。其中,随机森林定位模型可以理解为利用多棵决策树对待分割图像中骨关节定位框进行预测的一种分类器。其中,通过深度学习确定的定位模型可以理解为利用含多隐层确定待分割图像中骨关节定位框的一种多层结构学习算法。
可选的,基于预先训练的定位模型确定待分割图像中的骨关节定位框,包括:在待分割图像中选取第一数量的采样点,根据采样点以及预先训练的定位模型确定待分割图像中的骨关节定位框。
其中,第一数量的数值可以根据医学图像尺寸、分辨率或待分割骨组织形态等因素进行手动或自动设置,例如可以是医学图像尺寸越大选取的第一数量的数值越大,医学图像的分辨率越高选取的第一数量的数值越大,待分割骨组织形态越复杂选取的第一数量的数值越大。示例性的,当待分割骨组织为股骨头时,可以在待分割图像中随机选取一万个采样点。
其中,在选取第一数量的采样点之后,采样点的相关特征也可以进行获取,例如采样点的坐标信息,采样点及周围图像点的灰度信息和灰度的梯度信息等。其中,可以将各采样点的相关特征作为参数输入定位模型,根据定位模型可确定各采样点对应的骨关节定位框的大小和方位。根据多个采样点回归出的骨关节定位框的大小和方位可以获得精度较高的骨关节定位框。其中,骨关节定位框在二维医学图像中呈现为二维骨关节定位框(例如长方形或正方形形状的骨关节定位框),在三维医学图像中呈现为三维骨关节定位框(例如长方体或立方体形状的骨关节定位框)。
通过预先训练的定位模型及采样点确定待分割图像中的骨关节定位框,为差值阈值生长进行了区域定位,为更加精准的进行骨关节分割奠定基础。
S130、根据生长条件在骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。
其中,在骨关节定位框中进行迭代的差值阈值生长,需要确定差值阈值生长的起始点,生长条件以及停止条件。其中,第一骨关节区域可以理解为以骨关节定位框为基准的预设范围的骨关节区域。
其中,在骨关节定位框内进行第一次差值阈值生长时,可以根据一定的规则选取种子点作为第一次差值阈值生长的起始点,在之后的差值阈值生长过程中,可以将前次差值阈值生长后的点作为当前差值阈值生长的起始点,从而实现迭代的差值阈值生长。其中,根据一定的规则选取种子点可以是根据骨关节定位框内像素灰度值选取种子点,例如可以选取骨关节定位框内像素灰度值最大的点作为种子点,还可以将骨关节定位框内像素灰度值在预设的骨关节皮质灰度值区间的至少一个点选取为种子点。
其中,生长条件包括但不限于全局灰度差值,邻域灰度差值和/或拉普拉斯梯度值。其中,全局灰度差值可以理解为将骨关节定位框中全部像素点作为生长的目标对象,若目标对象的灰度与起始点的灰度之间的差值满足预设差值,则将目标对象作为差值阈值生长后的点;其中,邻域度差值可以理解为将前次差值阈值生长后的点的与横冠矢三个方向相邻的像素点作为生长的目标对象,若目标对象的灰度与起始点的灰度之间的差值满足预设差值,则将目标对象作为差值阈值生长后的点,其中不同方向的目标对象与起始点之间需要满足的预设差值可以相同,也可以不同;其中,拉普拉斯梯度值可以理解为将前次差值阈值生长后的点的与横冠矢三个方向相邻的像素点作为生长的目标对象,若目标对象的灰度与起始点的灰度之间的拉普拉斯梯度值满足预设值,则将目标对象作为差值阈值生长后的点,其中不同方向的目标对象与起始点之间需要满足的预设值可以相同,也可以不同。
其中,停止条件包括但不限于边界停止条件和/或特征值停止条件。其中,边界停止条件可以是,将以骨关节定位框为基准的预设范围作为停止条件,即若经过差值阈值生长后的点超出该预设范围则停止生长;其中,特征值例如可以是点的灰度值,相应的特征值停止条件可以是,将差值阈值生长后的点的灰度值作为停止条件,即若经过差值阈值生长后的点的灰度值超出预设灰度值则停止生长。
通过在骨关节定位框中根据生长起始点,生长条件和停止条件进行迭代的差值阈值生长,以得到第一骨关节区域,可以保证骨关节皮质轮廓线完整连续,避免了分割不全和分割泄露等情况。
图2是本发明实施例一提供的一种骨关节分割方法中确定骨关节定位框的流程图。参见图2,该骨关节分割方法中S120步骤具体可包括如下步骤:
S121、对各采样点计算第二数量的采样点特征;
S122、根据第二数量的采样点特征以及预先训练的定位模型,确定各采样点与骨关节定位框间的距离的概率分布;
S123、根据各采样点的位置与各采样点与骨关节定位框间的距离的概率分布确定骨关节定位框的概率分布,并根据骨关节定位框的概率分布确定骨关节定位框。
其中,对每个采样点皆需计算第二数量的采样点特征。其中,第二数量的数值可以根据医学图像尺寸、分辨率或待分割骨组织形态等因素进行手动或自动设置,例如可以是医学图像尺寸越大选取的第二数量的数值越大,医学图像的分辨率越高选取的第二数量的数值越大,待分割骨组织形态越复杂选取的第二数量的数值越大。示例性的,当待分割骨组织为股骨头时,第二数量例如可以是500。其中,采样点特征包括但不限于采样点的灰度值特征和/或梯度值特征;其中,计算采样点的灰度值特征和/或梯度值特征具体可以是,先选取采样点周围的特征框,再分别计算特征框内灰度值和/或梯度值的哈尔特征(Haar-likefeatures)。其中,选取特征框的方式可以根据具体场景进行更改,可以理解为选取的特征框距采样点的距离可根据具体场景进行更改。示例性的,当待分割骨组织为股骨头时,可以选取与采样点距离较远的特征框,例如选取与采样点横冠矢距离为20cm的特征框,其中20cm可以认为是实际距离,且医学图像上的图像距离可以根据实际距离和图像缩放比例确定。
其中,将采样点对应的第二数量的采样点特征作为参数输入定位模型,可以得到采样点与骨关节定位框各个面的距离的概率分布,其中距离的概率分布类似于多元高斯分布,因此可以将距离的概率分布假设为符合多元高斯分布。其中,根据各采样点的位置与各采样点与骨关节定位框间的距离的概率分布确定骨关节定位框的概率分布具体可以是,利用的采样点的位置坐标减去采样点与骨关节定位框各个面间的距离的概率分布,从而得到骨关节定位框各个面的位置概率分布。相应的,根据骨关节定位框的概率分布确定骨关节定位框具体可以是,选取骨关节定位框各个面的位置概率分布中概率最大的位置,从而得到骨关节定位框各个面的位置,即可回归出骨关节定位框。
图3是本发明实施例一提供的一种骨关节分割方法中确定第一骨关节区域的流程图。参见图3,该骨关节分割方法中S130步骤具体可包括如下步骤:
S131、在骨关节定位框内选取灰度值大于第一预设灰度值的至少一个点作为第一种子点;
S132、根据生长条件在以骨关节定位框为基准的预设范围内,以第一种子点为起始点做迭代的差值阈值生长;其中,生长条件包括全局灰度差值,邻域灰度差值和/或拉普拉斯梯度值。
其中,第一预设灰度值可以是通过统计图像中正常骨关节皮质的灰度值范围估算的骨关节灰度最小值;其中,可以从大于骨关节皮质灰度值最小值的像素点中随机选取至少一个点作为第一种子点,还可以从大于骨关节皮质灰度值最小值的像素点中根据处于定位框内的位置选取至少一个点作为第一种子点。其中,可能存在所确定的骨关节定位框小于骨关节大小的情况,因此可以以骨关节定位框为基准,在横冠矢不同方向动态调整预设范围,作为生长停止条件,保证差值阈值生长在预设范围内进行生长,从而保证可以分割全部骨关节皮质。其中,预设范围可以根据实际需求进行调整,例如可以以原有骨关节定位框中心为参考点,向横冠矢三个方向拓展一定距离,使骨关节定位框变为原来体积/面积的1.1倍、1.2倍或1.3倍,其中具体数值在此不作限制。
可选的,以第一种子点为起始点做迭代的差值阈值生长,包括:
以第N次差值阈值生长后的点为基准,进行第N+1次差值阈值生长,其中第N+1次差值阈值生长的生长差值根据第N+1次差值阈值生长后的点的个数进行调整,其中N为自然数;根据第N+1次差值阈值生长后的点的特征值确定是否停止差值阈值生长。
其中,以第N次差值阈值生长后的点为基准,进行第N+1次差值阈值生长具体可以是,当N为0时,即进行第1次差值阈值生长,可以根据一定的规则选取种子点作为第1次差值阈值生长的起始点;当N大于等于1时,可以将第N次差值阈值生长后的点作为第N+1次差值阈值生长的起始点,从而实现迭代的差值阈值生长。其中,可以通过调整第N+1次差值阈值生长的生长差值,使第N+1次差值阈值生长后的点的数量更加合理。
进一步的,第N+1次差值阈值生长的生长差值根据第N+1次差值阈值生长后的点的个数进行调整,包括:
选取生长差值,以第N次差值阈值生长后的点的特征值为基准,根据生长差值进行第N+1次差值阈值生长;判断第N+1次差值阈值生长后的点的个数与第N次差值阈值生长后的点的个数的比值是否在预设比值区间内;若否,则根据比值调整生长差值,以第N次差值阈值生长后的点的特征值为基准,根据调整后的生长差值再次进行第N+1次差值阈值生长,直至比值在预设比值区间内。
其中,在进行第N+1次差值阈值生长之前,需要选取生长差值,第一次选取的生长差值可以是预设值,根据第N次差值阈值生长后的点的特征值以及预设值进行第N+1次差值阈值生长;判断第N+1次差值阈值生长后的点的个数与第N次差值阈值生长后的点的个数的比值是否在预设比值区间内。
若否,且比值大于预设比值区间的最大值,则在预设值基础上减小一定数值,以减小后的数值作为第二次选取的生长差值,撤回之前进行的以预设值为生长差值的第N+1次差值阈值生长,重新根据第N次差值阈值生长后的点的特征值以及第二次选取的生长差值再次进行第N+1次差值阈值生长;若否,且比值小于预设比值区间的最小值,则在预设值基础上增加一定数值,以增加后的数值作为第二次选取的生长差值,撤回之前进行的以预设值为生长差值的第N+1次差值阈值生长,重新根据第N次差值阈值生长后的点的特征值以及第二次选取的生长差值再次进行第N+1次差值阈值生长;直至根据第N次选取的生长差值以及第N次差值阈值生长后的点的特征值进行第N+1次差值阈值生长,第N+1次差值阈值生长后的点的个数与第N次差值阈值生长后的点的个数的比值在预设比值区间内为止,完成第N+1次差值阈值生长。
通过迭代调整进行第N+1次差值阈值生长所需要的生长差值,使得第N+1次差值阈值生长更加合理,避免了第N+1次差值阈值生长后像素点过多或过少的情况。
进一步的,根据第N+1次差值阈值生长后的点的特征值确定是否停止差值阈值生长,包括:
判断第N+1次差值阈值生长后的点的特征值是否满足预设特征值区间;若否,则停止生长;若是,则选取生长差值,以进行第N+2次差值阈值生长。
当比值在预设比值区间内时,可以进一步判断第N+1次差值阈值生长后的点的特征值是否满足预设特征值区间;若否,则停止生长;若是,则选取生长差值,以进行第N+2次差值阈值生长。其中,点的特征值包括但不限于全局点的灰度值,邻域点的灰度值和拉普拉斯梯度值。通过对停止生长条件的限定,可以有效避免生长泄露的情况,提高了骨关节分割效果。
图4是本发明实施例一提供的一种骨关节分割方法应用于医学图像骨关节分割的示意图。参见图4,为骨关节分割方法应用于股骨头CT图像中骨关节分割的二维示意图,其中,实线框A表示根据股骨头CT图像中各采样点及随机森林定位模型回归出的骨关节定位框;点B1和点B2表示在骨关节定位框内选取的至少一个第一种子点;在骨关节定位框的预设范围内,即在虚线框A’内,基于点B1和点B2进行迭代的差值阈值生长,从而可以进行股骨头骨关节皮质的分割。
本实施例提供的骨关节分割方法,获取待分割图像;基于预先训练的定位模型确定待分割图像中的骨关节定位框;根据生长条件在骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。通过先定位后分割的骨关节分割方法,使得到的骨关节分割效果佳,减少了后续编辑工作,提高了骨关节分割效率。
实施例二
本实施例在上述实施例基础上,进一步对定位模型的训练过程进行了描述,与上述实施例提出的骨关节定位方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例。
图5是本发明实施例二提供的一种骨关节分割方法流程图。参见图5,该骨关节分割方法包括如下步骤:
S510、获取样本图像;
S520、在样本图样中标记骨关节定位框;
S530、在样本图像中选取第一数量的采样点,计算各采样点与标记的骨关节定位框之间的距离,并对各采样点计算第二数量的采样点特征;
S540、根据各采样点与标记的骨关节定位框之间的距离以及各采样点的采样点特征训练定位模型;
S550、获取待分割图像;
S560、基于预先训练的定位模型确定待分割图像中的骨关节定位框;
S570、根据生长条件在骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。
其中,步骤S510-S540即为对定位模型的训练步骤。在定位模型训练过程中,可以通过调整模型参数,使定位模型输出的骨关节定位框与样本图像相互匹配,例如样本图像为股骨头、肩关节或膝关节等不同形态的骨组织时,可以通过调整定位模型的模型参数使得骨关节定位框可以合理标识股骨头、肩关节或膝关节的关节位置。其中,样本图像的数量越多,求得的定位模型可靠度越高,示例性的可以获取300例样本图像进行定位模型训练。
其中,在样本图中随机选取第一数量的采样点,同时可以得到采样点的坐标信息,以及采样点距手动标记的骨关节定位框的距离信息(例如距离与角度);并可以在各采样点周围选取第二数量的采样点特征框,进行第二数量的采样点特征的计算。采样点周围的检测框选取范围可以为较长的距离,通常情况下较长距离的特征可以更好地定位出骨关节位置。
根据各采样点距手动标记的骨关节定位框的距离以及各采样点对应的第二数量的采样点特征可以对定位模型进行训练,以使定位模型可以根据待分割图像中各采样点的第二数量的采样点特征及各采样点的坐标信息回归出各采样点对应的骨关节定位框。
本实施例在上述实施例基础上,对定位模型的训练的步骤进行了完善和补充,与上述实施例提出的骨关节分割方法于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,且本实施例与上述实施例具有相同的有益效果。
实施例三
本实施例在上述实施例基础上,进一步对除第一骨关节区域外的剩余骨关节区域的分割过程进行了描述,与上述实施例提出的骨关节分割方法于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例。
图6是本发明实施例三提供的一种骨关节分割方法流程图。参见图6,该骨关节分割方法包括如下步骤:
S610、获取待分割图像;
S620、基于预先训练的定位模型确定待分割图像中的骨关节定位框;
S630、根据生长条件在骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域;
S640、根据第一骨关节区域和骨关节定位框选取第二种子点,以第二种子点为起始点进行迭代的差值阈值生长,得到第二骨关节区域;
S650、根据第一骨关节区域和第二骨关节区域得到骨关节区域。
其中,第二骨关节区域为骨关节中除第一骨关节区域外的剩余骨组织区域,例如当待分割骨组织为股骨头时,第一骨关节区域为股骨头与髋臼窝之间的关节区域,则第二骨关节区域为除第一骨关节区域外剩余的骨组织区域。其中,将第一骨组织区域和得二骨组织区域进行结合可以得到完整的骨关节的骨组织。
可选的,根据第一骨关节区域和骨关节定位框选取第二种子点,包括:
根据待分割图像类型以及骨关节定位框,确定第二种子点的选取范围;在选取范围内选取骨关节皮质中灰度值大于第二预设灰度值的至少一个点作为第二种子点。
其中,待分割图像类型可以是根据骨组织形态进行划分的类型,例如可以是股骨头图像或肩关节图像。其中,不同的待分割图像类型的解剖特性不同,可以理解为第二骨关节区域与第一骨关节区域的相对位置不同。根据待分割图像类型可以得到第二骨关节区域与第一骨关节区域的位置关系,也就可以得到第二骨关节区域与骨关节定位框的位置关系。根据第二骨关节区域与骨关节定位框的位置关系可以确定剩余第二骨关节区域位置。其中,可以根据第二骨关节区域位置确定第二种子点的选取范围。示例性的,左侧股骨头的第二骨关节区域在第一骨关节区域的左下方,即第二骨关节区域在骨关节定位框的左下方,可以将骨关节定位框的左下方预设距离范围作为第二种子点的选取范围,以进行第二种子点的选取。其中,第一骨关节区域由于是在骨关节定位框预设范围内进行生长的,因此第一骨关节区域会部分生长至第二种子点的选取范围内,可以将生长至第二种子点的选取范围内的第一骨关节区域中灰度值大于第二预设灰度值的至少一个点作为第二种子点;其中,第二预设灰度值可以是第二种子点选取范围内第二骨关节区域灰度值的最小值。
其中,以第二种子点为起始点进行上述实施例中的迭代的差值阈值生长可以得到第二骨关节区域。通过将第二骨关节区域与第一骨关节区域进行配准和融合,可以得到完整的骨组织。可以在骨组织构成的骨髓腔内通过现有的热力场填充技术对骨髓质进行填充,将完成填充后的初步骨分割结果进行平滑处理得到目标骨分割结果。
通过在已完成分割的第一骨关节区域基础上选取第二种子点进行生长,以得到第二骨关节区域,根据第二骨关节区域与第一骨关节区域可得到目标骨关节的分割结果,使骨分割效果更佳。
图7是本发明实施例三提供的一种骨关节分割方法应用于医学图像骨关节分割的示意图。参见图7,为骨关节分割方法应用于左侧股骨头CT图像中骨关节分割的二维示意图,其中,实线框A表示根据股骨头CT图像中各采样点及随机森林定位模型回归出的骨关节定位框。虚线框A’表示在骨关节定位框的预设范围内的区域,即第一骨关节区域可以部分生长至A’区域内。由于左侧股骨头的剩余骨组织在第一骨关节区域的左下方,即第二骨关节区域在骨关节定位框的左下方,可以将骨关节定位框的左下方预设距离范围作为第二种子点的选取范围,以进行第二种子点的选取。在第二种子点的选取范围与A’区域的重叠范围内,可选取第一骨关节区域中灰度值大于第二预设灰度值的点C1作为第二种子点;基于点C1进行迭代的差值阈值生长,从而可以得到第二骨关节区域。
本实施例在上述实施例基础上,对除第一骨关节区域外的剩余骨组织皮质的分割过程进行了完善和补充,与上述实施例提出的骨关节分割方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,且本实施例与上述实施例具有相同的有益效果。
实施例四
图8是本发明实施例四提供的一种骨关节分割装置结构示意图,本实施例可适用于骨关节分割的情况。
参见图8,本实施例中骨关节分割装置,包括:
图像获取模块810,用于获取待分割图像;
定位模块820,用于基于预先训练的定位模型确定待分割图像中的骨关节定位框;
差值阈值生长模块830,用于根据生长条件在骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。
可选的,定位模块820,具体用于在待分割图像中选取第一数量的采样点,根据采样点以及预先训练的定位模型确定待分割图像中的骨关节定位框。
可选的,定位模块820,包括:
采样点特征计算子模块,用于对各采样点计算第二数量的采样点特征;
距离确定子模块,用于根据第二数量的采样点特征以及预先训练的定位模型,确定各采样点与骨关节定位框间的距离的概率分布;
骨关节定位框确定子模块,用于根据各采样点的位置与各采样点与骨关节定位框间的距离的概率分布确定骨关节定位框的概率分布,并根据骨关节定位框的概率分布确定骨关节定位框。
可选的,差值阈值生长模块830,包括:
第一种子点选取子模块,用于在骨关节定位框内选取灰度值大于第一预设灰度值的至少一个点作为第一种子点;
差值阈值生长子模块,用于根据生成条件在以骨关节定位框为基准的预设范围内,以第一种子点为起始点做迭代的差值阈值生长其中,生成条件包括全局灰度差值,邻域灰度差值和/或拉普拉斯梯度值。
可选的,差值阈值生长子模块,具体用于:
以第N次差值阈值生长后的点为基准,进行第N+1次差值阈值生长,其中第N+1次差值阈值生长的生长差值根据第N+1次差值阈值生长后的点的个数进行调整,其中N为自然数;
根据第N+1次差值阈值生长后的点的特征值确定是否停止差值阈值生长。
进一步的,第N+1次差值阈值生长的生长差值根据第N+1次差值阈值生长后的点的个数进行调整,包括:
选取生长差值,以第N次差值阈值生长后的点的特征值为基准,根据生长差值进行第N+1次差值阈值生长;
判断第N+1次差值阈值生长后的点的个数与第N次差值阈值生长后的点的个数的比值是否在预设比值区间内;
若否,则根据比值调整生长差值,以第N次差值阈值生长后的点的特征值为基准,根据调整后的生长差值再次进行第N+1次差值阈值生长,直至比值在预设比值区间内。
进一步的,根据第N+1次差值阈值生长后的点的特征值确定是否停止差值阈值生长,包括:
判断第N+1次差值阈值生长后的点的特征值是否满足预设特征值区间;
若否,则停止生长;
若是,则选取生长差值,以进行第N+2次差值阈值生长。
可选的,图像获取模块810,还用于获取样本图像;
相应的,骨关节分割装置,还包括:
标记模块,用于在样本图样中标记骨关节定位框;
采样点选取模块,用于在样本图像中选取第一数量的采样点;
距离计算模块,用于计算各采样点与标记的骨关节定位框之间的距离;
相应的,采样点特征计算子模块,还用于对各采样点计算第二数量的采样点特征;
模型训练模块,用于根据各采样点与标记的骨关节定位框之间的距离以及各采样点的采样点特征训练定位模型。
可选的,差值阈值生长模块830,还用于:
根据第一骨关节区域和骨关节定位框选取第二种子点,以第二种子点为起始点进行迭代的差值阈值生长,得到第二骨关节区域。
可选的,骨关节分割装置,还包括:
骨关节区域确定模块,用于根据第一骨关节区域和第二骨关节区域得到骨关节区域。
本实施例提供的骨关节分割装置,与实施例一至三提出的骨关节分割方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见实施例一至三,并且本实施例与实施例一至三具有相同的有益效果。
实施例五
本实施例提供了一种终端,可以用于骨关节分割的情况。图9是本发明实施例五提供的一种终端的结构示意图。参见图9,该终端包括:
一个或多个处理器910;
存储器920,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器910执行,使得一个或多个处理器910实现如实施例一至三提出的骨关节分割方法。
图9中以一个处理器910为例;处理器910和存储器920可以通过总线或其他方式连接,图9中以通过总线连接为例。
存储器920作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的骨关节分割方法对应的程序指令/模块。处理器910通过运行存储在存储器920中的软件程序、指令以及模块,从而执行终端的各种功能应用以及数据处理,即实现上述的骨关节分割方法。
存储器920可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器920可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器920可进一步包括相对于处理器910远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提出的终端与实施例一至三提出的骨关节分割方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见实施例一至三,并且本实施例与实施例一至三具有相同的有益效果。
实施例六
本实施例提供一种可读介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例一至三提出的骨关节分割方法。
本实施例提出的可读介质与实施例一至三提出的骨关节分割方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见实施例一至三,并且本实施例与实施例一至三具有相同的有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种骨关节分割方法,其特征在于,包括:
获取待分割图像;
基于预先训练的定位模型确定所述待分割图像中的骨关节定位框;
根据生长条件在所述骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。
2.根据权利要求1所述的方法,其特征在于,所述基于预先训练的定位模型确定所述待分割图像中的骨关节定位框,包括:
在所述待分割图像中选取第一数量的采样点,根据所述采样点以及预先训练的定位模型确定所述待分割图像中的骨关节定位框。
3.根据权利要求2所述的方法,其特征在于,所述根据所述采样点以及预先训练的定位模型确定所述待分割图像中的骨关节定位框,包括:
对各所述采样点计算第二数量的采样点特征;
根据所述第二数量的采样点特征以及预先训练的定位模型,确定各所述采样点与骨关节定位框间的距离的概率分布;
根据各所述采样点的位置与各所述采样点与骨关节定位框间的距离的概率分布确定骨关节定位框的概率分布,并根据所述骨关节定位框的概率分布确定骨关节定位框。
4.根据权利要求1所述的方法,其特征在于,所述根据生长条件在所述骨关节定位框中进行迭代的差值阈值生长,包括:
在所述骨关节定位框内选取灰度值大于第一预设灰度值的至少一个点作为第一种子点;
根据生成条件在以骨关节定位框为基准的预设范围内,以第一种子点为起始点做迭代的差值阈值生长;
其中,所述生成条件包括全局灰度差值,邻域灰度差值和/或拉普拉斯梯度值。
5.根据权利要求4所述的方法,其特征在于,所述以第一种子点为起始点做迭代的差值阈值生长,包括:
以第N次差值阈值生长后的点为基准,进行第N+1次差值阈值生长,其中所述第N+1次差值阈值生长的生长差值根据第N+1次差值阈值生长后的点的个数进行调整,其中N为自然数;
根据第N+1次差值阈值生长后的点的特征值确定是否停止差值阈值生长。
6.根据权利要求5所述的方法,其特征在于,所述第N+1次差值阈值生长的生长差值根据第N+1次差值阈值生长后的点的个数进行调整,包括:
选取生长差值,以第N次差值阈值生长后的点的特征值为基准,根据生长差值进行第N+1次差值阈值生长;
判断第N+1次差值阈值生长后的点的个数与第N次差值阈值生长后的点的个数的比值是否在预设比值区间内;
若否,则根据所述比值调整生长差值,以第N次差值阈值生长后的点的特征值为基准,根据调整后的生长差值再次进行第N+1次差值阈值生长,直至所述比值在预设比值区间内。
7.根据权利要求5所述的方法,其特征在于,所述根据第N+1次差值阈值生长后的点的特征值确定是否停止差值阈值生长,包括:
判断第N+1次差值阈值生长后的点的特征值是否满足预设特征值区间;
若否,则停止生长;
若是,则选取生长差值,以进行第N+2次差值阈值生长。
8.根据权利要求1所述的方法,其特征在于,还包括:
获取样本图像;
在所述样本图样中标记骨关节定位框;
在所述样本图像中选取第一数量的采样点,计算各所述采样点与标记的骨关节定位框之间的距离,并对各所述采样点计算第二数量的采样点特征;
根据各所述采样点与标记的骨关节定位框之间的距离以及各所述采样点的采样点特征训练定位模型。
9.根据权利要求1所述的方法,其特征在于,在所述得到第一骨关节区域之后,还包括:
根据所述第一骨关节区域和骨关节定位框选取第二种子点,以第二种子点为起始点进行迭代的差值阈值生长,得到第二骨关节区域;
根据所述第一骨关节区域和第二骨关节区域得到骨关节区域。
10.一种骨关节分割装置,其特征在于,包括:
图像获取模块,用于获取待分割图像;
定位模块,用于基于预先训练的定位模型确定所述待分割图像中的骨关节定位框;
差值阈值生长模块,用于根据生长条件在所述骨关节定位框中进行迭代的差值阈值生长,得到第一骨关节区域。
11.一种终端,其特征在于,所述终端包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的骨关节分割方法。
12.一种可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任一所述的骨关节分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012717.0A CN109741360B (zh) | 2019-01-07 | 2019-01-07 | 一种骨关节分割方法、装置、终端及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012717.0A CN109741360B (zh) | 2019-01-07 | 2019-01-07 | 一种骨关节分割方法、装置、终端及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741360A true CN109741360A (zh) | 2019-05-10 |
CN109741360B CN109741360B (zh) | 2022-02-22 |
Family
ID=66363681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910012717.0A Active CN109741360B (zh) | 2019-01-07 | 2019-01-07 | 一种骨关节分割方法、装置、终端及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741360B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962927A (zh) * | 2021-09-01 | 2022-01-21 | 北京长木谷医疗科技有限公司 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103068035A (zh) * | 2011-10-21 | 2013-04-24 | 中国移动通信集团公司 | 一种无线网络定位方法、装置及系统 |
CN103440665A (zh) * | 2013-09-13 | 2013-12-11 | 重庆大学 | 膝关节软骨图像自动分割方法 |
US20140341426A1 (en) * | 2013-05-14 | 2014-11-20 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method and medical imaging device |
CN104809740A (zh) * | 2015-05-26 | 2015-07-29 | 重庆大学 | 基于svm与弹性区域生长的膝软骨图像自动分割方法 |
CN105844625A (zh) * | 2016-03-18 | 2016-08-10 | 常州大学 | 一种融合边缘和区域的活动轮廓图像分割方法 |
CN106611413A (zh) * | 2016-11-30 | 2017-05-03 | 上海联影医疗科技有限公司 | 图像分割方法及其系统 |
CN108269261A (zh) * | 2016-12-30 | 2018-07-10 | 亿阳信通股份有限公司 | 一种骨关节ct图像分割方法和系统 |
CN108364297A (zh) * | 2018-03-19 | 2018-08-03 | 青岛海信医疗设备股份有限公司 | 血管图像分割方法、终端、存储介质 |
CN108447063A (zh) * | 2017-12-15 | 2018-08-24 | 浙江中医药大学 | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 |
CN108573494A (zh) * | 2018-04-28 | 2018-09-25 | 上海联影医疗科技有限公司 | 一种管状结构提取方法及装置 |
-
2019
- 2019-01-07 CN CN201910012717.0A patent/CN109741360B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103068035A (zh) * | 2011-10-21 | 2013-04-24 | 中国移动通信集团公司 | 一种无线网络定位方法、装置及系统 |
US20140341426A1 (en) * | 2013-05-14 | 2014-11-20 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method and medical imaging device |
CN103440665A (zh) * | 2013-09-13 | 2013-12-11 | 重庆大学 | 膝关节软骨图像自动分割方法 |
CN104809740A (zh) * | 2015-05-26 | 2015-07-29 | 重庆大学 | 基于svm与弹性区域生长的膝软骨图像自动分割方法 |
CN105844625A (zh) * | 2016-03-18 | 2016-08-10 | 常州大学 | 一种融合边缘和区域的活动轮廓图像分割方法 |
CN106611413A (zh) * | 2016-11-30 | 2017-05-03 | 上海联影医疗科技有限公司 | 图像分割方法及其系统 |
CN108269261A (zh) * | 2016-12-30 | 2018-07-10 | 亿阳信通股份有限公司 | 一种骨关节ct图像分割方法和系统 |
CN108447063A (zh) * | 2017-12-15 | 2018-08-24 | 浙江中医药大学 | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 |
CN108364297A (zh) * | 2018-03-19 | 2018-08-03 | 青岛海信医疗设备股份有限公司 | 血管图像分割方法、终端、存储介质 |
CN108573494A (zh) * | 2018-04-28 | 2018-09-25 | 上海联影医疗科技有限公司 | 一种管状结构提取方法及装置 |
Non-Patent Citations (4)
Title |
---|
E. KOZEGAR等: "Mass Segmentation in Automated 3-D Breast Ultrasound Using Adaptive Region Growing and Supervised Edge-Based Deformable Model", 《IEEE TRANSACTIONS ON MEDICAL IMAGING 》 * |
何璇: "膝关节MRI软骨自动分割和定量分析研究", 《中国优秀硕士论文全文数据库信息科技辑》 * |
吴蕾: "基于腹部平扫CT图像的自动肾脏定位与分割", 《中国优秀硕士论文全文数据库医药卫生科技辑》 * |
宋晓等: "肝脏分割的种子点自动获取方法", 《系统仿真学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962927A (zh) * | 2021-09-01 | 2022-01-21 | 北京长木谷医疗科技有限公司 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109741360B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657509B2 (en) | Method for precisely and automatically positioning reference line for integrated images | |
US10068671B2 (en) | Methods and systems for producing an implant | |
Lamecker et al. | A 3D statistical shape model of the pelvic bone for segmentation | |
US10357316B2 (en) | Systems and methods for planning hair transplantation | |
US9275191B2 (en) | Methods and systems for producing an implant | |
US20180032641A1 (en) | Producing a three-dimensional model of an implant | |
US8249345B2 (en) | Automatic image segmentation using contour propagation | |
CN103049907B (zh) | 交互式图像分割方法 | |
US20070150247A1 (en) | Follicular unit transplantation planner and methods of its use | |
US20110254845A1 (en) | Image processing method and image processing apparatus | |
JP2023162303A (ja) | 整形外科的関節のための外科的な修正処置の術前計画 | |
US9491443B2 (en) | Image processing method and image processing apparatus | |
CN109741360A (zh) | 一种骨关节分割方法、装置、终端及可读介质 | |
Levinski et al. | Interactive surface-guided segmentation of brain MRI data | |
CN108064148A (zh) | 用于体外受精的图像引导的胚胎转移 | |
US20210401397A1 (en) | Temporal mapping of thermal ablation areas | |
Krahnstoever et al. | Computing curvature-adaptive surface triangulations of three-dimensional image data | |
Porto et al. | Improving interpretability of 2-d ultrasound of the lumbar spine | |
Somers et al. | 2D to 3D Segmentation: Inclusion of Prior Information using Random Walk Kalman Filters | |
Banalagay et al. | Automatic chorda tympani segmentation with weakly supervised conditional adversarial networks | |
US20220249170A1 (en) | System and method for processing black bone mri data | |
CN118052930A (zh) | 超声图像建模方法和装置 | |
Singhal | Research in high-confidence distributed information systems | |
Zhang et al. | Faces alive: Reconstruction of animated 3D human faces | |
CN117557724A (zh) | 一种基于位姿估计的脑外科手术患者头部呈现方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |