CN110136139A - 基于形状特征的面部ct图像中的牙神经分割方法 - Google Patents
基于形状特征的面部ct图像中的牙神经分割方法 Download PDFInfo
- Publication number
- CN110136139A CN110136139A CN201910292869.0A CN201910292869A CN110136139A CN 110136139 A CN110136139 A CN 110136139A CN 201910292869 A CN201910292869 A CN 201910292869A CN 110136139 A CN110136139 A CN 110136139A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- dental nerve
- follows
- level set
- 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
- G06T7/10—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
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more 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
- G06T7/187—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
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于形状特征的面部CT图像中的牙神经分割方法,选择采用水平集的图像分割方法来分割CT图像中的牙神经管原因在于:在冠状位的CT图像中,牙神经管往往都是比较规则的圆孔,并出现在连续的切片当中,因此前一张的分割结果可以作为后一张切边中牙神经管的初始位置,然后继续采用水平集方法实现自动分割。本发明降低图像处理的复杂度,提高运行速度,提高分割效率。
Description
技术领域
本发明属于图像分割技术领域,尤其是一种基于形状特征的面部CT图像中的牙神经分割方法。
背景技术
水平集方法是一种用于界面追踪和形状建模的数值技术,该方法提出以后被成功地应用于流体力学,计算机图形学,材料科学等领域。而曲线演化是演化静止或运动图像分割和目标检测的一种有效的方法。该方法利用闭合曲线或曲线形变的特定的规律,定义度量闭合曲线或者曲面的能量函数,最小化能量函数从而使闭合曲线(曲面)逐渐毕竟图中指定目标的边界。基于水平集的图像分割算法是将低维的闭合曲线(曲面)演化问题转为高维度空间水平集函数曲面演化的隐含方式来求解,计算稳定,准确度高,因而在图像处理和计算机视觉领域中得到了广泛的应用。
随着医疗技术的发展,植牙手术的应用越来越普及。但是在植牙过程中避免损害到牙齿附近的牙神经依旧是一个难题。因此,就非常有必要对于CT图像中的牙神经进行精确的定位、分割,以更好的帮助医生进行植牙手术。本发明在冠状位的CT图像中,对牙神经管使用水平集的图像分割方法,取得了较为精确的分割结果。
存在的技术缺陷为:牙神经图像背景较为复杂时分割效率低。
发明内容
为了克服现有图论分割方法的图像处理的复杂度高、分割效率低的不足,本发明为了降低图像处理的复杂度,提高运行速度,提高分割效率,提供了一种基于形状特征的面部CT图像中的牙神经分割方法。
本发明解决其技术问题所采用的技术方案是:
一种基于形状特征的面部CT图像中的牙神经分割方法,包括如下步骤:
1)图像筛选,选择任意一个病人的CT切片图像集合,在其冠状位方向的图像中,选出第一次出现牙神经孔的图像;
2)图像预处理
对步骤1)中所选择的图像以及其以后的图像切片进行预处理,过程如下:
2.1)先进行阈值,利用直方图进行分析,并根据直方图的波峰和波谷之间的关系,选择出一个的阈值,计算图像的连通图,将其阈值化并转换为二值图像;
2.2)形态学操作,通过形态学操作估计牙神经孔的边界,并对神经孔周围的残余物和其他混淆组织,使用结构元素进行侵蚀;
3)首张图像分割,过程如下:
对经过预处理的第一张切片图像,采用水平集方法进行单张图像分割,即先在要图像中点出一个在分割对象中的点,实现对分割对象的分割;使用DRLSE模型来对牙神经区域进行精确提取,该模DRLSE型的优点是在利用迭代方法寻找图像中相匹配的点时无需重复初始化水平集函数,提高了运算速度,减少数据计算量,其中泛能量函数的数学公式表示为:
其中RP(L)表示增加的约束项,λ是约束项系数,是能量驱动项,控制曲线寻找边界得到能量函数
4)图像集的连续自动分割
将前一张图像的分割结果作为先验知识,对后续的图像继续采用水平集的分割方法,得到最终的图像分割结果,过程如下:
4.1)对前一张的图像的分割结果进行二值化,将分割的置为白色,将其余部分置为黑色,用于接来下求质心坐标;
4.2)遍历处理后的图像像素,记录下所有白色部分x轴方向以及y方向的坐标和,再统计白色的像素的个数,两者相除,得到最终的质心坐标;
4.3)将前一张图像中的白色像素个数作为水平集分割迭代的停止条件,确保两张图像分割结果的面积相差不大;
4.4)白色的像素更可能在下张图像的牙神经孔中,因此控制曲线向外伸展时白色像素应更有可能在分割结果中,黑色的像素则相反。在原有的能量函数中,加入形状约束项,改进的泛能量函数公式表示为:
其中,Rs(L)为形状约束项,μ为约束系数;
4.5)将前一张切片得到的分割目标的质心、面积、形状作为这张当前要图像的先验信息,进行水平集分割。
4.6)当对所有包含神经管的连续切片图像分割完毕后,就得到了最终的分割结果。
进一步,所述步骤3)中,图像集中单张图像的水平集分割的过程如下:
3.1)在分割对象中确定初始轮廓,对于首张图像,人工标记一个点,将该像素点扩展为一个3*3的矩阵作为初始轮廓。对于非首张图像,由上一张图像的分割结果的质点作为先验信息,扩展为一个3*3的矩阵,用一个负常数表示目标区域,目标以外区域用正常数表示,初始水平集函数即表示为:
3.2)确定了初始函数,就能确定了初始目标曲线轮廓的位置,即使0,获得目标与背景的矩形交接区域;
3.3)迭代水平集函数,不断的演化水平集能量函数,直到达到满意的分割效果,停止迭代,获得水平集迭代后的牙神经管轮廓区域。
本发明的技术构思为:选择采用水平集的图像分割方法来分割CT图像中的牙神经管原因在于:在冠状位的CT图像中,牙神经管往往都是比较规则的圆孔,并出现在连续的切片当中,因此前一张的分割结果可以作为后一张切边中牙神经管的初始位置,然后继续采用水平集方法实现自动分割。使用水平集的分割方法分割效率高,并可以得到平滑的牙神经管边缘,并且可以使得方法的实现较为简单。
该方法针对牙神经管的CT图像处理的分割精度低和分割效率低的问题提出方法改进。首先进行图像筛选,再对图像进行预处理理,然后对第一张图像使用水平集分割。最后对后继的图像利用前一张图像的质心信息,利用水平集方法进行分割,得到分割结果。
本发明的有益效果主要表现在:1、简化了CT图像中牙神经管分割的操作;2、提高了CT图像中牙神经管的分割效率。
附图说明
图1是一种基于形状特征的面部CT图像中的牙神经分割方法的流程图。
图2是分割的操作步骤以及得到的部分分割结果效果。(a)为牙神经管入口处的圆孔点选择,(b)为图像阈值处理结果,(c)为图像形态学操作后的结果,(d)为入口初图像分割结果,(e)只保留前景的图像分割结果,(f)中间部分的图像分割结果。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于形状特征的面部CT图像中的牙神经分割方法的流程图,本实施例对冠状位的牙神经管分割,包括以下步骤:
1)图像筛选
选择任意一个病人的CT切片图像集合,在其冠状位方向的图像中,选出第一次出现牙神经管孔的图像;
2)图像预处理
对步骤1)中所选择的图像以及其以后的图像切片进行预处理,过程如下:
2.1)先进行阈值,利用直方图进行分析,并根据直方图的波峰和波谷之间的关系,选择出一个较好的阈值。使用该算法计算图像的连通图,将其阈值化并转换为二值图像;
2.2)形态学操作,通过形态学操作估计牙神经管孔的边界,并对神经孔周围的残余物和其他混淆组织,使用结构元素进行侵蚀;
3)首张图像分割
对于经过预处理的第一张切片图像,使用水平集的方法进行单张图像分割,即先在要图像中点出一个在分割对象中的点,实现对分割对象的分割,使用DRLSE模型来对牙神经管区域进行精确提取。该模型的优点是在利用迭代方法寻找图像中相匹配的点时无需重复初始化水平集函数,提高了运算速度,减少数据计算量,其中泛能量函数的数学公式表示为:
其中RP(L)表示增加的约束项,λ是约束项系数,是能量驱动项,控制曲线寻找边界得到能量函数
4)图像集合连续分割
根据前一张图像的分割结果,对于后续的图像使用水平集的分割方法,得到最终的图像分割结果,过程如下:
4.1)对前一张的图像的分割结果进行二值化,将分割的置为白色,将其余部分置为黑色,用于接来下求质心坐标;
4.2)遍历处理后的图像像素,记录下所有白色部分x轴方向以及y方向的坐标和,再统计白色的像素的个数,两者相除,得到最终的质心坐标;
4.3)将前一张图像中的白色像素个数作为水平集分割迭代的停止条件,确保两张图像分割结果的面积相差不大;
4.4)白色的像素更可能在下张图像的牙神经孔中,因此控制曲线向外伸展时白色像素应更有可能在分割结果中,黑色的像素则相反。在原有的能量函数中,加入形状约束项,改进的泛能量函数公式表示为:
其中,Rs(L)为形状约束项,μ为约束系数;
4.5)将前一张切片得到的分割目标的质心、面积、形状作为这张当前要图像的先验信息,进行水平集分割;
4.6)当对所有包含神经管的连续切片图像分割完毕后,就得到了最终的分割结果。
进一步,所述步骤3)中,图像集中单张图像的水平集分割的过程如下:
3.1)在分割对象中确定初始轮廓,对于首张图像,人工标记一个点,将该像素点扩展为一个3*3的矩阵作为初始轮廓。对于非首张图像,由上一张图像的分割结果的质点作为先验信息,扩展为一个3*3的矩阵,用一个负常数表示目标区域,目标以外区域用正常数表示,初始水平集函数即表示为:
3.2)确定了初始函数,就能确定了初始目标曲线轮廓的位置,即使0,获得目标与背景的矩形交接区域;
3.3)迭代水平集函数,不断的演化水平集能量函数,直到达到满意的分割效果,停止迭代,获得水平集迭代后的牙神经管轮廓区域。
Claims (2)
1.一种基于形状特征的面部CT图像中的牙神经分割方法,其特征在于,包括如下步骤:
1)图像筛选,选择任意一个病人的CT切片图像集合,在其冠状位方向的图像中,选出第一次出现牙神经孔的图像;
2)图像预处理
对步骤1)中所选择的图像以及其以后的图像切片进行预处理,过程如下:
2.1)先进行阈值,利用直方图进行分析,并根据直方图的波峰和波谷之间的关系,选择出一个的阈值,计算图像的连通图,将其阈值化并转换为二值图像;
2.2)形态学操作,通过形态学操作估计牙神经孔的边界,并对神经孔周围的残余物和其他混淆组织,使用结构元素进行侵蚀;
3)首张图像分割,过程如下:
对经过预处理的第一张切片图像,采用水平集方法进行单张图像分割,即先在要图像中点出一个在分割对象中的点,实现对分割对象的分割;使用DRLSE模型来对牙神经区域进行精确提取,其中泛能量函数φ的数学公式表示为:
其中RP(L)表示增加的约束项,λ是约束项系数,是能量驱动项,控制曲线寻找边界得到能量函数
4)图像集的连续自动分割
将前一张图像的分割结果作为先验知识,对后续的图像继续采用水平集的分割方法,得到最终的图像分割结果,过程如下:
4.1)对前一张的图像的分割结果进行二值化,将分割的置为白色,将其余部分置为黑色,用于接来下求质心坐标;
4.2)遍历处理后的图像像素,记录下所有白色部分x轴方向以及y方向的坐标和,再统计白色的像素的个数,两者相除,得到最终的质心坐标;
4.3)将前一张图像中的白色像素个数作为水平集分割迭代的停止条件,确保两张图像分割结果的面积相差不大;
4.4)白色的像素更可能在下张图像的牙神经孔中,因此控制曲线向外伸展时白色像素应更有可能在分割结果中,黑色的像素则相反。在原有的能量函数中,加入形状约束项,改进的泛能量函数公式表示为:
其中,Rs(L)为形状约束项,μ为约束系数;
4.5)将前一张切片得到的分割目标的质心、面积、形状作为这张当前要图像的先验信息,进行水平集分割;
4.6)当对所有包含神经管的连续切片图像分割完毕后,就得到了最终的分割结果。
2.如权利要求1所述的基于形状特征的面部CT图像中的牙神经分割方法,其特征在于,所述步骤3)中,图像集中单张图像的水平集分割的过程如下:
3.1)在分割对象中确定初始轮廓,对于首张图像,人工标记一个点,将该像素点扩展为一个3*3的矩阵作为初始轮廓,对于非首张图像,由上一张图像的分割结果的质点作为先验信息,扩展为一个3*3的矩阵,用一个负常数表示目标区域,目标以外区域用正常数表示,初始水平集函数即表示为:
3.2)确定了初始函数,就能确定了初始目标曲线轮廓的位置,即使0,获得目标与背景的矩形交接区域;
3.3)迭代水平集函数,不断的演化水平集能量函数,直到达到满意的分割效果,停止迭代,获得水平集迭代后的牙神经管轮廓区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292869.0A CN110136139B (zh) | 2019-04-12 | 2019-04-12 | 基于形状特征的面部ct图像中的牙神经分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292869.0A CN110136139B (zh) | 2019-04-12 | 2019-04-12 | 基于形状特征的面部ct图像中的牙神经分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136139A true CN110136139A (zh) | 2019-08-16 |
CN110136139B CN110136139B (zh) | 2021-04-06 |
Family
ID=67569847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910292869.0A Active CN110136139B (zh) | 2019-04-12 | 2019-04-12 | 基于形状特征的面部ct图像中的牙神经分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136139B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476881A (zh) * | 2020-03-18 | 2020-07-31 | 创业慧康科技股份有限公司 | 基于结构相似性水平集算法的人体组织器官三维重建方法 |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN113920253A (zh) * | 2021-11-22 | 2022-01-11 | 广州大学 | 一种基于三维口腔模型的牙齿模型快速切割方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
CN103020969A (zh) * | 2012-12-25 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 一种ct图像肝脏分割的处理方法及系统 |
CN103345748A (zh) * | 2013-06-26 | 2013-10-09 | 福建师范大学 | 一种人体组织细胞双光子显微图像的定位分割方法 |
CN103729843A (zh) * | 2013-12-20 | 2014-04-16 | 电子科技大学 | 基于马尔可夫的医学图像分割方法 |
CN103955945A (zh) * | 2014-05-23 | 2014-07-30 | 哈尔滨师范大学 | 基于双目视差和活动轮廓的自适应彩色图像分割方法 |
CN105184766A (zh) * | 2015-07-16 | 2015-12-23 | 三峡大学 | 一种频域边界能量模型的水平集图像分割方法 |
WO2018066809A1 (ko) * | 2016-10-04 | 2018-04-12 | 엘지전자(주) | 크로마 성분 코딩 유닛 분할 방법 및 장치 |
-
2019
- 2019-04-12 CN CN201910292869.0A patent/CN110136139B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
CN103020969A (zh) * | 2012-12-25 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 一种ct图像肝脏分割的处理方法及系统 |
CN103345748A (zh) * | 2013-06-26 | 2013-10-09 | 福建师范大学 | 一种人体组织细胞双光子显微图像的定位分割方法 |
CN103729843A (zh) * | 2013-12-20 | 2014-04-16 | 电子科技大学 | 基于马尔可夫的医学图像分割方法 |
CN103955945A (zh) * | 2014-05-23 | 2014-07-30 | 哈尔滨师范大学 | 基于双目视差和活动轮廓的自适应彩色图像分割方法 |
CN105184766A (zh) * | 2015-07-16 | 2015-12-23 | 三峡大学 | 一种频域边界能量模型的水平集图像分割方法 |
WO2018066809A1 (ko) * | 2016-10-04 | 2018-04-12 | 엘지전자(주) | 크로마 성분 코딩 유닛 분할 방법 및 장치 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476881A (zh) * | 2020-03-18 | 2020-07-31 | 创业慧康科技股份有限公司 | 基于结构相似性水平集算法的人体组织器官三维重建方法 |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN113920253A (zh) * | 2021-11-22 | 2022-01-11 | 广州大学 | 一种基于三维口腔模型的牙齿模型快速切割方法 |
CN113920253B (zh) * | 2021-11-22 | 2022-05-17 | 广州大学 | 一种基于三维口腔模型的牙齿模型快速切割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110136139B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808156B (zh) | 感兴趣区域提取方法 | |
CN102048550B (zh) | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 | |
EP3035287B1 (en) | Image processing apparatus, and image processing method | |
CN110136139A (zh) | 基于形状特征的面部ct图像中的牙神经分割方法 | |
EP2531953B1 (en) | Region-growing algorithm | |
EP2120208A1 (en) | Method and system for lesion segmentation | |
EP3807839B1 (en) | Deformity edge detection | |
CN104809723A (zh) | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 | |
US8073210B2 (en) | Methods of smoothing segmented regions and related devices | |
Xia et al. | Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible teeth | |
CN107784647A (zh) | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 | |
JP2016523154A (ja) | 画像ノイズ情報を利用する方法 | |
US20050147297A1 (en) | Unsupervised data segmentation | |
CN110120048B (zh) | 结合改进U-Net和CMF的三维脑肿瘤图像分割方法 | |
CN105741299A (zh) | 一种冠状动脉ct血管造影图像分割方法 | |
US20110317888A1 (en) | Liver lesion segmentation | |
CN109886973B (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
KR101126447B1 (ko) | 생체부분 간이식의 공여자 선별을 위한 간 영역 체적 측정 방법 | |
Furuzuki et al. | A detection method for liver cancer region based on faster R-CNN | |
Nyúl et al. | Method for automatically segmenting the spinal cord and canal from 3D CT images | |
Ukil et al. | Smoothing lung segmentation surfaces in 3D X-ray CT images using anatomic guidance | |
Koundal et al. | An automatic ROI extraction technique for thyroid ultrasound image | |
Geng et al. | Fully automatic extraction of lung parenchyma from CT scans | |
CN111489434A (zh) | 一种基于三维图割的医学影像三维重建方法 | |
Wei et al. | Segmentation of lung lobes in volumetric CT images for surgical planning of treating lung cancer |
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 |