CN110570508A - 骨质疏松状况三维可视化渲染方法 - Google Patents
骨质疏松状况三维可视化渲染方法 Download PDFInfo
- Publication number
- CN110570508A CN110570508A CN201910663858.9A CN201910663858A CN110570508A CN 110570508 A CN110570508 A CN 110570508A CN 201910663858 A CN201910663858 A CN 201910663858A CN 110570508 A CN110570508 A CN 110570508A
- Authority
- CN
- China
- Prior art keywords
- bone
- dimensional
- rendering
- surface mesh
- osteoporosis
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Generation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种骨质疏松状况三维可视化渲染方法,通过读取定量CT骨骼影像数据及对应骨密度标准体模影像数据,并从中分割出感兴趣骨骼,然后基于CT阈值对感兴趣骨骼进行阈值分割,将感兴趣骨骼划分为多个部分,再通过三维表面提取得到感兴趣骨骼的三维网格模型然后进行渲染,或者对多个部分分别进行体素数据的渲染,最后通过三维渲染包生成感兴趣骨骼的三维图像页面。本发明能够以三维形式展现骨质疏松状况,实现骨质疏松相关数据在三维空间中图像及信息的无障碍浏览,从而使得医生及患者能够获取到完整的骨质疏松信息,确保了对患者骨质疏松状况的精确检查,从而辅助医生实现对患者骨质疏松症状的精确诊疗。
Description
技术领域
本发明涉及骨密度检测技术,尤其涉及一种骨质疏松状况三维可视化渲染方法。
背景技术
骨密度定量CT检查技术是评估患者骨质疏松程度的重要手段。然而,传统的QCT骨密度检查只能展示静态的骨密度分布图像及骨密度结果,不利于直观观察骨密度分布的情况,这使得医生及患者在浏览骨密度检查报告时,难以获取完整的骨密度信息,为精确诊疗带来了困难。
发明内容
本发明主要目的在于,提供一种骨质疏松状况三维可视化渲染方法,以解决现有技术的骨密度检查方式只能展示静态的骨密度分布图像及骨密度结果,不利于直观观察骨密度分布的情况的问题。
本发明是通过如下技术方案实现的:
一种骨质疏松状况三维可视化渲染方法,包括如下步骤:
步骤A:读取定量CT骨骼影像数据及对应骨密度标准体模影像数据;
步骤B:从所述定量CT骨骼影像中分割出感兴趣骨骼;
步骤C:基于CT阈值对所述感兴趣骨骼进行阈值分割,以将所述感兴趣骨骼划分为多个部分;
步骤D:对各部分分别进行三维表面提取,生成所述感兴趣骨骼的三维网格模型,并对所述三维网格模型进行渲染,或者对各部分分别进行体素数据的渲染;
步骤E:通过三维渲染包生成所述感兴趣骨骼的三维图像页面。
进一步地,所述多个部分具体为多个具有不同骨密度的部分。
进一步地,所述步骤C包括:
步骤C1:根据读取的对应骨密度标准体模影像数据,计算骨密度与CT值之间的关系曲线;
步骤C2:计算T-score值或Z-score值与CT值的对应关系;
步骤C3:根据预设的基于T-score值或Z-score值的骨质疏松认定标准,将T-score或Z-score值为第一预设SD值时所对应的CT值S1和T-score或Z-score值为第二预设SD值时所对应的CT值S2作为CT阈值,并利用所述S1和所述S2将所述感兴趣骨骼分割分为所述多个具有不同骨密度的部分。
进一步地,所述步骤D中:
对所述多个具有不同骨密度的部分分别使用不同的颜色进行渲染。
进一步地,所述步骤D中:
对所述多个具有不同骨密度的部分分别使用不同的透明度进行渲染。
进一步地,所述步骤D具体包括:
导入所述多个具有不同骨密度的部分的表面网格模型以及定量CT骨骼影像数据的体数据;
将所述表面网格模型坐标与重建的骨组织原始CT数据坐标点匹配;
对所述表面网格模型赋予材质漫反射着色器,设定着色器的光线反射类型满足菲涅尔反射,光线反射系数fresnel的计算公式为:
fresnel=1+pow(1-dot(N,V),5),其中N为模型表面法向量,V为入射视角向量;
对所述表面网格模型赋予材质颜色属性,不同骨密度的部分的表面网格模型设定不同的材质颜色;
对所述表面网格模型赋予材质透明度属性,不同骨密度的部分的表面网格模型设定不同的材质透明度;
根据设定的各表面网格模型的材质颜色属性和材质透明度属性,对所述表面网格模型及体数据进行渲染。
进一步地,所述多个具有不同骨密度的部分中,骨密度越高的部分的表面网格模型的材质透明度越高。
进一步地,所述感兴趣骨骼划分为低骨密度部分、中骨密度部分和高骨密度部分,其中,低骨密度部分的表面网格模型的材质透明度设置为0,中骨密度部分的表面网格模型的材质透明度设置为0.5,高骨密度部分的表面网格模型的材质透明度设置为0.7。
进一步地,低骨密度部分的表面网格模型的材质颜色设置为红色,中骨密度部分的表面网格模型的材质颜色设置为黄色,高骨密度部分的表面网格模型的材质颜色设置为绿色。
进一步地,所述感兴趣骨骼的全部骨组织包含在分割出的所述感兴趣骨骼内。
一种骨质疏松状况三维可视化渲染方法,包括如下步骤:
步骤A:读取定量CT骨骼影像数据及对应骨密度标准体模影像数据;
步骤B:从所述定量CT骨骼影像中分割出感兴趣骨骼;
步骤C:通过灰度连通性计算、纹理分析或机器学习算法计算所述感兴趣骨骼中的骨纹理连通程度值;
步骤D:根据所述骨纹理连通程度值对所述感兴趣骨骼进行阈值分割,以将所述感兴趣骨骼划分为多个部分;
步骤E:对各部分分别进行三维表面提取,生成所述感兴趣骨骼的三维网格模型,并对所述三维网格模型进行渲染,或者对各部分分别进行体素数据的渲染;
步骤F:通过三维渲染包生成所述感兴趣骨骼的三维图像页面。
进一步地,所述多个部分包括正常区域和非正常区域。
进一步地,所述非正常区域为所述感兴趣骨骼中骨纹理连通程度值小于设定阈值的区域。
进一步地,所述正常区域为所述感兴趣骨骼中骨纹理连通程度值大于或等于所述设定阈值的区域。
进一步地,所述步骤E具体包括:
导入所述正常区域和非正常区域的表面网格模型以及定量CT骨骼影像数据的体数据;
将所述表面网格模型坐标与重建的骨组织原始CT数据坐标点匹配;
对所述表面网格模型赋予材质漫反射着色器,设定着色器的光线反射类型满足菲涅尔反射,光线反射系数fresnel的计算公式为:
fresnel=1+pow(1-dot(N,V),5),其中N为模型表面法向量,V为入射视角向量;
对所述表面网格模型赋予材质颜色属性,正常区域和非正常区域的表面网格模型设定不同的材质颜色;
对所述表面网格模型赋予材质透明度属性,正常区域和非正常区域的表面网格模型设定不同的材质透明度;
根据设定的各表面网格模型的材质颜色属性和材质透明度属性,对所述表面网格模型及体数据进行渲染。
进一步地,正常区域的表面网格模型的材质透明度高于非正常区域的表面网格模型的材质透明度。
与现有技术相比,本发明提供的骨质疏松状况三维可视化渲染方法,通过读取定量CT骨骼影像数据及对应骨密度标准体模影像数据,并从中分割出感兴趣骨骼,然后基于CT阈值对感兴趣骨骼进行阈值分割,将感兴趣骨骼划分为多个部分,再通过三维表面提取得到感兴趣骨骼的三维网格模型然后进行渲染,或者对多个部分分别进行体素数据的渲染,最后通过三维渲染包生成感兴趣骨骼的三维图像页面。本发明能够以三维形式展现骨质疏松状况,实现骨质疏松相关数据在三维空间中图像及信息的无障碍浏览,从而使得医生及患者能够获取到完整的骨质疏松信息,确保了对患者骨质疏松状况的精确检查,从而辅助医生实现对患者骨质疏松症状的精确诊疗。
附图说明
图1是本发明实施例1提供的骨质疏松状况三维可视化渲染方法的流程示意图;
图2是本发明实施例2提供的骨质疏松状况三维可视化渲染方法的流程示意图。
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明白,下面结合实施例和附图,对本发明作进一步详细说明。
如图1所示,本发明实施例1提供的骨质疏松状况三维可视化渲染方法,包括如下步骤:
步骤A:读取定量CT骨骼影像数据及对应骨密度标准体模影像数据。定量CT骨骼影像数据通过CT(Computed Tomography,电子计算机断层扫描)设备拍摄,利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体某一部位作断面扫描,扫描快,图像清晰,适用于骨密度等多种生理参数的检查。根据所采用的射线不同可分为:CT可分为X射线CT(X-CT)以及γ射线CT(γ-CT)等。
步骤B:从定量CT骨骼影像中分割出感兴趣骨骼。感兴趣骨骼即确定出的需要进行骨密度检查以判断其骨质疏松程度的骨骼。因骨组织较为容易发生骨质疏松,因此在分割感兴趣骨骼时,最好将感兴趣骨骼的全部骨组织包含在分割出的感兴趣骨骼内。
步骤C:基于CT阈值对感兴趣骨骼进行阈值分割,以将感兴趣骨骼划分为多个部分。本实施例中,多个部分具体为多个具有不同骨密度的部分。
受检者的T-score值为(受检者BMD值-青年人BMD均值)/青年人BMD标准差,受检者的Z-score值为(受检者BMD值-同龄人BMD均值)/同龄人BMD的标准差。由于骨密度的CT值、骨密度数据,以及T-score值或Z-score值之间存在对应关系,而基于T-score值或Z-score值的骨质疏松认定标准是公认的国际标准,通过前述对应关系可以确定出一个与该标准相应的基于CT值的骨质疏松认定标准。基于该基本原理,就可基于CT设备拍摄的定量CT骨骼影像,在分割出的感兴趣骨骼部分以CT值作为阈值对感兴趣骨骼部分进行阈值分割,以将该感兴趣骨骼部分划分为多个具有不同骨密度的部分。在此基础上,设定步骤C具体包括:
步骤C1:根据读取的对应骨密度标准体模影像数据,计算骨密度与CT值之间的关系曲线。
步骤C2:计算T-score值或Z-score值与CT值的对应关系。
步骤C3:根据预设的基于T-score值或Z-score值的骨质疏松认定标准,将T-score或Z-score值为第一预设SD值时所对应的CT值S1和T-score或Z-score值为第二预设SD值时所对应的CT值S2作为CT阈值,并利用S1和S2将感兴趣骨骼分割分为多个具有不同骨密度的部分。在本实施例中,根据骨质疏松认定标准,第一预设SD值设定为-2.5SD,第二预设SD值设定为-1SD。其中SD值表示正常青年成年人平均峰值骨密度的标准值。多个具有不同骨密度的部分具体为健康部分、骨质减少部分和骨质疏松部分,CT值小于S1的为骨质疏松部分,CT值在S1和S2之间的为骨质减少部分,CT值大于S2的为健康部分。
步骤D:对多个具有不同骨密度的部分分别进行三维表面提取,生成感兴趣骨骼的三维网格模型,并对三维网格模型进行渲染,或者对多个部分分别进行体素数据的渲染。渲染时,对多个部分分别使用不同的颜色进行渲染,使用户能方便区分出健康部分、骨质减少部分和骨质疏松部分。为更形象表示不同的骨质疏松程度,还可对多个部分分别使用不同的材质透明度进行渲染,在多个具有不同骨密度的部分中,骨密度越高的部分的表面网格模型的材质透明度越高,即健康部分的材质透明度大于骨质减少部分的材质透明度,骨质减少部分的材质透明度大于骨质疏松部分的材质透明度。
在步骤D的上述原理基础上,可设定步骤D具体包括如下步骤:
导入多个具有不同骨密度的部分的表面网格模型以及定量CT骨骼影像数据的体数据;
将表面网格模型坐标与重建的骨组织原始CT数据坐标点匹配;
对表面网格模型赋予材质漫反射着色器,设定着色器的光线反射类型满足菲涅尔反射,光线反射系数fresnel的计算公式为:
fresnel=1+pow(1-dot(N,V),5),其中N为模型表面法向量,V为入射视角向量;
对表面网格模型赋予材质颜色属性,不同骨密度的部分的表面网格模型设定不同的材质颜色;
对表面网格模型赋予材质透明度属性,不同骨密度的部分的表面网格模型设定不同的材质透明度;
根据设定的各表面网格模型的材质颜色属性和材质透明度属性,对表面网格模型及体数据进行渲染。
对体数据进行渲染时,可采用MIP最大密度投影法进行渲染。在为不同骨密度部分的表面网格模型赋予材质颜色属性和材质透明度属性时,具体可将感兴趣骨骼划分为低骨密度部分、中骨密度部分和高骨密度部分。其中,低骨密度部分的表面网格模型的材质透明度设置为0,中骨密度部分的表面网格模型的材质透明度设置为0.5,高骨密度部分的表面网格模型的材质透明度设置为0.7;同时,低骨密度部分的表面网格模型的材质颜色设置为红色,中骨密度部分的表面网格模型的材质颜色设置为黄色,高骨密度部分的表面网格模型的材质颜色设置为绿色。
步骤E:通过三维渲染包生成感兴趣骨骼的三维图像页面。三维渲染包可采用包括openGL、webGL或VTK在内的三维渲染包进行绘制生成三维图像页面。
如图2所示,本发明实施例2提供了另一种骨质疏松状况三维可视化渲染方法,包括如下步骤:
步骤A:读取定量CT骨骼影像数据及对应骨密度标准体模影像数据。
步骤B:从定量CT骨骼影像中分割出感兴趣骨骼。
步骤C:通过灰度连通性计算、纹理分析或机器学习算法计算感兴趣骨骼中的骨纹理连通程度值。
步骤D:根据骨纹理连通程度值对感兴趣骨骼进行阈值分割,以将感兴趣骨骼划分为多个部分。本实施例中,多个部分包括正常区域和非正常区域,其中非正常区域可包括骨空洞区域、骨连接不良区域和骨病理区域等。
步骤E:对各部分分别进行三维表面提取,生成感兴趣骨骼的三维网格模型,并对三维网格模型进行渲染,或者对各部分分别进行体素数据的渲染。
步骤F:通过三维渲染包生成感兴趣骨骼的三维图像页面。
在本实施例中,非正常区域为感兴趣骨骼中骨纹理连通程度值小于设定阈值的区域,正常区域为感兴趣骨骼中骨纹理连通程度值大于或等于设定阈值的区域。非正常区域中的骨病理区域可利用深度学习方法(如卷积神经网络)判断的骨病理状态区域。骨病理区域包含但不限于骨质疏松区域、骨缺损区域、骨纤维发育不良区域、骨肉瘤区域等。
步骤E可采用类似实施例1中步骤D的方式,具体包括:
导入正常区域和非正常区域的表面网格模型以及定量CT骨骼影像数据的体数据;
将表面网格模型坐标与重建的骨组织原始CT数据坐标点匹配;
对表面网格模型赋予材质漫反射着色器,设定着色器的光线反射类型满足菲涅尔反射,光线反射系数fresnel的计算公式为:
fresnel=1+pow(1-dot(N,V),5),其中N为模型表面法向量,V为入射视角向量;
对表面网格模型赋予材质颜色属性,正常区域和非正常区域的表面网格模型设定不同的材质颜色;
对表面网格模型赋予材质透明度属性,正常区域和非正常区域的表面网格模型设定不同的材质透明度;
根据设定的各表面网格模型的材质颜色属性和材质透明度属性,对表面网格模型及体数据进行渲染。
设定材质透明度时,正常区域的表面网格模型的材质透明度高于非正常区域的表面网格模型的材质透明度。
本发明能够以三维形式展现骨密度分布状况,实现骨密度数据在三维空间中图像及信息的无障碍浏览,从而使医生及患者能够获取到完整的骨密度信息,确保了对患者骨质疏松状况的精确检查。
上述实施例仅为优选实施例,并不用以限制本发明的保护范围,在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种骨质疏松状况三维可视化渲染方法,其特征在于,包括如下步骤:
步骤A:读取定量CT骨骼影像数据及对应骨密度标准体模影像数据;
步骤B:从所述定量CT骨骼影像中分割出感兴趣骨骼;
步骤C:基于CT阈值对所述感兴趣骨骼进行阈值分割,以将所述感兴趣骨骼划分为多个部分;
步骤D:对各部分分别进行三维表面提取,生成所述感兴趣骨骼的三维网格模型,并对所述三维网格模型进行渲染,或者对各部分分别进行体素数据的渲染;
步骤E:通过三维渲染包生成所述感兴趣骨骼的三维图像页面。
2.如权利要求1所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述多个部分具体为多个具有不同骨密度的部分。
3.如权利要求2所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述步骤C包括:
步骤C1:根据读取的对应骨密度标准体模影像数据,计算骨密度与CT值之间的关系曲线;
步骤C2:计算T-score值或Z-score值与CT值的对应关系;
步骤C3:根据预设的基于T-score值或Z-score值的骨质疏松认定标准,将T-score或Z-score值为第一预设SD值时所对应的CT值S1和T-score或Z-score值为第二预设SD值时所对应的CT值S2作为CT阈值,并利用所述S1和所述S2将所述感兴趣骨骼分割分为所述多个具有不同骨密度的部分。
4.如权利要求2所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述步骤D中:
对所述多个具有不同骨密度的部分分别使用不同的颜色进行渲染。
5.如权利要求4所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述步骤D中:
对所述多个具有不同骨密度的部分分别使用不同的透明度进行渲染。
6.如权利要求5所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述步骤D具体包括:
导入所述多个具有不同骨密度的部分的表面网格模型以及定量CT骨骼影像数据的体数据;
将所述表面网格模型坐标与重建的骨组织原始CT数据坐标点匹配;
对所述表面网格模型赋予材质漫反射着色器,设定着色器的光线反射类型满足菲涅尔反射,光线反射系数fresnel的计算公式为:
fresnel=1+pow(1-dot(N,V),5),其中N为模型表面法向量,V为入射视角向量;
对所述表面网格模型赋予材质颜色属性,不同骨密度的部分的表面网格模型设定不同的材质颜色;
对所述表面网格模型赋予材质透明度属性,不同骨密度的部分的表面网格模型设定不同的材质透明度;
根据设定的各表面网格模型的材质颜色属性和材质透明度属性,对所述表面网格模型及体数据进行渲染。
7.如权利要求6所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述多个具有不同骨密度的部分中,骨密度越高的部分的表面网格模型的材质透明度越高。
8.如权利要求7所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述感兴趣骨骼划分为低骨密度部分、中骨密度部分和高骨密度部分,其中,低骨密度部分的表面网格模型的材质透明度设置为0,中骨密度部分的表面网格模型的材质透明度设置为0.5,高骨密度部分的表面网格模型的材质透明度设置为0.7。
9.如权利要求8所述的骨质疏松状况三维可视化渲染方法,其特征在于,低骨密度部分的表面网格模型的材质颜色设置为红色,中骨密度部分的表面网格模型的材质颜色设置为黄色,高骨密度部分的表面网格模型的材质颜色设置为绿色。
10.如权利要求1所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述感兴趣骨骼的全部骨组织包含在分割出的所述感兴趣骨骼内。
11.一种骨质疏松状况三维可视化渲染方法,其特征在于,包括如下步骤:
步骤A:读取定量CT骨骼影像数据及对应骨密度标准体模影像数据;
步骤B:从所述定量CT骨骼影像中分割出感兴趣骨骼;
步骤C:通过灰度连通性计算、纹理分析或机器学习算法计算所述感兴趣骨骼中的骨纹理连通程度值;
步骤D:根据所述骨纹理连通程度值对所述感兴趣骨骼进行阈值分割,以将所述感兴趣骨骼划分为多个部分;
步骤E:对各部分分别进行三维表面提取,生成所述感兴趣骨骼的三维网格模型,并对所述三维网格模型进行渲染,或者对各部分分别进行体素数据的渲染;
步骤F:通过三维渲染包生成所述感兴趣骨骼的三维图像页面。
12.如权利要求11所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述多个部分包括正常区域和非正常区域。
13.如权利要求12所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述非正常区域为所述感兴趣骨骼中骨纹理连通程度值小于设定阈值的区域。
14.如权利要求12所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述正常区域为所述感兴趣骨骼中骨纹理连通程度值大于或等于所述设定阈值的区域。
15.如权利要求12所述的骨质疏松状况三维可视化渲染方法,其特征在于,所述步骤E具体包括:
导入所述正常区域和非正常区域的表面网格模型以及定量CT骨骼影像数据的体数据;
将所述表面网格模型坐标与重建的骨组织原始CT数据坐标点匹配;
对所述表面网格模型赋予材质漫反射着色器,设定着色器的光线反射类型满足菲涅尔反射,光线反射系数fresnel的计算公式为:
fresnel=1+pow(1-dot(N,V),5),其中N为模型表面法向量,V为入射视角向量;
对所述表面网格模型赋予材质颜色属性,正常区域和非正常区域的表面网格模型设定不同的材质颜色;
对所述表面网格模型赋予材质透明度属性,正常区域和非正常区域的表面网格模型设定不同的材质透明度;
根据设定的各表面网格模型的材质颜色属性和材质透明度属性,对所述表面网格模型及体数据进行渲染。
16.如权利要求15所述的骨质疏松状况三维可视化渲染方法,其特征在于,正常区域的表面网格模型的材质透明度高于非正常区域的表面网格模型的材质透明度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663858.9A CN110570508B (zh) | 2019-07-23 | 2019-07-23 | 骨质疏松状况三维可视化渲染方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663858.9A CN110570508B (zh) | 2019-07-23 | 2019-07-23 | 骨质疏松状况三维可视化渲染方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570508A true CN110570508A (zh) | 2019-12-13 |
CN110570508B CN110570508B (zh) | 2023-09-08 |
Family
ID=68773829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663858.9A Active CN110570508B (zh) | 2019-07-23 | 2019-07-23 | 骨质疏松状况三维可视化渲染方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570508B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311705A (zh) * | 2020-02-14 | 2020-06-19 | 广州柏视医疗科技有限公司 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
CN111429564A (zh) * | 2020-03-11 | 2020-07-17 | 上海嘉奥信息科技发展有限公司 | 基于Unity3D生成神经纤维素模型的方法、系统及介质 |
CN112070760A (zh) * | 2020-09-17 | 2020-12-11 | 安徽大学 | 一种基于卷积神经网络的骨量检测方法 |
CN113658706A (zh) * | 2021-08-06 | 2021-11-16 | 中国人民解放军总医院第一医学中心 | 一种骨强度模拟计算方法、装置及存储介质 |
CN115953372A (zh) * | 2022-12-23 | 2023-04-11 | 北京纳通医用机器人科技有限公司 | 骨骼磨削图像显示方法、装置、设备及存储介质 |
CN116128957A (zh) * | 2023-04-20 | 2023-05-16 | 博志生物科技(深圳)有限公司 | 一种椎体骨空洞分析方法、装置、设备及存储介质 |
WO2024107668A1 (en) * | 2022-11-18 | 2024-05-23 | GE Precision Healthcare LLC | Improved spinal hardware rendering |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976427A (zh) * | 2016-04-27 | 2016-09-28 | 南京大学 | 一种用于安卓平台的三维医学图像数据体绘制方法 |
CN107230249A (zh) * | 2017-07-04 | 2017-10-03 | 北京像素软件科技股份有限公司 | 阴影渲染方法和装置 |
CN107481326A (zh) * | 2017-08-25 | 2017-12-15 | 上海嘉奥信息科技发展有限公司 | 一种基于ct影像体渲染的解剖结构vr显示方法 |
CN108830915A (zh) * | 2018-05-28 | 2018-11-16 | 牙博士医疗控股集团有限公司 | 口腔影像3d模拟动画实现方法及装置 |
CN109064447A (zh) * | 2018-06-29 | 2018-12-21 | 沈阳东软医疗系统有限公司 | 骨密度展示方法、装置及设备 |
-
2019
- 2019-07-23 CN CN201910663858.9A patent/CN110570508B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976427A (zh) * | 2016-04-27 | 2016-09-28 | 南京大学 | 一种用于安卓平台的三维医学图像数据体绘制方法 |
CN107230249A (zh) * | 2017-07-04 | 2017-10-03 | 北京像素软件科技股份有限公司 | 阴影渲染方法和装置 |
CN107481326A (zh) * | 2017-08-25 | 2017-12-15 | 上海嘉奥信息科技发展有限公司 | 一种基于ct影像体渲染的解剖结构vr显示方法 |
CN108830915A (zh) * | 2018-05-28 | 2018-11-16 | 牙博士医疗控股集团有限公司 | 口腔影像3d模拟动画实现方法及装置 |
CN109064447A (zh) * | 2018-06-29 | 2018-12-21 | 沈阳东软医疗系统有限公司 | 骨密度展示方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
YI-KING CHOI ET AL: "VISBONE: 3D Visualization of Bone Mineral Density", 《PROCEEDINGS SEVENTH PACIFIC CONFERENCE ON COMPUTER GRAPHICS AND APPLICATIONS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311705A (zh) * | 2020-02-14 | 2020-06-19 | 广州柏视医疗科技有限公司 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
CN111429564A (zh) * | 2020-03-11 | 2020-07-17 | 上海嘉奥信息科技发展有限公司 | 基于Unity3D生成神经纤维素模型的方法、系统及介质 |
CN111429564B (zh) * | 2020-03-11 | 2023-09-19 | 上海嘉奥信息科技发展有限公司 | 基于Unity3D生成神经纤维素模型的方法、系统及介质 |
CN112070760A (zh) * | 2020-09-17 | 2020-12-11 | 安徽大学 | 一种基于卷积神经网络的骨量检测方法 |
CN112070760B (zh) * | 2020-09-17 | 2022-11-08 | 安徽大学 | 一种基于卷积神经网络的骨量检测方法 |
CN113658706A (zh) * | 2021-08-06 | 2021-11-16 | 中国人民解放军总医院第一医学中心 | 一种骨强度模拟计算方法、装置及存储介质 |
CN113658706B (zh) * | 2021-08-06 | 2024-01-02 | 中国人民解放军总医院第一医学中心 | 一种骨强度模拟计算方法、装置及存储介质 |
WO2024107668A1 (en) * | 2022-11-18 | 2024-05-23 | GE Precision Healthcare LLC | Improved spinal hardware rendering |
CN115953372A (zh) * | 2022-12-23 | 2023-04-11 | 北京纳通医用机器人科技有限公司 | 骨骼磨削图像显示方法、装置、设备及存储介质 |
CN115953372B (zh) * | 2022-12-23 | 2024-03-19 | 北京纳通医用机器人科技有限公司 | 骨骼磨削图像显示方法、装置、设备及存储介质 |
CN116128957A (zh) * | 2023-04-20 | 2023-05-16 | 博志生物科技(深圳)有限公司 | 一种椎体骨空洞分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110570508B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570508B (zh) | 骨质疏松状况三维可视化渲染方法 | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
Li et al. | Methodology for generating a 3D computerized breast phantom from empirical data | |
EP1315125B1 (en) | Image processing method and system for disease detection | |
Pu et al. | Shape “break-and-repair” strategy and its application to automated medical image segmentation | |
Kostis et al. | Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images | |
Mastmeyer et al. | A hierarchical 3D segmentation method and the definition of vertebral body coordinate systems for QCT of the lumbar spine | |
CN100550004C (zh) | 一种对包含感兴趣区的三维医疗图像进行分割的方法 | |
Pu et al. | A computational geometry approach to automated pulmonary fissure segmentation in CT examinations | |
US7283652B2 (en) | Method and system for measuring disease relevant tissue changes | |
US8218848B2 (en) | System and method for the generation of attenuation correction maps from MR images | |
CN109801254B (zh) | 医学成像中的传递函数确定 | |
US20040175034A1 (en) | Method for segmentation of digital images | |
Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
Ukil et al. | Smoothing lung segmentation surfaces in three-dimensional x-ray ct images using anatomic guidance1 | |
CN114387380A (zh) | 用于生成3d医学图像数据的基于计算机的可视化的方法 | |
Radaelli et al. | On the segmentation of vascular geometries from medical images | |
US8213696B2 (en) | Tissue detection method for computer aided diagnosis and visualization in the presence of tagging | |
Heinonen et al. | Applications of MR image segmentation | |
Bland et al. | Robust three‐dimensional object definition in CT and MRI | |
Qiang et al. | Computerized segmentation of pulmonary nodules depicted in CT examinations using freehand sketches | |
Tomic et al. | Using simulated breast lesions based on Perlin noise for evaluation of lesion segmentation | |
TWI548401B (zh) | 血管三維結構重建方法 | |
Vinhais et al. | Lung parenchyma segmentation from CT images based on material decomposition | |
Zimeras | Segmentation Techniques of Anatomical Structures with Application in Radiotherapy Treatment Planning |
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 |