CN110570515B - 一种利用ct图像进行人体骨骼三维建模的方法 - Google Patents
一种利用ct图像进行人体骨骼三维建模的方法 Download PDFInfo
- Publication number
- CN110570515B CN110570515B CN201910829767.8A CN201910829767A CN110570515B CN 110570515 B CN110570515 B CN 110570515B CN 201910829767 A CN201910829767 A CN 201910829767A CN 110570515 B CN110570515 B CN 110570515B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- points
- tetrahedron
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000002591 computed tomography Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000010410 layer Substances 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 10
- 239000011229 interlayer Substances 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 230000037237 body shape Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 210000004872 soft tissue Anatomy 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 210000002303 tibia Anatomy 0.000 description 13
- 230000000399 orthopedic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010061363 Skeletal injury Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明的技术方案是:首先利用医学CT扫描人体骨骼得到DICOM格式影像图,再采用切片梯度插值方法来增加图像序列沿CT扫描方向的分辨率,基于图像各个灰度级的概率分布选取最大熵分割法确定阈值参数,由计算得到的阈值参数对图像进行二值分割处理;获得CT扫描骨骼断层图二维平面一定数量离散三维结构特征点,利用三维结构特征点间距定义等值面的四面体体素,经过体拟合方法生成四面体体素集合得到准确的拓扑结构模型,生成由四面体素拼接拟合组成的人体骨骼三维模型。
Description
技术领域
本发明涉及医学影像的仿真技术领域,尤其涉及一种利用CT图像进行人体骨骼三维建模的方法。
背景技术
利用CT图像进行骨骼三维建模技术应用越来越广泛,该技术不需要对人体进行解剖,无生物伦理问题产生。骨骼三维模型在骨科和外科等医疗部门的计算机辅助诊断和治疗的越来越被研究者和临床医生所重视,建立的骨骼三维模型可以提供医学研究平台,进行模拟手术切除、关节置换、医疗导板加工,来帮助医学院学生更方便的理解解剖结构和骨骼伤病的诊断,可为刚刚入职的年轻医生创造手术训练机会。
当前进行骨骼三位建模的方法大致包括下几种:利用尸体骨骼切片层轮廓形状来建模的切片法,通过扫描仪设备来采集模型外观数据的三维测量法;利用三维CAD软件来描绘骨骼结构的几何建模法;以及利用CT图像提取出骨骼扫描轮廓线进行拟合逼近建模的CT图像建模法。对CT图像DICOM格式进行处理变换是建立骨骼的三维模型的基础,现有开发及商用的医学图像处理软件以及正在应用中的骨骼三维建模方法,无法完全构建和再现骨骼的立体形貌,不能适应和满足实际工作中骨外科研究和医疗需求,本发明提出一种利用CT图像进行人体骨骼三维建模的方法。
发明内容
针对上述情况,本发明提出一种利用CT图像进行人体骨骼三维建模的方法,能用于骨科和外科等手术规划、医疗教学与相关科研工作,是一种将人体骨骼二维医学数据精确转化成三维数据的手段。
本发明的技术方案是:首先利用医学CT扫描人体骨骼得到DICOM格式影像图,再采用切片梯度插值方法来增加图像序列沿CT扫描方向的分辨率,基于图像各个灰度级的概率分布选取最大熵分割法确定阈值参数,由计算得到的阈值参数对图像进行二值分割处理;获得CT扫描骨骼断层图二维平面一定数量离散三维结构特征点,利用三维结构特征点间距定义等值面的四面体体素,经过体拟合方法生成四面体体素集合得到准确的拓扑结构模型,生成由四面体素拼接拟合组成的人体骨骼三维模型。
本发明是一种利用CT图像进行人体骨骼三维建模的方法,其特征在于包括如下过程步骤:
(1)利用CT技术获得人体骨骼DICOM格式二维医学影像图,较小的扫描层间距可以减小切片图层间插值计算工作量,获得更为精确地三维模型;
(2)将单层CT影像图划分二维坐标,选取CT影像图从开始层图像到结束层图像相同坐标位置的像素目标点,这些像素目标点沿CT扫描方向构成一维向量,用基于灰度梯度特性的插值方法对该一维向量进行插值产生新的插值像素目标点;重复以上操作遍历图像中所有像素目标点,来增加图像序列沿CT扫描方向的分辨率;人体同一骨骼组织在不同CT断层图像中的灰度都是连续变化,利用灰度间断点形成的断层可将单个骨骼进行分离;
(3)对人体骨骼图像灰度值进行分级,并计算各个灰度级的概率分布信息,对于图像中的所有灰度级概率分布,定义概率分布的熵的总和即最大熵法,用计算得到的最大熵值对图像进行二值分割处理,将人体肌肉、软组织等完全分离,获得骨骼CT扫描断层及插值层上,一定数量离散三维结构特征点分布位置。
(4)对离散三维结构特征点提取,相邻四个特征点进行空间连接,形成四面体素;舍弃那些形体线度高于断层图间距的四面体素,即可过滤去除CT扫描中的噪点及干扰影像。然后利用三维结构特征点间距定义等值面的四面体素,经过拼接逼近方法生成四面体素集合逼近得到准确的结构模型,生成由四面体模型组成的人体骨骼三维模型。
更进一步的,所述基于灰度梯度特性的插值方法应用于原始CT图像序列;原始CT图像序列是一系列平行切片,每张切片均由相同行和列的像素点构成;但是由于骨骼结构形状的不规则性,相邻两层CT影像图相同位置的像素目标点可能分别在形体体内和体外假设相邻两层CT影像图相同位置的像素目标点分别为Vk(xi,yj,zk)和Vk+1(xi,yj,zk+1),现在要插值出位于两层CT影像图间的新像素点Vkn(xi,yj,zkn),其对应的灰度值分别为f(Vk),f(Vk+1),f(Vkn);
其中,i,j分别是像素点在CT影像图在二维平面的坐标位置,k是CT影像图的层号,kn为在k与k+1层之间插入的像素点;
f(Vkn)=f(Vk)+λk(f(Vk+1)-f(Vk)
其中,即利用灰度渐变得梯度特性获得λk的值,λ的初始值设置为0即λ0=0;
作为一个较佳的实施方式,在进行图像分割处理时应用所述最大熵分割法;最大熵分割法利用图像灰度概率信息,对人体骨骼图像灰度值进行分级,并计算各个灰度级的概率分布信息。
假设图像的最大熵分割阈值为t0,图像中灰度小于t0的像素点构成目标点灰度值为T,大于t0的像素目标点构成背景B,则各个灰度级的概率分布为:
其中,L是CT断层图像上像素目标点个数。则两个概率分布的熵为:
对于图像中的所有灰度级,定义概率分布的熵的总和为:
H(t)=H(T)+H(B)
当H(t)取得最大值时,取得t的值为分割阈值。
得到最大熵分割结果阈值t后,对图像进行二值分割处理。在原始CT图像序列中,由于存在一些类似骨骼形状的高亮噪声区域,因此需要对二值分割图像进行筛选,找到最终的骨骼区域,判定候选区域像素目标点构成骨骼特征点,并确定骨骼特征点在空间中的位置。
更进一步的,对离散三维结构特征点提取,相邻四个特征点进行空间连接,形成四面体素,经过拼接逼近方法生成四面体素集合得到准确的拓扑结构模型,生成由四面体素集合组成的人体骨骼三维模型;通过对CT图像层和插值图像层骨骼三维结构离散特征点的对比和分析知,相邻图像层对应的骨骼结构形体有几何形状上的相似性,结构离散特征点数量大致相同,形成四面体素体积At,几何形心(xc,yc,zc)等。
假设有对于骨骼结构共生成n个CT图像层和插值图像层,三维结构离散特征点序列为{Pi(Xi,Yi)|i=0,1,……,n},相邻四个特征点进行空间连接,形成四面体素体积为:
所得到的骨骼总的体积为:
单个四面体素对于断层平面坐标系xoy的x,y轴的矩分别为:
式中y=kix+bi(i=0,1,……,n)为四面体素∑Pi-1Pi的直线方程,其中:
bi=yi-kxi,
由此求得四面体素的几何体形心坐标;
zc根据扫描和插值层的位置分别取值为zk和zkn;
沿CT扫描方向构成一维向量推导出较完整的四面体素集合,是由四点连接而成的封闭四面体,其中pk∈R2,k=0,1......m,p0=pm;
对于点pk,计算其参数值:
其中Δtj=||pj-pj-1||,则所得到骨骼模型结构S(t)可以用下式来逼近得到,/>
其中,ak,bk是描述原四面体素几何特点的特征,用下式来表示:
人类及动物的骨骼结构存在高度复杂性,骨骼材料非线性等特点。使得医学图像的提取、分割、处理和识别等环节都有较高的难度。在X光机和CT数字扫描设备发明后的几十年来,人们一直努力探索研究解决方法,至今还没有一种通用而有效的行程标准的方法,来针对CT数字图像进行提取、分割、处理和识别。由于医学中的伦理关系特点,不可能将人体完全解剖后获得骨骼结构的三维数据,目前所建立的三维模型都是由CT或MRI医学切片序列组成的。因此,利用CT图像进行骨骼三维建模技术将是寻求医学图像分割难题解决方案的一个研究方向。
本发明的方法具有以下优点:
(1)本发明的方法能够方便的处理CT影像设备得到的DICOM影像,并以优化逼近等方式对原始图像的无损压缩、传输和处理,该方法同样适用于创建那些没有固定形态的物体三维模型,如石块、流沙和浮云等。
(2)本发明的方法本文提出的基于CT医学序列图像利用灰度渐变得梯度特性进行层间插值,获得较为精细的图像特征目标点,再用最大熵分割阈值,对图像进行二值分割处理,利用了改进的优化算法,使得得到的图像特征更加确定清晰。
在本发明方法的基础上,未来应用智能AI算法的医学图像处理系统,将可以自动分析获取的骨骼数据,得出感兴趣目标区域分离,识别其中的几何形状、生理特征及骨科病理等。
附图说明
此处说明书附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明中对人体胫骨CT扫描图像序列进行处的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1人体胫骨骨骼CT扫描机插值后得到的特征像素目标点;
图2人体胫骨骨骼模型中特征点连接形成四面体素集合;
图3通过四面体素集合逼近得到的人体胫骨三维模型;
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,列举以下实施例,并配合附图对本发明作进一步的详细说明。
(1)在某医院骨科完成CT扫描数据采集,采集胫骨至踝关节的下肢全长CT,其中膝关节除伸直位(0°)采集,男性,年龄29岁,体重75Kg,身高175cm,无骨骼及身体病变。CT扫描层距1mm,图像大小为256x256像素。层距和分辨率可满足后期图像插值、分割处理、三维重建胫骨结构的要求,共成482张图像。图像输出格式为DICOM格式。
(2)将下肢扫描的单层CT影像图划分二维坐标,xi,yj按照扫描的像素选择i=256,选取CT影像图从开始层图像到结束层图像相同坐标位置的像素目标点,这些像素目标点沿CT扫描方向构成一维向量,向量的维度k0=482;
用基于灰度梯度特性的插值方法对该一维向量进行插值产生新的插值像素目标点,本次计算处理每层间插值一次;重复以上操作遍历图像中所有像素目标点,形成新的图像层共k=963;来增加图像序列沿CT扫描方向的分辨率;
人体同一骨骼组织在不同CT断层图像中的灰度都是连续变化,利用灰度间断点形成的断层可将胫骨进行分离,胫骨像素目标点分布在插值后得到的所有图像层数n=835;
相邻两层CT影像图相同位置的像素目标点可能分别在形体体内和体外假设相邻两层CT影像图相同位置的像素目标点分别为Vk(xi,yj,zk)和Vk+1(xi,yj,zk+1);
现在要插值出位于两层CT影像图间的新像素点Vkn(xi,yj,zkn),其对应的灰度值分别为f(Vk),f(Vk+1),f(Vkn);i,j分别是像素点在CT影像图在二维平面的坐标位置,k是CT影像图的层号,kn为在k与k+1层之间插入的像素点;λ的初始值设置为0即λ0=0即利用灰度渐变得梯度特性获得λk的值,可以计算得到插值特征点的灰度值:
f(Vkn)=f(Vk)+λk(f(Vk+1)-f(Vk);其中,
(3)对当前提取的胫骨骨骼图像灰度值,假设图像的最大熵分割阈值初始值为t0=1000,图像中灰度小于t0的像素点构成目标点灰度值为T,大于t0的像素目标点构成背景B,则各个灰度级的概率分布为:
其中,L是CT断层图像上像素目标点个数。则两个概率分布的熵为:
对于图像中的所有灰度级,定义概率分布的熵的总和为:
H(t)-H(T)+H(B)
当H(t)取得最大值时,取得t=1644为分割阈值,对图像进行二值分割处理,判定候选区域像素目标点构成胫骨特征点,并确定胫骨特征点在空间中的位置。
并计算各个灰度级的概率分布信息,对于图像中的所有灰度级概率分布,定义概率分布的熵的总和即最大熵法,用计算得到的最大熵值对图像进行二值分割处理,将人体肌肉、软组织等完全分离,获得胫骨CT扫描断层及插值层上,一定数量离散三维结构特征点分布位置。
(4)对离散三维结构特征点提取,相邻四个特征点进行空间连接,形成四面体素,经过拼接逼近方法生成四面体素集合得到准确的拓扑结构模型,生成由四面体模型组成的人体胫骨三维模型;CT图像层和插值图像层骨骼三维结构离散特征点连接形成四面体素体积At,几何形心(xc,yc,zc);
有对于胫骨结构共生成n=835个CT图像层和插值图像层,三维结构离散特征点序列为{Pi(Xi,Yi)|i=0,1,……,n},相邻四个特征点进行空间连接,形成四面体素体积为:
所得到的胫骨骨骼总的体积为:
单个四面体素对于断层平面坐标系xoy的x,y轴的矩分别为
式中y=kix+bi(i=0,1,……,n)为四面体素∑Pi-1Pi的直线方程,其中:
bi=yi-kxi,
由此求得四面体素的几何体形心坐标;
zc根据扫描和插值层的位置分别取值为zk和zkn;
沿CT扫描方向构成一维向量推导出较完整的四面体素集合,是由四点连接而成的封闭四面体,其中pk∈R2,k=0,1......m,p0=pm;
对于点pk,计算其参数值:
其中Δtj=||pj-pj-1||,则所得到胫骨模型结构S(t)可以用下式来逼近得到,
其中,ak,bk是描述原四面体素几何特点的特征,用下式来表示:
即利用三维结构特征点间距定义等值面的四面体素,经过拼接逼近方法生成四面体素集合逼近得到准确的拓扑结构模型,生成由四面体模型组成的人体下肢胫骨三维模型。
以上对本发明的具体实施进行了详细说明,但所述内容仅为本发明的较佳实施例而已,并被认为不用于限制本发明的实施范围;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种利用CT图像进行人体骨骼三维建模的方法,其特征在于包括如下过程步骤:
1)利用CT技术获得人体骨骼DICOM格式二维医学影像图,以较小的扫描层间距减小切片图层间插值计算工作量,获得更为精确地三维模型;
2)将单层CT影像图划分二维坐标,选取CT影像图从开始层图像到结束层图像相同坐标位置的像素目标点,这些像素目标点沿CT扫描方向构成一维向量,用基于灰度梯度特性的插值方法对该一维向量进行插值产生新的插值像素目标点;重复以上操作遍历图像中所有像素目标点,来增加图像序列沿CT扫描方向的分辨率;人体同一骨骼组织在不同CT断层图像中的灰度都是连续变化,利用灰度间断点形成的断层将单个骨骼进行分离;
3)对人体骨骼图像灰度值进行分级,并计算各个灰度级的概率分布信息,对于图像中的所有灰度级概率分布,定义概率分布的熵的总和即最大熵法,用计算得到的最大熵值对图像进行二值分割处理,将人体肌肉、软组织完全分离,获得骨骼CT扫描断层及插值层上,一定数量离散三维结构特征点分布位置;
4)对离散三维结构特征点提取,相邻四个特征点进行空间连接,形成四面体素;舍弃那些形体线度高于断层图间距的四面体素,即可过滤去除CT扫描中的噪点及干扰影像;然后利用三维结构特征点间距定义等值面的四面体素,经过拼接逼近方法生成四面体素集合得到准确的结构模型,生成由四面体模型组成的人体骨骼三维模型。
2.如权利要求1所述的一种利用CT图像进行人体骨骼三维建模的方法,其特征在于,步骤2)所述基于灰度梯度特性的插值方法应用于原始CT图像序列;原始CT图像序列是一系列平行切片,每张切片均由相同行和列的像素点构成;但是由于骨骼结构形状的不规则性,相邻两层CT影像图相同位置的像素目标点可能分别在形体体内和体外,假设相邻两层CT影像图相同位置的像素目标点分别为Vk(xi,yj,zk)和Vk+1(xi,yj,zk+1),现在要插值出位于两层CT影像图间的新像素点Vkn(xi,yj,zkn),其对应的灰度值分别为f(Vk),f(Vk+1),f(Vkn);
其中,i,j分别是像素点在CT影像图在二维平面的坐标位置,k是CT影像图的层号,kn为在k与k+1层之间插入的像素点;
f(Vkn)=f(Vk)+λk(f(Vk+1)-f(Vk))
其中,即利用灰度渐变得梯度特性得λk的值,λ的初始值设置为0即λ0=0。
3.如权利要求1所述的一种利用CT图像进行人体骨骼三维建模的方法,其特征在于,步骤3)在进行图像分割处理时应用所述最大熵法;最大熵法利用图像灰度概率信息,对人体骨骼图像灰度值进行分级,并计算各个灰度级的概率分布信息;
假设图像的最大熵分割阈值为t0,图像中灰度小于t0的像素点构成目标点灰度值为T,大于t0的像素目标点构成背景B,则各个灰度级的概率分布为:
其中,L是CT断层图像上像素目标点个数;则两个概率分布的熵为:
对于图像中的所有灰度级,定义概率分布的熵的总和为:
H(t)=H(T)+H(B)
当H(t)取得最大值时,取得t的值为分割阈值;
得到最大熵分割结果阈值t后,对图像进行二值分割处理;在原始CT图像序列中,由于存在一些类似骨骼形状的高亮噪声区域,因此需要对二值分割图像进行筛选,找到最终的骨骼区域,判定候选区域像素目标点构成骨骼特征点,并确定骨骼特征点在空间中的位置。
4.如权利要求1所述的一种利用CT图像进行人体骨骼三维建模的方法,其特征在于,步骤4)对离散三维结构特征点提取,相邻四个特征点进行空间连接,形成四面体素,经过拼接逼近方法生成四面体素集合得到准确的拓扑结构模型,生成由四面体素集合组成的人体骨骼三维模型;通过对CT图像层和插值图像层骨骼三维结构离散特征点的对比和分析知,相邻图像层对应的骨骼结构形体有几何形状上的相似性,结构离散特征点数量大致相同,形成四面体素体积Ai,几何形心(xc,yc,zc);
假设有对于骨骼结构共生成n个CT图像层和插值图像层,三维结构离散特征点序列为{Pi(Xi,Yi)|i=0,1,……,n},相邻四个特征点进行空间连接,形成四面体素体积为:
所得到的骨骼总的体积为:
单个四面体素对于断层平面坐标系xoy的x,y轴的矩分别为:
式中,y=kix+bi为四面体素∑Pi-1Pi的直线方程,其中:i=0,1,……,n,
由此求得四面体素的几何体形心坐标;
zc根据扫描和插值层的位置分别取值为zk和zkn;
沿CT扫描方向构成一维向量推导出较完整的四面体素集合,是由四点连接而成的封闭四面体,其中pk∈R2,k=0,1......m,p0=pm;
对于点pk,计算其参数值:
其中,Δtj=||pj-pj-1||,则所得到骨骼模型结构S(t)用下式来逼近得到,
其中,ak,bk是描述原四面体素几何特点的特征,用下式来表示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829767.8A CN110570515B (zh) | 2019-09-03 | 2019-09-03 | 一种利用ct图像进行人体骨骼三维建模的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829767.8A CN110570515B (zh) | 2019-09-03 | 2019-09-03 | 一种利用ct图像进行人体骨骼三维建模的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570515A CN110570515A (zh) | 2019-12-13 |
CN110570515B true CN110570515B (zh) | 2024-05-10 |
Family
ID=68777497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910829767.8A Active CN110570515B (zh) | 2019-09-03 | 2019-09-03 | 一种利用ct图像进行人体骨骼三维建模的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570515B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028328B (zh) * | 2019-12-17 | 2024-03-15 | 上海嘉奥信息科技发展有限公司 | 基于Unity3D采集数据的模拟成像方法 |
CN111419399A (zh) * | 2020-03-17 | 2020-07-17 | 京东方科技集团股份有限公司 | 定位跟踪件、定位球的识别方法、存储介质及电子设备 |
CN111476888B (zh) * | 2020-04-09 | 2023-05-12 | 山东财经大学 | 一种基于三维空间体拟合的医学图像层间插值方法,设备及可读存储介质 |
CN111583221B (zh) * | 2020-04-30 | 2021-06-29 | 赤峰学院附属医院 | 颅颌面软硬组织的分析方法及装置、电子设备 |
CN111951241B (zh) * | 2020-08-06 | 2023-07-18 | 暨南大学 | 一种水生动物运动过程中肌肉形变的测定与显示方法 |
CN112037234B (zh) * | 2020-08-19 | 2022-09-30 | 大连理工大学 | 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 |
CN112381822B (zh) * | 2021-01-13 | 2021-05-11 | 首都医科大学附属北京友谊医院 | 一种用于处理肺部病灶区图像的方法和相关产品 |
CN113034522B (zh) * | 2021-04-01 | 2022-11-01 | 上海市第一人民医院 | 一种基于人工神经网络的ct图像分割方法 |
CN113515875B (zh) * | 2021-07-20 | 2023-12-29 | 北京工业大学 | 基于多模态图像的骨生物力学建模方法、系统及装置 |
CN113647965B (zh) * | 2021-08-30 | 2023-11-28 | 北京理工大学 | 一种前臂骨识别方法及系统 |
CN114037775B (zh) * | 2022-01-11 | 2022-04-01 | 北京威高智慧科技有限公司 | 骨骼结构生长方法、装置、电子设备及存储介质 |
CN115409835B (zh) * | 2022-10-31 | 2023-02-17 | 成都浩目科技有限公司 | 三维成像方法、装置、电子设备、系统和可读存储介质 |
CN116863068B (zh) * | 2023-06-01 | 2024-02-13 | 中国人民解放军总医院第四医学中心 | 实现骨骼肌肉系统影像的智能化分割与重建方法及系统 |
CN116452755B (zh) * | 2023-06-15 | 2023-09-22 | 成就医学科技(天津)有限公司 | 一种骨骼模型构建方法、系统、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110115762A (ko) * | 2010-04-16 | 2011-10-24 | 경희대학교 산학협력단 | 환자 맞춤형 3차원 인체 뼈 모델 재구성 방법 |
CN102419864A (zh) * | 2011-09-05 | 2012-04-18 | 东软集团股份有限公司 | 一种提取脑部ct图像骨骼方法及装置 |
WO2014183246A1 (zh) * | 2013-05-13 | 2014-11-20 | Huang Bo | 一种医学影像处理方法与系统 |
CN104463840A (zh) * | 2014-09-29 | 2015-03-25 | 北京理工大学 | 基于pet/ct影像的发热待查计算机辅助诊断方法 |
CN106570930A (zh) * | 2016-10-08 | 2017-04-19 | 中国海洋大学 | 一种基于三维超体素描述的数字化生理生物体建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002061688A2 (en) * | 2001-01-29 | 2002-08-08 | The Acrobot Company Limited | Modelling for surgery |
-
2019
- 2019-09-03 CN CN201910829767.8A patent/CN110570515B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110115762A (ko) * | 2010-04-16 | 2011-10-24 | 경희대학교 산학협력단 | 환자 맞춤형 3차원 인체 뼈 모델 재구성 방법 |
CN102419864A (zh) * | 2011-09-05 | 2012-04-18 | 东软集团股份有限公司 | 一种提取脑部ct图像骨骼方法及装置 |
WO2014183246A1 (zh) * | 2013-05-13 | 2014-11-20 | Huang Bo | 一种医学影像处理方法与系统 |
CN104463840A (zh) * | 2014-09-29 | 2015-03-25 | 北京理工大学 | 基于pet/ct影像的发热待查计算机辅助诊断方法 |
CN106570930A (zh) * | 2016-10-08 | 2017-04-19 | 中国海洋大学 | 一种基于三维超体素描述的数字化生理生物体建模方法 |
Non-Patent Citations (9)
Title |
---|
医学图像三维重建系统的数据结构表达及表面模型的构建;秦绪佳;生物医学工程学杂志;20020625;全文 * |
基于CT、MRI断层图像的人体三维建模;欧宗瑛 等;焦作大学学报;第1节到第4节 * |
基于CT数据的股骨轴线的获取;丁辉;刘文博;王广志;;医用生物力学;20090815(第04期);全文 * |
基于Matlab距骨快速图像分割与动画生成的算法;戴虹 等;中国组织工程研究与临床康复;第2节 * |
基于医学图像序列生成四面体网格;楼玉萍;陈欣;;科技通报(第04期);全文 * |
基于断层图像分割的三维匹配插值;邹鹏程 等;计算机工程与应用;第1节到第3节 * |
楼玉萍 ; 陈欣 ; .基于医学图像序列生成四面体网格.科技通报.2010,(第04期),全文. * |
锁骨三维有限元模型的全程数字化构建;阮国模;苏佳灿;张春才;苏忠良;郑银旺;;中国组织工程研究与临床康复(第26期);全文 * |
阮国模 ; 苏佳灿 ; 张春才 ; 苏忠良 ; 郑银旺 ; .锁骨三维有限元模型的全程数字化构建.中国组织工程研究与临床康复.2007,(第26期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110570515A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570515B (zh) | 一种利用ct图像进行人体骨骼三维建模的方法 | |
CN108498075A (zh) | 骨骼健康的个性化评估 | |
CN103607947B (zh) | 解剖标志的检测 | |
Oulbacha et al. | MRI to CT synthesis of the lumbar spine from a pseudo-3D cycle GAN | |
CN107154038B (zh) | 一种肋骨可视化的肋骨骨折辅助诊断方法 | |
KR101930644B1 (ko) | 환자 맞춤형 최적 이진화 방법과 분수령 알고리즘에 기반한 관절의 완전 자동 영상 분할 방법 및 장치 | |
CN114170128A (zh) | 基于深度学习的骨骼分割方法和系统 | |
CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
CN114261095B (zh) | 一种基于ai的骨科3d打印方法和装置 | |
CN106846346A (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN106780491A (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
Wang et al. | Convolutional neural network for automatically segmenting magnetic resonance images of the shoulder joint | |
WO2011050454A1 (en) | Bone imagery segmentation method and apparatus | |
Pradhan et al. | Conditional generative adversarial network model for conversion of 2 dimensional radiographs into 3 dimensional views | |
CN107194417A (zh) | 基于mr图像的手指损伤检测方法及系统 | |
CN106780492A (zh) | 一种ct骨盆图像的关键帧提取方法 | |
Gerasimov et al. | Application of a digital prototype for CT-based bone strength analysis | |
KR101657285B1 (ko) | 초음파 치료 시뮬레이션시스템 | |
CN111127636B (zh) | 一种智能的复杂关节内骨折桌面级三维诊断系统 | |
Wakamatsu et al. | Automatic segmentation of supraspinatus muscle via bone-based localization in torso computed tomography images using U-Net | |
US20180192944A1 (en) | Methods for monitoring compositional changes in a body | |
Dawod et al. | Adaptive Slices in Brain Haemorrhage Segmentation Based on the SLIC Algorithm. | |
US20220076421A1 (en) | Method for identifying bone images | |
CN112102284A (zh) | 图像分割模型的训练样本的标记方法、训练方法及装置 | |
Dolon et al. | Segmentation analysis on magnetic resonance imaging (MRI) with different clustering techniques: Wavelet and BEMD |
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 |