CN111242969B - 边界节点的确定方法、网格划分方法及医疗设备 - Google Patents
边界节点的确定方法、网格划分方法及医疗设备 Download PDFInfo
- Publication number
- CN111242969B CN111242969B CN202010352945.5A CN202010352945A CN111242969B CN 111242969 B CN111242969 B CN 111242969B CN 202010352945 A CN202010352945 A CN 202010352945A CN 111242969 B CN111242969 B CN 111242969B
- Authority
- CN
- China
- Prior art keywords
- grid
- target
- image
- boundary
- type
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及边界节点的确定方法、网格划分方法及医疗设备。其中边界节点的确定方法包括获取目标管状组织的图像数据;所述图像数据标注有目标管状组织的组分类别;对图像数据进行网格划分,得到目标网格图像;述目标网格图像中每个网格单元的类型与组分类别对应;遍历目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个类型的边界节点;所述边界节点为对应于目标管状组织的边界点的网格单元节点。由于目标管状组织的组分类别不受图像数据自身的限制,可以从图像数据中准确得出,再利用图像数据中标注的目标管状组织的组分类别进行边界节点的确定,可以保证所确定出的边界节点的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及边界节点的确定方法、网格划分方法及医疗设备。
背景技术
在对一些管状组织(例如血管)进行生物力学分析时,通常需要对管状组织进行网格划分。为了保证力学分析结果的准确性,对网格划分的质量就会提出一定的要求。网格划分是有限元计算领域一个重要研究课题,建立几何模型、创建高质量有限元网格、建立计算模型往往需要耗费大量时间,其中高质量网格的生成是计算精度和时间的关键。因此,如何根据几何模型快速生成高质量的有限元网格是目前重要的研究课题,国内外学者已提出了许多网格自动生成的算法。
在众多自动划分网格的算法中,三角形网格生成尤为成熟,但与三角形单元对应的形函数往往是线性的,计算结果精度低,且存在同一区域的单元间,计算结果高阶不连续,难以满足精确分析的要求。为克服这些困难,科研工作者进一步提出四边形单元网格划分的算法,如四分法、铺路法,以及中轴线法等。这些算法虽然可以直接生成较高质量的四边形网格,但算法较为复杂,并且在特定条件下(例如,由于图像数据自身的原因导致管状组织的边界无法准确提取),网格可能无法生成。
发明内容
有鉴于此,本发明实施例提供了一种边界节点的确定方法、网格划分方法及医疗设备,以解决由于边界提取准确性所导致的网格划分的问题。
根据第一方面,本发明实施例提供了一种边界节点的确定方法,包括:
获取目标管状组织的图像数据;其中,所述图像数据标注有所述目标管状组织的组分类别;
对所述图像数据进行网格划分,得到目标网格图像;其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应;
遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点;其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点。
本发明实施例提供的边界节点的确定方法,由于目标管状组织的组分类别不受图像数据自身的限制,可以从图像数据中准确得出,再利用图像数据中标注的目标管状组织的组分类别进行边界节点的确定,可以保证所确定出的边界节点的准确性。
结合第一方面,在第一方面第一实施方式中,所述遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点,包括:
提取与所述网格单元节点相邻的网格单元的类型;
在提取出的网格单元的类型中,判断属于同一类型的网格单元的数量是否在预设范围内;
当属于同一类型的网格单元的数量在预设范围内时,确定所述网格单元节点为对应于所述同一类型的边界节点。
本发明实施例提供的边界节点的确定方法,直接利用与网格单元节点相邻的网格单元的类型中属于同一类型的数量,确定网格单元节点是否为边界节点,简化了数据数据处理过程,提高了边界节点确定的效率。
根据第二方面,本发明实施例还提供了一种网格划分方法,包括:
获取目标管状组织的图像数据;其中,所述图像数据标注有所述目标管状组织的组分类别;
对所述图像数据进行网格划分,得到目标网格图像;其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应;
遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点;其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点;
分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像。
本发明实施例提供的网格划分方法,由于目标管状组织的组分类别不受图像数据自身的限制,可以从图像数据中准确得出,再利用图像数据中标注的目标管状组织的组分类别进行边界节点的确定,可以保证所确定出的边界节点的准确性;在边界节点准确的基础上,再对边界节点连接而成的线进行光滑处理,就可以实现对图像数据的网格划分的准确性。
结合第二方面,在第二方面第一实施方式中,所述分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像的步骤之前,还包括:
分别对各个所述类型的边界节点进行排序。
结合第二方面第一实施方式,在第二方面第二实施方式中,所述分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像,包括:
以各个所述类型的第一个边界节点开始,依次提取与所述边界节点相邻的预设数量的边界节点;
基于提取出的预设数量的边界节点,对各个所述类型的边界节点连接而成的线进行光滑处理。
本发明实施例提供的网格划分方法,通过对边界节点连接而成的线进行光滑处理,能够实现规则阶梯状的边界,从而实现高质量的网格划分。
结合第二方面第二实施方式,在第二方面第三实施方式中,所述分别对各个所述类型的边界节点进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像,还包括:
复制光滑处理后的各个所述类型的边界节点,并将复制后的所述边界节点沿边界轮廓的外法线方向或所述外法线方向的反方向移动预设距离,得到各个所述类型的新的边界节点;
对各个所述类型的新的边界节点连接而成的线进行光滑处理。
本发明实施例提供的网格划分方法,通过复制光滑处理后的各个类型的边界节点并对其进行移动,形成新的边界节点;就相当于利用附加的光滑边界层的技术保证边界的足够光滑。
结合第二方面,或第二方面第一实施方式至第三实施方式中,在第二方面第四实施方式中,所述方法还包括:
获取网格图像;
在修正后的目标网格图像中,提取各个所述类型的边界节点,以得到具有感兴趣区域的目标网格图像;其中,所述感兴趣区域为包括所有边界节点的区域;
将所述网格图像与具有感兴趣区域的目标网格图像进行对齐;
调节所述网格图像中网格单元的数量,以对具有感兴趣区域的目标网格图像进行网格重划分,得到网格重划分后的目标网格图像。
本发明实施例提供的网格划分方法,对于原始图像像素的分辨率较低的图像数据,通过对修正后的目标网格图像进行重采样,以构建更小的网格,使得划分后的网格图像能够满足实际需求。
结合第二方面第四实施方式,在第二方面第五实施方式中,所述调节所述网格图像中网格单元的数量,以对具有感兴趣区域的目标网格图像进行网格重划分,得到网格重划分后的目标网格图像,包括:
调节所述网格单元的数量至预设值;
利用所述网格图像中的各个网格单元与所述感兴趣区域的位置关系,确定所述网格图像中的各个网格单元对应的类型;
基于所述网格图像中的各个网格单元对应的类型,形成网格重划分后的目标网格图像。
本发明实施例提供的网格划分方法,通过对网格单元数量的调节保证划分后的网格质量达到相应的需求。
结合第二方面第四实施方式,在第二方面第六实施方式中,所述目标管状组织为血管;其中,所述在修正后的目标网格图像中,提取各个所述类型的边界节点,以得到具有感兴趣区域的目标网格图像,包括:
对修正后的目标网格图像进行零压力形态的处理,得到零压力形态的目标图像数据;
提取所述零压力形态的目标图像数据中各个所述类型的边界节点,得到所述具有感兴趣区域的目标网格图像。
本发明实施例提供的网格划分方法,对于活体得到的血管图像数据是再有血压载荷下获得的,所以需要将其还原程零压力形态,即通过对修正后的目标网格图像进行零压力形态的处理,能够保证网格划分的准确性。
根据第三方面,本发明实施例提供了一种医疗设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的边界节点的确定方法,或,执行第二方面或者第二方面的任意一种实施方式中所述的网格划分方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的边界节点的确定方法,或,执行第二方面或者第二方面的任意一种实施方式中所述的网格划分方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的边界节点的确定方法的流程图;
图2是根据本发明实施例的网格单元节点与网格单元的关系示意图;
图3是根据本发明实施例的边界节点的确定方法的流程图;
图4是根据本发明实施例的网格划分方法的流程图;
图5是根据本发明实施例的网格划分方法的流程图;
图6是根据本发明实施例的网格划分方法的流程图;
图7是根据本发明实施例的单个切片内单个血管四边形网格划分的示意图;
图8是根据本发明实施例的单个切片内分叉血管四边形网格划分的示意图;
图9是根据本发明实施例的边界节点的确定装置的结构框图;
图10是根据本发明实施例的网格划分装置的结构框图;
图11是本发明实施例提供的医疗设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
需要说明的是,对管状组织进行生物力学分析时需要对管状组织的图像进行网格划分。但是由于各种图像采集装置所采集到的图像不同,导致从其中一些图像中并不能准确地提取出管状组织的边界。其中,所述的管状组织可以为血管,也可以为其他管状组织,在本发明中对管状组织的具体类型并不做任何限制。
对于医学图像处理平台,依赖于多种医疗图像技术(例如,核磁、CT、OCT)。以血管为例,并不是每个医疗图像技术所采集到的图像都能够方便地对血管图像(如OCT图像里判断斑块组份难以肉眼辨别,需判断每个像素的灰度值进行转化)进行手动标注血管边界以及斑块组份边界。由于血管标注的不便性,就会导致在标注过程中需要对血管图像进行转化,而血管图像的多次转化就会导致得到的边界的准确性偏低;边界确定的准确性偏低,就会带来网格划分的不准确性。
基于此,发明人提出了一种基于图像数据的边界节点的确定方法。虽然并不是每个医疗图像技术所采集到的图像都能够方便地对血管图像进行边界标注,但是每个医疗图像技术所采集到的图像都能够方便地得到管状组织内各个组分类型。以血管为例,所述的组分类型包括:管壁、管腔、纤维帽、脂质、钙化、内出血等等。这些组分类型均可以从每个医疗图像技术所采集到的图像上得到,由于组分类型时从所采集到的图像上直接得出的,而不是对图像进行处理后得到的,所以能够保证所得到的组分类型的准确性。
其次,由于不同医疗图像技术所采集到的图像对应的图像数据具有多种形式,例如mat、dicom等。对于同一管状组织的不同医疗图像技术所采集到的图像对应的图像数据之间可以兼容,例如,利用医疗图像技术A所采集到的图像对应的图像数据能够得到较准确的组分类型A1,利用医疗图像技术B所采集到的图像对应的图像数据能够得到较准确的组分类型B1,等等。那么就可以利用图像数据之间的兼容性,对医疗图像技术A和B所采集到的图像对应的图像数据进行融合,得到较准确的组分类型A1以及B1。
根据本发明实施例,提供了一种边界节点的确定方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种边界节点的确定方法,可用于医疗设备中,如医疗平板、医疗电脑等,图1是根据本发明实施例的边界节点的确定方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取目标管状组织的图像数据。
其中,所述图像数据标注有目标管状组织的组分类别。
如上文所述目标管状组织的图像数据可以是通过某一个医疗图像技术所采集得到的,也可以是多个医疗图像技术所采集得到的图像数据的融合等等。在此对图像数据的具体来源并不做任何限制,只需保证医疗设备所获取到的图像数据中标注有目标管状组织的组分类别。
对于组分类别可以采用数字进行区分,也可以采用字符进行区分等等。例如,“0”为空,“1”为管壁,“2”为管腔,“3”为纤维帽,“4”为脂质,“5”为钙化,“6”为内出血。
需要说明的是,所获取到的图像数据可以理解为对应于原始图像的掩模图像,该掩模图像中每个像素点的像素值为该像素点对应的组分类别。
S12,对图像数据进行网格划分,得到目标网格图像。
其中,所述目标网格图像中每个网格单元的类型与组分类别对应。
医疗设备对获取到的图像数据进行网格划分,具体划分出的网格单元的数量可以根据实际情况进行具体设置。可以以图像数据的分辨率作为划分的基础,例如,图像数据的分辨率为512 × 512,那么医疗设备就可以将图像数据划分为512 × 512个网格单元。由于图像数据中标注有目标管状组织的组分类别,在对图像数据进行网格划分之后,就可以利用标注出的组分类别确定每个网格单元的类型。
例如,图像数据的每个像素点与组分类别对应,即图像数据为对应于组分类别的图像矩阵,该图像矩阵中每个元素与组分类别对应。在对图像数据进行网格划分之后,所得到的目标网格图像中每个网格单元对应于一个像素点,该网格单元的类型与对应的像素点的组分类别对应。
具体地,以上文所述的组分类别采用数字表示为例,将获取到的图像数据分割为二维图像序列,即将图像转化为矩阵信息,例如512 × 512矩阵,得到目标网格图像,并标识每个二维图像的次序编号,为接下来的网格单元以及网格单元节点的定义做好准备。所述目标网格图像中的每一个元素对应一个网格单元,元素的行列值代表网格单元的左上节点位置。依次读取二维矩阵中大于0的元素,定义为相应类型的网格单元,并记录下每个网格单元和组成此网格单元的四个网格节点的对应关系,以及每个节点和其周围单元的联系。
如图2所示,网格单元为正方形单元,每个网格单元具有4个网格节点,与每个网格节点相邻的网格单元有4个。
S13,遍历目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个类型的边界节点。
其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点。
如上文所述,每个网格单元与图像数据的组分类型对应;即,每个网格单元均对应于一个组分类型的标识。
由于各个组分类型边界上的网格单元是相邻的,且同一组分类别边界上的网格单元对应的类型是相同的,但是与边界相邻区域的网格单元对应的类型与边界上网格单元对应的类型是不同的。例如,组分类型A对应的区域,与组分类型B对应的区域相邻,那么组分类型A与组分类型B的边界上的网格单元对应的类型,与边界外的网格单元对应的类型是不同的。因此,就可以利用与网格单元节点相邻的网格单元的类型确定该网格单元节点是否为边界节点。
对应于网格单元的各个类型而言,就可以利用上述S13确定出对应于各个类型的边界节点。例如,确定出对应于管壁的边界节点,对应于管腔的边界节点,对应于纤维帽的边界节点等等。
本实施例提供的边界节点的确定方法,由于目标管状组织的组分类别不受图像数据自身的限制,可以从图像数据中准确得出,再利用图像数据中标注的目标管状组织的组分类别进行边界节点的确定,可以保证所确定出的边界节点的准确性。
在本实施例中提供了一种边界节点的确定方法,可用于医疗设备中,如医疗平板、医疗电脑等,图3是根据本发明实施例的边界节点的确定方法的流程图,如图3所示,该流程包括如下步骤:
S21,获取目标管状组织的图像数据。
其中,所述图像数据标注有目标管状组织的组分类别。
详细请参见图1所述实施例的S11,在此不再赘述。
S22,对图像数据进行网格划分,得到目标网格图像。
其中,所述目标网格图像中每个网格单元的类型与组分类别对应。
详细请参见图1所述实施例的S12,在此不再赘述。
S23,遍历目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个类型的边界节点。
其中,所述边界节点为对应于目标管状组织的边界点的网格单元节点。
具体地,上述S23包括如下步骤:
S231,提取与网格单元节点相邻的网格单元的类型。
请参见图2,以网格单元节点11为例,与网格单元节点11相邻的网格单元有4个,分别为网格单元22、网格单元23、网格单元32以及网格单元33。医疗设备在确定出与网格单元节点相邻的网格单元之后,就可以得到相邻的网格单元的类型。
S232,在提取出的网格单元的类型中,判断属于同一类型的网格单元的数量是否在预设范围内。
当属于同一类型的网格单元的数量在预设范围内时,执行S233;否则,进行下一个网格单元节点的判断,即返回执行S232。
具体地,继续采用S231中的示例,医疗设备在得到网格单元22、网格单元23、网格单元32以及网格单元33的类型之后,判断4个类型中属于同一类型的网格单元的数量是否大于0且小于4。
S233,确定网格单元节点为对应于同一类型的边界节点。
医疗设备在确定出属于同一类型的网格单元的数量在预设范围内时,确定该网格节点为对应于同一类型的边界节点。
例如,请结合图2以及S231中的示例,网格单元22的类型为1、网格单元23的类型为1、网格单元32的类型为1以及网格单元33的类型为2,那么就可以得出网格单元节点11为对应于类型1的边界节点,即网格单元节点为管壁的边界节点。
本实施例提供的边界节点的确定方法,直接利用与网格单元节点相邻的网格单元的类型中属于同一类型的数量,确定网格单元节点是否为边界节点,简化了数据数据处理过程,提高了边界节点确定的效率。
根据本发明实施例,提供了一种边界节点的确定方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种网格划分方法,可用于医疗设备中,如医疗平板、医疗电脑等,图4是根据本发明实施例的边界节点的确定方法的流程图,如图4所示,该流程包括如下步骤:
S31,获取目标管状组织的图像数据。
其中,所述图像数据标注有所述目标管状组织的组分类别。
详细请参见图3所示实施例的S21,在此不再赘述。
S32,对图像数据进行网格划分,得到目标网格图像。
其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应。
详细请参见图3所示实施例的S22,在此不再赘述。
S33,遍历目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个类型的边界节点。
其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点。
详细请参见图1所示实施例的S13,或图3所示实施例的S23,在此不再赘述。
S34,分别对各个类型的边界节点连接而成的线进行光滑处理,以对目标网格图像进行修正,得到修正后的目标网格图像。
医疗设备在得到各个类型的边界节点之后,分别连接各个类型的边界节点,得到各个类型的轮廓线。例如,得到管壁轮廓线以及管腔轮廓线等等。
由于此处得到的轮廓线是通过边界节点的连线得到的,会存在不光滑的问题,那么就需要对边界节点连接而成的线进行光滑处理,实现对目标网格图像的修正,从而保证修正后的目标网格图像的准确性。
所述的光滑处理可以采用三点滑动平均,或五点滑动平均处理等等;也可以在三点滑动平均或五点滑动平均的基础上再结合其他处理方式。具体将在下文中对该步骤进行详细描述。
本实施例提供的网格划分方法,由于目标管状组织的组分类别不受图像数据自身的限制,可以从图像数据中准确得出,再利用图像数据中标注的目标管状组织的组分类别进行边界节点的确定,可以保证所确定出的边界节点的准确性;在边界节点准确的基础上,再对边界节点进行光滑处理,就可以实现对图像数据的网格划分的准确性。
在本实施例中提供了一种网格划分方法,可用于医疗设备中,如医疗平板、医疗电脑等,图5是根据本发明实施例的边界节点的确定方法的流程图,如图5所示,该流程包括如下步骤:
S41,获取目标管状组织的图像数据。
其中,所述图像数据标注有所述目标管状组织的组分类别。
详细请参见图4所示实施例的S31,在此不再赘述。
S42,对所述图像数据进行网格划分,得到目标网格图像。
其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应。
详细请参见图4所示实施例的S32,在此不再赘述。
S43,遍历目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个类型的边界节点。
其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点。
详细请参见图4所示实施例的S33,在此不再赘述。
S44,分别对各个类型的边界节点进行排序。
例如,医疗设备分别对各个类型的边界节点进行处理,可以通过如下步骤进行排序:
(1)通过特定几何位置(例如,最上方的边界节点)找到第一个边界节点作为种子点;
(2)根据最小距离原则按照一定的方向(例如,顺时针方向)寻找下一个边界节点;
(3)以找到的边界节点为新的种子点,重复上述步骤(2)即可对该类型的所有边界节点进行排序;对于剩余的未被排序过的边界节点,也可以重复上述步骤(1)-(3),直至所有的边界节点全部都被排过序。
医疗设备在对各个类型的边界节点进行排序之后,就可以知道各个边界节点的相邻的边界节点。后续在进行光滑处理时,就可以利用排序后的边界节点进行处理。
S45,分别对各个类型的边界节点连接而成的线进行光滑处理,以对目标网格图像进行修正,得到修正后的目标网格图像。
具体地,上述S45包括如下步骤:
S451,以各个类型的第一个边界节点开始,依次提取与边界节点相邻的预设数量的边界节点。
在本实施例中,以三点滑动平均为例,对于各个类型的边界节点而言,医疗设备从第一个边界节点开始,提取与该边界节点的左右相邻的两个边界节点。
S452,基于提取出的预设数量的边界节点,对各个类型的边界节点连接而成的线进行光滑处理。
医疗设备对提取出的三个边界节点做平均(也可以时赋予各个边界节点相应的权重,所述的权重可以相同也可以不同);依次类推,对于各个边界节点均可以进行相同的处理,从而实现对各个类型的边界节点连接而成的线进行光滑处理。
S453,复制光滑处理后的各个类型的边界节点,并将复制后的边界节点沿边界轮廓的外法线方向或外法线方向的反方向移动预设距离,得到各个类型的新的边界节点。
然而,滑动平均光滑并不能完全保证边界的足够光滑。为了进一步满足边界网格的质量和光滑度,本实施例还提出一个附加光滑边界层的技术。其基本思想:沿边界轮廓全长N个边界节点都复制一次,新的单元节点沿所在位置的边界轮廓外法线方向或者反方向移动一定距离(例如一个单元尺寸的距离),形成新的边界点。
S454,对各个类型的新的边界节点连接而成的线进行光滑处理。
医疗设备对各个类型的新的边界点再进行光滑处理(例如三点滑动平均)便可以保持足够的光滑度。
以血管为例,由于增添附加光滑边界层会增大血管面积,这里都以管腔为中心,管腔外扩,管壁内缩。这两个过程并不是同时进行的,即每增一个附加边界层,便针对单条边界进行外扩或内缩。为了保持面积不变,需要将新的管腔外扩,新的管壁进行内缩。
本实施例提供的网格划分方法,通过对边界节点连接而成的线进行光滑处理,能够实现规则阶梯状的边界,从而实现高质量的网格划分;同时,通过复制光滑处理后的各个类型的边界节点并对其进行移动,形成新的边界节点;就相当于利用附加的光滑边界层的技术保证边界的足够光滑。
在本实施例中提供了一种网格划分方法,可用于医疗设备中,如医疗平板、医疗电脑等,图6是根据本发明实施例的边界节点的确定方法的流程图,如图6所示,该流程包括如下步骤:
S51,获取目标管状组织的图像数据。
其中,所述图像数据标注有所述目标管状组织的组分类别。
详细请参见图5所示实施例的S41,在此不再赘述。
S52,对图像数据进行网格划分,得到目标网格图像。
其中,所述目标网格图像中每个网格单元的类型与组分类别对应。
详细请参见图5所示实施例的S42,在此不再赘述。
S53,遍历目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个类型的边界节点。
其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点。
详细请参见图5所示实施例的S43,在此不再赘述。
S54,分别对各个类型的边界节点进行排序。
详细请参见图5所示实施例的S44,在此不再赘述。
S55,分别对各个类型的边界节点连接而成的线进行光滑处理,以对目标网格图像进行修正,得到修正后的目标网格图像。
详细请参见图5所示实施例的S45,在此不再赘述。
S56,获取网格图像。
医疗设备可以从外界获取到网格图像,可以是自动生成网格图像等等。在此对网格图像的来源并不做任何限制。
S57,在修正后的目标网格图像中,提取各个类型的边界节点,以得到具有感兴趣区域的目标网格图像。
其中,所述感兴趣区域为包括所有边界节点的区域。
医疗设备在修正后的目标网格图像中提取出的边界节点可以是各个类型的,也可以是其中某几个类型的等等。例如,可以仅提取出管壁的边界节点,以及管腔的边界节点。
医疗设备在提取出各个类型的边界节点之后,提取出的边界节点就形成了感兴趣区域(也可以理解为目标域),从而可以得到具有感兴趣区域的目标网格图像。例如,医疗设备仅提取出管壁的边界节点以及管腔的边界节点,将其他类型的边界节点删除,从而形成具有感兴趣区域的目标网格图像。
S58,将网格图像与具有感兴趣区域的目标网格图像进行对齐。
医疗设备将具有感兴趣区域的目标网格图像与网格图像进行对齐,即将网格图像置于具有感兴趣区域的目标网格图像上。
S59,调节网格图像中网格单元的数量,以对具有感兴趣区域的目标网格图像进行网格重划分,得到网格重划分后的目标网格图像。
医疗设备在得到网格重划分后的目标网格图像之后,可以返回上述S53重新确定目标网格图像中各个类型的边界节点。
需要说明的是,当网格重划分后的目标网格图像已经符合实际需求时,则不需要再次进行边界节点的确定的步骤;当网格重划分后的目标网格图像不实际需求时,还需要返回执行确定各个类型的边界节点的步骤。
具体地,上述S59包括如下步骤:
(1)调节网格单元的数量至预设值。
医疗设备对网格图像中的网格单元的数量进行调节,以得到一个完全包含感兴趣区域的网格图像,且该网格图像具有更为密集的网格单元。
(2)利用网格图像中的各个网格单元与感兴趣区域的位置关系,确定网格图像中的各个网格单元对应的类型。
网格图像中各个网格单元的中心落在感兴趣区域外的,赋值为“0”;网格单元中心落在感兴趣区域内的,根据目标网格图像中最接近的网格单元的类型对网格图像中的网格单元的类型进行赋值。
(3)基于网格图像中的各个网格单元对应的类型,形成网格重划分后的目标网格图像。
医疗设备在得到网格图像中的各个网格单元对应的类型之后,将该网格图像作为网格重划分后的目标网格图像,以便于后续利用该网格重划分后的目标网格图像进行边界节点的提取,以在目标网格图像中得到更密的网格单元。
其中,图7示出了单个切片内单个血管四边形网格划分,图8示出了单个切片内分叉血管四边形网格划分。
本实施例提供的网格划分方法,对于原始图像像素的分辨率较低的图像数据,通过对修正后的目标网格图像进行重采样,以构建更小的网格,使得划分后的网格图像能够满足实际需求。
作为本实施例的一种可选实施方式,当目标管状组织为血管时,上述S57还包括:
(1)对修正后的目标网格图像进行零压力形态的处理,得到零压力形态的目标图像数据。
对于活体得到的血管图像数据,由于图像数据是在有血压载荷下获得的,所以需要还原为零压力形态。如果图像数据是在零压力状态下获得的,则不需要通过本步骤处理。因此,本实施例通过对修正后的目标网格图像进行零压力形态的处理,以得到零压力形态的目标图像数据。
例如,关于零压力形态的处理,可将管腔的边界点往其几何中心方向移动5%的距离;外壁边界的收缩率可以通过保持面积不变的约束条件求得;内腔和外壁之间的单元节点的移动距离,可通过管腔和外壁边界的变化率在线性变化的假设前提下计算得到。
(2)提取零压力形态的目标图像数据中各个类型的边界节点,得到具有感兴趣区域的目标网格图像。
医疗设备在对修正后的目标网格图像进行零压力形态的处理之后,通过提取零压力形态的目标图像数据中各个类型的边界节点,得到具有感兴趣区域的目标网格图像。
本实施例提供的网格划分方法,对于活体得到的血管图像数据是再有血压载荷下获得的,所以需要将其还原程零压力形态,即通过对修正后的目标网格图像进行零压力形态的处理,能够保证网格划分的准确性。
在本实施例中还提供了一种边界节点的确定装置,以及网格划分装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种边界节点的确定装置,如图9所示,包括:
第一获取模块61,用于获取目标管状组织的图像数据;其中,所述图像数据标注有所述目标管状组织的组分类别;
第一划分模块62,用于对所述图像数据进行网格划分,得到目标网格图像;其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应;
第一确定模块63,用于遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点;其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点。
本实施例提供的边界节点的确定装置,由于目标管状组织的组分类别不受图像数据自身的限制,可以从图像数据中准确得出,再利用图像数据中标注的目标管状组织的组分类别进行边界节点的确定,可以保证所确定出的边界节点的准确性。
本实施例还提供了一种网格划分装置,如图10所示,包括:
第二获取模块71,用于获取目标管状组织的图像数据;其中,所述图像数据标注有所述目标管状组织的组分类别;
第二划分模块72,用于对所述图像数据进行网格划分,得到目标网格图像;其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应;
第二确定模块73,用于遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点;其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点;
光滑处理模块74,用于分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像。
本实施例提供的网格划分方法,由于目标管状组织的组分类别不受图像数据自身的限制,可以从图像数据中准确得出,再利用图像数据中标注的目标管状组织的组分类别进行边界节点的确定,可以保证所确定出的边界节点的准确性;在边界节点准确的基础上,再对边界节点连接而成的线进行光滑处理,就可以实现对图像数据的网格划分的准确性。
本实施例中的边界节点的确定装置,或网格划分装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种医疗设备,具有上述图9所示的边界节点的确定装置,或图10所示的网格划分装置。
请参阅图11,图11是本发明可选实施例提供的一种医疗设备的结构示意图,如图11所示,该医疗设备可以包括:至少一个处理器81,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口83,存储器84,至少一个通信总线82。其中,通信总线82用于实现这些组件之间的连接通信。其中,通信接口83可以包括显示屏(Display)、键盘(Keyboard),可选通信接口83还可以包括标准的有线接口、无线接口。存储器84可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器84可选的还可以是至少一个位于远离前述处理器81的存储装置。其中处理器81可以结合图9或10所描述的装置,存储器84中存储应用程序,且处理器81调用存储器84中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线82可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线82可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器84可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器84还可以包括上述种类的存储器的组合。
其中,处理器81可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器81还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic, 缩写:GAL)或其任意组合。
可选地,存储器84还用于存储程序指令。处理器81可以调用程序指令,实现如本申请图1和3实施例中所述的边界节点的确定方法,或者,图4-图6实施例中所示的网格划分方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的边界节点的确定方法,或网格划分方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种边界节点的确定方法,其特征在于,包括:
获取目标管状组织的图像数据;其中,所述图像数据标注有所述目标管状组织的组分类别;
对所述图像数据进行网格划分,得到目标网格图像;其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应;
遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点;其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点。
2.根据权利要求1所述的方法,其特征在于,所述遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点,包括:
提取与所述网格单元节点相邻的网格单元的类型;
在提取出的网格单元的类型中,判断属于同一类型的网格单元的数量是否在预设范围内;
当属于同一类型的网格单元的数量在预设范围内时,确定所述网格单元节点为对应于所述同一类型的边界节点。
3.一种网格划分方法,其特征在于,包括:
获取目标管状组织的图像数据;其中,所述图像数据标注有所述目标管状组织的组分类别;
对所述图像数据进行网格划分,得到目标网格图像;其中,所述目标网格图像中每个网格单元的类型与所述组分类别对应;
遍历所述目标网格图像中的网格单元节点以及与其相邻的网格单元的类型,确定对应于各个所述类型的边界节点;其中,所述边界节点为对应于所述目标管状组织的边界点的网格单元节点;
分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像。
4.根据权利要求3所述的方法,其特征在于,所述分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像的步骤之前,还包括:
分别对各个所述类型的边界节点进行排序。
5.根据权利要求4所述的方法,其特征在于,所述分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像,包括:
以各个所述类型的第一个边界节点开始,依次提取与所述边界节点相邻的预设数量的边界节点;
基于提取出的预设数量的边界节点,对各个所述类型的边界节点连接而成的线进行光滑处理。
6.根据权利要求5所述的方法,其特征在于,所述分别对各个所述类型的边界节点连接而成的线进行光滑处理,以对所述目标网格图像进行修正,得到修正后的目标网格图像,还包括:
复制光滑处理后的各个所述类型的边界节点,并将复制后的所述边界节点沿边界轮廓的外法线方向或所述外法线方向的反方向移动预设距离,得到各个所述类型的新的边界节点;
对各个所述类型的新的边界节点连接而成的线进行光滑处理。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取网格图像;
在修正后的目标网格图像中,提取各个所述类型的边界节点,以得到具有感兴趣区域的目标网格图像;其中,所述感兴趣区域为包括所有边界节点的区域;
将所述网格图像与具有感兴趣区域的目标网格图像进行对齐;
调节所述网格图像中网格单元的数量,以对具有感兴趣区域的目标网格图像进行网格重划分,得到网格重划分后的目标网格图像。
8.根据权利要求7所述的方法,其特征在于,所述调节所述网格图像中网格单元的数量,以对具有感兴趣区域的目标网格图像进行网格重划分,得到网格重划分后的目标网格图像,包括:
调节所述网格单元的数量至预设值;
利用所述网格图像中的各个网格单元与所述感兴趣区域的位置关系,确定所述网格图像中的各个网格单元对应的类型;
基于所述网格图像中的各个网格单元对应的类型,形成网格重划分后的目标网格图像。
9.根据权利要求7所述的方法,其特征在于,所述目标管状组织为血管;其中,所述在修正后的目标网格图像中,提取各个所述类型的边界节点,以得到具有感兴趣区域的目标网格图像,包括:
对修正后的目标网格图像进行零压力形态的处理,得到零压力形态的目标图像数据;
提取所述零压力形态的目标图像数据中各个所述类型的边界节点,得到所述具有感兴趣区域的目标网格图像。
10.一种医疗设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-2中任一项所述的边界节点的确定方法,或执行权利要求3-9中任一项所述的网格划分方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-2中任一项所述的边界节点的确定方法,或执行权利要求3-9中任一项所述的网格划分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352945.5A CN111242969B (zh) | 2020-04-29 | 2020-04-29 | 边界节点的确定方法、网格划分方法及医疗设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352945.5A CN111242969B (zh) | 2020-04-29 | 2020-04-29 | 边界节点的确定方法、网格划分方法及医疗设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242969A CN111242969A (zh) | 2020-06-05 |
CN111242969B true CN111242969B (zh) | 2020-08-25 |
Family
ID=70865288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010352945.5A Active CN111242969B (zh) | 2020-04-29 | 2020-04-29 | 边界节点的确定方法、网格划分方法及医疗设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242969B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070899B (zh) * | 2020-09-10 | 2024-04-05 | 杭州晟视科技有限公司 | 基于医学图像还原血管零压模型的方法、装置及存储介质 |
CN112347661B (zh) * | 2020-11-26 | 2024-05-03 | 南京玻璃纤维研究设计院有限公司 | 织物纹路优化方法、装置及电子设备 |
CN116415470B (zh) * | 2023-06-06 | 2023-08-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种结构有限元的边界点提取方法、装置及设备和介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101009821A (zh) * | 2007-01-31 | 2007-08-01 | 北京邮电大学 | 一种成本有效的视频传感器网络覆盖增强的实现方法 |
CN100512229C (zh) * | 2007-06-28 | 2009-07-08 | 重庆大学 | 一种支持大容量移动网格网的无线移动站 |
JP2009064164A (ja) * | 2007-09-05 | 2009-03-26 | Takenaka Komuten Co Ltd | 曲面形状作成装置、曲面形状作成方法、及び曲面形状作成プログラム |
US10841322B2 (en) * | 2018-01-18 | 2020-11-17 | General Electric Company | Decision system and method for separating faults from attacks |
-
2020
- 2020-04-29 CN CN202010352945.5A patent/CN111242969B/zh active Active
Non-Patent Citations (1)
Title |
---|
复杂边界几何体的结构网格生成方法;代星等;《计算机辅助设计与图形学学报》;20130515;第724-728页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111242969A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242969B (zh) | 边界节点的确定方法、网格划分方法及医疗设备 | |
CN110060263B (zh) | 医学图像的分割方法、分割装置、分割系统及计算机可读介质 | |
CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
EP3828825A1 (en) | Image segmentation method and apparatus, diagnosis system, storage medium, and computer device | |
KR20210002606A (ko) | 의료 영상 처리 방법 및 장치, 전자 기기 및 저장 매체 | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
US9600890B2 (en) | Image segmentation apparatus, medical image device and image segmentation method | |
CN110197492A (zh) | 一种心脏mri左心室分割方法及系统 | |
CN111222454B (zh) | 训练多任务目标检测模型、多任务目标检测的方法及系统 | |
WO2021155230A1 (en) | Teeth segmentation using neural networks | |
CN111179366A (zh) | 基于解剖结构差异先验的低剂量图像重建方法和系统 | |
CN113222964B (zh) | 一种冠脉中心线提取模型的生成方法及装置 | |
US20200352678A1 (en) | Peeling type laser tooth preparing method, apparatus and device, and medium | |
CN113870215B (zh) | 中线提取方法及装置 | |
CN110827283B (zh) | 基于卷积神经网络的头颈血管分割方法及装置 | |
CN115526833A (zh) | 基于超声影像的射血分数计算装置、方法、介质及设备 | |
CN111192320A (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
CN114298999A (zh) | 血管结构变异的检测方法、可读存储介质和程序产品 | |
CN116894844B (zh) | 一种髋关节图像分割与关键点联动识别方法及装置 | |
CN110599444A (zh) | 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质 | |
CN113077418A (zh) | 基于卷积神经网络的ct影像骨骼分割方法及装置 | |
CN110858398A (zh) | 基于深度学习的舌体分割装置、方法及存储介质 | |
CN115953583B (zh) | 基于迭代边界优化和深度学习的牙齿分割方法及系统 | |
CN116486312B (zh) | 一种视频图像的处理方法、装置、电子设备和存储介质 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 |
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 |