CN111462138B - 一种针对病变髋关节图像的半自动的分割方法和装置 - Google Patents
一种针对病变髋关节图像的半自动的分割方法和装置 Download PDFInfo
- Publication number
- CN111462138B CN111462138B CN202010262736.1A CN202010262736A CN111462138B CN 111462138 B CN111462138 B CN 111462138B CN 202010262736 A CN202010262736 A CN 202010262736A CN 111462138 B CN111462138 B CN 111462138B
- Authority
- CN
- China
- Prior art keywords
- image
- voxel
- segmentation
- background
- bone
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 93
- 210000004394 hip joint Anatomy 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 21
- 210000000588 acetabulum Anatomy 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 210000000689 upper leg Anatomy 0.000 claims abstract description 14
- 210000001694 thigh bone Anatomy 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 14
- 210000001624 hip Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000037182 bone density Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011540 hip replacement Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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 Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种针对病变髋关节图像的半自动的分割方法和装置，属于医学图像处理领域。包括：在被配置用于执行图像处理功能的图像处理设备内接收病变髋关节3DCT图像；在CT图像的横截面图像接收用户选择输入，用于区分横截面图像内的分割目标和背景，进而生成特定的掩膜，分割目标为股骨或者髋臼；并对CT图像进行图像增强，以增强CT图像内的骨组织，根据图像增强结果和3DCT图像的灰度信息，结合先验知识进行髋关节的粗分割；根据粗分割结果和生成的特定掩膜，对股骨和髋臼的精分割，得到分割结果。本发明通过使用片状滤波器增强骨组织，提高了骨骼与背景的对比度。通过粗分割和精分割，从CT图像中精确分割出股骨或髋臼区域。
Description
技术领域
本发明属于医学图像处理领域，更具体地，涉及一种针对病变髋关节图像的半自动的分割方法和装置。
背景技术
在医学图像处理领域中图像分割是非常重要的一项技术，其过程是将医学图像中的感兴趣区域提取出来，该分割结果对于术前手术规划、术中导航、术后结果的评估都具有重要的参考价值。在图像引导髋关节置换手术的过程中，通常是将髋关节作为目标区域，将术中获取的二维图像与术前获取的三维CT图像进行配准，进而达到术中实时导航的目的。因此采用何种方法快速准确地在CT图像中分割出髋关节，是髋关节置换手术的重要一环。
在正常髋关节的CT图像中，利用骨密度比周围的软组织有更高的CT强度这一特性，通常基于灰度信息的图像分割法常可以得到不错的分割结果；但是在实际病变图像中，由于骨密度的不均匀、股骨头和髋臼区域的狭窄以及髋关节病变(关节炎、骨折、坏死等)使得仅依靠灰度信息难以准确分割。
目前针对髋关节分割的主流方法可以分为无监督方法和监督方法。无监督方法通常基于局部特征，主要有区域生长法、阈值法、图割、曲面拟合等算法。这些方法通常应用于分割正常髋关节图像，而对病变髋关节图像分割效果较差；监督方法主要有基于统计形状模型、基于图谱配准和深度学习算法。其中，基于统计形状模型和基于图谱配准的方法是将大量髋关节的形状来作为先验知识，使得分割结果尽可能地接近真实的髋关节。基于深度学习算法主要是利用卷积神经网络，通过训练、优化网络模型得到输入到输出分割结果的映射关系。监督方法的分割精度较高，但需要较多的训练样本，现有公开数据集很少；并且深度学习方法在训练模型时较为耗时，效率较低。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种针对病变髋关节图像的半自动的分割方法和装置，其目的在于既解决了无监督方法针对病变图像存在的分割结果差的问题，同时又不需要大量的训练样本，进而准确、快速的在CT图像中分割出髋关节。
为实现上述目的，按照本发明的第一方面，提供了一种针对病变髋关节图像的半自动的分割方法，该方法包括以下步骤：
S1.在被配置用于执行图像处理功能的图像处理设备内接收病变髋关节3D CT图像；
S2.在所述CT图像的横截面图像接收用户选择输入，用于区分横截面图像内的分割目标和背景，进而生成特定的掩膜，所述分割目标为股骨或者髋臼；并对所述CT图像进行图像增强，以增强CT图像内的骨组织，根据图像增强结果和3D CT图像的灰度信息，结合先验知识进行髋关节的粗分割；
S3.根据粗分割结果和生成的特定掩膜，对股骨和髋臼的精分割，得到分割结果。
优选地，步骤S2中，使用边缘锐化滤波器和片状滤波器来增强CT图像中的骨组织。
优选地，将原图像I经过方差为s的高斯核Gs卷积后产生一个钝化模糊图像，将原图像I与这模糊图像相减得到保留高频成份的图像，再将高频图像用参数k放大后与原图像叠加，产生边缘增强的图像Iu。
优选地，对于每个体素，计算不同尺度的海森矩阵所对应的片值，取绝对值最大的值作为该体素的最终片值，完成对骨骼的增强。
优选地，不同尺度的海森矩阵所对应的片值计算公式如下：
其中，Sσ(x)表示尺度为σ下在体素x处的片值，
λ1，λ2，λ3为体素x处的尺度为σ的局部海森矩阵的三个特征值，且|λ1|≤|λ2|≤|λ3|，T表示平均到每个体素上海森矩阵的迹，α、β、γ为控制片状滤波器对R1、R2、R3的灵敏度的阈值。
优选地，粗分割和精分割均采用图割，图割的目标是优化损失函数使其值达到最小，损失函数的表达式如下式：
其中，Ω是图像中所有体素的集合，N是所有相邻像素对的集合；Rp(Ap)为区域项，表示给体素p分配标签Ap的惩罚，B(p，q)为边界项，表示在邻域N中将体素p作为前景和将体素q作为背景分类的惩罚；λ是区域项和边界项之间的权重因子。
优选地，在粗分割阶段中，将增强后的CT图像作为输入，定义体素x处的最终片值为S(x)，边界项的定义如下：
其中，ω为比例系数，S(p)表示体素p处的片值，σs表示尺度参数；
区域项的表达式如下：
优选地，在精分割阶段中，将粗分割后的CT图像作为输入，定义体素x处的最终片值为S(x)，边界项的定义如下：
其中，ω为比例系数，S(p)表示体素p处的片值，σs表示尺度参数；
将掩模在体素p处的值计为IM(p)，精分割阶段的区域项：
为实现上述目的，按照本发明的第二方面，提供了一种针对病变髋关节图像的半自动的分割装置，该装置包括：
处理器，被配置用于病变髋关节3D CT图像的处理，以及接收用户用户选择输入，用于区分横截面图像内的分割目标和背景，进而生成特定的掩膜，所述分割目标为股骨或者髋臼；以及
存储器，存储指令，当所述指令由处理器执行时，执行所述病变髋关节3D CT图像的半自动的分割，包括：
对所述CT图像进行图像增强，以增强CT图像内的骨组织，根据图像增强结果和3DCT图像的灰度信息，结合先验知识进行髋关节的粗分割；根据粗分割结果和生成的特定掩膜，对股骨和髋臼的精分割，得到分割结果。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明通过使用片状滤波器，由于骨头的表层组织可以理解为片状结构(表层展开是平面结构)，片状滤波器可以增强这种表层结构，从而在CT图像中提高了骨骼与背景的对比度。
(2)本发明通过先验知识与利用片值的图割算法相结合，由于骨组织和背景在CT图像中的固定特性，可以约束图割算法中的区域项，片状滤波器的值能够约束图割算法中的边界项，从而在CT图像中将骨组织和背景分割开。
(3)本发明通过人为勾画的区域与利用片值的图割算法相结合，由于人为勾画的区域约束了图割算法中的区域项，片状滤波器的值能够约束图割算法中的边界项，从而在CT图像中精确分割出股骨或髋臼区域。
附图说明
图1为本发明提供的一种针对病变髋关节图像的半自动的分割方法流程图；
图2为本发明提供的交互操作中勾画出股骨和背景示意图；
图3为本发明提供的经过粗分割得到的冠状面分割结果图；
图4为本发明提供的经过精分割得到的冠状面分割结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提出了一种针对病变髋关节图像的半自动的分割方法，该方法包括以下步骤：
步骤S1.在被配置用于执行图像处理功能的图像处理设备内接收病变髋关节3DCT图像。
将获取的DICOM(Digital Imaging and Communications in Medicine，即医学数字成像和通信)格式的病变髋关节3D CT数据利用开源工具包ITK(Insight Segmentationand Registration Toolkit)读入内存。由于ITK不具有可视化功能，故利用VTK(Visualization Toolkit)将CT数据的横断面截取出来，并在显示器中显示。本发明中髋关节包括股骨和髋臼。
步骤S2.在所述CT图像的横截面图像接收用户选择输入，用于区分横截面图像内的分割目标和背景，进而生成特定的掩膜，所述分割目标为股骨或者髋臼；并对所述CT图像进行图像增强，以增强CT图像内的骨组织，根据图像增强结果和3D CT图像的灰度信息，结合先验知识进行髋关节的粗分割。
交互操作
交互操作是在CT图像的横截面图像上，主要的交互操作有：鼠标滚轮滚动查看横截面、调整画笔的半径、利用鼠标在横截面图像上标记出前景和背景(如图2所示，①表示标记的前景区域，②表示标记的背景区域)、查看分割结果与分割结果的评估等操作。为了方便交互操作，该步使用框架QT作为图形界面，并结合VTK来实现这些功能。本实施例在髋关节处任取一横断面，利用鼠标在该面上标记出前景(股骨)和背景，利用ITK生成特定的掩膜，其中，前景的像素值为2，背景的像素值为1，其他未标记部分的像素值为0。
图像增强
在病变髋臼的CT图像中，骨组织处与背景的对比度很差，因此，连续运用两个滤波器(边缘锐化滤波器和片状滤波器)，用于增强CT图像中的骨组织，提高骨边界的对比度。
首先，将原图通过反锐化来实现边缘增强，其表达式如下：
IU＝I+k(I-I*Gs) (式1)
其中，*为卷积，I为原图像，Iu为边缘增强图像，Gs为方差为s的高斯核，k为高频成分系数，本实例中，s＝1.0，k＝10。
将原图像I经过方差为s的高斯核Gs卷积后产生一个钝化模糊图像，将原图像I与这模糊图像相减得到保留高频成份的图像，再将高频图像用参数k放大后与原图像叠加，这就产生边缘增强的图像IU。
然后，边缘增强图像将经过片状滤波器来实现骨骼增强。对于Iu中的每个体素，片值是通过体素x处的尺度为σ的局部海森矩阵的三个特征值λ1，λ2，λ3(|λ1|≤|λ2|≤|λ3|)来计算的，具体表达式如下：
其中，Sσ(x)表示在体素x处尺度为σ的片值，
T表示平均到每个体素上海森矩阵的迹(海森矩阵对角线的和)，x表示单个体素，α、β、γ为控制片状滤波器对R1、R2、R3的灵敏度的阈值。为了增加骨骼边界的对比度，将最大特征值λ3的符号合并到片值中。本实施例中，α、β、γ分别取值0.5、0.5、0.25。
骨组织对X射线的吸收主要在表层部分，因此在CT图像中骨头的表面亮度较高。表层组织可以理解为片状结构(表层展开是平面结构)，片状滤波器可以增强这种表层结构。片状滤波器主要运用海森矩阵的性质。在三维图像中，每个体素根据其邻域的体素都可以获得一个3×3的海森矩阵，表示当前点的二阶导矩阵，与原CT图像有关系。在求取海森矩阵中的元素时，可以将原图与高斯函数的二阶导做卷积。某个体素处的海森矩阵表示与其邻域体素的灰度梯度变化程度。根据这个矩阵可以求得3个特征值，特征值越大表示在这个特征向量的方向灰度梯度变化越大。片值是利用这几个特征值所计算得到的数值，若体素处于片状结构时，该值较大；其他情况片值较小。
最后，通过计算多尺度片值来提高片状滤波器的鲁棒性，在本实例中分别计算0.6和0.8两个尺度。对于每个体素，计算不同尺度的海森矩阵所对应的片值，最终取绝对值最大的值作为该体素最终的片值，完成对骨骼的增强。
髋关节的粗分割
如图3所示，利用图像增强的结果和图像的灰度信息，结合先验知识来实现髋关节的粗分割，进而将骨盆和股骨区域提取出来(图3中黑色轮廓线)。
步骤S3.根据粗分割结果和生成的特定掩膜，对股骨和髋臼的精分割，得到分割结果。
髋关节的精分割
如图4中黑色轮廓线所示，利用粗分割的结果和经过交互操作获得的掩膜来实现对股骨和骨盆的分割。经过粗分割后可以将与背景对比度大的骨组织分割出来，但在狭窄的股骨和髋臼窝处却难以将其分割开，此处的体素均被分配为骨区域。
本发明中的粗分割和精分割均采用图割(graph-cut)，它是一种基于组合图论的能量最小化分割框架。该方法通常需要定义一种损失函数，其中包含区域项和边界项，图割的目标就是优化损失函数使其值达到最小。损失函数的表达式如下式：
E(A)＝∑p∈ΩRp(Ap)+λ∑(p，q)∈Nδ(Ap，Aq)B(p，q) (式3)
其中，Ω是图像中所有体素的集合，N是所有相邻像素对的集合；Rp(Ap)为区域项，表示给体素p分配标签Ap的惩罚，分配标签Ap可以是“骨头”或“背景”；B(p，q)为边界项，表示在邻域N中将体素p作为前景和将体素q作为背景分类的惩罚；λ是区域项和边界项之间的权重因子，决定它们对损失函数的影响大小，本实例中λ＝5。
损失函数定义好后利用最小割/最大流算法来计算整幅图的最小割，输出的结果即是分割得到的结果。
边界项
在粗分割阶段中，将增强后的CT图像作为输入，定义体素x处的片值为S(x)。边界项的定义如下：
其中，ω为比例系数，S(p)表示体素p处的片值，σs表示尺度参数，本实例中，w＝2000，σs＝0.2。
在精分割阶段中，边界项与粗分割阶段(式4)一致。
区域项
在粗分割阶段，骨边界较弱，骨间空间狭窄，仅凭图像强度很难区分骨与背景。然而通过先验知识，非背景区域
和非骨头区域
可由下式定义：
其中，lcc表示二进制参数的最大连通域。体素x处的灰度值(CT值)I(x)≥400HU主要存在于皮质骨，而S(x)＞0表示忽略软组织的狭窄骨间区域体素。I(x)＜-50HU主要表示低强度值的脂肪和空气体素。由此在粗分割这一步中，区域项的表达式如下：
上述公式的含义解释如下：当体素p属于非骨头区域
且给p分配的标签是骨头时，Rp(Ap)＝1000；当体素p属于非背景区域
且给p分配的标签是背景时，Rp(Ap)＝1000；其他情况Rp(Ap)＝0。
在精分割阶段，为了节省计算时间，将粗分割所得到的结果作为感兴趣区域，结合交互操作所获得的掩模，将掩模在体素p处的值计为IM(p)，可重新定义精分割阶段的区域项：
上述公式的含义解释如下：当体素p被标记为背景且给p分配的标签是骨头时，Rp(Ap)＝1000；当体素p被标记为前景且给p分配的标签是背景时，Rp(Ap)＝1000；其他情况Rp(Ap)＝0。
本发明还提供了一种针对病变髋关节图像的半自动的分割装置，包括：
处理器，被配置用于病变髋关节3D CT图像的处理，以及接收用户用户选择输入，用于区分横截面图像内的分割目标和背景，进而生成特定的掩膜，所述分割目标为股骨或者髋臼；以及
存储器，存储指令，当所述指令由处理器执行时，执行所述病变髋关节3D CT图像的半自动的分割，包括：
对所述CT图像进行图像增强，以增强CT图像内的骨组织，根据图像增强结果和3DCT图像的灰度信息，结合先验知识进行髋关节的粗分割；根据粗分割结果和生成的特定掩膜，对股骨和髋臼的精分割，得到分割结果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡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 (8)
1.一种针对病变髋关节图像的半自动的分割方法，其特征在于，该方法包括以下步骤：
S1.在被配置用于执行图像处理功能的图像处理设备内接收病变髋关节3D CT图像；
S2.在所述CT图像的横截面图像接收用户选择输入，用于区分横截面图像内的分割目标和背景，进而生成区分前景和背景的特定掩膜，所述分割目标为股骨或者髋臼；并对所述CT图像进行图像增强，以增强CT图像内的骨组织，根据图像增强结果和3D CT图像的灰度信息，结合先验知识进行髋关节的粗分割；
S3.根据粗分割结果和生成的特定掩膜，对股骨和髋臼的精分割，得到分割结果；
其中，粗分割和精分割均采用图割，图割的目标是优化损失函数使其值达到最小，损失函数的表达式如下式：
其中，Ω是图像中所有体素的集合，N是所有相邻像素对的集合；Rp(Ap)为区域项，表示给体素p分配标签Ap的惩罚，B(p，q)为边界项，表示在邻域N中将体素p作为前景和将体素q作为背景分类的惩罚；λ是区域项和边界项之间的权重因子；
在S2的粗分割中，当体素p属于非骨头区域
且给p分配的标签是骨头时，Rp(Ap)＝1000；当体素p属于非背景区域
且给p分配的标签是背景时，Rp(Ap)＝1000；其他情况Rp(Ap)＝0，其中，非背景区域
和非骨头区域
为：
lcc表示二进制参数的最大连通域，I(x)表示体素x处的灰度值，S(x)表示体素x的片值；
在S3的精分割中，将粗分割所得到的结果作为感兴趣区域，结合所述特定掩膜 ，当体素p在特定掩膜中被标记为背景且给p分配的标签是骨头时，Rp(Ap)＝1000；当体素p在特定掩膜中被标记为前景且给p分配的标签是背景时，Rp(Ap)＝1000；其他情况Rp(Ap)＝0。
2.如权利要求1所述的方法，其特征在于，步骤S2中，使用边缘锐化滤波器和片状滤波器来增强CT图像中的骨组织。
3.如权利要求2所述的方法，其特征在于，将原图像I经过方差为s的高斯核Gs卷积后产生一个钝化模糊图像，将原图像I与这模糊图像相减得到保留高频成份的图像，再将高频图像用参数k放大后与原图像叠加，产生边缘增强的图像IU。
4.如权利要求2所述的方法，其特征在于，对于每个体素，计算不同尺度的海森矩阵所对应的片值，取绝对值最大的值作为该体素的最终片值，完成对骨骼的增强。
5.如权利要求4所述的方法，其特征在于，不同尺度的海森矩阵所对应的片值计算公式如下：
其中，Sσ(x)表示尺度为σ下在体素x处的片值，
λ1，λ2，λ3为体素x处的尺度为σ的局部海森矩阵的三个特征值，且|λ1|≤|λ2|≤|λ3|，T表示平均到每个体素上海森矩阵的迹，α、β、γ为控制片状滤波器对R1、R2、R3的灵敏度的阈值。
6.如权利要求5所述的方法，其特征在于，在粗分割阶段中，将增强后的CT图像作为输入，定义体素x处的最终片值为S(x)，边界项的定义如下：
其中，ω为比例系数，S(p)表示体素p处的片值，σs表示尺度参数；
区域项的表达式如下：
7.如权利要求5所述的方法，其特征在于，在精分割阶段中，将粗分割后的CT图像作为输入，定义体素x处的最终片值为S(x)，边界项的定义如下：
其中，ω为比例系数，S(p)表示体素p处的片值，σs表示尺度参数；
将掩模在体素p处的值计为IM(p)，精分割阶段的区域项：
其中，特定掩膜前景的像素值为2，背景的像素值为1，其他未标记部分的像素值为0。
8.一种针对病变髋关节图像的半自动的分割装置，其特征在于，该装置包括：
处理器，被配置用于病变髋关节3D CT图像的处理，以及接收用户选择输入，用于区分横截面图像内的分割目标和背景，进而生成区分前景和背景的特定掩膜，所述分割目标为股骨或者髋臼；以及
存储器，存储指令，当所述指令由处理器执行时，执行所述病变髋关节3D CT图像的半自动的分割，包括：
对所述CT图像进行图像增强，以增强CT图像内的骨组织，根据图像增强结果和3D CT图像的灰度信息，结合先验知识进行髋关节的粗分割；根据粗分割结果和生成的特定掩膜，对股骨和髋臼的精分割，得到分割结果；其中，粗分割和精分割均采用图割，图割的目标是优化损失函数使其值达到最小，损失函数的表达式如下式：
其中，Ω是图像中所有体素的集合，N是所有相邻像素对的集合；Rp(Ap)为区域项，表示给体素p分配标签Ap的惩罚，B(p，q)为边界项，表示在邻域N中将体素p作为前景和将体素q作为背景分类的惩罚；λ是区域项和边界项之间的权重因子；
在S2的粗分割中，当体素p属于非骨头区域
且给p分配的标签是骨头时，Rp(Ap)＝1000；当体素p属于非背景区域
且给p分配的标签是背景时，Rp(Ap)＝1000；其他情况Rp(Ap)＝0，其中，非背景区域
和非骨头区域
为：
lcc表示二进制参数的最大连通域，I(x)表示体素x处的灰度值，S(x)表示体素x的片值；
在S3的精分割中，将粗分割所得到的结果作为感兴趣区域，结合所述特定掩模，当体素p在特定掩膜中被标记为背景且给p分配的标签是骨头时，Rp(Ap)＝1000；当体素p在特定掩膜中被标记为前景且给p分配的标签是背景时，Rp(Ap)＝1000；其他情况Rp(Ap)＝0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010262736.1A CN111462138B (zh) | 2020-04-06 | 2020-04-06 | 一种针对病变髋关节图像的半自动的分割方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010262736.1A CN111462138B (zh) | 2020-04-06 | 2020-04-06 | 一种针对病变髋关节图像的半自动的分割方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111462138A CN111462138A (zh) | 2020-07-28 |
| CN111462138B true CN111462138B (zh) | 2022-10-14 |
Family
ID=71681200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010262736.1A Active CN111462138B (zh) | 2020-04-06 | 2020-04-06 | 一种针对病变髋关节图像的半自动的分割方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111462138B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489005B (zh) * | 2020-11-26 | 2021-11-09 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
| CN112488937B (zh) * | 2020-11-27 | 2022-07-01 | 河北工业大学 | 针对分割任务的医学影像特征增强方法 |
| TWI810680B (zh) * | 2021-10-18 | 2023-08-01 | 長庚醫療財團法人林口長庚紀念醫院 | 前後骨盆放射影像分析方法及系統 |
| CN114037719B (zh) * | 2022-01-11 | 2022-04-01 | 北京威高智慧科技有限公司 | 骨骼区域确定方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091365A (zh) * | 2014-07-12 | 2014-10-08 | 大连理工大学 | 面向序列化髋关节ct图像的髋臼组织模型重建方法 |
| CN107274389A (zh) * | 2017-05-25 | 2017-10-20 | 中国科学院苏州生物医学工程技术研究所 | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 |
| CN110349168A (zh) * | 2019-07-11 | 2019-10-18 | 东北大学 | 一种股骨头ct影像的分割方法 |
| CN110678903A (zh) * | 2017-05-24 | 2020-01-10 | 珀金埃尔默健康科学有限公司 | 用于3d图像中异位骨化的分析的系统和方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9286688B2 (en) * | 2013-08-09 | 2016-03-15 | Siemens Medical Solutions Usa, Inc. | Automatic segmentation of articulated structures |
-
2020
- 2020-04-06 CN CN202010262736.1A patent/CN111462138B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091365A (zh) * | 2014-07-12 | 2014-10-08 | 大连理工大学 | 面向序列化髋关节ct图像的髋臼组织模型重建方法 |
| CN110678903A (zh) * | 2017-05-24 | 2020-01-10 | 珀金埃尔默健康科学有限公司 | 用于3d图像中异位骨化的分析的系统和方法 |
| CN107274389A (zh) * | 2017-05-25 | 2017-10-20 | 中国科学院苏州生物医学工程技术研究所 | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 |
| CN110349168A (zh) * | 2019-07-11 | 2019-10-18 | 东北大学 | 一种股骨头ct影像的分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| Towards Automatic 3D Bone Marrow Segmentation;Chuong T等;《IEEE》;20160428;第1-4页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111462138A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111462138B (zh) | 一种针对病变髋关节图像的半自动的分割方法和装置 | |
| Chen et al. | Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task FCN | |
| CN107274389B (zh) | 基于ct三维序列图像的股骨和髋臼解剖参数获取方法 | |
| Gu et al. | Automated delineation of lung tumors from CT images using a single click ensemble segmentation approach | |
| Hua et al. | Segmentation of pathological and diseased lung tissue in CT images using a graph-search algorithm | |
| Ibragimov et al. | Segmentation of pathological structures by landmark-assisted deformable models | |
| Almeida et al. | Fully automatic segmentation of femurs with medullary canal definition in high and in low resolution CT scans | |
| Zhang et al. | A marker-based watershed method for X-ray image segmentation | |
| US20040101184A1 (en) | Automatic contouring of tissues in CT images | |
| US20220401221A1 (en) | Pre-operative planning and intra operative guidance for orthopedic surgical procedures in cases of bone fragmentation | |
| 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 | |
| CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
| Ananth et al. | Liver And Hepatic Tumors Segmentation in 3-D CT Images | |
| Lim et al. | Segmentation of the liver using the deformable contour method on CT images | |
| KR20120103979A (ko) | 자기공명영상에서 연골 자동 영역화 장치 및 방법 | |
| Xia et al. | 3D cascaded convolutional networks for multi-vertebrae segmentation | |
| Umadevi et al. | Enhanced Segmentation Method for bone structure and diaphysis extraction from x-ray images | |
| CN111292306A (zh) | 膝关节ct与mr图像融合方法及装置 | |
| Onal et al. | Image based measurements for evaluation of pelvic organ prolapse | |
| Nysjö et al. | BoneSplit-a 3D texture painting tool for interactive bone separation in CT images | |
| CN111145353B (zh) | 通过图像分割和网格特征点提取算法生成3d点云的方法 | |
| Furnstahl et al. | Automatic and robust forearm segmentation using graph cuts | |
| Han et al. | Multi-body registration for fracture reduction in orthopaedic trauma surgery | |
| Cerveri et al. | Mean-shifted surface curvature algorithm for automatic bone shape segmentation in orthopedic surgery planning: a sensitivity analysis | |
| Liu et al. | Automatic extraction of 3D anatomical feature curves of hip bone models reconstructed from CT images |
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 |