CN111563901B - 基于磁共振的髋关节图像处理方法及系统、存储介质、设备 - Google Patents

基于磁共振的髋关节图像处理方法及系统、存储介质、设备 Download PDF

Info

Publication number
CN111563901B
CN111563901B CN202010295562.9A CN202010295562A CN111563901B CN 111563901 B CN111563901 B CN 111563901B CN 202010295562 A CN202010295562 A CN 202010295562A CN 111563901 B CN111563901 B CN 111563901B
Authority
CN
China
Prior art keywords
magnetic resonance
angle
hip joint
femoral
femoral head
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
Application number
CN202010295562.9A
Other languages
English (en)
Other versions
CN111563901A (zh
Inventor
吴明娣
杨晓冬
盛茂
冯洁
贾慧惠
吴继志
张欣
常严
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Institute of Biomedical Engineering and Technology of CAS
Original Assignee
Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Institute of Biomedical Engineering and Technology of CAS filed Critical Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority to CN202010295562.9A priority Critical patent/CN111563901B/zh
Publication of CN111563901A publication Critical patent/CN111563901A/zh
Application granted granted Critical
Publication of CN111563901B publication Critical patent/CN111563901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种基于磁共振的髋关节图像处理方法，该方法包括如下步骤：获取髋关节处的磁共振图像数据；对磁共振图像数据的目标区域进行分割，得到若干分割部位；将若干分割部位进行重建，获得三维立体模型；测定从三维立体模型中获取若干形态学参数，以判定形态学参数数值是否在设定阈值范围内。本发明还提供一种基于磁共振的髋关节图像处理系统、存储介质、设备。本发明实现了对髋关节发育状况的精确测定，不仅可为病情诊断和术前规划提供依据，还将为其术后的长期动态监测提供便利，该方法是一种能够贯穿DDH疾病的早期诊断、治疗和术后动态监测的全过程量化评估手段，对于该类疾病的精准医疗和患儿的健康成长意义重大。

Description

基于磁共振的髋关节图像处理方法及系统、存储介质、设备
技术领域
本发明涉及磁共振的定量系统领域，尤其涉及一种基于磁共振的髋关节图像处理方法。
背景技术
发育性髋关节脱位(developmental dysplasia of the hip，DDH)，也称发育性髋关节发育不良，是儿童骨科最常见的髋关节疾病。随着患儿的年龄增大，病变程度更复杂、治疗难度更大，疗效也越差，因而DDH的早诊断、早治疗非常重要。DDH手术后也有部分患儿有程度不同的残留畸形，因此，对DDH患儿需长期随访到青少年期骨骼发育停止，对随访过程中发现的问题及时给予处理。研发针对发育性髋节脱位的影像学定量评估方法，实现对髋关节发育状况的精确测定，不仅可为病情诊断和术前规划提供依据，还将为其术后的长期动态监测提供便利。发育性髋关节脱位的病理主要表现在髋臼缺损、股骨头发育不良及头臼的非同心对位关系，是儿童骨科最常见的复杂疾病之一，不及时或不正确的治疗，将导致患者在青少年时期就会发生髋关节功能减退及骨性关节炎。如今磁共振成像技术凭借其无电离辐射并且能清晰显示皮质骨、软骨等各类结构的优点成为DDH的重要诊疗辅助手段。
现有的针对DDH的临床诊断，完全依赖于临床医师对于DDH患儿磁共振图像的肉眼观测，以制定DDH患儿的治疗方案。并且临床医师往往只关注DDH患儿的某个或某几个髋关节形态学参数的变化，没有将各种形态学变化细致分类、综合观察，使得DDH存在一定的误诊概率。但是目前还并无这样一套结合DDH患儿的磁共振图像来系统地评估DDH患儿患病程度的定量系统及方法。
另外，在临床诊疗中，对于髋关节形态学参数的观察停留在肉眼观测或者手动测量，对医生的职业素养要求较高。并且手动的测量过程使得由磁共振图像判断形态学参数是否正常的过程耗时耗力，且手动测量结果受人为因素影响大，无法客观描述形态学参数的数值。但是目前尚未出现这样一个综合各项髋关节形态学参数测定的定量方法。
发明内容
为了克服现有技术的不足，本发明提供一种基于磁共振的髋关节图像处理方法。
本发明提出的定量方法，既可以用于儿童DDH的前期筛查，亦可作为DDH确诊患儿手术方案制定的重要参考，同时对于儿童DDH术后的长期动态随访具有重要意义。
本发明提供一种基于磁共振的髋关节图像处理方法，包括如下步骤：
获取髋关节处的磁共振图像数据；
对所述磁共振图像数据的目标区域进行分割，得到若干分割部位；
将所述若干分割部位进行重建，获得三维立体模型；
测定从所述三维立体模型中获取若干形态学参数，以判定所述形态学参数数值是否在设定阈值范围内。
优选地，在对所述磁共振图像数据的目标区域进行分割之前还包括对所述磁共振图像数据进行预处理，所述预处理包括噪声处理与线性插值处理，所述噪声处理用于平滑所述磁共振图像数据；所述线性插值处理用于调整所述磁共振图像数据的分辨率。
优选地，所述测定所述形态学参数至少包括中心边缘角、髋臼角、股骨颈前倾角中的一个。
优选地，测定所述中心边缘角或髋臼角的方法中，包括如下步骤：
将所述三维立体模型进行分割并将分割结果的格式转化为图片格式；
对若干所述图片进行股骨厚度扫描，生成股骨区域厚度图；
通过所述股骨区域厚度图确定股骨头区域与股骨头中心点。
优选地，所述中心边缘角的测定方法，还包括如下步骤：
获取两侧所述股骨头中心点连线的垂线；
获取两侧所述股骨头中心点分别与两侧髋臼最外缘点的连线；
测定所述垂线与连线的角度，即为所述中心边缘角。
优选地，所述髋臼角的测定方法，还包括如下步骤：
通过所述股骨头区域与股骨头中心点的位置，以获取泪点与髋臼最外缘点，其中，所述泪点为髂骨的最低点；
测定两侧所述泪点的连线与所述髋臼最外缘点之间的夹角，即为所述髋臼角。
优选地，获取所述两侧髋臼最外缘点的方法为：
通过获取所述股骨头中心点与盆骨连通域内的斜率最大正值与负值点，以确定所述两侧髋臼最外缘点。
优选地，所述股骨颈前倾角的测定方法，包括如下步骤：
将所述三维立体模型进行分割并将分割的结果转化为三维点云模型；
利用霍夫变换将所述三维点云模型进行初始化，并迭代最小二乘算法获得股骨头球心坐标与股骨颈；
所述股骨颈切面的中心点与所述股骨头球心坐标之间的连线，记做股骨颈轴线；
从所述三维点云模型获取点云冠状面，测定所述股骨颈轴线与所述点云冠状面之间的夹角，即为所述股骨颈前倾角。
本发明还提供一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行一种基于磁共振的髋关节图像处理方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行一种基于磁共振的髋关节图像处理方法。
本发明还提供一种基于磁共振的髋关节图像处理系统，包括获取模块、分割模块、重建模块、测定模块；其中，
所述获取模块用于获取髋关节处的磁共振图像数据；
所述分割模块用于对所述磁共振图像数据的目标区域进行分割，得到若干分割部位；
所述重建模块用于将所述若干分割部位进行重建，获得三维立体模型；
所述测定模块用于测定从所述三维立体模型中获取若干形态学参数，以判定所述形态学参数数值是否在设定阈值范围内。
相比现有技术，本发明的有益效果在于：
本发明公开了一种基于磁共振的髋关节图像处理方法，该方法通过对儿童髋关节磁共振图像的预处理、对股骨及盆骨的分割、髋关节的三维重建、测定形态学参数的处理；该方法实现了对髋关节发育状况的精确测定，不仅可为病情诊断和术前规划提供依据，还将为其术后的长期动态监测提供便利，该方法是一种能够贯穿DDH疾病的早期诊断、治疗和术后动态监测的全过程量化评估手段，对于该类疾病的精准医疗和患儿的健康成长意义重大；另外，测定各形态学参数实现精确快捷的测定不仅节约医生的时间精力，对于DDH的治疗方案的准确制订也具有重要意义。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明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。在附图中：
图1为本发明的一种基于磁共振的髋关节图像处理方法的整体流程图；
图2为本发明的一种基于磁共振的髋关节图像处理方法的整体逻辑示意图；
图3a为本发明利用磁共振成像获得的可用于形态学参数观测的一个结构像；
图3b为本发明利用磁共振成像获得的可用于形态学参数观测的另一个结构像；
图4为本发明对磁共振图像数据的感兴趣进行分割的示意图；
图5为本发明对分割图像数据进行三维重建的三维立体模型示意图；
图6为本发明对中心边缘角的定义的示意图；
图7为本发明对中心边缘角测定的流程图；
图8为本发明将三维立体模型分割并进行格式转化后的结果；
图9a为本发明的每一帧分割得到的连通区域A与B的示意图；
图9b为本发明对盆骨区与股骨区的分割结果示意图；
图10a为本发明的左侧股骨厚度分布示意图；
图10b为本发明的右侧股骨厚度分布示意图；
图11a为本发明的中心边缘角测定的原始图像；
图11b为本发明的中心边缘角测定的结果示意图；
图12为本发明对股骨颈前倾角的定义示意图；
图13为本发明的股骨颈前倾角的测定的流程图；
图14为本发明的股骨颈前倾角的测定中的髋关节部分三维点云模型示意图；
图15为本发明对髋臼角的定义示意图；
图16为本发明的髋臼角的测定的流程图；
图17a为本发明的每一帧分割得到的连通区域C与D的示意图；
图17b为本发明的两侧泪点定位的结果示意图；
图18a为本发明的磁共振图像的原始图像；
图18b为本发明对图18a磁共振图像进行滤波处理后的效果图；
图19a为本发明的磁共振图像的原始图像；
图19b为本发明对图19a磁共振图像进行插值处理后的效果图；
图20a为本发明髋关节的双重股骨分割结果以及重建三维立体模型示意图；
图20b为本发明髋关节的股骨与盆骨分割结果以及重建三维立体模型示意图；
图21为本发明从不同切面左右两侧股骨厚度分布示意图；
图22为本发明的股骨头区域的定位及CEA的自动测量结果示意图；
图23a为本发明股骨颈前倾角的初始点云示意图；
图23b为本发明股骨颈前倾角的测定后的点云示意图；
图24a为本发明股骨颈前倾角的关键点定位示意图；
图24b为本发明股骨颈前倾角的自动测量示意图；
图25a为本发明髋臼角的测定中的遍历左侧盆骨点示意图；
图25b为本发明髋臼角的测定中的遍历右侧盆骨点示意图；
图26a为本发明髋臼角的测定中的结果示意图；
图26b为本发明髋臼角的测定中的另一种结果示意图；
图27为本发明的一种一种基于磁共振的髋关节图像处理系统的模块图；
附图标记：α、中心边缘角，β、髋臼角，10、股骨区，20、盆骨区，310、盆骨区域，320、股骨头，40、股骨头中心点，50、股骨颈横断面中心点，60、冠状平面。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本发明提供一种基于磁共振的髋关节图像处理方法及系统，为临床DDH的诊断与治疗提供全面的可靠的支持，所有试验任务可编写、存储在脚本文件中，也可模拟系统终端逐行执行；另外，该系统可工作于离线模式，即在计算机或工作站上运行，也可以部署于终端电子设备,比如手机或平板上，实现在线的可编程设计，相关的模拟计算量可通过远程云计算完成，计算完成后传输模拟数据结果即可。
基于磁共振成像基本原理获取CUBE T1序列磁共振图像原始数据，GE公司的3D序列叫CUBE，主要采用的3D-FSE-XETA(3D Fast Spin Echo with an eXtended Echo TrainAcquistion),简称CUBE，该序列代表容积采集，以医学图像标准格式DICOM(DigitalImaging and Communications in Medicine)存储，基于图像处理基本方法对儿童髋关节的磁共振图像进行处理，在此基础上获得由盆骨及股骨组成的三维髋关节模型，基于此模型编写程序完成髋臼指数、中心边缘角以及股骨颈前倾角等形态学参数的全自动自动测量，本发明优选可编程环境为MATLAB脚本语言，本发明适应的编程语言不限于此。
在髋关节中，中心边缘角CEA反映股骨头与髋臼的关系，可以此作为股骨头在髋臼窝的稳定指数和反映髋臼的发育程度；髋臼角AI又叫作sharp角，主要反映髋臼与股骨头的包容程度，临床中主要用于诊断髋臼发育不良，常和中心边缘角CEA共同成为髋关节测量的重要参数，使髋关节疾病的诊断能够标准化、数字化；股骨颈前倾角FNA的异常是导致髋关节不稳定的因素之一，发育性髋关节发育不良(DDH)患者术后常常因为FNA的异常而引起髋关节再脱位，FNA的准确测量对保髋治疗或者全髋关节置换都至关重要。上述三项髋关节形态学参数共同作为髋关节发育状况监测的重要指标常用来作为判定DDH的重要标准。以上角度皆为广义的骨性指数，在临床诊疗过程中，医师同样关注软骨性形态学参数，例如软骨性髋臼角CAI，其定义与广义的髋臼角AI类似，在测量过程中仅将骨性髋臼外缘转化为软骨性髋臼外缘即可。因此针对以上CEA、AI、FNA三种角度提出各自的自动测量方法，同样适用于与其相关的软骨性形态学参数。
对于形态学参数，需要对DDH患儿的对比度增强影像进行一系列图像处理操作，方可实现定量。具体地，为实现高精度的形态学(中心边缘角CEA、股骨颈前倾角FNA、髋臼角等)的定量分析，首先基于DDH患儿的MRI(磁共振成像)影像数据，结合图像分割算法对骨性骨骼(如股骨、髋臼)以及软骨等与定量分析相关的组织做三维分割处理，再对分割后的图像进行三维重建。在得到重建图像的基础上，根据所需形态学参数的特性结合算法实现其测定。
对于定量测量精度和可靠性，需对各指标参数指定相应的统计分析。以髋臼指数AI为例，通过计算不同截面正常的髋臼指数的均数、标准差、分布范围和置信区间(95％)。选取20-30例髋关节，由自动分割数据和经医生指导得到的手动分割数据分别进行测量，对测量数据进行方差分析，数据分析采用SPSS(Statistical Product and ServiceSolutions)系统软件进行,SPSS软件用于统计学分析运算、数据挖掘、预测分析和决策支持任务。
本发明提供一种基于磁共振的髋关节图像处理方法，如图1、图2所示，包括如下步骤：
S1、获取髋关节处的磁共振图像数据。在一个实施例中，如图3a、3b所示，对于形态学参数的定量，磁共振成像序列为CUBE T1，扫描体位为冠状扫描，扫描范围上至股骨上部髋臼下至股骨大粗隆，扫描层厚1.6毫米，重复时间400-650毫秒，回波时间10-15毫秒，翻转角度90°，显示视野380毫米，得到使髋关节中股骨、盆骨等结构最清晰显示的可用于形态学参数观测的结构像。
S2、在对所述磁共振图像数据的目标区域进行分割之前还包括对所述磁共振图像数据进行预处理，所述预处理包括噪声处理与线性插值处理，所述噪声处理用于平滑所述磁共振图像数据；所述线性插值处理用于调整所述磁共振图像数据的分辨率。在一个实施例中，考虑到医学图像的特性，需要在平滑图像、去除噪声的同时，尽可能多地保留图像中的敏感信息，包括图像边缘等。高斯滤波作为一种线性滤波，广泛应用于图像平滑与噪声处理，对高斯噪声的平滑效果最佳，高斯滤波的原理是对图像中的每个像素点和领域内的点进行模板加权平均计算，以得到结果作为平滑后该点的像素值，模板如下：
所示的近似高斯核生成的二维或三维矩阵，模板与原始图像相乘得到平滑后的图像。所以选择高斯滤波对原始磁共振图像进行处理。其中σ决定滤波器宽度，σ越大，高斯滤波器使用的模板尺寸越大平滑效果越佳，但会同时损失更多图像细节，可通过调节σ来使图像中相应特征分量更加清晰。
由于医学图像的特殊性，其采集时以层方式进行三维扫描，因而所得二维层图像的分辨率和层间距不同，且一般情况下层间距大于分辨率，也就是，图像在x,y轴方向的分辨率与z轴方向的分辨率不同。在这种情况下，取得的三维医学图像是各向异性的，而在后续对图像的处理过程中对图像的要求是各向同性。因此在后续分割重建操作之前需要对髋关节磁共振图像进行重取样，使其达到个方向一致，在此，我们使用双线性插值的方法对图像数据的分辨率进行调整。双线性插值法是二维空间上的插值算法，代插值点的像素取决于其周围四个已知点的像素值。
假定待求像素点的取值p(x+Δx,y+Δy),待求点四周坐标分别为(x,y)、(x+1,y)、(x,y+1)、(x+1,y+1)，则有：
p(x+Δx,y+Δy)＝(1-Δx)(1-Δy)*p(x,y)+(1-Δx)Δy*p(x,y+1)+Δx(1-Δy)*p(x+1,y)+ΔxΔy*p(x+1,y+1)
其中，p(x,y)表示原图像点(x,y)处的像素值。
S3、对所述磁共振图像数据的目标区域进行分割，得到若干分割部位。在一个实施例中，将预处理后得到的髋关节磁共振图像数据导入开元医学图像处理软件3D slicer，首先选择Crop Volume模板，选定ROI(Region of Interest，目标区域域)为基本包括盆骨区20及股骨区10，其次选择Editor模块Level TracingEffect功能，完成对多帧CUBE T1磁共振数据的自动分割，分割部位包括如图4所示股骨及盆骨。
S4、将所述若干分割部位进行重建，获得三维立体模型。分割完成后选择SegmentEditor模块，show 3D功能，大致完成由平面分割结果转化为三维立体模型，设置模型表面平滑参数为0.50改善三维模型边缘平滑度，调整各项参数得到分割后股骨及盆骨三维立体模型如图5所示。
S5、测定从三维立体模型中获取若干形态学参数，以判定形态学参数数值是否在设定阈值范围内。测定形态学参数至少包括中心边缘角、髋臼角、股骨颈前倾角中的一个。比如：儿童4岁的中心边缘角CEA正常范围即设定阈值范围是21.62°±6.23°，10至14岁的时候有快速的增长，发生从24.54°±5.47°到31.11°±6.20°的变化，CEA小于设定阈值范围则提示DDH可能。而髋臼角AI在10岁的时候平均值是46.72°，10岁以后会有所下降，18岁时保持在约39.10°，18岁以后在38°至39°波动，AI角大于设定阈值范围提示DDH可能。股骨颈前倾角FNA在6岁时平均26.60°，10岁时平均20.89°，呈现随年龄增长而逐渐减小的趋势，成年后一般在12°到15°，FNA大于设定阈值范围的儿童可能伴有DDH。
中心边缘角的测定，目前针对DDH衍生了大量的关于髋关节形态学参数的测量方法，其中的中心边缘角反映股骨头与髋臼的关系，可以此作为股骨头在髋臼窝的稳定指数和反映髋臼的发育程度，这说明无论对于DDH的诊断亦或术后的动态监测都具有不可忽视的临床意义。但目前并无针对DDH的中心边缘角的自动测量方法的相关介绍。本发明考虑实际情况，结合临床医师意见在以上得到的髋关节三维模型的基础上制定了中心边缘角的自动测量方案。
中心边缘角CEA定义为垂直于穿过股骨头中心的基线绘制的线和连接股骨头中心与髋臼上边界的线所形成的角度，如图6所示，竖直虚线垂直于两侧股骨头中心点连线，实线为连接股骨头中心与髋臼最外缘的连线，虚线与实线之间的夹角即为所需测量的角度CEA。
中心边缘角α的测定方法，如图7所示，包括如下步骤：
S511、将所述三维立体模型进行分割并将分割结果的格式转化为图片格式。将步骤S4中获得的三维立体模型，导出分割结果并将格式文件转换为每一帧的图片格式分割结果，如图8所示。
S512、对若干所述图片进行股骨厚度扫描，生成股骨区域厚度图；
S513、通过所述股骨区域厚度图确定股骨头区域与股骨头中心点。
S514、获取两侧所述股骨头中心点连线的垂线；
获取两侧所述股骨头中心点分别与两侧髋臼最外缘点的连线；
S515、测定所述垂线与连线的角度，即为所述中心边缘角。
具体的，针对中心边缘角CEA的算法设计：按照冠状面MR数据，在每一帧分割得到连通区域A和B部分如下图所示,对盆骨区域310需进行定位最外缘操作，对股骨区域需进行定位股骨头320类圆形部分质心，如图9a、9b所述。
算法实现过程:对股骨头部分主要为实现左右两侧股骨的平面厚度扫描即对左侧股骨形自右上至左下的扫描，对右侧股骨行自左下至右上的扫描并生成左右两侧股骨厚度分布图，找到厚度图中最大厚度所对应区域即股骨头中心点所在层面，以及确定厚度最小及次最小所对应区域即可确定股骨头所在平面，如图所示，图10a、图10b分别展示单帧图像中左侧与右侧股骨的厚度分布图。
确定股骨头部分及股骨头中心点所在位置后，寻找连接股骨头中心点与盆骨连通域内的斜率最大正值与负值点，即可确定盆骨两侧最外缘点。
连接两侧股骨头中心点并分别过两侧股骨头中心点作股骨头中心点连线的垂线，分别连接两侧股骨头中心点与盆骨最外缘点。计算两侧股骨头中心点与两侧髋臼最外缘点的连线与垂线之间所成角度。
经过以上步骤，每帧磁共振图像都可得到左右髋各一角度。根据CEA定义，股骨头中心点所在帧的角度为待测的CEA角。多帧图像中股骨厚度最大点所对应的帧为股骨头中心点所在帧，即该帧角度结果为本例数据中心边缘角CEA。如图11a、11b所示，图11b中标识区域为提取得到的股骨头区域。
髋臼角的测定，髋臼角是髋关节两侧髂骨的最下缘，称之为泪滴，连条直线，再过最下缘点即泪滴点与髋臼最外上缘连一条直线，这两条直线成一夹角，称之为髋臼角，又叫作sharp角，主要反映髋臼与股骨头的包容程度。髋臼角AI定义为髋关节两侧髂骨最低点(称之为泪点)之间的连线与泪点和髋臼最外缘之间的连线的夹角，如图15所示，水平虚线为髋关节两侧髂骨泪点的连线，另一虚线即为泪点与髋臼最外缘之间的连线，两虚线所成夹角即为所需自动测量的髋臼角AI。
髋臼角β的测定方法，如图16所示，包括如下步骤：
S521、将所述三维立体模型进行分割并将分割结果的格式转化为图片格式；
S522、对若干所述图片进行股骨厚度扫描，生成股骨区域厚度图；
S523、通过所述股骨区域厚度图确定股骨头区域与股骨头中心点；
S524、通过所述股骨头区域与股骨头中心点的位置，以获取泪点与髋臼最外缘点，其中，所述泪点为髂骨的最低点；
S525、测定两侧所述泪点的连线与所述髋臼最外缘点之间的夹角，即为所述髋臼角。
具体的，由于同样涉及髋臼最外缘点的定位，如图17b的点b所示，髋臼角的自动测量方法与中心边缘角大致相似。
针对髋臼角AI的算法设计：按照冠状面MR数据，在每一帧分割得到连通区域C和D部分如图17a所示，对盆骨区域，基于图8得到的三维模型转换的图片格式数据，设计算法将CEA自动测量方法中的两侧股骨头中心点定位转化为两侧泪点即(图17b中点a所示为左侧髂骨泪点)的定位。算法实现过程即为将CEA自动测量中股骨部分厚度扫描的方法应用到盆骨区域即可实现泪点的自动定位,得到左右两侧盆骨区域厚度图。
按照厚度搜索的方法，绘制髋关节磁共振图像股骨部分逐帧厚度分布图，确定股骨头区域及股骨头中心点所在位置；基于股骨头中心点的位置遍历盆骨区域，确定使股骨头中心点与盆骨区域某点连线的最大及最小角度，以此确定泪点及髋臼最外缘位置。
自动连接髋关节两侧泪点，再分别连接两侧泪点与髋臼最外缘，计算两线之间所夹锐角。经过以上步骤，每帧磁共振图像都可得到左右髋各一角度。根据AI角定义，泪点所在帧为待测的AI角。而基于股骨头中心点遍历盆骨区域所得角度中，最小角度对应层面即为泪点所在帧，因此该帧角度结果为本例数据的髋臼角AI。
股骨颈前倾角的测定，股骨颈前倾角(FNA)，指股骨横断面测得的股骨颈轴线与股骨双髁后平面的夹角。FNA的异常是导致髋关节不稳定的因素之一，发育性髋关节发育不良(DDH)患者术后常常因FNA的异常而引起髋关节再脱位，FNA的准确测量对保髋治疗或者全髋关节置换都至关重要，然而因其解剖学定义的复杂性目前尚未形成公认测量FNA的金标准。近年来随着数字技术在医学领域的研究与应用日益广泛，结合三维重建技术能够更直观、精确地显示髋关节的立体结构，上述得到的三维模型即可以为准确测量髋关节各解剖结构之间的空间关系提供支持。
股骨颈前倾角FNA定义为：假定一个图12所示的贯穿股骨轴的冠状平面，一条直线连接股骨头中心点40与股骨颈任一横断面的中点50即股骨颈轴线，冠状平面60与股骨颈轴线之间的夹角即为所需测得的股骨颈前倾角FNA。
股骨颈前倾角的测定方法，如图13所示，包括如下步骤：
S531、将所述三维立体模型进行分割并将分割的结果转化为三维点云模型；
S532、利用霍夫变换将所述三维点云模型进行初始化，并迭代最小二乘算法获得股骨头球心坐标与股骨颈；
S533、所述股骨颈切面的中心点与所述股骨头球心坐标之间的连线，记做股骨颈轴线；
S534、从所述三维点云模型获取点云冠状面，测定所述股骨颈轴线与所述点云冠状面之间的夹角，即为所述股骨颈前倾角。
具体的，根据股骨颈前倾角的定义可知，实现FNA的自动测量需实现股骨头中心点与股骨颈轴线的自动定位。为方便实现对于三维模型的形态学测量，首先对分割重建后所得.stl格式三维模型降采样转化为三维点云模型，如图14所示。
针对股骨颈前倾角FNA的算法设计：
股骨头中心的确定：使用三维霍夫(Hough)变换初始化磁共振图像，检测股骨头类球部分，然后采用迭代最小二乘算法拟合股骨头球心坐标。
在三维空间，球体由以下方程式给出的一般极坐标参数表示：
其中x，y和z是表面点的笛卡尔坐标，cx，cy和cz是球心的坐标，r是以与中心和表面点相同的单位表示的半径，θ和是方位角和极角。
用于检测球体的三维霍夫变换的实现如下：球体表面上的每个点共同在累加器空间中定义了一组球体，这些球体取决于所有可能的半径值。对于给定的半径值，球体上的每个点仅定义累加器空间中的一个球体，用适用于球体表面中每个点的霍夫变换映射方程收集球体上所有点的证据，累加器空间的最大值则对应于原始球体的参数。我们处理的是三维点云数据，因此将有四个参数需要投票(cx,cy,cz,r)，因此累加器空间是4维的。
股骨颈轴线的确定：股骨颈轴线是与股骨颈的三维点云最匹配的最适单片双曲面表面模型的中心轴，即股骨头中心点与股骨颈切面的中心点之间的连线。基于最小二乘可以估计该双曲面模型的各项几何参数。
单片双曲面方程具有如下的表达形式：
其中a,b决定股骨颈的椭圆度，c决定增长率，该双曲面的平均形状参数为：a＝13.3±1.2mm,b＝17±1.6mm,c＝16.3±4.6mm，预期的匹配双曲面模型由股骨颈的典型视觉决定。股骨颈轴线与点云冠状面之间的夹角即为待测角FNA。
运用本发明提供的一种基于磁共振的髋关节图像处理方法的一个具体的实施例，包括如下：
在步骤S2中，如图18a所示，去噪处理选择高斯滤波器的平滑参数σ＝1，对髋关节磁共振图像进行滤波处理，最终效果如图18b所示。
采用双线性插值的方法消除髋关节磁共振图像的各向异性，如图19a、19b所示。
在步骤S3、S4中，经过步骤S2中的去噪与插值两项预处理后，将得到的髋关节磁共振图像导入医学图像处理软件，结合自动分割方法，调节透明度等参数，首先分割出髋关节中的两侧股骨部分，并采用3D渲染的手段显示分割后的股骨的三维立体模型，如图20a所示。得到股骨分割模型后，继续分割髋关节盆骨部分，并构建股骨与盆骨的空间结构模型如图20b所示。
在步骤S511-S515中，中心边缘角CEA的测量是将分割后三维模型转化为二维结果，继而编写算法实现股骨头中心点的自动定位及髋臼最外缘的自动定位，综合实现中心边缘角CEA的自动测量，股骨头中心点的确定运用上述股骨厚度搜索算法，如图21所示，类圆形为股骨头，类圆形的质心为股骨头的中心点。如图22所示，水平线与两条垂线的交点处分别为两侧股骨头中心点。
在步骤S521-S525中，髋臼角AI的测量是以中心边缘角CEA的测量为基础，与CEA的自动测量不同的是AI角的自动测量需要自动定位泪点的位置，股骨头中心的连线以及髋臼最外缘的定位延续CEA角的方法。
结合CEA的测量方法中股骨头中心点的定位，基于已确定位置的股骨头中心点遍历盆骨区域，找到使股骨头中心点与盆骨区域某点连线的最大及最小角度，以此确定泪点及髋臼最外缘位置。遍历盆骨区域得到的角度,如图25a、25b所示。经过以上步骤，确定髋臼最外缘和盆骨泪点的位置，得到两髋泪点与髋臼最外缘之间的连线，该连线与两边泪点连线之间所夹锐角即为待测的髋臼角AI,如图26a、26b为两种髋臼角的自动测量结果示意图。
在步骤S531-S534中，如图23a、23b、24a、24b所示，股骨颈前倾角FNA的测量是基于三维点云模型的，三维模型转化为三维点云后，首先对股骨头区域初始化。初始化后的股骨头区域坐标数据写入.txt格式的文件中。最小二乘算法拟合股骨头球面：误差方程V＝AX-L，根据最小二乘法的原理VTV＝min可以求得球面方程的最小二乘解X＝(ATA)-1ATL。
拟合球面后，确定股骨头中心点。与股骨颈中心点连接确定股骨颈轴线。股骨颈轴线与人体冠状面之间所夹锐角即为待测的股骨颈前倾角FNA。
本发明还提供一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行一种基于磁共振的髋关节图像处理方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行一种基于磁共振的髋关节图像处理方法。
本发明还提供一种基于磁共振的髋关节图像处理系统，如图27所示，包括获取模块、分割模块、重建模块、测定模块；其中，
所述获取模块用于获取髋关节处的磁共振图像数据；
所述分割模块用于对所述磁共振图像数据的目标区域进行分割，得到若干分割部位；
所述重建模块用于将所述若干分割部位进行重建，获得三维立体模型；
所述测定模块用于测定从所述三维立体模型中获取若干形态学参数，以判定所述形态学参数数值是否在设定阈值范围内。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (9)

1.一种基于磁共振的髋关节图像处理方法，其特征在于，包括如下步骤：
获取髋关节处的磁共振图像数据；
对所述磁共振图像数据的目标区域进行分割，得到若干分割部位；
将所述若干分割部位进行重建，获得三维立体模型；测定从所述三维立体模型中获取若干形态学参数，以判定所述形态学参数数值是否在设定阈值范围内；
测定所述形态学参数至少包括中心边缘角、髋臼角、股骨颈前倾角中的一个；
测定所述中心边缘角或髋臼角的方法中，包括如下步骤：
将所述三维立体模型进行分割并将分割结果的格式转化为图片格式；
对若干所述图片进行股骨厚度扫描，生成股骨区域厚度图；
通过所述股骨区域厚度图确定股骨头区域与股骨头中心点。
2.如权利要求1所述的一种基于磁共振的髋关节图像处理方法，其特征在于，在对所述磁共振图像数据的目标区域进行分割之前还包括对所述磁共振图像数据进行预处理，所述预处理包括噪声处理与线性插值处理，所述噪声处理用于平滑所述磁共振图像数据；所述线性插值处理用于调整所述磁共振图像数据的分辨率。
3.如权利要求1所述的一种基于磁共振的髋关节图像处理方法，其特征在于，所述中心边缘角的测定方法，还包括如下步骤：
获取两侧所述股骨头中心点连线的垂线；
获取两侧所述股骨头中心点分别与两侧髋臼最外缘点的连线；
测定所述垂线与连线的角度，即为所述中心边缘角。
4.如权利要求1所述的一种基于磁共振的髋关节图像处理方法，其特征在于，所述髋臼角的测定方法，还包括如下步骤：
通过所述股骨头区域与股骨头中心点的位置，以获取泪点与髋臼最外缘点，其中，所述泪点为髂骨的最低点；
测定两侧所述泪点的连线与所述髋臼最外缘点之间的夹角，即为所述髋臼角。
5.如权利要求3或4所述的一种基于磁共振的髋关节图像处理方法，其特征在于，获取所述两侧髋臼最外缘点的方法为：
通过获取所述股骨头中心点与盆骨连通域内的斜率最大正值与负值点，以确定所述两侧髋臼最外缘点。
6.如权利要求1所述的一种基于磁共振的髋关节图像处理方法，其特征在于，所述股骨颈前倾角的测定方法，包括如下步骤：
将所述三维立体模型进行分割并将分割的结果转化为三维点云模型；
利用霍夫变换将所述三维点云模型进行初始化，并迭代最小二乘算法获得股骨头球心坐标与股骨颈；
所述股骨颈切面的中心点与所述股骨头球心坐标之间的连线，记做股骨颈轴线；
从所述三维点云模型获取点云冠状面，测定所述股骨颈轴线与所述点云冠状面之间的夹角，即为所述股骨颈前倾角。
7.一种电子设备，其特征在于，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的方法。
9.一种基于磁共振的髋关节图像处理系统，其特征在于，包括获取模块、分割模块、重建模块、测定模块；其中，
所述获取模块用于获取髋关节处的磁共振图像数据；
所述分割模块用于对所述磁共振图像数据的目标区域进行分割，得到若干分割部位；
所述重建模块用于将所述若干分割部位进行重建，获得三维立体模型；
所述测定模块用于测定从所述三维立体模型中获取若干形态学参数，以判定所述形态学参数数值是否在设定阈值范围内；
测定所述形态学参数至少包括中心边缘角、髋臼角、股骨颈前倾角中的一个；
测定所述中心边缘角或髋臼角的方法中，包括如下步骤：
将所述三维立体模型进行分割并将分割结果的格式转化为图片格式；
对若干所述图片进行股骨厚度扫描，生成股骨区域厚度图；
通过所述股骨区域厚度图确定股骨头区域与股骨头中心点。
CN202010295562.9A 2020-04-15 2020-04-15 基于磁共振的髋关节图像处理方法及系统、存储介质、设备 Active CN111563901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010295562.9A CN111563901B (zh) 2020-04-15 2020-04-15 基于磁共振的髋关节图像处理方法及系统、存储介质、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010295562.9A CN111563901B (zh) 2020-04-15 2020-04-15 基于磁共振的髋关节图像处理方法及系统、存储介质、设备

Publications (2)

Publication Number Publication Date
CN111563901A CN111563901A (zh) 2020-08-21
CN111563901B true CN111563901B (zh) 2023-08-08

Family

ID=72071772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010295562.9A Active CN111563901B (zh) 2020-04-15 2020-04-15 基于磁共振的髋关节图像处理方法及系统、存储介质、设备

Country Status (1)

Country Link
CN (1) CN111563901B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298786B (zh) * 2021-05-26 2022-02-11 北京长木谷医疗科技有限公司 图像识别及模型训练的方法、真臼位置识别的方法及装置
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
CN114259330B (zh) * 2022-03-01 2022-06-14 北京壹点灵动科技有限公司 髋臼杯假体的角度的测量方法、装置和测量系统
CN115115694B (zh) * 2022-03-03 2023-06-13 中国人民解放军总医院第四医学中心 人体长骨中轴的建立方法、装置、设备及存储介质
CN115036005B (zh) * 2022-06-01 2024-10-01 西安电子科技大学 Ddh辅助诊断方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109310477A (zh) * 2016-06-16 2019-02-05 医疗技术股份有限公司 用于股骨髋臼撞击表面修复的自动化系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109310477A (zh) * 2016-06-16 2019-02-05 医疗技术股份有限公司 用于股骨髋臼撞击表面修复的自动化系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHEN Han-Yong 等.Application of Segmentation and Measurement in the Treatment of Developmental Dysplasia of the Hip.2007 1st Internatioanl Conference on Bioinformatics and Biomedical Engineering.2007,第1-3节. *

Also Published As

Publication number Publication date
CN111563901A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
CN111563901B (zh) 基于磁共振的髋关节图像处理方法及系统、存储介质、设备
US20180374585A1 (en) Methods and systems for producing an implant
Lamecker et al. Segmentation of the liver using a 3D statistical shape model
US10405834B2 (en) Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies
US20080021502A1 (en) Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes
Hareendranathan et al. Toward automatic diagnosis of hip dysplasia from 2D ultrasound
CN108618749B (zh) 基于便携式数字化眼底照相机的视网膜血管三维重建方法
JPH08131403A (ja) 医用画像処理装置
CN106997594B (zh) 一种眼部组织的定位方法及装置
CN106780491B (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
JP3234668U (ja) Ｘ線による脊柱側弯症の画像認識システム
WO2023198119A1 (en) System and method for determining acetabular morphology
CN116580068A (zh) 一种基于点云配准的多模态医学配准方法
Chen et al. Registration-based segmentation of three-dimensional ultrasound images for quantitative measurement of fetal craniofacial structure
CN111445575A (zh) 威利斯环的图像重建方法、装置、电子设备、存储介质
Paniagua et al. 3D of brain shape and volume after cranial vault remodeling surgery for craniosynostosis correction in infants
CN113515875A (zh) 基于多模态图像的骨生物力学建模方法、系统及装置
CN117078840A (zh) 基于ct图像的髋关节三维建模的自动定量计算方法
CN111275617B (zh) 一种abus乳腺超声全景图的自动拼接方法、系统和存储介质
CN115252233B (zh) 基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法
Pirentis et al. Automated ascending aorta delineation from ECG-gated computed tomography images
Sciolla et al. Segmentation of the lateral ventricles in 3D ultrasound images of the brain in neonates
Feng et al. Automatic fetal weight estimation using 3d ultrasonography
CN112842372A (zh) 一种基于影像扫描的股骨头病变体积的测量方法
Bandyopadhyay Pre-processing and segmentation of brain image for tumor detection

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