CN111724389A - 髋关节ct图像分割方法、装置、存储介质和计算机设备 - Google Patents
髋关节ct图像分割方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111724389A CN111724389A CN202010361551.6A CN202010361551A CN111724389A CN 111724389 A CN111724389 A CN 111724389A CN 202010361551 A CN202010361551 A CN 202010361551A CN 111724389 A CN111724389 A CN 111724389A
- Authority
- CN
- China
- Prior art keywords
- image
- hip joint
- region
- hip
- segmentation
- 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
- 210000004394 hip joint Anatomy 0.000 title claims abstract description 128
- 238000003709 image segmentation Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 210000004197 pelvis Anatomy 0.000 claims abstract description 68
- 230000011218 segmentation Effects 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000001054 cortical effect Effects 0.000 claims abstract description 25
- 210000001624 hip Anatomy 0.000 claims description 28
- 210000000988 bone and bone Anatomy 0.000 claims description 24
- 239000002184 metal Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 210000003710 cerebral cortex Anatomy 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000000689 upper leg Anatomy 0.000 abstract description 10
- 238000005520 cutting process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 101
- 238000013459 approach Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011540 hip replacement Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种髋关节CT图像分割方法、装置、存储介质和计算机设备。本发明实施例提供的技术方案中，通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域、右侧骨盆区域、左股骨区域和右股骨区域；将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。本发明实施例在髋关节CT图像分割过程中对图割算法进行了改进，能够提高髋关节CT图像的分割速度和分割准确率。
Description
【技术领域】
本发明涉及计算机领域，尤其涉及一种髋关节CT图像分割方法、装置、存储介质和计算机设备。
【背景技术】
图像分割是医学图像处理的重要环节。医学上，图像分割是对正常组织或病变组织进行特征提取、定量分析和三维重建等后续操作必不可少的步骤。另外，许多图像引导手术也需要以图像分割作为前提。在髋关节置换手术中，利用图像准确分割出骨盆区域、左股骨区域和右股骨区域，对髋关节置换手术中配准以及手术规划起着至关重要的作用。
计算机断层摄影(computed tomography，CT)成像技术的结果是以序列形式存在的。因此髋关节CT图像通常包含上百张医学图像，数据量大。如果使用手动图像分割需要在多张髋关节CT图像中进行勾画，工作量大且效率低。因此快速的自动或者半自动分割髋关节CT图像能有效提高髋关节置换手术的效率。
目前对于髋关节CT图像采用的图像分割方法包括传统分割方法和机器学习方法。其中，传统分割方法主要是提供待分割目标的前景，利用最优化的方法分割出目标，是目前常用的是图像分割；机器学习方法需要大量数据以及医生的手动分割结果作为测试数据。总之，上述方法需要人工标记和大量的数据进行训练，因此相关技术中髋关节CT图像分割的速度较慢且分割准确率较低。
【发明内容】
有鉴于此，本发明实施例提供了一种髋关节CT图像分割方法、装置、存储介质和计算机设备，能够解决相关技术中髋关节CT图像分割的速度较慢且分割准确率较低的问题。
第一方面，本发明实施例提供了一种髋关节CT图像分割方法，所述方法包括：
通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域；
将所述左侧骨盆区域和所述右侧骨盆区域相加得到骨盆区域。
可选地，所述通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域，具体包括：
计算所述第三髋关节CT图像中体素点的hessian矩阵；
计算所述hessian矩阵的特征值，根据所述特征值设置所述体素点的权重值；
通过图割算法对设置所述权重值后的第三髋关节CT图像进行分割，分割出所述左侧骨盆区域和所述右侧骨盆区域。
可选地，所述通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域，还包括：
通过所述图割算法对所述第三髋关节CT图像进行分割，分割出左股骨区域和右股骨区域。
可选地，所述通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域之前，包括：
将第一髋关节CT图像中的金属点去除以生成第二髋关节CT图像；
将所述第二髋关节CT图像中CT值大于或者等于预设阈值的区域作为骨皮质；
将所述骨皮质作为种子点，对所述第二髋关节CT图像中的所述种子点进行区域生长生成所述髋关节骨皮质区域以生成所述第三髋关节CT图像。
可选地，所述预设阈值包括200Hu。
可选地，所述将第一髋关节CT图像中的金属点去除以生成第二髋关节CT图像，包括：
将所述第一髋关节CT图像中的所述金属点的灰度值降低至目标灰度值以生成所述第二髋关节CT图像。
可选地，所述目标灰度值包括所述第一髋关节CT图像的最小灰度值。
另一方面，本发明实施例提供了一种髋关节CT图像分割装置，所述装置包括：
分割模块，用于通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域；
计算模块，用于将所述左侧骨盆区域和所述右侧骨盆区域相加得到骨盆区域。
另一方面，本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述髋关节CT图像分割方法。
另一方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现上述髋关节CT图像分割方法的步骤。
本发明实施例提供的髋关节CT图像分割方法、装置、存储介质和计算机设备的技术方案中，通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域；将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。本发明实施例能够提高髋关节CT图像的分割速度和分割准确率。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一实施例提供的一种髋关节CT图像分割方法的流程图；
图2为本发明又一实施例提供的一种髋关节CT图像分割方法的流程图；
图3为图2中通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域的具体流程图；
图4为本发明一实施例提供的一种髋关节CT图像分割装置的结构示意图；
图5为本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本发明一实施例提供的一种髋关节CT图像分割方法的流程图，如图1所示，该方法包括：
步骤102、通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域。
步骤104、将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。
本发明实施例提供的一种髋关节CT图像分割方法的技术方案中，通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域；将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。本发明实施例能够提高髋关节CT图像的分割速度和分割准确率。
图2为本发明又一实施例提供的一种髋关节CT图像分割方法的流程图，如图2所示，该方法包括：
步骤202、将第一髋关节CT图像中的金属点去除以生成第二髋关节CT图像。
本发明实施例中，第一髋关节CT图像包括最原始的髋关节CT图像。
本发明实施例中，步骤202具体包括：将第一髋关节CT图像中的金属点的灰度值降低至目标灰度值以生成第二髋关节CT图像。
本发明实施例中，目标灰度值包括第一髋关节CT图像的最小灰度值。
本发明实施例中，由于病人体内存在钢钉或者假体，钢钉和假体的材质均为金属，第一髋关节CT图像中往往存在金属点，金属点的CT值很大会影响分割，例如，金属的CT值大于2000亨氏单位(Hounsfield unit，Hu)。因此，通过将金属点的灰度值降低至第一髋关节CT图像的最小灰度值来去除第一髋关节CT图像中的金属点。
步骤204、将第二髋关节CT图像中CT值大于或者等于预设阈值的区域作为骨皮质。
本发明实施例中，预设阈值包括200Hu。
步骤206、将骨皮质作为种子点，对第二髋关节CT图像中种子点进行区域生长生成髋关节骨皮质区域以生成第三髋关节CT图像。
本发明实施例中，第二髋关节CT图像是去除金属点后的髋关节CT图像，由于第二髋关节CT图像中往往存在一些骨质不完整的区域，因此骨皮质也可能会存在骨质不完整的区域，为了保证骨质的完整方便后续对髋关节骨皮质区域的分割，本发明实施例将骨皮质作为种子点，对种子点进行区域生长生成髋关节骨皮质区域。
本发明实施例中，区域生长的原理是依据种子点的灰度特性，寻找种子点附近与其灰度特性相似的体素点来补充骨质不完整的区域。
步骤208、通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域。
本发明实施例中，如图3所示，步骤208具体包括：
步骤2082、计算第三髋关节CT图像中体素点的hessian矩阵。
本发明实施例中，hessian矩阵表示一个体素点在各个方向的曲率。三维图像中每个体素的hessian矩阵包括：
其中，x包括体素点，f包括关于体素点x的灰度值函数，n包括体素点x的数量。
当多维图像的纬度大于三维事，hessian矩阵包括：
步骤2084、计算hessian矩阵的特征值，根据特征值设置体素点的权重值。
本发明实施例中，计算hessian矩阵的特征值具体包括：计算hessian矩阵的前三个特征值λ1、λ2和λ3。
具体地，根据特征值设置体素点的权重值，包括：根据特征值λ1、λ2和λ3判断该体素点的空间结构，根据体素点的空间结构设置体素点的权重值。
其中，根据特征值λ1、λ2和λ3判断该体素点的空间结构，包括：当
即λ1和λ2趋近于0，λ3远小于λ1和λ2时，体素点的空间结构为薄面体结构；当
即λ1和λ2渐渐减小趋近于λ3，且λ1、λ2和λ3都远小于0时，体素点的空间结构为薄面体且薄面体趋近于为节点结构；当
即λ1趋近于0保持不变，λ2渐渐减小趋近于λ3时，体素点的空间结构为薄面体且薄面体趋近于为管状结构。
其中，根据体素点的空间结构设置体素点的权重值，包括：当体素点的空间结构为薄面体且薄面体趋近于为节点结构时，体素点的权重值较高；否则，体素点的权重值较小。本发明实施例由于为不同体素点设置了不同的权重值，能够提高后续图像分割的分割速度。
步骤2086、通过图割算法对设置权重值后的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域。
本发明实施例中，图割算法是一种能量优化算法，将图像分割问题转化为有向图的最小割问题。有向图为顶点和边组成，最小割就是寻找代价最小的割将顶点分为源点和汇点两个不相交的子集，代价就是边的权重和。这两个子集就对应于图像的目标和背景，相当于完成了图像的分割。
假设髋关节骨皮质区域对应的图像为L，图像L的标签为L＝{l1,l2,,,lp}，P＝{1,2,,,p}。其中，lp包括图像L中第p个体素点对应的灰度值，P包括图像L中所有体素点的集合。当lp包括0，表示体素点为背景；lp包括1，表示体素点为目标。对图像L分割时，图像L的能量函数为：
E(L)＝a*R(L)+B(L)
其中R(L)为区域项，B(L)为边界项，a为区域项和边界项的重要因子，a决定区域项和边界项对能量的影响大小。图割算法的目的就是优化能量函数E(L)使其达到最小。其中，a一般与要分割的目标在图像L中所占面积有关。
区域项R(L)＝∑P∈NRp(lp)，Rp(lp)表示为体素点p分配标签lp的惩罚。体素点的属性如果与设置的目标的属性越接近，则体素点属于目标的可能性越大，将该体素点归为目标就会使能量函数E(L)小。
边界项
其中，p和q互为邻域体素点，B＜p,q＞表示体素点p和体素点q之间不连续的惩罚，一般来说如果体素点p和体素点q越相似，例如：体素点p和体素点q的灰度值越相似，那么B＜p,q>越大，如果体素点p和体素点q非常不同，那么B<p,q＞就接近于0。换句话说，如果两个邻域像素差别很小，那么两个邻域像素属于同一个目标或者同一背景的可能性就很大，如果两个邻域像素的差别很大，那说明这两个邻域像素很有可能处于目标和背景的边缘部分，则被分割开的可能性比较大，所以当两个邻域像素差别越大，B<p,q>越小，即能量函数E(L)越小。
本发明实施例中，步骤208还包括：通过图割算法对第三髋关节CT图像进行分割，分割出左股骨区域和右股骨区域。
步骤210、将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。
需要说明的是，相关技术中的髋关节CT图像分割方法通常是直接采用图割算法对第三髋关节CT图像进行图像分割，分割速度较慢。本发明实施例提供的髋关节CT图像分割方法对图割算法进行了改进，先设置第三髋关节CT图像中每个体素点的权重值，再采用图割算法对设置权重值后的第三髋关节骨皮质区域进行图像分割，因此能够有效提高分割速度和分割准确率。
本发明实施例提供的一种髋关节CT图像分割方法的技术方案中，通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域、右侧骨盆区域、左股骨区域和右股骨区域；将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。本发明实施例能够提高髋关节CT图像的分割速度和分割准确率。
图4为本发明一实施例提供的一种髋关节CT图像分割装置的结构示意图，如图4所示，所述装置包括：去除模块31、处理模块32、生成模块33、分割模块34和计算模块35。
去除模块31，用于将第一髋关节CT图像中的金属点去除以生成第二髋关节CT图像。
本发明实施例中，去除模块31具体用于将第一髋关节CT图像中的金属点的灰度值降低至目标灰度值以生成第二髋关节CT图像。
本发明实施例中，目标灰度值包括髋关节CT图像的最小灰度值。
处理模块32，用于将第二髋关节CT图像中CT值大于或者等于预设阈值的区域作为骨皮质。
本发明实施例中，预设阈值包括200Hu。
生成模块33，用于将骨皮质作为种子点，对第二髋关节CT图像中种子点进行区域生长生成髋关节骨皮质区域以生成第三髋关节CT图像。
分割模块34，用于通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域。
本发明实施例中，分割模块34具体包括：。
计算子模块341，用于计算第三髋关节CT图像中体素点的hessian矩阵。
设置子模块342，用于计算hessian矩阵的特征值，根据特征值设置体素点的权重值。
分割子模块343，用于通过图割算法对设置权重值后的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域。
本发明实施例中，分割模块34还用于通过图割算法对第三髋关节CT图像进行分割，分割出左股骨区域和右股骨区域。
计算模块35，用于将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。
本发明实施例提供的髋关节CT图像分割装置可用于实现上述图1至图2中的髋关节CT图像分割方法，具体描述可参见上述髋关节CT图像分割方法的实施例，此处不再重复描述。
本发明实施例提供的一种髋关节CT图像分割装置的技术方案中，通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域、右侧骨盆区域、左股骨区域和右股骨区域；将左侧骨盆区域和右侧骨盆区域相加得到骨盆区域。本发明实施例能够提高髋关节CT图像的分割速度和分割准确率。
图5为本发明实施例提供的一种计算机设备的示意图。如图5所示，该实施例的计算机设备20包括：处理器21、存储器22以及存储在存储22中并可在处理器21上运行的计算机程序23，该计算机程序23被处理器21执行时实现实施例中的应用于髋关节CT图像分割方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器21执行时实现实施例中应用于髋关节CT图像分割装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备20包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，图5仅仅是计算机设备20的示例，并不构成对计算机设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器22可以是计算机设备20的内部存储单元，例如计算机设备20的硬盘或内存。存储器22也可以是计算机设备20的外部存储设备，例如计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card,简称SMC)，安全数字(Secure Digital,简称SD)卡，闪存卡(Flash Card)等。进一步地，存储器22还可以既包括计算机设备20的内部存储单元也包括外部存储设备。存储器22用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器22还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种髋关节CT图像分割方法，其特征在于，所述方法包括：
通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域；
将所述左侧骨盆区域和所述右侧骨盆区域相加得到骨盆区域。
2.根据权利要求1所述的髋关节CT图像分割方法，其特征在于，所述通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域，具体包括：
计算所述第三髋关节CT图像中体素点的hessian矩阵；
计算所述hessian矩阵的特征值，根据所述特征值设置所述体素点的权重值；
通过图割算法对设置所述权重值后的第三髋关节CT图像进行分割，分割出所述左侧骨盆区域和所述右侧骨盆区域。
3.根据权利要求1所述的髋关节CT图像分割方法，其特征在于，所述通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域，还包括：
通过所述图割算法对所述第三髋关节CT图像进行分割，分割出左股骨区域和右股骨区域。
4.根据权利要求1所述的髋关节CT图像分割方法，其特征在于，所述通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域之前，包括：
将第一髋关节CT图像中的金属点去除以生成第二髋关节CT图像；
将所述第二髋关节CT图像中CT值大于或者等于预设阈值的区域作为骨皮质；
将所述骨皮质作为种子点，对所述第二髋关节CT图像中的所述种子点进行区域生长生成所述髋关节骨皮质区域以生成所述第三髋关节CT图像。
5.根据权利要求4所述的髋关节CT图像分割方法，其特征在于，所述预设阈值包括200Hu。
6.根据权利要求4所述的髋关节CT图像分割方法，其特征在于，所述将第一髋关节CT图像中的金属点去除以生成第二髋关节CT图像，包括：
将所述第一髋关节CT图像中的所述金属点的灰度值降低至目标灰度值以生成所述第二髋关节CT图像。
7.根据权利要求6所述的髋关节CT图像分割方法，其特征在于，所述目标灰度值包括所述第一髋关节CT图像的最小灰度值。
8.一种髋关节CT图像分割装置，其特征在于，所述装置包括：
分割模块，用于通过图割算法对预先生成髋关节骨皮质区域的第三髋关节CT图像进行分割，分割出左侧骨盆区域和右侧骨盆区域；
计算模块，用于将所述左侧骨盆区域和所述右侧骨盆区域相加得到骨盆区域。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1-7任意一项所述的髋关节CT图像分割方法。
10.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1-7任意一项所述的髋关节CT图像分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010361551.6A CN111724389B (zh) | 2020-04-30 | 2020-04-30 | 髋关节ct图像分割方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010361551.6A CN111724389B (zh) | 2020-04-30 | 2020-04-30 | 髋关节ct图像分割方法、装置、存储介质和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111724389A true CN111724389A (zh) | 2020-09-29 |
| CN111724389B CN111724389B (zh) | 2023-12-12 |
Family
ID=72563726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010361551.6A Active CN111724389B (zh) | 2020-04-30 | 2020-04-30 | 髋关节ct图像分割方法、装置、存储介质和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724389B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037719A (zh) * | 2022-01-11 | 2022-02-11 | 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 |
| CN114170114A (zh) * | 2021-12-14 | 2022-03-11 | 北京柏惠维康科技有限公司 | 脊柱ct图像的增强方法及装置、脊柱手术机器人 |
| CN114187320A (zh) * | 2021-12-14 | 2022-03-15 | 北京柏惠维康科技有限公司 | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100316271A1 (en) * | 2009-06-10 | 2010-12-16 | The Trustees Of The University Of Pennsylvania | System and Method for Diagnosing Onset of Osteoarthritis |
| 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 |
| CN104809740A (zh) * | 2015-05-26 | 2015-07-29 | 重庆大学 | 基于svm与弹性区域生长的膝软骨图像自动分割方法 |
| CN105005988A (zh) * | 2015-06-30 | 2015-10-28 | 陕西师范大学 | 一种基于交互式图像分割的立体匹配方法 |
| US20170032518A1 (en) * | 2015-07-29 | 2017-02-02 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
| CN107146214A (zh) * | 2016-03-01 | 2017-09-08 | 厦门大学 | 儿童髋关节发育状况计算机自动诊断的方法 |
| CN107545578A (zh) * | 2017-08-25 | 2018-01-05 | 沈阳东软医疗系统有限公司 | Ct图像中股骨头区域分割方法、装置及设备 |
| WO2018086433A1 (zh) * | 2016-11-08 | 2018-05-17 | 江苏大学 | 一种医学图像分割方法 |
| 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 |
| CN110648337A (zh) * | 2019-09-23 | 2020-01-03 | 武汉联影医疗科技有限公司 | 髋关节分割方法、装置、电子设备和存储介质 |
| CN110895809A (zh) * | 2019-10-18 | 2020-03-20 | 中国科学技术大学 | 准确提取髋关节影像中关键点的方法 |
-
2020
- 2020-04-30 CN CN202010361551.6A patent/CN111724389B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100316271A1 (en) * | 2009-06-10 | 2010-12-16 | The Trustees Of The University Of Pennsylvania | System and Method for Diagnosing Onset of Osteoarthritis |
| 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 |
| CN104809740A (zh) * | 2015-05-26 | 2015-07-29 | 重庆大学 | 基于svm与弹性区域生长的膝软骨图像自动分割方法 |
| CN105005988A (zh) * | 2015-06-30 | 2015-10-28 | 陕西师范大学 | 一种基于交互式图像分割的立体匹配方法 |
| US20170032518A1 (en) * | 2015-07-29 | 2017-02-02 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
| CN107146214A (zh) * | 2016-03-01 | 2017-09-08 | 厦门大学 | 儿童髋关节发育状况计算机自动诊断的方法 |
| WO2018086433A1 (zh) * | 2016-11-08 | 2018-05-17 | 江苏大学 | 一种医学图像分割方法 |
| CN107545578A (zh) * | 2017-08-25 | 2018-01-05 | 沈阳东软医疗系统有限公司 | Ct图像中股骨头区域分割方法、装置及设备 |
| 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 |
| CN110648337A (zh) * | 2019-09-23 | 2020-01-03 | 武汉联影医疗科技有限公司 | 髋关节分割方法、装置、电子设备和存储介质 |
| CN110895809A (zh) * | 2019-10-18 | 2020-03-20 | 中国科学技术大学 | 准确提取髋关节影像中关键点的方法 |
Non-Patent Citations (6)
| Title |
|---|
| JIEHUI ZHANG ET AL.: ""Segmentation of Pulmonary Artery Based on CT Angiography Image"", 《 2010 CHINESE CONFERENCE ON PATTERN RECOGNITION (CCPR)》 * |
| 刘晏丽等: ""基于Hessian矩阵和区...长的肝血管树的分割算法研究"", 《计算机与现代化》, no. 1, pages 1 - 2 * |
| 姜伟等: "结合区域生长与图割算法的冠状动脉CT血管造影图像三维分割", 《计算机应用》, no. 05 * |
| 江健峰等: "半骨盆重建的生物力学研究", 《计量与测试技术》, vol. 44, no. 03, pages 5 - 7 * |
| 罗三定等: ""髋关节序列CT图像中股骨近端分割方法研究_罗三定"", 《计算机工程与应用》, vol. 47, no. 20 * |
| 马安邦等: "基于贝叶斯决策的髋关节自动分割方法", 《中国组织工程研究》, no. 39 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170114A (zh) * | 2021-12-14 | 2022-03-11 | 北京柏惠维康科技有限公司 | 脊柱ct图像的增强方法及装置、脊柱手术机器人 |
| CN114187320A (zh) * | 2021-12-14 | 2022-03-15 | 北京柏惠维康科技有限公司 | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 |
| CN114170114B (zh) * | 2021-12-14 | 2022-11-15 | 北京柏惠维康科技股份有限公司 | 脊柱ct图像的增强方法及装置、脊柱手术机器人 |
| CN114037719A (zh) * | 2022-01-11 | 2022-02-11 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111724389B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task FCN | |
| Minnema et al. | CT image segmentation of bone for medical additive manufacturing using a convolutional neural network | |
| Gu et al. | Automated delineation of lung tumors from CT images using a single click ensemble segmentation approach | |
| US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| Erdt et al. | Regmentation: A new view of image segmentation and registration | |
| CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
| Selver et al. | Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation | |
| Cuadros Linares et al. | Mandible and skull segmentation in cone beam computed tomography using super-voxels and graph clustering | |
| CN107545579B (zh) | 一种心脏分割方法、设备和存储介质 | |
| US20040101184A1 (en) | Automatic contouring of tissues in CT images | |
| 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 | |
| Zachow et al. | 3D reconstruction of individual anatomy from medical image data: Segmentation and geometry processing | |
| Paulano-Godino et al. | Identification of fracture zones and its application in automatic bone fracture reduction | |
| Jacinto et al. | Multi-atlas automatic positioning of anatomical landmarks | |
| Banerjee et al. | A semi-automated approach to improve the efficiency of medical imaging segmentation for haptic rendering | |
| Umadevi et al. | Enhanced Segmentation Method for bone structure and diaphysis extraction from x-ray images | |
| CN110378910B (zh) | 基于图谱融合的腹腔多器官分割方法及装置 | |
| CN117237322A (zh) | 一种基于医学图像的器官分割建模方法及终端 | |
| Nysjö et al. | BoneSplit-a 3D texture painting tool for interactive bone separation in CT images | |
| Chen et al. | A modified graph cuts image segmentation algorithm with adaptive shape constraints and its application to computed tomography images | |
| Zhao et al. | A frame of 3D printing data generation method extracted from CT data | |
| Cerveri et al. | Mean-shifted surface curvature algorithm for automatic bone shape segmentation in orthopedic surgery planning: a sensitivity analysis | |
| 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 | |
| CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 |
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 |