CN111862130B - 一种用于医学成像的体表轮廓估算方法 - Google Patents
一种用于医学成像的体表轮廓估算方法 Download PDFInfo
- Publication number
- CN111862130B CN111862130B CN202010704703.8A CN202010704703A CN111862130B CN 111862130 B CN111862130 B CN 111862130B CN 202010704703 A CN202010704703 A CN 202010704703A CN 111862130 B CN111862130 B CN 111862130B
- Authority
- CN
- China
- Prior art keywords
- body surface
- determining
- surface contour
- information
- dimensional
- 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 41
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 23
- 230000003287 optical effect Effects 0.000 claims abstract description 64
- 238000003384 imaging method Methods 0.000 claims abstract description 38
- 238000007689 inspection Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000000470 constituent Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 8
- 238000002603 single-photon emission computed tomography Methods 0.000 abstract description 6
- 238000012937 correction Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 3
- 229940121896 radiopharmaceutical Drugs 0.000 description 3
- 239000012217 radiopharmaceutical Substances 0.000 description 3
- 230000002799 radiopharmaceutical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于医学成像的体表轮廓估算方法。包括设置三维测距设备的坐标原点,确定光学坐标系;通过所述三维测距设备扫描人体,确定三维体表轮廓信息;将所述三维体表轮廓信息作为先验知识,并导入医学成像设备进行估算,得到三维体表轮廓图像。本发明的有益效果:本发明利用外置相机、摄像头、测距仪等,通过光学法获取物体(患者)外轮廓,将外轮廓信息反馈给成像设备,参与图像重建过程,解决当FOV外存在成像物体时,不仅会造成超出FOV物体成像不准确,同时造成FOV内侧成像质量下降的问题。对于PET、SPECT,准确估算患者轮廓,可有效提高图像重建算法中的散射校正精度,改善成像质量。
Description
技术领域
本发明涉及医学成像技术领域,特别涉及一种用于医学成像的体表轮廓估算方法。
背景技术
目前,在CT、PET、SPECT检查中,准确估算人体轮廓,对于准确成像至关重要,特别是肥胖患者或特殊检查体位患者。目前缺少可与成像设备较好耦合的测量方法,仍以基于粗图像重建+图像分割的盲估计为主。现有技术中CT、PET-CT,当FOV(表示视野)外存在成像物体时,例如:患者手臂抬起、与肩近似平行,肘部由托架支撑,超出检查设备扫描范围,CT图像中可见明显的FOV边界,不能进行识别,边界内外出现图像质量恶化问题。不仅会造成超出FOV物体成像不准确,同时造成FOV内侧成像质量下降,具体表现为噪声高、伪影严重、几何失真、灰度激烈变化。
发明内容
本发明提供一种用于医学成像的体表轮廓估算方法,用以解决成像物体超出FOV所造成的FOV内外两侧图像质量较差、不准确、噪声高、伪影严重、几何失真、灰度剧烈变化的情况。
一种用于医学成像的体表轮廓估算方法,其特征在于,包括:
设置三维测距设备的坐标原点,确定光学坐标系;
通过所述三维测距设备扫描人体,确定三维体表轮廓信息;
将所述三维体表轮廓信息作为先验知识,并导入医学成像设备进行估算,得到三维体表轮廓图像。
作为本发明的一种实施例,所述设置三维测距设备的坐标原点,确定光学坐标系,包括以下步骤:
步骤S1:将人体放置于检查装置上;
步骤S2:获取人体的长度信息和宽度信息;
步骤S3:根据所述长度信息构建第一特征圆,根据所述宽度信息构建第二特征圆;其中,
所述第二特征圆为两个,分别设置于人体两端;
步骤S4:确定两个第二特征圆的圆心对称分布且与所述第一特征圆的边相连的第一交点;
步骤S5:将所述第一交点通过点阵图处理,得到光学坐标原点;
步骤S6:基于所述光学坐标原点和检查装置的进出方向、左右方向和升降方向,构建三维的光学坐标系。
作为本发明的一种实施例,所述设置三维测距设备的坐标原点,确定光学坐标系,还包括:
确定所述检查装置高度,并以所述检查装置的上表面为高度面;
根据所述高度面,确定所述第一特征圆和第二特征圆在所述高度面上的曲线,并根据所述曲线确定点阵图;
根据所述点阵图,确定所述点阵图中各点距离所述第一交点的距离集;
将所述距离集从长到短进行排列,确定最长距离对应的所述所述距离集中到所述第一特征圆的圆心的点的最长距离为第二交点;
判断所述第一交点和第二交点是否重合,当所述第一交点和第二交点重合时,将所述第一交点作为光学坐标原点。
作为本发明的一种实施例,所述设置三维测距设备的坐标原点,确定光学坐标系,还包括以下步骤:
步骤S10:获取三维测距设备测距参数;其中,
所述测距参数包括:测距范围、扫描制式、信噪比、像素值和扫描灵敏度;
步骤S11:根据所述测距参数,在所述光学坐标系中确定成像特征坐标;
步骤S12:根据所述成像特征坐标,通过非迭代式的位姿计算方法,确定所述三维测距设备的位姿初始值;
步骤S13:基于几何误差的多解选择机制,确定所述位姿初始值中的位姿最优值;
步骤S14:根据所述位姿最优值,将所述三维测距设备在光学坐标系正投影到平行视图;
步骤S15:根据所述平行视图上的位姿最优值的位置,设置三维测距设备。
作为本发明的一种实施例,所根据所述光学坐标系,通过所述三维测距设备扫描人体,确定三维体表轮廓信息,包括:
根据所述光学坐标系,分别基于所述光学坐标系上的坐标点,构建半球式拍摄阵列;
基于所述半球式拍摄阵列,确定所述半球式拍摄阵列中的坐标点和人体的对应关系;
根据所述对应关系,确定人体上设置的扫描靶点;
获取扫描所述扫描靶点时得到的扫描帧图像,生成扫描帧图像集;
基于所述扫描帧图像集,确定三维体表轮廓信息。
作为本发明的一种实施例,所述根据所述光学坐标系,通过所述三维测距设备扫描人体,确定三维体表轮廓信息,还包括:
根据扫描帧图像,将所述扫描帧图像分别与上一节扫描帧图像,消除所述三维测距设备的抖动;
确定所述扫描帧图像的灰度值,确定背景灰度值和特征灰度值;
根据预设的灰度值分级方法,分别得到背景灰度值的扫描帧图像和特征灰度值的扫描帧图像,并删除背景灰度值的扫描帧图像,得到目标扫描帧图像;
将所述标扫描帧图像通过预设的约束阈值和扫描模型,确定扫描信息合集;
根据扫描信息集合,提取三维体表轮廓信息。
作为本发明的一种实施例,所述通过所述三维测距设备扫描人体,确定三维体表轮廓信息,还包括:
步骤S100:根据所述扫描帧图像,确定不同两点之间的转换关系模型H:
其中,所述Ai表示第i个坐标点;所述Bj表示第j个坐标点;所述I(xi,yi)平面比例坐标;
步骤S101:基于所述转换关系模型,确定两个坐标点之间的尺度距离D:
D=(Ai(xi,yi,gzi)-Ai(xi,yj,zj))I(xi,yi)—Bj(xj,yj,gzj);
步骤S102:基于所述转换关系模型,确定两个坐标点之间幅值模型;
步骤S103:基于所述转换关系模型,确定两个坐标点之间角度模型;
其中,所述β表示两个坐标点与原点之间的夹角;
步骤S104:基于扫描距离、尺度距离、幅值模型和角度模型,确定所述三维体表轮廓信息。
作为本发明的一种实施例,所述将所述三维体表轮廓信息作为先验知识,并导入医学成像设备进行估算,得到三维体表轮廓图像,包括:
基于所述三维体表轮廓信息,构建先验知识的知识库;
获取所述成像设备的规格参数,确定所述成像设备的估算方法;
基于所述光学坐标系上的坐标点,将人体轮廓信息和所述坐标点代入所述估算方法;
在估算结束后,得到所述三维体表轮廓图像。
作为本发明的一种实施例,所述方法还包括:
将所述三维体表轮廓信息进行信息分类,确定分类信息;
根据所述分类信息,确定每一类信息的组成元素;
根据所述组成元素,确定元素权重;
根据所述元素权重,利用递推原理确定每一类信息的权重的计算公式;
对所述计算公式进行重复迭代,确定每一类信息的优化权重;
根据所述优化权重,确定优化后的三维体表轮廓信息。
作为本发明的一种实施例,所述基于所述三维体表轮廓信息,构建先验知识的知识库包括:
根据所述先验知识,增强所述三维体表轮廓信息,并过滤所述三维体表轮廓信息中的无用信息,确定以矩阵形式表达的三维体表轮廓信息;
根据所述以矩阵形式表达的三维体表轮廓信息,确定三维体表轮廓信息的信息向量;
根据所述信息向量,确定所述三维体表轮廓信息的关联信息;
根据所述关联信息和信息向量,构建所述先验知识的知识库。
本发明的有益效果:本发明利用外置相机、摄像头、测距仪等,通过光学法获取物体(患者)外轮廓,将外轮廓信息反馈给成像设备,参与图像重建过程,解决当FOV外存在成像物体时,不仅会造成超出FOV物体成像不准确,同时造成FOV内侧成像质量下降的问题。
对于PET、SPECT,准确估算患者轮廓,可有效提高图像重建算法中的散射校正精度,改善成像质量。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明实施例中一种用于医学成像的体表轮廓估算方法的方法流程图;
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如附图1所示,一种用于医学成像的体表轮廓估算方法,包括:
步骤100:设置三维测距设备的坐标原点,确定光学坐标系;本发明的三维测距设备包括多种装置分布于不同的角度,三维测距设备包括飞行相机或摄像头等;光学坐标系为三维体表面经离散后的空间位置信息(x,y,z),坐标原点为计算后得到的空间中某固定点,如地面某点、天花板某点或治疗上某点,坐标轴方向可以是任意的。
步骤101:通过所述三维测距设备扫描人体,确定三维体表轮廓信息;用光学测距原理,由带有测距功能的相机、摄像头、测距仪等获取患者(物体)表面轮廓,将体表轮廓信息反馈给成像设备,并参与图像重建过程,提高成像质量。在一个实施例中,本发明还包括一种测距步骤:
第一步:相机校准,焦距、曝光参数等等,保证一定视场范围内物体清晰。
第二步:建立光学坐标系(三维坐标原点与坐标轴),借助一些工具,如棋盘格标定板(英文为:Chessboard)或者点阵标定板(英文Calibration Grid),在指定参考位置,如地面或某一高度面,通过变换角度、位置的方式,建立视场内的三维光学坐标系。
第三步:拍照(应用),获取物体三维表面位置信息。
步骤102:将所述三维体表轮廓信息作为先验知识,并导入医学成像设备进行估算,得到三维体表轮廓图像。
本发明的有益效果:本发明利用外置相机、摄像头、测距仪等,通过光学法获取物体(患者)外轮廓,将外轮廓信息反馈给成像设备,参与图像重建过程,解决当FOV外存在成像物体时,不仅会造成超出FOV物体成像不准确,同时造成FOV内侧成像质量下降。
对于PET、SPECT,准确估算患者轮廓,可有效提高图像重建算法中的散射校正精度,改善成像质量。
作为本发明的一种实施例,所述设置三维测距设备的坐标原点,确定光学坐标系,包括以下步骤:
步骤S1:将人体放置于检查装置上;检查装置为检测车具有进出、左右移动、升降等功能。
步骤S2:获取人体的长度信息和宽度信息;
步骤S3:根据所述长度信息构建第一特征圆,根据所述宽度信息构建第二特征圆;以人体为长度为直径,以人体宽度为直径;特征圆的目的是为了让坐标原点的位置进行测距扫描时能够覆盖整个人体表面。宽度信息也为人体正中间的宽度信息。
步骤S4:确定两个第二特征圆的圆心对称分布且与所述第一特征圆的边相连的第一交点;
第一交点为到第二特征圆的圆心的最长距离的点。第一特征圆和第二特征圆之间的圆心不重合,但是在一条直线上,第一特征圆和第二特征圆处于相互垂直状态。
步骤S5:将所述第一交点通过点阵图处理,得到光学坐标原点;
点阵图处理能够覆盖所有光学坐标系中的坐标点,实现对光学坐标系的全面分析,判断。
步骤S6:基于所述光学坐标原点和检查装置的进出方向、左右方向和升降方向,构建三维的光学坐标系。从三个方向构建三维光学坐标系,能够基于立体视觉对整个光学坐标系进行全面观察。
上述技术方案的有益效果在于:确定了检测装置的功能,坐标原点的位置进行测距扫描时能够覆盖整个人体表面,点阵图处理能够覆盖所有光学坐标系中的坐标点,实现对光学坐标系的全面分析,判断,也能够基于立体视觉对整个光学坐标系进行全面观察。
作为本发明的一种实施例,所述设置三维测距设备的坐标原点,确定光学坐标系,还包括:
确定所述检查装置的高度,并以所述检查装置的上表面为高度面;坐标原点设置在检查装置的上侧,因为坐标原点需要为人体轮廓所有点的参考基准,在上侧能以坐标原点计算出其它所有点的坐标。并且便于观察。
根据所述高度面,确定所述第一特征圆和第二特征圆在所述高度面上的曲线,并根据所述曲线确定点阵图;
两个曲线互相之间不接触。
根据所述点阵图,确定所述点阵图中各点距离所述第一交点的距离集;以第二特征圆的圆心为基准,第二特征圆的圆心也是人体两端最中心的部位。
将所述距离集从长到短进行排列,确定最长距离对应的所述所述距离集中到所述第一特征圆的圆心的点的最长距离为第二交点;因为是基于圆的距离测量,直径为最长的,曲线为最短的。
判断所述第一交点和第二交点是否重合,当所述第一交点和第二交点重合时,将所述第一交点作为光学坐标原点。
上述技术方案的有益效果在于:设定人体轮廓所有点的参考基准,在上侧能以坐标原点计算出其它所有点的坐标。并且便于观察。两个曲线互相之间不接触,可以得到最全面的点阵图。而判断所述第一交点和所述第二交点是否重合,可以加强所述光学坐标原点的准确性,使得摄像头在布设时可以更加全面的扫描人体所有的角落。
作为本发明的一种实施例,所述设置三维测距设备的坐标原点,确定光学坐标系,还包括以下步骤:
步骤S10:获取三维测距设备测距参数;其中,
所述测距参数包括:测距范围、扫描制式、信噪比、像素值和扫描灵敏度;
步骤S11:根据所述测距参数,在所述光学坐标系中确定成像特征坐标;测距参数是相机的测距参数,表示了相机测距范围大小,扫描制式表示了三维测距设备扫描人体的方法,信噪比表示了可能存在的干扰因素,像素值表示了清晰度,而扫描灵敏度表示扫描的灵活性。
步骤S12:根据所述成像特征坐标,通过非迭代式的位姿计算方法,确定所述三维测距设备的位姿初始值;位姿初始值,表示三维测距设备的初始状态。
步骤S13:基于几何误差的多解选择机制,确定所述位姿初始值中的位姿最优值;集合误差存在多个解,但是误差越低,位姿也越优。
步骤S14:根据所述位姿最优值,将所述三维测距设备在光学坐标系正投影到平行视图;平行视图能够一平行坐标系范围内的坐标点之间的位置关系,更适合投影。
步骤S15:根据所述平行视图上的位姿最优值的位置,设置三维测距设备。
上述技术的有益效果在于:表示了相机测距范围大小,便于享级设广度设置,扫描制式表示了三维测距设备扫描人体的方法,能偶更快,更迅速的进行扫描,信噪比表示了可能存在的干扰因素,去除了干扰因素,像素值表示了清晰度,跳了扫描后的帧图像的清晰度,而扫描灵敏度表示扫描的灵活性。最后通过平行视图能够更快的获取位置关系的解。
作为本发明的一种实施例,所述根据所述光学坐标系,通过所述三维测距设备扫描人体,确定三维体表轮廓信息,包括:
根据所述光学坐标系,分别基于所述光学坐标系上的坐标点,构建半球式拍摄阵列;因为测距测的是人体的上表面,因此半球式拍摄阵列包含点阵图中所有的点,使得第一特征圆和第二特征圆具象化。
基于所述半球式拍摄阵列,确定所述半球式拍摄阵列中的坐标点和人体的对应关系;
根据所述对应关系,确定人体上设置的扫描靶点和扫描距离;
扫描靶点是人体上的扫描点,扫描距离是相机扫描时候,距离扫描的距离的点。
根据所述扫描距离,获取扫描所述扫描靶点时得到的扫描帧图像,生成扫描帧图像集;扫描帧图像集便于处理,更能对人体轮廓信息进行精确的处理。基于所述扫描帧图像集,确定三维体表轮廓信息。
上述技术方案的有益效果在于:能够使得第一特征圆和第二特征圆具象化。能够对;扫描帧图像集便于处理,更能对人体轮廓信息进行精确的处理,更加精确的获得三维体表轮廓信息。
作为本发明的一种实施例,所述根据所述光学坐标系,通过所述三维测距设备扫描人体,确定三维体表轮廓信息,还包括:
根据扫描帧图像,将所述扫描帧图像分别与上一节扫描帧图像,消除所述三维测距设备的抖动;图像抖动的时候,连续的不同帧的图像必定不同,通过与上一节扫描的帧图像比对,找出区别,进而删除区别,从而防止图像抖动。
确定所述扫描帧图像的灰度值,确定背景灰度值和特征灰度值;背景灰度值是背景页面的灰度值,而特征灰度值是图像中人体轮廓特征的灰度值。
根据预设的灰度值分级方法,分别得到背景灰度值的扫描帧图像和特征灰度值的扫描帧图像,并删除背景灰度值的扫描帧图像,得到目标扫描帧图像;背景灰度值相对比本发明需要的人体轮廓图像并没有任何作用,因此删除背景灰度值图像。
将所述标扫描帧图像通过预设的约束阈值和扫描模型,确定扫描信息合集;
根据扫描信息集合,提取三维体表轮廓信息。
上述技术方案的有益效果在于:对扫描的帧图像的抖动进行了处理使得,得到的人体三维轮廓信息更加精确,基于灰度值删除了背景灰度值图像,进而防止了无关因素对本发明的干扰。
作为本发明的一种实施例,所述通过所述三维测距设备扫描人体,确定三维体表轮廓信息,还包括:
步骤S100:根据所述扫描帧图像,确定不同两点之间的转换关系模型H:
其中,所述Ai表示第i个坐标点;所述Bj表示第j个坐标点;所述I(xi,yi)平面比例坐标;
步骤S101:基于所述转换关系模型,确定两个坐标点之间的尺度距离D:
D=(Ai(xi,yi,gzi)-Ai(xi,yj,zj))I(xi,yi)—Bj(xj,yj,gzj);
步骤S102:基于所述转换关系模型,确定两个坐标点之间幅值模型;
步骤S103:基于所述转换关系模型,确定两个坐标点之间角度模型;
其中所述β表示两个坐标点与原点之间的夹角;
步骤S104:基于扫描距离、尺度距离、幅值模型和角度模型,确定所述三维体表轮廓信息。
上述技术方案的原理和有益效果在于:本发明在测距之后,原点距离各点的距离已经知道,然后通过计算任意两点的距离确定两个点之间的转换关系模型,并基于两个点之间的尺度距离,确定任意两点之间的距离,基于幅值模型确定任意两点之间的幅值状体,基于角度模型确定任意两点和原点之间的夹角,通过将体表所有的点代入尺度距离、幅值模型和角度模型三个模型进行计算,从而得到人体的体表轮廓信息,也可以确定人体体表任何部位的轮廓信息。
作为本发明的一种实施例,所述将所述三维体表轮廓信息作为先验知识,并导入医学成像设备进行估算,得到三维体表轮廓图像,包括:
基于所述三维体表轮廓信息,构建先验知识的知识库;
获取所述成像设备的规格参数,确定所述成像设备的估算方法;
基于所述光学坐标系上的坐标点,将人体轮廓信息和所述坐标点代入所述估算方法;
在估算结束后,得到所述三维体表轮廓图像。
上述技术方案的原理和有益效果在于:CT:将抓取的体表轮廓,作为先验知识,参与图像重建,此过程非常非常数学,简单来讲,通过体表轮廓可提前知道图像中物体位置和范围,在该物体范围之外的像素值设置为0,以此作为先验知识,参与图像重建过程。PET/SPECT:PET/SPECT成像,简单来讲,通过探测器测量体内放射性药物发出的射线,来反推出放射性药物在体内的富集位置与浓度。射线从放射性药物发出后,需穿行人体组织,最终被探测器接受,但人体组织会对射线产生衰减,造成成像模糊问题,做了修成该问题,可通过估算穿行组织厚度的方式做修正,而体表轮廓可作为穿行组织厚度的一种估计方式。
作为本发明的一种实施例,所述方法还包括:
将所述三维体表轮廓信息进行信息分类,确定分类信息;分类信息,根据具体实施条件确定。例如:分类为头部区域信息,肩部区域信息,手部区域信息;也可以按照扫描时的距离进行分类,此时,以身体凹陷部位的凹陷深度进行分类。
根据所述分类信息,确定每一类信息的组成元素;例如头部区域信息的组成元素头部各扫描点的扫描距离,进而可以延伸至其他分类部位。
根据所述组成元素,确定元素权重;即组成元素在人体或同一类信息中的重要程度。
根据所述元素权重,利用递推原理确定每一类信息的权重的计算公式;进而得每类信息的重要程度。
对所述计算公式进行重复迭代,确定每一类分类信息的优化权重;重复迭代的目的是消除误差信息,提高每一类分类信息的精度。
根据所述优化权重,确定优化后的三维体表轮廓信息,通过优化后的每一类分类信息组成三维体表轮廓信息。
作为本发明的一种实施例,所述基于所述三维体表轮廓信息,构建先验知识的知识库包括:
根据所述先验知识,增强所述三维体表轮廓信息,并过滤所述三维体表轮廓信息中的无用信息,确定以矩阵形式表达的三维体表轮廓信息;先验知识基于三维体表轮廓信息,但是具有扩展性,因此,可以根据其扩展后的知识,即,人体各部分比列问题和构成三维体表轮廓图像需求信息,进而对构成三维体表轮廓图像的三维体表轮廓信息进行判断,删除构成三维体表轮廓图像中不需要的无用信息。例如,在某一区域扫描时,扫描信息中平行部分的信息,在坐标系统中,只是纵坐标或者横坐标不同的部分。
根据所述以矩阵形式表达的三维体表轮廓信息,确定三维体表轮廓信息的信息向量;以矩阵形式表达的三维体表轮廓信息,对扫描中各点的坐标有明确的排列组合关系,而信息向量,即:三维体表轮廓信息的参数向量表现形式。
根据所述信息向量,确定所述三维体表轮廓信息的关联信息;即三维体表轮廓信息的可扩展信息,符合人体标准的规格性信息。
根据所述关联信息和信息向量,构建所述先验知识的知识库。
在一个实施例中:一位体积肥胖、佩戴有大尺寸固定护具的患者来做检查,身体一部分超出了CT设备的FOV,本发明的光学系统获取了较为准确的体表轮廓信息,根据人体设置光学坐标系和扫描设备,将超出部分也进行扫描,并将这部分轮廓信息传递给CT检查设备并参与图像重建,FOV及扩展FOV成像质量都得到了较大改善。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种用于医学成像的体表轮廓估算方法,其特征在于,包括:
设置三维测距设备的坐标原点,确定光学坐标系;
根据所述光学坐标系,通过所述三维测距设备扫描人体,确定三维体表轮廓信息;
将所述三维体表轮廓信息作为先验知识,并导入医学成像设备进行估算,得到三维体表轮廓图像;
其中,所述设置三维测距设备的坐标原点,确定光学坐标系,包括以下步骤:
步骤S1:将人体放置于检查装置上;
步骤S2:获取人体的长度信息和宽度信息;
步骤S3:根据所述长度信息构建第一特征圆,根据所述宽度信息构建第二特征圆;其中,
所述第二特征圆为两个,分别设置于人体两端;
步骤S4:确定两个第二特征圆的圆心对称分布且与所述第一特征圆的边相连的第一交点;
步骤S5:将所述第一交点通过点阵图处理,得到光学坐标原点;
步骤S6:基于所述光学坐标原点和检查装置的进出方向、左右方向和升降方向,构建三维的光学坐标系;
其中,所述设置三维测距设备的坐标原点,确定光学坐标系,还包括:
确定所述检查装置高度,并以所述检查装置的上表面为高度面;
根据所述高度面,确定所述第一特征圆和第二特征圆在所述高度面上的曲线,并根据所述曲线确定点阵图;
根据所述点阵图,确定所述点阵图中各点距离所述第一交点的距离集;
将所述距离集从长到短进行排列,确定最长距离对应的所述距离集中到所述第一特征圆的圆心的点的最长距离为第二交点;
判断所述第一交点和第二交点是否重合,当所述第一交点和第二交点重合时,将所述第一交点作为光学坐标原点。
2.根据权利要求1所述的一种用于医学成像的体表轮廓估算方法,其特征在于,所述设置三维测距设备的坐标原点,确定光学坐标系,还包括以下步骤:
步骤S10:获取三维测距设备测距参数;其中,
所述测距参数包括:测距范围、扫描制式、信噪比、像素值和扫描灵敏度;
步骤S11:根据所述测距参数,在所述光学坐标系中确定成像特征坐标;
步骤S12:根据所述成像特征坐标,通过非迭代式的位姿计算方法,确定所述三维测距设备的位姿初始值;
步骤S13:基于几何误差的多解选择机制,确定所述位姿初始值中的位姿最优值;
步骤S14:根据所述位姿最优值,将所述三维测距设备在光学坐标系正投影到平行视图;
步骤S15:根据所述平行视图上的位姿最优值的位置,设置三维测距设备。
3.根据权利要求1所述的一种用于医学成像的体表轮廓估算方法,其特征在于,所述根据所述光学坐标系,通过所述三维测距设备扫描人体,确定三维体表轮廓信息,包括:
根据所述光学坐标系,分别基于所述光学坐标系上的坐标点,构建半球式拍摄阵列;
基于所述半球式拍摄阵列,确定所述半球式拍摄阵列中的坐标点和人体的对应关系;
根据所述对应关系,确定人体上设置的扫描靶点和扫描距离;
根据所述扫描距离,获取扫描所述扫描靶点时得到的扫描帧图像,生成扫描帧图像集;
基于所述扫描帧图像集,确定三维体表轮廓信息。
4.根据权利要求1所述的一种用于医学成像的体表轮廓估算方法,其特征在于,所述根据所述光学坐标系,通过所述三维测距设备扫描人体,确定三维体表轮廓信息,还包括:
根据扫描帧图像,将所述扫描帧图像分别与上一节扫描帧图像,消除所述三维测距设备的抖动;
确定所述扫描帧图像的灰度值,确定背景灰度值和特征灰度值;
根据预设的灰度值分级方法,分别得到背景灰度值的扫描帧图像和特征灰度值的扫描帧图像,并删除背景灰度值的扫描帧图像,得到目标扫描帧图像;
将所述标扫描帧图像通过预设的约束阈值和扫描模型,确定扫描信息合集;
根据扫描信息集合,提取三维体表轮廓信息。
5.根据权利要求3或4任一项所述的一种用于医学成像的体表轮廓估算方法,其特征在于,所述通过所述三维测距设备扫描人体,确定三维体表轮廓信息,还包括:
步骤S100:根据所述扫描帧图像,确定不同两点之间的转换关系模型H:
其中,所述Ai表示第i个坐标点;所述Bj表示第j个坐标点;所述I(xi,yi)平面比例坐标;
步骤S101:基于所述转换关系模型,确定两个坐标点之间的尺度距离D:
D=(Ai(xi,yi,gzi)-Ai(xi,yj,zj))I(xi,yi)—Bj(xj,yj,gzj);
步骤S102:基于所述转换关系模型,确定两个坐标点之间幅值模型;
步骤S103:基于所述转换关系模型,确定两个坐标点之间角度模型;
其中,所述β表示两个坐标点与原点之间的夹角;
步骤S104:基于扫描距离、尺度距离、幅值模型和角度模型,确定所述三维体表轮廓信息。
6.根据权利要求1所述的一种用于医学成像的体表轮廓估算方法,其特征在于,所述将所述三维体表轮廓信息作为先验知识,并导入医学成像设备进行估算,得到三维体表轮廓图像,包括:
基于所述三维体表轮廓信息,构建先验知识的知识库;
根据所述知识库,获取所述成像设备的规格参数,确定所述成像设备的估算方法;
基于所述光学坐标系上的坐标点,将三维体表轮廓信息和所述坐标点代入所述估算方法;
在估算结束后,得到所述三维体表轮廓图像。
7.根据权利要求1所述的一种用于医学成像的体表轮廓估算方法,其特征在于,所述方法还包括:
将所述三维体表轮廓信息进行信息分类,确定分类信息;
根据所述分类信息,确定每一类信息的组成元素;
根据所述组成元素,确定元素权重;
根据所述元素权重,利用递推原理确定每一类信息的权重的计算公式;
对所述计算公式进行重复迭代,确定每一类信息的优化权重;
根据所述优化权重,确定优化后的三维体表轮廓信息。
8.根据权利要求6所述的一种用于医学成像的体表轮廓估算方法,其特征在于,所述基于所述三维体表轮廓信息,构建先验知识的知识库包括:
根据所述先验知识,增强所述三维体表轮廓信息,并过滤所述三维体表轮廓信息中的无用信息,确定以矩阵形式表达的三维体表轮廓信息;
根据所述以矩阵形式表达的三维体表轮廓信息,确定三维体表轮廓信息的信息向量;
根据所述信息向量,确定所述三维体表轮廓信息的关联信息;
根据所述关联信息和信息向量,构建所述先验知识的知识库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704703.8A CN111862130B (zh) | 2020-07-21 | 2020-07-21 | 一种用于医学成像的体表轮廓估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704703.8A CN111862130B (zh) | 2020-07-21 | 2020-07-21 | 一种用于医学成像的体表轮廓估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862130A CN111862130A (zh) | 2020-10-30 |
CN111862130B true CN111862130B (zh) | 2024-03-08 |
Family
ID=73001845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010704703.8A Active CN111862130B (zh) | 2020-07-21 | 2020-07-21 | 一种用于医学成像的体表轮廓估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862130B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538481B (zh) * | 2021-06-18 | 2023-06-23 | 深圳技术大学 | 肺轮廓特征点的确定方法及装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106959078A (zh) * | 2017-02-28 | 2017-07-18 | 苏州凡目视觉科技有限公司 | 一种用于三维轮廓测量的轮廓测量方法 |
CN107560550A (zh) * | 2017-09-08 | 2018-01-09 | 广东工业大学 | 一种物体表面参数的获取方法及系统 |
US10205929B1 (en) * | 2015-07-08 | 2019-02-12 | Vuu Technologies LLC | Methods and systems for creating real-time three-dimensional (3D) objects from two-dimensional (2D) images |
-
2020
- 2020-07-21 CN CN202010704703.8A patent/CN111862130B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10205929B1 (en) * | 2015-07-08 | 2019-02-12 | Vuu Technologies LLC | Methods and systems for creating real-time three-dimensional (3D) objects from two-dimensional (2D) images |
CN106959078A (zh) * | 2017-02-28 | 2017-07-18 | 苏州凡目视觉科技有限公司 | 一种用于三维轮廓测量的轮廓测量方法 |
CN107560550A (zh) * | 2017-09-08 | 2018-01-09 | 广东工业大学 | 一种物体表面参数的获取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111862130A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170219498A1 (en) | Optical geometry calibration devices, systems, and related methods for three dimensional x-ray imaging | |
CN104224212B (zh) | Ct系统、其扫描定位方法及校准方法 | |
CN102353684B (zh) | 基于双激光三角法的激光肉图像采集方法 | |
US9292925B2 (en) | Imaging system and control method thereof | |
EP2994776A2 (en) | Apparatus and method for the evaluation of gamma radiation events | |
JP2004340840A (ja) | 距離測定装置、距離測定方法、及び距離測定プログラム | |
CN108489423B (zh) | 一种产品表面水平倾斜角度的测量方法及系统 | |
CN109272555B (zh) | 一种rgb-d相机的外部参数获得及标定方法 | |
CN112258593A (zh) | 单目相机下ct或pet-ct智能定位扫描方法 | |
CN113884519B (zh) | 自导航x射线成像系统及成像方法 | |
EP2702450B1 (en) | System and method for correction of vignetting effect in multi-camera flat panel x-ray detectors | |
CN111105466A (zh) | 一种ct系统中相机的标定方法 | |
CN111862130B (zh) | 一种用于医学成像的体表轮廓估算方法 | |
CN112509060B (zh) | 基于图像深度学习的ct二次扫描定位方法、系统 | |
Raghunath et al. | Motion correction of pet brain images through deconvolution: Ii. practical implementation and algorithm optimization | |
JP5684670B2 (ja) | ガンマカメラシステム | |
Meißner et al. | Towards standardized evaluation of image quality for airborne camera systems | |
KR102313801B1 (ko) | 의료 영상 시스템의 자세 교정 가이드 장치 및 그 방법 | |
US11948290B2 (en) | Individual channel characterization of collimator | |
RU2692970C2 (ru) | Способ калибровки видеодатчиков многоспектральной системы технического зрения | |
Westfeld et al. | Photogrammetric calibration of range imaging sensors using intensity and range information simultaneously | |
US20230298231A1 (en) | Magnetic resonance hardware-contributed attenuation in positron emission tomography | |
Zhao et al. | A novel area measurement scheme based on a multi-resolution dynamic contour | |
US20220358709A1 (en) | Surface determination using three-dimensional voxel data | |
US6259097B1 (en) | Use of transmission pre-scan of an object to be imaged to determine duration of transmission scan |
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 |