CN111986138A - 一种获取肋骨定位的方法和装置 - Google Patents
一种获取肋骨定位的方法和装置 Download PDFInfo
- Publication number
- CN111986138A CN111986138A CN201910429894.9A CN201910429894A CN111986138A CN 111986138 A CN111986138 A CN 111986138A CN 201910429894 A CN201910429894 A CN 201910429894A CN 111986138 A CN111986138 A CN 111986138A
- Authority
- CN
- China
- Prior art keywords
- rib
- slice
- image
- ribs
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种获取肋骨定位的方法和装置。在现实应用中,可以通过切片图像获取三维人体肋骨图像,但是由于数据量过于庞大,导致计算速度缓慢,用户体验不佳,尤其是昂贵的计算设备,导致用户难以接受。本申请通过三维肋骨点状图获取肋骨定位,大大简化了数据计算量,可以快速标记切片图像的肋骨。降低了使用成本,提高了用户体验。
Description
技术领域
本申请涉及计算机辅助诊断领域,具体涉及获取肋骨定位的方法,以及获取肋骨定位的装置。
背景技术
尽管人种存在不同,但是,人体的大体解剖相同,胸部肋骨一共12对。偶有先天变异,存在13对肋骨,或者仅有11对肋骨。
在常规CT扫描技术里,每一个断层轴位仅显示肋骨的一个截面积,缺少切片图像的定位信息,医生只能根据经验通过上下翻页,以及寻找体表标志来进行肋骨的定位。
目前暂无相关肋骨骨折分型以及定位分区的同类产品。现有的技术主要靠医生通过上下翻页来确定骨折部位。
发明内容
本申请提供一种获取肋骨定位的方法,一种获取肋骨定位的装置;以解决切片图像中肋骨无法定位的问题。
为了解决上述技术问题,本申请实施例提供了如下的技术方案:
本申请提供了一种获取肋骨定位的方法,包括:
获取一副肋骨的多张第一切片图像,并以标记点标记所述第一切片图像中肋骨区域;
拟合所述标记点,获取三维肋骨点状图中的与肋骨相关联的虚拟肋骨,以及每根虚拟肋骨与所述第一切片图像中肋骨区域之间的第一映射关系信息;
将所述三维肋骨点状图输入优化参数的第一网络模型获取每根虚拟肋骨的肋骨类型;所述肋骨类型根据每根肋骨的位置分类;
根据每根虚拟肋骨和第一映射关系信息,对所述第一切片图像中肋骨区域做与肋骨类型相关联的信息的标记。
可选的,在所述获取一副肋骨的多张第一切片图像前,还包括:
根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像;
根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像;
如果所述第一切片图像不满足预设拟合条件,则重复获取多张第二切片图像的操作。
可选的,所述预设预处理参数,包括:预设肺部影像完整性参数和/或预设肋骨完整性参数;所述预处理,包括图像筛选处理;
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括:
根据预设数字肺部影像完整性参数和/或所述预设数字肋骨完整性参数对所述第二切片图像进行图像筛选处理,获取所述第一切片图像。
可选的,所述预设预处理参数,包括预设图像骨骼灰度参数;所述预处理包括分割图像骨骼处理;
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括:
根据预设图像骨骼灰度参数对所述第二切片图像进行分割图像骨骼处理,获取所述第一切片图像。
可选的,所述预设预处理参数,包括预设肋骨图像参数;所述预处理包括清洗肋骨图像处理;
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括:
根据预设肋骨图像参数对所述第二切片图像进行清洗肋骨图像处理,获取所述第一切片图像。
可选的,预设切片参数,包括:左肺三维坐标、右肺三维坐标和预设切片位置;
所述根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像,包括:
以一副肋骨的所述左肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K种肋骨切片类型的第二切片图像;
以一副肋骨的所述左肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L种肋骨切片类型的第二切片图像;
以一副肋骨的所述左肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M种肋骨切片类型的第二切片图像;
以一副肋骨的所述右肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K'种肋骨切片类型的第二切片图像;
以一副肋骨的所述右肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L'种肋骨切片类型的第二切片图像;
以一副肋骨的所述右肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M'种肋骨切片类型的第二切片图像;
其中,所述左肺三维坐标,是在左侧肋骨中左肺的预设左原点建立的三维坐标,所述左肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;所述右肺三维坐标,是在右侧肋骨中右肺的预设右原点建立的三维坐标,所述右肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;N表示获取第二切片图像的总数量;N,K,K',L,L',M和M'分别是大于1的整数,且K,K',L,L',M及M'的和等于N。
可选的,所述预设切片位置,包括:切片总旋转角度和切片间夹角;所述切片总旋转角度为180度,所述切片间夹角小于等于6度。
可选的,在所述获取一副肋骨的多张第一切片图像前,还包括:
获取训练图像,其中,所述训练图像,包括预设样本数量的三维肋骨点状图;所述三维肋骨点状图中每根虚拟肋骨标记了肋骨类型;
利用所述训练图像训练第一网络模型,使所述第一网络模型输出每根虚拟肋骨的肋骨类型达到预设分类精度,从而获得优化参数的第一网络模型。
本申请提供了一种获取肋骨定位的装置,包括:
标记区域单元,用于获取一副肋骨的多张第一切片图像,并以标记点标记所述第一切片图像中肋骨区域;
拟合单元,用于拟合所述标记点,获取三维肋骨点状图中的与肋骨相关联的虚拟肋骨,以及每根虚拟肋骨与所述第一切片图像中肋骨区域之间的第一映射关系信息;
分类单元,用于将所述三维肋骨点状图输入优化参数的第一网络模型获取每根虚拟肋骨的肋骨类型;所述肋骨类型是根据每根肋骨的位置分类;
标记类型信息单元,用于根据每根虚拟肋骨和第一映射关系信息,对所述第一切片图像中肋骨区域做与肋骨类型相关联的信息的标记。
可选的,所述装置,还包括:
切片单元,用于根据预设切片参数对一副肋骨进行图像切片,获取所述第一切片图像。
在所述切片单元中,包括:
切片子单元,用于根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像;
预处理子单元,用于根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像;
判断预设拟合条件子单元,用于如果所述第一切片图像不满足预设拟合条件,则重复获取多张第二切片图像的操作。基于上述实施例的公开可以获知,本申请实施例具备如下的有益效果:
本申请提供了一种获取肋骨定位的方法和装置。所述方法包括:获取一副肋骨的多张第一切片图像,并以标记点标记所述第一切片图像中肋骨区域;拟合所述标记点,获取三维肋骨点状图中的与肋骨相关联的虚拟肋骨,以及每根虚拟肋骨与所述第一切片图像中肋骨区域之间的第一映射关系信息;将所述三维肋骨点状图输入优化参数的第一网络模型获取每根虚拟肋骨的肋骨类型;所述肋骨类型根据每根肋骨的位置分类;根据每根虚拟肋骨和第一映射关系信息,对所述第一切片图像中肋骨区域做与肋骨类型相关联的信息的标记。
在现实应用中,可以通过切片图像获取三维人体肋骨图像,但是由于数据量过于庞大,导致计算速度缓慢,用户体验不佳,尤其是昂贵的计算设备,导致用户难以接受。本申请通过三维肋骨点状图获取肋骨定位,大大简化了数据计算量,可以快速标记切片图像的肋骨。降低了使用成本,提高了用户体验。
附图说明
图1为本申请实施例提供的获取肋骨定位的方法的流程图;
图2为本申请实施例提供的右肺三维坐标的正视图;
图3为本申请实施例提供的右肺三维坐标的侧视图;
图4为本申请实施例提供的右肺三维坐标的顶视图;
图5为本申请实施例提供的肋骨切片的示意图;
图6为本申请实施例提供的获取肋骨定位的装置的单元框图;
图7为本申请实施例提供的三维肋骨点状图。
具体实施方式
下面,结合附图对本申请的具体实施例进行详细的描述,但不作为本申请的限定。
应理解的是,可以对此处公开的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所公开的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所公开的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
在现实应用中,可以通过切片图像获取三维人体肋骨图像,但是由于数据量过于庞大,导致计算速度缓慢,用户体验不佳,尤其是昂贵的计算设备,导致用户难以接受。
对本申请提供的第一实施例,即一种训练肋骨定位的方法的实施例。
下面结合图1至图5和图7对本实施例进行详细说明,其中,图1为本申请实施例提供的获取肋骨定位的方法的流程图;图2为本申请实施例提供的右肺三维坐标的正视图;图3为本申请实施例提供的右肺三维坐标的侧视图;图4为本申请实施例提供的右肺三维坐标的顶视图;图5为本申请实施例提供的肋骨切片的示意图,图7为本申请实施例提供的三维肋骨点状图。
请参见图1所示,步骤S101,获取一副肋骨的多张第一切片图像,并以标记点标记所述第一切片图像中肋骨区域。
肋骨,是一种弧形小骨,后端皆与胸椎相连,上五条前端与胸骨相连;中五条前端融合成一条而连于胸骨;下二条前端游离,合而构成胸廓。
本实施例的方法主要是针对人类。但是该方法也可以应用在其他动物的肋骨上。
本实施例肋骨,主要是指人类的肋骨,一位采集对象具有一副肋骨,一副肋骨包括十一对肋骨、十二对肋骨或十三对肋骨。人类的肋骨在正常情况下是十二对肋骨,但是也有个别的人是有十一对肋骨或十三对肋骨。本实施例对任何类型的肋骨都可以定位。
设置标记点的目的是为了拟合成三维肋骨点状图。标记标记点可以通过人工的方式标记,也可以通过自动识别的方式标记。例如,通过图像中的肋骨灰度与其他部分灰度不同,自动设置标记点。
步骤S102,拟合所述标记点,获取三维肋骨点状图中的与肋骨相关联的虚拟肋骨,以及每根虚拟肋骨与所述第一切片图像中肋骨区域之间的第一映射关系信息。
请参见图7所示,三维肋骨点状图,是以标记点标记一副肋骨的N(N是大于1的整数)张第一切片图像中肋骨区域,将N张第一切片图像中的标记点拟合后生成的具有虚拟肋骨的三维图像。三维肋骨点状图中的连线表示一根虚拟肋骨。每根虚拟肋骨对应一个实际的肋骨,虚拟肋骨从上往下数,左边第一条线对应左侧第一根肋骨,也表示肋骨类型为左一;右边第一条线对应右侧第一根肋骨,也表示肋骨类型为右一;左边第二条线对应左侧第二根肋骨,也表示肋骨类型为左二;右边第二条线对应右侧第二根肋骨,也表示肋骨类型为右二;以此类推。
而每根虚拟肋骨通过标记点与第一切片图像建立关联关系。这种关联关系就是第一映射关系信息。
步骤S103,将所述三维肋骨点状图输入优化参数的第一网络模型获取每根虚拟肋骨的肋骨类型;所述肋骨类型根据每根肋骨的位置分类。
例如,实际肋骨从上往下数,左侧第一根肋骨的肋骨类型为左第一肋骨;右侧第一根肋骨的肋骨类型为右第一肋骨;左侧第二根肋骨的肋骨类型为左第二肋骨;右侧第二根肋骨的肋骨类型为右第二肋骨;以此类推。
所述第一网络模型包括机器学习模型。
第一网络模型的训练步骤包括:
步骤S103-1,获取训练图像。
其中,所述训练图像,包括预设样本数量的三维肋骨点状图;所述三维肋骨点状图中每根虚拟肋骨标记了肋骨类型。
预设样本数量,是符合训练要求的三维肋骨点状图的数量。通常训练数量越多,训练的效果越好,但是当训练数量过多时,训练效果并没有显著的变化。因此,预设样本数量是与训练效果相关联的。
在训练前,对预设采集副数的肋骨进行切片图像采集。例如,通过CT对每副肋骨进行切片图像采集。由于采集对象的肋骨存在不符合训练要求的情况,所以预设采集副数大于或等于预设样本副数。首先,对每个采集对象的肋骨进行N(N是大于1的整数)种肋骨切片类型的切片,获取N张切片图像。也就是对一个采集对象的一副肋骨切片后会产生N张切片图像,每张切片图像只属于一种肋骨切片类型。经过预处理后,从预设采集副数的肋骨的切片图像中选择出预设样本副数的肋骨的切片样本图像,根据预设样本副数的每副肋骨的切片样本图像生成相对应的三维肋骨点状图。三维肋骨点状图的数量等于预设样本数量,预设样本副数大于或等于预设样本数量。
步骤S103-2,利用所述训练图像训练第一网络模型,使所述第一网络模型输出每根虚拟肋骨的肋骨类型达到预设分类精度,从而获得优化参数的第一网络模型。
预设分类精度是大于或等于90%。
训练第一网络模型的目的就是为了实现将三维类骨点状图输入所述第一网络模型,输出三维类骨点状图中虚拟肋骨的肋骨类型。
步骤S104,根据每根虚拟肋骨和第一映射关系信息,对所述第一切片图像中肋骨区域做与肋骨类型相关联的信息的标记。
所述与肋骨类型相关联的信息,可以是文字,例如,左侧第一根肋骨表示为左一,右侧第三根肋骨表示为右三。也可以是符号,例如,左侧第一根肋骨表示为L1,右侧第三根肋骨表示为R3。
为了保证获取有效的肋骨定位,在所述获取一副肋骨的多张第一切片图像前,还包括以下步骤:
步骤S100-1,根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像。
可选的,请参照图2、图3和图4所示,预设切片参数,包括:左肺三维坐标、右肺三维坐标和预设切片位置。
请参见图5所示,所述根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像,包括以下步骤:
步骤S101-1-1,以一副肋骨的所述左肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K种肋骨切片类型的第一切片图像;
步骤S101-1-2,以一副肋骨的所述左肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L种肋骨切片类型的第一切片图像;
步骤S101-1-3,以一副肋骨的所述左肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M种肋骨切片类型的第一切片图像;
步骤S101-1-4,以一副肋骨的所述右肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K'种肋骨切片类型的第一切片图像;
步骤S101-1-5,以一副肋骨的所述右肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L'种肋骨切片类型的第一切片图像;
步骤S101-1-6,以一副肋骨的所述右肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M'种肋骨切片类型的第一切片图像;
其中,所述左肺三维坐标,是在左侧肋骨中左肺的预设左原点建立的三维坐标,所述左肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;所述右肺三维坐标,是在右侧肋骨中右肺的预设右原点建立的三维坐标,所述右肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;N表示获取第二切片图像的总数量;N,K,K',L,L',M和M'分别是大于1的整数,且K,K',L,L',M及M'的和等于N。
可选的,所述预设切片位置,包括:切片总旋转角度和切片间夹角。
为了避免脊椎骨的干扰,可选的,所述预设切片位置中的起始切片位置所获取的切片图像包括肋骨图像且不包括脊椎骨图像。
可选的,所述切片总旋转角度为180度,所述切片间夹角小于等于6度。
所述切片总旋转角度为180度可以获取一个转轴的360度的切片图像。所述切片间夹角的最佳夹角是3度。这样可以保证每一个转轴获得30张到70张切片图像。切片图像的张数越多,获取的训练结果越理想。
步骤S100-2,根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像。
可选的,所述预设预处理参数,包括:预设肺部影像完整性参数和/或预设肋骨完整性参数;所述预处理,包括图像筛选处理。
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括以下步骤:
步骤S100-2-11,根据预设数字肺部影像完整性参数和/或所述预设数字肋骨完整性参数对所述第二切片图像进行图像筛选处理,获取所述第一切片图像。
一组完整的切片图像,要求肺部图像完整,且至少包含部分颈椎图像及腰椎图像,肋骨图像完整,无残缺,并排除单侧胸部图像呈现。所述单侧胸部图像呈现,是指医生为了观察患者的右臂所拍摄的CT图像,导致所述CT图像中胸部区域不完整。因此,本实施例需筛选出完整的切片图像。
可选的,所述预设预处理参数,包括预设图像骨骼灰度参数;所述预处理包括分割图像骨骼处理。
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括以下步骤:
步骤S100-2-21,根据预设图像骨骼灰度参数对所述第二切片图像进行分割图像骨骼处理,获取所述第一切片图像。
所述采集对象的骨骼图像相对其他部位对X射线的衰减程度不一样,因此在生成的X射线切片图像上其骨骼图像灰度值明显区别于其他区域。可将第二切片图像中的骨骼图像分割出来。例如,根据灰度值的差异,采用大律法进行图像分割;或者双峰法、迭代法、灰度拉伸法和kirsh算子均可实现切片图像的区域分割。
可选的,所述预设预处理参数,包括预设肋骨图像参数;所述预处理包括清洗肋骨图像处理。
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括以下步骤:
步骤S100-2-31,根据预设肋骨图像参数对所述第二切片图像进行清洗肋骨图像处理,获取所述第一切片图像。
由于在采集图像时,不可避免要将肋骨以外的其他骨骼采集到切片图像中,例如,请参见图3所示,第一根肋骨左侧为锁骨,所述锁骨位于垂直方向的中心线的左侧,而肋骨位于垂直方向的中心线的右侧,在清洗切片图像时,只对垂直方向的中心线左侧部分进行清洗。
经过预处理后获取的第一切片图像的数量有可能比切片时获取的切片图像的数量有所减少。
步骤S100-3,如果所述第一切片图像不满足预设拟合条件,则重复执行步骤S100-1。直到获取符合预设拟合条件的一组第二切片图像。
如果满足预设拟合条件,则可以执行步骤S101。
在现实应用中,可以通过切片图像获取三维人体肋骨图像,但是由于数据量过于庞大,导致计算速度缓慢,用户体验不佳,尤其是昂贵的计算设备,导致用户难以接受。本实施例通过三维肋骨点状图获取肋骨定位,大大简化了数据计算量,可以快速标记切片图像的肋骨。降低了使用成本,提高了用户体验。
与本申请提供的第一实施例相对应,本申请还提供了第二实施例,即一种训练肋骨定位的装置。由于第二实施例基本相似于第一实施例,所以描述得比较简单,相关的部分请参见第一实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
图6示出了本申请提供的一种训练肋骨定位的装置的实施例。图6为本申请实施例提供的训练肋骨定位的装置的单元框图。
请参见图6所示,本申请提供一种训练肋骨定位的装置,包括:获取训练图像单元201,训练单元202。
标记区域单元201,用于获取一副肋骨的多张第一切片图像,并以标记点标记所述第一切片图像中肋骨区域,;
拟合单元202,用于拟合所述标记点,获取三维肋骨点状图中的与肋骨相关联的虚拟肋骨,以及每根虚拟肋骨与所述第一切片图像中肋骨区域之间的第一映射关系信息;
分类单元203,用于将所述三维肋骨点状图输入优化参数的第一网络模型获取每根虚拟肋骨的肋骨类型;所述肋骨类型是根据每根肋骨的位置分类;
标记类型信息单元204,用于根据每根虚拟肋骨和第一映射关系信息,对所述第一切片图像中肋骨区域做与肋骨类型相关联的信息的标记。
所述装置,还包括:切片单元,用于根据预设切片参数对一副肋骨进行图像切片,获取所述第一切片图像。
可选的,在所述切片单元中,包括:
切片子单元,用于根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像;
预处理子单元,用于根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像;
判断预设拟合条件子单元,用于如果所述第一切片图像不满足预设拟合条件,则重复获取多张第二切片图像的操作。
可选的,所述预设预处理参数,包括:预设肺部影像完整性参数和/或预设肋骨完整性参数;所述预处理,包括图像筛选处理;
可选的,在所述预处理子单元中,包括:
筛选子单元,用于根据预设数字肺部影像完整性参数和/或所述预设数字肋骨完整性参数对所述第二切片图像进行图像筛选处理,获取所述第一切片图像。
可选的,所述预设预处理参数,包括预设图像骨骼灰度参数;所述预处理包括分割图像骨骼处理;
可选的,在所述预处理子单元中,包括:
分割子单元,用于根据预设图像骨骼灰度参数对所述第二切片图像进行分割图像骨骼处理,获取所述第一切片图像。
可选的,所述预设预处理参数,包括预设肋骨图像参数;所述预处理包括清洗肋骨图像处理;
可选的,在所述预处理子单元中,包括:
清洗子单元,用于根据预设肋骨图像参数对所述第二切片图像进行清洗肋骨图像处理,获取所述第一切片图像。
可选的,预设切片参数,包括:左肺三维坐标、右肺三维坐标和预设切片位置;
可选的,在所述切片子单元中,包括:
左肺X轴切片子单元,用于以一副肋骨的所述左肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K种肋骨切片类型的第二切片图像;
左肺Y轴切片子单元,用于以一副肋骨的所述左肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L种肋骨切片类型的第二切片图像;
左肺Z轴切片子单元,用于以一副肋骨的所述左肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M种肋骨切片类型的第二切片图像;
右肺X轴切片子单元,用于以一副肋骨的所述右肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K'种肋骨切片类型的第二切片图像;
右肺Y轴切片子单元,用于以一副肋骨的所述右肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L'种肋骨切片类型的第二切片图像;
右肺Z轴切片子单元,用于以一副肋骨的所述右肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M'种肋骨切片类型的第二切片图像;
其中,所述左肺三维坐标,是在左侧肋骨中左肺的预设左原点建立的三维坐标,所述左肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;所述右肺三维坐标,是在右侧肋骨中右肺的预设右原点建立的三维坐标,所述右肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;N表示获取第二切片图像的总数量;N,K,K',L,L',M和M'分别是大于1的整数,且K,K',L,L',M及M'的和等于N。
可选的,所述预设切片位置,包括:切片总旋转角度和切片间夹角;所述切片总旋转角度为180度,所述切片间夹角小于等于6度。
可选的,所述预设切片位置,包括:起始切片位置包括肋骨且不包括脊椎骨。
可选的,所述装置,还包括:训练单元,用于训练第一网络模型;
可选的,在所述训练单元中,包括:
获取训练数据子单元,用于获取训练图像,其中,所述训练图像,包括预设样本数量的三维肋骨点状图;所述三维肋骨点状图中每根虚拟肋骨标记了肋骨类型;
训练第一网络模型子单元,用于利用所述训练图像训练第一网络模型,使所述第一网络模型输出每根虚拟肋骨的肋骨类型达到预设分类精度,从而获得优化参数的第一网络模型。
在现实应用中,可以通过切片图像获取三维人体肋骨图像,但是由于数据量过于庞大,导致计算速度缓慢,用户体验不佳,尤其是昂贵的计算设备,导致用户难以接受。本实施例通过三维肋骨点状图获取肋骨定位,大大简化了数据计算量,可以快速标记切片图像的肋骨。降低了使用成本,提高了用户体验。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种获取肋骨定位的方法,其特征在于,包括:
获取一副肋骨的多张第一切片图像,并以标记点标记所述第一切片图像中肋骨区域;
拟合所述标记点,获取三维肋骨点状图中的与肋骨相关联的虚拟肋骨,以及每根虚拟肋骨与所述第一切片图像中肋骨区域之间的第一映射关系信息;
将所述三维肋骨点状图输入优化参数的第一网络模型获取每根虚拟肋骨的肋骨类型;所述肋骨类型根据每根肋骨的位置分类;
根据每根虚拟肋骨和第一映射关系信息,对所述第一切片图像中肋骨区域做与肋骨类型相关联的信息的标记。
2.根据权利要求1所述的方法,其特征在于,在所述获取一副肋骨的多张第一切片图像前,还包括:
根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像;
根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像;
如果所述第一切片图像不满足预设拟合条件,则重复获取多张第二切片图像的操作。
3.根据权利要求2所述的方法,其特征在于,所述预设预处理参数,包括:预设肺部影像完整性参数和/或预设肋骨完整性参数;所述预处理,包括图像筛选处理;
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括:
根据预设数字肺部影像完整性参数和/或所述预设数字肋骨完整性参数对所述第二切片图像进行图像筛选处理,获取所述第一切片图像。
4.根据权利要求2所述的方法,其特征在于,所述预设预处理参数,包括预设图像骨骼灰度参数;所述预处理包括分割图像骨骼处理;
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括:
根据预设图像骨骼灰度参数对所述第二切片图像进行分割图像骨骼处理,获取所述第一切片图像。
5.根据权利要求2所述的方法,其特征在于,所述预设预处理参数,包括预设肋骨图像参数;所述预处理包括清洗肋骨图像处理;
所述根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像,包括:
根据预设肋骨图像参数对所述第二切片图像进行清洗肋骨图像处理,获取所述第一切片图像。
6.根据权利要求2所述的方法,其特征在于,预设切片参数,包括:左肺三维坐标、右肺三维坐标和预设切片位置;
所述根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像,包括:
以一副肋骨的所述左肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K种肋骨切片类型的第二切片图像;
以一副肋骨的所述左肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L种肋骨切片类型的第二切片图像;
以一副肋骨的所述左肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M种肋骨切片类型的第二切片图像;
以一副肋骨的所述右肺三维坐标的X轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的K'种肋骨切片类型的第二切片图像;
以一副肋骨的所述右肺三维坐标的Y轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的L'种肋骨切片类型的第二切片图像;
以一副肋骨的所述右肺三维坐标的Z轴为轴心,对一副肋骨进行预设切片位置的切片,获取一副肋骨的M'种肋骨切片类型的第二切片图像;
其中,所述左肺三维坐标,是在左侧肋骨中左肺的预设左原点建立的三维坐标,所述左肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;所述右肺三维坐标,是在右侧肋骨中右肺的预设右原点建立的三维坐标,所述右肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴;N表示获取第二切片图像的总数量;N,K,K',L,L',M和M'分别是大于1的整数,且K,K',L,L',M及M'的和等于N。
7.根据权利要求6所述的方法,其特征在于,所述预设切片位置,包括:切片总旋转角度和切片间夹角;所述切片总旋转角度为180度,所述切片间夹角小于等于6度。
8.根据权利要求1所述的方法,其特征在于,在所述获取一副肋骨的多张第一切片图像前,还包括:
获取训练图像,其中,所述训练图像,包括预设样本数量的三维肋骨点状图;所述三维肋骨点状图中每根虚拟肋骨标记了肋骨类型;
利用所述训练图像训练第一网络模型,使所述第一网络模型输出每根虚拟肋骨的肋骨类型达到预设分类精度,从而获得优化参数的第一网络模型。
9.一种获取肋骨定位的装置,其特征在于,包括:
标记区域单元,用于获取一副肋骨的多张第一切片图像,并以标记点标记所述第一切片图像中肋骨区域;
拟合单元,用于拟合所述标记点,获取三维肋骨点状图中的与肋骨相关联的虚拟肋骨,以及每根虚拟肋骨与所述第一切片图像中肋骨区域之间的第一映射关系信息;
分类单元,用于将所述三维肋骨点状图输入优化参数的第一网络模型获取每根虚拟肋骨的肋骨类型;所述肋骨类型是根据每根肋骨的位置分类;
标记类型信息单元,用于根据每根虚拟肋骨和第一映射关系信息,对所述第一切片图像中肋骨区域做与肋骨类型相关联的信息的标记。
10.根据权利要求9所述的方法,其特征在于,所述装置,还包括:
切片单元,用于根据预设切片参数对一副肋骨进行图像切片,获取所述第一切片图像。
在所述切片单元中,包括:
切片子单元,用于根据预设切片参数对一副肋骨进行图像切片,获取多张第二切片图像;
预处理子单元,用于根据预设预处理参数对所述第二切片图像进行预处理,获取所述第一切片图像;
判断预设拟合条件子单元,用于如果所述第一切片图像不满足预设拟合条件,则重复获取多张第二切片图像的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910429894.9A CN111986138B (zh) | 2019-05-22 | 2019-05-22 | 一种获取肋骨定位的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910429894.9A CN111986138B (zh) | 2019-05-22 | 2019-05-22 | 一种获取肋骨定位的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986138A true CN111986138A (zh) | 2020-11-24 |
CN111986138B CN111986138B (zh) | 2023-08-25 |
Family
ID=73436419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910429894.9A Active CN111986138B (zh) | 2019-05-22 | 2019-05-22 | 一种获取肋骨定位的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986138B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610825A (zh) * | 2021-08-13 | 2021-11-05 | 推想医疗科技股份有限公司 | 术中影像的肋骨识别方法及系统 |
CN113850776A (zh) * | 2021-09-22 | 2021-12-28 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001237138B2 (en) * | 2000-03-03 | 2006-03-16 | Macropace Products Pty Ltd | Animation technology |
JP2007111534A (ja) * | 2005-10-17 | 2007-05-10 | Siemens Medical Solutions Usa Inc | 肋骨転位を強調して観察するためのシステムおよび方法 |
US20070276219A1 (en) * | 2004-04-02 | 2007-11-29 | K N Bhanu P | Locating a Mid-Sagittal Plane |
US20090245608A1 (en) * | 2008-03-31 | 2009-10-01 | Wan Caihua | Bone number determination apparatus and recording medium having stored therein program |
CN105806250A (zh) * | 2016-03-10 | 2016-07-27 | 中国科学院上海光学精密机械研究所 | 高分辨率三维相位显微成像装置和成像方法 |
CN107330903A (zh) * | 2017-06-29 | 2017-11-07 | 西安理工大学 | 一种人体点云模型的骨架提取方法 |
CN108986107A (zh) * | 2018-06-15 | 2018-12-11 | 大连理工大学 | 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法 |
CN109124662A (zh) * | 2018-07-13 | 2019-01-04 | 上海皓桦科技股份有限公司 | 肋骨中心线检测装置及方法 |
EP3461412A1 (en) * | 2017-09-29 | 2019-04-03 | General Electric Company | System and method for dxa tomo-based finite element analysis of bones |
EP3462373A1 (en) * | 2017-10-02 | 2019-04-03 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
WO2019092167A1 (en) * | 2017-11-09 | 2019-05-16 | Agfa Healthcare Nv | Method of segmenting a 3d object in a medical radiation image |
-
2019
- 2019-05-22 CN CN201910429894.9A patent/CN111986138B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001237138B2 (en) * | 2000-03-03 | 2006-03-16 | Macropace Products Pty Ltd | Animation technology |
US20070276219A1 (en) * | 2004-04-02 | 2007-11-29 | K N Bhanu P | Locating a Mid-Sagittal Plane |
JP2007111534A (ja) * | 2005-10-17 | 2007-05-10 | Siemens Medical Solutions Usa Inc | 肋骨転位を強調して観察するためのシステムおよび方法 |
US20090245608A1 (en) * | 2008-03-31 | 2009-10-01 | Wan Caihua | Bone number determination apparatus and recording medium having stored therein program |
CN105806250A (zh) * | 2016-03-10 | 2016-07-27 | 中国科学院上海光学精密机械研究所 | 高分辨率三维相位显微成像装置和成像方法 |
CN107330903A (zh) * | 2017-06-29 | 2017-11-07 | 西安理工大学 | 一种人体点云模型的骨架提取方法 |
EP3461412A1 (en) * | 2017-09-29 | 2019-04-03 | General Electric Company | System and method for dxa tomo-based finite element analysis of bones |
EP3462373A1 (en) * | 2017-10-02 | 2019-04-03 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
WO2019092167A1 (en) * | 2017-11-09 | 2019-05-16 | Agfa Healthcare Nv | Method of segmenting a 3d object in a medical radiation image |
CN108986107A (zh) * | 2018-06-15 | 2018-12-11 | 大连理工大学 | 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法 |
CN109124662A (zh) * | 2018-07-13 | 2019-01-04 | 上海皓桦科技股份有限公司 | 肋骨中心线检测装置及方法 |
Non-Patent Citations (6)
Title |
---|
DIJIA WU ET AL.: "A learning Based Deformable Template Matching Method for Automatic Rib Centerline Extraction and Labeling in CT images", 2012 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (2012), pages 980 - 987 * |
FENG H B ET AL.: "Design and implementation of three-dimensional model for medical image of bone defect", PROCEEDINGS OF 2019 2ND INTERNATIONAL CONFERENCE ON ADVANCED ELECTRONIC MATERIALS, COMPUTERS AND MATERIALS ENGINEERING(AEMCME 2019), pages 848 - 845 * |
MATTHIAS LENGA ET AL.: "Deep Learning Based Rib Centerline Extraction and Labeling", COMPUTATIONAL METHODS AND CLINICAL APPLICATIONS IN MUSCULOSKELETAL IMAGING: 6TH INTERNATIONAL WORKSHOP, pages 1 - 14 * |
刘巧红等: "脊柱外科三维重建系统设计", 计算机工程, no. 09, pages 185 - 186 * |
刘文军等: "虚拟中国人女性一号松质骨图像数据的配准与三维重建", 中国临床解剖学杂志, vol. 22, no. 04, pages 380 - 383 * |
路杨等: "X光胸片中肋骨信息自动提取算法及实现", 同济大学学报, no. 09, pages 1274 - 1277 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610825A (zh) * | 2021-08-13 | 2021-11-05 | 推想医疗科技股份有限公司 | 术中影像的肋骨识别方法及系统 |
CN113850776A (zh) * | 2021-09-22 | 2021-12-28 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113850776B (zh) * | 2021-09-22 | 2022-04-29 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111986138B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053400B (zh) | 图像处理方法及装置 | |
US7095881B2 (en) | Processing method and system for 3-D geometric modeling of the spine | |
US7639866B2 (en) | Method of radiographic imaging for three-dimensional reconstruction, and a computer program and apparatus for implementing the method | |
CN109472835B (zh) | 处理医学图像数据的方法和医学图像数据的图像处理系统 | |
CN112258516B (zh) | 一种脊柱侧弯图像检测模型的生成方法 | |
CN112037200A (zh) | 一种医学影像中解剖特征自动识别与模型重建方法 | |
JP4717585B2 (ja) | 医用画像判定装置、医用画像判定方法およびそのプログラム | |
CN106725570A (zh) | 成像方法及系统 | |
CN111986138B (zh) | 一种获取肋骨定位的方法和装置 | |
CN112001889A (zh) | 医学影像处理方法、装置及医学影像显示方法 | |
CN107752979B (zh) | 人工投影的自动生成方法、介质和投影图像确定装置 | |
CN111985512B (zh) | 一种建立人体肋骨模型的方法和装置 | |
CN108852510B (zh) | 一种数据处理方法及装置 | |
Hacihaliloglu et al. | Statistical shape model to 3D ultrasound registration for spine interventions using enhanced local phase features | |
CN104952068B (zh) | 一种脊椎特征点自动识别方法 | |
US20200380659A1 (en) | Body region identification device and method | |
CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
CN114092447B (zh) | 一种基于人体三维图像测量脊柱侧弯的方法、装置和设备 | |
US7292714B2 (en) | Method, device and software for separating the individual subjects of an anatomical structure segmented from 3D datasets of medical examination procedures | |
CN109003281A (zh) | 一种基于三维空间模型获得单块脊椎骨的装置及方法 | |
Ikeda et al. | Novel 3-dimensional analysis to evaluate temporomandibular joint space and shape | |
CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
Hill et al. | A quantitative method for the evaluation of three-dimensional structure of temporal bone pneumatization | |
CN116109570B (zh) | 骨密度测量方法、装置、设备及存储介质 | |
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 |
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 |