CN112102339A - 一种基于图集配准的全身骨显像骨骼分割方法 - Google Patents

一种基于图集配准的全身骨显像骨骼分割方法 Download PDF

Info

Publication number
CN112102339A
CN112102339A CN202010995062.6A CN202010995062A CN112102339A CN 112102339 A CN112102339 A CN 112102339A CN 202010995062 A CN202010995062 A CN 202010995062A CN 112102339 A CN112102339 A CN 112102339A
Authority
CN
China
Prior art keywords
bone
whole
body bone
regularization
imaging
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
Application number
CN202010995062.6A
Other languages
English (en)
Other versions
CN112102339B (zh
Inventor
章毅
赵祯
蒋丽莎
皮勇
魏建安
李林
蔡华伟
张蕾
王建勇
向镛兆
周尧
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202010995062.6A priority Critical patent/CN112102339B/zh
Publication of CN112102339A publication Critical patent/CN112102339A/zh
Application granted granted Critical
Publication of CN112102339B publication Critical patent/CN112102339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/10—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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

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)
  • 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

本发明公开了一种基于图集配准的全身骨显像骨骼分割方法，包括以下步骤：获得由专业设备采集到的原始全身骨显像数据；对原始的全身骨显像数据进行预处理，包括污染检测处理、污染修补处理、标准化处理、配准处理、正则化处理；根据系统中存储的形变分割模板对所述预处理后的全身骨显像图像进行分割处理，得到全身骨显像的分割结果。通过上述方法，能够对单次全身骨扫描检查的图像进行骨骼定位并为骨病灶的定位提供依据，通过骨显像污染检测和污染修补算法自动降低差异性来提高显像质量，解决不同全身骨扫描间存在的显影差异，实现了对全身骨显像骨骼的快速精准智能定位。

Description

一种基于图集配准的全身骨显像骨骼分割方法
技术领域
本发明涉及一种图像处理方法，具体涉及一种基于图集配准的全身骨显像骨骼分割方法。
背景技术
对于全身骨显像骨骼的定位，现常采用三种检查：MRI检查、CT检查、SPECT全身骨显像检查。由于SPECT具有良好的敏感性和全面性，其是我国目前在骨转移诊断领域的主要检查手段。本文只谈最常用的SPECT全身骨显像检查，即由专业核医学技师人工对每一次检查的图像数据进行定位。目前，在部分医疗条件较好的医院，对可能患有癌症的患者，通常的方法是用专业设备采集前、后位两张全身显像图像。完成全身骨显像图像数据采集后，由专业核医学技师对前后位两张图像进行读图定位。虽然大部分医院都具有拍摄全身骨显像的设备，但是完成诊断离不开专业医师的读图诊断，对于相对偏远的乡镇医院很难及时获得读图经验丰富的核医学技师的临床意见。同时，骨扫描图像分辨率相对低，且软组织显影导致骨骼与非骨骼区域边界模糊，通过阅读SPECT骨扫描图像为骨骼定位时仍然存在耗时长、经验依赖比重高、骨骼容易错误定位等问题。
本发明只需要将骨扫描前后位图像上传至系统即可以进行识别，为该骨扫描的骨骼进行定位，从而帮助医生及时给出诊断意见。据发明人所知，这是我国国内首次使用基于图集配准的方法进行全身骨显像骨骼的智能定位。
发明内容
本发明所要解决的技术问题是对专业设备采集到的前、后位两张全身显像图像骨骼进行智能定位，目的在于提供一种基于图集配准的全身骨显像骨骼分割方法，解决由SPECT骨扫描图像为骨骼定位时存在的耗时长、经验依赖比重高、骨骼容易错误定位问题。
本发明通过下述技术方案实现：
一种基于图集配准的全身骨显像骨骼分割方法，包括以下步骤：
S1、获得由专业设备采集到的原始全身骨显像数据；
S2、对获得的原始的全身骨显像数据进行污染检测，得到具有污染信息的污染区；
S3、对具有污染信息的污染区进行污染修补，得到修补后的修补区；
S4、将修补后的修补区回填到原始的全身骨显像数据内，得到修补的全身骨显像数据；
S5、对所述修补的全身骨显像数据进行标准化处理，得到标准化的全身骨显像数据；
S6、利用模板图像数据对所述标准化的全身骨显像数据进行配准处理，得到形变位移场，在配准过程中对所述形变位移场进行高斯正则化处理，最终得到高斯正则化位移场，所述模板图像数据为手动定义的分割图集数据；
S7、对所述高斯正则化位移场进行SDM正则化处理，得到SDM正则化位移场；
S8、根据系统中存储的形变分割模板对具有所述SDM正则化位移场的全身骨显像图像进行分割处理，得到全身骨显像的分割结果。
上述污染检测是指对原始的全身骨显像数据中的污染区域进行检测，使用自适应的阈值来检测所述原始的全身骨显像数据中的污染部分，具体包括：将所述原始的全身骨显像的概率密度分布与高斯函数拟合，通过置信区间获取检测原始的全身骨显像数据中高于预设的放射性核素局部密度的阈值，包含高于预设的放射性核素局部密度的部位包括过度显影的部位如病灶，显影的膀胱、尿液污染等。
上述S3的污染修补是指对原始的全身骨显像数据中检测到的污染区域进行修补，包括以下步骤：
S31、定义污染区域的周边环境：获取污染区域面积，沿着污染区域边缘向外拓展至污染区域面积的预设倍数，得到污染区域的周边环境，预设倍数为4倍；
S32、对所述周边环境，使用混合高斯模型进行二分类，得到骨骼区域与非骨骼区域；
S33、将含有多于预设的污染区域边缘的环境成分作为污染区域分类标准，确定污染区域的环境成分归属；
S34、填充污染区域，在所述得到的污染区域中，统计并计算污染区域归属环境中像素值分布的高斯分布函数，在所述高斯分布函数上取样并修复污染。
所述S5对全身骨显像的修补数据进行标准化处理是使用精确的直方图匹配算法对所述修补后的数据进行标准化处理。
所述S6配准处理是使用Morphon算法，不断地迭代变形所述模板图像数据，所述Morphon算法包括以下步骤：
S61、通过数个不同方向
Figure BDA0002692258000000031
的正交滤波器fk，对于模板图像数据IT的响应
Figure BDA0002692258000000032
与标准化的全身骨显像数据IR的响应
Figure BDA0002692258000000033
可以通过以下计算公式：
Figure BDA0002692258000000034
Figure BDA0002692258000000035
其中，运算符*代表滤波运算；
S62、对所述得到的滤波运算函数做计算，得到相位差dk，计算公式为：
Figure BDA0002692258000000036
其中，Qk是滤波器对于模板图像数据与标准化的全身骨显像数据的响应的复数正交积；
S63、对所述得到的相位差dk进行加权，定义图像的确定性图ck，所述加权计算存在以下定义：
Figure BDA0002692258000000041
Figure BDA0002692258000000042
S64、对所述相位差dk在不同方向的投影计算加权平均，得到位移场δu，所述计算方法如下：
Figure BDA0002692258000000043
其中，ck是nk方向上的确定性图，dk是nk方向上的相位差。
所述S6的高斯正则化处理是使用高斯滤波对位移场全局的正则化，在配准算法的迭代过程中，将上一次迭代获得的更新位移场δu累加到累计位移场u上，高斯正则化计算公式为：
u＝(u+δu*g)*g
其中g代表一个高斯低通滤波器。
上述SDM正则化处理，是对所述高斯正则化位移场的局部位移场进行SDM正则化处理，所述SDM正则化包括以下步骤：
S71、使用SDM算法将高斯正则化位移场合并成一个行向量，形如：[x1…xpy1…yp]，每个行向量包含p个x和y，并将n个位移场构成的行向量堆叠起来构成训练大小为n×pdp的矩阵X，其中pd指的是位移场的维度，所述pd为2；
S72、对所述得到的矩阵X执行PCA算法进行数据的提取，具体过程如下：
Figure BDA0002692258000000044
Cp＝λp
其中C为矩阵X的协方差矩阵，λ为矩阵C的特征值，p为矩阵C的特征向量，通过所述特征值来对所述特征向量进行排序并取得前k个特征向量构成矩阵Lk，矩阵X通过与矩阵Lk相乘，完成数据降维操作，构建出SDM正则化模型；
S73、使用所述构建出的SDM正则化模型对输入的位移场d＝[x1…xpy1…yp]进行以下SDM正则化处理：
Figure BDA0002692258000000051
其中，Lk指的是特征向量L的前k个对应特征值最大的特征向量，daffine指的是仿射变换构成的位移场矩阵。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明一种基于图集配准的全身骨显像骨骼分割方法，对于使用专业设备分别对患者采集前后位两张全身骨显像图像，上传到系统中进行检测，系统采用本发明方法对输入的一例图像数据进行骨骼的智能定位，这一过程完全由计算机自动完成，仅需输入该次检查时由专业设备采集的全身骨扫描图像，不需要其他的人为参数设置和特征指定，并且系统所使用得算法框架内的模型训练完成后，能够在极短时间内为全身骨显像骨骼定位，节省了大量的人力物力，省去了放射医师的一部分工作，方便乡镇医院等医生资源不丰富医院癌症骨转移诊治工作的开展，为临床检测及自检骨转移有重要的指导意义；
2、本发明一种基于图集配准的全身骨显像骨骼分割方法，能够对单次全身骨扫描检查的图像进行骨骼定位并为骨病灶的定位提供依据，本方法通过骨显像污染检测和污染修补算法自动降低差异性来提高显像质量，解决不同全身骨扫描间存在的显影差异，并且本发明方法中的骨显像污染检测可应用在检测过高的放射性核素局部密度，不仅包括病灶，还包括显影的膀胱、尿液污染以及其他过度显影的部位，从而提高了骨骼定位的准确性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明方法流程示意图
图2为本发明手动定义的分割图集的模板图像
图3为本发明中污染检测与修补应用示意图
图4为本发明配准分割结果图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
发明人经调查和研究发现，本发明公开了一种基于图集配准的全身骨显像骨骼分割方法，应用于全身骨显像骨骼的定位，如图1所示，提供了本发明实施例所公开的全身骨显像分割方法的流程示意图，包括以下步骤：
S1、获得由专业设备采集到的原始全身骨显像数据；
S2、对获得的原始的全身骨显像数据进行污染检测，得到具有污染信息的污染区；
S3、对具有污染信息的污染区进行污染修补，得到修补后的修补区；
S4、将修补后的修补区回填到原始的全身骨显像数据内，得到修补的全身骨显像数据；
S5、对所述修补的全身骨显像数据进行标准化处理，得到标准化的全身骨显像数据；
S6、利用模板图像数据对所述标准化的全身骨显像数据进行配准处理，得到形变位移场，在配准过程中对所述形变位移场进行高斯正则化处理，最终得到高斯正则化位移场，所述模板图像数据为手动定义的分割图集数据；
S7、对所述高斯正则化位移场进行SDM正则化处理，得到SDM正则化位移场；
S8、根据系统中存储的形变分割模板对具有所述SDM正则化位移场的全身骨显像图像进行分割处理，得到全身骨显像的分割结果。
本发明方法对全身骨显像数据的处理完全由计算机自动完成，仅需输入该次检查时由专业设备采集的全身骨扫描图像，不需要其他的人为参数设置和特征指定，并且系统所使用的算法框架内的模型训练完成后，能够在极短时间内为全身骨显像骨骼定位，节省了大量的人力物力，省去了放射医师的一部分工作，方便乡镇医院等医生资源不丰富医院癌症骨转移诊治工作的开展。
具体的，可参照图3，对一例采集到的后位原始全身骨显像图形进行污染检测和修补，其中a为提取到的具有过高的放射性核素局部密度部位，b为检测到的污染区域，c为定义的污染区域的周边环境，d是确定了环境成分归属的污染区域，e是修补了污染区域的修补区域，f是将修补数据回填至原始全身骨显像图像中，对于骨显像污染检测方法是使用自适应的阈值来检测骨显像脊椎上的病灶，其原理是将标准化后的骨显像概率密度分布与高斯函数拟合，通过置信区间获取检测原始的全身骨显像数据中高于预设的放射性核素局部密度的阈值。
此方法可以应用在检测过高的放射性核素局部密度部位，不仅包括病灶，还包括显影的膀胱、尿液污染以及其他过度显影的部位，解决了由于肿瘤骨转移、膀胱尿液残留、肾过度显影等原因，使得全身骨显像上经常出现过高的放射性核素局部密度，导致骨显像信息遭到污染的问题，避免后续与之相关的标准化及配准工作出现问题。
进一步的，需要对污染检测后的数据进行修补，并且将修补后的数据回填到原始的全身骨显像数据中，本发明提出了一种适应SPECT成像特征的基于高斯混合模型的骨显像污染修补算法。步骤S3具体包括S31-S34：
S31、定义污染区域的周边环境：获取污染区域面积，沿着污染区域边缘向外拓展至污染区域面积的预设倍数，经过发明人实验研究得到预设倍数为4倍，由此得到污染区域的周边环境；
S32，分类污染区域的周边环境，骨显像的局部一般包含骨骼区域与非骨骼区域，如胸腔的肋骨与肋骨间隙、盆骨的髂骨与膀胱，因此使用混合高斯模型将污染区域的周边环境进行二分类，将骨骼区域与非骨骼区域分离。
S33，确定污染区域的环境成分归属，由于污染区域通常包含在某骨显像区域内部，本文将含有更多污染区域边缘的环境成分作为污染区域分类。
S34，填充污染区域，本方法认为一个骨显像区域内遵循一种高斯分布，因此统计并计算污染区域归属环境中像素值分布的高斯分布函数，在该函数上取样并修复污染。
由发明人调查研究发现，在SPECT检测的整个过程中很难维持患者或者是伽马相机的状态一定，因此骨显像的强度很容易发生变化，强度的变化是由于每次检查期间发射线同位素的在骨骼和软组织的吸收情况决定；骨显像强度很容易影响配准的效果，所以本方法步骤S5使用精确的直方图匹配算法对骨显像进行标准化，解决上述问题。
进一步，对于得到的标准化骨显像数据需要进行进一步的配准处理，根据步骤S6，使用Morphon算法，利用标准化后的全身骨显像图像位移场的局部相位和相位差作为优化指标，不断地迭代变形所述模板图像数据，所述模板图像如图2所示，其中(a)为后位全身骨显像分割图像，(b)为前位全身骨显像分割图像，本实施例介绍的是利用全身骨显像分割模板图进行配准处理，所述配准算法具体步骤包括S61-S64：
S61、通过数个不同方向
Figure BDA0002692258000000091
的正交滤波器fk，对于模板图像数据IT的响应
Figure BDA0002692258000000092
与标准化的全身骨显像数据IR的响应
Figure BDA0002692258000000093
可以通过以下计算公式：
Figure BDA0002692258000000094
Figure BDA0002692258000000095
其中，运算符*代表滤波运算；
S62、对所述得到的滤波运算函数做计算，得到相位差dk，计算公式为：
Figure BDA0002692258000000096
其中，Qk是滤波器对于模板图像数据与标准化的全身骨显像数据的响应的复数正交积；
S63、对所述得到的相位差dk进行加权，定义图像的确定性图ck，所述加权计算存在以下定义：
Figure BDA0002692258000000097
Figure BDA0002692258000000098
S64、对所述相位差dk在不同方向的投影计算加权平均，得到位移场δu，所述计算方法如下：
Figure BDA0002692258000000099
其中，ck是nk方向上的确定性图，dk是nk方向上的相位差。
在具体实施过程中，为了去除配准过程产生的多余位移场，避免配准结果扭曲甚至偏移，在配准算法的迭代的过程中使用低通高斯滤波器对于形变位移场的全局信息进行正则化，使用SDM算法对于位移场的局部信息进行正则化。
基于位移场的配准算法的计算是一个迭代的过程，每次都需要将上一次迭代获得的更新位移场δu累加到累计位移场u上，于是在这个迭代的过程中使用高斯滤波进行全局的正则化。
u＝(u+δu*g)*g
其中g代表一个高斯低通滤波器，滤波器σ的大小决定了配准算法整体的稳定性。
具体的对所述步骤S7，SDM正则化具体步骤包括S71-S73：
S71，使用SDM算法将整个图像的位移场合并成一个行向量，形如：[x1…xpy1…yp]，每个行向量包含p个x和y，并将n个位移场构成的行向量堆叠起来构成训练大小为n×pd的矩阵X，其中pd指的是位移场的维度，所述pd为2；
S72，对所述得到的矩阵X执行PCA算法进行数据的提取，具体过程如下：
Figure BDA0002692258000000101
Cp＝λp
其中C为矩阵X的协方差矩阵，λ为矩阵C的特征值，p为矩阵C的特征向量，通过所述特征值来对所述特征向量进行排序并取得前k个特征向量构成矩阵Lk，矩阵X通过与矩阵Lk相乘，完成数据降维操作，构建出SDM正则化模型；
S73，使用所述构建出的SDM正则化模型对输入的位移场d＝[x1…xpy1…yp]进行以下正则化处理：
Figure BDA0002692258000000102
Lk指的是特征向量L的前k个对应特征值最大的特征向量，daffine作为整个位移场d的一部分，指的是仿射变换构成位移场矩阵。
可以理解，将采集到的原始全身骨显像数据经过上述步骤处理可以得到如图4所示的全身骨显像配准分割结果图，在这一例实施例中，图(a)是一个左手肘部显像剂注射点显影的全身骨显像；图(d)是一个膀胱尿液显影的全身骨显像，该图直接配准分割结果中盆骨、骶尾椎及腰椎处出现了扭曲；图像(b)、(e)是经过本发明方法步骤处理过的结果，从图像上可以看出在经过算法处理后，过高的放射性核素局部密度均被有效消除，图像配准效果提升了很多，最后对图像进行分割时，按照分割模板分割出一个个闭合区域，比如由肩胛骨组成的一个闭合区域、胸骨组成的一个闭合区域、12节胸椎各自组成的闭合区域，5节腰椎各自组成的闭合区域。最终的分割结果如图4的(c)、(f)所示。
在具体实施过程中，执行本发明方法时，对全身骨显像数据的处理完全由计算机自动完成，仅需输入该次检查时由专业设备采集的全身骨扫描图像，不需要其他的人为参数设置和特征指定，并且系统所使用得算法框架内的模型训练完成后，能够在极短时间内为全身骨显像骨骼定位，节省了大量的人力物力，方便乡镇医院等医生资源不丰富医院癌症骨转移诊治工作的开展，本方法通过骨显像污染检测和污染修补算法自动降低差异性来提高显像质量，解决不同全身骨扫描间存在的显影差异，并且本发明方法中的骨显像污染检测可应用在检测过高的放射性核素局部密度，不仅包括病灶，还包括显影的膀胱、尿液污染以及其他过度显影的部位，从而提高了骨骼定位的准确性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，包括以下步骤：
S1、获得由专业设备采集到的原始全身骨显像数据；
S2、对获得的原始的全身骨显像数据进行污染检测，得到具有污染信息的污染区；
S3、对具有污染信息的污染区进行污染修补，得到修补后的修补区；
S4、将修补后的修补区回填到原始的全身骨显像数据内，得到修补的全身骨显像数据；
S5、对所述修补的全身骨显像数据进行标准化处理，得到标准化的全身骨显像数据；
S6、利用模板图像数据对标准化的全身骨显像数据进行配准处理，得到形变位移场，在配准过程中对所述形变位移场进行高斯正则化处理，最终得到高斯正则化位移场，所述模板图像数据为手动定义的分割图集数据；
S7、对所述高斯正则化位移场进行SDM正则化处理，得到SDM正则化位移场；
S8、根据系统中存储的形变分割模板对具有所述SDM正则化位移场的全身骨显像图像进行分割处理，得到全身骨显像的分割结果。
2.根据权利要求1所述的一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，所述污染检测是使用自适应的阈值来检测所述原始的全身骨显像数据中的污染部分，具体包括：将所述原始的全身骨显像的概率密度分布与高斯函数拟合，通过置信区间获取检测原始的全身骨显像数据中高于预设的放射性核素局部密度的阈值。
3.根据权利要求1所述的一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，所述S3包括以下步骤：
S31、定义污染区域的周边环境：获取污染区域面积，沿着污染区域边缘向外拓展至污染区域面积的预设倍数，得到污染区域的周边环境；
S32、对所述周边环境，使用混合高斯模型进行二分类，得到骨骼区域与非骨骼区域；
S33、将含有多于预设的污染区域边缘的环境成分作为污染区域分类标准，确定污染区域的环境成分归属；
S34、填充污染区域，在所述得到的污染区域中，统计并计算污染区域归属环境中像素值分布的高斯分布函数，在所述高斯分布函数上取样并修复污染。
4.根据权利要求1所述的一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，所述标准化处理是使用精确的直方图匹配算法对所述修补的全身骨显像数据进行标准化处理。
5.根据权利要求1所述的一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，所述配准处理是使用Morphon算法，所述Morphon算法包括以下步骤：
S61、通过数个不同方向nk＝{[sin(θ),cos(θ)],
Figure FDA0002692257990000021
的正交滤波器fk，对于模板图像数据IT的响应qTk与标准化的全身骨显像数据IR的响应qRk可以通过以下计算公式：
qTk＝IT*fk
qRk＝IR*fk
其中，运算符*代表滤波运算；
S62、对所述得到的滤波运算函数做计算，得到相位差dk，计算公式为：
Figure FDA0002692257990000022
其中，Qk是滤波器对于模板图像数据与标准化的全身骨显像数据的响应的复数正交积；
S63、对所述得到的相位差dk进行加权，定义图像的确定性图ck，所述加权计算存在以下定义：
Figure FDA0002692257990000031
Figure FDA0002692257990000032
S64、对所述相位差dk在不同方向的投影计算加权平均，得到位移场δu，所述计算方法如下：
Figure FDA0002692257990000033
其中，ck是nk方向上的确定性图，dk是nk方向上的相位差。
6.根据权利要求1所述的一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，所述高斯正则化处理是使用高斯滤波对位移场全局的正则化，在配准算法的迭代过程中，将上一次迭代获得的更新位移场δu累加到累计位移场u上，高斯正则化计算公式为：
u＝(u+δu*g)*g
其中g代表一个高斯低通滤波器。
7.根据权利要求1所述的一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，所述SDM正则化处理，是对所述高斯正则化位移场的局部位移场进行SDM正则化处理。
8.根据权利要求1所述的一种基于图集配准的全身骨显像骨骼分割方法，其特征在于，所述SDM正则化包括以下步骤：
S71、使用SDM算法将高斯正则化位移场合并成一个行向量，形如：[x1…xpy1…yp]，每个行向量包含p个x和y，并将n个位移场构成的行向量堆叠起来构成训练大小为n×pdp的矩阵X，其中pd指的是位移场的维度，所述pd为2；
S72、对所述得到的矩阵X执行PCA算法进行数据的提取，具体过程如下：
Figure FDA0002692257990000041
Cp＝λp
其中C为矩阵X的协方差矩阵，λ为矩阵C的特征值，p为矩阵C的特征向量，通过所述特征值来对所述特征向量进行排序并取得前k个特征向量构成矩阵Lk，矩阵X通过与矩阵Lk相乘，完成数据降维操作，构建出SDM正则化模型；
S73、使用所述构建出的SDM正则化模型对输入的位移场d＝[x1…xpy1…yp]进行以下SDM正则化处理：
Figure FDA0002692257990000042
其中，Lk指的是特征向量L的前k个对应特征值最大的特征向量，daffine指的是仿射变换构成的位移场矩阵。
CN202010995062.6A 2020-09-21 2020-09-21 一种基于图集配准的全身骨显像骨骼分割方法 Active CN112102339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010995062.6A CN112102339B (zh) 2020-09-21 2020-09-21 一种基于图集配准的全身骨显像骨骼分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010995062.6A CN112102339B (zh) 2020-09-21 2020-09-21 一种基于图集配准的全身骨显像骨骼分割方法

Publications (2)

Publication Number Publication Date
CN112102339A true CN112102339A (zh) 2020-12-18
CN112102339B CN112102339B (zh) 2023-07-07

Family

ID=73755920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010995062.6A Active CN112102339B (zh) 2020-09-21 2020-09-21 一种基于图集配准的全身骨显像骨骼分割方法

Country Status (1)

Country Link
CN (1) CN112102339B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634273A (zh) * 2021-03-10 2021-04-09 四川大学 一种基于深度神经网络的脑转移瘤分割系统及其构建方法
CN112950595A (zh) * 2021-03-10 2021-06-11 西北民族大学 一种基于spect成像的人体部位切分方法及系统
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
CN114066922A (zh) * 2021-11-19 2022-02-18 数坤(北京)网络科技股份有限公司 医学图像分割方法、装置、终端设备及存储介质
CN114067361A (zh) * 2021-11-16 2022-02-18 西北民族大学 一种spect成像的非病变热区切分方法与系统
CN115019049A (zh) * 2022-08-08 2022-09-06 四川大学 基于深度神经网络的骨显像骨病灶分割方法、系统及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070206880A1 (en) * 2005-12-01 2007-09-06 Siemens Corporate Research, Inc. Coupled Bayesian Framework For Dual Energy Image Registration
CN109064476A (zh) * 2018-07-24 2018-12-21 西安电子科技大学 一种基于水平集的ct胸片肺组织图像分割方法
CN109646035A (zh) * 2019-01-04 2019-04-19 北京永新医疗设备有限公司 骨断层图像重建方法及系统
CN110047128A (zh) * 2018-01-15 2019-07-23 西门子保健有限责任公司 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统
CN110264559A (zh) * 2019-04-01 2019-09-20 佛山原子医疗设备有限公司 一种骨断层图像重建方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070206880A1 (en) * 2005-12-01 2007-09-06 Siemens Corporate Research, Inc. Coupled Bayesian Framework For Dual Energy Image Registration
CN110047128A (zh) * 2018-01-15 2019-07-23 西门子保健有限责任公司 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统
CN109064476A (zh) * 2018-07-24 2018-12-21 西安电子科技大学 一种基于水平集的ct胸片肺组织图像分割方法
CN109646035A (zh) * 2019-01-04 2019-04-19 北京永新医疗设备有限公司 骨断层图像重建方法及系统
CN110264559A (zh) * 2019-04-01 2019-09-20 佛山原子医疗设备有限公司 一种骨断层图像重建方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YABO FU等: "automatic and hierarchical segmentation of the human skeleton in CT images" *
刘雪莉;宋志坚;: "超声和MR/CT图像的非刚性配准技术" *
吴少平: "骨骼影像学研究现状与发展方向" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634273A (zh) * 2021-03-10 2021-04-09 四川大学 一种基于深度神经网络的脑转移瘤分割系统及其构建方法
CN112950595A (zh) * 2021-03-10 2021-06-11 西北民族大学 一种基于spect成像的人体部位切分方法及系统
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
CN114067361A (zh) * 2021-11-16 2022-02-18 西北民族大学 一种spect成像的非病变热区切分方法与系统
CN114066922A (zh) * 2021-11-19 2022-02-18 数坤(北京)网络科技股份有限公司 医学图像分割方法、装置、终端设备及存储介质
CN115019049A (zh) * 2022-08-08 2022-09-06 四川大学 基于深度神经网络的骨显像骨病灶分割方法、系统及设备
CN115019049B (zh) * 2022-08-08 2022-12-16 四川大学 基于深度神经网络的骨显像骨病灶分割方法、系统及设备

Also Published As

Publication number Publication date
CN112102339B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN112102339B (zh) 一种基于图集配准的全身骨显像骨骼分割方法
US7876938B2 (en) System and method for whole body landmark detection, segmentation and change quantification in digital images
Yang et al. Automatic kidney segmentation in CT images based on multi-atlas image registration
US6718055B1 (en) Temporal and spatial correction for perfusion quantification system
CN109035160A (zh) 医学影像的融合方法及基于融合医学影像学习的图像检测方法
Ettinger et al. Automatic registration for multiple sclerosis change detection
Géraud et al. Segmenting internal structures in 3D MR images of the brain by Markovian relaxation on a watershed based adjacency graph
Sanada et al. Image feature analysis and computer‐aided diagnosis in digital radiography: Automated delineation of posterior ribs in chest images
Ling et al. Semi-automated vertebral segmentation of human spine in MRI images
Gupta et al. Analysis and comparison of brain tumor detection and extraction techniques from MRI images
Mitta et al. Upgraded w-net with attention gates and its application in unsupervised 3d liver segmentation
Bhatia et al. A proposed quantitative approach to classify brain MRI
Bourouis et al. 3D segmentation of MRI brain using level set and unsupervised classification
Ladefoged et al. Automatic correction of dental artifacts in PET/MRI
Museyko et al. Binary segmentation masks can improve intrasubject registration accuracy of bone structures in CT images
Adegoke et al. Overview of medical image segmentation
Grigorios-Aris et al. Automatic segmentation of lungs in SPECT images using active shape model trained by meshes delineated in CT images
Huang et al. Computer-aided lesion detection with statistical model-based features in PET images
Gleason et al. Automatic screening of polycystic kidney disease in x-ray CT images of laboratory mice
Li et al. SOMA: Subject‐, object‐, and modality‐adapted precision atlas approach for automatic anatomy recognition and delineation in medical images
Sreelekshmi et al. A Review on Multimodal Medical Image Fusion
Wei et al. An automatic fine-grained skeleton segmentation method for whole-body bone scintigraphy using atlas-based registration
Okamoto et al. Detection of Hepatocellular Carcinoma in CT Images Using Deep Learning
Tina et al. Analysis of Algorithms in Medical Image Processing
Song et al. A novel iterative matching scheme based on homography method for X-ray image

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