CN112734738B - 一种距腓前韧带磁共振影像的病灶智能定位装置 - Google Patents

一种距腓前韧带磁共振影像的病灶智能定位装置 Download PDF

Info

Publication number
CN112734738B
CN112734738B CN202110062041.3A CN202110062041A CN112734738B CN 112734738 B CN112734738 B CN 112734738B CN 202110062041 A CN202110062041 A CN 202110062041A CN 112734738 B CN112734738 B CN 112734738B
Authority
CN
China
Prior art keywords
talus
point
contour
fibula
image
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
CN202110062041.3A
Other languages
English (en)
Other versions
CN112734738A (zh
Inventor
余辉
燕文
王植
孟祥虹
孙敬来
梁晓韵
李佳燨
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202110062041.3A priority Critical patent/CN112734738B/zh
Publication of CN112734738A publication Critical patent/CN112734738A/zh
Application granted granted Critical
Publication of CN112734738B publication Critical patent/CN112734738B/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
    • G06T7/0002—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种距腓前韧带磁共振影像的病灶智能定位装置，其特征在于，包括：图像预处理模块，用于读取距腓前韧带所在的水平面磁共振影像并进行灰度预处理操作；质心提取模块，用于根据预处理后的图像提取距腓前韧带磁共振影像中距骨和腓骨的质心坐标；轮廓提取及平滑模块，用于提取图像中距骨和腓骨的边界轮廓，并进行轮廓平滑；主方向修正模块，用于确定距骨长轴，并以该长轴方向为主轴即Y轴对图像进行主方向修正；病灶特征点提取模块，用于计算距骨和腓骨的单像素轮廓曲率，确定病灶的解剖学特征点；病灶区域定位模块。

Description

一种距腓前韧带磁共振影像的病灶智能定位装置
技术领域
本发明涉及医学图像处理领域，具体设计一种对距腓前韧带磁共振影像的病灶区域进行智能标记定位的装置。
背景技术
距腓前韧带是连接距骨和腓骨的结缔组织，对维持踝关节稳定性最为重要，同时也最薄弱、最易受累，是临床最常损伤的外侧踝关节韧带。目前对距腓前韧带的诊断以磁共振检查为主，主要由医生通过大量读片进行病灶定位，进而对损伤严重程度进行评估，这对临床医生的经验要求较高，并且人工读片耗时耗力、且工作量大，同时存在一定误诊和漏诊现象。因此急需一种距腓前韧带磁共振影像的病灶智能定位装置对距腓前韧带进行快速准确的定位和标记，提高韧带损伤的检测速度。
发明内容
本发明旨在提供一种距腓前韧带磁共振影像的病灶智能定位装置。本发明通过提取距骨和腓骨的轮廓曲线，基于距骨、腓骨及距腓前韧带的解剖学特点计算轮廓曲率，进而确定病灶特征点，对病灶区域进行快速智能定位。技术方案如下：
一种距腓前韧带磁共振影像的病灶智能定位装置，其特征在于，包括：
1)图像预处理模块，用于读取距腓前韧带所在的水平面磁共振影像并进行灰度预处理操作，将图像映射到8位，并进行双边滤波去噪；
2)质心提取模块，用于根据预处理后的图像提取距腓前韧带磁共振影像中距骨和腓骨的质心坐标；
3)轮廓提取及平滑模块，用于提取图像中距骨和腓骨的边界轮廓，并进行轮廓平滑；具体包括：以背景图像作为确定背景bg，以距骨质心(xj,yj)为确定的距骨前景fgj，以腓骨质心(xf,yf)为确定的腓骨前景fgf，则距骨和腓骨的未知区域分别为bg-fgj和bg-fgf，使用分水岭算法对未知区域进行判断，提取出距骨和腓骨的边界轮廓线，并将轮廓曲线与高斯函数卷积进行高斯平滑；
4)主方向修正模块，用于确定距骨长轴，并以该长轴方向为主轴即Y轴对图像进行主方向修正(将Y轴垂直方向确定为X轴)；具体包括：
第1步：连接距骨轮廓点(xji,yji)与质心点(xj,yj)，并延长交轮廓上另一点为(x'ji,y'ji)，计算两点之间的距离
Figure BDA0002903060080000011
遍历所有轮廓点得到d0,d1,...,dn，取最大距离作为距骨长轴，计算该长轴与Y轴的夹角θ；
第2步：以距骨质心(xj,yj)为旋转中心，夹角θ为旋转角度对图像进行旋转，实现主方向修正，保证距骨长轴方向与Y轴方向平行，将Y轴垂直方向确定为X轴；
5)病灶特征点提取模块，用于计算距骨和腓骨的单像素轮廓曲率，确定病灶的解剖学特征点，具体包括：
第1步：根据距骨和腓骨的质心坐标确定图像为左踝或右踝，若xj>xf，则图像为右踝，反之为左踝；
第2步：以距骨轮廓X轴方向上宽度最大的轮廓点作为距骨外侧穹窿，对于右踝，取左轮廓点即所有轮廓点中横坐标最小值所在的坐标为距骨外侧穹窿，对于左踝，取右轮廓点即所有轮廓点中横坐标最大值所在的坐标为距骨外侧穹窿，记为M(xM,yM)；计算距骨轮廓初始点与外侧穹窿点范围内轮廓点的曲率，对于其中任意一点Ni，用前后相距为k的两点Ni-k和Ni+k来近似计算离散点Ni处的曲率，计算公式为
Figure BDA0002903060080000021
取曲率Ci最大值所在的坐标为距骨颈，记为N(xN,yN)；以距骨外侧穹窿M(xM,yM)和距骨颈N(xN,yN)的中点轮廓坐标作为二者的交界点，记为病灶特征点A(xA,yA)；
第3步：腓骨轮廓的坐标为(xf0,yf0),(xf1,yf1),...,(xfn,yfn)，对于右踝，腓骨内缘点的候选点集为{(xf(n/2),yf(n/2)),(xf(n/2+1),yf(n/2+1)),...,(xfn,yfn)}，对于左踝，腓骨内缘点的候选点集为{(xf0,yf0),(xf1,yf1),...,(xf(n/2),yf(n/2))}，计算候选点集中所有点的曲率，取最小曲率轮廓点的坐标为腓骨内缘点，记为病灶特征点B(xB,yB)；
第4步：过点B作AB的垂线段交腓骨轮廓于点C，作为腓骨外缘点，记为病灶特征点C(xC,yC)；
6)病灶区域定位模块，用于对距腓前韧带的病灶区域进行定位标记；分别取特征点A、B、C中横纵坐标的最小值和最大值作为矩形框定位的左上角坐标和右下角坐标，对距腓前韧带的病灶区域进行智能定位。
优选地，质心提取模块具体包括：利用图像二值化提取连通域，并计算连通域面积，其中，最大连通域和第二大连通域的质心分别为距骨和腓骨的质心，记为(xj,yj)和(xf,yf)。
优选地，轮廓提取及平滑模块具体包括：以背景图像作为确定背景bg，以距骨质心(xj,yj)为确定的距骨前景fgj，以腓骨质心(xf,yf)为确定的腓骨前景fgf，则距骨和腓骨的未知区域分别为bg-fgj和bg-fgf，使用分水岭算法对未知区域进行判断，提取出距骨和腓骨的边界轮廓线，并将轮廓曲线与高斯函数卷积进行高斯平滑。
附图说明
图1：本发明距腓前韧带病灶智能定位装置的流程图
图2：特征点A、B、C及X轴、Y轴示意图
图3：分水岭算法提取并平滑后的距骨和腓骨的轮廓
图4(a)：距骨长轴及其夹角示意图；图4(b)：主方向修正后的图像
图5：离散点曲率计算公式示意图
图6：病灶特征点A、B、C的提取结果
图7：距腓前韧带病灶区域的定位结果
图8：本发明的病灶定位结果(矩形框)与医生手动标记的病灶结果对比图
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合实例、附图及具体实施方案进行详细描述。
本发明提供了一种距腓前韧带磁共振影像的病灶智能定位装置，包括图像预处理模块、质心提取模块、轮廓提取及平滑模块、主方向修正模块、病灶特征点提取模块和病灶区域定位模块，实施流程图如图1所示，具体步骤包括：
1、图像预处理模块
读取DICOM格式距腓前韧带所在的水平面磁共振影像并进行灰度预处理操作，将16位DICOM图像映射到8位，并进行双边滤波去噪。本例距腓前韧带磁共振影像的层厚为4mm，层间距为5mm，分辨率为512*512，调节窗宽为2200，窗位为1100，根据公式(1)将原始DICOM图像的灰度范围标准化至人眼可分辨的灰度范围0-255内。
Figure BDA0002903060080000031
其中，I(i,j)为原始图像的灰度值，Imin、Imax分别为原始图像的最小灰度值和最大灰度值，I'(i,j)为标准化后的图像灰度。为了减小图像噪声对后续轮廓提取的影响，采用双边滤波进行去噪，计算公式如公式(2)所示：
Figure BDA0002903060080000032
其中，I(xc,yc)为中心像素点的灰度值，w(xi,yi,xc,yc)为当前像素点的双边滤波权重，If(xi,yi)为坐标点(xi,yi)处的像素经双边滤波后的灰度值。
2、质心提取模块
利用图像二值化提取连通域，并计算连通域面积，其中，最大连通域和第二大连通域的质心分别为距骨和腓骨的质心，记为(xj,yj)和(xf,yf)。本例采用大津法对滤波后的图像进行二值化处理，然后计算所有连通域面积，面积最大的连通域表示距骨，面积第二大的连通域表示腓骨，得到距骨的质心坐标(274,213)，腓骨的质心坐标(174,258)。
3、轮廓提取及平滑模块
以背景图像作为确定背景bg，以距骨质心(274,213)为确定的距骨前景fgj，以腓骨质心(174,258)为确定的腓骨前景fgf，则距骨和腓骨的未知区域分别为bg-fgj和bg-fgf，使用分水岭算法对未知区域进行判断，提取出距骨和腓骨的边界轮廓线，用r＝[x(u),y(u)]，u∈[0,1]表示，其中u为弧长参数。将轮廓曲线与高斯函数G(u,σ)做卷积运算进行高斯平滑，得到rσ＝[X(u,σ),Y(u,σ)]为平滑后的轮廓。高斯函数的表达式如公式(3)所示：
Figure BDA0002903060080000041
其中，σ为高斯分布的均方差。图3所示为分水岭算法提取并进行高斯平滑后得到的距骨和腓骨的轮廓，左边为腓骨轮廓，右边为距骨轮廓。
4、主方向修正模块
本例中距骨轮廓的坐标为(xj0,yj0)＝(287,129),(xj1,yj1)＝(286,130),...,(xjn,yjn)＝(288,129)，距骨质心坐标为(272,214)。
第1步：连接距骨轮廓点(xji,yji)与质心点(xj,yj)，并延长交轮廓上另一点为(x'ji,y'ji)，计算两点之间的距离
Figure BDA0002903060080000042
遍历所有轮廓点得到d0,d1,...,dn，取最大距离170.66作为距骨长轴，计算该长轴与Y轴的夹角θ＝11.08°。
第2步：以距骨质心(272,214)为旋转中心，夹角θ＝11.08°为旋转角度对图像进行旋转，实现主方向修正，保证距骨长轴方向与Y轴方向平行。图4(a)所示为距骨长轴及其夹角示意图，图4(b)为主方向修正后的图像。
5、病灶特征点提取模块
计算距骨和腓骨的单像素轮廓曲率，确定病灶的解剖学特征点，包括特征点A(距骨外侧穹窿与距骨颈的交界点)、特征点B(腓骨内缘点)和特征点C(腓骨外缘点)。具体计算步骤如下：
第1步：根据距骨和腓骨的质心坐标确定图像为左踝或右踝，若xj>xf，则图像为右踝，反之为左踝。本例中距骨质心坐标为(274,213)，腓骨质心坐标为(174,258)，满足xj>xf，因此本例为右踝的距腓前韧带磁共振图像。
第2步：图像主方向修正后的距骨轮廓坐标为J0(287,128),J1(286,129),...,Jn(288,128)，以距骨轮廓X轴方向上宽度最大的轮廓点作为距骨外侧穹窿，对于本例的右踝距腓前韧带图像，取左轮廓点(即所有轮廓点中横坐标最小值所在的坐标)为距骨外侧穹窿，记为M(xM,yM)，即JM(201,225)。然后计算距骨轮廓初始点J0(287,128)与外侧穹窿点JM(201,225)范围内轮廓点的曲率。对于任意一点Ni，用前后相距为k的两点Ni-k和Ni+k来近似计算离散点Ni处的曲率，如图5所示，连接Ni Ni-k，Ni Ni+k，使图形轮廓变为一条折线段，可用弦长近似表示弧长，则离散点Ni处的一阶导数可表示为：
Figure BDA0002903060080000051
二阶导数可表示为：
Figure BDA0002903060080000052
其中，
Figure BDA0002903060080000053
则离散点Ni处的曲率计算公式如下：
Figure BDA0002903060080000054
本例取k＝10，计算J0(287,128)与JM(201,225)范围内轮廓点的曲率Ci＝{-0.0080,-0.0126,...,-0.0038}，i＝0,1,...,M，取曲率Ci最大值所在的坐标为距骨颈，记为N(xN,yN)，即JN(261,150)。以距骨外侧穹窿JM和距骨颈JN的中点轮廓坐标J(M+N)/2(232,183)作为二者的交界点，记为病灶特征点A(xA,yA)。
第3步：图像主方向修正后的腓骨轮廓坐标为F0(166,228),F1(165,229),...,Fn(167,229)，对于本例的右踝距腓前韧带图像，腓骨内缘点的候选点集为{Fn/2,Fn/2+1,...,Fn}，取k＝10，计算候选点集中所有点的曲率，取最小曲率轮廓点的坐标FB(185,234)为腓骨内缘点，记为病灶特征点B(xB,yB)。
第4步：过点B(185,234)作AB的垂线段交腓骨轮廓于点C，作为腓骨外缘点FC(166,228)，记为病灶特征点C(xC,yC)。
图6所示为本例右踝距腓前韧带图像提取的特征点A、B、C的结果示意图。
6、病灶区域定位模块
分别取特征点A、B、C中横纵坐标的最小值x0＝min{xA,xB,xC}＝{232,185,166}＝166，y0＝min{yA,yB,yC}＝{183,234,228}＝183作为矩形框定位的左上角坐标，最大值x1＝max{xA,xB,xC}＝{232,185,166}＝232，y1＝max{yA,yB,yC}＝{183,234,228}＝234作为矩形框定位的右下角坐标，作矩形对病灶区域进行定位，如图7所示的矩形框为病灶定位结果。
图8所示为本发明的距腓前韧带病灶定位结果(矩形框)与医生手动标记的病灶结果对比图，可以看出使用本发明提出的特征点提取及定位装置可以实现距腓前韧带病灶区域的准确定位。

Claims (3)

1.一种距腓前韧带磁共振影像的病灶智能定位装置，其特征在于，包括：
1)图像预处理模块，用于读取距腓前韧带所在的水平面磁共振影像并进行灰度预处理操作，将图像映射到8位，并进行双边滤波去噪；
2)质心提取模块，用于根据预处理后的图像提取距腓前韧带磁共振影像中距骨和腓骨的质心坐标；
3)轮廓提取及平滑模块，用于提取图像中距骨和腓骨的边界轮廓，并进行轮廓平滑；具体包括：以背景图像作为确定背景bg，以距骨质心(xj,yj)为确定的距骨前景fgj，以腓骨质心(xf,yf)为确定的腓骨前景fgf，则距骨和腓骨的未知区域分别为bg-fgj和bg-fgf，使用分水岭算法对未知区域进行判断，提取出距骨和腓骨的边界轮廓线，并将轮廓曲线与高斯函数卷积进行高斯平滑；
4)主方向修正模块，用于确定距骨长轴，并以该长轴方向为主轴即Y轴对图像进行主方向修正，将Y轴垂直方向确定为X轴；具体包括：
第1步：连接距骨轮廓点(xji,yji)与质心点(xj,yj)，并延长交轮廓上另一点为(x'ji,y'ji)，计算两点之间的距离
Figure FDA0002903060070000011
遍历所有轮廓点得到d0,d1,...,dn，取最大距离作为距骨长轴，计算该长轴与Y轴的夹角θ；
第2步：以距骨质心(xj,yj)为旋转中心，夹角θ为旋转角度对图像进行旋转，实现主方向修正，保证距骨长轴方向与Y轴方向平行，将Y轴垂直方向确定为X轴；
5)病灶特征点提取模块，用于计算距骨和腓骨的单像素轮廓曲率，确定病灶的解剖学特征点，具体包括：
第1步：根据距骨和腓骨的质心坐标确定图像为左踝或右踝，若xj>xf，则图像为右踝，反之为左踝；
第2步：以距骨轮廓X轴方向上宽度最大的轮廓点作为距骨外侧穹窿，对于右踝，取左轮廓点即所有轮廓点中横坐标最小值所在的坐标为距骨外侧穹窿，对于左踝，取右轮廓点即所有轮廓点中横坐标最大值所在的坐标为距骨外侧穹窿，记为M(xM,yM)；计算距骨轮廓初始点与外侧穹窿点范围内轮廓点的曲率，对于其中任意一点Ni，用前后相距为k的两点Ni-k和Ni+k来近似计算离散点Ni处的曲率，计算公式为
Figure FDA0002903060070000012
取曲率Ci最大值所在的坐标为距骨颈，记为N(xN,yN)；以距骨外侧穹窿M(xM,yM)和距骨颈N(xN,yN)的中点轮廓坐标作为二者的交界点，记为病灶特征点A(xA,yA)；
第3步：腓骨轮廓的坐标为(xf0,yf0),(xf1,yf1),...,(xfn,yfn)，对于右踝，腓骨内缘点的候选点集为{(xf(n/2),yf(n/2)),(xf(n/2+1),yf(n/2+1)),...,(xfn,yfn)}，对于左踝，腓骨内缘点的候选点集为{(xf0,yf0),(xf1,yf1),...,(xf(n/2),yf(n/2))}，计算候选点集中所有点的曲率，取最小曲率轮廓点的坐标为腓骨内缘点，记为病灶特征点B(xB,yB)；
第4步：过点B作AB的垂线段交腓骨轮廓于点C，作为腓骨外缘点，记为病灶特征点C(xC,yC)；
6)病灶区域定位模块，用于对距腓前韧带的病灶区域进行定位标记；分别取特征点A、B、C中横纵坐标的最小值和最大值作为矩形框定位的左上角坐标和右下角坐标，对距腓前韧带的病灶区域进行智能定位。
2.根据权利要求1所述的距腓前韧带磁共振影像的病灶智能定位装置，其特征在于，质心提取模块具体包括：利用图像二值化提取连通域，并计算连通域面积，其中，最大连通域和第二大连通域的质心分别为距骨和腓骨的质心，记为(xj,yj)和(xf,yf)。
3.根据权利要求1所述的距腓前韧带磁共振影像的病灶智能定位装置，其特征在于，轮廓提取及平滑模块具体包括：以背景图像作为确定背景bg，以距骨质心(xj,yj)为确定的距骨前景fgj，以腓骨质心(xf,yf)为确定的腓骨前景fgf，则距骨和腓骨的未知区域分别为bg-fgj和bg-fgf，使用分水岭算法对未知区域进行判断，提取出距骨和腓骨的边界轮廓线，并将轮廓曲线与高斯函数卷积进行高斯平滑。
CN202110062041.3A 2021-01-18 2021-01-18 一种距腓前韧带磁共振影像的病灶智能定位装置 Active CN112734738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110062041.3A CN112734738B (zh) 2021-01-18 2021-01-18 一种距腓前韧带磁共振影像的病灶智能定位装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110062041.3A CN112734738B (zh) 2021-01-18 2021-01-18 一种距腓前韧带磁共振影像的病灶智能定位装置

Publications (2)

Publication Number Publication Date
CN112734738A CN112734738A (zh) 2021-04-30
CN112734738B true CN112734738B (zh) 2022-03-11

Family

ID=75592017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110062041.3A Active CN112734738B (zh) 2021-01-18 2021-01-18 一种距腓前韧带磁共振影像的病灶智能定位装置

Country Status (1)

Country Link
CN (1) CN112734738B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101666834B1 (ko) * 2015-08-07 2016-10-17 서울여자대학교 산학협력단 무릎 자기공명영상에서의 전방십자인대 분할 방법 및 장치
CN110288698A (zh) * 2019-06-25 2019-09-27 诸暨市人民医院 基于mri的半月板三维重建系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101666834B1 (ko) * 2015-08-07 2016-10-17 서울여자대학교 산학협력단 무릎 자기공명영상에서의 전방십자인대 분할 방법 및 장치
CN110288698A (zh) * 2019-06-25 2019-09-27 诸暨市人民医院 基于mri的半月板三维重建系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Contribution of MRI in the diagnosis of traumatic ruptures of the anterior cruciate ligament;D. Guenoun, T. Le Corroller;《Diagnostic and interventional imaging》;20170321;第331-341页 *
核磁共振T2mapping成像评估前交叉韧带重建术后股骨髁软骨对吻损伤的定量研究;周雯、黄嵘、戚玉龙;《中国CT和MRI杂志》;20161015;第108-112页 *

Also Published As

Publication number Publication date
CN112734738A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
WO2021047684A1 (zh) 基于主动轮廓和深度学习的模糊边界图像自动分割方法
AU692499B2 (en) Automated method and system for the segmentation of medical images
CN104992445B (zh) 一种ct图像肺实质的自动分割方法
Wan Ahmad et al. Lung segmentation on standard and mobile chest radiographs using oriented Gaussian derivatives filter
US20070019852A1 (en) Pulminary nodule detection in a chest radiograph
CN107665497B (zh) 一种医学图像中计算心胸比的方法
Pulagam et al. Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases
CN107240128B (zh) 一种基于轮廓特征的x线片和彩色照片配准方法
US20090060366A1 (en) Object segmentation in images
CN104252708B (zh) 一种x光胸片图像处理方法及系统
US20120099771A1 (en) Computer aided detection of architectural distortion in mammography
CN108537838B (zh) 一种髋关节骨性髋臼角度的检测方法
Wang et al. Automatic approach for lung segmentation with juxta-pleural nodules from thoracic CT based on contour tracing and correction
Shi et al. Many is better than one: an integration of multiple simple strategies for accurate lung segmentation in CT images
Jas et al. A heuristic approach to automated nipple detection in digital mammograms
US8340378B2 (en) Ribcage segmentation
Lee et al. Hybrid airway segmentation using multi-scale tubular structure filters and texture analysis on 3D chest CT scans
Mondal et al. Automatic craniofacial structure detection on cephalometric images
CN112734738B (zh) 一种距腓前韧带磁共振影像的病灶智能定位装置
CN112258536B (zh) 一种胼胝体及小脑蚓部的一体化定位及分割方法
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
Podsiadlo et al. Automated selection of trabecular bone regions in knee radiographs
TWI675646B (zh) 乳房影像分析方法、乳房影像分析系統及非暫態電腦可讀取媒體
Martín-Fernández et al. Automatic articulated registration of hand radiographs
JP2004188202A (ja) デジタル胸部放射線写真の自動分析方法

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