CN113284160B - 一种手术导航标记珠体识别的方法、装置和设备 - Google Patents

一种手术导航标记珠体识别的方法、装置和设备 Download PDF

Info

Publication number
CN113284160B
CN113284160B CN202110443879.7A CN202110443879A CN113284160B CN 113284160 B CN113284160 B CN 113284160B CN 202110443879 A CN202110443879 A CN 202110443879A CN 113284160 B CN113284160 B CN 113284160B
Authority
CN
China
Prior art keywords
screening
connected domain
image
domains
calculating
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
CN202110443879.7A
Other languages
English (en)
Other versions
CN113284160A (zh
Inventor
苏瑞朋
张勇
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.)
Tinavi Medical Technologies Co Ltd
Original Assignee
Tinavi Medical Technologies Co Ltd
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 Tinavi Medical Technologies Co Ltd filed Critical Tinavi Medical Technologies Co Ltd
Priority to CN202110443879.7A priority Critical patent/CN113284160B/zh
Publication of CN113284160A publication Critical patent/CN113284160A/zh
Application granted granted Critical
Publication of CN113284160B publication Critical patent/CN113284160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • 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
    • G06T7/187—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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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]

Abstract

本申请提供一种手术导航标记珠体识别的方法、装置和设备，涉及手术导航领域。一种手术导航标记珠体识别的方法，包括：获取手术区域空间标记珠体分布的图像；对所述图像进行阈值分割，得到多个连通域；对所述连通域进行筛选，得到连通域组合；根据得到的所述连通域组合，计算并输出目标连通域的质心点坐标，完成图像上所述标记珠体的识别。根据本申请实施例的技术方案，利用CBCT图像的直方图自动查找阈值，实现了标记珠体区域的自动分割，提高了区域分割精度。

Description

一种手术导航标记珠体识别的方法、装置和设备
技术领域
本申请涉及手术导航领域，具体而言，涉及一种手术导航标记珠体识别的方法、装置和设备。
背景技术
在图像引导手术导航技术中，配准是必要的过程。配准的过程就是将图像中拍到的标尺上金属珠体的位置和患者空间中标尺上金属珠体的位置对应的过程。从CBCT图像中准确的识别出金属珠体的位置是非常关键的步骤，主流的实现方式目前主要有两种。
一种是基于固定阈值分割，该方法主要是给定一固定阈值T，利用此阈值对图像进行分割，然后从分割结果中的N个连通域中依次挑选，和金属珠体的精确值进行配准，然后选出配准误差最小的组合。但是该方法存在一定的弊端。首先，CBCT图像的CT值没有固定的范围，不同设备成像CT值范围不同，同一设备在不同的成像条件下，金属珠体的灰度范围也会不同，固定阈值并不能很好的将金属珠体分割出来；其次，固定阈值分割，通常无法去掉珠体周围的金属伪影，导致分割出来的形状圆形度较差，其中心点坐标精度也会变差；此外，当阈值分割出来的连通域个数较多时，组合情况会变得非常大，将每个组合情况都配准一遍会变得非常慢。
另一种方法是人为地手动调整阈值并实时观察图像变化，找到一个合适的阈值，利用此阈值对图像进行分割。该方法相对于第一种方法而言，分割效果更好，但其弊端是需要人工手动调整阈值，而非自动分割。
发明内容
本申请提供一种手术导航标记珠体识别的方法、装置和设备，根据CBCT图像的灰度直方图自动计算阈值并进行图像分割，可有效处理不同C臂设备成像CT值范围不同、标记珠体的灰度范围不同的情况，并通过对单个连通域的个体形态信息和多个连通域的整体形态信息进行筛选，能够有效排除非标记珠体区域的干扰，提升标记珠体区域识别效率，提高了手术导航配准的精确性和有效性。
根据本申请的一方面，提供一种手术导航标记珠体识别的方法，包括：获取手术区域空间标记珠体分布的图像；对所述图像进行阈值分割，得到多个连通域；对所述连通域进行筛选，得到连通域组合；根据得到的所述连通域组合，计算并输出目标连通域的质心点坐标，完成图像上所述标记珠体的识别。
根据一些实施例，所述标记珠体为金属材质。
根据一些实施例，对所述图像进行阈值分割，包括：根据所述图像的数据生成灰度直方图；基于所述灰度直方图计算阈值T；使用所述阈值T对所述图像进行阈值分割。
根据一些实施例，所述阈值T的计算方法包括：设置经验参数p1；按灰阶遍历所述灰度直方图，累加计算所述灰度直方图两个分区的面积S0、S1；当时，停止遍历，此时的所述灰阶即为所述阈值T。
根据一些实施例，对所述连通域进行筛选，包括：进行连通域个体形态筛选，获取符合所述个体形态筛选条件的所述连通域；基于所述个体形态筛选获取的所述连通域进行连通域整体形态筛选。
根据一些实施例，所述连通域个体形态筛选，包括：获取阈值分割后的,图像目标区域；所述目标区域内的连通域进行尺寸筛选；基于所述尺寸筛选获取的所述连通域进行跨度筛选；基于所述跨度筛选获取的所述连通域进行圆度筛选；基于所述圆度筛选获取的所述连通域进行椭球度筛选。
根据一些实施例，对所述目标区域内的连通域进行尺寸筛选，包括：计算所述标记珠体的实际体积V0；设置体积下限经验参数p2和体积上限经验参数p3；筛选出位于(p2V0,p3V0)区间的所述连通域。
根据一些实施例，根据所述尺寸筛选获取的所述连通域进行跨度筛选，包括：获取经过所述尺寸筛选的连通域在三维空间内三个方向上的长度Lx、Ly、Lz；设置跨度经验参数p4；筛选出满足Lx<p4,Ly<p4,Lz<p4条件的所述连通域。
根据一些实施例，根据所述跨度筛选获取的所述连通域进行圆度筛选，包括：设置圆度经验参数p5；计算经过所述跨度筛选的连通域圆度其中，A为与所述连通域体积相等的等效球体的表面积，a为所述连通域的实际表面积；筛选出满足连通域圆度R>p5的所述连通域。
根据一些实施例，根据所述圆度筛选获取的所述连通域进行椭球度筛选，包括：设置椭球度经验参数p6；获取经过所述圆度筛选的连通域在三维空间内三个方向上的长度Lx、Ly、Lz；计算经过所述圆度筛选的连通域椭球度筛选出满足连通域椭球度E<p6的所述连通域。
根据一些实施例，所述连通域整体形态筛选，包括：选出经过所述连通域个体形态筛选的连通域中与所述标记珠体数量一致的所述连通域，对所述连通域形成的多种连通域组合依次进行第一形状筛选、第二形状筛选和第三形状筛选。
根据一些实施例，对所述连通域形成的多种连通域组合进行第一形状筛选，包括：测量所述标记珠体的精确质心点的坐标，并计算所述质心点两两之间的线段长度之和精确值L1；获取所述连通域中待识别的标记珠体候选连通域质心点坐标，并计算所述待识别的标记珠体候选连通域质心点两两之间的线段长度之和L1’；设置第一形状经验参数p7；当|L1-L1’|<p7时，筛选出所述第一形状筛选的所述连通域组合。
根据一些实施例，对所述连通域形成的多种连通域组合进行第二形状筛选，包括：获取所述标记珠体质心点两两之间的线段长度并进行排序，选出最大长度精确值L2；获取所述连通域组合中所述待识别的标记珠体候选连通域质心点两两之间的线段并进行排序，选出最大长度L2’；设置第二形状经验参数p8；当|L2-L2’|<p8时，筛选出所述第二形状筛选的所述连通域组合。
根据一些实施例，对所述连通域形成的多种连通域组合进行第三形状筛选，包括：获取所述标记珠体质心点两两之间的M条线段(l0,l1,...,lM-1)，并按照由短到长的顺序进行排序，排序后为(l0',l1',...,lM'-1)，M为整数；若剩余K个所述连通域组合，对每一种序号为i的组合情况，计算并进行排序，排序后为/>i、K为整数；计算公式：
选出(δ0,δ1,...,δK-1)序列中最小的值δmin，所述δmin对应的组合即为最终选出的所述连通域组合；根据所述连通域组合包括的所述连通域，计算每个所述连通域的质心点坐标并输出。
根据本申请的一方面，提供一种电子装置，包括：图像数据提取模块，获取术前图像并提取图像数据；第一图像处理模块，根据所述图像数据形成的灰度直方图计算阈值T，基于所述阈值T对所述图像进行阈值分割；第二图像处理模块，对所述阈值分割得到的连通域进行筛选；存储模块，将经过所述阈值分割和所述筛选的候选连通域进行存储；计算输出模块，选出与实际形状最相似的所述连通域组合，计算并输出所述连通域组合中各连通域的质心点坐标。
根据本申请的一方面，提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得一个或多个处理器实现如前所述的方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例。
图1示出根据本申请示例实施例的一种手术导航标记珠体识别方法流程图。
图2示出根据本申请示例实施例的标记珠体示意图。
图3示出根据本申请示例实施例的术前CBCT图。
图4示出根据本申请示例实施例的灰度统计直方图。
图5A示出根据本申请示例实施例的阈值分割后的二值图。
图5B示出根据本申请示例实施例的阈值分割后的三维示意图。
图6示出根据本申请示例实施例的连通域个体形态筛选流程图。
图7示出根据本申请示例实施例的连通域空间形态示意图。
图8示出根据本申请示例实施例的连通域整体形态筛选流程图。
图9示出根据本申请示例实施例的标记珠体之间的连线示意图。
图10示出根据本申请示例实施例的电子装置的框图。
图11示出根据本申请示例实施例的电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有这些特定细节中的一个或更多，或者可以采用其它的方式、组元、材料、装置或操作等。在这些情况下，将不详细示出或描述公知结构、方法、装置、实现、材料或者操作。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本申请提供一种手术导航标记珠体识别的方法，可根据CBCT图像的灰度统计直方图自动计算阈值并进行图像分割，提高标记珠体区域识别的速度和准确率，通过对患者空间和术前CBCT影像空间中对应的标记珠体的坐标进行比对，实现患者空间与术前CBCT影像空间的快速精确配准，提升了手术导航的安全性。
下面将参照附图，对根据本申请实施例的一种手术导航标记珠体识别的方法进行详细说明。
术语说明：
CBCT：Cone beam CT的简称，即锥形束CT，锥形束投照计算机重组断层影像设备，其原理是X线发生器以较低的射线量围绕投照体做环形数字式投照，然后将围绕投照体多次数字投照后交集中所获得的数据在计算机中重组后进而获得三维图像。
阈值分割：利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。
灰度统计直方图：用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。
灰阶：将最亮与最暗之间的亮度变化，区分为若干份，以便于进行信号输入相对应的屏幕亮度管控。
金属伪影：患者体内或体表的金属异物导致局部磁场的不均匀，在金属体周围出现一圈低信号盲区或影像扭曲、变形或失真。
图1示出根据本申请示例实施例的一种手术导航标记珠体识别方法流程图。
如图1所示，在S101，获取手术患者空间的术前CBCT图像并提取图像数据。
根据示例实施例，所述患者空间包括手术导航三维标尺，所述标尺上包括5个标记珠体，例如，参见图2，所述标记珠体的具体数量不以本实施例为限制。
根据示例实施例，所述标记珠体为直径3毫米的钢珠。
在图像引导手术导航配准之前，需对所述CBCT图像中拍到的所述标记珠体的位置进行识别，以便于完成后续配准过程中将识别结果与患者空间中所述标记珠体的位置进行比对。
所述CBCT图像中包括人体组织和标记珠体、脊凸夹等金属物，因金属密度相对于X光的衰减系数和人体组织更大，在图像中呈现出高亮的性质，如图3所示。根据此特性，可提取所述CBCT图像的灰度数据。
在S103，创建灰度直方图。
根据示例实施例，获取所述CBCT图像的灰度数据，计算并生成灰度直方图。
所述直方图横坐标表示灰度级，纵坐标表示所述灰度级的像素数，参见图4所示。
根据一些实施例，所述直方图高峰附近像素数量很大，此处对应为人体组织和背景噪声。
所述直方图横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域，相对于高峰的更高灰阶部分对应的像素来自于所述标记珠体等金属物，但所述标记珠体的具体灰阶范围并不确定。
可选地，所述直方图可根据灰阶分为两个分区，分别对应所述标记珠体所在分区以及人体组织和背景噪声分区，所述两个分区的面积分别为S0、S1。
在S105，根据生成的灰度直方图自动计算阈值T。
获取所述直方图两个分区的面积S0、S1，如图4所示。
按灰阶遍历所述直方图，累加计算S0，当时，停止遍历，此时的所述灰阶即为所述阈值T，一般地，p1∈[0.9999,1]，p1为经验参数。
根据一些实施例，所述经验参数p1基于使用的医学影像设备的数据得出，可适当调整。
在S107，使用阈值T对图像进行分割。
根据所述阈值T，按灰阶将所述CBCT图像分割为目标区域和背景区域。
根据示例实施例，所述目标区域包括多个连通域，所述标记珠体所在连通域处于所述目标区域范围内。
利用所述CBCT图像中所述标记珠体的灰度特性，基于所述直方图计算出的阈值T，将所述CBCT图像分割为目标区域和背景区域的组合，产生相应的二值图像，冠状位图如图5A所示。
在S109，获取阈值分割后得到的连通域，并对所述连通域进行个体形态筛选和整体形态筛选。
根据示例实施例，所述CBCT图像经阈值分割后得到的图像包括6个连通域，所述6个连通域包括5个所述标记珠体和1个干扰项，例如脊凸夹和/或其它金属植入物，参见图5B所示。
根据一些实施例，所述个体形态筛选包括尺寸筛选、跨度筛选、圆度筛选和椭球度筛选。
所述整体形态筛选包括第一形状筛选、第二形状筛选和第三形状筛选。
通过所述个体形态筛选和所述整体形态筛选，可排除所述干扰项。
在S111，获取经过个体形态筛选和整体形态筛选的连通域组合，计算目标连通域质心点的坐标。
根据示例实施例，获取经过所述个体形态筛选和所述整体形态筛选的连通域组合，选出与所述标记珠体最相似的一种组合。
根据所述连通域组合包括的所述连通域，计算每个所述连通域的质心点坐标并输出。
将所述连通域质心点坐标与所述标记珠体实际坐标进行比对，并进行手术导航配准。
图6示出根据本申请示例实施例的连通域个体形态筛选流程图。
如图6所示，在S201，获取通过阈值T进行阈值分割后得到的多个连通域。
根据示例实施例，经过阈值分割后的所述CBCT图像包括6个所述连通域，所述连通域形状存在金属伪影，尺寸、圆度等较差，无法准确定位所述标记珠体的位置，如图5A、图5B所示。
在S203，对所述连通域进行尺寸筛选。
计算所述标记珠体的实际体积V0，设置体积下限经验参数p2和体积上限经验参数p3，筛选出特定大小范围内的区域。
一般地，所述经验参数p2∈[0.1,0.3]、p3∈[3,6]，基于使用的医学影像设备的数据得出，可适当调整。
计算并筛选出位于(p2V0,p3V0)区间范围内的所述连通域。
在S205，对经过所述尺寸筛选的所述连通域进行跨度筛选。
所述连通域在三维空间内包含在长度、宽度、高度分别为Lx、Ly、Lz的三维长方体中，如图7所示。
设置跨度经验参数p4，用于去除所述阈值分割得到的跨度过大的连通域。
一般地，所述经验参数p4∈[10,14]，基于使用的医学影像设备的数据得出，可适当调整。
当所述连通域满足Lx<p4,Ly<p4,Lz<p4条件时，保留所述连通域。
在S207，对经过所述跨度筛选的所述连通域进行圆度筛选。
设置圆度经验参数p5，用于筛选出圆形度更好的所述连通域。
一般地，所述经验参数p5∈[0.6,0.8]，基于使用的医学影像设备的数据得出，可适当调整。
计算所述连通域圆度A为与所述连通域体积相等的等效球体的表面积，a为所述连通域的实际表面积。
当所述连通域圆度R>p5时，保留所述连通域。
在S209，对经过所述圆度筛选的所述连通域进行椭球度筛选。
所述连通域在三维空间内包含在长度、宽度、高度分别为Lx、Ly、Lz的三维长方体中，如图7所示。
设置椭球度经验参数p6，用于去除形状过于扁长的所述连通域。
一般地，所述经验参数p6∈[3,4]，基于使用的医学影像设备的数据得出，可适当调整。
计算所述连通域椭球度
当所述连通域椭球度E<p6时，保留所述连通域。
图8示出根据本申请示例实施例的连通域整体形态筛选流程图。
如图8所示，在S301，获取经过个体形态筛选的连通域。
设置第一形状经验参数p7和第二形状经验参数p8，用于筛选出与所述标记珠体实际形状接近的所述连通域组合。
根据示例实施例，通过坐标系测量标尺上的5个所述标记珠体的精确质心点坐标，并计算所述质心点两两之间的10条线段长度之和精确值L1，及所述质心点两两之间的10条线段中的最大长度精确值L2，参见图2所示。
一般地，所述经验参数p7∈[L1-15,L1+15]、p8∈[L2-2,L2+2]，基于使用的医学影像设备的数据得出，可适当调整。
在S303，对待识别的所述连通域组合进行第一形状筛选。
获取所述连通域的质心点A、B、C、D、E的坐标，计算所述质心点两两之间共10条线段的长度之和L1’，如图9所示。
当|L1-L1’|<p7时，将所述连通域构成的组合进行保留。
在S305，对经过所述第一形状筛选的所述连通域组合进行第二形状筛选。
获取所述连通域的质心点A、B、C、D、E的坐标，计算所述质心点两两之间共10条线段的长度并进行排序，选出最大长度L2’，如图9所示。
当|L2-L2’|<p8时，将所述连通域组合进行保留。
在S307，对经过所述第二形状筛选的所述连通域组合进行第三形状筛选。
根据示例实施例，所述标记珠体数量为5个，所述标记珠体质心点两两之间的线段数量对于所述标尺，10条线段(l0,l1,...,l9)按照由短到长的顺序进行排序，排序后为(l0',l1',...,l9')。
若经过所述个体形态筛选和所述整体形态筛选后剩余K个所述连通域组合，对每一种序号为i的组合情况，计算并进行排序，排序后为(l0',l1',...,l9')，i、K为整数；计算公式：
选出(δ0,δ1,...,δK-1)序列中最小的值δmin，所述δmin对应的组合即为最终选出的所述连通域组合；根据所述连通域组合包括的所述连通域，计算每个所述连通域的质心点坐标并输出。
图10示出根据本申请示例实施例的电子装置的框图。
如图10所示，所述装置包括图像数据提取模块401，第一图像处理模块403，第二图像处理模块405，存储模块407和计算输出模块409。
图像数据提取模块401，用于获取手术区域的术前医学数字成像DICOM图像，并提取图像数据。
根据示例实施例，所述医学数字成像DICOM图像包括CBCT图像。
第一图像处理模块403，用于根据所述图像数据形成的灰度直方图计算阈值T，基于所述阈值T对所述CBCT图像进行阈值分割。
根据一些实施例，根据所述阈值T的灰阶，将所述CBCT图像分割为目标区域和背景区域，所述目标区域包括多个连通域，所述手术区域导航三维标尺上的标记珠体所在的连通域处于所述目标区域范围内。
第二图像处理模块405，对所述阈值分割得到的连通域进行筛选。
根据一些实施例，对所述连通域进行筛选包括：进行连通域个体形态筛选，并对符合所述个体形态筛选条件的所述连通域进行连通域整体形态筛选。
进一步地，所述个体形态筛选包括：对所述目标区域内的连通域进行尺寸筛选、跨度筛选、圆度筛选和椭球度筛选。
进一步地，所述整体形态筛选包括：对经过所述个体形态筛选的待识别的标记珠体候选连通域依次进行第一形状筛选、第二形状筛选和第三形状筛选，通过公式计算并筛选出与所述标记珠体最相似的一种连通域组合。
存储模块407，用于存储经过所述阈值分割和所述筛选的候选连通域。
可选地，所述阈值分割得到的所述CBCT图像目标区域和通过所述筛选并保留的所述连通域存储于所述存储模块的保留区。
可选地，所述阈值分割得到的所述CBCT图像背景区域和未通过所述筛选的所述连通域存储于所述存储模块的待删除区。
计算输出模块409，用于选出与实际形状最相似的所述连通域的组合，计算并输出所述连通域组合中各连通域的质心点坐标。
根据一些实施例，所述计算输出模块获取经过所述个体形态筛选和所述整体形态筛选得到的与所述标记珠体最相似的所述连通域组合，并根据所述连通域组合包括的所述连通域，计算每个所述连通域的质心点坐标并输出，以用于后续的手术导航配准操作。
图11示出根据本申请示例实施例的电子设备的框图。
如图11所示，电子设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书描述的根据本申请各种示例性实施方式的方法。例如，处理单元610可以执行如图4中所示的方法。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。根据本申请实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端或者网络设备等)执行根据本申请实施例的方法。
软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现前述功能。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
根据本申请的一些实施例，本申请的技术方案通过利用本申请提出的CBCT图像的直方图自动查找阈值，实现了标记珠体区域的自动分割，提高了标记珠体区域的分割精度；同时，通过连通域个体形态和连通域整体形态的多个指标的筛选，提高了区域识别的速度和准确率，提升手术导航的安全性、有效性和精确性，从而为直观、实时地通过可视化图像引导进行手术提供了保障。
以上对本申请实施例进行了详细介绍，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (14)

1.一种手术导航标记珠体识别的方法，其特征在于，包括：
获取手术区域空间标记珠体分布的图像；
对所述图像进行阈值分割，得到多个连通域；
对所述连通域进行筛选，得到连通域组合；
根据得到的所述连通域组合，计算并输出目标连通域的质心点坐标，完成图像上所述标记珠体的识别；
其中，对所述连通域进行筛选，包括：
进行连通域个体形态筛选，获取符合所述个体形态筛选条件的所述连通域；
基于所述个体形态筛选获取的所述连通域进行连通域整体形态筛选；
其中，所述连通域个体形态筛选，包括：
获取阈值分割后的图像目标区域；
对所述目标区域内的连通域进行尺寸筛选；
基于所述尺寸筛选获取的所述连通域进行跨度筛选；
基于所述跨度筛选获取的所述连通域进行圆度筛选；
基于所述圆度筛选获取的所述连通域进行椭球度筛选。
2.根据权利要求1所述的方法，其特征在于，所述标记珠体为金属材质。
3.根据权利要求1所述的方法，其特征在于，对所述图像进行阈值分割，包括：
根据所述图像的数据生成灰度直方图；
基于所述灰度直方图计算阈值T；
使用所述阈值T对所述图像进行阈值分割。
4.根据权利要求3所述的方法，其特征在于，所述阈值T的计算方法包括：
设置经验参数p1；
按灰阶遍历所述灰度直方图，累加计算所述灰度直方图两个分区的面积S0、S1；
当时，停止遍历，此时的所述灰阶即为所述阈值T。
5.根据权利要求1所述的方法，其特征在于，对所述目标区域内的连通域进行尺寸筛选，包括：
计算所述标记珠体的实际体积V0；
设置体积下限经验参数p2和体积上限经验参数p3；
筛选出位于(p2V0,p3V0)区间的所述连通域。
6.根据权利要求1所述的方法，其特征在于，根据所述尺寸筛选获取的所述连通域进行跨度筛选，包括：
获取经过所述尺寸筛选的连通域在三维空间内三个方向上的长度Lx、Ly、Lz；
设置跨度经验参数p4；
筛选出满足Lx＜p4,Ly＜p4,Lz＜p4条件的所述连通域。
7.根据权利要求1所述的方法，其特征在于，根据所述跨度筛选获取的所述连通域进行圆度筛选，包括：
设置圆度经验参数p5；
计算经过所述跨度筛选的连通域圆度其中，A为与所述连通域体积相等的等效球体的表面积，a为所述连通域的实际表面积；
筛选出满足连通域圆度R>p5的所述连通域。
8.根据权利要求1所述的方法，其特征在于，根据所述圆度筛选获取的所述连通域进行椭球度筛选，包括：
设置椭球度经验参数p6；
获取经过所述圆度筛选的连通域在三维空间内三个方向上的长度Lx、Ly、Lz；
计算经过所述圆度筛选的连通域椭球度
筛选出满足连通域椭球度E<p6的所述连通域。
9.根据权利要求1所述的方法，其特征在于，所述连通域整体形态筛选，包括：
选出经过所述连通域个体形态筛选的连通域中与所述标记珠体数量一致的所述连通域，对所述连通域形成的多种连通域组合依次进行第一形状筛选、第二形状筛选和第三形状筛选。
10.根据权利要求9所述的方法，其特征在于，对所述连通域形成的多种连通域组合进行第一形状筛选，包括：
测量所述标记珠体的精确质心点的坐标，并计算所述质心点两两之间的线段长度之和精确值L1；
获取所述连通域中待识别的标记珠体候选连通域质心点坐标，并计算所述待识别的标记珠体候选连通域质心点两两之间的线段长度之和L1’；
设置第一形状经验参数p7；
当|L1-L1’|<p7时，筛选出所述第一形状筛选的所述连通域组合。
11.根据权利要求9所述的方法，其特征在于，对所述连通域形成的多种连通域组合进行第二形状筛选，包括：
获取所述标记珠体质心点两两之间的线段长度并进行排序，选出最大长度精确值L2；
获取所述连通域组合中待识别的标记珠体候选连通域质心点两两之间的线段并进行排序，选出最大长度L2’；
设置第二形状经验参数p8；
当|L2-L2’|<p8时，筛选出所述第二形状筛选的所述连通域组合。
12.根据权利要求9所述的方法，其特征在于，对所述连通域形成的多种连通域组合进行第三形状筛选，包括：
获取所述标记珠体质心点两两之间的M条线段(l0,l1,...,lM-1)，并按照由短到长的顺序进行排序，排序后为(l0',l1',...,lM'-1)，M为整数；
若剩余K个所述连通域组合，对每一种序号为i的组合情况，计算并进行排序，排序后为/>i、K为整数；
计算公式：
选出(δ0,δ1,...,δK-1)序列中最小的值δmin，所述δmin对应的组合即为最终选出的所述连通域组合；
根据所述连通域组合包括的所述连通域，计算每个所述连通域的质心点坐标并输出。
13.一种电子装置，其特征在于，包括：
图像数据提取模块，获取术前图像并提取图像数据；
第一图像处理模块，根据所述图像数据形成的灰度直方图计算阈值T，基于所述阈值T对所述图像进行阈值分割；
第二图像处理模块，对所述阈值分割得到的连通域进行筛选；
存储模块，将经过所述阈值分割和所述筛选的候选连通域进行存储；
计算输出模块，选出与实际形状最相似的所述连通域组合，计算并输出所述连通域组合中各连通域的质心点坐标；
其中，所述第二图像处理模块对所述阈值分割得到的连通域进行筛选，包括：
所述第二图像处理模块进行连通域个体形态筛选，获取符合所述个体形态筛选条件的所述连通域；
所述第二图像处理模块基于所述个体形态筛选获取的所述连通域进行连通域整体形态筛选；
其中，所述第二图像处理模块进行连通域个体形态筛选，包括：
所述第二图像处理模块获取阈值分割后的图像目标区域；
所述第二图像处理模块对所述目标区域内的连通域进行尺寸筛选；
所述第二图像处理模块基于所述尺寸筛选获取的所述连通域进行跨度筛选；
所述第二图像处理模块基于所述跨度筛选获取的所述连通域进行圆度筛选；
所述第二图像处理模块基于所述圆度筛选获取的所述连通域进行椭球度筛选。
14.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得一个或多个处理器实现如权利要求1-12中任一所述的方法。
CN202110443879.7A 2021-04-23 2021-04-23 一种手术导航标记珠体识别的方法、装置和设备 Active CN113284160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110443879.7A CN113284160B (zh) 2021-04-23 2021-04-23 一种手术导航标记珠体识别的方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110443879.7A CN113284160B (zh) 2021-04-23 2021-04-23 一种手术导航标记珠体识别的方法、装置和设备

Publications (2)

Publication Number Publication Date
CN113284160A CN113284160A (zh) 2021-08-20
CN113284160B true CN113284160B (zh) 2024-03-12

Family

ID=77277245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110443879.7A Active CN113284160B (zh) 2021-04-23 2021-04-23 一种手术导航标记珠体识别的方法、装置和设备

Country Status (1)

Country Link
CN (1) CN113284160B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744328B (zh) * 2021-11-05 2022-02-15 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质
CN114742979A (zh) * 2022-04-15 2022-07-12 推想医疗科技股份有限公司 基于定位贴片的位置识别方法、装置、存储介质及设备

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853333A (zh) * 2010-05-26 2010-10-06 中国科学院遥感应用研究所 医疗机器人导航定位图像中的标记拾取方法
CN104966302A (zh) * 2015-07-09 2015-10-07 深圳中科智酷机器人科技有限公司 一种任意角度激光十字的检测定位方法
CN105069788A (zh) * 2015-08-05 2015-11-18 中北大学 一种古建墙壁题记受污毛笔文字图像聚类分割方法
CN106441280A (zh) * 2012-09-17 2017-02-22 常州工学院 用于星敏感器的筛选导航星的方法
CN106447673A (zh) * 2016-09-30 2017-02-22 哈尔滨工业大学 一种非均匀光照条件下的芯片引脚提取方法
CN106952307A (zh) * 2017-03-22 2017-07-14 广东工业大学 一种图像中球体定位方法及系统
CN107274452A (zh) * 2017-05-31 2017-10-20 成都品果科技有限公司 一种痘痘自动检测方法
CN107330478A (zh) * 2017-07-24 2017-11-07 广东工业大学 一种圣女果分类方法、系统及圣女果在线分拣系统
CN107590498A (zh) * 2017-09-27 2018-01-16 哈尔滨工业大学 一种基于字符分割级联二分类器的自适应汽车仪表检测方法
CN107609510A (zh) * 2017-09-11 2018-01-19 上海海事大学 一种岸桥下集卡定位方法及设备
CN108288276A (zh) * 2017-12-29 2018-07-17 安徽慧视金瞳科技有限公司 一种投影交互系统中触摸模式下的干扰滤除方法
CN109523563A (zh) * 2018-11-01 2019-03-26 华东师范大学 一种提高显微图像标注效率的方法
CN109800641A (zh) * 2018-12-14 2019-05-24 天津大学 基于阈值自适应二值化和连通域分析的车道线检测方法
CN109949308A (zh) * 2019-03-05 2019-06-28 北京空间飞行器总体设计部 一种抗星光干扰的空间相对导航目标快速提取方法
CN110276356A (zh) * 2019-06-18 2019-09-24 南京邮电大学 基于r-cnn的眼底图像微动脉瘤识别方法
CN111145201A (zh) * 2019-12-26 2020-05-12 中南大学 一种稳健快速的无人机摄影测量标志检测与定位方法
CN111583188A (zh) * 2020-04-15 2020-08-25 武汉联影智融医疗科技有限公司 手术导航标记点定位方法、存储介质及计算机设备
CN111723792A (zh) * 2020-06-24 2020-09-29 西南交通大学 适用于刚柔接触网的实时定位点识别方法
CN112162629A (zh) * 2020-09-11 2021-01-01 天津科技大学 基于外接矩形的实时瞳孔定位方法
CN112288796A (zh) * 2020-12-18 2021-01-29 南京佗道医疗科技有限公司 一种透视图像标记点中心提取方法
CN112651943A (zh) * 2020-12-28 2021-04-13 南京佗道医疗科技有限公司 一种三维影像标记点提取方法
CN112669279A (zh) * 2020-12-25 2021-04-16 展影影 一种基于人工智能的器件缺陷程度评估方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7860283B2 (en) * 2006-10-25 2010-12-28 Rcadia Medical Imaging Ltd. Method and system for the presentation of blood vessel structures and identified pathologies
CN108648201A (zh) * 2018-05-14 2018-10-12 京东方科技集团股份有限公司 瞳孔定位方法及装置、存储介质、电子设备

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853333A (zh) * 2010-05-26 2010-10-06 中国科学院遥感应用研究所 医疗机器人导航定位图像中的标记拾取方法
CN106441280A (zh) * 2012-09-17 2017-02-22 常州工学院 用于星敏感器的筛选导航星的方法
CN104966302A (zh) * 2015-07-09 2015-10-07 深圳中科智酷机器人科技有限公司 一种任意角度激光十字的检测定位方法
CN105069788A (zh) * 2015-08-05 2015-11-18 中北大学 一种古建墙壁题记受污毛笔文字图像聚类分割方法
CN106447673A (zh) * 2016-09-30 2017-02-22 哈尔滨工业大学 一种非均匀光照条件下的芯片引脚提取方法
CN106952307A (zh) * 2017-03-22 2017-07-14 广东工业大学 一种图像中球体定位方法及系统
CN107274452A (zh) * 2017-05-31 2017-10-20 成都品果科技有限公司 一种痘痘自动检测方法
CN107330478A (zh) * 2017-07-24 2017-11-07 广东工业大学 一种圣女果分类方法、系统及圣女果在线分拣系统
CN107609510A (zh) * 2017-09-11 2018-01-19 上海海事大学 一种岸桥下集卡定位方法及设备
CN107590498A (zh) * 2017-09-27 2018-01-16 哈尔滨工业大学 一种基于字符分割级联二分类器的自适应汽车仪表检测方法
CN108288276A (zh) * 2017-12-29 2018-07-17 安徽慧视金瞳科技有限公司 一种投影交互系统中触摸模式下的干扰滤除方法
CN109523563A (zh) * 2018-11-01 2019-03-26 华东师范大学 一种提高显微图像标注效率的方法
CN109800641A (zh) * 2018-12-14 2019-05-24 天津大学 基于阈值自适应二值化和连通域分析的车道线检测方法
CN109949308A (zh) * 2019-03-05 2019-06-28 北京空间飞行器总体设计部 一种抗星光干扰的空间相对导航目标快速提取方法
CN110276356A (zh) * 2019-06-18 2019-09-24 南京邮电大学 基于r-cnn的眼底图像微动脉瘤识别方法
CN111145201A (zh) * 2019-12-26 2020-05-12 中南大学 一种稳健快速的无人机摄影测量标志检测与定位方法
CN111583188A (zh) * 2020-04-15 2020-08-25 武汉联影智融医疗科技有限公司 手术导航标记点定位方法、存储介质及计算机设备
CN111723792A (zh) * 2020-06-24 2020-09-29 西南交通大学 适用于刚柔接触网的实时定位点识别方法
CN112162629A (zh) * 2020-09-11 2021-01-01 天津科技大学 基于外接矩形的实时瞳孔定位方法
CN112288796A (zh) * 2020-12-18 2021-01-29 南京佗道医疗科技有限公司 一种透视图像标记点中心提取方法
CN112669279A (zh) * 2020-12-25 2021-04-16 展影影 一种基于人工智能的器件缺陷程度评估方法及系统
CN112651943A (zh) * 2020-12-28 2021-04-13 南京佗道医疗科技有限公司 一种三维影像标记点提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Calibration and error analysis of surgical instrument based on stereo camera";Li Cao等;《2010 3rd International Conference on Biomedical Engineering and Informatics》;全文 *
"医学图像可视化技术及其在虚拟骨折手术中的应用";张勇;《中国博士学位论文全文数据库》;全文 *
"机器人辅助脊柱椎板减压手术的图像导航与状态感知研究";孙宇;《中国博士学位论文全文数据库》;全文 *
基于全局阈值迭代的苹果图像分割计数方法;刘峻;孙美艳;焦中元;练毅;;安徽农业科学(第29期);全文 *
自然场景下中文文本定位关键技术的研究;万燕;王晓华;卢达;;计算机应用与软件(第07期);全文 *

Also Published As

Publication number Publication date
CN113284160A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
US5638458A (en) Automated method and system for the detection of gross abnormalities and asymmetries in chest images
JP5260892B2 (ja) 放射線医学的徴候の検出のためのトモシンセシスにおける放射線画像の処理方法
US10043280B2 (en) Method and system for image segmentation
JP5643304B2 (ja) 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法
CN107851312B (zh) 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法
CN113284160B (zh) 一种手术导航标记珠体识别的方法、装置和设备
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
JP2007307358A (ja) 画像処理方法および装置ならびにプログラム
CN107633514B (zh) 一种肺结节周边血管量化评估系统及方法
JP2005296605A (ja) 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法
CN113034389B (zh) 图像处理方法、装置、计算机设备和存储介质
EP3971830B1 (en) Pneumonia sign segmentation method and apparatus, medium and electronic device
CN114022554B (zh) 一种基于yolo的按摩机器人穴位检测与定位方法
JP5406435B2 (ja) 放射線医学的徴候の検出のために放射線画像を処理するための方法
JPWO2007013300A1 (ja) 異常陰影候補検出方法及び異常陰影候補検出装置
US9672600B2 (en) Clavicle suppression in radiographic images
CN111568451A (zh) 一种曝光剂量调节方法和系统
US20100202674A1 (en) Voting in mammography processing
Dovganich et al. Automatic quality control in lung X-ray imaging with deep learning
CN107590808B (zh) 医学图像中的前列腺分割方法
CN113962958A (zh) 一种征象检测方法及装置
CN114066885A (zh) 下肢骨骼模型构造方法、装置、电子设备及存储介质
CN110023991B (zh) 用于从对象类中识别对象的装置
JP2002133397A (ja) 異常陰影候補検出装置
US20210295524A1 (en) Robust pulmonary lobe segmentation

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