CN113362291A - 用于获取图像中目标物的方法和相关产品 - Google Patents
用于获取图像中目标物的方法和相关产品 Download PDFInfo
- Publication number
- CN113362291A CN113362291A CN202110574020.XA CN202110574020A CN113362291A CN 113362291 A CN113362291 A CN 113362291A CN 202110574020 A CN202110574020 A CN 202110574020A CN 113362291 A CN113362291 A CN 113362291A
- Authority
- CN
- China
- Prior art keywords
- image
- domain
- ossicular chain
- energy function
- target object
- 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.)
- Pending
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 by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Abstract
本发明公开了用于获取图像中目标物的方法和相关产品,其中方法包括获取针对于所述目标物的三维图像;在所述三维图像中定位所述目标物的图像域;以及对所述图像域应用能量函数,以从所述图像域中分割出所述目标物。利用本发明的方法和相关产品,可以准确地分割出目标物,以便对目标物进行研究和观察。
Description
技术领域
本发明一般地涉及图像处理领域。更具体地,本发明涉及用于获取图像中目标物的方法、设备和计算机可读存储介质。
背景技术
在图像分析和计算机视觉中,模型重建扮演着重要的角色,尤其是在医学图像领域中,精准地构建出目标物的三维模型是精准医疗的重要前提。对于形状较小的目标物(例如听骨链)而言,如何构建模型从而能够准确地对其定位并且分割,成为当前需要解决的技术问题。
发明内容
为了至少解决上述背景技术所提到的问题,本发明提供了一种计算机实现的方案。利用本发明的方案,可以准确地分割出目标物,以便对目标物进行研究和观察。为此,本发明在下文的多个方面中提供不同的解决方案。
在一个方面中,本发明提供了一种用于获取图像中目标物的方法,包括:获取针对于所述目标物的三维图像;在所述三维图像中定位所述目标物的图像域;以及对所述图像域应用能量函数,以从所述图像域中分割出所述目标物。
在一个实施例中,对所述图像域应用所述能量函数包括:对所述图像域应用包含里奇曲率项的所述能量函数。
在另一个实施例中,定位所述目标物的图像域包括确定用于所述能量函数的初始点。
在又一个实施例中,对所述图像域应用能量函数包括:最小化所述能量函数,以便得到形成所述目标物表面形状的多个顶点。
在又一个实施例中,所述能量函数表示为下式:
E(Γ)=αEG(Γ))+EF(Γ)
EF(Γ)=λ1Df(S1)+λ2Df(S2)
其中Γ表示二维闭合表面,E(Γ)表示能量函数,EG(Γ)表示曲率相关的能量信息,EF(Γ)表示距离相关的能量信息,α表示权重,ω表示Γ的黎曼面积元素并且G表示边缘函数,λ1和λ2分别表示权重,其中S1是Γ内部的域并且到Γ的距离小于第一阈值,S2是Γ外部的域并且到Γ的距离小于第二阈值,其中Df(Si)表示域Si中f的方差,f表示灰度函数。
在又一个实施例中,所述目标物是听骨链,其中定位所述图像域包括:在所述图像域中确定表示所述听骨链的连通域;以及至少根据所述连通域来在所述三维图像中自动定位所述听骨链。
在又一个实施例中,在所述图像域中确定表示所述听骨链的连通域包括:根据所述图像域内像素值的大小来选取包含骨头的连通域;以及从包含所述骨头的多个连通域中选取对应于所述听骨链的连通域。
在又一个实施例中,在所述图像域中确定表示所述听骨链的连通域包括:对所述三维图像执行腐蚀操作、移除操作和膨胀操作中的一种或多种操作,以获得包含所述听骨链的所述图像域。
在另一个方面中,本发明提供了一种用于获取图像中目标物的设备,包括:至少一个处理器;至少一个存储器,其存储有计算机可执行的程序指令,当所述程序指令由至少一个处理器运行时,使得所述设备执行根据上述方面及其多个实施例所述的方法。
在又一个方面中,本发明提供了一种计算机可读存储介质,其存储有用于获取图像中目标物的计算机程序代码,当所述计算机程序代码由一个或多个处理器执行时,实现根据上述方面及其多个实施例所述的方法。
本发明的方案通过在三维图像中定位目标物的图像域,并对图像域应用能量函数,从而可以准确地从图像域中分割出目标物,以便于对目标物进行研究和观察。进一步地,本发明将定位后的目标物的图像域作为能量函数的初始点,并且对图像域应用最小化能量函数,以便形成目标物表面形状的多个顶点,从而提高了分割操作效率。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分其中:
图1是示出根据本发明实施例的用于获取图像中目标物的方法的示例性流程图;
图2是示出根据本发明实施例的部分网格顶点及其邻边的示意图;
图3是示出根据本发明实施例的定位听骨链的图像域的方法的示例性示意图;
图4是示出根据本发明实施例的包含听骨链的图像域;
图5是示出根据本发明实施例的针对中耳异常密度阴影的处理示意图;
图6是示出根据本发明实施例的针对外耳道阻塞的处理示意图;以及
图7是示出根据本发明实施例的用于获取图像中目标物的设备的框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1是示出根据本发明实施例的用于获取图像中目标物的方法100的示例性流程图。如图1中所示,在步骤S102处,获取针对于目标物的三维图像。在一个实施例中,可以使用例如计算机断层扫描技术(“Computed tomography”,即CT)来针对目标物进行扫描,以获得针对于目标物的三维CT图像。
在获得三维图像后,在步骤S104处,在三维图像中定位目标物的图像域。在一些实施例中,前述目标物可以是听骨链。在三维图像中定位听骨链的图像域时,定位图像域可以包括在该图像域中确定表示听骨链的连通域,进而至少根据连通域在获得的三维图像中自动定位听骨链,关于定位听骨链的图像域将在后面结合图3详细描述。
基于定位后的目标物的图像域,在步骤S106处,对图像域应用能量函数,以从图像域中分割出目标物。在一个实现场景中,由于能量函数通常根据初始点来构建三角网格,以逼近待分割的目标物。因此,分割方案的准确度将高度依赖于初始点的选择。如果初始点太少,则三角网格就很难逼近目标物的原始形状。然而,如果初始点太多,则将会消耗太多的操作成本。由于本发明定位后的目标物已经是三维连接的构成,因此,本发明提出将根据前述定位目标物的图像域来确定用于能量函数的初始点,进一步地,基于其边界构造表面的三角网格,以便准确并且高效地从图像域中分割出目标物。
基于构建的三角网格,本发明的方案提出对上述图像域应用能量函数可以包括对图像域应用里奇曲率项的能量函数。如本领域技术人员所知,里奇曲率可以用于图像分割,其量化了切方向在某一点处的改变量,并且可以用于控制流形沿着某一方向的测地线的平均色散,也可以用于控制球体或者球面的体积的增长。例如对于一个n维流形而言,n-1维子流形沿着v方向的测地线走了ε距离时体积的改变量Volα(ε)可以表示成如下式子:
其中,Ric(v)表示v方向上的里奇曲率,ε表示距离,O(ε2)表示增量。通过公式(1)可以看出里奇曲率控制测地线的散度和体积的增长。附加地,当流形的维数n=2时,里奇曲率为高斯曲率。
在一些实施例中,里奇曲率在无向图上通常可以有两种离散方法,即Ollivier曲率和Forman曲率。前述Ollivier曲率的定义是将球与球之间的平均距离与球与球的球心之间的距离进行比较,其经离散化后不仅保留曲率的几何性质,而且该几何性质还是解析的。前述Forman曲率的定义则侧重于表达散度性质,并且其经离散化后主要保留空间的拓扑结构。针对于复杂网络而言,Ollivier曲率和Forman曲率的离散化高度相关,也就是说,通过分析Forman曲率离散化,可以获得Ollivier曲率离散化的若干性质。考虑到Ollivier曲率和Forman曲率的等价性和计算复杂度的问题,并且Forman曲率在计算复杂度方面有较大的优势。因此,本发明选择Forman曲率作为里奇曲率在无向图上的离散化。下面首先结合图2来描述如何确定前述的里奇曲率。
图2是示出根据本发明实施例的部分网格顶点及其邻边的示意图。首先,可以定义四面体网格中的顶点邻接的边的权值F(e),并将其表示为:
如图2所示,v1和v2可以表示四面体网格中共边的两个顶点,e为顶点v1和顶点v2的连接边。进一步,顶点v1还包括与其邻接的边以及类似地,顶点v2也包括与其邻接的边以及在一个实施例中,将顶点v1处的权重定义为顶点v2处的权重定义为前述权重和可以是顶点v1和顶点v2处的体素值(即灰度值)。由此,基于顶点v1和顶点v2处的权重和可以获得v1和v2共边e的权重ωe:
结合上述公式(2)和公式(3)可以获得四面体网格中的顶点邻接的边的权值F(e)。基于前述获得的权重F(e),进一步地根据如下公式可以获得每个顶点处的里奇曲率Ric:
在上述公式(4)中,ev表示与顶点v相邻接的边,ev~v表示所有与顶点v相邻的边,deg(v)表示ev的个数,也即点v相邻边的个数。在该情形下,里奇曲率的计算结果为一数值。当以x来表示顶点时,则上式(4)可以改写为下式(5):
其中F(x)即上式(4)中的里奇曲率Ric,ex表示与顶点x相邻接的边,而deg(x)表示ex的总数。
基于上述描述的里奇曲率,可以对图像域应用里奇曲线项的能量函数。在一个实施例中,前述能量函数可以表示为如下式子:
E(Γ)=αEG(Γ)+EF(Γ) (6)
其中,Γ表示二维闭合表面,E(Γ)表示能量函数,α表示权重,EG(Γ)表示Forman曲率的能量信息,并且EG(Γ)=∫ΓGω,这里ω是Γ的黎曼面积元素并且G通常是边缘函数。由于离散里奇曲率是更为高阶的导数,因此在本发明的方案中,使用前述的灰度函数f所给出的顶点的离散里奇曲率(如式(5)中所示)来作为边缘函数。
上述公式(6)中的EF(Γ)表示距离相关的能量信息,并且EF(Γ)=λ1Df(S1)+λ2Df(S2),λ1和λ2分别表示权重,S1是Γ内部的域并且到边界ΓΓ的距离小于给定的阈值γin。类似地,S2是Γ外部的域并且到边界Γ的距离小于另一给定的阈值γout,其中Df(Si)代表域Si中f的方差。
进一步地,对图像域应用能量函数还可以包括最小化能量函数,以便得到形成目标物表面形状的多个顶点。具体地,可以通过使用下式(7)来优化(即最小化)能量函数E(Γ),即使用梯度下降法来优化本发明的能量函数。
进一步,可以使用距离函数(SDF)φ和狄拉克δ函数将上式重新表达为:
其中表示距离函数φ的梯度,φ(v)表示每个体素的顶点v到表面(即边界)Γ的距离。如果v在Γ内部,则φ是正值;如果v在Γ外部,则φ是负值。当φ值为零时,则此时的点v即是目标物表面上的点。当确定φ值为零的所有顶点时,则这些顶点构成的零等值面即是目标物的表面,从而可以将自动定位得到的目标物从图像域中分割出来,以便于进一步研究和分析。
基于前文描述可以理解本发明通过在三维图像中定位目标物的图像域,并对定位后的目标物的图像域应用包含里奇曲率项的能量函数。接着,对图像域应用最小化能量函数,以便获得形成目标物表面形状的多个顶点,从而能够准确并且高效地分割出目标物,以便进一步对目标物进行研究和观察。就对目标物进行研究和观察而言,本发明的分割方案具有很强的现实意义。例如,当本发明的三维图像是医学三维图像时,通过本发明的分割方案,可以从该医学三维图像中准确地分离出感兴趣的区域(包括目标生理组织或病灶区域),从而医学从业人员可以对其进一步研究和分析。基于此,下文将以目标物为耳部的听骨链为例来描述本发明的分割方案。
图3是示出根据本发明实施例的定位听骨链的图像域的方法300的示例性示意图。如图3中所示,在步骤S302处,在图像域中确定表示听骨链的连通域。在一个实施例中,前述的图像域可以是围绕听骨链的三维立方体域,例如图4中402和404处所标记的区域。关于该三维立方体域的确定,在一些应用场景中,可以根据经验观察或医生的经验,通过确定头骨的中心点来确定包围左右听骨链的两个三维立体域。由于头骨是整个CT图像中最大的三维连接骨,因此通过头骨中心点来确定前述的三维立方体域是相对简单的一种方式。
具体地,在图像域中确定表示听骨链的连通域可以包括根据图像域内像素值的大小来选取包含骨头的连通域以及从包含骨头的多个连通域中选取对应于听骨链的连通域。在实际应用中,本发明的图像域中不仅包括听骨链,还可能包括耳部周边或内部的其他骨头或组织,例如颞骨或耳道等。为此,本发明提出计算图像域内各像素的像素值,并且根据像素值来从前述的多个连通域中选择与骨头相关的连通域。可以理解的是,由于空气或软组织的图像像素与骨头图像的像素值处于完全不同的范围,因此本发明利用像素值的大小可以将包含空气或软组织的连通域与骨头的连通域进行区分。进一步,可以从包含骨头的连通域中选择包含听骨链的连通域,例如通过听骨链的尺寸、大小或与相邻组织或骨头的位置来从多个连通域中进行选取。
在一些实施例中,上述确定听骨链的连通域还包括对三维图像执行腐蚀操作、移除操作和膨胀操作中的一种或者多种操作,以获得包含前述听骨链的图像域。例如在一个实施例中,由于一些异常的听骨链可能连接到周围的组织,因此可以对CT图像中的骨骼进行腐蚀操作,以获得包含听骨链的三维骨连接构成集。在一个实施例中,针对于图像域中外耳和中耳之间存在软组织的情形,可以执行将软组织移动预操作,以便形成具有新背景的图像域。进一步地对具有新背景的图像域应用腐蚀操作,以便获取包含听骨链的三维骨连接构成。
根据上述获得的连通域,在步骤S304处,至少根据连通域来在三维图像中自动定位听骨链。在一个实施例中,其中当图像域中存在中耳异常密度阴影时,本发明的方法可以包括:对围绕所述听骨链的组织执行擦除操作,以便令所述听骨链在所述图像域的背景中呈悬浮状,例如图5所示。在又一个实施例中,当图像域中存在外耳道阻塞图像时,本发明的方法可以包括:沿阻塞图像中的外耳道向头骨的内部执行膨胀操作,直至移除外耳道的阻塞物,例如图6所示。通过上述的各类操作,可以定位出三维图像中的听骨链。
在示例性的具体实现方面,为了实现对听骨链的准确定位,本发明的方案还使用了图像开闭运算,例如先腐蚀运算(即本文所称的“腐蚀操作”)再膨胀运算(即本文所称的“膨胀操作”)的开运算,或者是先膨胀运算再腐蚀运算的闭运算。下面将结合图5~图6来具体描述这些示例性的操作场景。
图5是示出根据本发明实施例的针对中耳异常密度阴影的处理示意图。如图5左部所示,在一些场景中,在听骨链(如箭头53所指示的两小块白色区域)周围存在较厚的组织(如箭头51所指示的灰色区域),并且包括听骨链在内的前景在某些切片中会与前景的其他部分相连。为此,本发明提出通过擦除围绕听骨链周围的一些组织,即通过扩大背景来消除这种连接性。在图5所示场景中不需要重新计算背景。如图5右部所示,在擦除围绕听骨链周围的组织后,听骨链(如箭头52所指示的圆形框中心位置偏上的两小块白色区域)仍然可以“悬浮”在背景中,从而被定位出。
图6是示出根据本发明实施例的针对外耳道阻塞的处理示意图。如图6中所示,在一些场景中,被观察对象的外耳道严重阻塞并充满组织。
从直观上看,外耳道是立方体域中颅骨上明显突出的凹入区域,并且它是颅骨连接构成的最大“孔”。鉴于此,本发明通过对头骨的骨头使用半径为9的膨胀核(“dilatationkernel”),从而利用这些特性来定位外耳道的开口。由此,唯一重新恢复的凹槽就是外耳道的开口。
从图6所示最后一个切片开始观察,在定位外耳道的开口后,可以朝着颅骨内部向该区域实施膨胀核函数。由于听觉通道越深越窄,因此需要在操作期间减小膨胀核。图6中显示了使用三个不同大小的膨胀核的结果,这些膨胀核的半径分别为9、7和5个体素。进一步,61所指示的区域是使用半径为9的膨胀核所确定的耳道。类似地,62所指示的区域和63所指示的区域分别是使用半径7和5的膨胀核所确定的区域。第六幅切片中的一条线(也即图6下部的64所指示的)是椭圆的主轴,该椭圆具有与切片中的61~63所指示区域相同的二阶矩。接着,可以将主轴延伸到外部,从而可以确保中耳连接到外部空气。
因此,在进行了三次上述的膨胀操作之后,可以将具有与切片中的61~63所指示区域相同的二阶矩的椭圆形的长轴延伸到外部。最后,可以去除所有的阻塞组织以到达听骨链。
在通过上述方式定位听骨链后,接着就可以通过执行结合图1所描述的本发明的分割方法及其多个实施例来将该听骨链从图像域中分割出来。具体地,可以对定位出三维图像中的听骨链的图像域(其由多个连通域构成)应用本发明的能量函数(其包括如前所述的里奇曲率项),并且针对包含该听骨链的图像域来最小化能量函数,以便获得形成所述听骨链表面形状的多个顶点。由此,本发明可以将听骨链从连通域构成的图像域中准确地分割出来以实现听骨链的三维重建,以便于后续对听骨链的研究和观察。
为了更好的理解本发明,下文还以伪代码的形式来示出上面的听骨链的分割过程,其中伪代码中的O表示实现定位后的听骨链的初始位置,即通过本发明前述的定位方案所获得的听骨链的连通域,其包括多个立方体区域Ω;a为边界曲面,其每个点可以利用式(8)计算获得一个向量:
第2步:i=0
第3步:重复
使用式(8)的梯度下降来更新a
使用a来在|φi+1|<γ中构建距离函数SDFφi+1(γ为预定的阈值,使得φi+1表示区域|φi+1|<γ中每个点到边界曲面a的距离)
i=i+1
直到φi=φi-1
通过上述伪代码的执行,当φi=φi-1时,此时所获得的将构成满足最小化能量函数的边界曲面a,其就是从三维图像中分割出的听骨链。通过最小化本发明的包含里奇曲率项的能量函数,可以获得更为精准的听骨链形状。通过比较发现,本发明的采用里奇曲率曲的能量函数所分割得到的听骨链明显优于采用梯度项的能量函数。这是因为梯度项仅考虑了能量函数的第一阶导数,而作为第二阶导数的里奇曲率则提供了更多的信息,从而更能准确出分割出听骨链。
图7是示出根据本发明实施例的用于获取图像中目标物的设备700的框图。可以理解的是,实现本发明方案的设备可以是单一的设备(例如计算设备)或包括各种外围设备的多功能设备。
如图7中所示,本发明的设备可以包括中央处理器或中央处理单元(“CPU”)711,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备700还可以包括大容量存储器712和只读存储器(“ROM”)713,其中大容量存储器712可以配置用于存储各类数据,包括各种与目标物相关的图像数据、算法数据、中间结果和运行设备700所需要的各种程序。ROM 713可以配置成存储对于设备700的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据和指令。
可选地,设备700还可以包括其他的硬件平台或组件,例如示出的张量处理单元(“TPU”)714、图形处理单元(“GPU”)715、现场可编程门阵列(“FPGA”)716和机器学习单元(“MLU”)717。可以理解的是,尽管在设备700中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备700可以仅包括CPU、相关存储设备和接口设备来实现本发明的用于获取图像中目标物的方法。
在一些实施例中,为了便于数据与外部网络的传递和交互,本发明的设备700还包括通信接口718,从而可以通过该通信接口718连接到局域网/无线局域网(“LAN/WLAN”)705,进而可以通过该LAN/WLAN连接到本地服务器706或连接到因特网(“Internet”)707。替代地或附加地,本发明的设备700还可以通过通信接口718基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第3代(“3G”)、第4代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明的设备700还可以根据需要访问外部网络的服务器708以及可能的数据库709,以便获得各种已知的图像模型、数据和模块,并且可以远程地存储各种数据,例如用于自动地定位和分割目标物的各类数据或指令。
设备700的外围设备可以包括显示装置702、输入装置703以及数据传输接口704。在一个实施例中,显示装置702可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本发明的目标物的定位和分割方案的运算过程或者最终结果进行语音提示和/或图像视频显示。输入装置703可以包括例如键盘、鼠标、麦克风、姿势捕捉相机,或其他输入按钮或控件,其配置用于接收关于目标物图像数据的输入和/或用户指令。数据传输接口704可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。根据本发明的方案,该数据传输接口704可以接收来自于CT设备的目标物图像。
本发明的设备700的上述CPU711、大容量存储器712、ROM 713、TPU 714、GPU 715、FPGA 716、MLU 717和通信接口718可以通过总线719相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线719,CPU711可以控制设备700中的其他硬件组件及其外围设备。
以上结合图7描述了可以用于获取图像中目标物的设备。需要理解的是这里的设备结构或架构仅仅是示例性的,本发明的实现方式和实现实体并不受其限制,而是可以在不偏离本发明的精神下做出改变。
还应当理解,本发明示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质,诸如存储介质、计算机存储介质或数据存储设备(可移除的和/或不可移除的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性,可移动和不可移动介质,例如计算机可读指令、数据结构、程序模块或其他数据。
基于上文,本发明还公开了一种计算机可读存储介质,其中存储有程序指令,所述程序指令适于由处理器加载并执行:获取针对于所述目标物的三维图像;在所述三维图像中定位所述目标物的图像域;以及对所述图像域应用能量函数,以从所述图像域中分割出所述目标物。总之,该计算机可读存储介质包括了用于执行结合图1-图7所述的处理操作的程序指令。
应当理解,本公开的权利要求、说明书及附图中可能使用到的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
虽然本发明的实施方式如上,但所述内容只是为便于理解本发明而采用的实施例,并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种用于获取图像中目标物的方法,包括:
获取针对于所述目标物的三维图像;
在所述三维图像中定位所述目标物的图像域;以及
对所述图像域应用能量函数,以从所述图像区域中分割出所述目标物。
2.根据权利要求1所述的方法,其中对所述图像域应用所述能量函数包括:
对所述图像域应用包含里奇曲率项的所述能量函数。
3.根据权利要求2所述的方法,其中定位所述目标物的图像域包括确定用于所述能量函数的初始点。
4.根据权利要求2所述的方法,其中对所述图像域应用能量函数包括:
最小化所述能量函数,以便得到形成所述目标物表面形状的多个顶点。
6.根据权利要求1所述的方法,其中所述目标物是听骨链,其中定位所述图像域包括:
在所述图像域中确定表示所述听骨链的连通域;以及
至少根据所述连通域来在所述三维图像中自动定位所述听骨链。
7.根据权利要求6所述的方法,其中在所述图像域中确定表示所述听骨链的连通域包括:
根据所述图像域内像素值的大小来选取包含骨头的连通域;以及
从包含所述骨头的多个连通域中选取对应于所述听骨链的连通域。
8.根据权利要求7所述的方法,其中在所述图像域中确定表示所述听骨链的连通域包括:
对所述三维图像执行腐蚀操作、移除操作和膨胀操作中的一种或多种操作,以获得包含所述听骨链的所述图像域。
9.一种用于获取图像中目标物的设备,包括:
至少一个处理器;
至少一个存储器,其存储有计算机可执行的程序指令,当所述程序指令由至少一个处理器运行时,使得所述设备执行根据权利要求1-8的任意一项所述的方法。
10.一种计算机可读存储介质,其存储有用于获取图像中目标物的计算机程序代码,当所述计算机程序代码由一个或多个处理器执行时,实现根据权利要求1-8的任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110574020.XA CN113362291A (zh) | 2021-05-25 | 2021-05-25 | 用于获取图像中目标物的方法和相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110574020.XA CN113362291A (zh) | 2021-05-25 | 2021-05-25 | 用于获取图像中目标物的方法和相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362291A true CN113362291A (zh) | 2021-09-07 |
Family
ID=77527671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110574020.XA Pending CN113362291A (zh) | 2021-05-25 | 2021-05-25 | 用于获取图像中目标物的方法和相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362291A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708973A (zh) * | 2022-06-06 | 2022-07-05 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的方法和相关产品 |
CN117611827A (zh) * | 2024-01-19 | 2024-02-27 | 齐鲁工业大学(山东省科学院) | 基于快速感知分组策略的图像分割方法、设备及存储介质 |
-
2021
- 2021-05-25 CN CN202110574020.XA patent/CN113362291A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708973A (zh) * | 2022-06-06 | 2022-07-05 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的方法和相关产品 |
CN114708973B (zh) * | 2022-06-06 | 2022-09-13 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的设备和存储介质 |
CN117611827A (zh) * | 2024-01-19 | 2024-02-27 | 齐鲁工业大学(山东省科学院) | 基于快速感知分组策略的图像分割方法、设备及存储介质 |
CN117611827B (zh) * | 2024-01-19 | 2024-04-16 | 齐鲁工业大学(山东省科学院) | 基于感知分组策略的图像分割方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220122263A1 (en) | System and method for processing colon image data | |
JP7134962B2 (ja) | 解剖学的画像処理における確率的セグメンテーションのためのシステム及び方法 | |
CN108022238B (zh) | 对3d图像中对象进行检测的方法、计算机存储介质和系统 | |
CN108717700B (zh) | 一种检测结节长短径长度的方法及装置 | |
CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
CN113362291A (zh) | 用于获取图像中目标物的方法和相关产品 | |
CN102243759A (zh) | 一种基于几何形变模型的三维肺血管图像分割方法 | |
US9547906B2 (en) | System and method for data driven editing of rib unfolding | |
CN110992370B (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
US20230134402A1 (en) | Systems and methods for determining blood vessel parameters | |
CN112767340A (zh) | 基于神经网络模型对病灶区进行评估的设备和相关产品 | |
CN112381824B (zh) | 一种对图像的几何特征进行提取的方法和相关产品 | |
CN112381822B (zh) | 一种用于处理肺部病灶区图像的方法和相关产品 | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
CN116703994A (zh) | 医学图像配准的方法、计算设备和计算机可读存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112381825B (zh) | 用于病灶区图像几何特征提取的方法和相关产品 | |
CN112884706B (zh) | 一种基于神经网络模型的图像评估系统和相关产品 | |
US20140032180A1 (en) | Method and apparatus for computing deformation of an object | |
CN112785562B (zh) | 一种基于神经网络模型进行评估的系统和相关产品 | |
CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN115546089A (zh) | 医学图像分割方法、病理图像处理方法、装置、设备 | |
CN113506241A (zh) | 用于对听骨链图像进行处理的方法和相关产品 |
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 |