CN113470152A - 一种颜色保真的功能影像体绘制方法 - Google Patents
一种颜色保真的功能影像体绘制方法 Download PDFInfo
- Publication number
- CN113470152A CN113470152A CN202110686552.2A CN202110686552A CN113470152A CN 113470152 A CN113470152 A CN 113470152A CN 202110686552 A CN202110686552 A CN 202110686552A CN 113470152 A CN113470152 A CN 113470152A
- Authority
- CN
- China
- Prior art keywords
- color
- clustering
- value
- volume rendering
- slice
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000009877 rendering Methods 0.000 title claims abstract description 46
- 238000012546 transfer Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000013507 mapping Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000004060 metabolic process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 230000002503 metabolic effect Effects 0.000 description 10
- 238000012800 visualization Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000021959 Abnormal metabolism Diseases 0.000 description 1
- 208000032612 Glial tumor Diseases 0.000 description 1
- 206010018338 Glioma Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种颜色保真的功能影像体绘制方法，属于医学影像处理领域，其目的是解决对彩色功能影像切片序列进行三维体绘制时面临的颜色失真问题。在给定功能态医学影像彩色切片序列的情况下，本发明的方法首先根据切片像素的颜色和亮度值，对切片像素进行聚类；然后根据聚类结果构造三维体数据以及体绘制颜色传输函数；最后设置不透明度传输函数，对所构造的三维体数据进行体绘制，得到保留原有功能影像颜色映射信息的体绘制结果。该方法不仅通过体绘制直观展示了二维功能影像切片系列所包含的三维形态结构信息，还通过颜色保真提供了准确的功能代谢信息，有助于提高功能影像的可视化分析效率。
Description
技术领域
本发明涉及一种医学影像数据可视化分析方法，特别涉及一种颜色保真的功能影像体绘制方法，属于医学影像处理领域。
背景技术
随着核医学技术的发展，继CT、MRI等解剖结构影像(structural image) 之后，现代医学影像学又为临床诊断提供了SPECT、PET等功能影像(functional image)。医学功能影像是通过分子成像技术得到的，具体的成像过程是：以放射性同位素为示踪剂，将其注射入人体内并使其浓聚在被测器脏上，通过对示踪剂发射出的射线进行图像重建，从而得到影像方式的检测结果。病变组织因其代谢异常会表现出不同于正常组织的示踪剂摄取能力，从而产生不同于正常组织的成像效果。这种成像方法将组织的病理学检查延伸为生化显示，有助于疾病的早期诊断与治疗。在当前常用的功能影像中，SPECT可反映生命肌体的血液流量和代谢状态，PET可提供高精度的病变组织的生理代谢状态。
目前，功能影像数据的采集有二维和三维两种形式。由于散射的原因，三维采集得到影像分辨率通常较低。为了获得分辨率较高的影像数据，一般采用二维采集方式，其结果是影像切片系列。在这种情况下，观察者需要通过查看多张切片来了解被研究个体的信息。尽管切片提供了详细的二维影像，但医学研究的对象实际上是三维个体。观察者面临从二维切片构造或想象三维形态的挑战。
为应对这一挑战，可以将二维切片按顺序堆叠成三维体数据，然后采用体绘制技术对其进行可视化处理，直接显示其内部的三维形态结构。此时，如果切片数据是未经伪彩色映射的灰度图像，那么像素值表示的是实际功能上的代谢能力，其体数据可视化结果反应的就是实际的功能代谢情况。但是，在实际应用中，为了更好地观察组织的代谢信息，通常会对切片数据进行伪彩色映射，因此目前常见的PET、SPECT等功能影像都是彩色的。在这种情况下，对二维切片序列进行三维可视化处理，将面临颜色失真的问题。因为体绘制技术只能处理标量体数据，而伪彩色图像并不是标量数据，如果按照常规的处理策略，将彩色图像其转换为灰度图像，必然会丢失颜色信息。虽然体绘制技术可以通过颜色传输函数对绘制结果重新着色，但是这种着色在没有足够先验知识的情况下，无法与原来二维切片的颜色映射保持一致，而出现颜色失真。颜色失真不仅会增加观察者的分析难度，还可能使观察者产生错觉，甚至误导观察者。
为解决对彩色功能影像切片序列进行三维体绘制时面临的颜色失真问题，本发明提出一种颜色保真的功能影像体绘制方法。在给定功能态医学影像彩色切片序列的情况下，该方法首先根据切片像素的颜色和亮度值，对切片像素进行聚类；然后根据像素的类别索引值构造与切片序列对应的三维体数据，同时根据类别索引和聚类中心的关系构造颜色传输函数；最后设置不透明度传输函数，结合所构造的颜色传输函数，对所构造的三维体数据进行体绘制，得到保留原有功能影像颜色映射信息的体绘制结果。该方法不仅通过体绘制直观展示了二维功能影像切片系列所包含的三维形态结构信息，还通过颜色保真提供了准确的功能代谢信息，有助于提高功能影像的可视化分析效率。
发明内容
为解决对彩色功能影像切片序列进行三维体绘制时面临的颜色失真问题，本发明提出一种颜色保真的功能影像体绘制方法。
本发明的目的是通过以下技术方案实现的。
一种颜色保真的功能影像体绘制方法，包括以下步骤：
步骤1：输入彩色的功能影像切片序列，令其为SF。
步骤2：将彩色切片序列的像素值转换为(R,G,B,I)模式，其中R、G、B是原像素值的颜色分量，I是原像素值的亮度值。
步骤3：设置过滤准则H，对切片序列的像素进行过滤，令不满足准则H 的像素集合为P0，满足准则H的像素集合为PI。
步骤4：采用聚类算法对PI的像素进行聚类，令聚类数目为k，得到的聚类中心为C1(R1,G1,B1,I1),C2(R2,G2,B2,I2),...,Ck(Rk,Gk,Bk,Ik)。
步骤5：对聚类中心C1(R1,G1,B1,I1),C2(R2,G2,B2,I2),...,Ck(Rk,Gk,Bk,Ik)进行排序整理，具体计算过程如下：
步骤5.1：从k个聚类中心中选出亮度值最小的作为已排序的聚类中心队列 Qs的队首，记为Qs1(Rs1,Gs1,Bs1,Is1)；
步骤5.2：计算所有未排序的聚类中心与Qs队尾元素的欧式距离，将距离最小的聚类中心作为队尾加入到Qs；
步骤5.3：重复步骤5.2，直到k个聚类中心都加入到Qs；
步骤5.4：按顺序对Qs表示的颜色进行可视化，剔除不符合颜色渐变特性的聚类中心，得到新的长度为k′的聚类中心队列Qs′。
步骤6：将切片序列按顺序堆叠成三维体数据V，V中每个体素都是一个四元组(R,G,B,I)。
步骤7：按照步骤5得到的聚类中心，对V中每个体素进行分类，建立与之对应的类别索引体数据M，具体方法是：如果V的体素值不满足准则H，则令其类别索引值为0，否则其类别索引值为与其距离最近的聚类中心的类别索引值。
步骤8：调整体数据M中非0体素的取值，具体方法是：令第i个体素的原有值Mi＝m，按照下面的公式将Mi修改为
其中dmi是V中与Mi对应的体素Vi到第m个聚类中心的距离，dmmax和dmmin分别是V中所有属于第m类的体素与第m个聚类中心的最大距离和最小距离。
步骤9：根据聚类中心的颜色值和类别索引，构造体绘制颜色传输函数，并根据实际需求设定体绘制不透明度传输函数，然后采用光线投射法对体数据M 进行体绘制，得到体绘制结果图像IM。
有益效果
本发明所述的一种颜色保真的功能影像体绘制方法，与现有技术和方法相比，具有以下几个方面的优势和特点：
(1)本发明方法依据像素的颜色分量和亮度信息对像素进行聚类，聚类中心包含了功能影像的颜色和亮度信息。在对类别索引体数据M进行体绘制时，采用根据类别索引和聚类中心构造的颜色传输函数，可以使体绘制结果的颜色信息与原功能影像的颜色信息保持一致。
(2)本发明方法对原始功能影像的像素进行了聚类，然后根据类别索引构造了一个新的体数据M，再对M进行体绘制。新的体数据M与类别信息相关，可以在体绘制过程很方便地根据类别信息设置不透明度传输函数，选出重要的或者是感兴趣的代谢信息进行可视化显示。
(3)本发明方法以颜色保真的方式将功能影像切片序列的分析从二维空间移入到三维空间，使用户不仅可以直接感知三维空间的形态结构信息，还通过颜色保真，使用户可以像查看二维切片那样，通过颜色编码获取准确的代谢信息，有助于提高功能影像的可视化分析效率。
附图说明
图1一种颜色保真的功能影像体绘制方法的处理流程；
图2输入切片序列SF的部分切片示例；
图3与图2所示的输入切片一一对应的重构切片示例；
图4(a)原始聚类中心的可视化结果；
图4(b)排序后的聚类中心的可视化结果；
图4(c)最终采用的聚类中心的可视化结果；
图5体绘制颜色传输函数；
图6体绘制不透明度传输函数；
图7SF经本发明方法处理后的结果图像，其中(a)、(b)和(c)是分别从不同角度观察到的视图。
图8SF经灰度变换后再进行三维体绘制的结果图像；
图9PET-FDG彩色切片序列经本发明方法处理后的结果，其中(a)为体绘制颜色传输函数和不透明度传输函数，(c)、(d)和(e)是分别从不同角度观察到的带有裁剪截面的体绘制结果图像，(b)是裁剪截面对应的原始输入切片。
具体实施方法
下面结合附图和实施例阐述本发明的具体实施方式。
图1给出了本发明所述的一种颜色保真的功能影像体绘制方法的处理流程，其主要步骤如下：
步骤S1：输入彩色的功能影像切片序列，令其为SF。
本实施例从Harvard Medical School公开的The WholeBrain Atlas数据集(http://www.med.harvard.edu/aanlib/home.htm)中，选取了一个胶质瘤患者的脑部SPECT-T1切片序列作为输入，令其为SF。从SF中提取的三个不同位置的切片作为示例，分别如图2中的(a)、(b)和(c)所示。
步骤S2：将彩色切片序列的像素值转换为(R,G,B,I)模式，其中R、G、B是原像素值的颜色分量，I是原像素值的亮度值。
该步骤亮度值的计算方法有多种，常用的比较简单的有如下几种：
I＝Max(R,G,B), (1)
除此之外，还可以将基于RGB颜色模型的像素值转换为HSI颜色模型的像素值，然后取其中的亮度值I。本实施例采用上面的公式(3)计算像素的亮度值。
步骤S3：设置过滤准则H，对切片序列的像素进行过滤，令不满足准则H 的像素集合为P0，满足准则H的像素集合为PI。
设置过滤准则H是原因是：功能影像的背景区域对功能代谢信息的分析没有太大帮助。对背景区域或类似背景的像素进行过滤可以提高后续分析的效率。
在本实施例中，过滤准则H是根据像素的亮度值设置的。此处使用的准则 H是I≥0.1×Imax，其中I是像素的亮度值，Imax是SF中所有像素的最大亮度值。
步骤S4：采用聚类算法对PI的像素进行聚类，令聚类数目为k，得到的聚类中心为C1(R1,G1,B1,I1),C2(R2,G2,B2,I2),...,Ck(Rk,Gk,Bk,Ik)。
该步骤的任务是对过滤后的像素进行聚类。可以采用常见的聚类算法来完成该任务，例如K-means和K-means++等聚类算法。
K-means和K-means++都是经典的基于距离的聚类算法，采用距离作为相似性的评价指标，两个对象的距离越近，其相似性就越大。两者的不同之处在于， K-means聚类算法的初始聚类中心是随机选择的；而K-means++聚类算法除第一个初始聚类中心是随机选择的外，其他初始聚类中心都是按照使初始聚类中心之间的距离尽可能远的原则选取的。
鉴于聚类结果与初始聚类中心密切相关，本实施例选择K-Means++算法进行聚类，其中采用的距离测度为欧式距离，具体的聚类过程如下：
步骤S4-1：从PI中随机选择一个像素，以其颜色分量和亮度值构造第一个聚类中心C1(R1,G1,B1,I1)；
步骤S4-2：采用欧式距离公式计算PI中的像素与已有的聚类中心的最短距离，选择距离值最大的像素的颜色分量和亮度值构造下一个聚类中心；
步骤S4-3：重复步骤S4-2，直到选出k个聚类中心；
步骤S4-4：计算PI中的像素与所有聚类中心的欧式距离，寻找距离最小的聚类中心，并将其划分到该聚类中心所属的类别；
步骤S4-5：用均值法计算出每个类的新聚类中心；
步骤S4-6：计算每对新旧聚类中心之间的欧式距离，如果有某对新旧聚类中心的距离大于阈值t，则重复步骤S4-4到S4-5，直到所有类的新旧聚类中心的距离小于或等于t。
在本实施例的实施过程中，聚类数目k＝30，阈值t＝0.0001，最后得到30 个聚类中心。依次对这30个聚类中心表示的颜色进行可视化，得到原始聚类中心的可视化结果如图4(a)所示。
步骤S5：对聚类中心C1(R1,G1,B1,I1),C2(R2,G2,B2,I2),...,Ck(Rk,Gk,Bk,Ik)进行排序整理，具体过程如下：
步骤S5-1：从k个聚类中心中选出亮度值最小的作为已排序的聚类中心队列Qs的队首，记为Qs1(Rs1,Gs1,Bs1,Is1)；
步骤S5-2：计算所有未排序的聚类中心与Qs队尾元素的欧式距离，将距离最小的聚类中心作为队尾加入到Qs；
步骤S5-3：重复步骤S5-2，直到k个聚类中心都加入到Qs；
步骤S5-4：按顺序对Qs表示的颜色进行可视化，剔除不符合颜色渐变特性的聚类中心，得到新的长度为k′的聚类中心队列Qs′。
在本实施例中，排序后的聚类中心按颜色可视化显示的结果如图4(b)所示。显然，Qs22(Rs22,Gs22,Bs22,Is22)和Qs30(Rs30,Gs30,Bs30,Is30)不符合颜色渐变的要求，将被剔除。因此，聚类中心队列Qs′的长度k′＝28，其可视化结果如图4(c)所示。
从图4(a)可看到，由步骤4得到的聚类中心的颜色是无序的。如果直接用这些聚类中心对体数据V中的体素进行分类，会出现邻近体素颜色属性值比较接近而类别索引值却相差比较大的情况。这将导致后续体绘制结果无法通过颜色正确反映体素取值的变化。因此，本发明方法对聚类中心进行了排序，并剔除了不满足颜色渐变特性的聚类中心。
步骤S6：将切片序列按顺序堆叠成三维体数据V，V中每个体素都是一个四元组(R,G,B,I)。
步骤S7：按照步骤5得到的聚类中心，对V中每个体素进行分类，建立与之对应的类别索引体数据M，具体方法是：如果V的体素值不满足准则H，则令其类别索引值为0，否则其类别索引值为与其距离最近的聚类中心的类别索引值。
在本实施例中，为了检查聚类结果的准确性，根据索引体数据M重构了输入切片序列。重构输入切片的具体过程是：从M提取切片像素的索引值，根据索引值从队列Qs′中获取相应聚类中心的颜色值，将其作为切片像素的颜色。图 3给出了与图2所示的输入切片一一对应的重构切片示例。显然，按照这种方法重构的输入切片序列，在视觉感知上与原始输入切片序列没有明显差异。
步骤S8：调整体数据M中非0体素的取值，具体方法是：令第i个体素的原有值Mi＝m，按照下面的公式将Mi修改为
其中dmi是V中与Mi对应的体素Vi到第m个聚类中心的距离，dmmax和dmmin分别是V中所有属于第m类的体素与第m个聚类中心的最大距离和最小距离。
在经过该步骤处理后，体数据M中原取值为m的体素，其值将被调整到区间[m-1,m]内。该调整可以使最终体绘制结果的颜色变化是连续的，从而呈现更好的视觉效果。实际上，当k值较大时，由于分类精度已经比较高，省略该步骤也是可以的。
步骤S9：根据聚类中心的颜色值和类别索引，构造体绘制颜色传输函数，并根据实际需求设定体绘制不透明度传输函数，然后采用光线投射法对体数据 M进行体绘制，得到体绘制结果图像IM。
在本实施例中，根据聚类中心的颜色值和类别索引构造的颜色传输函数如图5所示，根据观察需要设置的不透明度传输函数如图6所示，最终得到的体绘制结果如图7所示，其中(a)、(b)和(c)分别是从不同角度观察到的结果视图。为了展示本发明方法保留功能影像切片颜色的能力，在图7的体绘制结果中增加了一个裁剪截面，以便在截面上直接观察到与图2(b)对应的切片视图。对比图 7(a)和图2(b)，可以看到两者的颜色映射是一致的。用户可以像观察二维切片那样，根据颜色映射解码三维空间结构上的代谢信息。
为了说明本发明方法的优势和特征，将本发明方法与常规的功能影像体绘制方法进行了对比。常规方法一般将SF中的彩色切片转换为灰度图，然后按顺序堆叠成体数据，最后用体绘制技术对体数据进行可视化。对于本实施例的输入数据，采用常规方法进行处理后，得到的体绘制结果如图8所示。图8的观察角度与图7(a)是一致的。对比两者可以看到：图7(a)中与原切片一致的大块红色肿瘤区域，在图8中表现为蓝色，类似于周边正常的组织区域。这种颜色失真将给后续数据分析工作带来困扰甚至是误导。相比之下，本发明方法很好地规避了这个问题，体绘制结果的颜色信息跟原始输入切片的颜色信息是一致的。
为了说明本发明方法的可行性和通用性，采用PET-FDG彩色切片序列对其做了进一步的测试。其中采用的像素过滤准则H为I≥0.2×Imax，聚类算法为 K-Means++，聚类数目k＝40，阈值t＝0.0001，得到的聚类中心都满足颜色渐变要求。在对新构造的体数据进行体绘制时，采用的颜色传输函数和不透明度传输函数如图9(a)所示。图9中的(c)、(d)和(e)是分别从不同角度观察到的体绘制结果图像。这些不同角度的视图，提供了重要的空间结构信息。为了验证聚类结果的准确性，图9(c)、(d)和(e)展示的都是带有裁剪截面的体绘制结果，裁剪截面对应的原始输入切片如图9(b)所示。显然，图9(c)中截面显示的功能代谢信息与图9(b)是一致的。因此，本发明方法对于PET-FDG彩色切片序列的处理是有效的。
上述步骤及实例说明了本发明所述的一种颜色保真的功能影像体绘制方法的全部过程。
应该理解的是，本实施方式只是本发明实施的具体实例，不应该是本发明保护范围的限制。在不脱离本发明的精神与范围的情况下，对上述内容进行等效的修改或者变更均应包含在本发明所要求保护的范围之内。
Claims (3)
1.一种颜色保真的功能影像体绘制方法，其特征在于，包括以下步骤：
步骤1：输入彩色的功能影像切片序列，令其为SF；
步骤2：将彩色切片序列的像素值转换为(R,G,B,I)模式，其中R、G、B是原像素值的颜色分量，I是原像素值的亮度值；
步骤3：设置过滤准则H，对切片序列的像素进行过滤，令不满足准则H的像素集合为P0，满足准则H的像素集合为PI；
步骤4：采用聚类算法对PI的像素进行聚类，令聚类数目为k，得到的聚类中心为C1(R1,G1,B1,I1),C2(R2,G2,B2,I2),...,Ck(Rk,Gk,Bk,Ik)；
步骤5：对聚类中心C1(R1,G1,B1,I1),C2(R2,G2,B2,I2),...,Ck(Rk,Gk,Bk,Ik)进行排序整理，具体计算过程如下：
步骤5.1：从k个聚类中心中选出亮度值最小的作为已排序的聚类中心队列Qs的队首，记为Qs1(Rs1,Gs1,Bs1,Is1)；
步骤5.2：计算所有未排序的聚类中心与Qs队尾元素的欧式距离，将距离最小的聚类中心作为队尾加入到Qs；
步骤5.3：重复步骤5.2，直到k个聚类中心都加入到Qs；
步骤5.4：按顺序对Qs表示的颜色进行可视化，剔除不符合颜色渐变特性的聚类中心，得到新的长度为k′的聚类中心队列Qs′；
步骤6：将切片序列按顺序堆叠成三维体数据V，V中每个体素都是一个四元组(R,G,B,I)；
步骤7：按照步骤5得到的聚类中心，对V中每个体素进行分类，建立与之对应的类别索引体数据M，具体方法是：如果V的体素值不满足准则H，则令其类别索引值为0，否则其类别索引值为与其距离最近的聚类中心的类别索引值；
步骤8：调整体数据M中非0体素的取值，具体方法是：令第i个体素的原有值Mi＝m，按照下面的公式将Mi修改为
其中dmi是V中与Mi对应的体素Vi到第m个聚类中心的距离，dmmax和dmmin分别是V中所有属于第m类的体素与第m个聚类中心的最大距离和最小距离；
步骤9：根据聚类中心的颜色值和类别索引，构造体绘制颜色传输函数，并根据实际需求设定体绘制不透明度传输函数，然后采用光线投射法对体数据M进行体绘制，得到体绘制结果图像IM。
2.根据权利要求1所述的一种颜色保真的功能影像体绘制方法，其特征在于，步骤2中像素的亮度值I的计算方法有多种，常用的比较简单的有如下几种：
I＝Max(R,G,B), (1)
除此之外，还可以将基于RGB颜色模型的像素值转换为HSI颜色模型的像素值，然后取其中的亮度值I。
3.根据权利要求1所述的一种颜色保真的功能影像体绘制方法，其特征在于，步骤4中采用的聚类算法包括但不限于K-means和K-means++等基于距离的聚类算法，选用的距离测度包括但不限于欧式距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110686552.2A CN113470152A (zh) | 2021-06-21 | 2021-06-21 | 一种颜色保真的功能影像体绘制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110686552.2A CN113470152A (zh) | 2021-06-21 | 2021-06-21 | 一种颜色保真的功能影像体绘制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113470152A true CN113470152A (zh) | 2021-10-01 |
Family
ID=77868952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110686552.2A Pending CN113470152A (zh) | 2021-06-21 | 2021-06-21 | 一种颜色保真的功能影像体绘制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470152A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1125287A (ja) * | 1997-07-08 | 1999-01-29 | Toshiba Mach Co Ltd | ボクセル不透明度設定方法及びその装置 |
| JPH11175743A (ja) * | 1997-12-08 | 1999-07-02 | Toshiba Mach Co Ltd | スライス画像の３次元画像表示方法 |
| JP2001076121A (ja) * | 1999-08-31 | 2001-03-23 | Toshiba Mach Co Ltd | 薄切片撮影画像を用いたボリュームレンダリングによる画像作成方法 |
| CN1588452A (zh) * | 2004-08-05 | 2005-03-02 | 上海交通大学 | 二维图像序列三维重建方法 |
| CN1776747A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 医学图像中基于gpu硬件加速的体绘制方法 |
| CN101710420A (zh) * | 2009-12-18 | 2010-05-19 | 华南师范大学 | 一种医学图像反分割方法 |
| CN102184565A (zh) * | 2011-04-27 | 2011-09-14 | 深圳技师学院 | 一种医学图像的非网格化三维重建方法 |
| CN103914124A (zh) * | 2014-04-04 | 2014-07-09 | 浙江工商大学 | 面向三维场景的节能颜色映射方法 |
| CN104599311A (zh) * | 2013-10-31 | 2015-05-06 | 镇江华扬信息科技有限公司 | 基于gpu的三维医学图像混合可视化系统 |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| CN106447603A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 一种彩色图像灰度化方法 |
| CN109166157A (zh) * | 2018-07-05 | 2019-01-08 | 重庆邮电大学 | 一种三维mri脑部医学影像彩色化方法 |
| CN110223371A (zh) * | 2019-06-14 | 2019-09-10 | 北京理工大学 | 一种基于剪切波变换和体绘制不透明度加权的三维图像融合方法 |
-
2021
- 2021-06-21 CN CN202110686552.2A patent/CN113470152A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1125287A (ja) * | 1997-07-08 | 1999-01-29 | Toshiba Mach Co Ltd | ボクセル不透明度設定方法及びその装置 |
| JPH11175743A (ja) * | 1997-12-08 | 1999-07-02 | Toshiba Mach Co Ltd | スライス画像の３次元画像表示方法 |
| JP2001076121A (ja) * | 1999-08-31 | 2001-03-23 | Toshiba Mach Co Ltd | 薄切片撮影画像を用いたボリュームレンダリングによる画像作成方法 |
| CN1588452A (zh) * | 2004-08-05 | 2005-03-02 | 上海交通大学 | 二维图像序列三维重建方法 |
| CN1776747A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 医学图像中基于gpu硬件加速的体绘制方法 |
| CN101710420A (zh) * | 2009-12-18 | 2010-05-19 | 华南师范大学 | 一种医学图像反分割方法 |
| CN102184565A (zh) * | 2011-04-27 | 2011-09-14 | 深圳技师学院 | 一种医学图像的非网格化三维重建方法 |
| CN104599311A (zh) * | 2013-10-31 | 2015-05-06 | 镇江华扬信息科技有限公司 | 基于gpu的三维医学图像混合可视化系统 |
| CN103914124A (zh) * | 2014-04-04 | 2014-07-09 | 浙江工商大学 | 面向三维场景的节能颜色映射方法 |
| CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及系统 |
| CN106447603A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 一种彩色图像灰度化方法 |
| CN109166157A (zh) * | 2018-07-05 | 2019-01-08 | 重庆邮电大学 | 一种三维mri脑部医学影像彩色化方法 |
| CN110223371A (zh) * | 2019-06-14 | 2019-09-10 | 北京理工大学 | 一种基于剪切波变换和体绘制不透明度加权的三维图像融合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
| CN110120033A (zh) | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 | |
| Micallef et al. | Exploring the u-net++ model for automatic brain tumor segmentation | |
| Gilaie-Dotan et al. | Perceptual shape sensitivity to upright and inverted faces is reflected in neuronal adaptation | |
| CN112488976B (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| US7136516B2 (en) | Method and system for segmenting magnetic resonance images | |
| CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
| CN114565816B (zh) | 一种基于全局信息融合的多模态医学图像融合方法 | |
| Cieslak et al. | Local termination pattern analysis: a tool for comparing white matter morphology | |
| Guo et al. | Simultaneous classification and segmentation of intracranial hemorrhage using a fully convolutional neural network | |
| EP2948925A1 (en) | Medical image processing | |
| CN114038564B (zh) | 一种糖尿病无创风险预测方法 | |
| WO2019044095A1 (ja) | 医用情報表示装置、方法及びプログラム | |
| Zhang et al. | Comparison between two white matter segmentation strategies: an investigation into white matter segmentation consistency | |
| US11222728B2 (en) | Medical image display apparatus, medical image display method, and medical image display program | |
| Xie et al. | Cntseg: A multimodal deep-learning-based network for cranial nerves tract segmentation | |
| WO2009025780A1 (en) | A method & apparatus for uniquely identifying tissue pathology | |
| KR20020079742A (ko) | 고품질영상의 가시적 표시를 위한 상사치데이터의컨벌루젼필터링 | |
| CN113470152A (zh) | 一种颜色保真的功能影像体绘制方法 | |
| Jha et al. | Enhancing hardi reconstruction from undersampled data via multi-context and feature inter-dependency gan | |
| van Dixhoorn et al. | BrainCove: A Tool for Voxel-wise fMRI Brain Connectivity Visualization. | |
| US11580626B1 (en) | Computer apparatus and methods for generating color composite images from multi-echo chemical shift-encoded MRI | |
| CN109166157A (zh) | 一种三维mri脑部医学影像彩色化方法 | |
| Priya et al. | Brain tumor detection and disease prediction using CNN algorithm | |
| CA2827255A1 (en) | A method for extracting information of interest from multi-dimensional, multi-parametric and/or multi-temporal datasets |
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 |