CN113515875B - 基于多模态图像的骨生物力学建模方法、系统及装置 - Google Patents
基于多模态图像的骨生物力学建模方法、系统及装置 Download PDFInfo
- Publication number
- CN113515875B CN113515875B CN202110820267.5A CN202110820267A CN113515875B CN 113515875 B CN113515875 B CN 113515875B CN 202110820267 A CN202110820267 A CN 202110820267A CN 113515875 B CN113515875 B CN 113515875B
- Authority
- CN
- China
- Prior art keywords
- image
- image sequence
- qct
- fat
- fat fraction
- 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
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 36
- 210000001185 bone marrow Anatomy 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 210000001519 tissue Anatomy 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 18
- 208000010392 Bone Fractures Diseases 0.000 abstract description 5
- 206010017076 Fracture Diseases 0.000 abstract description 5
- 238000003702 image correction Methods 0.000 abstract description 3
- 210000003484 anatomy Anatomy 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000037182 bone density Effects 0.000 description 4
- 230000001054 cortical effect Effects 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000003041 ligament Anatomy 0.000 description 2
- 238000013334 tissue model Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000037118 bone strength Effects 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 210000003131 sacroiliac joint Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了基于多模态图像的骨生物力学建模方法、系统及装置，通过利用从MRI图像中提取的水图像和脂肪图像，计算得到脂肪分数图像，将脂肪分数图像与QCT图像进行图像配准后得到图像骨髓脂肪分数，利用图像骨髓脂肪分数校正QCT图像的CT值，利用校正后CT值建立骨生物力学有限元模型，进行骨生物力学计算分析。这样，以校正骨生物力学模型的材料属性为切入点，解决了现有的骨生物力学模型材料属性不准确的问题，基于多模态图像校正建立骨生物力学有限元模型，对改进骨生物力学模型以及对提高临床骨折风险预测的准确性具有重要意义。
Description
技术领域
本发明实施例涉及骨生物力学仿真技术领域，具体涉及基于多模态图像的骨生物力学建模方法、系统及装置。
背景技术
评估骨折风险或骨折后临床治疗方案的制定与治疗效果主要依赖于骨的生物力学特性，由于可用于实验的人骨样本较少，采用离体实验手段研究骨生物力学特性不现实或会受到限制，基于医学影像建立的生物力学模型可模拟骨各种复杂受力情况并可无限次重复实验，因此已成为分析骨力学特性的简便而又快捷的方法。
现有的基于医学影像建立的生物力学模型包括：
基于单一模态图像的信息获取骨力学材料，建立生物力学模型的方法，如通过QCT扫描已知密度信息的体模，得到骨密度与图像灰度值的关系，进而得到模型中每个体素的密度信息进而建立骨生物力学模型；
基于多模态图像融合建立骨三维模型的方法，如利用CT图像获得骨骼等硬组织结构并利用CT值赋予硬组织模型材料属性、利用MRI图像获得肌肉韧带等软组织结构，进而建立完整的骨肌系统生物力学模型。
建立骨生物力学模型最关键的一步为骨材料属性的赋予，材料属性决定模型是否可以准确描述椎体内部骨组织的力学特性，决定了单元在载荷下将如何变形，最完美的材料属性是100％还原骨结构组成。骨由松质骨与皮质骨组成，松质骨是一个包含骨小梁与骨髓的整体结构，其中骨髓填充在硬组织的小梁间空隙，作为一种位于骨腔内的软组织，骨髓内的脂肪在受压时可通过提供骨内压力来提高承重能力，这对于骨强度的影响不可忽视，而目前现有的骨生物力学模型大多仅利用骨密度信息赋予模型材料属性，并未考虑骨髓脂肪的影响，具体为通过QCT扫描已知密度信息的体膜，得到骨密度与图像灰度值的关系，进而得到模型中每个体素的密度信息；或直接设置皮质骨、松质骨为一特定杨氏模量，例如皮质骨10000MPa，松质骨200/140MPa，因此模型中材料属性并不准确；另外现有技术手段中，存在一些多模态图像融合建立骨三维模型的方法，如利用CT图像获得骨骼等硬组织结构并利用CT值赋予硬组织模型材料属性、利用MRI图像获得肌肉韧带等软组织结构，进而建立完整的骨肌系统生物力学模型；但这些方法仅关注于骨的解剖结构，只利用单一模态图像或常规参数设置模型的材料属性，并未考虑到由于成像技术缺陷或成像模态单一而造成的材料属性不准确问题。
因此，现有的骨生物力学模型材料属性不准确，导致骨生物力学模型仿真结果精确度低。
发明内容
为此，本发明实施例提供基于多模态图像的骨生物力学建模方法、系统及装置，以解决现有的骨生物力学模型材料属性不准确，导致骨生物力学模型仿真结果精确度低的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提供了基于多模态图像的骨生物力学建模方法，所述方法包括：
采集待测骨骼的第一QCT图像序列和第一MRI图像序列；
分别对所述第一QCT图像序列和所述第一MRI图像序列中的图像进行区域分割，得到覆盖目标椎体预设感兴趣区域的第二QCT图像序列和第二MRI图像序列；
从所述第二MRI图像序列中提取水图像序列和脂肪图像序列，并计算得到第一脂肪分数图像序列；
将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列；
利用所述第二脂肪分数图像序列中的图像骨髓脂肪分数校正所述第二QCT图像序列中的图像CT值，并得到校正后第三QCT图像序列；及
基于第三QCT图像序列建立骨生物力学有限元模型，进行骨生物力学计算分析。
进一步地，所述第二QCT图像序列和所述第二MRI图像序列中包括：所述目标椎体解剖点和配准解剖点，所述第二QCT图像序列和所述第二MRI图像序列的最上层为椎体上终板后第一层椎间盘图像，所述第二QCT图像序列和所述第二MRI图像序列的最下层为下终板后第一层椎间盘图像。
进一步地，在所述预设感兴趣区域内，以目标骨骼像素点位置作为对应体素检测值的索引位置，建立索引对应关系。
进一步地，将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列，包括：
统一图像数据矩阵的坐标系，在椎体数据矩阵垂直轴方向，对所述第一脂肪分数图像序列与所述第二QCT图像序列的各个断层平面的图像进行匹配；
对所述第一脂肪分数图像序列的各个图像进行插值处理，使插值处理后的第一脂肪分数图像序列和所述第二QCT图像序列的图像分辨率相同；
利用插值处理后的第一脂肪分数图像序列，与所述第二QCT图像序列进行二维平面图像配准，得到配准后的第二脂肪分数图像序列。
进一步地，统一图像数据矩阵的坐标系，在椎体数据矩阵垂直轴方向，对所述第一脂肪分数图像序列与所述第二QCT图像序列的各张断层平面的图像进行匹配，包括：
以椎体数据矩阵垂直轴为Z轴、矢状轴为Y轴、冠状轴为X轴；
以下终板面第一张椎间盘平面为Z轴起点，自下而上根据Z轴分辨率为每一断层平面分配Z轴坐标；
利用所述第二QCT图像序列的相邻两个第二断层图像，对所述第一脂肪分数图像序列的各个第一断层图像进行图像相似度测量，确定各个第一断层图像和所述第二断层图像的Z轴坐标映射关系。
进一步地，确定各个第一断层图像和所述第二断层图像的Z轴坐标映射关系，包括：
针对任一所述第一断层图像的第一Z轴坐标，选出相邻两个第二断层图像的第二Z轴坐标和第三Z轴坐标，其中，所述第二Z轴坐标小于所述第一Z轴坐标，所述第三Z轴坐标大于所述第一Z轴坐标；
将各个第一断层图像与第二断层图像量化为一个向量，并确定所述第一Z轴坐标、所述第二Z轴坐标和所述第三Z轴坐标各自对应的第一向量、第二向量和第三向量；
计算出所述第一向量与所述第二向量的第一欧式距离以及所述第一向量与所述第三向量的第二欧式距离；
判断所述第一欧式距离是否大于所述第二欧式距离；
若所述第一欧式距离大于所述第二欧式距离，在所述第一Z轴坐标和所述第二Z轴坐标之间建立映射关系；
若所述第一欧式距离不大于所述第二欧式距离，在所述第一Z轴坐标和所述第三Z轴坐标之间建立映射关系。
进一步地，利用插值处理后的第一脂肪分数图像序列，与所述第二QCT图像序列进行二维平面图像配准，得到配准后的第二脂肪分数图像序列，包括：
确定固定图像和浮动图像分别为所述第二QCT图像序列的图像和插值处理后的第一脂肪分数图像序列；
选取特征控制点对，并由至少一个特征控制点对形成指向相同解剖位置的MRI与QCT控制点对集合；
基于所述特征控制点对，计算MRI控制点到相同解剖位置QCT控制点的空间映射参数；
利用所述空间映射参数将所述浮动图像变换到配准图像，并由所有配准图像形成配准后的第二脂肪分数图像序列。
进一步地，所述第二QCT图像序列中的图像CT值的校正公式为：
CTvalueFFcorr＝CTvalue(xi,yi)+[0.7576·FF(xi,yi)-12.96]/a
其中，CTvalueFFcorr为校正后第三QCT图像序列中的图像CT值；CTvalue(xi,yi)为第二QCT图像序列中的图像CT值；FF(xi,yi)为第二脂肪分数图像序列中的图像骨髓脂肪分数；(xi,yi)为图像像素点索引位置坐标；a为根据标准体模拟合得到的CT值与被扫描物体实际密度之间的线性关系斜率。
根据本发明实施例的第二方面，提供了基于多模态图像的骨生物力学建模系统，所述系统包括：
图像采集模块，用于采集待测骨骼的第一QCT图像序列和第一MRI图像序列；
预处理模块，用于分别对所述第一QCT图像序列和所述第一MRI图像序列中的图像进行区域分割，得到覆盖目标椎体预设感兴趣区域的第二QCT图像序列和第二MRI图像序列；从所述第二MRI图像序列中提取水图像序列和脂肪图像序列，并计算得到第一脂肪分数图像序列；
图像配准模块，用于将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列；
校正模块，用于利用所述第二脂肪分数图像序列中的图像骨髓脂肪分数校正所述第二QCT图像序列中的图像CT值，并得到校正后第三QCT图像序列；及
模型建立模块，用于基于第三QCT图像序列建立骨生物力学有限元模型，进行骨生物力学计算分析。
根据本发明实施例的第三方面，提供了基于多模态图像的骨生物力学建模设备，所述设备包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的基于多模态图像的骨生物力学建模方法的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述基于多模态图像的骨生物力学建模方法的步骤。
本发明实施例具有如下优点：
本发明实施例通过利用从MRI图像中提取的水图像和脂肪图像，计算得到脂肪分数图像，将脂肪分数图像与QCT图像进行图像配准后得到图像骨髓脂肪分数，利用图像骨髓脂肪分数校正QCT图像的CT值，利用校正后CT值建立骨生物力学有限元模型，进行骨生物力学计算分析。这样，以校正骨生物力学模型的材料属性为切入点，解决了现有的骨生物力学模型材料属性不准确的为题，基于多模态图像校正建立骨生物力学有限元模型，对改进骨生物力学模型以及对提高临床骨折风险预测的准确性具有重要意义。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的基于多模态图像的骨生物力学建模系统的逻辑结构示意图；
图2为本发明实施例提供的基于多模态图像的骨生物力学建模方法的流程示意图；
图3为本发明实施例提供的定量CT腰椎灰度图像；
图4为本发明实施例提供的MRI mDIXON Quant腰椎FF图像；
图5的(a)至(f)为本发明实施例提供的某女性患者腰椎横断面mDIXON Quant序列6种信号图像示例；
图6为本发明实施例提供的将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准的流程示意图；
图7为本发明实施例提供的统一图像数据矩阵的坐标系的流程示意图；
图8为本发明实施例提供的确定各个第一断层图像和所述第二断层图像的Z轴坐标映射关系的流程示意图；
图9为本发明实施例提供的利用插值处理后的第一脂肪分数图像序列与所述第二QCT图像序列进行二维平面图像配准的流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
为了解决现有的骨生物力学模型材料属性不准确，导致骨生物力学模型仿真结果精确度低的技术问题。
参考图1，本发明实施例公开了基于多模态图像的骨生物力学建模系统，该系统包括：图像采集模块1、预处理模块2、图像配准模块3、校正模块4和模型建立模块5。
其中，图像采集模块1用于采集待测骨骼的第一QCT图像序列和第一MRI图像序列；预处理模块2用于分别对所述第一QCT图像序列和所述第一MRI图像序列中的图像进行区域分割，得到覆盖目标椎体预设感兴趣区域的第二QCT图像序列和第二MRI图像序列；从所述第二MRI图像序列中提取水图像序列和脂肪图像序列，并计算得到第一脂肪分数图像序列；图像配准模块3用于将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列；校正模块4用于利用所述第二脂肪分数图像序列中的图像骨髓脂肪分数校正所述第二QCT图像序列中的图像CT值，并得到校正后第三QCT图像序列；及模型建立模块5用于基于第三QCT图像序列建立骨生物力学有限元模型，进行骨生物力学计算分析。
与上述公开的基于多模态图像的骨生物力学建模系统相对应，本发明实施例还公开了基于多模态图像的骨生物力学建模方法。以下结合上述描述的基于多模态图像的骨生物力学建模系统详细介绍本发明实施例中公开的基于多模态图像的骨生物力学建模方法。
参考图2，本发明公开了基于多模态图像的骨生物力学建模方法，所述方法包括如下步骤：
通过图像采集模块1采集待测骨骼的第一QCT图像序列和第一MRI图像序列，图像采集模块1将第一QCT图像序列和第一MRI图像序列发送至预处理模块2。
具体地，CT扫描时在被测目标底部放置已知密度信息的体模，调整扫描分辨率，得到可包含有骨密度信息的高质量QCT图像序列，即上述第一QCT图像序列。
使用飞利浦MRI成像设备扫描待测骨骼，获取其mDIXON-Quant图像序列，即上述第一MRI图像序列。调整MRI成像时相关技术参数，得到可显示并计算骨髓脂肪含量的mdixon系列图像(如图5的(a)至(f))。
W是水图像(Water images)；F是脂肪图像(Fat images)；IP是同相图(In Phaseimages)；OP是反相图(Out Phase images)。进一步，即可计算人体组织的脂肪分数：
其中，FF是脂肪分数(Fat Fraction)，无量纲，数值范围在[0,1]，表示单位像素内脂肪组织占脂肪组织和水的百分比。
通过预处理模块2分别对第一QCT图像序列和第一MRI图像序列中的图像进行区域分割，得到覆盖目标椎体预设感兴趣区域的第二QCT图像序列和第二MRI图像序列。另外，预处理模块2从所述第二MRI图像序列中计算得到第一脂肪分数图像序列，第一脂肪分数图像序列为MRI图像序列；预处理模块2将第一脂肪分数图像序列与第二QCT图像序列发送至图像配准模块3。
具体地，QCT原图像视野较广，一般覆盖：颈椎、胸椎、腰椎、骶髂关节和周围其他器官和组织，但本发明实施例针对感兴趣区为某块椎骨的椎体，将目标椎体周围区域从原QCT数据中分割出来。原QCT图像尺寸为：分割后感兴趣区域尺寸为：/>分割的标准为：分割后包含目标椎体和配准时涉及的解剖点，最上层为椎体上终板后第一层椎间盘，最下层同理为下终板后第一层椎间盘。即，第二QCT图像序列包括：目标椎体解剖点和配准解剖点，第二QCT图像序列的最上层为椎体上终板后第一层椎间盘图像，第二QCT图像序列的最下层为下终板后第一层椎间盘图像。
进一步地，在预设感兴趣区域内，以目标骨骼像素点位置作为对应体素检测值的索引位置，建立索引对应关系。这样，在预设感兴趣区域内，即可索引到对应体素的CT值，索引对应关系具体如下：
其中，Q为QCT图像数据矩阵，CTi为对应索引位置CT值。
MRI mDIXON Quant图像序列(以下简称MRI图像序列)成像具有针对性，腰椎序列一般覆盖三块椎骨和周围部分组织，按照上述QCT区域分割方法，从原图数据矩阵中分割出目标椎骨/>根据以上描述，MRI图像序列包括水图(W)、脂肪图(F)、同相图(IP)、反相图(OP)、T2图和R2图，分别代表六种信号特征，但不包含骨髓脂肪信号。从MRI图像序列中提取W和F图像，根据前述公式计算的脂肪分数图像(Fat Fraction,FF)，代表单位体积内脂肪组织占比，即骨髓脂肪信号，具体如下所示：
同样地，第二MRI图像序列中包括：目标椎体解剖点和配准解剖点，第二MRI图像序列的最上层为椎体上终板后第一层椎间盘图像，第二MRI图像序列的最下层为下终板后第一层椎间盘图像。以及在预设感兴趣区域内，以目标骨骼像素点位置作为对应体素检测值的索引位置，建立索引对应关系。
MRI图像分辨率低于QCT分辨率，对MRI图像序列进行数据插值以实现基于MRI图像序列骨髓脂肪含量对QCT图像灰度的点对点像素级校正。为尽量减小误差，本发明实施例基于已有MRI数据量，补充未知数据量：首先统一坐标系，进行Z轴方向张断层平面的图像匹配；其次将MRI数据根据坐标位置插值到与QCT相同的数据量；然后进行二维平面的图像配准；最后进行两种模态图像间的像素级灰度校正，进而建立感兴趣椎体模型。
进一步地，参考图6，将第一脂肪分数图像序列与第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列，具体包括：统一图像数据矩阵的坐标系，在椎体数据矩阵垂直轴方向，对第一脂肪分数图像序列与第二QCT图像序列的各个断层平面的图像进行匹配；对第一脂肪分数图像序列的各个图像进行插值处理，使插值处理后的第一脂肪分数图像序列和第二QCT图像序列的图像分辨率相同；利用插值处理后的第一脂肪分数图像序列，与第二QCT图像序列进行二维平面图像配准，得到配准后的第二脂肪分数图像序列。
进一步地，参考图7，统一图像数据矩阵的坐标系，具体包括：以椎体数据矩阵垂直轴为Z轴、矢状轴为Y轴、冠状轴为X轴；以下终板面第一张椎间盘平面为Z轴起点，自下而上根据Z轴分辨率为每一断层平面分配Z轴坐标；利用所述第二QCT图像序列的相邻两个第二断层图像，对所述第一脂肪分数图像序列的各个第一断层图像进行图像相似度测量，确定各个第一断层图像和所述第二断层图像的Z轴坐标映射关系。
更进一步地，参考图8，确定各个第一断层图像和第二断层图像的Z轴坐标映射关系，具体包括：针对任一所述第一断层图像的第一Z轴坐标，选出相邻两个第二断层图像的第二Z轴坐标和第三Z轴坐标，其中，所述第二Z轴坐标小于所述第一Z轴坐标，所述第三Z轴坐标大于所述第一Z轴坐标；将各个第一断层图像与第二断层图像量化为一个向量，并确定所述第一Z轴坐标、所述第二Z轴坐标和所述第三Z轴坐标各自对应的第一向量、第二向量和第三向量；计算出所述第一向量与所述第二向量的第一欧式距离以及所述第一向量与所述第三向量的第二欧式距离；判断所述第一欧式距离是否大于所述第二欧式距离；若所述第一欧式距离大于所述第二欧式距离，在所述第一Z轴坐标和所述第二Z轴坐标之间建立映射关系；若所述第一欧式距离不大于所述第二欧式距离，在所述第一Z轴坐标和所述第三Z轴坐标之间建立映射关系。
本发明实施例中，采用邻近断层相似匹配方法，实现两种模态图像Z轴坐标的统一。使用尺度不变特征变换(Scale-invariant feature transform,SIFT)与词袋模型(BagofWords，BoW)将每一张图像量化为一个向量，根据MRI图像(第一断层图像)与邻近两个QCT图像(第二断层图像)的最小欧氏距离判定Z轴坐标映射。对每一个第一脂肪分数图像序列(MRI图像序列)的断层图像执行以上步骤，便完成两种模态Z轴坐标系的统一。
通过图像配准模块3将第一脂肪分数图像序列与第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列。图像配准模块3将配准后的第二脂肪分数图像序列发送至校正模块4。
进一步地，参考图9，利用插值处理后的第一脂肪分数图像序列，与所述第二QCT图像序列进行二维平面图像配准，得到配准后的第二脂肪分数图像序列，包括：确定固定图像和浮动图像分别为所述第二QCT图像序列的图像和插值处理后的第一脂肪分数图像序列；选取特征控制点对，并由至少一个特征控制点对形成指向相同解剖位置的MRI与QCT控制点对集合；基于所述特征控制点对，计算MRI控制点到相同解剖位置QCT控制点的空间映射参数；利用所述空间映射参数将所述浮动图像变换到配准图像，并由所有配准图像形成配准后的第二脂肪分数图像序列。
由于QCT图像反映皮质骨、小梁骨等硬组织信号，MRI mDIXON Quant序列脂肪组织图像(FF)更好地反映脂肪等软组织信号，图像灰度差异较大，而且MRI图像椎体边缘相对模糊，本发明实施例使用MATLAB提供的Control Point Selection Tool(cpselect)手动选取特征控制点对。例如，根据需要自定义选取任意数量的特征匹配控制点对如下：
S＝{MRIcp(xi,yi),QCTcp(xj,yj)}
其中，S表示指向相同解剖位置的MRI与QCT控制点对集合。
选取控制点对后，计算MRI控制点到QCT相同解剖位置控制点的空间映射，即几何变换参数，进而推广到整幅图像配准。
通过校正模块4利用所述第二脂肪分数图像序列中的图像骨髓脂肪分数校正所述第二QCT图像序列中的图像CT值，并得到校正后第三QCT图像序列。校正模块4将校正后第三QCT图像序列发送至模型建立模块5。
进一步地，第二QCT图像序列中的图像CT值的校正公式为：
CTvalueFFcorr＝CTvalue(xi,yi)+[0.7576·FF(xi,yi)-12.96]/a
其中，CTvalueFFcorr为校正后第三QCT图像序列中的图像CT值；CTvalue(xi,yi)为第二QCT图像序列中的图像CT值；FF(xi,yi)为第二脂肪分数图像序列中的图像骨髓脂肪分数；(xi,yi)为图像像素点索引位置坐标；a为根据标准体模拟合得到的CT值与被扫描物体实际密度之间的线性关系斜率。
通过模型建立模块5基于第三QCT图像序列建立骨生物力学有限元模型，进行骨生物力学计算分析。
本发明实施例通过利用从MRI图像中提取的水图像和脂肪图像，计算得到脂肪分数图像，将脂肪分数图像与QCT图像进行图像配准后得到图像骨髓脂肪分数，利用图像骨髓脂肪分数校正QCT图像的CT值，利用校正后CT值建立骨生物力学有限元模型，进行骨生物力学计算分析。这样，以校正骨生物力学模型的材料属性为切入点，解决了现有的骨生物力学模型材料属性不准确的为题，基于多模态图像校正建立骨生物力学有限元模型，对改进骨生物力学模型以及对提高临床骨折风险预测的准确性具有重要意义。
另外，本发明实施例还提供了基于多模态图像的骨生物力学建模设备，所述设备包括：处理器和存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的基于多模态图像的骨生物力学建模方法的步骤。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述基于多模态图像的骨生物力学建模方法的步骤。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.基于多模态图像的骨生物力学建模方法，其特征在于，所述方法包括：
采集待测骨骼的第一QCT图像序列和第一MRI图像序列；
分别对所述第一QCT图像序列和所述第一MRI图像序列中的图像进行区域分割，得到覆盖目标椎体预设感兴趣区域的第二QCT图像序列和第二MRI图像序列；
从所述第二MRI图像序列中提取水图像序列和脂肪图像序列，并计算得到第一脂肪分数图像序列，其中，从所述第二MRI图像序列中提取水图像W和脂肪图像F，根据以下公式分别计算得到脂肪分数图像，代表单位体积内脂肪组织占比，得到第一脂肪分数图像序列：
其中，FF是脂肪分数，无量纲，数值范围在[0,1]，表示单位像素内脂肪组织占脂肪组织和水的百分比；W是水图像；F是脂肪图像；
将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列；
利用所述第二脂肪分数图像序列中的图像骨髓脂肪分数校正所述第二QCT图像序列中的图像CT值，并得到校正后第三QCT图像序列；及
基于第三QCT图像序列建立骨生物力学有限元模型，进行骨生物力学计算分析。
2.如权利要求1所述的基于多模态图像的骨生物力学建模方法，其特征在于，所述第二QCT图像序列和所述第二MRI图像序列中包括：目标椎体解剖点和配准解剖点，所述第二QCT图像序列和所述第二MRI图像序列的最上层为椎体上终板后第一层椎间盘图像，所述第二QCT图像序列和所述第二MRI图像序列的最下层为下终板后第一层椎间盘图像。
3.如权利要求2所述的基于多模态图像的骨生物力学建模方法，其特征在于，在所述预设感兴趣区域内，以目标骨骼像素点位置作为对应体素检测值的索引位置，建立索引对应关系。
4.如权利要求1至3中任一项所述的基于多模态图像的骨生物力学建模方法，其特征在于，将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列，包括：
统一图像数据矩阵的坐标系，在椎体数据矩阵垂直轴方向，对所述第一脂肪分数图像序列与所述第二QCT图像序列的各个断层平面的图像进行匹配；
对所述第一脂肪分数图像序列的各个图像进行插值处理，使插值处理后的第一脂肪分数图像序列和所述第二QCT图像序列的图像分辨率相同；
利用插值处理后的第一脂肪分数图像序列，与所述第二QCT图像序列进行二维平面图像配准，得到配准后的第二脂肪分数图像序列。
5.如权利要求4所述的基于多模态图像的骨生物力学建模方法，其特征在于，统一图像数据矩阵的坐标系，在椎体数据矩阵垂直轴方向，对所述第一脂肪分数图像序列与所述第二QCT图像序列的各张断层平面的图像进行匹配，包括：
以椎体数据矩阵垂直轴为Z轴、矢状轴为Y轴、冠状轴为X轴；
以下终板面第一张椎间盘平面为Z轴起点，自下而上根据Z轴分辨率为每一断层平面分配Z轴坐标；
利用所述第二QCT图像序列的相邻两个第二断层图像，对所述第一脂肪分数图像序列的各个第一断层图像进行图像相似度测量，确定各个第一断层图像和所述第二断层图像的Z轴坐标映射关系。
6.如权利要求5所述的基于多模态图像的骨生物力学建模方法，其特征在于，确定各个第一断层图像和所述第二断层图像的Z轴坐标映射关系，包括：
针对任一所述第一断层图像的第一Z轴坐标，选出相邻两个第二断层图像的第二Z轴坐标和第三Z轴坐标，其中，所述第二Z轴坐标小于所述第一Z轴坐标，所述第三Z轴坐标大于所述第一Z轴坐标；
将各个第一断层图像与第二断层图像量化为一个向量，并确定所述第一Z轴坐标、所述第二Z轴坐标和所述第三Z轴坐标各自对应的第一向量、第二向量和第三向量；
计算出所述第一向量与所述第二向量的第一欧式距离以及所述第一向量与所述第三向量的第二欧式距离；
判断所述第一欧式距离是否大于所述第二欧式距离；
若所述第一欧式距离大于所述第二欧式距离，在所述第一Z轴坐标和所述第二Z轴坐标之间建立映射关系；
若所述第一欧式距离不大于所述第二欧式距离，在所述第一Z轴坐标和所述第三Z轴坐标之间建立映射关系。
7.如权利要求4所述的基于多模态图像的骨生物力学建模方法，其特征在于，利用插值处理后的第一脂肪分数图像序列，与所述第二QCT图像序列进行二维平面图像配准，得到配准后的第二脂肪分数图像序列，包括：
确定固定图像和浮动图像分别为所述第二QCT图像序列的图像和插值处理后的第一脂肪分数图像序列；
选取特征控制点对，并由至少一个特征控制点对形成指向相同解剖位置的MRI与QCT控制点对集合；
基于所述特征控制点对，计算MRI控制点到相同解剖位置QCT控制点的空间映射参数；
利用所述空间映射参数将所述浮动图像变换到配准图像，并由所有配准图像形成配准后的第二脂肪分数图像序列。
8.如权利要求1所述的基于多模态图像的骨生物力学建模方法，其特征在于，所述第二QCT图像序列中的图像CT值的校正公式为：
CTvalueFFcorr＝CTvalue(xi,yi)+[0.7576·FF(xi,yi)-12.96]/a
其中，CTvalueFFcorr为校正后第三QCT图像序列中的图像CT值；CTvalue(xi,yi)为第二QCT图像序列中的图像CT值；FF(xi,yi)为第二脂肪分数图像序列中的图像骨髓脂肪分数；(xi,yi)为图像像素点索引位置坐标；a为根据标准体模拟合得到的CT值与被扫描物体实际密度之间的线性关系斜率。
9.基于多模态图像的骨生物力学建模系统，其特征在于，所述系统包括：
图像采集模块，用于采集待测骨骼的第一QCT图像序列和第一MRI图像序列；
预处理模块，用于分别对所述第一QCT图像序列和所述第一MRI图像序列中的图像进行区域分割，得到覆盖目标椎体预设感兴趣区域的第二QCT图像序列和第二MRI图像序列；从所述第二MRI图像序列中提取水图像序列和脂肪图像序列，并计算得到第一脂肪分数图像序列，其中，从所述第二MRI图像序列中提取水图像W和脂肪图像F，根据以下公式分别计算得到脂肪分数图像，代表单位体积内脂肪组织占比，得到第一脂肪分数图像序列：
其中，FF是脂肪分数，无量纲，数值范围在[0,1]，表示单位像素内脂肪组织占脂肪组织和水的百分比；W是水图像；F是脂肪图像；
图像配准模块，用于将所述第一脂肪分数图像序列与所述第二QCT图像序列进行图像配准，得到配准后的第二脂肪分数图像序列；
校正模块，用于利用所述第二脂肪分数图像序列中的图像骨髓脂肪分数校正所述第二QCT图像序列中的图像CT值，并得到校正后第三QCT图像序列；及
模型建立模块，用于基于第三QCT图像序列建立骨生物力学有限元模型，进行骨生物力学计算分析。
10.基于多模态图像的骨生物力学建模设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1至8任一项所述的基于多模态图像的骨生物力学建模方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820267.5A CN113515875B (zh) | 2021-07-20 | 2021-07-20 | 基于多模态图像的骨生物力学建模方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820267.5A CN113515875B (zh) | 2021-07-20 | 2021-07-20 | 基于多模态图像的骨生物力学建模方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113515875A CN113515875A (zh) | 2021-10-19 |
| CN113515875B true CN113515875B (zh) | 2023-12-29 |
Family
ID=78067363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110820267.5A Active CN113515875B (zh) | 2021-07-20 | 2021-07-20 | 基于多模态图像的骨生物力学建模方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113515875B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998301B (zh) * | 2022-06-28 | 2022-11-29 | 北京大学第三医院（北京大学第三临床医学院） | 一种椎体亚区域分割方法、装置及存储介质 |
| CN116664800B (zh) * | 2023-08-01 | 2023-09-29 | 中国人民解放军总医院第六医学中心 | 一种骨骼内固定模式下的有限元骨强度评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139442A (zh) * | 2015-07-23 | 2015-12-09 | 昆明医科大学第一附属医院 | 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法 |
| CN105339804A (zh) * | 2013-06-20 | 2016-02-17 | 皇家飞利浦有限公司 | 根据MR Dixon数据的皮质骨分割 |
| CN110363765A (zh) * | 2019-07-24 | 2019-10-22 | 苏州科技城医院 | 基于ct影像的骨质疏松参数自动测量方法 |
| CN110570515A (zh) * | 2019-09-03 | 2019-12-13 | 天津工业大学 | 一种利用ct图像进行人体骨骼三维建模的方法 |
| CN110660137A (zh) * | 2019-09-02 | 2020-01-07 | 北京工业大学 | 一种评估人体不同角度侧向跌倒冲击载荷下股骨骨折风险的微观生物力学研究方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11864978B2 (en) * | 2017-09-07 | 2024-01-09 | Versitech Limited | Bone model, modelling process and system therefor |
| US11202602B2 (en) * | 2017-12-01 | 2021-12-21 | The Trustees Of The University Of Pennsylvania | Personalized assessment of bone health using imaging |
-
2021
- 2021-07-20 CN CN202110820267.5A patent/CN113515875B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105339804A (zh) * | 2013-06-20 | 2016-02-17 | 皇家飞利浦有限公司 | 根据MR Dixon数据的皮质骨分割 |
| CN105139442A (zh) * | 2015-07-23 | 2015-12-09 | 昆明医科大学第一附属医院 | 一种结合ct和mri二维图像建立人体膝关节三维仿真模型的方法 |
| CN110363765A (zh) * | 2019-07-24 | 2019-10-22 | 苏州科技城医院 | 基于ct影像的骨质疏松参数自动测量方法 |
| CN110660137A (zh) * | 2019-09-02 | 2020-01-07 | 北京工业大学 | 一种评估人体不同角度侧向跌倒冲击载荷下股骨骨折风险的微观生物力学研究方法 |
| CN110570515A (zh) * | 2019-09-03 | 2019-12-13 | 天津工业大学 | 一种利用ct图像进行人体骨骼三维建模的方法 |
Non-Patent Citations (4)
| Title |
|---|
| Image-based biomechanical models of the musculoskeletal system;J Latif等;ieeexplore.ieee.org;全文 * |
| In Vivo Assessment of Age‐ and Loading Configuration‐Related Changes in Multiscale Mechanical Behavior of the Human Proximal Femur Using MRI;L Zhang等;Journal of Magnetic;全文 * |
| 基于显微磁共振成像和有限元分析的股骨近端微观力学行为研究;张凌云;北京生物医学工程;全文 * |
| 骨细胞陷窝-小管系统受损对骨力学适应性重建的影响:基于一种早衰症动物模型的在体实验研究;杨海胜;第十二届全国生物力学学术会议暨第十四届全国生物流变学学术会议会议论文摘要汇编;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113515875A (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047572B (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
| CN110338841B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
| US9384555B2 (en) | Motion correction apparatus and method | |
| US8423124B2 (en) | Method and system for spine visualization in 3D medical images | |
| CN113515875B (zh) | 基于多模态图像的骨生物力学建模方法、系统及装置 | |
| Moura et al. | Fast 3D reconstruction of the spine from biplanar radiographs using a deformable articulated model | |
| US20200058098A1 (en) | Image processing apparatus, image processing method, and image processing program | |
| JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
| JP2011224388A (ja) | デジタル画像上での測定の実施法 | |
| CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
| CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
| CN106709920B (zh) | 血管提取方法及其装置 | |
| JP3234668U (ja) | Ｘ線による脊柱側弯症の画像認識システム | |
| CN108670301B (zh) | 一种基于超声影像的脊柱横突定位方法 | |
| CN114287915A (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 | |
| CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| CN111820948B (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
| WO2011050454A1 (en) | Bone imagery segmentation method and apparatus | |
| CN108670302B (zh) | 一种基于2.5维超声宽景成像的脊柱三维结构再现方法 | |
| JP2006139782A (ja) | 画像を重ね合わせる方法 | |
| CN108804861B (zh) | 一种具有真实力反馈的脊柱微创手术培训系统及方法 | |
| CN115035207A (zh) | 胎儿颅脑标准切面生成方法、装置和超声成像显示系统 | |
| CN111000580B (zh) | 椎间盘扫描方法、装置、控制台设备及ct系统 | |
| CN112734740A (zh) | 训练目标检测模型的方法、目标检测的方法及其装置 |
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 |