CN113888566A - 目标轮廓曲线确定方法、装置、电子设备以及存储介质 - Google Patents
目标轮廓曲线确定方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113888566A CN113888566A CN202111150742.9A CN202111150742A CN113888566A CN 113888566 A CN113888566 A CN 113888566A CN 202111150742 A CN202111150742 A CN 202111150742A CN 113888566 A CN113888566 A CN 113888566A
- Authority
- CN
- China
- Prior art keywords
- target
- vertex
- triangular patch
- patch data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 69
- 238000009877 rendering Methods 0.000 claims abstract description 31
- 238000009499 grossing Methods 0.000 claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- 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
- 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
- G06T2207/10—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
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种目标轮廓曲线确定方法、装置、电子设备以及存储介质。该方法包括：获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。通过本发明实施例的技术方案，实现了缩短轮廓信息提取的时间，同时提高了轮廓信息提取的准确性以及安全性。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种目标轮廓曲线确定方法、装置、电子设备以及存储介质。
背景技术
dicom数据中轮廓信息是医生在临床诊断中的重要参考信息。医生通过dicom中器官及病灶的轮廓信息来对器官及病灶的影像特征进行分析，确定病灶的空间位置及病灶病理特征，为后期治疗提供临床依据。
目前，现有技术提取dicom中的轮廓信息的方法大多是基于深度学习对dicom进行语义分割得到mask，然后使用opencv提取mask的轮廓坐标，保存为json文件后传给前端，由前端根据json文件中的坐标点进行绘制。
但是，在现有技术的实施过程中，保存及读取json文件的过程非常耗时，并且直接提取mask的轮廓坐标得到的轮廓曲线存在曲线重合的情况，降低轮廓信息获取的准确性，而且传输过程容易被第三方非法获取，降低了轮廓信息获取的安全性。
发明内容
本发明提供一种目标轮廓曲线确定方法、装置、电子设备以及存储介质，以实现缩短轮廓信息提取的时间，同时提高了轮廓信息提取的准确性以及安全性。
第一方面，本发明实施例提供了一种目标轮廓曲线确定方法，该方法包括：
获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；
基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；
对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。
可选的，所述对所述医学图像进行图像分割，得到所述目标对象的部位分割结果，包括：
获取所述医学图像的至少一个图像序列，并将各所述图像序列输入至预先训练的部位分割模型中，得到所述部位分割模型输出的至少一个部位分割结果。
可选的，所述基于所述部位分割结果确定所述目标对象的初始三角面片数据，包括：
获取所述部位分割结果对应的至少一个体素的各顶点的顶点坐标，并基于各所述体素的各顶点的顶点坐标确定所述目标对象的初始三角面片数据。
可选的，在得到所述目标对象的目标三角面片数据之后，所述方法还包括：
将所述目标对象的目标三角面片数据中任一个三角面片对应的各坐标关联存储于预设格式的数据文件中。
可选的，所述基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据，包括：
基于所述初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标；
在所述待插值点预设范围内获取预设数量的顶点对应的顶点像素值，并基于各所述顶点像素值确定所述待插值点的插值点像素值；
基于各所述插值点像素值以及各所述顶点像素值确定所述目标对象的目标三角面片数据。
可选的，所述基于所述初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标，包括：
基于所述初始三角面片数据中当前顶点的顶点坐标确定所述当前顶点对应的至少一个邻接点的邻接点坐标，分别基于所述顶点坐标与任一邻接点坐标确定至少一个待插值点的插值点坐标；或者，
基于所述初始三角面片数据中当前顶点的点坐标以及顶点像素值确定所述当前顶点对应的至少一个邻接点的点坐标以及顶点像素值，若所述当前顶点的顶点像素值与当前邻接点的邻接点像素值的像素值差值大于预设像素值阈值，则基于所述当前顶点的点坐标以及当前邻接点的点坐标确定待插值点的点坐标。
可选的，所述对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线，包括：
将所述目标三角面片数据输入至预先训练的数据渲染模型中，得到所述渲染模型输出的目标轮廓曲线。
第二方面，本发明实施例还提供了一种目标轮廓曲线确定装置，该装置包括：
部位分割结果获取模块，用于获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；
目标三角面片数据获取模块，用于基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；
目标轮廓曲线获取模块，用于对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
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，使得所述一个或多个处理器实现如本发明任意实施例提供的目标轮廓曲线确定方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的目标轮廓曲线确定方法。
本实施例的技术方案具体通过获取目标对象的医学图像，并对医学图像进行图像分割，得到目标对象的部位分割结果；基于部位分割结果确定目标对象的初始三角面片数据，并基于初始三角面片数据中各顶点的顶点坐标以及顶点像素值对初始三角面片数据进行平滑处理，得到目标对象的目标三角面片数据；对目标三角面片数据进行渲染处理，得到目标对象的目标轮廓曲线；通过对基于分割结果进行重建得到三角面片，避免了将分割结果保存为json文件后传给前端导致的安全问题，从而提高了轮廓信息提取的安全性；进一步地对得到的三角面片进行平滑处理，得到了平滑但不会重合的三角面片数据，从而可以得到更加准确的轮廓信息，实现了缩短轮廓信息提取的时间，同时提高了轮廓信息提取的准确性以及安全性。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例提供的一种目标轮廓曲线确定方法的流程示意图；
图2是本发明实施例提供的另一种目标轮廓曲线确定方法的流程示意图；
图3是本发明实施例提供的一种目标轮廓曲线确定装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种目标轮廓曲线确定方法的流程图，本实施例可适用于获取目标对象的轮廓信息的情况；具体的，更适用于基于目标对象的三角面片渲染目标对象的轮廓信息的情况。该方法可以由目标轮廓曲线确定装置来执行，该装置可以由软件和/或硬件的方式来实现。
在对本发明实施例的技术方案进行介绍之前，先对本发明实施例的应用场景进行示例性的介绍。当然，下述应用场景只是作为可选应用场景，本实施例还可以应用于其他应用场景，本实施例对应用场景不加以限定。具体的，本实施例示例性的应用场景包括：dicom数据中轮廓信息是医生在临床诊断中的重要参考信息。医生通过dicom中器官及病灶的轮廓信息来对器官及病灶的影像特征进行分析，确定病灶的空间位置及病灶病理特征，为后期治疗提供临床依据。目前，现有技术提取dicom中的轮廓信息的方法大多是基于深度学习对dicom进行语义分割得到mask，然后使用opencv提取mask的轮廓坐标，保存为json文件后传给前端，由前端根据json文件中的坐标点进行绘制。但是，在现有技术的实施过程中，保存及读取json文件的过程非常耗时，并且直接提取mask的轮廓坐标得到的轮廓曲线存在曲线重合的情况，以及降低轮廓信息获取的准确性，而且传输过程容易被第三方非法获取，降低了轮廓信息获取的安全性。
基于上述技术问题，现有技术中有采用将多个三角面片合并为一个三角面片的平滑方案(比如拉普拉斯平滑)，但是上述平滑方案会导致生成的不同部位的三角面片有部分重合，从而在生成轮廓信息时会时轮廓出现重叠的问题。为了避免上述技术问题，本实施例提出在基于dicom数据得到mask之后，将mask区域进行三维重建得到该器官的三角面片，并基于三角面片的坐标以及坐标对应的像素值对各三角面片进行平滑处理。进一步的，在前端绘制过程中，利用光线投射对平滑后的三角面片进行三维渲染，得到相关角度的dicom数据的轮廓信息，以实现缩短轮廓信息提取的时间，同时提高了轮廓信息提取的准确性以及安全性。
基于上述技术思路，本实施例的技术方案具体通过获取目标对象的医学图像，并对医学图像进行图像分割，得到目标对象的部位分割结果；基于部位分割结果确定目标对象的初始三角面片数据，并基于初始三角面片数据中各顶点的顶点坐标以及顶点像素值对初始三角面片数据进行平滑处理，得到目标对象的目标三角面片数据；对目标三角面片数据进行渲染处理，得到目标对象的目标轮廓曲线；通过对基于分割结果得到的三角面片进行平滑处理，得到了平滑但不会重合的三角面片数据，从而可以得到更加准确的轮廓信息，实现了提高轮廓信息提取的准确性。
如图1所示，该方法具体包括以下步骤：
S110、获取目标对象的医学图像，并对医学图像进行图像分割，得到目标对象的部位分割结果。
在本实施例中，目标对象可以是通过CT或者磁共振等医学影像仪器扫描过的对象，该目标对象可以是人、也可以是动物，本实施例对目标对象的对象类型不加以限制。目标对象的医学图像可以只是一个部位的医学图像，也可以是包括多个部位的医学图像。本实施例中的医学图像为三维医学图像，从而可以基于该医学图像得到目标对象在各截面对应的轮廓信息。示例性的，医学图像可以是CT图像或者磁共振图像等三维医学图像。具体的，获取医学图像的方法可以是基于获取医学影像仪器的拍摄结果得到，当然也可以基于从医学图像数据库中读取得到，本实施例对医学图像的获取方式不加以限制。
进一步的，在获取到医学图像之后，对该医学图像进行图像分割得到目标对象的部位分割结果。可选的，对该医学图像进行图像分割得到目标对象的部位分割结果方法可以包括：获取医学图像的至少一个图像序列，并将各图像序列输入至预先训练的部位分割模型中，得到部位分割模型输出的至少一个部位分割结果。
具体的，获取目标对象的医学图像的至少一个图像序列，例如CT图像的各CT序列；将各CT序列输入至预先训练的部位分割模型中，例如UNet模型，得到该模型输出的部位分割结果，该部位分割结果可以包括各部位的mask。
S120、基于部位分割结果确定目标对象的初始三角面片数据，并基于初始三角面片数据中各顶点的顶点坐标以及顶点像素值对初始三角面片数据进行平滑处理，得到目标对象的目标三角面片数据。
在本发明实施例中，获取目标对象的部位分割结果之后，基于各部位分割结果确定目标对象的初始三角面片数据。具体的，将各部位分割结果，即目标对象的各部位的mask，经过Marching Cube算法重建得到三角面片数据。
可选的，获取部位分割结果对应的至少一个体素的各顶点的顶点坐标，并基于各体素的各顶点的顶点坐标确定目标对象的初始三角面片数据。
具体的，将各部位的mask分割为至少一个立方体栅格，即体素。任一体素的任一顶点都有对应的Density值。换言之，每个立方体栅格中的每个顶点都有对应的顶点值。根据集合关系可以很方便的推断出：如果一个立方体栅格的每个顶点的顶点值都小于预设顶点阈值，那么可以认为这个立方体完全位于曲面的一侧。同样的，如果每个顶点的顶点值都大于预设顶点阈值，那么可以认为这个立方体完全位于曲面的另一侧。如果有部分顶点的顶点值小于预设顶点阈值，同时有部分顶点的顶点值大于预设顶点阈值，那么整个曲面与这个立方体相交。此时，通过分析各个顶点的顶点值，在对应的边上进行线性插值找到对应的顶点位置，从而构建出各个立方体对应的三角面片数据。
由于根据Marching Cube算法得到的初始三角面片过于粗糙，所以现有技术通常会对得到的初始三角面片数据中相似的三角面片进行融合平滑操作(比如拉普拉斯平滑)，即将多个三角面片合并为一个。但是，上述平滑方案会导致生成的不同部位的三角面片有部分重合，即在生成轮廓的时候导致轮廓重叠。所以本发明实施例的技术方案为了解决上述技术问题，基于初始三角面片数据中各顶点的顶点坐标以及顶点像素值对初始三角面片数据进行平滑处理，得到目标对象的目标三角面片数据，即得到平滑后的三角面片数据。
可选的，可以使用vtkWindowedSincPolyDataFilter函数对三角面片的顶点坐标进行调整，以得到平滑后的三角面片。具体的，采用vtkWindowedSincPolyDataFilter中的sinc函数插值内核来调整三角面片中各顶点的坐标。其实质在于对顶点坐标进行插值操作，这样差异较大的点中间会有“平滑”的点来连接。使顶点分布趋于“平缓”，效果仿佛是“放松”网络结构。
可选的，得到目标对象的目标三角面片数据的方法可以包括：基于初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标；在待插值点预设范围内获取预设数量的顶点对应的顶点像素值，并基于各顶点像素值确定待插值点的插值点像素值；基于各插值点像素值以及各顶点像素值确定目标对象的目标三角面片数据。
在本实施例中，待插值点可以是在三角面片中的两个顶点之间确定的插值点，进而在该插值点进行插值，以使目标对象的三角面片数据平滑。可选的，基于初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标的方法可以包括：基于初始三角面片数据中当前顶点的顶点坐标确定当前顶点对应的至少一个邻接点的邻接点坐标，分别基于顶点坐标与任一邻接点坐标确定至少一个待插值点的插值点坐标。
具体的，将初始三角面片数据中任一个三角面片的任一顶点作为当前顶点，并确定当前顶点的各邻接点，分别在当前顶点和各邻接点的中间确定各待插值点；进一步的，基于上述确定待插值点的方将初始三角面片数据中各个三角面片的各顶点和各邻接点中确定待插值点。换言之，本实施例中的初始三角面片中的各顶点之间均设置待插值点，其有益效果在于可以是得到的目标三角面片数据更加平缓，从而使得到的轮廓曲线更加平滑。
可选的，基于初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标的方法还可以包括：基于初始三角面片数据中当前顶点的点坐标以及顶点像素值确定当前顶点对应的至少一个邻接点的点坐标以及顶点像素值，若当前顶点的顶点像素值与当前邻接点的邻接点像素值的像素值差值大于预设像素值阈值，则基于当前顶点的点坐标以及当前邻接点的点坐标确定待插值点的点坐标。
具体的，将初始三角面片数据中任一个三角面片的任一顶点确定为当前顶点，并确定当前顶点的各邻接点。确定当前顶点的顶点像素值以及各邻接点的邻接点像素值，并将顶点的顶点像素值与邻接点的邻接点像素值进行比对。若当前顶点的顶点像素值与当前邻接点的邻接点像素值的像素值差值大于预设像素值阈值，则基于当前顶点的点坐标以及当前邻接点的点坐标确定待插值点的点坐标。示例性的，像素值差值可以是当前顶点的顶点像素值减去邻接点的邻接点像素值的得到的像素值差值，也可以是邻接点的邻接点像素值减去当前顶点的顶点像素值得到的像素值差值，本实施例对此不加以限定。进一步的，基于上述确定待插值点的方将初始三角面片数据中各个三角面片的各顶点和各邻接点的像素插值确定待插值点。换言之，本实施例中的初始三角面片中的各顶点之间若像素差值超过预设像素阈值，则在两顶点之间设置待插值点，其有益效果在于可以是可以更快速的得到的目标三角面片数据，从而可以更快速的得到的轮廓曲线。
进一步的，在确定待插值点的插值点坐标之后，在待插值点预设范围内获取预设数量的顶点对应的顶点像素值，并基于各顶点像素值确定待插值点的插值点像素值。
具体的，基于当前待插值点的插值点坐标以及各顶点的顶点坐标确定各顶点的权重，基于各顶点的权重以及各顶点像素值确定当前待插值点的插值点像素值。示例性的，可以基于下述公式确定当前待插值点的插值点像素值：
其中，Cdm表示当前待插值点的插值点像素值；m表示当前待插值点预设范围内顶点的数量；Cpm表示顶点的顶点像素值；dm表示当前待插值点的坐标；pm表示顶点的坐标。
进一步的，基于各插值点像素值以及各顶点像素值确定目标对象的目标三角面片数据。
S130、对目标三角面片数据进行渲染处理，得到目标对象的目标轮廓曲线。
在本实施例中，获取到目标对象的目标三角面片数据，即平滑后的三角面片数据之后，对目标三角面片数据进行渲染处理，得到目标对象的目标轮廓曲线。可选的，得到目标对象的目标轮廓曲线的方法可以包括：将目标三角面片数据输入至预先训练的数据渲染模型中，得到渲染模型输出的目标轮廓曲线。在本实施例中，可以根据目标三角面片数据的层厚迭代地对横断面、冠状面和矢状面的每一层进行投射，便可得到相应层面某组织的轮廓曲线。
本实施例的技术方案具体通过获取目标对象的医学图像，并对医学图像进行图像分割，得到目标对象的部位分割结果；基于部位分割结果确定目标对象的初始三角面片数据，并基于初始三角面片数据中各顶点的顶点坐标以及顶点像素值对初始三角面片数据进行平滑处理，得到目标对象的目标三角面片数据；对目标三角面片数据进行渲染处理，得到目标对象的目标轮廓曲线；通过对基于分割结果进行重建得到三角面片，避免了将分割结果保存为json文件后传给前端导致的安全问题，从而提高了轮廓信息提取的安全性；进一步地对得到的三角面片进行平滑处理，得到了平滑但不会重合的三角面片数据，从而可以得到更加准确的轮廓信息，实现了缩短轮廓信息提取的时间，同时提高了轮廓信息提取的准确性以及安全性。
图2为本发明实施例提供的另一种目标轮廓曲线确定方法的流程图，本实施例在上述各实施例的基础上，增加了“基于未达标测试事务，以未达标测试事务的请求参数生成测试分析报告，其中，测试分析报告包括性能分析主表和性能分析细化表。”其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，本实施例提供的目标轮廓曲线确定方法包括：
S210、获取目标对象的医学图像，并对医学图像进行图像分割，得到目标对象的部位分割结果。
S220、基于部位分割结果确定目标对象的初始三角面片数据，并基于初始三角面片数据中各顶点的顶点坐标以及顶点像素值对初始三角面片数据进行平滑处理，得到目标对象的目标三角面片数据。
S230、将目标对象的目标三角面片数据中任一个三角面片对应的各坐标关联存储于预设格式的数据文件中。
在上述各实施例的基础上，在得到目标对象的目标三角面片数据之后，将目标三角面片数据存储于预设格式的数据文件中。例如存储于vtp文件、stl文件等预设格式的数据文件中。示例性的，本实施例可以将目标三角面片数据存储于vtp文件中为例进行介绍。当然，本实施例还可以将目标三角面片数据存储于stl文件等预设格式的数据文件中，本实施例对标三角面片数据存储的数据文件格式不加以限制，即满足可以获取目标三角面片数据的顶点坐标数据即可。
在一些实施例中，还可以在MarchingCube算法重建得到初始三角面片数据之后，将初始三角面片数据存储于vtp文件中，并在对初始三角面片数据进行平滑处理之前从vtp文件中读取进行处理，并将平滑处理后得到的目标三角面片数据存储至vtp文件中。本实施例中，vtp文件实际为xml格式文件，文件主要存储三角面片的各顶点的顶点坐标，以及组成一个三角面片的顶点组合。换言之，vtp文件中存储的各顶点的顶点坐标是基于三角面片之间的关系关联存储的。
S240、对目标三角面片数据进行渲染处理，得到目标对象的目标轮廓曲线。
在本实施例中，对目标三角面片数据进行渲染处理时，可以直接读取vtp文件即可读取所有三角面片的点坐标，并基于所有三角面片的点坐标进行渲染处理，得到目标对象的目标轮廓曲线。
本实施例的技术方案，通过将分割得到的mask区域进行三维重建得到各部位的三角面片数据，对三角面片数据经过平滑处理后保存为VTP文件。进一步地，在前端绘制过程中利用光线投射进行三维渲染时，直接从VTP文件得到相关角度的dicom数据的轮廓信息，有效缩短了整个端到端的服务时间，同时提高了前后端交互过程的安全性。
以下是本发明实施例提供的目标轮廓曲线确定装置的实施例，该装置与上述各实施例的目标轮廓曲线确定方法属于同一个发明构思，在目标轮廓曲线确定装置的实施例中未详尽描述的细节内容，可以参考上述目标轮廓曲线确定方法的实施例。
图3为本发明实施例提供的一种目标轮廓曲线确定装置的结构示意图，本实施例可适用于获取目标对象的轮廓信息的情况；具体的，更适用于基于目标对象的三角面片渲染目标对象的轮廓信息的情况。该目标轮廓曲线确定装置的具体结构包括：部位分割结果获取模块310、目标三角面片数据获取模块320以及目标轮廓曲线获取模块330；其中，
部位分割结果获取模块310，用于获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；
目标三角面片数据获取模块320，用于基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；
目标轮廓曲线获取模块330，用于对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。
本实施例的技术方案具体通过获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线；通过对基于分割结果进行重建得到三角面片，避免了将分割结果保存为json文件后传给前端导致的安全问题，从而提高了轮廓信息提取的安全性；进一步地对得到的三角面片进行平滑处理，得到了平滑但不会重合的三角面片数据，从而可以得到更加准确的轮廓信息，实现了缩短轮廓信息提取的时间，同时提高了轮廓信息提取的准确性以及安全性。
在上述各实施例的基础上，部位分割结果获取模块310，包括：
部位分割结果获取单元，用于获取所述医学图像的至少一个图像序列，并将各所述图像序列输入至预先训练的部位分割模型中，得到所述部位分割模型输出的至少一个部位分割结果。
在上述各实施例的基础上，目标三角面片数据获取模块320，包括：
初始三角面片数据获取单元，用于获取所述部位分割结果对应的至少一个体素的各顶点的顶点坐标，并基于各所述体素的各顶点的顶点坐标确定所述目标对象的初始三角面片数据。
在上述各实施例的基础上，该装置还包括：
存储模块，用于在得到所述目标对象的目标三角面片数据之后，将所述目标对象的目标三角面片数据中任一个三角面片对应的各坐标关联存储于预设格式的数据文件中。
在上述各实施例的基础上，目标三角面片数据获取模块320，包括：
插值点坐标确定单元，用于基于所述初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标；
插值点像素值确定单元，用于在所述待插值点预设范围内获取预设数量的顶点对应的顶点像素值，并基于各所述顶点像素值确定所述待插值点的插值点像素值；
目标三角面片数据确定单元，用于基于各所述插值点像素值以及各所述顶点像素值确定所述目标对象的目标三角面片数据。
在上述各实施例的基础上，插值点坐标确定单元，包括：
第一插值点坐标确定子单元，用于基于所述初始三角面片数据中当前顶点的顶点坐标确定所述当前顶点对应的至少一个邻接点的邻接点坐标，分别基于所述顶点坐标与任一邻接点坐标确定至少一个待插值点的插值点坐标；或者，
第二插值点坐标确定子单元，用于基于所述初始三角面片数据中当前顶点的点坐标以及顶点像素值确定所述当前顶点对应的至少一个邻接点的点坐标以及顶点像素值，若所述当前顶点的顶点像素值与当前邻接点的邻接点像素值的像素值差值大于预设像素值阈值，则基于所述当前顶点的点坐标以及当前邻接点的点坐标确定待插值点的点坐标。
在上述各实施例的基础上，目标轮廓曲线获取模块330，包括：
目标轮廓曲线获取单元，用于将所述目标三角面片数据输入至预先训练的数据渲染模型中，得到所述渲染模型输出的目标轮廓曲线。
本发明实施例所提供的目标轮廓曲线确定装置可执行本发明任意实施例所提供的目标轮廓曲线确定方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述目标轮廓曲线确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
图4为本发明实施例提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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22进行。并且，电子设备12还可以通过网络适配器20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。如图4所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备12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。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及样本数据获取，例如实现本发实施例所提供的一种目标轮廓曲线确定方法步骤，目标轮廓曲线确定方法包括：
获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；
基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；
对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的样本数据获取方法的技术方案。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现例如实现本发实施例所提供的一种目标轮廓曲线确定方法步骤，目标轮廓曲线确定方法包括：
获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；
基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；
对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种目标轮廓曲线确定方法，其特征在于，包括：
获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；
基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；
对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。
2.根据权利要求1所述的方法，其特征在于，所述对所述医学图像进行图像分割，得到所述目标对象的部位分割结果，包括：
获取所述医学图像的至少一个图像序列，并将各所述图像序列输入至预先训练的部位分割模型中，得到所述部位分割模型输出的至少一个部位分割结果。
3.根据权利要求1所述的方法，其特征在于，所述基于所述部位分割结果确定所述目标对象的初始三角面片数据，包括：
获取所述部位分割结果对应的至少一个体素的各顶点的顶点坐标，并基于各所述体素的各顶点的顶点坐标确定所述目标对象的初始三角面片数据。
4.根据权利要求1所述的方法，其特征在于，在得到所述目标对象的目标三角面片数据之后，所述方法还包括：
将所述目标对象的目标三角面片数据中任一个三角面片对应的各坐标关联存储于预设格式的数据文件中。
5.根据权利要求1所述的方法，其特征在于，所述基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据，包括：
基于所述初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标；
在所述待插值点预设范围内获取预设数量的顶点对应的顶点像素值，并基于各所述顶点像素值确定所述待插值点的插值点像素值；
基于各所述插值点像素值以及各所述顶点像素值确定所述目标对象的目标三角面片数据。
6.根据权利要求1所述的方法，其特征在于，所述基于所述初始三角面片数据中各顶点的顶点坐标确定待插值点的插值点坐标，包括：
基于所述初始三角面片数据中当前顶点的顶点坐标确定所述当前顶点对应的至少一个邻接点的邻接点坐标，分别基于所述顶点坐标与任一邻接点坐标确定至少一个待插值点的插值点坐标；或者，
基于所述初始三角面片数据中当前顶点的点坐标以及顶点像素值确定所述当前顶点对应的至少一个邻接点的点坐标以及顶点像素值，若所述当前顶点的顶点像素值与当前邻接点的邻接点像素值的像素值差值大于预设像素值阈值，则基于所述当前顶点的点坐标以及当前邻接点的点坐标确定待插值点的点坐标。
7.根据权利要求1所述的方法，其特征在于，所述对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线，包括：
将所述目标三角面片数据输入至预先训练的数据渲染模型中，得到所述渲染模型输出的目标轮廓曲线。
8.一种目标轮廓曲线确定装置，其特征在于，包括：
部位分割结果获取模块，用于获取目标对象的医学图像，并对所述医学图像进行图像分割，得到所述目标对象的部位分割结果；
目标三角面片数据获取模块，用于基于所述部位分割结果确定所述目标对象的初始三角面片数据，并基于所述初始三角面片数据中各顶点的顶点坐标以及顶点像素值对所述初始三角面片数据进行平滑处理，得到所述目标对象的目标三角面片数据；
目标轮廓曲线获取模块，用于对所述目标三角面片数据进行渲染处理，得到所述目标对象的目标轮廓曲线。
9.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的目标轮廓曲线确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的目标轮廓曲线确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150742.9A CN113888566B (zh) | 2021-09-29 | 2021-09-29 | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150742.9A CN113888566B (zh) | 2021-09-29 | 2021-09-29 | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113888566A true CN113888566A (zh) | 2022-01-04 |
| CN113888566B CN113888566B (zh) | 2022-05-10 |
Family
ID=79007918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111150742.9A Active CN113888566B (zh) | 2021-09-29 | 2021-09-29 | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888566B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820902A (zh) * | 2022-04-26 | 2022-07-29 | 广州柏视医疗科技有限公司 | 一种基于点云渲染三维模型轮廓的方法及系统 |
| CN116385474A (zh) * | 2023-02-27 | 2023-07-04 | 雅客智慧（北京）科技有限公司 | 基于深度学习的牙齿扫描模型分割方法、装置、电子设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101322652A (zh) * | 2008-07-04 | 2008-12-17 | 浙江大学 | 一种计算机模拟定标活检方法及装置 |
| CN101894363A (zh) * | 2009-05-20 | 2010-11-24 | 新奥特（北京）视频技术有限公司 | 一种面片化的garbage mask边界渲染方法 |
| CN102169588A (zh) * | 2010-02-26 | 2011-08-31 | 新奥特（北京）视频技术有限公司 | 一种创建气象曲线的方法和装置 |
| CN103810752A (zh) * | 2014-02-18 | 2014-05-21 | 海信集团有限公司 | 基于医学图像的肝脏分段方法及其肝脏分段系统 |
| CN105912874A (zh) * | 2016-04-29 | 2016-08-31 | 青岛大学附属医院 | 基于dicom医学图像构建的肝脏三维数据库系统 |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| CN106485642A (zh) * | 2016-09-30 | 2017-03-08 | 北京交通大学 | 在三维网格模型中嵌入可见水印的方法 |
| CN108389251A (zh) * | 2018-03-21 | 2018-08-10 | 南京大学 | 基于融合多视角特征的投影全卷积网络三维模型分割方法 |
| CN111127453A (zh) * | 2019-12-27 | 2020-05-08 | 苏州影加科技有限公司 | 一种基于微分几何的气管树全自动分割方法 |
| US20200150624A1 (en) * | 2018-11-09 | 2020-05-14 | Autodesk, Inc. | Conversion of mesh geometry to watertight boundary representation |
| CN111402216A (zh) * | 2020-03-10 | 2020-07-10 | 河海大学常州校区 | 基于深度学习的三维碎骨分割方法和装置 |
| US11126162B1 (en) * | 2020-09-17 | 2021-09-21 | Shanghai Fusion Tech Co., Ltd. | 3D printing slicing method, apparatus, device, and storage medium |
| WO2021184933A1 (zh) * | 2020-03-20 | 2021-09-23 | 华为技术有限公司 | 一种人体三维模型重建方法 |
-
2021
- 2021-09-29 CN CN202111150742.9A patent/CN113888566B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101322652A (zh) * | 2008-07-04 | 2008-12-17 | 浙江大学 | 一种计算机模拟定标活检方法及装置 |
| CN101894363A (zh) * | 2009-05-20 | 2010-11-24 | 新奥特（北京）视频技术有限公司 | 一种面片化的garbage mask边界渲染方法 |
| CN102169588A (zh) * | 2010-02-26 | 2011-08-31 | 新奥特（北京）视频技术有限公司 | 一种创建气象曲线的方法和装置 |
| CN103810752A (zh) * | 2014-02-18 | 2014-05-21 | 海信集团有限公司 | 基于医学图像的肝脏分段方法及其肝脏分段系统 |
| CN105912874A (zh) * | 2016-04-29 | 2016-08-31 | 青岛大学附属医院 | 基于dicom医学图像构建的肝脏三维数据库系统 |
| CN106485642A (zh) * | 2016-09-30 | 2017-03-08 | 北京交通大学 | 在三维网格模型中嵌入可见水印的方法 |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| CN108389251A (zh) * | 2018-03-21 | 2018-08-10 | 南京大学 | 基于融合多视角特征的投影全卷积网络三维模型分割方法 |
| US20200150624A1 (en) * | 2018-11-09 | 2020-05-14 | Autodesk, Inc. | Conversion of mesh geometry to watertight boundary representation |
| CN111127453A (zh) * | 2019-12-27 | 2020-05-08 | 苏州影加科技有限公司 | 一种基于微分几何的气管树全自动分割方法 |
| CN111402216A (zh) * | 2020-03-10 | 2020-07-10 | 河海大学常州校区 | 基于深度学习的三维碎骨分割方法和装置 |
| WO2021184933A1 (zh) * | 2020-03-20 | 2021-09-23 | 华为技术有限公司 | 一种人体三维模型重建方法 |
| US11126162B1 (en) * | 2020-09-17 | 2021-09-21 | Shanghai Fusion Tech Co., Ltd. | 3D printing slicing method, apparatus, device, and storage medium |
Non-Patent Citations (13)
| Title |
|---|
| MICHAEL HAUBNER等: "Virtual Reality in Medicine–Computer Graphics and Interaction Techniques", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
| MICHAEL R. KAUS等: "Automated segmentation of the left ventricle in cardiac MRI", 《MEDICAL IMAGE ANALYSIS》 * |
| ZHAOXI PAN等: "Comparison of Medical Image 3D Reconstruction Rendering Methods for Robot-Assisted Surgery", 《2017 2ND INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS AND MECHATRONICS (ICARM)》 * |
| 刘敏: "基于VTK的医学图像三维重建的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 孙键: "医学图像可视化中的重建技术方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 孟凡文: "面向光栅投影的点云预处理与曲面重构技术研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅰ辑》 * |
| 宋林锐: "基于VR的医学图像智能分析系统研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
| 张嘉伟等: "基于云计算的医学影像处理与 3D 打印平台", 《软件》 * |
| 张宇: "医学图像三维重建的研究", 《万方在线》 * |
| 徐欣康: "基于层间关联性的切片轮廓数据平滑算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 戴培山等: "基于CT图像的鼻咽组织重建", 《系统仿真学报》 * |
| 王德远: "基于核磁共振图像的心室分割与三维可视化研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 高卫香: "基于MRI序列图像的分割方法及三维网格剖分模型的构建", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820902A (zh) * | 2022-04-26 | 2022-07-29 | 广州柏视医疗科技有限公司 | 一种基于点云渲染三维模型轮廓的方法及系统 |
| CN114820902B (zh) * | 2022-04-26 | 2023-05-02 | 广州柏视医疗科技有限公司 | 一种基于点云渲染三维模型轮廓的方法及系统 |
| CN116385474A (zh) * | 2023-02-27 | 2023-07-04 | 雅客智慧（北京）科技有限公司 | 基于深度学习的牙齿扫描模型分割方法、装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113888566B (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
| US20200082571A1 (en) | Method and apparatus for calibrating relative parameters of collector, device and storage medium | |
| RU2556428C2 (ru) | Ослабление костей на рентгенологических снимках | |
| CN111815755A (zh) | 虚拟物体被遮挡的区域确定方法、装置及终端设备 | |
| CN108876794B (zh) | 体积图像数据中的动脉瘤与载瘤血管的隔离 | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| CN111598989B (zh) | 一种图像渲染参数设置方法、装置、电子设备及存储介质 | |
| CN112508835B (zh) | 一种基于gan的无造影剂医学图像增强建模方法 | |
| CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
| CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
| CN112419484A (zh) | 三维血管合成方法、系统及冠状动脉分析系统和存储介质 | |
| WO2020168698A1 (zh) | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 | |
| CN113610752A (zh) | 乳腺图像配准方法、计算机设备和存储介质 | |
| CN111445550B (zh) | Pet图像的迭代重建方法、装置和计算机可读存储介质 | |
| KR20210065871A (ko) | 자기 공명 이미지들에서 정중시상 평면을 결정하기 위한 방법 및 장치 | |
| CN113822923A (zh) | 用于获取血管的目标切面图像的方法、设备和介质 | |
| CN109658425B (zh) | 一种肺叶分割方法、装置、计算机设备及存储介质 | |
| CN115375583A (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
| CN111539926B (zh) | 一种图像检测方法及装置 | |
| CN114419375A (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
| CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
| CN109754472B (zh) | 一种组织轮廓编辑方法、装置、计算机设备及存储介质 | |
| CN109799936B (zh) | 一种图像生成方法、装置、设备及介质 | |
| CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN113129297A (zh) | 基于多期相肿瘤影像的直径自动测量方法及系统 |
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 |