CN114066885A - 下肢骨骼模型构造方法、装置、电子设备及存储介质 - Google Patents
下肢骨骼模型构造方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114066885A CN114066885A CN202210024135.6A CN202210024135A CN114066885A CN 114066885 A CN114066885 A CN 114066885A CN 202210024135 A CN202210024135 A CN 202210024135A CN 114066885 A CN114066885 A CN 114066885A
- Authority
- CN
- China
- Prior art keywords
- image frame
- determining
- bone
- segmentation
- boundary
- 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
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Robotics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种下肢骨骼模型构造方法、装置、电子设备及存储介质,该方法包括:获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列;按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域;根据每个分割区域对应的人体部位确定边界分割策略;根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割。通过本发明实施例的技术方案,实现了准确且快速的构建下肢骨骼模型的技术效果。
Description
技术领域
本发明实施例涉及医疗技术领域,尤其涉及一种下肢骨骼模型构造方法、装置、电子设备及存储介质。
背景技术
人工膝关节置换术是治疗膝关节疾病的重要手段之一。在进行人工膝关节置换前,需要全面掌握患者下肢骨骼的形态和结构特征。因此,为了准确的提取人体下肢从股骨头至踝关节区域的特征,需要将上述骨性结构准确地分割和重建。
人工膝关节置换术通常是通过电子计算机断层扫描(Computed Tomography,CT)采集的序列形式的医学图像来获取下肢的骨骼数据。但是,由于包含上千张CT图像,人工手动进行骨性结构分割的难度大且效率低。
目前,基于CT图像进行骨性结构分割的方法包括传统分割方法和深度学习方法。然而,传统分割方法包括滤波、自动化阈值、形态学处理等方式,通过传统分割方法难以准确的区分骨骼和其他组织的分割边界,存在分割准确率低的问题;深度学习方法需要大量的标注数据来对深度学习模型进行训练和测试,但是,人体下肢骨骼的标注数据难以获取,并且人体下肢骨骼存在个体差异性,仍然存在分割准确率和速度低的问题。
发明内容
本发明实施例提供了一种下肢骨骼模型构造方法、装置、电子设备及存储介质,以实现准确且快速的构建下肢骨骼模型。
第一方面,本发明实施例提供了一种下肢骨骼模型构造方法,该方法包括:
获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列;
按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域;
根据每个分割区域对应的人体部位确定边界分割策略;
根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割。
第二方面,本发明实施例还提供了一种下肢骨骼模型装置,该装置包括:
序列获取模块,用于获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列;
分割区域确定模块,用于按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域;
边界分割策略确定模块,用于根据每个分割区域对应的人体部位确定边界分割策略;
骨骼边界分割模块,用于根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割。
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实施例任一所述的下肢骨骼模型构造方法。
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如本发明实施例任一所述的下肢骨骼模型构造方法。
本发明实施例的技术方案,通过获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列,按照原始扫描图像帧所属人体部位,对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域,根据每个分割区域对应的人体部位确定边界分割策略,根据边界分割策略,对分割区域中的图像帧进行骨骼边界分割,解决了使用传统图像分割方法导致的分割准确率低的问题以及使用深度学习模型造成的模型构造困难以及运算速度慢的问题,实现了准确且快速的构建下肢骨骼模型的技术效果。
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为本发明实施例一所提供的一种下肢骨骼模型构造方法的流程示意图;
图2为本发明实施例二所提供的一种下肢骨骼模型构造方法的流程示意图;
图3为本发明实施例三所提供的一种下肢骨骼模型构造方法的流程示意图;
图4为本发明实施例四所提供的一种热力分布的示意图;
图5为本发明实施例四所提供的一种股骨所对应的关键帧的示意图;
图6为本发明实施例四所提供的一种胫骨所对应的关键帧的示意图;
图7为本发明实施例四所提供的一种股骨所对应的关键帧上的种子点的示意图;
图8为本发明实施例四所提供的一种胫骨所对应的关键帧上的种子点的示意图;
图9为本发明实施例四所提供的一种中心点和边缘的预测概率图;
图10为本发明实施例四所提供的一种股骨-髋关节的骨质稀疏区域的示意图;
图11为本发明实施例四所提供的一种股骨-膝关节的骨质稀疏区域的示意图;
图12为本发明实施例四所提供的一种胫骨-膝关节的骨质稀疏区域的示意图;
图13为本发明实施例四所提供的一种胫腓骨-踝关节的骨质稀疏区域的示意图;
图14为本发明实施例四所提供的一种股骨-膝关节的灰度增强图像的示意图;
图15为本发明实施例四所提供的一种胫骨-膝关节的灰度增强图像的示意图;
图16为本发明实施例四所提供的一种股骨-髋关节的峰谷峰增强图像的示意图;
图17为本发明实施例四所提供的一种股骨-髋关节的边界掩膜图像的示意图;
图18为本发明实施例五所提供的一种下肢骨骼模型构造装置的结构示意图;
图19为本发明实施例六所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。
实施例一
图1为本发明实施例一所提供的一种下肢骨骼模型构造方法的流程示意图,本实施例可适用于根据扫描图像进行下肢骨骼生长和骨骼边界分割的情况,该方法可以由下肢骨骼模型装置来执行,该装置可以通过软件和/或硬件的形式实现,该硬件可以是电子设备,可选的,电子设备可以是移动终端,PC端,服务器等。
如图1所述,本实施例的方法具体包括如下步骤:
S110、获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列。
其中,原始扫描图像帧的序列可以是通过电子计算机断层扫描得到的多个连续层面图像。
具体的,针对需要进行下肢骨骼模型建立的用户的下肢部分,进行电子计算机断层连续扫描,得到连续的多个原始扫描图像帧所组成的序列。
S120、按照原始扫描图像帧所属人体部位,对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域。
其中,人体部位可以是骨骼结构,例如:胫骨、股骨、腓骨等。分割区域可以是分割不同人体部位的区域,即不同人体部位之间的边界所对应的原始扫描图像帧所属的区域。其中,在进行膝关节置换术之前,可以通过医学图像扫描确定用户的下肢骨骼的情况,基于下肢骨骼的情况进行术前规划以保证后续治疗顺利进行,在膝关节置换术成像时,下肢骨骼尤其指胫骨、股骨以及腓骨。
具体的,针对原始扫描图像帧进行分析,根据人体部位对各原始扫描图像帧进行分割,即区分不同人体部位所对应的原始扫描图像帧。由于不同人体部位相连接的边界处的原始扫描图像帧难以直接判断具体属于哪一个人体部位,因此,可以将边界处的多个原始扫描图像帧所组成的区域作为分割区域。
需要说明的是,分割区域的数量为至少两个的原因在于:任一下肢骨骼(如:股骨、胫骨、腓骨)都具有两个方向,即脚部方向和头部方向,若下肢骨骼不止一个,那么,分割区域的数量会增加;每两个人体部位之间的区域可以作为一个分割区域。
可选的,所述分割区域包括骨干区域和骨质稀疏区域中的至少一种。
可选的,所述骨质稀疏区域的划分可以是:
若人体部位为股骨,则骨质稀疏区域包括股骨-膝关节以及股骨-髋关节;
若人体部位为胫腓骨,则骨质稀疏区域包括胫骨-膝关节以及胫骨-踝关节。
可选的,第一区域中还可以包括股骨远端,第二区域中还可以包括股骨近端,第三区域中还可以包括胫腓骨近端,第四区域中还可以包括胫腓骨远端。其中,近端指的是靠近头部的一端,远端指的是靠近脚部的一端。
可选的,可以通过下述方式确定原始扫描图像帧对应的人体部位:
针对每个原始扫描图像帧,若原始扫描图像帧中有且仅有一个连通区域,则确定原始扫描图像帧对应的人体部位为股骨,若原始扫描图像帧中有至少两个连通区域,则确定原始扫描图像帧对应的人体部位为胫腓骨。
需要说明的是,根据原始扫描图像帧中连通区域的数量可以确定原始扫描图像帧中包含的骨骼数量,即一个连通区域可以认为是一个骨骼。若原始扫描图像帧中有且仅有一个连通区域,则表明只有一个骨骼,符合股骨的特点,可以确定原始扫描图像帧对应的人体部位为股骨。若原始扫描图像帧中有至少两个连通区域,则表明存在至少两个骨骼,符合胫腓骨的特点,可以确定原始扫描图像帧对应的人体部位为胫腓骨。
S130、根据每个分割区域对应的人体部位确定边界分割策略。
其中,边界分割策略可以是不同的分割区域所使用的分割策略。
具体的,不同的分割区域可以对应不同的边界分割策略,在确定分割区域后,可以进一步确定分割区域所对应的至少两个人体部位,例如:股骨-髋关节等。进而,可以根据预先建立的人体部位与边界分割策略之间的对应关系,确定针对分割区域进行分割时所使用的边界分割策略。
S140、根据边界分割策略,对分割区域中的图像帧进行骨骼边界分割。
具体的,在确定与分割区域相对应的边界分割策略之后,可以通过边界分割策略对分割区域中的各个图像帧进行分析,以确定分割区域中的骨骼边界。
在上述实施例的基础上,可以在对原始扫描图像帧进行分割之前,对原始扫描图像帧中,与下肢各组织相关的部分进行提取,可以是:根据原始扫描图像帧,确定各原始扫描图像帧中的下肢包围框;基于各原始扫描图像帧中下肢包围框之内的部分分别对各原始扫描图像帧进行更新。
其中,下肢包围框可以是各原始扫描图像帧中将下肢各组织的区域包围住的边缘。
具体的,根据各原始扫描图像帧对骨骼区域进行分析,确定能够包围住骨骼区域的的下肢包围框。进而,保留各原始扫描图像帧中下肢包围框之内的各像素点,将下肢包围框之外的各像素点进行删除。
可选的,可以通过人工标记的方式确定下肢包围框,人工标记确定下肢包围框方法:手动选取大腿根部、膝关节、踝关节三处的原始扫描图像帧,并通过人工框选的方式框选出人体组织(包括:皮肤、肌肉、骨骼等)所在包围框。记录三处包围框的图像坐标值,并计算这三个包围框并集的最小包围框,将其作为下肢包围框。
本发明实施例的技术方案,通过获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列,按照原始扫描图像帧所属人体部位,对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域,根据每个分割区域对应的人体部位确定边界分割策略,根据边界分割策略,对分割区域中的图像帧进行骨骼边界分割,解决了使用传统图像分割方法导致的分割准确率低的问题以及使用深度学习模型造成的模型构造困难以及运算速度慢的问题,实现了准确且快速的构建下肢骨骼模型的技术效果。
实施例二
图2为本发明实施例二所提供的一种下肢骨骼模型构造方法的流程示意图,本实施例在上述各实施例的基础上,针对原始扫描图像帧进行处理的方式、分割区域的确定方式可参见本实施例的技术方案。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。
如图2所述,本实施例的方法具体包括如下步骤:
S210、获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列。
S220、沿下肢延伸方向,将各原始扫描图像帧中对应位置点的像素值进行叠加,得到热力分布图。
其中,下肢延伸方向可以是由髋关节向踝关节延伸的反向,也可以是由踝关节向髋关节延伸的方向。像素值可以是针对原始扫描图像进行数字化时赋予的值,例如:灰度值等。热力分布图可以是表示骨密度的分布图。
具体的,沿下肢延伸方向,将各骨骼横截面的原始扫描图像帧中各个相对应位置处的像素值进行叠加,得到像素值叠加后的图像,即热力分布图。
S230、根据热力分布图进行图像分割,确定在各原始扫描图像帧中的下肢包围框,并基于各原始扫描图像帧中下肢包围框之内的部分分别对各原始扫描图像帧进行更新。
具体的,热力分布图中骨骼区域的像素值大,因此与骨骼区域相对应的热力值大,肌肉区域的像素值小,因此与肌肉趋于相对应的热力值小。其中,热力值指像素值的叠加。将热力分布图进行图像分割,可以是热力值阈值分割等图像分割方式,将分割得到的边缘框作为下肢包围框。进而,将各原始扫描图像帧中的下肢包围框所包围区域的像素值进行保留,将下肢包围框之外区域的像素值进行剔除,以更新各原始扫描图像帧。
S240、根据各原始扫描图像帧确定至少一个关键图像帧,并确定与关键图像帧相对应的人体部位。
其中,关键图像帧可以是从原始扫描图像帧中确定出的骨密度局部最大的图像帧。
具体的,从各原始扫描图像帧确定出骨密度局部最大的图像帧作为关键图像帧,进一步的,由于骨密度局部最大的关键图像帧通常位于骨骼中部,因此,可以确定与关键图像帧相对应的人体部位。
示例性的,对骨骼进行CT成像时,CT图像(原始扫描图像帧)中骨干等骨密度较高区域的灰度值较高,例如:灰度值范围超过1000;而皮肤、肌肉、血管等非骨质区域的灰度值较低,例如:灰度值范围在-100至250。在本实施例中,CT灰度值范围可以设置在-1200和2400之间,也可以为其他范围值,不作具体限定。首先确定一个初始灰度阈值,该初始灰度阈值应当能够将皮肤,肌肉,血管等非骨质区域完全划分至背景区域中,而前景区域中只保留骨密度较高区域。因此,将初始灰度阈值设置为能涵盖非骨质区域部分的灰度值,如初始灰度阈值可以为450-500之间的数值,具体数值可以根据实际情况设定。其次,统计灰度值在初始灰度阈值与第一灰度阈值范围内的像素点个数,记为T1,第一灰度阈值可以是区分低骨密度和高骨密度的灰度值,例如:若初始灰度阈值为500,第一灰度阈值为1000(例如:第一灰度阈值可在950-1050之间,优选的,在990-1010之间,进一步可以是1000),则统计灰度值在500-1000之间的像素点个数,记为T1。进而,统计灰度值在第一灰度阈值与第二灰度阈值范围内的像素点个数,记为T2,第二灰度阈值可以是高骨密度区域的灰度值上限,例如:第二灰度阈值可以在1500-1800之间,具体数值可以根据实际情况设定。若第一灰度阈值为1000,第二灰度阈值为1500,则统计灰度值在1000-1500范围内的像素点个数,记为T2。并且,可以根据上述统计的各范围内的像素点个数,记灰度比值为T2/T1,记为T。当T值小于第一预设值时(例如,该预设值为0.4-0.6),表明该原始扫描图像帧中灰度值高亮区域较少,即骨密度较高区域少,可以确定为骨质稀疏区域。并且,可以将骨质稀疏区域之外的区域设定为骨干区域。若当连续多个原始扫描图像帧的T值大于第二预设值时,(例如,该预设值为0.9-1),则认为该连续范围内的原始扫描图像帧处于骨密度较高区域,并将T值最大的图像帧认为是骨密度局部最大的图像帧,确定为关键帧。
可选的,可以对各原始扫描图像帧进行采样:
对各原始扫描图像帧进行采样得到至少一个采样图像帧。
其中,采样图像帧可以是用于代表临近的原始扫描图像帧的图像帧。
具体的,对各原始扫描图像帧进行非随机的采样,可以得到多个采样图像帧。例如:可以是每隔A个原始扫描图像帧采集一个图像帧,作为采样图像帧,即关键图像帧的备选,其中,具体间隔的A个原始扫描图像帧的数量可以根据实际情况确定,A的取值可以为20-30之间任意值,例如,A为25。由于采样间隔越小,采样准确度越高,但是计算量增加,因此,针对A的取值确定,可以衡量计算量和采样准确度,选择合适的数值。
可选的,在进行采样之后,可以通过下述各步骤确定与关键图像帧相对应的人体部位:
步骤一、针对每个采样图像帧,根据采样图像帧的灰度值中的灰度最大值以及灰度最小值,确定采样图像帧的灰度比值。
其中,灰度比值可以是灰度最大值与灰度最小值的比值。
具体的,针对每个采样图像帧可以采用相同的方式确定该采样图像帧的灰度比值,接下来,以一个采样图像帧为例进行说明。根据采样图像帧各位置处的像素点的灰度值,确定出灰度值中的灰度最大值和灰度最小值,并将灰度最大值与灰度最小值的比值作为该采样图像帧的灰度比值。
步骤二、若灰度比值大于预设比值阈值的连续的采样图像帧的数量超过预设数量,则选择灰度比值的最大值所对应的采样图像帧为关键图像帧。
其中,预设数量可以是根据图像帧的情况设定的数量,例如可以是5个、10个等。预设比值阈值可以是对骨密度进行判断所使用的阈值。
具体的,若连续的采样图像帧的灰度比值都大于预设比值阈值,且该连续的采样图像帧的数量超过预设数量,则可以认为在这些采样图像帧中包括骨密度局部最大的图像帧。进而,在确定出的连续的采样图像帧中的全部像素点的灰度比值中,确定出灰度比值最大值,并将灰度比值最大值所属的采样图像帧确定为关键图像帧。
需要说明的是,确定关键图像帧时,可以不经过采样,直接对各原始扫描图像帧进行处理,得到关键图像帧,例如:针对每个原始扫描图像帧,根据所述原始扫描图像帧的灰度值中的灰度最大值以及灰度最小值,确定所述原始扫描图像帧的灰度比值;若所述灰度比值大于预设比值阈值的连续的原始扫描图像帧的数量超过预设数量,则选择灰度比值的最大值所对应的原始扫描图像帧为关键图像帧。
步骤三、根据关键图像帧中的连通域数量和/或关键图像帧的序列位置,确定与关键图像帧相对应的人体部位。
其中,序列位置可以用于描述在原始扫描图像帧的序列中的位置,例如是图像帧的顺序序号等。
具体的,针对关键图像帧进行分析,确定关键图像帧中的连通域数量和/或关键图
像帧的序列位置。根据连通域数量可以判断骨骼结构,进而判断与关键图像帧相对应的人
体部位。举例说明:由于下肢骨骼主要包括股骨和胫骨,若连通域数量为一个,则表明关键
图像帧属于股骨,若连通域数量为至少两个,则表明关键图像帧属于胫骨和腓骨。根据关键
图像帧的序列位置可以确定关键图像帧位于原始扫描图像中的位置,可以判断关键图像帧
所对应的人体部位。优选的:原始扫描图像帧的序列从髋关节向踝关节排序,数量为n,关键
图像帧的序列位置为m,若关键图像帧的位置在下述范围内:,则可
以确定关键图像帧属于股骨,若关键图像帧的序列位置在下述范围内:,则可以确定关键图像帧属于胫骨和腓骨。上述公式是根据经验得到
的,若使用其他类似的公式确定关键图像帧对应的人体部位也属于本实施例的保护范围。
可选的,确定关键图像帧对应的人体部位还可以采用下述方式:使用图像阈值分割出包括皮肤,肌肉,骨骼的人体组织,根据前景连通域横截面大小、比值等区分人体部位。
S250、针对每个关键图像帧,根据关键图像帧中各个像素点所对应的灰度值,确定与关键图像帧相对应的灰度直方图,以灰度直方图中的频次最大值之后的第一个频次极小值所对应的灰度值作为像素阈值,确定大于像素阈值的像素点为关键图像帧的种子点。
其中,灰度直方图是描述关键图像帧中灰度分布的统计图。频次最大值可以是灰度直方图中最高的波峰所对应的频次值。频次最大值之后的第一个频次极小值可以是灰度直方图中最高的波峰之后的第一个波谷所对应的频次值。像素阈值可以是关键图像帧中前景区域边界的灰度值。种子点可以是关键图像帧中前景区域中的各像素点。
具体的,每个关键图像帧中的种子点都可以使用相同方式进行确定,以一个关键图像帧为例进行说明。对关键图像帧中各个像素点所对应的灰度值进行统计,得到关键图像帧所对应的灰度直方图。确定灰度直方图中的最高波峰所对应的频次值为频次最大值,并向灰度值变大的方向上确定出在灰度直方图中的最高波峰之后的第一个波谷所对应的频次值为频次最大值之后的第一个频次极小值,进而,将该频次极小值所对应的灰度值作为像素阈值。根据像素阈值对关键图像帧进行图像分割,将大于像素阈值的像素点确定为前景图像中的种子点。
示例性的,关键图像帧中某像素点的灰度值大于预设值(如像素阈值),例如,预设值为550等,则将该像素点确定为种子点。进而,将种子点组成的图像连通域确定为局部骨质高密度区域,用于后续分割处理。
S260、根据关键图像帧的种子点以及与关键图像帧相对应的人体部位,对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域。
具体的,根据关键图像帧的种子点向头部方向以及脚部方向进行骨骼生长,当生长到像素值较低的区域时,确定像素值较低的区域所对应的原始扫描图像帧。对像素值较低的区域中的各原始扫描图像帧进行分割,得到分别对应不同人体部位的至少两个分割区域。
可选的,可以通过下述步骤进行骨骼生长并确定分割区域:
步骤一、根据各原始扫描图像帧,从每个关键图像帧开始,根据关键图像帧的种子点分别向各目标方向进行骨骼结构生长,并确定骨骼结构生长过程中的骨质稀疏区域。
其中,骨质稀疏区域中的骨质密度比较低,例如:可以是CT图像中像素值较低的区域,用于描述不同骨骼的连接区域。例如,图像帧中灰度值高亮区域较少,即高密度骨干区域少,可以确定为骨质稀疏区域。目标方向可以是脚部方向或头部方向等。
具体的,针对每个关键图像帧,可以确定出两个目标方向,以关键图像帧为起点,分别根据原始扫描图像帧向不同的目标方向进行骨骼生长。并且,可以在骨骼生长的过程中,对原始扫描图像帧进行检测,以检测到骨质稀疏区域。
示例性的,骨骼生长的方式可以是:针对每个种子点,根据种子点所属的图像帧以及种子点的周围图像帧,确定该种子点在三维空间内的周围的26个像素点的灰度值,将与种子点的灰度值的差值小于一定阈值的点确定为新的种子点,加入到种子点集合中,不断遍历种子点集合加入新的像素点。
可选的,可以通过下述的循环方式从每个关键图像帧开始向各目标方向进行骨骼结构生长,确定骨骼结构生长过程中的骨质稀疏区域:
针对每个关键图像帧,将关键图像帧作为当前图像帧。
根据当前图像帧中种子点确定中心点以及边缘点集合,根据中心点以及边缘点集合,确定在目标方向上与当前图像帧相邻的原始扫描图像帧的中心点的预测概率和边缘点集合的预测概率,并根据中心点的预测概率和边缘点集合的预测概率确定与当前图像帧相邻的原始扫描图像帧中的种子点,以进行骨骼结构生长。相邻指,在当前图像帧之后的图像帧,优选的为下一原始扫描图像帧。
其中,中心点可以是各种子点中的正中间位置的像素点。边缘点集合可以是各种子点中构成的边界上的像素点集合。
具体的,根据当前图像帧中各种子点的位置可以确定出当前图像帧中的中心点以及边缘点集合,进而,可以根据中心点和边缘点集合预测在目标方向上与当前图像帧相邻的原始扫描图像帧的中心点和边缘点集合。根据预测结果确定出与当前图像帧相邻的原始扫描图像帧中的以中心点为正中间位置,以边缘点集合中的像素点为边缘,确定出的区域中的像素点为与当前图像帧相邻的原始扫描图像帧的种子点。进而,将种子点作为前景区域,即骨骼生长的骨骼区域部分。
示例性的,中心点定义为前景区域(种子点集合)的坐标中心,计算方式为:
首先,计算当前图像帧的零阶矩,即前景区域中像素值的和,通过下述公式确定当前图像帧的零阶矩:
进一步,计算当前图像帧的一阶矩,可以通过下述公式确定当前图像帧的一阶矩:
最后,通过下述公式确定中心点坐标:
在确定当前图像帧的中心点以及边缘点集合后,可以通过下述方式预测在目标方向上与当前图像帧相邻的原始扫描图像帧的中心点和边缘点集合:
统计在目标方向上与当前图像帧相邻的原始扫描图像帧之前的预设数量的原始扫描图像帧(如:5-9帧)的中心点,计算确定出的每一帧中心点位移的方向和距离,并计算均值,记为平均方向α和平均位移A。以当前图像帧的中心点为起点,向α方向位移A像素,记该点为在目标方向上与当前图像帧相邻的原始扫描图像帧的预测中心点,以该预测中心点为原点作二维正态分布概率,该正态分布概率即为在目标方向上与当前图像帧相邻的原始扫描图像帧的中心点预测概率。以当前图像帧的前景边缘点的每一点为原点,作二维正态分布后求和,再作归一化计算,得到在目标方向上与当前图像帧相邻的原始扫描图像帧的边缘点集合的预测概率。
若骨骼结构生长完成,则确定骨骼结构生长过程中的骨质稀疏区域;否则,将在目标方向上与当前图像帧相邻的原始扫描图像帧作为当前图像帧,返回执行根据当前图像帧中种子点确定中心点以及边缘点集合的操作。
具体的,若骨骼结构生长完成,则表明该骨骼生长结束,确定骨骼生长的边界处的骨质稀疏区域。若骨骼结构生长未完成,则将在目标方向上与当前图像帧相邻的原始扫描图像帧作为当前图像帧,并返回执行根据当前图像帧中种子点确定中心点以及边缘点集合的操作,以继续进行骨骼生长。
步骤二、根据与各关键图像帧相对应的人体部位以及目标方向,确定与骨质稀疏区域相对应的分割区域。
具体的,根据预先建立的对应关系可以通过关键图像帧所属的人体部位以及骨骼生长的目标方向,确定出与人体部位和目标方向相对应的分割区域为与骨质稀疏区域相对应的分割区域。
可选的,可以通过下述对应关系来根据与各关键图像帧相对应的人体部位以及目标方向,确定与骨质稀疏区域相对应的分割区域:
若关键图像帧所对应的人体部位为胫骨,目标方向为头部方向,则确定根据关键图像帧向目标方向生长得到的骨质稀疏区域为胫骨-膝关节;
若关键图像帧所对应的人体部位为胫骨,目标方向为脚部方向,则确定根据关键图像帧向目标方向生长得到的骨质稀疏区域为胫骨-踝关节;
若关键图像帧所对应的人体部位为股骨,目标方向为头部方向,则确定根据关键图像帧向目标方向生长得到的骨质稀疏区域为股骨-髋关节;
若关键图像帧所对应的人体部位为股骨,目标方向为脚部方向,则确定根据关键图像帧向目标方向生长得到的骨质稀疏区域为股骨-膝关节。
S270、根据每个分割区域对应的人体部位确定边界分割策略。
S280、根据边界分割策略,对分割区域中的图像帧进行骨骼边界分割。
S290、根据骨骼边界分割之后得到的骨骼边界以及根据原始扫描图像帧的序列生长出的骨骼模型确定下肢骨骼模型。
其中,下肢骨骼模型可以是对各人体部位进行边界划分后得到的模型。
具体的,在根据原始扫描图像帧的序列生长出的骨骼模型中,根据骨骼边界分割之后得到的骨骼边界对骨骼模型进行分割,得到下肢骨骼模型。
本发明实施例的技术方案,根据原始扫描图像帧的序列,生成热力分布图,根据热力分布图确定下肢包围框,以对各原始扫描图像帧进行处理。进而,确定各原始扫描图像帧中的至少一个关键图像帧以及与关键图像帧相对应的人体部位,进一步的,可以确定出关键图像帧中的种子点,以对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域。并且,根据每个分割区域对应的人体部位确定边界分割策略,根据边界分割策略,对分割区域中的图像帧进行骨骼边界分割,以得到下肢骨骼模型,解决了对原始扫描图像直接进行处理而造成的分割准确率低的问题,实现了准确且快速的构建下肢骨骼模型的技术效果。
实施例三
图3为本发明实施例三所提供的一种下肢骨骼模型构造方法的流程示意图,本实施例在上述各实施例的基础上,针对根据不同的边界分割策略对分割区域中的图像帧进行骨骼边界分割的方式可参见本实施例的技术方案。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。
如图3所述,本实施例的方法具体包括如下步骤:
S301、获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列。
S302、按照原始扫描图像帧所属人体部位,对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域。
S303、根据每个分割区域对应的人体部位确定边界分割策略。
S304、针对每一个与分割区域相对应的原始扫描图像帧,根据原始扫描图像帧中每一个像素点的邻域内像素点的灰度值的方差,确定与每一个像素点相对应的粗糙度,并根据粗糙度确定与原始扫描图像帧相对应的粗糙度图像。
其中,邻域可以是与像素点相邻的区域,例如:邻域内像素点可以是某像素点周围的8个像素点或24个像素点,类似的,更加需要也可以设置为其他数量的像素点,优选的选择的数量为8个。粗糙度可以用于衡量像素点与邻域内像素点的灰度值的离散程度。粗糙度图像可以是根据各像素点所对应的粗糙度构成的图像。
具体的,针对每一个与分割区域相对应的原始扫描图像帧,可以使用相同的方式确定粗糙度图像,因此,以一个原始扫描图像帧为例进行说明。针对原始扫描图像帧中的每一个像素点,确定与该像素点相邻的像素点,并计算相邻的像素点的灰度值的方差。进一步的,将计算出的方差值作为该像素点的粗糙度。根据各像素点所对应的粗糙度,可以确定与该原始扫描图像帧相对应的粗糙度图像。
S305、根据原始扫描图像帧以及与原始扫描图像帧相对应的粗糙度图像,确定与原始扫描图像帧相对应的灰度增强图像。
其中,灰度增强图像可以是强化原始扫描图像帧中灰度分布的图像。
具体的,将原始扫描图像帧和与原始扫描图像帧相对应的粗糙度图像进行加权叠加,可以得到与原始扫描图像帧相对应的灰度增强图像。
需要说明的是,在进行加权叠加的过程中使用的权重可以是根据实际需求或分析确定的,在本实施例中不做具体限定。
S306、判断分割区域是否为股骨-髋关节或股骨-膝关节,若是,则执行S307;若否,则执行S309。
S307、针对每一个与分割区域相对应的原始扫描图像帧,对原始扫描图像帧进行边缘检测,确定边缘信息图像;根据原始扫描图像帧的中心点,向原始扫描图像帧的边缘点集合投射射线,基于预先设定的峰谷峰检测函数,确定与各射线上各像素点所对应的峰谷峰值,并根据峰谷峰值确定与原始扫描图像帧相对应的峰谷峰增强图像,并执行S308。
其中,边缘图像信息是标识原始扫描图像帧中像素值存在变化明显的点的信息。峰谷峰检测函数是用于检测数值存在高低高趋势的核函数。峰谷峰值是经由峰谷峰检测函数计算得到的数值。峰谷峰增强图像是根据各像素点所对应的峰谷峰值构成的图像,基于峰谷峰增强图像可以突显骨骼包覆区域的骨骼情况,便于进行骨骼分割。
具体的,针对每一个与分割区域相对应的原始扫描图像帧,可以使用相同的方式确定峰谷峰增强图像,因此,以一个原始扫描图像帧为例进行说明。针对原始扫描图像帧进行边缘检测,将边缘检测的结果作为边缘信息图像。进而,根据该原始扫描图像帧的中心点向周围的边缘点集合中的各个边缘点发出射线,通过峰谷峰检测函数对各条射线上的各个像素点进行处理,得到与各个像素点相对应的峰谷峰值。根据各个像素点的峰谷峰值可以组成与原始扫描图像帧相对应的峰谷峰增强图像。
可选的,根据峰谷峰检测函数确定各像素点所对应的峰谷峰值的方式可以是:
针对每一条射线上的每个像素点,根据像素点所属射线上与像素点相对应的邻域像素点,确定邻域像素点中的灰度最小值;在灰度最小值所对应的像素点以及中心点之间,确定第一灰度最大值,并在灰度最小值所对应的像素点以及射线上的边缘点之间,确定第二灰度最大值;根据灰度最小值、第一灰度最大值以及第二灰度最大值,确定像素点对应的峰谷峰值。
其中,邻域像素点可以是当前像素点及其周围一定范围内的像素点,例如:与某一像素点相对应的邻域像素点可以是,该像素点、向射线起始端方向上与该像素点相邻的5个以及向射线投射方向上与该像素点相邻的5个等。灰度最小值可以是像素点与邻域像素点值中灰度值最小的数值。第一灰度最大值可以是灰度最小值的像素点与中心点之间的灰度最大值。第二灰度最大值可以是灰度最小值的像素点与射线上的边缘点之间的灰度最大值。
具体的,针对每一条射线上的每个像素点,在该像素点所属的射线上确定该像素点的领域像素点,并从各个领域像素点的灰度值中确定出灰度最小值。进而,在灰度最小值所对应的像素点和中心点之间的各个像素点的灰度值中,确定出灰度最大值,为第一灰度最大值。在灰度最小值所对应的像素点和该像素点所属射线上的边缘点之间的各个像素点的灰度值中,确定出灰度最大值,为第二灰度最大值。进一步的,将第一灰度最大值与灰度最小值的差值和第二灰度最大值与灰度最小值的差值乘积的方差作为与该像素点对应的峰谷峰值。
S308、根据与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像,确定分割区域中的骨骼分割边界。
具体的,在获取与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像之后,对灰度增强图像、边缘信息图像以及峰谷峰增强图像进行处理,可以得到分割区域中的骨骼分割边界。
可选的,若分割区域包括股骨-髋关节,根据与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像,确定分割区域中的骨骼分割边界,可以是:
步骤一、将与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像叠加,确定参考图像帧。
其中,参考图像帧是融合灰度增强图像、边缘信息图像以及峰谷峰增强图像得到的图像帧。
具体的,将将与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像中的各个位置的像素值进行相加,可以得到参考图像帧。
步骤二、基于参考图像帧的中心点向参考图像帧的上一参考图像帧的各边缘点分别投射射线,根据各射线上的局部极值点确定各射线的射线半径。
其中,局部极值点可以是射线上各像素点的灰度值所对应的极大值点和/或极小值点。射线半径可以是根据射线上的局部极值点规划得到的半径值。
具体的,从参考图像帧的中心点向参考图像帧的上一参考图像帧各边缘点所对应的参考图像帧中的像素点分别投射射线,在每一条射线上可以确定出射线上的灰度增强图像的灰度值中的各个局部极值点,对各个局部极值点进行处理可以确定射线上的某一像素点为边界点,并将中心点与该边界点之间的距离作为与该射线相对应的射线半径。
需要说明的是,对各个局部极值点进行处理可以确定射线上的某一像素点为边界点可以是将局部极值点作为边界点等。
需要说明的是,边界点与边缘点集合中的边缘点可以相同也可以不同,边缘点用于确定射线的放射方向,还可以是边界点可能对应的最远像素点。
步骤三、对各射线半径进行平滑滤波,确定初始边界,并对与原始扫描图像帧相对应的灰度增强图像在初始边界内的部分进行处理,得到分割图像。
其中,初始边界可以是重新规划后的骨骼边界,即本步骤中的原始扫描图像帧中股骨与髋关节的外侧边界。
具体的,将各条射线对应的射线半径进行平滑滤波处理,可以得到平滑滤波处理后的射线半径,进而,可以得到由平滑滤波处理后的射线半径组成的初始边界。将与原始扫描图像帧相对应的灰度增强图像在初始边界处的部分进行一系列的图像后处理,例如:去除小空洞、去处小噪声点、开运算等图像形态学方法,可以得到完整的分割图像。
步骤四、若分割图像的前景区域面积小于预设面积阈值,则确定分割图像的边界为股骨-髋关节的骨骼分割边界。
其中,预设面积阈值可以是预先设定的用于判断股骨截止的面积值。
具体的,由于股骨骨骼部分的图像的前景区域面积会先增大,再减小,当减小到一定程度时,可以认为停止骨骼生长。因此,可以认为在骨质稀疏区域中,已经到达面积由大至小的过程。确定各个分割图像的面积,当分割图像的面积小于预设面积阈值时,可以认为分割图像的面积达到了收敛条件,确定分割图像的边界为股骨-髋关节的骨骼分割边界。
可选的,若分割区域包括股骨-膝关节,根据与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像,确定分割区域中的骨骼分割边界,可以是:
步骤一、将与原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加,确定参考图像帧。
步骤二、基于参考图像帧的中心点向预设角度内的上一参考图像帧的各边缘点分别投射射线,根据各射线上的局部极值点确定各射线的射线半径。
其中,预设角度可以是圆周角中的能够覆盖股骨-髌骨边界的角度,例如:若病人平躺进行CT扫描,则髌骨位于各中心点上方,则针对每一个参考图像帧,以参考图像帧的中心点与该参考图像帧左上方顶点的连线为第一边界,以参考图像帧的中心点与该参考图像帧右上方顶点的连线为第二边界,将第一边界与第二边界之间的角度作为预设角度。需要说明的是,使用预设角度,而非圆周角(360°)来投射射线的原因在于能够有效的避免确定骨骼分割边界时发生股骨和髌骨的粘连的情况。
具体的,从参考图像帧的中心点向参考图像帧的上一参考图像帧的预设角度内的各边缘点分别投射射线,在每一条射线上可以确定出射线上的灰度增强图像的灰度值中的各个局部极值点,对各个局部极值点进行处理可以确定射线上的某一像素点为边界点,并将中心点与该边界点之间的距离作为与该射线相对应的射线半径。
步骤三、对各射线半径进行平滑滤波,确定初始边界,并对与原始扫描图像帧相对应的灰度增强图像在初始边界内的部分进行处理,确定股骨-髌骨的骨骼分割边界。
其中,初始边界可以是重新规划后的骨骼边界,即本步骤中的图像帧中股骨与髌骨的在预设角度范围内的外侧边界。
具体的,将各条射线对应的射线半径进行平滑滤波处理,可以得到平滑滤波处理后的射线半径,进而,可以得到由平滑滤波处理后的射线半径组成的预设角度的初始边界。将与原始扫描图像帧相对应的灰度增强图像在初始边界处的部分进行一系列的图像处理,例如:去除小空洞、去处小噪声点、开运算等图像形态学方法,可以得到股骨-髌骨的骨骼分割边界。
步骤四、根据股骨-髌骨的骨骼分割边界以及边缘点集合中在预设角度之外的边缘点,确定初始分割边界。
其中,初始分割边界可以是股骨和膝关节的大致分割边界,还需进行股骨和胫骨的划分。
具体的,将股骨-髌骨的骨骼分割边界与边缘点集合中在预设角度之外的边缘点进行拼接,得到初始分割边界。
步骤五、若初始分割边界所围成的区域满足预设条件,则确定股骨-胫骨的骨骼分割边界,并根据股骨-髌骨的骨骼分割边界以及股骨-胫骨的骨骼分割边界确定股骨-膝关节的骨骼分割边界。
其中,预设条件可以是用于描述股骨收敛的条件,例如:初始分割边界所围成的面积先增长再稳定最后收缩,若前景区域中部的连通域消失,则不再加入新的连通域,在进入收缩过程后,前景区域生长方向由外扩转为内收,直至收敛结束。
具体的,针对每个初始分割边界围成的区域进行分析,判断是否满足预设条件。若满足,即可确定出股骨-胫骨的骨骼分割边界。将股骨-髌骨的骨骼分割边界以及股骨-胫骨的骨骼分割边界进行整合,可以得到股骨-膝关节的骨骼分割边界。
S309、若分割区域包括胫骨-膝关节,则基于与原始扫描图像帧相对应的灰度增强图像进行图像分割,确定胫骨-膝关节的初始骨骼分割边界,并执行S310。
其中,胫骨-膝关节的初始骨骼分割边界可以是初步得到的股骨和膝关节之间的分割边界,可能存在股骨和膝关节的边界混入。
具体的,若分割区域包括胫骨-膝关节,则使用与原始扫描图像帧相对应的灰度增强图像进行图像分割即可获得较好的分割效果。因此,可以是对与原始扫描图像帧相对应的灰度增强图像进行图像分割,例如:阈值分割等,将图像分割得到的分割边界作为胫骨-膝关节的初始骨骼分割边界。
S310、基于股骨-膝关节的骨骼分割边界,对初始骨骼分割边界进行处理,得到胫骨-膝关节的骨骼分割边界。
具体的,将初始骨骼分割边界中与股骨-膝关节的骨骼分割边界处相重合的部分的像素点去除,将剩余部分作为胫骨-膝关节的骨骼分割边界。
本发明实施例的技术方案,通过获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列,按照原始扫描图像帧所属人体部位,对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域,根据每个分割区域对应的人体部位确定边界分割策略,根据股骨-髋关节、股骨-膝关节、胫骨-膝关节的不同骨质特性,根据不同的分割策略对分割区域中的骨骼分割边界进行分割,解决了针对不同的分割区域使用相同的分割方式进行边界分割而造成的分割准确率低的问题,实现了准确且快速的构建下肢骨骼模型的技术效果。
实施例四
作为上述各实施例的可选实施方案,本发明实施例四提供了一种下肢骨骼模型构造方法。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。
该方法具体包括如下步骤:
1.获取下肢全长的原始CT序列图像(原始扫描图像帧的序列)。
2.获取原始CT序列图像在xy平面(横截面)上的热力分布(热力分布图),如图4所示,用以定位患者腿部(双侧或单侧)区域,使用该定位结果构建单侧腿部包围框(下肢包围框)。
3.在单侧腿包围框内部,对原始CT序列图像进行采样,获取数个采样图像(采样图像帧),基于采样图像的灰度分布信息,在采样图像中分别寻找骨密度最大的采样点所在图像帧(根据灰度分布信息确定采样图像中灰度最大值和灰度最小值的比值,若连续N张比值大于一定阈值,确定骨密度最大值在连续N张内,进而,从这N张中找到灰度值最大的点所在的图像帧,作为关键帧),并以此作为关键帧(关键图像帧),作为后续三维骨骼结构区域生长的起点。根据关键帧上的连通域个数及关键帧所在整个序列中的位置,确定该关键帧是股骨还是胫骨,股骨所对应的关键帧如图5所示,胫骨所对应的关键帧如图6所示。
4.在关键帧上,进行灰度直方图分析,以灰度值高峰(频次最大值)后第一个极小波谷点的灰度值(第一个频次极小值所对应的灰度值)为阈值,对图像进行自动化阈值分割,得到关键帧上的种子点,股骨所对应的关键帧上的种子点如图7所示,胫骨所对应的关键帧上的种子点如图8所示。
5.从股骨、胫骨上的关键帧出发,分别向近端和远端(目标方向)进行骨骼区域生长,以在三维体素空间内不断加入新的骨骼体素点。区域生长以关键帧中的种子点为起点,生长条件为根据3维空间内周围26体素点内的灰度信息,若灰度值差小于一定阈值的点将被加入到种子集合中,不断遍历种子点集合加入新的体素,生长停止条件为(1)灰度值差大于阈值,(2)生长至骨质稀疏区域。生长至骨质稀疏区域就停止生长的原因在于,骨质稀疏区域的灰度比值较小,其中,骨质高密度区域较少,无法与周围的肌肉区域或其他组织区域进行明确的区分,需要使用后续步骤进行分割。针对骨质稀疏区域之外的骨干区域的分割方式除上述方式外,还可以是灰度阈值分割、像素点聚类分割、水平集、主动轮廓投影等方式,针对不同的骨干区域的分割方式可以对生长停止条件等分割所需的条件进行适应性调整。
6.在三维区域生长分割过程中,对当前帧(当前图像帧)二维骨性结构的中心点和边缘(边缘点集合)进行识别和跟踪,以此计算下一帧的中心点,生成中心点和边缘的预测概率图,如图9所示。
7.根据关键帧所在人体部位不同,区域生长方向(目标方向)不同,将区域生长停止后的骨质稀疏部(骨质稀疏区域)分割,细化为股骨-髋关节,股骨-膝关节,胫骨-膝关节,胫骨-踝关节等4个分割区域,分别采用不同的分割策略,股骨-髋关节的骨质稀疏区域如图10所示,股骨-膝关节的骨质稀疏区域如图11所示,胫骨-膝关节的骨质稀疏区域如图12所示,胫腓骨-踝关节的骨质稀疏区域如图13所示。
8.骨质稀疏部的骨性结构与其他人体组织结构灰度值接近,难以区分。为此,定义图像粗糙度概念,设计粗糙度卷积核,计算像素点邻域内的灰度值方差作为该点的像素值(粗糙度);设计线性函数J=aG+bR,其中,G表示原始CT图像(原始扫描图像帧)的灰度图像,R表示粗糙度图像,a和b为使用线性回归获取分类准确率最高的权重参数,J表示为增强后的灰度图像数据(灰度增强图像)。股骨-膝关节的灰度增强图像如图14所示,胫骨-膝关节的灰度增强图像如图15所示。
9.股骨-髋关节分割策略:对原始CT图像的灰度图像进行边缘检测,获取图像边缘信息E(边缘信息图像);以步骤6获取的当前帧的预测中心点为基础,向分割前景的边缘投射射线,由于股骨头-髋关节结合处灰度值存在‘峰-谷-峰’特点,定义‘峰谷峰’检测核函数(峰谷峰检测函数),由前景中心点向图像各区域投射射线,确定射线上各像素点的峰谷峰值,进一步,获取‘峰谷峰’增强图像I(峰谷峰增强图像,峰谷峰增强图像由各像素点的峰谷峰值组合得到),股骨-髋关节的峰谷峰增强图像如图16所示,在峰谷峰增强图像中可以增强双边缘区域,双边缘区域指的是股骨和髋关节结合处的分别属于股骨和髋关节的骨质稀疏区域的边界,需要说明的是后续步骤中股骨和髌骨的结合处也存在这种双边缘区域;结合图像J、E、I的信息(参考图像帧)确定股骨头-髋关节边界。可以是:利用当前帧的预测中心点,向360度投射射线,在射线上统计靠近上一帧前景边缘区域的增强后的灰度图像数据的灰度值,计算和记录射线上的局部极值点位置和射线半径,并将记录的各射线半径序列作高斯平滑滤波,最后使用射线半径内区域(初始边界内的部分)作为股骨头-髋关节分割边界。在分割边界(初始边界)内使用自适应阈值分割增强的增强后的灰度图像数据J,运用去除小空洞、去除小噪声点、开运算等图像形态学方法获取完整的分割图像,在射线半径小于设定阈值后,停止由股骨往近端(头部方向)的区域生长或者当分割图像的面积小于预设面积阈值后,停止由股骨往近端的区域生长,可选的,预设面积阈值可以是前景像素值统计个数的阈值,可选的,可以设置为1至5。需要说明的是,上述区域生长停止的条件还可以应用在后续股骨-膝关节、胫骨-膝关节等分割策略中。通过引入边界掩膜的方式将股骨-髋关节区域中的髋骨剔除,得到股骨。具体的:
边界掩膜可以由上述分割边界(初始边界)确定,以预测中心点为起点,以旋转角度θ(从0-360°)向各边缘点投射射线,以分割边界或图像边缘为终点,起点和终点间的像素点即为边界掩膜的前景点。若射线上存在像素点峰谷峰值大于一设定阈值,一般设置为80-100,优选为90,则取射线上峰谷峰值最大的点作为终点;若射线上不存在任一像素点峰谷峰值大于这一设定阈值,则选用该射线方向上的图像边缘点为终点。在射线旋转一周后,即可获得完整的边界掩膜图像。股骨-髋关节的边界掩膜图像如图17所示。最终,分割前景应当限制在边界掩膜的前景内,之后,边界掩膜的二值前景图像与分割图像的二值前景图像计算交集,可以达到剔除髋骨得到股骨的目的。
还可以通过下述方式剔除髋骨:
由于股骨向近端生长时,前景区域面积会经历稳定的先增长再收缩的过程。因此,跟踪中心点和边缘点集合,以判断区域生长各阶段。若在生长过程中,前景区域进入收缩阶段,则不再加入新的连通域,同时前景区域生长方向由外扩转为内收,直至收敛结束。这样做的目的是:在股骨进行生长和分割时,由于髋骨和股骨可能会在同一帧中同时出现,通过上述方式可以在股骨的生长过程中不加入髋骨。
其中,不再加入新的连通域可以采用以下方式实现:设置一个掩膜对象,为忽略掩膜。将上一帧的前景区域与当前帧的前景区域作差值,差值区域即为当前帧缩小的区域,将该差值区域加入忽略掩膜中,忽略掩膜将持续累加。若有新的连通域与忽略掩膜重合,则新连通域无法加入当前帧的前景区域。不再加入新的连通域的方式只在进入收缩过程后启动。
其中,峰谷峰检测函数算法可以是:
(1)以中心点向边缘投射射线,由内向外按顺序记录射线上各像素点的坐标(射线半径)和像素值,记为点集I。
(2)获取已记录的点集I中像素值最小点的像素值及其坐标,记该点的像素值为P-min。
(3)在P-min(像素值最小点的)内侧(向中心点一侧),获取点集I中像素值最大点的像素值及其坐标,记该点的像素值为P-max1。
(4)在P-min(像素值最小点的)外侧(向边缘一侧),获取点集I中像素值最大点的像素值及其坐标,记该点的像素值为P-max2。
(5)P-min与P-max1的像素差记为d1,P-min与P-max2的像素差记为d2,计算d1与d2乘积的方差值v,v即为所求峰谷峰值。
需要说明的是,将峰谷峰值当作图像的灰度值,得到峰谷峰增强图像。
10.股骨-膝关节分割策略:与步骤9类似,股骨-膝关节分割的难点在于股骨远端与髌骨的分割边界,且该边界位于股骨上方。利用上述先验信息,以步骤6获取的当前帧的预测中心点为基础,结合参考图像帧,向当前帧上方投射射线(预设角度),其中,可以以当前帧的预测中心点与当前帧左上方顶点的连线为第一边界,以当前帧的预测中心点与当前帧右上方顶点的连线为第二边界,将第一边界与第二边界之间的角度作为预设角度。在射线上统计靠近上一帧前景边缘区域的增强后的灰度图像数据的灰度值,计算和记录射线上的局部极值点位置和射线半径,使用平滑后的射线半径内区域作为股骨-髌骨分割边界。股骨-膝关节处的另外一个难点是股骨远端终点与胫骨近端起点相互干扰。由于股骨向远端生长时,前景区域面积会经历稳定的先增长再稳定最后收缩的过程,且具有强鲁棒性,其中,稳定过程指相对稳定的过程,并非是前景区域面积完全不变,例如前后两帧中前景图像区域的面积差值较小。因此,跟踪中心点和边缘点集合,以判断区域生长各阶段。在生长过程中,结合胫骨平台由股骨的中部突起的先验信息,若前景区域进入收缩阶段,则不再加入新的连通域,同时前景区域生长方向由外扩转为内收,直至收敛结束。这样做的目的是:在对股骨进行生长和分割时,由于胫骨和股骨可能会在同一帧中同时出现,通过上述方式可以在股骨的生长过程中不加入胫骨。
其中,不再加入新的连通域可以采用以下方式实现:设置一个掩膜对象,为忽略掩膜。将上一帧的前景区域与当前帧的前景区域作差值,差值区域即为当前帧缩小的区域,将该差值区域加入忽略掩膜中,忽略掩膜将持续累加。若有新的连通域与忽略掩膜重合,则新连通域无法加入当前帧的前景区域。不再加入新的连通域的方式只在进入收缩过程后启动。
11.胫骨-膝关节分割策略:不同于股骨的两个分割策略,在胫骨-膝关节处,使用灰度增强图像,就能获取到较好的分割效果。在胫骨向近端生长的过程中,容易混淆的股骨和胫骨的区域可由步骤10获得的股骨体素点去除,其中,体素点为三维立方体中最小单元点,将股骨体素点去除可以理解为通过前景二值做差去除股骨-膝关节模型中的股骨体素点。
其中,近端指的是靠近头部的一端,远端指的是靠近脚部的一端。
本发明实施例的技术方案,通过对下肢全长的原始CT序列图像进行处理,确定出关键帧以及关键帧所对应的人体部位,进而,以关键帧为起始向近端和远端进行骨骼生长,生长至骨质稀疏区域时,根据与该骨质稀疏区域相对应的边界分割策略进行骨骼边界分割,得到下肢骨骼模型,解决了使用传统图像分割方法导致的分割准确率低的问题以及使用深度学习模型造成的模型构造困难以及运算速度慢的问题,实现了准确且快速的构建下肢骨骼模型的技术效果。
实施例五
图18为本发明实施例五所提供的一种下肢骨骼模型构造装置的结构示意图,该装置包括:序列获取模块410、分割区域确定模块420、边界分割策略确定模块430以及骨骼边界分割模块440。
其中,序列获取模块410,用于获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列;分割区域确定模块420,用于按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域;边界分割策略确定模块430,用于根据每个分割区域对应的人体部位确定边界分割策略;骨骼边界分割模块440,用于根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割。
可选的,所述装置还包括:下肢包围框处理模块,用于根据所述原始扫描图像帧,确定各所述原始扫描图像帧中的下肢包围框;基于各所述原始扫描图像帧中下肢包围框之内的部分分别对各所述原始扫描图像帧进行更新。
可选的,下肢包围框处理模块,还用于沿下肢延伸方向,将各原始扫描图像帧中对应位置点的像素值进行叠加,得到热力分布图;根据所述热力分布图进行图像分割,确定在各所述原始扫描图像帧中的下肢包围框。
可选的,所述分割区域包括骨干区域和骨质稀疏区域中的至少一种。
可选的,所述装置还包括:骨质稀疏区域划分模块,用于若所述人体部位为股骨,则骨质稀疏区域包括股骨-膝关节以及股骨-髋关节;若所述人体部位为胫腓骨,则所述骨质稀疏区域包括胫骨-膝关节以及胫骨-踝关节。
可选的,所述装置还包括:人体部位确定模块,用于针对每个原始扫描图像帧,若所述原始扫描图像帧中有且仅有一个连通区域,则确定所述原始扫描图像帧对应的人体部位为股骨,若所述原始扫描图像帧中有至少两个连通区域,则确定所述原始扫描图像帧对应的人体部位为胫腓骨。
可选的,分割区域确定模块420,还用于根据各所述原始扫描图像帧确定至少一个关键图像帧,并确定与所述关键图像帧相对应的人体部位;针对每个关键图像帧,根据所述关键图像帧中各个像素点所对应的灰度值,确定与所述关键图像帧相对应的灰度直方图,以所述灰度直方图中的频次最大值之后的第一个频次极小值所对应的灰度值作为像素阈值,确定大于所述像素阈值的像素点为所述关键图像帧的种子点;根据所述关键图像帧的种子点以及与所述关键图像帧相对应的人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域。
可选的,分割区域确定模块420,还用于根据各所述原始扫描图像帧,从每个关键图像帧开始,根据所述关键图像帧的种子点分别向各目标方向进行骨骼结构生长,并确定骨骼结构生长过程中的骨质稀疏区域;根据与各关键图像帧相对应的人体部位以及所述目标方向,确定与所述骨质稀疏区域相对应的分割区域。
可选的,分割区域确定模块420,还用于针对每个关键图像帧,将所述关键图像帧作为当前图像帧;根据所述当前图像帧中种子点确定中心点以及边缘点集合,根据所述中心点以及所述边缘点集合,确定在目标方向上与所述当前图像帧相邻的原始扫描图像帧的中心点的预测概率和边缘点集合的预测概率,并根据所述中心点的预测概率和所述边缘点集合的预测概率确定与所述当前图像帧相邻的原始扫描图像帧中的种子点,以进行骨骼结构生长;若骨骼结构生长完成,则确定骨骼结构生长过程中的骨质稀疏区域;否则,将在目标方向上与所述当前图像帧相邻的原始扫描图像帧作为当前图像帧,返回执行根据所述当前图像帧中种子点确定中心点以及边缘点集合的操作。
可选的,分割区域确定模块420,还用于若关键图像帧所对应的人体部位为胫骨,所述目标方向为头部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为胫骨-膝关节;若关键图像帧所对应的人体部位为胫骨,所述目标方向为脚部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为胫骨-踝关节;若关键图像帧所对应的人体部位为股骨,所述目标方向为头部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为股骨-髋关节;若关键图像帧所对应的人体部位为股骨,所述目标方向为脚部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为股骨-膝关节。
可选的,所述装置还包括:采样模块,用于对各所述原始扫描图像帧进行采样得到至少一个采样图像帧。
可选的,分割区域确定模块420,还用于针对每个采样图像帧,根据所述采样图像帧的灰度值中的灰度最大值以及灰度最小值,确定所述采样图像帧的灰度比值;若所述灰度比值大于预设比值阈值的连续的采样图像帧的数量超过预设数量,则选择灰度比值的最大值所对应的采样图像帧为关键图像帧;根据所述关键图像帧中的连通域数量和/或所述关键图像帧的序列位置,确定与所述关键图像帧相对应的人体部位。
可选的,所述装置还包括:粗糙度图像确定模块,用于针对每一个与所述分割区域相对应的原始扫描图像帧,根据所述原始扫描图像帧中每一个像素点的邻域内像素点的灰度值的方差,确定与所述每一个像素点相对应的粗糙度,并根据所述粗糙度确定与所述原始扫描图像帧相对应的粗糙度图像。
可选的,所述装置还包括:灰度增强图像确定模块,用于根据所述原始扫描图像帧以及与所述原始扫描图像帧相对应的粗糙度图像,确定与所述原始扫描图像帧相对应的灰度增强图像。
可选的,所述分割区域包括股骨-髋关节或股骨-膝关节,骨骼边界分割模块440,还用于针对每一个与所述分割区域相对应的原始扫描图像帧,对所述原始扫描图像帧进行边缘检测,确定边缘信息图像;根据所述原始扫描图像帧的中心点,向所述原始扫描图像帧的边缘点集合投射射线,基于预先设定的峰谷峰检测函数,确定与各射线上各像素点所对应的峰谷峰值,并根据所述峰谷峰值确定与所述原始扫描图像帧相对应的峰谷峰增强图像;根据与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像,确定所述分割区域中的骨骼分割边界。
可选的,骨骼边界分割模块440,还用于针对每一条射线上的每个像素点,根据所述像素点所属射线上与所述像素点相对应的邻域像素点,确定所述邻域像素点中的灰度最小值;在所述灰度最小值所对应的像素点以及所述中心点之间,确定第一灰度最大值,并在所述灰度最小值所对应的像素点以及所述射线上的边缘点之间,确定第二灰度最大值;根据所述灰度最小值、所述第一灰度最大值以及所述第二灰度最大值,确定所述像素点对应的峰谷峰值。
可选的,所述分割区域包括股骨-髋关节,骨骼边界分割模块440,还用于将与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加,确定参考图像帧;基于所述参考图像帧的中心点向所述参考图像帧的上一参考图像帧的各边缘点分别投射射线,根据各射线上的局部极值点确定各射线的射线半径;对各射线半径进行平滑滤波,确定初始边界,并对与所述原始扫描图像帧相对应的灰度增强图像在所述初始边界内的部分进行处理,得到分割图像;若所述分割图像的面积小于预设面积阈值,则确定所述分割图像的边界为股骨-髋关节的骨骼分割边界。
可选的,所述分割区域包括股骨-膝关节,骨骼边界分割模块440,还用于将与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加,确定参考图像帧;基于所述参考图像帧的中心点向预设角度内的所述参考图像帧的上一参考图像帧的各边缘点分别投射射线,根据各射线上的局部极值点确定各射线的射线半径;对各射线半径进行平滑滤波,确定初始边界,并对与所述原始扫描图像帧相对应的灰度增强图像在所述初始边界内的部分进行处理,确定股骨-髌骨的骨骼分割边界;根据股骨-髌骨的骨骼分割边界以及所述边缘点集合中在预设角度之外的边缘点,确定初始分割边界;若所述初始分割边界所围成的区域满足预设条件,则确定股骨-胫骨的骨骼分割边界,并根据所述股骨-髌骨的骨骼分割边界以及所述股骨-胫骨的骨骼分割边界确定股骨-膝关节的骨骼分割边界。
可选的,所述分割区域包括胫骨-膝关节,骨骼边界分割模块440,还用于基于与所述原始扫描图像帧相对应的粗糙度图像进行图像分割,确定胫骨-膝关节的初始骨骼分割边界;基于股骨-膝关节的骨骼分割边界,对所述初始骨骼分割边界进行处理,得到胫骨-膝关节的骨骼分割边界。
可选的,所述装置还包括:模型确定模块,用于根据骨骼边界分割之后得到的骨骼边界以及根据所述原始扫描图像帧的序列生长出的骨骼模型确定下肢骨骼模型。
本发明实施例的技术方案,通过获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列,按照原始扫描图像帧所属人体部位,对各原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域,根据每个分割区域对应的人体部位确定边界分割策略,根据边界分割策略,对分割区域中的图像帧进行骨骼边界分割,解决了使用传统图像分割方法导致的分割准确率低的问题以及使用深度学习模型造成的模型构造困难以及运算速度慢的问题,实现了准确且快速的构建下肢骨骼模型的技术效果。
本发明实施例所提供的下肢骨骼模型构造装置可执行本发明任意实施例所提供的下肢骨骼模型构造方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置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实施例的保护范围。
实施例六
图19为本发明实施例六所提供的一种电子设备的结构示意图。图19示出了适于用来实现本发明实施例实施方式的示例性电子设备50的框图。图19显示的电子设备50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19所示,电子设备50以通用计算设备的形式表现。电子设备50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501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503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50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50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502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)504和/或高速缓存505。电子设备50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506可以用于读写不可移动的、非易失性磁介质(图19未显示,通常称为“硬盘驱动器”)。尽管图19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503相连。系统存储器502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507的程序/实用工具508,可以存储在例如系统存储器502中,这样的程序模块507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507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50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该电子设备50交互的设备通信,和/或与使得该电子设备50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511进行。并且,电子设备50还可以通过网络适配器512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。如图所示,网络适配器512通过总线503与电子设备50的其它模块通信。应当明白,尽管图19中未示出,可以结合电子设备50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501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的下肢骨骼模型构造方法。
实施例七
本发明实施例七还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种下肢骨骼模型构造方法,该方法包括:
获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列;
按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域;
根据每个分割区域对应的人体部位确定边界分割策略;
根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割。
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实施例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)。
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 (22)
1.一种下肢骨骼模型构造方法,其特征在于,包括:
获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列;
按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域;
根据每个分割区域对应的人体部位确定边界分割策略;
根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割。
2.根据权利要求1所述的方法,其特征在于,在所述按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割之前,还包括:
根据所述原始扫描图像帧,确定各所述原始扫描图像帧中的下肢包围框;
基于各所述原始扫描图像帧中下肢包围框之内的部分分别对各所述原始扫描图像帧进行更新。
3.根据权利要求2所述的方法,其特征在于,所述根据所述原始扫描图像帧,确定各所述原始扫描图像帧中的下肢包围框,包括:
沿下肢延伸方向,将各原始扫描图像帧中对应位置点的像素值进行叠加,得到热力分布图;
根据所述热力分布图进行图像分割,确定在各所述原始扫描图像帧中的下肢包围框。
4.根据权利要求1所述的方法,其特征在于,所述分割区域包括骨干区域和骨质稀疏区域中的至少一种。
5.根据权利要求4所述的方法,其特征在于,还包括:
若所述人体部位为股骨,则所述骨质稀疏区域包括股骨-膝关节以及股骨-髋关节;
若所述人体部位为胫腓骨,则所述骨质稀疏区域包括胫骨-膝关节以及胫骨-踝关节。
6.根据权利要求1所述的方法,其特征在于,还包括:
针对每个原始扫描图像帧,若所述原始扫描图像帧中有且仅有一个连通区域,则确定所述原始扫描图像帧对应的人体部位为股骨,若所述原始扫描图像帧中有至少两个连通区域,则确定所述原始扫描图像帧对应的人体部位为胫腓骨。
7.根据权利要求1所述的方法,其特征在于,所述按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域,包括:
根据各所述原始扫描图像帧确定至少一个关键图像帧,并确定与所述关键图像帧相对应的人体部位;
针对每个关键图像帧,根据所述关键图像帧中各个像素点所对应的灰度值,确定与所述关键图像帧相对应的灰度直方图,以所述灰度直方图中的频次最大值之后的第一个频次极小值所对应的灰度值作为像素阈值,确定大于所述像素阈值的像素点为所述关键图像帧的种子点;
根据所述关键图像帧的种子点以及与所述关键图像帧相对应的人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域。
8.根据权利要求7所述的方法,其特征在于,所述根据所述关键图像帧的种子点以及与所述关键图像帧相对应的人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域,包括:
根据各所述原始扫描图像帧,从每个关键图像帧开始,根据所述关键图像帧的种子点分别向各目标方向进行骨骼结构生长,并确定骨骼结构生长过程中的骨质稀疏区域;
根据与各关键图像帧相对应的人体部位以及所述目标方向,确定与所述骨质稀疏区域相对应的分割区域。
9.根据权利要求8所述的方法,其特征在于,所述根据各所述原始扫描图像帧,从每个关键图像帧开始,根据所述关键图像帧的种子点分别向各目标方向进行骨骼结构生长,并确定骨骼结构生长过程中的骨质稀疏区域,包括:
针对每个关键图像帧,将所述关键图像帧作为当前图像帧;
根据所述当前图像帧中种子点确定中心点以及边缘点集合,根据所述中心点以及所述边缘点集合,确定在目标方向上与所述当前图像帧相邻的原始扫描图像帧的中心点的预测概率和边缘点集合的预测概率,并根据所述中心点的预测概率和所述边缘点集合的预测概率确定与所述当前图像帧相邻的原始扫描图像帧中的种子点,以进行骨骼结构生长;
若骨骼结构生长完成,则确定骨骼结构生长过程中的骨质稀疏区域;否则,将在目标方向上与所述当前图像帧相邻的原始扫描图像帧作为当前图像帧,返回执行根据所述当前图像帧中种子点确定中心点以及边缘点集合的操作。
10.根据权利要求8所述的方法,其特征在于,所述根据与各关键图像帧相对应的人体部位以及所述目标方向,确定与所述骨质稀疏区域相对应的分割区域,包括:
若关键图像帧所对应的人体部位为胫骨,所述目标方向为头部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为胫骨-膝关节;
若关键图像帧所对应的人体部位为胫骨,所述目标方向为脚部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为胫骨-踝关节;
若关键图像帧所对应的人体部位为股骨,所述目标方向为头部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为股骨-髋关节;
若关键图像帧所对应的人体部位为股骨,所述目标方向为脚部方向,则确定根据所述关键图像帧向所述目标方向生长得到的骨质稀疏区域为股骨-膝关节。
11.根据权利要求7所述的方法,其特征在于,在所述根据各所述原始扫描图像帧确定至少一个关键图像帧之前,还包括:
对各所述原始扫描图像帧进行采样得到至少一个采样图像帧。
12.根据权利要求11所述的方法,其特征在于,所述根据各所述原始扫描图像帧确定至少一个关键图像帧,并确定与所述关键图像帧相对应的人体部位,包括:
针对每个采样图像帧,根据所述采样图像帧的灰度值中的灰度最大值以及灰度最小值,确定所述采样图像帧的灰度比值;
若所述灰度比值大于预设比值阈值的连续的采样图像帧的数量超过预设数量,则选择灰度比值的最大值所对应的采样图像帧为关键图像帧;
根据所述关键图像帧中的连通域数量和/或所述关键图像帧的序列位置,确定与所述关键图像帧相对应的人体部位。
13.根据权利要求1所述的方法,其特征在于,还包括:
针对每一个与所述分割区域相对应的原始扫描图像帧,根据所述原始扫描图像帧中每一个像素点的邻域内像素点的灰度值的方差,确定与所述每一个像素点相对应的粗糙度,并根据所述粗糙度确定与所述原始扫描图像帧相对应的粗糙度图像;
根据所述原始扫描图像帧以及与所述原始扫描图像帧相对应的粗糙度图像,确定与所述原始扫描图像帧相对应的灰度增强图像。
14.根据权利要求13所述的方法,其特征在于,所述分割区域包括股骨-髋关节或股骨-膝关节,所述根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割,包括:
针对每一个与所述分割区域相对应的原始扫描图像帧,对所述原始扫描图像帧进行边缘检测,确定边缘信息图像;根据所述原始扫描图像帧的中心点,向所述原始扫描图像帧的边缘点集合投射射线,基于预先设定的峰谷峰检测函数,确定与各射线上各像素点所对应的峰谷峰值,并根据所述峰谷峰值确定与所述原始扫描图像帧相对应的峰谷峰增强图像;
根据与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像,确定所述分割区域中的骨骼分割边界。
15.根据权利要求14所述的方法,其特征在于,所述基于预先设定的峰谷峰检测函数,确定与各射线上各像素点所对应的峰谷峰值,包括:
针对每一条射线上的每个像素点,根据所述像素点所属射线上与所述像素点相对应的邻域像素点,确定所述邻域像素点中的灰度最小值;在所述灰度最小值所对应的像素点以及所述中心点之间,确定第一灰度最大值,并在所述灰度最小值所对应的像素点以及所述射线上的边缘点之间,确定第二灰度最大值;
根据所述灰度最小值、所述第一灰度最大值以及所述第二灰度最大值,确定所述像素点对应的峰谷峰值。
16.根据权利要求14所述的方法,其特征在于,所述分割区域包括股骨-髋关节,所述根据与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像,确定所述分割区域中的骨骼分割边界,包括:
将与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加,确定参考图像帧;
基于所述参考图像帧的中心点向所述参考图像帧的上一参考图像帧的各边缘点分别投射射线,根据各射线上的局部极值点确定各射线的射线半径;
对各射线半径进行平滑滤波,确定初始边界,并对与所述原始扫描图像帧相对应的灰度增强图像在所述初始边界内的部分进行处理,得到分割图像;
若所述分割图像的面积小于预设面积阈值,则确定所述分割图像的边界为股骨-髋关节的骨骼分割边界。
17.根据权利要求14所述的方法,其特征在于,所述分割区域包括股骨-膝关节,所述根据与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像,确定所述分割区域中的骨骼分割边界,包括:
将与所述原始扫描图像帧相对应的灰度增强图像、边缘信息图像以及峰谷峰增强图像相加,确定参考图像帧;
基于所述参考图像帧的中心点向预设角度内的所述参考图像帧的上一参考图像帧的各边缘点分别投射射线,根据各射线上的局部极值点确定各射线的射线半径;
对各射线半径进行平滑滤波,确定初始边界,并对与所述原始扫描图像帧相对应的灰度增强图像在所述初始边界内的部分进行处理,确定股骨-髌骨的骨骼分割边界;
根据股骨-髌骨的骨骼分割边界以及所述边缘点集合中在预设角度之外的边缘点,确定初始分割边界;
若所述初始分割边界所围成的区域满足预设条件,则确定股骨-胫骨的骨骼分割边界,并根据所述股骨-髌骨的骨骼分割边界以及所述股骨-胫骨的骨骼分割边界确定股骨-膝关节的骨骼分割边界。
18.根据权利要求13所述的方法,其特征在于,所述分割区域包括胫骨-膝关节,所述根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割,包括:
基于与所述原始扫描图像帧相对应的灰度增强图像进行图像分割,确定胫骨-膝关节的初始骨骼分割边界;
基于股骨-膝关节的骨骼分割边界,对所述初始骨骼分割边界进行处理,得到胫骨-膝关节的骨骼分割边界。
19.根据权利要求1所述的方法,其特征在于,在所述对所述分割区域中的图像帧进行骨骼边界分割之后,还包括:
根据骨骼边界分割之后得到的骨骼边界以及根据所述原始扫描图像帧的序列生长出的骨骼模型确定下肢骨骼模型。
20.一种下肢骨骼模型构造装置,其特征在于,包括:
序列获取模块,用于获取针对人体下肢进行连续扫描得到的原始扫描图像帧的序列;
分割区域确定模块,用于按照所述原始扫描图像帧所属人体部位,对各所述原始扫描图像帧进行分割,形成分别对应不同人体部位的至少两个分割区域;
边界分割策略确定模块,用于根据每个分割区域对应的人体部位确定边界分割策略;
骨骼边界分割模块,用于根据所述边界分割策略,对所述分割区域中的图像帧进行骨骼边界分割。
21.一种电子设备,其特征在于,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权利要求1-19中任一所述的下肢骨骼模型构造方法。
22.一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1-19中任一所述的下肢骨骼模型构造方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024135.6A CN114066885B (zh) | 2022-01-11 | 2022-01-11 | 下肢骨骼模型构造方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024135.6A CN114066885B (zh) | 2022-01-11 | 2022-01-11 | 下肢骨骼模型构造方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066885A true CN114066885A (zh) | 2022-02-18 |
CN114066885B CN114066885B (zh) | 2022-05-17 |
Family
ID=80230671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210024135.6A Active CN114066885B (zh) | 2022-01-11 | 2022-01-11 | 下肢骨骼模型构造方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066885B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117281616A (zh) * | 2023-11-09 | 2023-12-26 | 武汉真彩智造科技有限公司 | 一种基于混合现实的手术控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2940393A1 (en) * | 2015-12-29 | 2017-06-29 | Veneree Rakotomalala Randrianarisoa | Method and system for performing bone multi-segmentation in imaging data |
CN108269261A (zh) * | 2016-12-30 | 2018-07-10 | 亿阳信通股份有限公司 | 一种骨关节ct图像分割方法和系统 |
CN108734194A (zh) * | 2018-04-09 | 2018-11-02 | 浙江工业大学 | 一种面向虚拟现实的基于单深度图的人体关节点识别方法 |
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗系统(大连)有限公司 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
US20210004956A1 (en) * | 2018-03-12 | 2021-01-07 | Persimio Ltd. | Automated bone segmentation in images |
-
2022
- 2022-01-11 CN CN202210024135.6A patent/CN114066885B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2940393A1 (en) * | 2015-12-29 | 2017-06-29 | Veneree Rakotomalala Randrianarisoa | Method and system for performing bone multi-segmentation in imaging data |
CN108269261A (zh) * | 2016-12-30 | 2018-07-10 | 亿阳信通股份有限公司 | 一种骨关节ct图像分割方法和系统 |
US20210004956A1 (en) * | 2018-03-12 | 2021-01-07 | Persimio Ltd. | Automated bone segmentation in images |
CN108734194A (zh) * | 2018-04-09 | 2018-11-02 | 浙江工业大学 | 一种面向虚拟现实的基于单深度图的人体关节点识别方法 |
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗系统(大连)有限公司 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117281616A (zh) * | 2023-11-09 | 2023-12-26 | 武汉真彩智造科技有限公司 | 一种基于混合现实的手术控制方法及系统 |
CN117281616B (zh) * | 2023-11-09 | 2024-02-06 | 武汉真彩智造科技有限公司 | 一种基于混合现实的手术控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114066885B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106108925B (zh) | 用于医学图像中全身骨移除和血管可视化的方法和系统 | |
CN114066886B (zh) | 骨骼分割边界确定方法、装置、电子设备及存储介质 | |
US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
US20210106299A1 (en) | Method and system for extracting lower limb vasculature | |
JP3110045B2 (ja) | 医用コンピュータ断層撮影スキャンで病変を検出するための自動化された方法およびシステム | |
US8385614B2 (en) | Slice image display apparatus, method and recording-medium having stored therein program | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
Karssemeijer et al. | Recognition of organs in CT-image sequences: a model guided approach | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN114066885B (zh) | 下肢骨骼模型构造方法、装置、电子设备及存储介质 | |
CN113284160B (zh) | 一种手术导航标记珠体识别的方法、装置和设备 | |
Shadid et al. | Bone fragment segmentation from 3D CT imagery using the Probabilistic Watershed Transform | |
CN114037719B (zh) | 骨骼区域确定方法、装置、电子设备及存储介质 | |
CN114445445B (zh) | Ct图像的动脉分割方法、装置、电子设备及存储介质 | |
CN116934885A (zh) | 肺部分割方法、装置、电子设备及存储介质 | |
TWI790179B (zh) | 心導管影像辨識及評估方法 | |
Wei et al. | Segmentation of lung lobes in volumetric CT images for surgical planning of treating lung cancer | |
CN114037775B (zh) | 骨骼结构生长方法、装置、电子设备及存储介质 | |
CN116363155B (zh) | 一种胸大肌区域智能分割方法、装置和存储介质 | |
Ko et al. | Image analysis for skeletal evaluation of carpal bones | |
Li et al. | Segmentation of Pulmonary Nodules Based on MRBU-Net-WD Model. | |
Qiao et al. | Accurate liver tumors segmentation using semantic localization and centroid region growth | |
CN114742953A (zh) | 基于ct图像自动生成左右肺三维模型的方法及系统 | |
CN116012311A (zh) | 肠系膜下动脉的分割方法及装置 | |
CN116012277A (zh) | 管状腔体组织的提取方法、装置、电子设备及介质 |
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 |