CN114155376A - 目标特征点提取方法、装置、计算机设备和存储介质 - Google Patents
目标特征点提取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114155376A CN114155376A CN202111307112.8A CN202111307112A CN114155376A CN 114155376 A CN114155376 A CN 114155376A CN 202111307112 A CN202111307112 A CN 202111307112A CN 114155376 A CN114155376 A CN 114155376A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- processed
- point
- bone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种目标特征点提取方法、装置、计算机设备和存储介质。所述方法包括:获取待处理图像;获取与所述待处理图像对应的模板,并获取所述模板与标准特征点的位置关系;所述模板为基于样本图像生成的图像,且所述标准特征点位于所述模板中;将所述模板向所述待处理图像进行配准;根据所述模板与所述标准特征点的位置关系,结合配准的后所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点。采用本方法能够实现目标特征点的自动提取。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种目标特征点提取方法、装置、计算机设备和存储介质。
背景技术
随着图像处理技术的发展,对于CT或者MR图像中的骨骼解剖特征点的自动提取,可广泛应用于基于医学影像的辅助诊断和辅助治疗的应用场景。与此同时,人们对于医疗服务的质量要求日益提高,骨骼手术精准化与数字化已成为全球医学发展的趋势,因此通过特征点的自动提取可辅助医生进行手术规划,提高手术效率,也有利于医疗资源相对匮乏地区的患者享受更优质的手术效果。
而传统技术中,骨骼解剖特征点通常由有经验的医生手动完成,由于骨骼解剖特征点位置的选取是术前规划的关键步骤,因此在此过程中对医生的解剖学、影像学知识,以及临床经验要求较高,且手动获取特征点需要耗费医生大量的时间和精力以及操作复杂。
发明内容
基于此,有必要针对上述技术问题,提供一种能够自动定位的目标特征点提取方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种目标特征点提取方法,所述目标特征点提取方法包括:
获取待处理图像;
获取与所述待处理图像对应的模板,并获取所述模板与标准特征点的位置关系;所述模板为基于样本图像生成的图像,且所述标准特征点位于所述模板中;
将所述模板向所述待处理图像进行配准;
根据所述模板与所述标准特征点的位置关系,结合配准后的所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点。
在其中一个实施例中,在所述获取与所述待处理图像对应的模板之前,还包括按如下步骤生成所述模板:
获取若干样本图像;
从若干所述样本图像中选取初始模板,并将所述初始模板向剩余的所述样本图像分别进行配准得到配准图像;
计算所述配准图像对应的统计图像;
当所述统计图像和所述初始模板的相似度满足要求时,将所述统计图像作为模板,否则,将所述统计图像作为新的初始模板,并返回将所述初始模板向剩余的所述样本图像分别进行配准得到配准图像的步骤,直至所述统计图像和所述初始模板的相似度满足要求。
在其中一个实施例中,所述计算所述配准图像对应的统计图像,包括:
获取各所述配准图像中对应点的初始位置;
计算对应点的各所述初始位置的平均值作为对应点的目标位置,并根据对应点所述目标位置生成所述统计图像。
在其中一个实施例中,在所述生成所述模板之后,还包括:
接收针对所述模板的标准特征点配置指令;
根据所述标准特征点配置指令在所述模板中配置对应的标准特征点。
在其中一个实施例中,在所述计算所述配准图像对应的统计图像之后,还包括:
计算所述统计图像与所述初始模板中对应点的距离;
根据所有对应点的距离计算得到所述统计图像与所述初始模板的相似度。
在其中一个实施例中,所述待处理图像与所述样本图样为三维网格点云图像;所述将所述初始模板向剩余的所述样本图像进行配准之前还包括:对所述预处理图像进行预处理;和/或
在所述将所述模板向所述待处理图像进行配准之前,还包括:
对所述样本图像进行预处理;所述预处理包括提取表面点云、点云降采样、归一化中的至少一个;
所述提取表面点云为提取所述待处理图像与所述样本图像中所有网格的顶点,得到表面点云;
所述点云降采样为将所述待处理图像划分为至少一个处理区域,并将所述处理区域中到待处理中心距离最近的点采样为所述处理区域的采样点;所述归一化为将所述待处理图像中的点对齐到同一坐标空间。
在其中一个实施例中,所述将所述模板向所述待处理图像进行配准,包括:
获取配准函数,并初始化所述配准函数;
将所述待处理图像和所述模板输入至所述配准函数中以对所述配准函数中参数进行优化;
当所述配准函数的参数优化后与优化前的变化量小于预设标准时,判定所述模板与所述待处理图像完成配准,否则继续将所述待处理图像和所述模板输入至参数优化后的所述配准函数中以对所述配准函数中参数进行优化。
在一个实施例中,所述根据所述模板与所述标准特征点的位置关系,结合配准后的所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点,包括:
当所述标准特征点在模板表面时,获取与所述待处理图像配准后所述模板中的所述标准特征点的法向量;
当所述法向量与配准后的所述待处理图像存在交点时,则计算所述交点与所述标准特征点的距离;
当所述交点与所述标准特征点的距离小于预设距离时,则将所述交点作为目标特征点;
当不存在所述交点或者所述交点与所述标准特征点的距离大于所述预设距离,则从所述待处理图像中选取与配准后模板中的所述标准特征点最近的点作为目标特征点。
在一个实施例中,所述根据所述模板与所述标准特征点的位置关系,结合配准后的所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点,还包括:
当所述标准特征点不在所述标准板表面时,根据所述标准特征点从所述模板表面选取预设数量的点作为关联点;
根据所述模板与所述待处理图像的配准关系,确定所述关联点在配准图像中的目标点;
根据所述目标点计算所述待处理图像的目标特征点。
在其中一个实施例中,所述待处理图像为待处理骨骼图像,所述标准特征点为骨骼特征点,所述骨骼特征点包括股骨特征点和胫骨特征点中的至少一个。
一种骨骼数据处理方法,所述骨骼数据处理方法包括:
获取待处理骨骼图像;
根据上述任意一个实施例中的目标特征点提取方法对所述待处理骨骼图像进行处理得到骨骼特征点;
根据预设规则对所述骨骼特征点进行处理。
在其中一个实施例中,所述根据预设规则对所述骨骼特征点进行处理,包括:
根据所述骨骼特征点计算得到股骨机械轴线、股骨通髁线以及胫骨机械轴线中的至少一个。
在其中一个实施例中,所述根据预设规则对所述骨骼特征点进行处理,包括:
根据预设规则对所述骨骼特征点进行优化。
第二方面,本申请还提供了一种目标特征点提取装置,所述装置包括:
数据获取模块,用于获取待处理图像;
模板查询模块,用于获取与所述待处理图像对应的模板,并获取所述模板与目标特征点的位置关系;
配准模块,用于将所述模板向所述待处理图像进行配准;
目标提取模块,用于根据所述模板与所述目标特征点的位置关系,结合配准后所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,本申请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,其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上述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述目标特征点提取方法、装置、计算机设备和存储介质,能够将模板与待处理图像进行配准,并根据模板与标准特征点的位置关系以及结合配准后模板与待处理图像的位置关系,从待处理图像中提取目标特征点,实现目标特征点的自动提取,以提高效率。
附图说明
图1为一个实施例中目标特征点提取方法的应用环境图;
图2为一个实施例中目标特征点提取方法的流程示意图;
图3为一个实施例中下肢骨进行分割与表面重建示意图;
图4为另一个实施例中模板生成方式的流程示意图;
图5为一个实施例中统计骨骼图像获取示意图;
图6为一个实施例中标准特征点配置示意图;
图7为一个实施例中两张骨骼图像比较相似度的示意图;
图8为一个实施例中点云降采样方法示意图;
图9为一个实施例中数据预处理示意图;
图10为一个实施例中骨骼点云数据归一化的示意图;
图11为一个实施例中非刚性配准示意图;
图12为一个实施例中采用Expectation-Maximization(EM)算法优化配准函数过程的示意图;
图13为一个实施例中表面特征点提取原理示意图;
图14为另一个实施例中表面特征点提取原理示意图;
图15为一个实施例中非表面骨骼特征点提取原理图示意图;
图16为一个实施例中骨骼数据处理方法的流程示意图;
图17一个实施例中特征点位置优化的示意图;
图18为一个实施例中目标特征点提取装置的结构框图;
图19为一个实施例中骨骼数据处理装置的结构框图;
图20为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的目标特征点提取方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与医学成像设备104进行通信。其中,终端102可以接收到医学成像设备104扫描得到的通过三维矩阵的存储方式的三维影像,并对该些三维影像进行三维重建得到待处理图像,进而获取预先生成的与待处理图像对应的模板;将模板和待处理图像进行配准,根据模板与标准特征点的位置关系,并结合配准后的模板和待处理图像之间的位置,确定待处理图像中与标准特征点得到对应的目标特征点。由于模板中包括标准特征点,因此在配准之后,其可以根据配准后的模板通过映射自动提取待处理图像中与标准特征点相对应的目标特征点,不需要人工手动从待处理图像中提取目标特征点,节省了大量的时间,提高了效率。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备以及医学成像设备本身的功能模块和专用电路。医学成像设备104包括但不限于各种成像设备,例如CT成像设备(CT:Computed Tomography,它是利用精确准直的X线束与灵敏度极高的探测器一同围绕人体的某一个部位做一个接一个的断面扫描,并且通过CT扫描可以重建出肿瘤等的精确三维位置图像)、磁共振设备(其是断层成像的一种,它利用磁共振现象从人体中获得电磁信号,并重建出人体信息图像)、正电子发射型计算机断层显像(Positron Emission Computed Tomography)设备、正电子发射型磁共振成像系统(PET/MR)等。
在一个实施例中,如图2所示,提供了一种目标特征点提取方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202,获取待处理图像。
具体地,待处理图像优选地为三维表面网格数据,其可以是对医学成像设备所采集的三维影像进行三维重建得到的,在其他实施例中,当医学成像设备所采集的为三维表面网格数据时,则无需对其进行三维重建。
其中,在医学影像领域,三维扫描的CT或MR等医学影像数据一般是三维影像,即以三维矩阵的形式存储的医学影像数据,其中该三维影像中包括待处理目标,例如目标特征点所在的目标骨骼或器官。
具体地,三维重建具体可以包括:首先终端通过图像分割技术对三维矩阵中的待处理目标进行图像分割得到以三维矩阵形式存储的掩膜数据,然后对该掩膜数据进行三维重建得到待处理图像。其中图像分割技术包括但不限于基于深度学习全卷积网络的图像分割技术,或基于传统机器学习(比如随机森林等),或基于聚类、区域生长、活动轮廓、水平集、阈值法等分割技术,对掩膜数据进行三维重建的方法包括但不限于Marching Cube算法、在轮廓附近根据表面阈值使用Marching Cube算法进行插值重建以及泊松表面重建算法等。具体地,图3为一个实施例中下肢骨进行分割与表面重建示意图。其中,终端使用图像分割技术对CT影像进行分割操作,得到截断面、矢状面和冠状面的骨骼数据,即将待处理图像中的骨骼像素提取出来,然后通过表面重建方法将分割得到的骨骼像素的表面通过网格数据的形式表达出来,即可得到待处理骨骼图像,该待处理骨骼图像可用于后续的配准。
S204,获取与待处理图像对应的模板,并获取模板与标准特征点的位置关系;模板为基于样本图像生成的图像,且标准特征点位于模板中。
具体地,模板是预先基于样本图像生成的,其用于表征与待处理图像对应的骨骼或器官的标准形态,该模板可以是根据术前所采集的用户的样本图像生成的,或者是根据大量的不同用户的样本图像生成的适合大量用户的模板,例如根据样本图像的平均图像来得到等,这样不需要每个用户术前都进行模板的生成。
标准特征点是在模板中所选择的骨骼或器官的特征点,其中该标准特征点可以是医生等手动在模板中进行选择的,这里需要说明的一点是特征线、特征面和特征区域都可以看做是由特征点组成的。该标准特征点是与需要从待处理图像中目标特征点相对应的。
其中模板与标准特征点的位置关系则是用于表征标准特征点在模板中的位置的数据,其中该位置关系可以是在模板所在的图像坐标系中所确定的。可选地,该模板以及标准特征点与模板的位置关系是预先生成的。在其他的实施例中,当需要增加新的标准特征点时,也可以实时在模板中标定新的标准特征点,在此不做具体的限定。
其中可选地,模板数据在存储的时候可以按照骨骼的类型进行存储,这样在获取到待处理图像后,可以根据待处理图像对应的骨骼类型选择已经存储的对应的模板。
S206,将模板向待处理图像进行配准。
优选地,这里的配准是指表面配准,将模板中的三维表面网格数据和待处理图像的三维表面网格数据统一到同一个坐标系下。通过配准即可以将模板中的三维表面网格数据的位置与待处理图像的三维表面网格数据的位置实现一一对应,从而为获取待处理图像中的目标特征点奠定基础。其中表面配准可以包括但不限于非刚性配准算法。
S208,根据模板与标准特征点的位置关系,结合配准后的模板与待处理图像的位置关系,确定待处理图像中与标准特征点对应的目标特征点。
其中,目标特征点是指与待处理图像配准后,模板将标准特征点映射到待处理图像上特征点,例如将模板与待处理图像进行配准,从而模板中的网格与待处理图像中的网格一一对应,这样模板中的标准特征点则在待处理图像中也对应有目标特征点,该目标特征点就是所要提取的特征点。
其中需要说明的一点是,标准特征点的数量在此不做限定,在一次目标特征点提取中,终端可以并行提取多个标准特征点分别对应的目标特征点,从而可以提高目标特征点的提取的效率。
在其他的实施例中,在获取到目标特征点后,终端还可以将目标特征点输出,以便于医生等进行检查,当医生确认所提取的目标特征点时,则所提取的目标特征点正确,若是存在问题,则可以接收针对目标特征点的调整指令,根据该调整指令对目标特征点进行微调,以保证所输出的目标特征点的准确性。
在上述实施例中,能够将模板与待处理图像进行配准,并根据模板与标准特征点的位置关系以及结合配准后模板与待处理图像的位置关系,从待处理图像中提取目标特征点,实现目标特征点的自动提取,以提高的效率。
在一个实施例中,如图4所示,一个实施例中的模板生成方式的流程图,该模板的生成方式可以包括:
S402:获取若干样本图像。
具体地,样本图像优选地为三维表面网格数据,其可以是对医学成像设备所采集的三维影像进行重建得到的,具体的三维重建的方法可以参见上文所述。其中仍以下肢骨为例进行说明,其中首先终端收集大量的不同的患者的下肢骨医学影像数据,作为训练集,然后对训练集中的医学影像数据按照上述三维重建的方法进行分割并重建得到样本图像。
S404:从若干样本图像中选取初始模板。
具体地,初始模板可以是从若干样本图像中随意选取任意一张,其中需要说明的一点是,当样本图样仅有一套时,则直接将其作为模板,若是样本图像至少存在两套时,则从样本图像中选取任意一张样本图像作为初始模板。
S406:将初始模板向剩余的样本图像分别进行配准得到配准图像。
具体地,配准图像是利用配准算法将初始模板向剩余的样本图像中配准得到的,例如利用非刚性配准算法将初始模板映射至其他剩余的样本图像中得到配准图像。
S408:计算配准图像对应的统计图像。
其中,统计图像是由配准图像根据一定规则计算得到的,例如对配准图像中点的位置求平均、求最值、求中值等等得到的,统计图像可以作为反映此次配准总体情况的代表,在一个实施例中,统计图像可用与后续与初始模板进行相似度比较,进一步得到统计图像与初始模板之间的相似度。
S410:当统计图像和初始模板的相似度满足要求时,将统计图像作为模板,否则,将统计图像作为新的初始模板,并返回将初始模板向剩余的样本图像分别进行配准得到配准图像的步骤,直至统计图像和初始模板的相似度满足要求。
具体地,相似度是体现统计图像与初始模板之间相似度的量化数值,若统计图像与初始模板之间的相似度越高则表示统计图像与初始模板之间越相似,反之则表示越不相似,其中相似度可以是根据统计图像与初始模板中对应点的距离计算得到的。
具体地,当统计图像和初始模板的相似度满足要求时是指统计图像和初始模板之间的相似度大于等于预设阈值,此时终端认为统计图像与初始模板之间足够相似,则将统计图像作为样本图像对应的模板,例如样本图像为患者下肢骨图像,模板则为下肢骨模板;若统计图像和初始模板之间的相似度小于预设阈值,则将当前获得的统计图像作为下一次迭代的初始模板,并继续将当前初始模板向样本图像进行配准得到配准图像,并计算配准图像对应的统计图像,直至统计图像与初始模板之间的相似度大于等于预设阈值,得到最终的模板。其中,相似度阈值可以根据实际情况进行调整。
在上述实施例中,通过将样本图像与初始模板不停迭代进行配准,并通过计算配准图像对应的统计图像以及比较统计图像与初始模板之间的相似度来得到模板,这样获得的模板更加真实、准确,能够为后续通过待处理图像与标准图像之间进行配准并获得目标特征点奠定良好的基础。
在一个实施例中,计算配准图像对应的统计图像,包括:获取各配准图像中对应点的初始位置;计算对应点的各初始位置的平均值作为对应点的目标位置,并根据对应点的目标位置生成统计图像。
具体地,获取配准图像中对应的点的初始位置是指训练集中的样本图像与初始模板进行配准后,终端可以获取配准图像中网格数据相应的点的位置,然后对点的位置进行平均得到平均位置,并根据所有点的平均位置生成统计图像。
具体地,结合图5所示,图5为一个实施例中统计骨骼图像获取示意图,图5中的训练集存在N张待处理骨骼图像,其中,该待处理骨骼图像是由医学成像设备所采集的三维影像并进行三维重建得到的。首先,终端在训练集中任意选取一张待处理骨骼图像作为初始骨骼模板,再通过表面配准算法可以将初始骨骼模板向剩余N-1张待处理骨骼图像进行配准,得到N-1张配准骨骼图像,其中图5中以实线表示,相应的初始骨骼模板上的点P(i)映射为P1(i)…PN-1(i),i=1,2,3…,PN-1(i)是指配准骨骼图像中网格数据对应点,然后对一组对应点P1(i)…PN-1(i),求其平均值P’(i)=(P1(i)+P2(i)+…+PN-1(i))/(N-1),并根据P’(i)生成相应的统计骨骼图像。
在上述实施例中,通过配准图像中网格数据相应的点进行计算,可以准确地得到对应的统计图像。
在一个实施例中,在生成模板之后,还包括:接收针对模板的标准特征点配置指令;根据标准特征点配置指令在模板中配置对应的标准特征点。
具体地,标准特征点配置指令是用于在模板上获取标准特征点的计算机指令,其可以是由用户根据应用场景输入的,例如标准特征点配置指令可以是由医生在标准骨骼模板中进行选择解剖特征点、特征面或者特征线的指令;根据配置指令在模板中配置对应的标准特征点,具体地是指终端接收标准特征点配置指令后,根据标准特征点配置指令在模板上对相应的特征点、特征面或者特征线进行标注,例如在股骨上对股骨外侧髁远端点和股骨内侧髁远端点等特征点进行标注。
具体地,结合图6所示,图6为一个实施例中标准特征点配置示意图,其标准特征点配置指令是针对标准下肢骨中的解剖特征点的配置特征点,终端根据标准特征点配置指令在标准下肢骨中配置的相应的解剖特征点包括:髋关节中心1、股骨外侧髁2;股骨内侧髁-3;股骨髁间凹-4;股骨外侧髁远端点-5;股骨内侧髁远端点-6;股骨外侧髁后端点-7;股骨内侧髁后端点-8;胫骨平台外侧-9;胫骨平台内侧-10;胫骨棘-11;胫骨结节-12;踝外侧-13;踝内侧-14;踝中点-15中的任意一个或多个。
在上述实施例中,通过标准特征点配置指令,可在模板上得到所需的特征,这些特征点可用于后续确定待处理图像中相应的特征点。
在一个实施例中,在计算配准图像对应的统计图像之后,还包括:计算统计图像与初始模板中对应点的距离;根据所有对应点的距离计算得到统计图像与初始模板的相似度。
具体地,终端首先计算统计图像与初始模板中每一组网格数据相应的点之间的距离,并根据每一组网格数据相应的点之间的距离计算统计图像与初始模板的相似度。在其他实施例中,相似度可以表示为所有对应点之间平均距离的倒数,结合图7所示,图7为一个实施例中两张骨骼图像相似度的示意图,终端计算其中每一个点P’(i)与初始骨骼模板中对应的点P(i)的距离di,及相应的相似度,其中相似度可表示为:
其中m为初始骨骼模板所包含点的个数,dm表示为第m个对应点之间的距离。若统计骨骼图像与初始骨骼模板每一组网格数据相应的点之间的平均距离越小,则表示统计骨骼图像与初始骨骼模板之间的相似度越大。当相似度大于某一阈值时,则认为统计骨骼图像与标准骨骼模板足够相似,此时可以得到统计骨骼图像即可作为标准模型。其中,相似度的阈值可以根据实际情况进行调整。
在上述实施例中,通过计算统计图像与初始模板之间的相似度可以准确地得到样本图像对应的标准模型。
在一个实施例中,待处理图像与样本图像为三维网格点云图像;在将初始模板向剩余的样本图像进行配准之前,还包括:对待处理图像进行预处理;和或在将模板向待处理图像进行配准之前,还包括:对样本图像进行预处理;预处理包括提取表面点云、点云降采样、归一化中的至少一个;提取表面点云为提取待处理图像与样本图像中所有网格的顶点,得到表面点云;点云降采样为将待处理图像划分为至少一个处理区域,并将处理区域中到待处理区域中心距离最近的点采样为所述处理区域的采样点;归一化为将待处理图像中的点对齐到同一坐标空间。
其中,处理区域是指按照预设间距对整个空间进行等距划分,预设距离可以根据实际的应用场景进行划分,其中可选地,若预设间距为L,则可以将整个空间划分为若干个间距为L的处理区域。采样点是指按照预设规则从待处理图像中选取的点,例如采样点可以是对待处理图像进行处理区域的划分,从处理区域中选取离处理区域中心距离最近的点获得的。
具体地,提取表面点云是指提取所有网格顶点,即可得到待处理图像和/或样本图像的表面点云。具体地,点云降采样是指在输入点云所在的空间中按照一定的间距L将整个空间划分为若干个小的立方体空间即处理区域,在每个小立方体空间中可能包括待处理图像与样本图像表面点云的点,也可能不包含。若包括表面点云的点的小立方体空间中只含有一个点时则直接保留,否则就计算每个点到小立方体空间中心点的距离,只保留距离中心最近的点作为采样点,其余点去除,最后得到一个空间分布与原点云基本相同但点数更少的稀疏点云。结合图8所示,图8为一个实施例中点云降采样方法示意图,其中实心的点为离网格中心最近的点,空心的点为其他的点,在经过点云降采样后只留下离立方体中心距离最近的点即图中实心的点。在另一个实施例中,结合图9所示,图9为一个实施例中数据预处理示意图,标准骨骼模板和患者骨骼图像在经过提取表面点云和点云降采样后即可得到稀疏点云。
具体地,归一化是指将样本图样与待处理图像转换到同一坐标下,使得后续数据处理更加便捷,例如若是所有的样本图像、待处理图像和其相应的模板不是处于同一位置视角拍摄的,即所有的样本图像、待处理图像和相应的模板不是在同一坐标空间的,则优先将所有样本图像、待处理图像和其对应的模板对齐到同一坐标空间,例如将采样点对齐到同一坐标空间。在其他实施例中,对样本图像与待处理图像的归一化处理首先计算所有样本图像、待处理图像和其相应的模板的质心坐标C(所有点的中心位置),再将点云平移-C,使其质心与坐标系原点重合,然后计算平移后点云坐标的方差Var,将点云中每个点的坐标除以即得到归一化的点云数据。结合图10所示,图10为一个实施例中骨骼点云数据归一化的示意图,终端首先将骨骼点云均值调整到0,再将点云方差调整到1即可得到归一化处理后的股骨点云数据。
在上述实施例中,通过对样本图像与待处理图像的预处理可以加速后续配准操作的计算速度与收敛速度。
在一个实施例中,将模板向待处理图像进行配准,包括:获取配准函数,并初始化配准函数;将待处理图像和模板输入至配准函数中以对配准函数中参数进行优化;当配准函数的参数在优化后与优化前的变化量小于预设标准时,判定模板与待处理图像完成配准,否则继续将待处理图像和模板输入至参数优化后的配准函数中以对配准函数中参数进行优化。
具体地,配准函数是指实现模板向待处理图像进行配准的程序,将模板与待处理图像输入配准函数后,可得到配准后的模板。终端首先获取相应的配准函数并初始化配准函数,其中初始化配准函数包括初始化配准函数的参数;将待处理图像和模板输入至配准函数中以对配准函数中参数进行优化以获得相应的配准图像,具体地终端根据当前配准函数的参数以及输入的模板与待处理图像,利用贝叶斯定理计算后验概率矩阵,并计算配准函数的优化方向,并按照配准函数的优化方向更新相应的参数,然后判断参数优化前与优化后的变化量是否小于预设标准,其中预设标准可以根据实际情况进行调整,如果变化量小于预设标准,则判定模板与待处理图像完成配准,输出配准后的模板和待处理图像;否则就继续将优化的参数作为配准函数的当前参数,再继续上述操作,直至模板与待处理图像完成配准。在其他实施例中,输入配准函数的待处理图像和模板是经过预处理后的数据,其中预处理包括提取表面点云、点云降采样和归一化中的至少一个,这样可以加快配准函数计算速度。
具体地,结合图11所示,图11为一个实施例中非刚性配准示意图,图11中M个圆形点y1…yM为标准骨骼模板上的点,N个三角形点x1…xN为待处理骨骼图像上的点。其中,以标准骨骼模板中的点组成的点集YMx3=(y1,…yM)T为均值建立高斯混合模型GMM,方差为σ2,待处理骨骼图像中的点集XNx3=(x1,…xN)T视为由GMM生成。GMM的概率密度为:
如果考虑噪声,即外点,则添加额外的均匀分布,为
其中ω为外点的概率。
配准的目的即为通过变换GMM的均值Y,使得X在GMM中的概率最大。假设通过参数θ变换GMM的均值Y,则待优化的配准函数为:
具体地,结合图12所示,图12为一个实施例中采用Expectation-Maximization(EM)算法优化配准函数过程的示意图,首先将标准骨骼模板和患者骨骼进行预处理,得到归一化的点云数据;为待优化的配准函数的参数θ和σ设置一个比较合理的初始值;根据当前的参数值和输入的标准骨骼模板和患者骨骼数据,利用贝叶斯定理计算后验概率矩阵;计算本次迭代的配准函数优化方向;按照配准函数的优化方向,更新θ和σ的值;根据参数的变化量是否小于某一阈值判断迭代是否收敛,若收敛或迭代次数达到设置的最大迭代次数,则停止迭代,得到变形后的标准骨骼模板即为配准结果,否则就继续将优化的参数作为配准函数的当前参数,再继续上述操作,直至标准骨骼模板与患者骨骼完成配准。
在上述实施例中,通过配准函数可将标准骨骼模板与待处理骨骼图像进行配准,得到相应的配准后的标准骨骼模板。
在一个实施例中,根据模板与标准特征点的位置关系,结合配准后的模板与待处理图像的位置关系,确定待处理图像中与标准特征点对应的目标特征点,包括:当标准特征点在模板表面时,获取与待处理图像配准后模板中的标准特征点的法向量;当法向量与配准后的待处理图像存在交点时,则计算交点与标准特征点的距离;当交点与标准特征点的距离小于预设距离时,则将交点作为目标特征点;当不存在交点或者交点与标准特征点的距离大于预设距离,则从待处理图像中选取与配准后模板中的标准特征点最近的点作为目标特征点。
具体地,当模板与待处理图像进行配准之前,首先判断标准特征点是否在标准骨骼模板表面,如果标准特征点在模板表面上,则直接进行配准并在模板与待处理图像配准之后,作配准后模板和标准特征点的法向量,并沿其法向量作一条直线,然后判断该直线与待处理图像是否存在交点及计算在存在交点的情况下该交点与标准特征点的距离是否小于预设距离,再根据不同情况进行不同操作以提取待处理图像中的目标特征点。其中,预设距离可以根据实际应用场景进行调整。
具体地,结合图13所示,图13为一个实施例中表面特征点提取原理示意图,图13所表示的是标准骨骼模板的法向量所在直线与待处理骨骼图像存在交点,且该交点与标准骨骼特征点小于预设距离的情况,在图13中点P表示的是配准后标准骨骼模板中的标准骨骼特征点,以Pi及Pj这两个骨骼特征点为例,作Pi及Pj与标准后骨骼模板的法向量并沿其法向量作一条直线,并计算该直线与待处理骨骼图像的交点与标准骨骼特征点之间的距离,若待处理骨骼图像的交点与标准骨骼特征点之间的距离小于预设距离,则将该直线与待处理骨骼图像的交点即图中的三角为待处理骨骼图像的骨骼特征点Pi’及Pj’。
具体地,图14为另一个实施例中表面特征点提取原理示意图,图14所表示的是标准骨骼特征点与标准骨骼模板的法向量所在直线与待处理骨骼图像不存在交点,以Pk这个骨骼特征点为例,Pk与标准骨骼模板的法向量所在直线与待处理骨骼图像不存在交点,则选取配准后标准骨骼特征点与待处理骨骼图像最近的点作为待处理骨骼图像的骨骼特征点,即图中三角所在位置的Pk’。
具体地,当标准骨骼特征点与标准骨骼模板的法向量所在直线与待处理骨骼图像存在交点,且交点与标准骨骼特征点大于预设距离的情况,则选取配准后标准骨骼特征点与待处理骨骼图像最近的点作为待处理骨骼图像的骨骼特征点。
在上述实施例中,通过标准图像与待处理图像配准后,可以根据不同情况进行不同的操作可以准确获得待处理图像在表面的目标特征点。
在一个实施例中,根据模板与标准特征点的位置关系,结合配准后的模板与待处理图像的位置关系,确定待处理图像中与标准特征点对应的目标特征点,还包括:当标准特征点不在标准板表面时,根据标准特征点从模板表面选取预设数量的点作为关联点;根据模板与待处理图像的配准关系,确定关联点在配准图像中的目标点;根据目标点计算待处理图像的目标特征点。
具体地,当标准特征点不在模板表面时,首先需要根据标准特征点周围结构特征点选择附近表面的点作为关联点,关联点是指在模板表面并可以反应在模板内部的标准特征点的点,例如以下肢骨为例,骨骼关联点所拟合出来的球心为在骨骼内部的骨骼特征点;在确定完关联点之后,再将模板与待处理图像进行配准,并得到关联点所对应的目标点的位置,其目标点位置的确定可以参照当标准特征点在模板表面时进行处理,然后根据目标点位置计算待处理图像的目标特征点,继续以下肢骨为例,将目标点拟合成一个球形,其球形的球心即为待处理骨骼图像的骨骼特征点。
具体地,结合图15所示,图15为一个实施例中非表面骨骼特征点提取原理图示意图,左边的图为标准骨骼模板,右边的图为配准后的标准骨骼模板,标准骨骼模板通过非刚性配准得到配准后的标准骨骼模板。以股骨头中心点C为例,在标准骨骼模板上选择N个附近表面的点P1…PN作为关联点,P1…PN这N个点可以拟出球面的球心点C,在确定关联点之后,使用非刚性配准将标准骨骼模板与待处理骨骼图像进行配准,通过配准将这N个关联点映射到待处理骨骼图像上,得到相应的目标点P1’…PN’,则待处理骨骼图像中的股骨头中心可通过P1’…PN’拟合出的球心位置获得,图15中的C’即为待处理骨骼图像中的股骨头中心。
在上述实施例中,可以通过选取标准特征点附近表面的特征点作为关联点并通过配准后的关联点获得待处理图像不在表面的标准特征点,解决了通过表面配准难以得到在模板内部特征点的难题。
在一个实施例中,待处理图像为待处理骨骼图像,标准特征点为骨骼特征点,骨骼特征点包括股骨特征点和胫骨特征点中的至少一个。
具体地,待处理骨骼图像为由医学成像设备对患者骨骼采集的三维影像进行三维重建得到的,标准特征点为预先生成的标准骨骼模板上的解剖特征点,仍以下肢骨为例,继续结合图6,其中股骨外侧髁远端点5、股骨内侧髁远端点-6、股骨外侧髁后端点-7和股骨内侧髁后端点-8为股骨侧的特征点,胫骨平台外侧-9和胫骨平台内侧-10为胫骨侧的特征点且为膝关节置换时截骨量测量的参考基准点。
在一个实施例中,骨骼数据处理方法包括:获取待处理骨骼图像;根据上述任意一项实施例的目标征提取的方法对待处理骨骼图像进行处理得到骨骼特征点;根据预设规则对骨骼特征点进行处理。
具体地,结合图16所示,图16为一个实施例中骨骼数据处理方法的流程示意图,终端首先获取待处理骨骼图像,其中待处理骨骼图像为由医学成像设备对患者骨骼采集的三维影像并进行三维重建得到的;其中,根据上述任意一项实施例的目标征提取的方法对待处理骨骼图像进行处理得到骨骼特征点包括:终端在获取患者骨骼图像之后,查询与患者骨骼图像对应的标准骨骼模板并获取标准骨骼模板与标准骨骼特征点的关系,其中标准骨骼模板可以是包括人体任意一个部位的骨骼,其生成方式可以按照上述模板的生成方式生成,标准骨骼特征点可以是由医生从标准骨骼模板上手动选取的;终端将标准骨骼模板向患者骨骼图像进行配准得到配准后标准骨骼模板即变形后的标准骨骼模板,其配准方式可以但不局限于非刚性配准算法;根据标准特征点在模板中的位置,结合变形后的标准骨骼模板可以确定患者骨骼图像与标准骨骼特征点对应的骨骼特征点;最后,终端根据预设规则对获得的骨骼特征点进行处理,得到优化后的骨骼特征点,以提高骨骼特征点的位置精度。
在上述实施例中,通过标准骨骼模板与患者骨骼图像进行配准,即可将标准骨骼模板上的标准骨骼特征点映射至患者骨骼,实现患者骨骼特征点位置的自动提取。
在一个实施例中,根据预设规则对骨骼特征点进行处理,包括:根据骨骼特征点计算得到股骨机械轴线、股骨通髁线以及胫骨机械轴线中的至少一个。
具体地,继续结合图6,根据髋关节中心-1、股骨髁间凹-4可以确定股骨机械轴线,根据股骨外侧髁-2、股骨内侧髁-3可以确定股骨通髁线,根据胫骨棘-11、踝中点-15可以确定胫骨机械轴线。
在上述实施例中,通过骨骼特征点可以计算骨骼特征点相应的下肢生理轴线,这些生理轴线可以进一步确定关节假体的摆放角度。
在一个实施例中,根据预设规则对骨骼特征点进行处理,还包括:根据股骨机械轴线、股骨通髁线以及胫骨机械轴线计算得到关节假体的摆放角度。
在一个实施例中,根据预设规则对骨骼特征点进行处理,包括:根据预设规则对骨骼特征点进行优化。
具体地,对于一些几何意义明显的特征点,通过上述任意一个实施例得到的待处理骨骼特征点可能不是十分准确,因此有必要对得到的骨骼特征点做更进一步的优化,以提高骨骼特征点的位置精度,例如可以将骨骼特征点投影至相应的生理轴线上,并在生理轴线上选择在一定范围内的投影点作为待处理图像中优化后的骨骼特征点。
具体地,结合图17所示,图17为一个实施例中特征点位置优化的示意图,其中以股骨的远端切点为例,在进行配准得到相应的骨骼特征点位置后,按照定义将骨骼特征点投影至股骨机械轴线上并在一定范围内选择在股骨机械轴线上投影为最远端的点为优化后的骨骼特征点,此时两远端切点即优化后的骨骼特征点的连线与股骨相切。
在上述实施例中,通过对一些几何意义明显的特征点进行优化,可以在待处理图像中得到更准确的骨骼特征点位置。
应该理解的是,虽然图2、图4和图13的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且图2、图4和图13中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图18所示,提供了一种目标特征点提取装置,包括:数据获取模块100、模板查询模块200、配准模块300和目标提取模块400,其中:
数据获取模块100,用于获取待处理图像。
模板查询模块200,用于获取与待处理图像对应的模板,并获取模板与目标特征点的位置关系;模板为基于样本图像生成的图像,且标准特征点位于模板中。
配准模块300,用于将模板向待处理图像进行配准。
目标提取模块400,用于根据模板与目标特征点的位置关系,结合配准后的模板与待处理图像的位置关系,确定待处理图像中与标准特征点对应的目标特征点。
在其中一个实施例中,上述目标特征点提取装置还可以包括:
样本获取模板,用于获取若干样本图像。
样本配准模块,用于从若干样本图像中选取初始模板,并将初始模板向剩余的样本图像分别进行配准得到配准图像。
统计图像计算模块,用于计算配准图像对应的统计图像。
相似度判断模块,用于当统计图像和初始模板的相似度满足要求时,将统计图像作为模板,否则,将统计图像作为新的初始模板,并返回将初始模板向剩余的样本图像分别进行配准得到配准图像的步骤,直至统计图像和初始模板的相似度满足要求。
在其中一个实施例中,上述统计图像计算模块可以包括:
位置获取单元,用于获取各配准图像中对应点的初始位置。
统计图像生成单元,用于计算对应点各的初始位置的平均值作为对应点的目标位置,并根据对应点的目标位置生成统计图像。
在其中一个实施例中,上述目标特征点提取装置还可以包括:
指令获取模块,用于接收针对模板的标准特征点配置指令。
特征获取模块,用于根据标准特征点配置指令在模板中配置对应的标准特征点。
在一个实施例中,上述目标特征点提取装置还可以包括:
对应点距离计算模块,用于计算统计图像与初始模板中对应点的距离。
相似度计算模块,用于根据所有对应点的距离计算得到统计图像与初始模板的相似度。
在一个实施例中,上述目标特征点提取装置还可以包括:
第一预处理模块,用于对待处理图像进行预处理,预处理包括表面点云提取单元、点云降采样单元、归一化单元中的至少一个。
第二预处理模块,用于对样本图像进行预处理,预处理包括表面点云提取单元、点云降采样单元、归一化单元中的至少一个。
表面点云提取单元,用于提取待处理图像与样本图像中所有网格的顶点,得到表面点云。
点云降采样单元,用于将待处理图像划分为至少一个处理区域,并将处理区域中到待处理区域中心距离最近的点采样为处理区域的采样点。。
归一化单元,用于将将待处理图像中的点对齐到同一坐标空间。
在一个实施例中,上述配准模块300还可以包括:
配准函数获取单元,用于获取配准函数,并初始化配准函数。
配准函数优化单元,用于将待处理图像和模板输入至配准函数中以对配准函数中参数进行优化。
配准函数判断单元,用于当配准函数的参数在优化后与优化前的变化量小于预设标准时,判定模板与待处理图像完成配准,否则继续将待处理图像和模板输入至参数优化后的配准函数中以对配准函数中参数进行优化。
在一个实施例中,上述目标提取模块400还包括:
法向量获取单元,用于当标准特征点在模板表面时,获取与待处理图像配准后模板中的标准特征点的法向量。
距离计算单元,用于当法向量与配准后的待处理骨骼图像存在交点,则计算交点与标准特征点的距离。
第一骨骼特征确定单元,用于当当交点与标准特征点的距离小于预设距离时,则将交点作为目标特征点。
第二骨骼特征确定单元,用于当不存在交点或者交点与标准特征点的距离大于预设距离,则从待处理图像中选取与配准后模板中的标准特征点最近的点作为目标特征点。
在一个实施例中,上述目标提取模块400还包括:
关联点获取单元,用于当标准特征点不在标准板表面时,根据标准特征点从模板表面选取预设数量的点作为关联点。
目标点获取单元:用于根据模板与待处理图像的配准关系,确定关联点在配准图像中的目标点。
第三骨骼特征确定单元,用于根据目标点计算待处理图像的目标特征点。
在一个实施例中,上述目标特征点提取装置还包括:
标准骨骼特征获取模块,用于获取股骨特征点和胫骨特征点中的至少一个。
在一个实施例中,如图19所示,提供了一种骨骼数据处理装置,包括:骨骼图像获取模块500、骨骼特征提取模块600以及骨骼特征处理模块700,其中:
骨骼图像获取模块500,用于获取待处理骨骼图像。
骨骼特征提取模块600,用于根据上述任意一个是实施例中目标特征点提取装置对待处理骨骼图像进行处理得到骨骼特征点。
骨骼特征处理模块700,根据预设规则对骨骼特征点进行处理。
在一个实施例中,上述骨骼特征处理模块700还包括:
轴线计算单元,用于根据骨骼特征点计算得到股骨机械轴线、股骨通髁线以及胫骨机械轴线中的至少一个。
在一个实施例中,上述骨骼特征提取模块600还包括:
骨骼特征优化单元,用于根据预设规则对骨骼特征点进行优化。
关于目标特征点提取装置的具体限定可以参见上文中对于目标特征点提取方法的限定,在此不再赘述。上述目标特征点提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图20所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标特征点提取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图20中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (17)
1.一种目标特征点提取方法,其特征在于,所述目标特征点提取方法包括:
获取待处理图像;
获取与所述待处理图像对应的模板,并获取所述模板与标准特征点的位置关系;所述模板为基于样本图像生成的图像,且所述标准特征点位于所述模板中;
将所述模板向所述待处理图像进行配准;
根据所述模板与所述标准特征点的位置关系,结合配准后的所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点。
2.根据权利要求1所述的目标特征点提取方法,其特征在于,在所述获取与所述待处理图像对应的模板之前,还包括按如下步骤生成所述模板:
获取若干样本图像;
从若干所述样本图像中选取初始模板,并将所述初始模板向剩余的所述样本图像分别进行配准得到配准图像;
计算所述配准图像对应的统计图像;
当所述统计图像和所述初始模板的相似度满足要求时,将所述统计图像作为模板,否则,将所述统计图像作为新的初始模板,并返回将所述初始模板向剩余的所述样本图像分别进行配准得到配准图像的步骤,直至所述统计图像和所述初始模板的相似度满足要求。
3.根据权利要求2所述的目标特征点提取方法,其特征在于,所述计算所述配准图像对应的统计图像,包括:
获取各所述配准图像中对应点的初始位置;
计算对应点的各所述初始位置的平均值作为对应点的目标位置,并根据对应点的所述目标位置生成所述统计图像。
4.根据权利要求2所述的方法,其特征在于,在所述生成所述模板之后,还包括:
接收针对所述模板的标准特征点配置指令;
根据所述标准特征点配置指令在所述模板中配置对应的标准特征点。
5.根据权利要求2所述的目标特征点提取方法,其特征在于,在所述计算所述配准图像对应的统计图像之后,还包括:
计算所述统计图像与所述初始模板中对应点的距离;
根据所有对应点的距离计算得到所述统计图像与所述初始模板的相似度。
6.根据权利要求2所述的目标特征点提取方法,其特征在于,所述待处理图像与所述样本图像为三维网格点云图像;在所述将所述初始模板向剩余的所述样本图像进行配准之前,还包括:对所述待处理图像进行预处理;和/或
在所述将所述模板向所述待处理图像进行配准之前,还包括:
对所述样本图像进行预处理;所述预处理包括提取表面点云、点云降采样、归一化中的至少一个;
所述提取表面点云为提取所述待处理图像与所述样本图像中所有网格的顶点,得到表面点云;
所述点云降采样为将所述待处理图像划分为至少一个处理区域,并将所述处理区域中到所述处理区域中心距离最近的点采样为所述处理区域的采样点;
所述归一化为将所述待处理图像中的点对齐到同一坐标空间。
7.根据权利要求1所述的目标特征点提取方法,其特征在于,所述将所述模板向所述待处理图像进行配准,包括:
获取配准函数,并初始化所述配准函数;
将所述待处理图像和所述模板输入至所述配准函数中以对所述配准函数中参数进行优化;
当所述配准函数的参数在优化后与优化前的变化量小于预设标准时,判定所述模板与所述待处理图像完成配准,否则继续将所述待处理图像和所述模板输入至参数优化后的所述配准函数中以对所述配准函数中参数进行优化。
8.根据权利要求1所述的目标特征点提取方法,其特征在于,所述根据所述模板与所述标准特征点的位置关系,结合配准后的所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点,包括:
当所述标准特征点在模板表面时,获取与所述待处理图像配准后所述模板中的所述标准特征点的法向量;
当所述法向量与配准后的所述待处理图像存在交点时,则计算所述交点与所述标准特征点的距离;
当所述交点与所述标准特征点的距离小于预设距离时,则将所述交点作为目标特征点;
当不存在所述交点或者所述交点与所述标准特征点的距离大于所述预设距离,则从所述待处理图像中选取与配准后模板中的所述标准特征点最近的点作为目标特征点。
9.根据权利要求1所述的目标特征点提取方法,其特征在于,所述根据所述模板与所述标准特征点的位置关系,结合配准后的所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点,还包括:
当所述标准特征点不在所述标准板表面时,根据所述标准特征点从所述模板表面选取预设数量的点作为关联点;
根据所述模板与所述待处理图像的配准关系,确定所述关联点在配准图像中的目标点;
根据所述目标点计算所述待处理图像的目标特征点。
10.根据权利要求1至9任意一项所述的目标特征点提取方法,其特征在于,所述待处理图像为待处理骨骼图像,所述标准特征点为骨骼特征点,所述骨骼特征点包括股骨特征点和胫骨特征点中的至少一个。
11.一种骨骼数据处理方法,其特征在于,所述骨骼数据处理方法包括:
获取待处理骨骼图像;
根据权利要求1至10任意一项所述的目标特征点提取方法对所述待处理骨骼图像进行处理得到骨骼特征点;
根据预设规则对所述骨骼特征点进行处理。
12.根据权利要求11所述的骨骼数据处理方法,其特征在于,所述根据预设规则对所述骨骼特征点进行处理,包括:
根据所述骨骼特征点计算得到股骨机械轴线、股骨通髁线以及胫骨机械轴线中的至少一个。
13.根据权利要求11所述的骨骼数据处理方法,其特征在于,所述根据预设规则对所述骨骼特征点进行处理,还包括:
根据预设规则对所述骨骼特征点进行优化。
14.一种目标特征点提取装置,其特征在于,所述装置包括:
数据获取模块,用于获取待处理图像;
模板查询模块,用于获取与所述待处理图像对应的模板,并获取所述模板与目标特征点的位置关系;所述模板为基于样本图像生成的图像,且所述标准特征点位于所述模板中;
配准模块,用于将所述模板向所述待处理图像进行配准;
目标提取模块,用于根据所述模板与所述目标特征点的位置关系,结合配准后的所述模板与所述待处理图像的位置关系,确定所述待处理图像中与所述标准特征点对应的目标特征点。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至13中任一项所述的方法的步骤。
16.一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,所述计算机程序被处理器执行时实现权利要求1至13中任一项所述的方法的步骤。
17.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至13中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307112.8A CN114155376A (zh) | 2021-11-05 | 2021-11-05 | 目标特征点提取方法、装置、计算机设备和存储介质 |
PCT/CN2022/129336 WO2023078309A1 (zh) | 2021-11-05 | 2022-11-02 | 目标特征点提取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307112.8A CN114155376A (zh) | 2021-11-05 | 2021-11-05 | 目标特征点提取方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155376A true CN114155376A (zh) | 2022-03-08 |
Family
ID=80458999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111307112.8A Pending CN114155376A (zh) | 2021-11-05 | 2021-11-05 | 目标特征点提取方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114155376A (zh) |
WO (1) | WO2023078309A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100258A (zh) * | 2022-08-29 | 2022-09-23 | 杭州三坛医疗科技有限公司 | 一种髋关节图像配准方法、装置、设备以及存储介质 |
CN116091643A (zh) * | 2022-12-28 | 2023-05-09 | 群滨智造科技(苏州)有限公司 | 鞋面底部工艺轨迹的生成方法、装置、设备及介质 |
WO2023078309A1 (zh) * | 2021-11-05 | 2023-05-11 | 苏州微创畅行机器人有限公司 | 目标特征点提取方法、装置、计算机设备和存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452755B (zh) * | 2023-06-15 | 2023-09-22 | 成就医学科技(天津)有限公司 | 一种骨骼模型构建方法、系统、介质及设备 |
CN116468729B (zh) * | 2023-06-20 | 2023-09-12 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、系统及计算机 |
CN117218091B (zh) * | 2023-09-19 | 2024-03-29 | 徐州医科大学 | 面向骨折地图构建的骨折线提取方法 |
CN117274402B (zh) * | 2023-11-24 | 2024-04-19 | 魔视智能科技(武汉)有限公司 | 相机外参的标定方法、装置、计算机设备及存储介质 |
CN117911474A (zh) * | 2024-03-20 | 2024-04-19 | 中南大学 | 一种在线瓦片地图渐进式动态配准方法、系统及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754414A (zh) * | 2018-12-27 | 2019-05-14 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110930443B (zh) * | 2019-11-27 | 2023-04-07 | 中国科学院深圳先进技术研究院 | 图像配准方法、装置及终端设备 |
CN117058409A (zh) * | 2021-03-02 | 2023-11-14 | 武汉联影智融医疗科技有限公司 | 基于表面配准的目标特征提取方法、装置、设备和介质 |
CN114155376A (zh) * | 2021-11-05 | 2022-03-08 | 苏州微创畅行机器人有限公司 | 目标特征点提取方法、装置、计算机设备和存储介质 |
-
2021
- 2021-11-05 CN CN202111307112.8A patent/CN114155376A/zh active Pending
-
2022
- 2022-11-02 WO PCT/CN2022/129336 patent/WO2023078309A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023078309A1 (zh) * | 2021-11-05 | 2023-05-11 | 苏州微创畅行机器人有限公司 | 目标特征点提取方法、装置、计算机设备和存储介质 |
CN115100258A (zh) * | 2022-08-29 | 2022-09-23 | 杭州三坛医疗科技有限公司 | 一种髋关节图像配准方法、装置、设备以及存储介质 |
CN116091643A (zh) * | 2022-12-28 | 2023-05-09 | 群滨智造科技(苏州)有限公司 | 鞋面底部工艺轨迹的生成方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023078309A1 (zh) | 2023-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023078309A1 (zh) | 目标特征点提取方法、装置、计算机设备和存储介质 | |
US10217217B2 (en) | Systems and methods for obtaining 3-D images from X-ray information | |
US20210012492A1 (en) | Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones | |
Lamecker et al. | A 3D statistical shape model of the pelvic bone for segmentation | |
Faggiano et al. | An automatic contour propagation method to follow parotid gland deformation during head-and-neck cancer tomotherapy | |
Bondar et al. | A symmetric nonrigid registration method to handle large organ deformations in cervical cancer patients | |
Tang et al. | 2D/3D deformable registration using a hybrid atlas | |
CN115131487A (zh) | 医学影像处理方法、系统、计算机设备、存储介质 | |
WO2019180746A1 (en) | A method for obtaining 3-d deformity correction for bones | |
Cheema et al. | Image-aligned dynamic liver reconstruction using intra-operative field of views for minimal invasive surgery | |
CN115526929A (zh) | 基于图像的配准方法和装置 | |
WO2019180747A1 (en) | Systems and methods for obtaining patient specific instrument designs | |
CN116824059A (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
CN115359063B (zh) | 基于目标器官三维图像的刚性配准方法及相关装置 | |
Price et al. | A method to calculate coverage probability from uncertainties in radiotherapy via a statistical shape model | |
Robb | VR assisted surgery planning | |
CN116523975A (zh) | 基于六维变换的机器人全局最优解空间配准与标定算法 | |
WO2022229816A1 (en) | 3d reconstruction of anatomical images | |
CN115049806A (zh) | 基于蒙特卡洛树搜索的人脸增强现实标定方法及装置 | |
CN116848549A (zh) | 经由降维投影的图像结构的检测 | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
Chen et al. | Medical data point clouds reconstruction algorithm based on tensor product B-spline approximation in virtual surgery | |
WO2020090445A1 (ja) | 領域修正装置、方法およびプログラム | |
CN116342672B (zh) | 髋关节实际位置配准方法、装置、电子设备及存储介质 | |
Bas et al. | Evaluation of shape from shading surface reconstruction quality for liver phantom |
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 |