CN114219889B - 一种基于ct与超声融合的脊柱在体准静态三维测量方法 - Google Patents

一种基于ct与超声融合的脊柱在体准静态三维测量方法 Download PDF

Info

Publication number
CN114219889B
CN114219889B CN202111310240.8A CN202111310240A CN114219889B CN 114219889 B CN114219889 B CN 114219889B CN 202111310240 A CN202111310240 A CN 202111310240A CN 114219889 B CN114219889 B CN 114219889B
Authority
CN
China
Prior art keywords
ultrasonic
frame
continuous multi
vertebrae
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111310240.8A
Other languages
English (en)
Other versions
CN114219889A (zh
Inventor
杨萃
卢聪
李鉴轶
徐灏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202111310240.8A priority Critical patent/CN114219889B/zh
Publication of CN114219889A publication Critical patent/CN114219889A/zh
Application granted granted Critical
Publication of CN114219889B publication Critical patent/CN114219889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/30—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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于CT与超声融合的脊柱在体准静态三维测量方法，过程如下：对待测量人体进行一次CT扫查得到脊柱CT影像序列；记人体某一准静态为P1；通过对其脊柱进行超声扫查，得到超声影像序列；对每一个椎骨采用基于连续多帧骨面分割图像的椎骨配准方法得到超声椎骨和CT椎骨的最优刚体变换；根据最优刚体变换，对CT椎骨进行旋转和平移，将每一个CT椎骨变换于对应超声椎骨的位置和姿态，展示脊椎的三维形态；改变状态至另一准静态P2，重复上述步骤，得到准静态的人体脊柱三维成像。本发明能观测到脊柱的完整三维形态，克服超声对脊柱成像不完整不清晰以及对脊柱的腹面观重建的不足；同时克服CT无法进行准静态测量的不足。

Description

一种基于CT与超声融合的脊柱在体准静态三维测量方法
技术领域
本发明涉及多模态融合测量技术领域，具体涉及一种基于CT与超声融合的脊柱在体准静态三维测量方法。
背景技术
目前对于脊柱肌骨系统的观测，常用的影像学方法有X光成像、CT成像、超声成像技术等。
对于CT检查，其优势有图像清晰度高，具有很高的密度分辨率与空间分辨率，可直接清晰地获取断层解剖图像、排除重叠影像干扰，更加完整清晰地观测到骨骼，但也有明显劣势，检查人员需要保持静态卧位检查，无法实现站立时准静态跟踪；对于超声检查，其优势有检查过程方便快捷，无电离辐射风险，可以实现动态重复扫描，成像速度快，观测图像无损，但超声波无法穿透骨面，无法观测脊柱腹面观；超声信噪比低，无法对脊柱形成清晰成像；受超声成像原理限制，超声成像与探头-骨表面的相对位置有关，因此无法利用超声对脊柱进行完整三维成像。上述方法各有优缺点，单一方法无法完全解决脊柱骨肌系统的观测问题。因此，目前亟待提出一种精确、高效的基于CT与超声融合的脊柱在体准静态测量方法，能够观测到脊柱的完整三维形态，帮助肌骨系统的准静态变化观测。
发明内容
本发明的目的是为了解决现有技术中超声对脊柱成像不完整不清晰，尤其无法对脊柱的腹面观进行重建、CT具有电离辐射不便于长期、多次检测，无法提供人体站立时准静态形态的缺陷，提供一种基于CT与超声融合的脊柱在体准静态三维测量方法。
本发明提出一种基于CT与超声融合的脊柱在体准静态三维测量方法，通过在准静态下对脊柱进行超声扫查和三维成像，将每一个椎骨的CT成像与超声成像采用基于连续多帧骨面分割图像的椎骨配准方法进行融合，将CT椎骨进行空间变换，按照超声椎骨的位置和姿态显示，从而得到准静态超声扫查下清晰完整的脊柱三维形态。
本发明的目的可以通过采取如下技术方案达到：
一种基于CT与超声融合的脊柱在体准静态三维测量方法，所述三维测量方法包括以下步骤：
S1、对待测量人体进行一次CT扫查得到脊柱CT影像序列；
S2、在人运动过程中，记待测量人体的某一准静态为P1状态；
S3、通过对P1状态下待测量人体的脊柱进行超声扫查，得到脊柱超声影像序列；
S4、对每一个椎骨采用基于连续多帧骨面分割图像的椎骨配准方法得到超声椎骨和所对应的CT椎骨的最优刚体变换；其中，所述基于连续多帧骨面分割图像的椎骨配准方法过程如下：通过基于阈值分割方法对所述CT影像序列进行骨面分割，得到CT骨面图像；通过神经网络图像分割算法对所述超声影像序列进行分割，得到超声骨面图像；其中，所述CT骨面图像和超声骨面图像均只有白色和黑色两个灰度等级；对CT骨面图像和超声骨面图像分别进行三维重建，得到CT椎骨和超声椎骨，然后通过基于连续多帧骨面信息熵配准法对CT椎骨和超声椎骨进行配准；
本发明首次用配准的方法融合了超声和CT，能观测到脊柱的完整三维形态，帮助肌骨系统的准静态变化观测，解决了现有技术中CT和超声单一技术手段没办法实现脊柱骨肌系统的观测问题。
S5、根据所述最优刚体变换，对CT椎骨进行旋转和平移，将每一个CT椎骨变换于对应超声椎骨的位置和姿态，展示脊柱的三维形态；
S6、待测量人体改变状态至另一准静态，记作P2状态，重复步骤S3-S5，得到准静态的人体脊柱三维成像。
另一优选的实施方式中，所述步骤S4中通过基于连续多帧骨面信息熵配准法对CT椎骨和超声椎骨进行配准的过程如下：
S41、对CT椎骨以采样间隔F进行连续多帧采样，得到CT连续多帧分割图Q1；将超声椎骨中首个超声帧作为起始帧，以采样间隔F对超声椎骨进行连续多帧采样，得到第j组超声连续多帧分割图Q2j，初始值j＝1；
S42、定义(x,y,z,a,b,c)表征刚体变换，其中是x、y、z分别是沿X、Y、Z轴的平移量，a、b、c分别是围绕X、Y、Z轴旋转的角度，令超声连续多帧分割图Q2j的第一帧为初始帧，设其初始位姿为(0，0，0，0，0，0)；
S43、假定当前第i次搜索刚体变换为(xi,yi,zi,ai,bi,ci)，初始值i＝1，对超声连续多帧分割图Q2j进行当前搜索刚体变换，得到刚体变换后超声连续多帧分割图Q3；
S44、对超声连续多帧分割图Q3中每个像素点，根据其坐标值，在CT连续多帧分割图Q1中找到距离其最近的两帧CT骨面图像，再根据距离加权的方法计算当前像素点坐标所对应的灰度值，遍历超声连续多帧分割图Q3中所有的像素点，得到插值后CT连续多帧分割图像Q4；
S45、将刚体变换后连续多帧超声分割图Q3中的每一超声帧并行排列，合并为一张图像IA，将插值后CT连续多帧分割图Q4中的每一CT帧并行排列，合并为一张图像IB，采用归一化互信息衡量图像IA和图像IB的相关性，将图像间的归一化互信息作为配准的标准，计算图像IA和图像IB的信息熵以及其联合信息熵：
其中，pA(a)是图像IA中第a个像素灰度出现的概率，pB(b)是图像IB中第b个像素灰度出现的概率，pAB(a,b)是图像IA中第a个像素灰度出现和IB中第b个像素灰度出现的联合概率，Hj,i(A)是第j组超声连续多帧分割图Q2j在第i个搜索刚体变换下的信息熵，Hj,i(B)是插值后CT连续多帧分割图Q4在第i个搜索刚体变换下的信息熵，Hj,i(AB)是Q2j和Q4在第i个搜索刚体变换下的联合信息熵，NMIj,i(A,B)是Q2j和Q4在第i个搜索刚体变换下归一化互信息；
S46、更新第i次搜索刚体变换(xi,yi,zi,ai,bi,ci)，i＝i+1，并重复步骤S43-S46，直到遍历整个变换空间，设整个变换空间离散化为总共I种刚体变换；
S47、以超声椎骨中第j，j＝j+1帧超声帧作为起始帧，得到第j组超声连续多帧分割图Q2j；重复步骤S42-S47，直到遍历所有组超声连续多帧分割图，设一共有J组超声连续多帧分割图；
S48.在遍历J组超声连续多帧分割图和I种刚体变换后，得到NMIj,i(A,B)，即得到整个搜索空间的归一化互信息，根据归一化互信息最优的原则确定超声的连续多帧分割图Q2j中与CT连续多帧分割图Q1最优匹配的超声连续多帧分割图以及其对应的最优刚体变换公式如下：
另一优选的实施方式中，所述步骤S4中，采用粒子群方法进行最优刚体变换搜索。
本发明相对于现有技术具有如下的优点及效果：
1)该发明将超声扫查与CT扫查融合，可以实现人体站立位、完整脊柱三维成像，而单一依靠CT或者超声是无法实现的。
2)该发明对人体脊柱进行准静态测量，提供人体准静态变化时清晰直观的脊柱形态，通过超声多次扫描、CT单次扫描的方式实现对脊柱三维形态的多次、准静态成像，可减少对人体的电离辐射，且成本较低，可应用于人体肌骨系统相关的研究中。
附图说明
图1是本发明中公开的基于CT与超声融合的脊柱在体准静态三维测量方法的流程图；
图2是CT影像和CT骨面图像示意图；其中，图2(a)是CT影像图；图2(b)是CT骨面图；
图3是超声影像和超声骨面示意图，其中，图3(a)是超声影像图，图3(b)是超声骨面图；
图4是超声椎骨和CT椎骨示意图，其中，图4(a)是超声椎骨示意图，图4(b)是CT椎骨示意图；
图5是本发明实施例中公开的基于连续多帧骨面信息熵配准法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
CT影像无法体现准静态脊柱形态，且电离辐射较大；超声信号无法穿透骨面，无法获取到椎骨底部成像，因此单一通过超声成像无法直接获取完整脊柱三维成像。本发明提供一种基于CT与超声融合的脊柱在体准静态三维测量方法，通过待测目标准静态下超声数据扫查，而后融合超声与CT扫查结果，得到脊柱清晰完整三维成像。
图1是本实施例中公开的一种基于CT与超声融合的脊柱在体准静态三维测量方法的流程图，具体步骤如下：
S1、对待测量人体进行一次CT扫查得到脊柱CT影像序列；
S2、在直立姿势下，记待测量人体为P1状态；
S3、通过对P1状态下待测量人体的脊柱进行超声扫查，得到脊柱超声影像序列；
S4、对每一个椎骨采用基于连续多帧骨面分割图像的椎骨配准方法得到超声椎骨和所对应的CT椎骨的最优刚体变换；其中，所述基于连续多帧骨面分割图像的椎骨配准方法过程如下：通过基于阈值分割方法对所述CT影像序列进行骨面分割，得到CT骨面图像；通过神经网络图像分割算法对所述超声影像序列进行分割，得到超声骨面图像；其中，所述CT骨面图像和超声骨面图像均只有白色和黑色两个灰度等级；对CT骨面图像和超声骨面图像分别进行三维重建，得到CT椎骨和超声椎骨，然后通过基于连续多帧骨面信息熵配准法对CT椎骨和超声椎骨进行配准；
上述阈值分割方法可选用已有的阈值分割方法，在本实施例中，我们将超声影像序列中属于脊柱的像素归类为白色，而将除脊柱以外的区域的像素归类为黑色，采用的方法如下：(1)设定参数T0，选择一个灰度T的初始阈值估计T＝T1；(2)用T1分割图像。将图像分成两组像素：G1由所有灰度值大于T1的像素组成，而G2由所有灰度值小于或者等于T1的像素组成。(3)对趋于G1和G2中的所有像素计算平均灰度值u1和u2；(4)计算新的阈值：T2＝(u1+u2)/2；(5)如果|T2-T1|<T0,则退出，T2即为所求的全局阈值，否则，将T2赋值给T1，重复步骤(2)到(5),得到CT骨面图像；如图2所示，图2(a)为CT影像和图2(b)为CT骨面图像。
在本实施例中，采用Unet深度神经网络算法对超声影像序列进行分割，得到超声骨面图像。如图3所示，图3(a)为超声影像和图3(b)为超声骨面图像。
如图4所示，为对CT骨面图像和超声骨面图像分别进行三维重建，得到CT椎骨和超声椎骨。图4(a)为超声椎骨和图4(b)为CT椎骨。
S5、根据所述最优刚体变换，对CT椎骨进行旋转和平移，将每一个CT椎骨变换于对应超声椎骨的位置和姿态，展示脊柱的三维形态；
S6、待测量人体改变状态至另一准静态，记作P2状态，重复步骤S3-S5，得到准静态的人体脊柱三维成像。
下面以脊柱种某一个椎骨的配准过程为例，具体说明步骤S4中通过基于连续多帧骨面信息熵配准法对CT椎骨和超声椎骨进行配准的过程：
S41、对CT椎骨以采样间隔为F＝1进行连续多帧采样，在本实施例中选用连续4帧采样得到CT连续多帧分割图Q1；将超声椎骨中首个超声帧作为起始帧，以采样间隔F＝1对超声椎骨进行连续多帧采样，同样选用连续4帧采样，得到第j组超声连续多帧分割图Q2j，初始值j＝1；
S42、定义(x,y,z,a,b,c)表征刚体变换，其中是x、y、z分别是沿X、Y、Z轴的平移量，a、b、c分别是围绕X、Y、Z轴旋转的角度，令超声连续多帧分割图Q2j的第一帧为初始帧，设其初始位姿为(0，0，0，0，0，0)；
S43、假定当前第i次搜索刚体变换为(xi,yi,zi,ai,bi,ci)，初始值i＝1，对超声连续多帧分割图Q2j进行当前搜索刚体变换，得到刚体变换后超声连续多帧分割图Q3；
S44、对超声连续多帧分割图Q3中每个像素点，根据其坐标值，在CT连续多帧分割图Q1中找到距离其最近的两帧CT骨面图像，再根据距离加权的方法计算当前像素点坐标所对应的灰度值，遍历超声连续多帧分割图Q3中所有的像素点，得到插值后CT连续多帧分割图像Q4；
S45、将刚体变换后连续多帧超声分割图Q3中的每一超声帧并行排列，合并为一张图像IA，将插值后CT连续多帧分割图Q4中的每一CT帧并行排列，合并为一张图像IB，采用归一化互信息衡量图像IA和图像IB的相关性，将图像间的归一化互信息作为配准的标准，计算图像IA和图像IB的信息熵以及其联合信息熵：
其中，pA(a)是图像IA中第a个像素灰度出现的概率，pB(b)是图像IB中第b个像素灰度出现的概率，pAB(a,b)是图像IA中第a个像素灰度出现和IB中第b个像素灰度出现的联合概率，Hj,i(A)是第j组超声连续多帧分割图Q2j在第i个搜索刚体变换下的信息熵，Hj,i(B)是插值后CT连续多帧分割图Q4在第i个搜索刚体变换下的信息熵，Hj,i(AB)是Q2j和Q4在第i个搜索刚体变换下的联合信息熵，NMIj,i(A,B)是Q2j和Q4在第i个搜索刚体变换下归一化互信息；
S46、更新第i次搜索刚体变换(xi,yi,zi,ai,bi,ci)，i＝i+1，并重复步骤S43-S46，直到遍历整个变换空间，设整个变换空间离散化为总共I种刚体变换；
S47、以超声椎骨中第j，j＝j+1帧超声帧作为起始帧，得到第j组超声连续多帧分割图Q2j；重复步骤S42-S47，直到遍历所有组超声连续多帧分割图，设一共有200组超声连续多帧分割图；
S48.遍历200组超声连续多帧分割图和I种刚体变换后，得到NMIj,i(A,B)，即得到整个搜索空间的归一化互信息。搜索过程采用粒子群方法以提高搜索效率，粒子群算法中的粒子个数、自我学习因子、社会学习因子可根据具体应用设定，例如粒子个数设置为30，自我学习因子和社会学习因子设置为1.25。经过搜索确定最优归一化互信息熵确定超声的连续多帧分割图Q2j中与CT连续多帧分割图Q1最优匹配的超声连续多帧分割图以及其对应的最优刚体变换公式如下：
基于上述最优刚体变换，可以将CT椎骨(在本实施例中表示为V)通过平移矩阵T和旋转矩阵R进行平移和旋转，得到融合超声位姿后的椎骨V’，具体表达如下：
V′＝RV+T
综上所述，现有技术中CT和超声单一技术手段没办法实现脊柱骨肌系统的观测，本发明首次用配准的方法融合了超声和CT，能观测到脊柱的完整三维形态，帮助肌骨系统的准静态变化观测，克服超声对脊柱成像不完整不清晰以及对脊柱的腹面观重建的不足；同时克服CT无法进行准静态测量的不足。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种基于CT与超声融合的脊柱在体准静态三维测量方法，其特征在于，所述三维测量方法包括以下步骤：
S1、对待测量人体进行一次CT扫查得到脊柱CT影像序列；
S2、在人运动过程中，记待测量人体的某一准静态为P1状态；
S3、通过对P1状态下待测量人体的脊柱进行超声扫查，得到脊柱超声影像序列；
S4、对每一个椎骨采用基于连续多帧骨面分割图像的椎骨配准方法得到超声椎骨和所对应的CT椎骨的最优刚体变换；其中，所述基于连续多帧骨面分割图像的椎骨配准方法过程如下：通过基于阈值分割方法对所述CT影像序列进行骨面分割，得到CT骨面图像；通过神经网络图像分割算法对所述超声影像序列进行分割，得到超声骨面图像；其中，所述CT骨面图像和超声骨面图像均只有白色和黑色两个灰度等级；对CT骨面图像和超声骨面图像分别进行三维重建，得到CT椎骨和超声椎骨，然后通过基于连续多帧骨面信息熵配准法对CT椎骨和超声椎骨进行配准；
S5、根据所述最优刚体变换，对CT椎骨进行旋转和平移，将每一个CT椎骨变换于对应超声椎骨的位置和姿态，展示脊柱的三维形态；
S6、待测量人体改变状态至另一准静态，记作P2状态，重复步骤S3-S5，得到准静态的人体脊柱三维成像；
其中，所述步骤S4中通过基于连续多帧骨面信息熵配准法对CT椎骨和超声椎骨进行配准的过程如下：
S41、对CT椎骨以采样间隔F进行连续多帧采样，得到CT连续多帧分割图Q1；将超声椎骨中首个超声帧作为起始帧，以采样间隔F对超声椎骨进行连续多帧采样，得到第j组超声连续多帧分割图Q2j，初始值j＝1；
S42、定义(x,y,z,a,b,c)表征刚体变换，其中是x、y、z分别是沿X、Y、Z轴的平移量，a、b、c分别是围绕X、Y、Z轴旋转的角度，令超声连续多帧分割图Q2j的第一帧为初始帧，设其初始位姿为(0，0，0，0，0，0)；
S43、假定当前第i次搜索刚体变换为(xi,yi,zi,ai,bi,ci)，初始值i＝1，对超声连续多帧分割图Q2j进行当前搜索刚体变换，得到刚体变换后超声连续多帧分割图Q3；
S44、对超声连续多帧分割图Q3中每个像素点，根据其坐标值，在CT连续多帧分割图Q1中找到距离其最近的两帧CT骨面图像，再根据距离加权的方法计算当前像素点坐标所对应的灰度值，遍历超声连续多帧分割图Q3中所有的像素点，得到插值后CT连续多帧分割图像Q4；
S45、将刚体变换后连续多帧超声分割图Q3中的每一超声帧并行排列，合并为一张图像IA，将插值后CT连续多帧分割图Q4中的每一CT帧并行排列，合并为一张图像IB，采用归一化互信息衡量图像IA和图像IB的相关性，将图像间的归一化互信息作为配准的标准，计算图像IA和图像IB的信息熵以及其联合信息熵：
其中，pA(a)是图像IA中第a个像素灰度出现的概率，pB(b)是图像IB中第b个像素灰度出现的概率，pAB(a,b)是图像IA中第a个像素灰度出现和IB中第b个像素灰度出现的联合概率，Hj,i(A)是第j组超声连续多帧分割图Q2j在第i个搜索刚体变换下的信息熵，Hj,i(B)是插值后CT连续多帧分割图Q4在第i个搜索刚体变换下的信息熵，Hj,i(AB)是Q2j和Q4在第i个搜索刚体变换下的联合信息熵，NMIj,i(A,B)是Q2j和Q4在第i个搜索刚体变换下归一化互信息；
S46、更新第i次搜索刚体变换(xi,yi,zi,ai,bi,ci)，i＝i+1，并重复步骤S43-S46，直到遍历整个变换空间，设整个变换空间离散化为总共I种刚体变换；
S47、以超声椎骨中第j，j＝j+1帧超声帧作为起始帧，得到第j组超声连续多帧分割图Q2j；重复步骤S42-S47，直到遍历所有组超声连续多帧分割图，设一共有J组超声连续多帧分割图；
S48.在遍历J组超声连续多帧分割图和I种刚体变换后，得到NMIj,i(A,B)，即得到整个搜索空间的归一化互信息，根据归一化互信息最优的原则确定超声的连续多帧分割图Q2j中与CT连续多帧分割图Q1最优匹配的超声连续多帧分割图以及其对应的最优刚体变换公式如下：
2.根据权利要求1所述的一种基于CT与超声融合的脊柱在体准静态三维测量方法，其特征在于，所述步骤S4中，采用粒子群方法进行最优刚体变换搜索。
CN202111310240.8A 2021-11-04 2021-11-04 一种基于ct与超声融合的脊柱在体准静态三维测量方法 Active CN114219889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111310240.8A CN114219889B (zh) 2021-11-04 2021-11-04 一种基于ct与超声融合的脊柱在体准静态三维测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111310240.8A CN114219889B (zh) 2021-11-04 2021-11-04 一种基于ct与超声融合的脊柱在体准静态三维测量方法

Publications (2)

Publication Number Publication Date
CN114219889A CN114219889A (zh) 2022-03-22
CN114219889B true CN114219889B (zh) 2024-06-28

Family

ID=80696560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111310240.8A Active CN114219889B (zh) 2021-11-04 2021-11-04 一种基于ct与超声融合的脊柱在体准静态三维测量方法

Country Status (1)

Country Link
CN (1) CN114219889B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105208927A (zh) * 2013-01-16 2015-12-30 佛蒙特大学 用于映射、最小化和治疗心脏纤维性颤动的系统、导管和相关方法
CN111968222A (zh) * 2020-08-04 2020-11-20 西北工业大学 一种人体组织非静止状态下三维超声重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046644B (zh) * 2015-07-06 2021-08-13 嘉恒医疗科技（上海）有限公司 基于线性相关性的超声与ct图像配准方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105208927A (zh) * 2013-01-16 2015-12-30 佛蒙特大学 用于映射、最小化和治疗心脏纤维性颤动的系统、导管和相关方法
CN111968222A (zh) * 2020-08-04 2020-11-20 西北工业大学 一种人体组织非静止状态下三维超声重建方法

Also Published As

Publication number Publication date
CN114219889A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN111047572B (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN107481228B (zh) 基于计算机视觉的人体背部脊柱侧弯角度测量方法
JP7162793B2 (ja) 超音波拓本技術に基づく脊椎画像生成システム及び脊柱手術用のナビゲーション・位置確認システム
Huang et al. Anatomical prior based vertebra modelling for reappearance of human spines
CN110544245B (zh) 图像处理方法、装置、计算机可读存储介质及电子设备
CA2788445C (en) A method and a system for multi-dimensional visualization of the spinal column by vertebra vectors, sacrum vector, sacrum plateau vector and pelvis vectors
CN111260786A (zh) 一种智能超声多模态导航系统及方法
CN108053433A (zh) 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法
EP1718206A2 (en) Time-dependent three-dimensional musculo-skeletal modeling based on dynamic surface measurements
JP2004537357A (ja) 関節疾患および関節疾患の時間変化を定量的に評価するためのシステムおよび方法
JP6741305B2 (ja) 脊椎骨姿勢推定装置
CN112037277B (zh) 一种基于脊柱三维超声体数据的三维可视化方法
CN104706385A (zh) 一种超声弹性宽景成像方法及装置
Chen et al. Compact and wireless freehand 3D ultrasound real-time spine imaging system: A pilot study
CN108670301B (zh) 一种基于超声影像的脊柱横突定位方法
CN116650115A (zh) 一种基于uwb标记点的骨科手术导航注册方法
CN113515875B (zh) 基于多模态图像的骨生物力学建模方法、系统及装置
Chen et al. Development of Automatic Assessment Framework for Spine Deformity using Freehand 3D Ultrasound Imaging System
CN114219889B (zh) 一种基于ct与超声融合的脊柱在体准静态三维测量方法
Le Bras et al. Three-dimensional (3D) detailed reconstruction of human vertebrae from low-dose digital stereoradiography
CN108804861B (zh) 一种具有真实力反馈的脊柱微创手术培训系统及方法
Li et al. A framework of real-time freehand ultrasound reconstruction based on deep learning for spine surgery
CN111184535B (zh) 手持式无约束扫描无线三维超声实时体素成像系统
CN115049712A (zh) 小动物mpi-ct联合成像的双峰配准装置及其自动配准方法
Koo et al. A non-ionizing technique for three-dimensional measurement of the lumbar spine

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