CN114240906A - 一种基于图谱的颅底缺失解剖特征点的重建方法 - Google Patents
一种基于图谱的颅底缺失解剖特征点的重建方法 Download PDFInfo
- Publication number
- CN114240906A CN114240906A CN202111568821.1A CN202111568821A CN114240906A CN 114240906 A CN114240906 A CN 114240906A CN 202111568821 A CN202111568821 A CN 202111568821A CN 114240906 A CN114240906 A CN 114240906A
- Authority
- CN
- China
- Prior art keywords
- skull
- segmentation
- atlas
- feature points
- anatomical
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/20072—Graph-based image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于图谱的颅底缺失解剖特征点的重建方法,首先,用基于深度学习的颅骨自动分割算法对去除挡板的颅骨分割图像进行训练,得到颅骨分割模型;其次,将训练好的颅骨分割模型用于测试集,把得到的分割结果统一配准到基准分割结果得到同一空间下的配准结果;然后,取出所有分割结果中相同部位的特征点,将这些特征点进行体素叠加得到特征点图谱;最后,完成颅骨特征点图谱与患者颅骨的配准融合,可视化二者的特征点差异,并且可以通过测量对医生标注的解剖特征点间的距离及特征点与肿瘤之间的距离进行定量分析。本发明能够重建出更加精确的解剖特征点的位置,实现解剖特征点形变定量分析,对于医生对肿瘤的定位及手术路径的规划具有参考价值。
Description
技术领域
本发明涉及医学图像处理,尤其是一种基于图谱的颅底缺失解剖特征点的重建方法。
背景技术
由于手术路径涉及到许多血管、神经等脑组织,所以需要对手术路径有比较好的规划,一般,医生做开颅手术时,是参照颅骨上的特征点进行脑肿瘤的定位和手术入路。但是由于脑肿瘤可能会侵蚀颅骨上的特征点,使得医生难以在术中借助原先颅骨的特征点进行手术,所以需要在术前影像中还原出原先正常颅骨上的特征点,以便于医生作为手术入路的参考点进行路径规划,精准地找到脑肿瘤,完成精确的肿瘤切除工作,达到最好的手术效果。因此,颅骨特征点复现与定量分析在临床诊断、病理分析以及治疗方面具有重要意义
目前,对于颅底缺失的解剖特征点,依旧没有一个较好的重建方法,传统的颅骨修复技术都是以在模型上按照镜像关系重构衬垫物的方式来进行术前模拟,制造修复体原型,而人的左右脑并不是完全对称的,颅底的特征点也并不是完全对称的,利用对称的方法无法完全对缺失的颅底特征点进行复原重建,因此无法给医生提供解剖特征点与肿瘤相对位置信息,无法精确定位肿瘤及制定手术路径。
发明内容
为了克服现有技术的不足,针对目前颅骨修复及重建的镜像对称方法无法完全重建出颅底缺失的解剖特征点,无法为医生提供解剖特征点与肿瘤的相对位置信息,无法精确定位肿瘤及制定手术路径等问题,本发明提出一种基于图谱的颅底缺失解剖特征点的重建方法,能够重建出更加精确的解剖特征点的位置,实现解剖特征点形变定量分析,对于医生对肿瘤的定位及手术路径的规划具有参考价值。
本发明解决其技术问题所采用的技术方案是:
一种基于图谱的颅底缺失解剖特征点的重建方法,所述方法包括以下步骤:
步骤一:图像预处理,过程如下:对正常受试者的CT数据进行滤波、去噪,将CT数据分为训练集与测试集,用传统大津分割方法(OTSU)对训练集进行头骨分割,并且把分割结果中的挡板去除,测试集数据不做处理;
步骤二:用深度学习训练头骨分割模型并进行头骨分割,过程如下:用基于深度学习的颅骨自动分割算法对已处理的CT训练集进行训练得到头骨分割模型,用该模型对测试集数据进行头骨分割得到头骨数据;
步骤三:配准分割得到的头骨数据,过程如下:以其中一个分割后的头骨模型作为基准,将所有分割结果配准到该模型空间;
步骤四:取特征点,过程如下:根据医生对手术路径规划的需要,取出所有分割结果中相同部位的特征点;
步骤五:获得颅骨特征点图谱,过程如下:将取出的相同部位的特征点进行体素叠加,得到特征点图谱;
步骤六:配准颅骨特征点图谱与患者颅骨,过程如下:将基准分割结果配准到患者颅骨空间,得到转换矩阵MAT;将MAT作用于颅骨特征点图谱并与患者颅骨进行叠加融合,能够得到特征点图谱在具体患者颅骨中的位置映射,可视化叠加融合后的图像,便可以得到二者的差异,可视化缺失的解剖特征点,通过调节两者的颜色与透明度进行区分;
步骤七:解剖特征点形变定量分析,过程如下:在完成标准颅骨特征点图谱与患者颅骨的配准融合后,通过距离测量对医生标注的解剖特征点间的距离进行计算,实现病变挤压导致颅骨形变的定量测量分析。
进一步,所述的步骤五中,创建颅骨特征点图谱,以其中一个分割后的头骨模型作为基准,将所有分割结果配准到该模型空间,得到配准到同一空间下的所有分割结果,取出不同分割结果中所需的相同部位的特征点,将这些特征点图像进行体素叠加得到特征点图谱;颅骨特征点图谱是对设定数量正常受试者的颅骨特征点分割数据进行配准并显示颅骨特征点形状概率分布,从而生成颅骨特征点图谱。
再进一步,所述的步骤七中,进行解剖特征点形变定量分析,在已经完成配准融合的三维图像上利用距离差对医生标注的解剖特征点间的距离及特征点与肿瘤的距离进行测量,实现肿瘤挤压导致颅底解剖特征点形变的定量测量分析。
本发明的有益效果为:能够重建出更加精确的缺失解剖特征点的位置,实现解剖特征点形变定量分析,对于医生对肿瘤的定位及手术路径的规划具有参考价值。
附图说明
图1为本发明提供的重建方法的简要流程图。
图2为本发明提供的重建方法的具体实施流程图。
图3为本发明提供的重建方法的图谱结果(10个样本数据)。
图4为本发明提供的重建方法的图谱与病例的配准叠加3D效果图(A为图谱,B为病例)。
图5为本发明提供的重建方法的50%图谱验证结果(从左到右依次为50%图谱结果,病例头骨数据,图谱配准到病例的叠加效果图)。
具体实施方案
以下结合附图及实施例对本发明作进一步详细说明。
参照图1~图5,一种基于图谱的颅底缺失解剖特征点的重建方法,包括以下步骤:
步骤一:图像预处理,过程如下:对正常受试者的CT数据进行滤波、去噪,将CT数据分为训练集与测试集,用传统大津分割方法(OTSU)对训练集进行头骨分割,并且把分割结果中的挡板去除,测试集数据不做处理;
步骤二:用深度学习训练头骨分割模型并进行头骨分割,过程如下:用基于深度学习的颅骨自动分割算法对已处理的CT训练集进行训练得到头骨分割模型,用该模型对测试集数据进行头骨分割得到头骨数据,得到如图2所示的不同个体分割数据图;
步骤三:配准分割得到的头骨数据,过程如下:以其中一个分割后的头骨模型作为基准,将所有分割结果配准到该模型空间,如图2中同一空间下不同头骨数据图;
步骤四:取特征点,过程如下:根据医生对手术路径规划的需要,取出所有分割结果中相同部位的特征点,如图2中取出的不同数据的相同部位的特征点;
步骤五:获得颅骨特征点图谱,过程如下:将取出的相同部位的特征点进行体素叠加,得到特征点图谱,如图2所示特征点图谱,此处为了实验效果看起来更加显著清晰,取了一个区域来得到它的图谱结果,而非医学解剖特征点。另外,基于10个正常受试者的完整颅骨图谱如图3所示;
步骤六:配准颅骨特征点图谱与患者颅骨,过程如下:将基准分割结果配准到患者颅骨空间,得到转换矩阵MAT,将MAT作用于颅骨特征点图谱并与患者颅骨进行叠加融合,能够得到特征点图谱在具体患者颅骨中的位置映射,如图4中3D效果所示可视化叠加融合后的图像,通过调节两者的颜色与透明度进行区分得到二者的差异,可视化缺失的解剖特征点。此处图4只是验证了某个区域的100%图谱在正常病例上的映射效果。进一步的验证结果如图5所示,左图为50%图谱,在10个人的样本中,有超过5个人有该结构的头骨部分即显示为全白色;中图为用来验证的病例数据,右图为图谱与病例的配准叠加图,从图上可以看出本实验中所选区域的重合率较高;
步骤七:解剖特征点形变定量分析,过程如下:在完成标准颅骨特征点图谱与患者颅骨的配准融合后,通过距离测量对医生标注的解剖特征点间的距离进行计算,实现病变挤压导致颅骨形变的定量测量分析。
本实施例中,所述的步骤五中,创建颅骨特征点图谱,以其中一个分割后的头骨模型作为基准,将所有分割结果配准到该模型空间,得到配准到同一空间下的所有分割结果,取出不同分割结果中所需的相同部位的特征点,将这些特征点图像进行体素叠加得到特征点图谱;颅骨特征点图谱是对设定数量正常受试者的颅骨特征点分割数据进行配准并显示颅骨特征点形状概率分布,从而生成颅骨特征点图谱。
所述的步骤七中,进行解剖特征点形变定量分析,在已经完成配准融合的三维图像上利用距离差对医生标注的解剖特征点间的距离及特征点与肿瘤的距离进行测量,实现肿瘤挤压导致颅底解剖特征点形变的定量测量分析。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (3)
1.一种基于图谱的颅底缺失解剖特征点的重建方法,其特征在于,所述方法包括以下步骤:
步骤一:图像预处理,过程如下:对正常受试者的CT数据进行滤波、去噪,将CT数据分为训练集与测试集,用传统大津分割方法(OTSU)对训练集进行头骨分割,并且把分割结果中的挡板去除,测试集数据不做处理;
步骤二:用深度学习训练头骨分割模型并进行头骨分割,过程如下:用基于深度学习的颅骨自动分割算法对已处理的CT训练集进行训练得到头骨分割模型,用该模型对测试集数据进行头骨分割得到头骨数据;
步骤三:配准分割得到的头骨数据,过程如下:以其中一个分割后的头骨模型作为基准,将所有分割结果配准到该模型空间;
步骤四:取特征点,过程如下:根据医生对手术路径规划的需要,取出所有分割结果中相同部位的特征点;
步骤五:获得颅骨特征点图谱,过程如下:将取出的相同部位的特征点进行体素叠加,得到特征点图谱;
步骤六:配准颅骨特征点图谱与患者颅骨,过程如下:将基准分割结果配准到患者颅骨空间,得到转换矩阵MAT,将MAT作用于颅骨特征点图谱并与患者颅骨进行叠加融合,能够得到特征点图谱在具体患者颅骨中的位置映射,可视化叠加融合后的图像,便可以得到二者的差异,可视化缺失的解剖特征点,通过调节两者的颜色与透明度进行区分;
步骤七:解剖特征点形变定量分析,过程如下:在完成标准颅骨特征点图谱与患者颅骨的配准融合后,通过距离测量对医生标注的解剖特征点间的距离进行计算,实现病变挤压导致颅骨形变的定量测量分析。
2.如权利要求1所述的一种基于图谱的颅底缺失解剖特征点的重建方法,其特征在于,所述的步骤五中,创建颅骨特征点图谱,以其中一个分割后的头骨模型作为基准,将所有分割结果配准到该模型空间,得到配准到同一空间下的所有分割结果,取出不同分割结果中所需的相同部位的特征点,将这些特征点图像进行体素叠加得到特征点图谱;颅骨特征点图谱是对设定数量正常受试者的颅骨特征点分割数据进行配准并显示颅骨特征点形状概率分布,从而生成颅骨特征点图谱。
3.如权利要求1或2所述的一种基于图谱的颅底缺失解剖特征点的重建方法,其特征在于,所述的步骤七中,进行解剖特征点形变定量分析,在已经完成配准融合的三维图像上利用距离差对医生标注的解剖特征点间的距离及特征点与肿瘤的距离进行测量,实现肿瘤挤压导致颅底解剖特征点形变的定量测量分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111568821.1A CN114240906A (zh) | 2021-12-21 | 2021-12-21 | 一种基于图谱的颅底缺失解剖特征点的重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111568821.1A CN114240906A (zh) | 2021-12-21 | 2021-12-21 | 一种基于图谱的颅底缺失解剖特征点的重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240906A true CN114240906A (zh) | 2022-03-25 |
Family
ID=80759965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111568821.1A Pending CN114240906A (zh) | 2021-12-21 | 2021-12-21 | 一种基于图谱的颅底缺失解剖特征点的重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240906A (zh) |
-
2021
- 2021-12-21 CN CN202111568821.1A patent/CN114240906A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Husch et al. | PaCER-A fully automated method for electrode trajectory and contact reconstruction in deep brain stimulation | |
CN107067398B (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
WO2017088816A1 (zh) | 一种基于dti的颅内神经纤维束的三维重建方法 | |
Gargiulo et al. | New Directions in 3D Medical Modeling: 3D‐Printing Anatomy and Functions in Neurosurgical Planning | |
JP7132299B2 (ja) | 医用画像処理方法、医用画像処理装置、医用画像処理システム及び医用画像処理プログラム | |
CN107599412A (zh) | 一种基于组织结构的三维建模方法、系统及三维模型 | |
WO2016047683A1 (ja) | 医用画像表示処理方法、医用画像表示処理装置およびプログラム | |
JP2023514834A (ja) | 脳の解剖学的構造のマルチモーダル3d分析を介した脳内のプローブの計画立案および設置を最適化するための方法 | |
CN109620404A (zh) | 基于医学图像的肾脏分段的方法及其系统 | |
CN115063386A (zh) | 医学图像处理方法、装置、设备及存储介质 | |
Hou et al. | A new simple brain segmentation method for extracerebral intracranial tumors | |
Dong et al. | Regional-surface-based registration for image-guided neurosurgery: effects of scan modes on registration accuracy | |
Li et al. | Segmentation and three-dimension reconstruction of Chinese digitized human cerebrum | |
US11682187B2 (en) | Method and apparatus to classify structures in an image | |
CN114240906A (zh) | 一种基于图谱的颅底缺失解剖特征点的重建方法 | |
CN113570724B (zh) | 基于逆球极投影的网格球面保角参数化方法及其应用 | |
Juanes et al. | Computed anatomical modelling of the optic pathway and oculomotor system using magnetic resonance imaging | |
US11508070B2 (en) | Method and apparatus to classify structures in an image | |
Malinda et al. | Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks | |
US20210342655A1 (en) | Method And Apparatus To Classify Structures In An Image | |
US9974521B2 (en) | Computer-aided lesion detection and track planning for MRI-guided breast biopsy | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 | |
CN109242964B (zh) | 三维医学模型的处理方法和装置 | |
Kail et al. | Three-dimensional display in the evaluation and performance of neurosurgery without a stereotactic frame: More than a pretty picture? | |
Vlasov et al. | Automated Deep Learning-based Segmentation of Brain, SEEG and DBS Electrodes on CT Images |
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 |