CN114549505A - 肋骨分割方法、装置、计算机设备及存储介质 - Google Patents
肋骨分割方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114549505A CN114549505A CN202210193319.5A CN202210193319A CN114549505A CN 114549505 A CN114549505 A CN 114549505A CN 202210193319 A CN202210193319 A CN 202210193319A CN 114549505 A CN114549505 A CN 114549505A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- spine
- region
- layer
- 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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (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)
- Image Processing (AREA)
Abstract
本申请提供一种肋骨分割方法、装置、计算机设备及存储介质,涉及图像处理技术领域。该方法包括:获取待处理的医学图像序列,其中,医学图像序列包括多层二维扫描图像,对多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域,从多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度,根据脊椎中心线和脊椎宽度,确定并去除肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域,根据三维肋骨区域,生成三维肋骨图像。本申请可以对医学图像中的肋骨进行精准分割,提高肋骨分割的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种肋骨分割方法、装置、计算机设备及存储介质。
背景技术
肋骨骨折是一种常见的胸部外伤疾病,临床上一般通过计算机断层扫描(Computed Tomography,CT)技术获取肋骨图像,医生根据该肋骨图像对骨科外伤进行诊断,因此,清晰完整的高质量肋骨图像对于医生对骨科外伤的准确诊断十分重要。
现有的方法一般是采用深度学习的神经网络对CT图像进行肋骨分割,该肋骨分割方法通过从CT图像中学习肋骨的特征,以直接从CT图像中分割出肋骨区域,但该分割方法未考虑到肋骨与其他骨组织之间的粘连情况,导致分割结果不够精准。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种肋骨分割方法、装置、计算机设备及存储介质,以便对医学图像中的肋骨进行精准分割,提高肋骨分割的准确度。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种肋骨分割方法,所述方法包括:
获取待处理的医学图像序列,其中,所述医学图像序列包括多层二维扫描图像;
对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域;
从所述多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度;
根据所述脊椎中心线和所述脊椎宽度,确定并去除所述肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域;
根据所述三维肋骨区域,生成三维肋骨图像。
可选的,所述对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域,包括:
采用大律法阈值分割方法,对每层二维扫描图像分割,得到所述每层二维扫描图像中的肺实质区域;
根据所述肺实质区域和预设的第一阈值,对所述多层二维扫描图像骨组织分割,得到三维锁骨区域;
根据所述肺实质区域和预设的第二阈值,对所述多层二维扫描图像骨组织分割,得到三维肩胛骨区域;
根据预设的第三阈值,对所述多层二维扫描图像骨组织分割,得到三维骨组织区域;
根据所述三维锁骨区域和所述三维肩胛骨区域,从所述三维骨组织区域中,确定所述肋骨及脊椎区域。
可选的,所述采用大律法阈值分割方法,对每层二维扫描图像进行分割,得到所述每层二维扫描图像中的肺实质区域,包括:
采用大律法阈值分割方法,对所述每层二维扫描图像二值化分割,得到所述每层二维扫描图像的第一二值化图像;
将所述第一二值化图像中的最大连通区域确定为皮肤轮廓区域;
对所述皮肤轮廓区域进行填充后,与所述第一二值化图像进行相减,得到所述肺实质区域。
可选的,所述根据所述肺实质区域和预设的第一阈值,对所述多层二维扫描图像骨组织分割,得到三维锁骨区域,包括:
根据所述第一阈值,对所述每层二维扫描图像进行二值化分割,得到第二二值化图像;
对所述肺实质区域进行膨胀操作后,与所述第二二值化图像进行相减,得到所述每层二维扫描图像对应的第一图像;
对所述多层二维扫描图像对应的第一图像进行第一三维连通域分析;
根据所述第一三维连通域分析的结果,以及预设的锁骨特征,从第一三维连通域中分割出所述三维锁骨区域。
可选的,所述根据所述肺实质区域和预设的第二阈值,对所述多层二维扫描图像骨组织分割,得到三维肩胛骨区域,包括:
根据所述第二阈值,对所述每层二维扫描图像进行二值化分割,得到第三二值化图像;
对所述肺实质区域进行膨胀操作后,与所述第三二值化图像进行相减,得到所述每层二维扫描图像对应的第二图像;
对所述多层二维扫描图像对应的第二图像进行第二三维连通域分析;
根据所述第二三维连通域分析的结果,以及预设的肩胛骨特征,从第二三维连通域中分割出所述三维肩胛骨区域。
可选的,所述根据预设的第三阈值,对所述多层二维扫描图像骨组织分割,得到三维骨组织区域,包括:
根据所述第三阈值,对所述每层二维扫描图像进行二值化分割,得到第四二值化图像;
对所述第四二值化图像进行连通域分析;
根据所述连通域分析的结果,从所述第四二值化图像中去除胸骨区域,得到所述每层二维扫描图像的骨骼分割结果;
所述三维骨组织区域包括:所述多层二维扫描图像的骨骼分割结果。
可选的,所述根据所述三维锁骨区域和所述三维肩胛骨区域,从所述三维骨组织区域中,确定所述肋骨及脊椎区域,包括:
根据所述三维骨组织区域,减去所述三维锁骨区域和所述三维肩胛骨区域,得到包含肋骨及脊椎的部分三维区域;
对所述部分三维区域在人体左右方向以及脊椎延伸方向进行膨胀操作;
从所述膨胀操作的三维区域中确定最大三维连通区域为所述肋骨及脊椎区域。
可选的,所述根据所述三维肋骨区域,生成三维肋骨图像,包括:
分别从头部左侧区域和头部右侧区域遍历所述三维肋骨区域;
将从所述头部左侧区域开始遍历到的第一个像素值为预设像素值的像素点作为左侧种子点;
将从所述头部右侧区域开始遍历到的第一个像素值为所述预设像素值的像素点作为右侧种子点;
以所述左侧种子点在三维区域分别生长左侧的多根第一肋骨;
以所述右侧种子点在三维区域分别生长左侧的多根第二肋骨;
根据所述多根第一肋骨和所述多根第二肋骨,生成所述三维肋骨图像。
可选的,所述从所述多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度,包括:
根据预设的第四阈值,对所述多层二维扫描图像进行二值化分割,得到第五二值化图像;
从所述第五二值化图像中确定多层脊椎二值化图像;
根据预设的脊椎特征,确定所述多层脊椎二值化图像中的最后一层脊椎二值化图像中的脊椎质点,其中,所述最后一层脊椎二值化图像为所述多层脊椎二值化图像中最靠近胸部的图像;
根据所述最后一层脊椎二值化图像中的脊椎质点,确定其他多层脊椎二值化图像中的脊椎质点;
根据所述多层脊椎二值化图像中的脊椎质点的X轴坐标,从所述多层脊椎二值化图像中提取脊椎矢状面图像,其中,每层脊椎二值化图像的宽度方向为X轴方向,所述每层脊椎二值化图像的高度方向为Y轴方向,脊椎方向为所述多层脊椎二值化图像的Z轴方向;
对所述脊椎矢状面图像进行膨胀操作,确定脊椎三维连通区域;
采用灰度重心法,从所述脊椎三维连通区域中更新所述多层脊椎二值化图像中的脊椎质点的Y轴坐标;
根据所述多层脊椎二值化图像中的脊椎质点的X轴坐标和Y轴坐标,确定所述脊椎中心线;
根据所述多层脊椎二值化图像的平均脊椎宽度,得到所述脊椎宽度。
可选的,在所述对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域之前,所述方法还包括:
根据预设的第五阈值,对所述多层二维扫描图像进行二值化分割,得到第六二值化图像;
从所述第六二值化图像中确定床板与人体的连通区域;
确定所述床板与人体的连通区域的内外轮廓线,根据所述床板的上下边缘距离,从所述内外轮廓线上去除不符合床板特性的边缘点;
在所述床板的上下边缘之间确定种子点,根据所述种子点进行填充以确定所述床板区域;
从所述多层二维扫描图像中对所述床板区域进行分割。
第二方面,本申请实施例还提供一种肋骨分割装置,所述装置包括:
图像序列获取模块,用于获取待处理的医学图像序列,其中,所述医学图像序列包括多层二维扫描图像;
骨组织分割模块,用于对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域;
脊椎中心线提取模块,用于从所述多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度;
脊椎区域去除模块,用于根据所述脊椎中心线和所述脊椎宽度,确定并去除所述肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域;
三维肋骨图像生成模块,用于根据所述三维肋骨区域,生成三维肋骨图像。
可选的,所述骨组织分割模块包括:
肺实质分割单元,用于采用大律法阈值分割方法,对每层二维扫描图像分割,得到所述每层二维扫描图像中的肺实质区域;
锁骨分割单元,用于根据所述肺实质区域和预设的第一阈值,对所述多层二维扫描图像骨组织分割,得到三维锁骨区域;
肩胛骨分割单元,用于根据所述肺实质区域和预设的第二阈值,对所述多层二维扫描图像骨组织分割,得到三维肩胛骨区域;
其他骨组织分割单元,用于根据预设的第三阈值,对所述多层二维扫描图像骨组织分割,得到三维骨组织区域;
肋骨及脊椎区域确定单元,用于根据所述三维锁骨区域和所述三维肩胛骨区域,从所述三维骨组织区域中,确定所述肋骨及脊椎区域。
可选的,所述肺实质分割单元包括:
第一二值化分割子单元,用于采用大律法阈值分割方法,对所述每层二维扫描图像二值化分割,得到所述每层二维扫描图像的第一二值化图像;
皮肤轮廓区域确定子单元,用于将所述第一二值化图像中的最大连通区域确定为皮肤轮廓区域;
肺实质分割子单元,用于对所述皮肤轮廓区域进行填充后,与所述第一二值化图像进行相减,得到所述肺实质区域。
可选的,所述锁骨分割单元包括:
第二二值化分割子单元,用于根据所述第一阈值,对所述每层二维扫描图像进行二值化分割,得到第二二值化图像;
第一图像确定子单元,用于对所述肺实质区域进行膨胀操作后,与所述第二二值化图像进行相减,得到所述每层二维扫描图像对应的第一图像;
第一三维连通域分析子单元,用于对所述多层二维扫描图像对应的第一图像进行第一三维连通域分析;
锁骨分割子单元,用于根据所述第一三维连通域分析的结果,以及预设的锁骨特征,从第一三维连通域中分割出所述三维锁骨区域。
可选的,所述肩胛骨分割单元包括:
第三二值化分割子单元,用于根据所述第二阈值,对所述每层二维扫描图像进行二值化分割,得到第三二值化图像;
第二图像确定子单元,用于对所述肺实质区域进行膨胀操作后,与所述第三二值化图像进行相减,得到所述每层二维扫描图像对应的第二图像;
第二三维连通域分析子单元,用于对所述多层二维扫描图像对应的第二图像进行第二三维连通域分析;
肩胛骨分割子单元,用于根据所述第二三维连通域分析的结果,以及预设的肩胛骨特征,从第二三维连通域中分割出所述三维肩胛骨区域。
可选的,所述其他骨组织分割单元包括:
第四二值化分割子单元,用于根据所述第三阈值,对所述每层二维扫描图像进行二值化分割,得到第四二值化图像;
连通域分割子单元,用于对所述第四二值化图像进行连通域分析;
胸骨分割子单元,用于根据所述连通域分析的结果,从所述第四二值化图像中去除胸骨区域,得到所述每层二维扫描图像的骨骼分割结果;
所述三维骨组织区域包括:所述多层二维扫描图像的骨骼分割结果。
可选的,所述肋骨及脊椎区域确定单元包括:
骨组织去除子单元,用于根据所述三维骨组织区域,减去所述三维锁骨区域和所述三维肩胛骨区域,得到包含肋骨及脊椎的部分三维区域;
膨胀子单元,用于对所述部分三维区域在人体左右方向以及脊椎延伸方向进行膨胀操作;
肋骨及脊椎区域确定子单元,用于从所述膨胀操作的三维区域中确定最大三维连通区域为所述肋骨及脊椎区域。
可选的,所述三维肋骨图像生成模块包括:
遍历单元,用于分别从头部左侧区域和头部右侧区域遍历所述三维肋骨区域;
左侧种子点确定单元,用于将从所述头部左侧区域开始遍历到的第一个像素值为预设像素值的像素点作为左侧种子点;
右侧种子点确定单元,用于将从所述头部右侧区域开始遍历到的第一个像素值为所述预设像素值的像素点作为右侧种子点;
左侧肋骨生长单元,用于以所述左侧种子点在三维区域分别生长左侧的多根第一肋骨;
右侧肋骨生长单元,用于以所述右侧种子点在三维区域分别生长左侧的多根第二肋骨;
三维肋骨图像生成单元,用于根据所述多根第一肋骨和所述多根第二肋骨,生成所述三维肋骨图像。
可选的,所述脊椎中心线提取模块包括:
第五二值化分割单元,用于根据预设的第四阈值,对所述多层二维扫描图像进行二值化分割,得到第五二值化图像;
脊椎二值化图像确定单元,用于从所述第五二值化图像中确定多层脊椎二值化图像;
脊椎质点确定单元,用于根据预设的脊椎特征,确定所述多层脊椎二值化图像中的脊椎质点;
脊椎矢状面图像提取单元,用于根据所述多层脊椎二值化图像中的脊椎质点的X轴坐标,从所述多层脊椎二值化图像中提取脊椎矢状面图像,其中,每层脊椎二值化图像的宽度方向为X轴方向,所述每层脊椎二值化图像的高度方向为Y轴方向,脊椎方向为所述多层脊椎二值化图像的Z轴方向;
脊椎三维连通区域确定单元,用于对所述脊椎矢状面图像进行膨胀操作,确定脊椎三维连通区域;
脊椎质点坐标更新单元,用于采用灰度重心法,从所述脊椎三维连通区域中更新所述多层脊椎二值化图像中的脊椎质点的Y轴坐标;
脊椎中心线确定单元,用于根据所述多层脊椎二值化图像中的脊椎质点的X轴坐标和Y轴坐标,确定所述脊椎中心线;
脊椎宽度确定单元,用于根据所述多层脊椎二值化图像的平均脊椎宽度,得到所述脊椎宽度。
可选的,所述装置还包括:
第六二值化分割单元,用于根据预设的第五阈值,对所述多层二维扫描图像进行二值化分割,得到第六二值化图像;
床板人体连通区域确定单元,用于从所述第六二值化图像中确定床板与人体的连通区域;
边缘点筛选单元,用于确定所述床板与人体的连通区域的内外轮廓线,根据所述床板的上下边缘距离,从所述内外轮廓线上去除不符合床板特性的边缘点;
床板区域确定单元,用于在所述床板的上下边缘之间确定种子点,根据所述种子点进行填充以确定所述床板区域;
床板区域分割单元,用于从所述多层二维扫描图像中对所述床板区域进行分割。
第三方面,本申请实施例还提供一种计算机设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当所述计算机设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行如上述实施例任一所述的肋骨分割方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述实施例任一所述的肋骨分割方法的步骤。
本申请的有益效果是:
本申请提供一种肋骨分割方法、装置、计算机设备及存储介质,获取待处理的医学图像序列,其中,医学图像序列包括多层二维扫描图像,对多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域,从多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度,根据脊椎中心线和脊椎宽度,确定并去除肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域,根据三维肋骨区域,生成三维肋骨图像。本申请通过对多层二维扫描图像进行骨组织分割以及去除脊椎区域,以得到三维肋骨区域,并生成三维肋骨图像,避免了由于骨组织之间的黏连情况导致肋骨分割不够准确的问题,实现从医学图像中精准分割肋骨,提高肋骨分割的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的第一种肋骨分割方法的流程示意图;
图2为本申请实施例提供的第二种肋骨分割方法的流程示意图;
图3为本申请实施例提供的第三种肋骨分割方法的流程示意图;
图4为本申请实施例提供的第四种肋骨分割方法的流程示意图;
图5为本申请实施例提供的第五种肋骨分割方法的流程示意图;
图6为本申请实施例提供的第六种肋骨分割方法的流程示意图;
图7为本申请实施例提供的第七种肋骨分割方法的流程示意图;
图8为本申请实施例提供的第八种肋骨分割方法的流程示意图;
图9为本申请实施例提供的一种三维肋骨图像的示意图;
图10为本申请实施例提供的第九种肋骨分割方法的流程示意图;
图11(a)为本申请实施例提供的一种提取脊椎矢状面图像的示意图;
图11(b)为本申请实施例提供的一种脊椎矢状面图像;
图12为本申请实施例提供的第十种肋骨分割方法的流程示意图;
图13为本申请实施例提供的一种肋骨分割装置的结构示意图;
图14为本申请实施例提供的电子设备的示意图。
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。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
在本发明的描述中,需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
请参考图1,为本申请实施例提供的第一种肋骨分割方法的流程示意图,如图1所示,该方法包括:
S10:获取待处理的医学图像序列,其中,医学图像序列包括多层二维扫描图像。
本实施例中,采用计算机断层扫描仪对患者从头部开始进行扫描,以获取医学图像序列,医学图像序列中包括多层二维扫描图像,“层”是指CT扫描仪中的数据采集系统(Data Acquisition System,DAS)同步获得图像的能力,即同步采集图像的DAS通道数目或机架旋转时的层数,用于反映CT扫描仪的扫描能力,层数代表CT扫描仪扫描一圈能够同步获得的二维扫描图像的数量。示例的,16层二维扫描图像表示扫描一圈可以获得16层图像,64层二维扫描图像表示扫描一圈可以获得64层图像。
S20:对多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域。
本实施例中,在多层二维扫描图像中,肋骨与人体其他骨组织区域例如肩胛骨、锁骨之间的距离非常接近,为了避免在进行肋骨分割时将其他骨组织区域与肋骨黏连在一起,需要首先从多层二维扫描图像中将其他骨组织区域分割出来,得到肋骨及脊椎骨区域。
S30:从多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度。
本实施例中,由于肋骨与脊椎骨连接,并分布在脊椎骨的两侧,根据脊椎骨的位置,从多层二维扫描图像中确定脊椎中心线,并对多层二维扫描图像进行连通域分析,根据脊椎骨的区域连通特性,计算脊椎宽度。
S40:根据脊椎中心线和脊椎宽度,确定并去除肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域。
本实施例中,遍历每层二维扫描图像,根据S30中确定的脊椎中心线的x轴坐标xCoord以及脊椎宽度w,将大于xCoord-w和小于xCoord+w区间的像素值赋值为0,即可从肋骨及脊椎区域中去除脊椎骨区域,对去除脊椎区域的多层二维扫描图像进行三维连通,得到三维肋骨区域。
在一种可选实施方式中,可以利用肋骨对称性以及体积从三维肋骨区域中去除不符合特征的连通区域并判断连通区域个数,如果连通区域个数超过24个或小于20个,则确定肋骨分割异常。
S50:根据三维肋骨区域,生成三维肋骨图像。
本实施例中,通过对三维肋骨区域进行三维重建,即可生成三维肋骨图像。
本申请实施例提供的肋骨分割方法,获取待处理的医学图像序列,其中,医学图像序列包括多层二维扫描图像,对多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域,从多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度,根据脊椎中心线和脊椎宽度,确定并去除肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域,根据三维肋骨区域,生成三维肋骨图像。本申请实施例通过对多层二维扫描图像进行骨组织分割以及去除脊椎区域,以得到三维肋骨区域,并生成三维肋骨图像,避免了由于骨组织之间的黏连情况导致肋骨分割不够准确的问题,实现从医学图像中精准分割肋骨,提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图2,为本申请实施例提供的第二种肋骨分割方法的流程示意图,如图2所示,上述S20包括:
S21:采用大律法阈值分割方法,对每层二维扫描图像分割,得到每层二维扫描图像中的肺实质区域。
本实施例中,对每层二维扫描图像进行二值化分割,二值化分割是将灰度图像转换为二值化图像,将大于预设分割阈值的像素灰度设为灰度极大值,将小于预设分割阈值的像素灰度设为灰度极小值,从而实现二值化。根据分割阈值选取的不同,二值化算法分为固定阈值和自适应阈值,本申请实施例采用自适应阈值,具体方法为大律法(OTSU)阈值分割。
大律法阈值分割按照二维扫描图像的灰度特性,将每层二维扫描图像分为背景和目标两个部分,记t为背景与目标的分割阈值,目标像素点数占图像比例为w0,平均灰度为u0;背景像素点数占图像比例为w1,平均灰度为u1。二维扫描图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t,当t使得值g=w0*(u0-u)2+w1*(u1-u)2最大时t为最佳分割阈值。
采用大律法阈值分割方法确定每层二维扫描图像的最佳分割阈值,以最佳分割阈值对每层二维扫描图像进行二值化分割,由于在二值化分割后的图像中肺实质区域为黑色区域,需要对二值化分割后的图像进行取反,将黑色区域转换为白色区域,根据肺实质区域的位置,从白色区域中确定肺实质区域。
在一种可选实施方式中,对取反后的二值化图像进行闭运算,以填充肺实质区域的空洞。
具体的,由于肺实质区域中可能存在一些空洞部分,需要对空洞进行填充,可以采用预设的结构元素,对取反后的二值化图像进行膨胀处理,然后再进行腐蚀处理,即可对肺实质区域中的空洞进行填充。
S22:根据肺实质区域和预设的第一阈值,对多层二维扫描图像骨组织分割,得到三维锁骨区域。
本实施例中,根据锁骨的特征,确定对多层二维扫描图像进行二值化分割的第一阈值,采用该第一阈值对多层二维扫描图像经二值化分割,根据肺实质区域的位置信息和锁骨的特征,从多层二值化分割后的图像中确定锁骨区域,以得到三维锁骨区域。
S23:根据肺实质区域和预设的第二阈值,对多层二维扫描图像骨组织分割,得到三维肩胛骨区域。
本实施例中,根据肩胛骨的特征,确定对多层二维扫描图像进行二值化分割的第二阈值,采用该第二阈值对多层二维扫描图像经二值化分割,根据肺实质区域的位置信息和肩胛骨的特征,从多层二值化分割后的图像中确定肩胛骨区域,以得到三维肩胛骨区域。
S24:根据预设的第三阈值,对多层二维扫描图像骨组织分割,得到三维骨组织区域。
本实施例中,人体骨组织区域除了肩胛骨和锁骨外,还包括其他骨组织区域,根据其他骨组织的特征,确定对多层二维扫描图像进行二值化分割的第三阈值,采用该第三阈值对多层二维扫描图像经二值化分割,根据其他骨组织区域的特征,从多层二值化分割后的图像中分割出其他骨组织区域后,以得到不再包含其他骨组织区域的三维骨组织区域。
S25:根据三维锁骨区域和三维肩胛骨区域,从三维骨组织区域中,确定肋骨及脊椎区域。
本实施例中,根据三维锁骨区域和三维肩胛骨区域,在三维骨组织区域中减去三维锁骨区域和三维肩胛骨区域,即可得到肋骨及脊椎区域。
本申请实施例提供的肋骨分割方法,采用大律法阈值分割方法,对每层二维扫描图像分割,得到每层二维扫描图像中的肺实质区域,根据肺实质区域和预设的第一阈值,对多层二维扫描图像骨组织分割,得到三维锁骨区域,根据肺实质区域和预设的第二阈值,对多层二维扫描图像骨组织分割,得到三维肩胛骨区域,根据预设的第三阈值,对多层二维扫描图像骨组织分割,得到三维骨组织区域,根据三维锁骨区域和三维肩胛骨区域,从三维骨组织区域中,确定肋骨及脊椎区域。本申请实施例采用多阈值对不同的骨组织区域进行分割,避免采用单一阈值进行分割导致肋骨与其他骨组织区域的黏连,提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图3,为本申请实施例提供的第三种肋骨分割方法的流程示意图,如图3所示,上述S21包括:
S211:采用大律法阈值分割方法,对每层二维扫描图像二值化分割,得到每层二维扫描图像的第一二值化图像。
本实施例中,采用大律法阈值分割方法确定每层二维扫描图像的自适应分割阈值,采用对应的自适应阈值对每层二维扫描图像进行二值化分割,以得到每层二维扫描图像的第一二值化图像。采用大律法阈值分割方法计算分割阈值的过程参见前述S21,在此不做赘述。
S212:将第一二值化图像中的最大连通区域确定为皮肤轮廓区域。
本实施例中,皮肤轮廓区域在第一二值化图像中具有最大的连通区域,因此可以对第一二值化图像进行连通区域分析,根据各连通区域的面积,确定最大连通区域为皮肤轮廓区域。
在一种可选实施方式中,可以对第一二值化图像进行取反后进行闭运算,去除肺实质区域的空洞,之后对去除空洞的图像再进行取反,确定最大连通区域为皮肤轮廓区域。
S213:对皮肤轮廓区域进行填充后,与第一二值化图像进行相减,得到肺实质区域。
本实施例中,皮肤轮廓区域内包括肋骨、锁骨、肩胛骨和脊椎骨等骨组织区域,还包括肺实质区域,其中,骨组织区域为白色像素,肺实质区域为黑色像素,通过对皮肤轮廓区域进行像素填充,将皮肤轮廓区域内全部填充为白色像素,得到整个皮肤区域。将填充后的皮肤区域图像与第一二值化图像进行相减,即可从皮肤区域图像中减去所有的白色像素,得到仅剩黑色像素的肺实质区域。
本申请实施例提供的肋骨分割方法,采用大律法阈值分割方法,对每层二维扫描图像二值化分割,得到每层二维扫描图像的第一二值化图像,将第一二值化图像中的最大连通区域确定为皮肤轮廓区域,对皮肤轮廓区域进行填充后,与第一二值化图像进行相减,得到肺实质区域。本申请实施例通过根据皮肤轮廓区域和第一二值化图像进行相减,确定肺实质区域,以便根据肺实质区域对锁骨和肩胛骨进行分割,提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图4,为本申请实施例提供的第四种肋骨分割方法的流程示意图,如图4所示,上述S22包括:
S221:根据第一阈值,对每层二维扫描图像进行二值化分割,得到第二二值化图像。
本实施例中,根据固定的第一阈值对每层二维扫描图像进行二值化分割,得到第二二值化图像,第一阈值可以根据锁骨区域的像素特征确定,本实施例中第一阈值取值为400HU。
在一种可选实施方式中,在对每层二维扫描图像进行二值化分割前,对每层二维扫描图像进行高斯滤波,以去除每层二维扫描图像中的杂质点或噪声点。
S222:对肺实质区域进行膨胀操作后,与第二二值化图像进行相减,得到每层二维扫描图像对应的第一图像。
本实施例中,对第二二值化图像进行连通域分析,去除不符合特征的连通域,由于人体中肺实质区域被包裹在肋骨中,根据预设设置的膨胀范围,对肺实质区域进行膨胀操作,以将肋骨包裹在该区域中,从去除不符合特征的第二二值化图像中减去膨胀后的肺实质区域,以从第二二值化图像中减去肋骨区域,得到每层二维扫描图像对应的第一图像,第一图像中不包括肋骨区域。
S223:对多层二维扫描图像对应的第一图像进行第一三维连通域分析。
本实施例中,对多层二维扫描图像对应的第一图像进行第一三维连通域分析,以将多个第一图像的连通区域在三维空间内进行连通。
S224:根据第一三维连通域分析的结果,以及预设的锁骨特征,从第一三维连通域中分割出三维锁骨区域。
本实施例中,第一三维连通域分析的结果中包括多个三维连通域,根据预设的锁骨特征,从多个三维连通域中确定三维锁骨区域。示例的,预设的锁骨特征可以包括:锁骨的位置、形状、对称性以及体积。
本申请实施例提供的肋骨分割方法,根据第一阈值,对每层二维扫描图像进行二值化分割,得到第二二值化图像,对肺实质区域进行膨胀操作后,与第二二值化图像进行相减,得到每层二维扫描图像对应的第一图像,对多层二维扫描图像对应的第一图像进行第一三维连通域分析,根据第一三维连通域分析的结果,以及预设的锁骨特征,从第一三维连通域中分割出三维锁骨区域。本申请实施例通过对肺实质区域进行膨胀确定锁骨区域,可以避免肋骨和锁骨的黏连情况,提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图5,为本申请实施例提供的第五种肋骨分割方法的流程示意图,如图5所示,上述S23包括:
S231:根据第二阈值,对每层二维扫描图像进行二值化分割,得到第三二值化图像。
本实施例中,根据固定的第二阈值对每层二维扫描图像进行二值化分割,得到第三二值化图像,第二阈值可以根据肩胛骨区域的像素特征确定,本实施例中第二阈值取值为200HU。
S232:对肺实质区域进行膨胀操作后,与第三二值化图像进行相减,得到每层二维扫描图像对应的第二图像。
本实施例中,对第三二值化图像进行连通域分析,去除不符合特征的连通域,对肺实质区域进行膨胀操作,以将肋骨包裹在该区域中,从去除不符合特征的第三二值化图像中减去膨胀后的肺实质区域,以从第三二值化图像中减去肋骨区域,得到每层二维扫描图像对应的第二图像,第二图像中不包括肋骨区域。
S233:对多层二维扫描图像对应的第二图像进行第二三维连通域分析。
本实施例中,对多层二维扫描图像对应的第二图像进行第二三维连通域分析,以将多个第二图像的连通区域在三维空间内进行连通。
S234:根据第二三维连通域分析的结果,以及预设的肩胛骨特征,从第二三维连通域中分割出三维肩胛骨区域。
本实施例中,第二三维连通域分析的结果中包括多个三维连通域,根据预设的肩胛骨特征,从多个三维连通域中确定三维肩胛骨区域。示例的,预设的肩胛骨特征可以包括:肩胛骨的位置、形状、对称性以及体积。
本申请实施例提供的肋骨分割方法,根据第二阈值,对每层二维扫描图像进行二值化分割,得到第三二值化图像,对肺实质区域进行膨胀操作后,与第三二值化图像进行相减,得到每层二维扫描图像对应的第二图像,对多层二维扫描图像对应的第二图像进行第二三维连通域分析,根据第二三维连通域分析的结果,以及预设的肩胛骨特征,从第二三维连通域中分割出三维肩胛骨区域。本申请实施例通过对肺实质区域进行膨胀确定肩胛骨区域,可以避免肋骨和肩胛骨的黏连情况,提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图6,为本申请实施例提供的第六种肋骨分割方法的流程示意图,如图6所示,上述S24包括:
S241:根据第三阈值,对每层二维扫描图像进行二值化分割,得到第四二值化图像。
本实施例中,根据固定的第三阈值对每层二维扫描图像进行二值化分割,得到第四二值化图像,第三阈值可以根据锁骨区域的像素特征确定,本实施例中第三阈值取值为140HU。
S242:对第四二值化图像进行连通域分析。
本实施例中,对第四二值化图像进行连通域分析,根据各连通域的特征,去除不符合特征的连通域。连通域的特征可以为:连通域的面积、连通域的长宽比等,本申请对此不做限制。
S243:根据连通域分析的结果,从第四二值化图像中去除胸骨区域,得到每层二维扫描图像的骨骼分割结果;三维骨组织区域包括:多层二维扫描图像的骨骼分割结果。
本实施例中,胸骨区域位于肋骨区域之间,且位于脊椎骨区域的上方,根据胸骨区域相对于脊椎骨区域的位置,以及胸骨区域的特征,从第四二值化图像中去除胸骨区域,得到每层二维扫描图像的骨骼分割结果,将多个二维扫描图像的骨骼分割结果在三维空间中连通为三维骨组织区域。
本申请实施例提供的肋骨分割方法,根据第三阈值,对每层二维扫描图像进行二值化分割,得到第四二值化图像,对第四二值化图像进行连通域分析,根据连通域分析的结果,从第四二值化图像中去除胸骨区域,得到每层二维扫描图像的骨骼分割结果;三维骨组织区域包括:多层二维扫描图像的骨骼分割结果。本申请实施例可以去除胸骨区域,避免了肋骨与胸骨的黏连情况,提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图7,为本申请实施例提供的第七种肋骨分割方法的流程示意图,如图7所示,上述S25包括:
S251:根据三维骨组织区域,减去三维锁骨区域和三维肩胛骨区域,得到包含肋骨及脊椎的部分三维区域。
本实施例中,三维骨组织区域为去除胸骨区域之后的其他骨组织的三维区域,从三维骨组织区域中去除三维锁骨区域和三维肩胛骨区域,得到包含肋骨及脊椎的部分三维区域。
S252:对部分三维区域在人体左右方向以及脊椎延伸方向进行膨胀操作。
本实施例中,由于部分三维区域中除了包括肋骨区域和脊椎骨区域外,还包括杂质区域,通过对部分三维区域在人体左右方向进行膨胀操作,使肋骨区域和脊椎骨区域连通,通过对部分三维区域在脊椎延伸方向进行膨胀操作,使脊椎骨区域连通。
S253:从膨胀操作的三维区域中确定最大三维连通区域为肋骨及脊椎区域。
本实施例中,对部分三维区域进行膨胀操作后,使肋骨区域和脊椎骨区域完全连通,即肋骨区域和脊椎骨区域粘连成一个整体,取三维区域中的最大三维连通区域为肋骨及脊椎区域。
本申请实施例提供的肋骨分割方法,根据三维骨组织区域,减去三维锁骨区域和三维肩胛骨区域,得到包含肋骨及脊椎的部分三维区域,对部分三维区域在人体左右方向以及脊椎延伸方向进行膨胀操作,从膨胀操作的三维区域中确定最大三维连通区域为肋骨及脊椎区域。本申请实施例可以完全分割出锁骨区域和肩胛骨区域,避免锁骨区域和肩胛骨区域与肋骨的黏连,提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图8,为本申请实施例提供的第八种肋骨分割方法的流程示意图,如图8所示,上述S50包括:
S51:分别从头部左侧区域和头部右侧区域遍历三维肋骨区域。
本实施例中,由于肋骨的对称性,将肋骨以头部为中间界限划分为左侧区域和右侧区域,对头部左侧区域和头部右侧区域分别进行遍历,以分别识别左侧肋骨和右侧肋骨。
S52:将从头部左侧区域开始遍历到的第一个像素值为预设像素值的像素点作为左侧种子点。
本实施例中,从头部左侧区域开始,对三维肋骨区域进行像素遍历,遍历到第一个像素值为255的点,将此点作为左侧种子点。
S53:将从头部右侧区域开始遍历到的第一个像素值为预设像素值的像素点作为右侧种子点。
本实施例中,从头部右侧区域开始,对三维肋骨区域进行像素遍历,遍历到第一个像素值为255的点,将此点作为右侧种子点。
S54:以左侧种子点在三维区域分别生长左侧的多根第一肋骨。
本实施例中,以左侧种子点进行三维区域生长,分割出左侧第一根肋骨,并对该第一根肋骨区域的像素值重新赋值。然后遍历到下一个像素值为255的点作为种子点,生成出第二根肋骨,直至得到左侧的多根第一肋骨,多根第一肋骨的像素值均不相同。
S55:以右侧种子点在三维区域分别生长左侧的多根第二肋骨。
本实施例中,根据右侧种子点生成多根第二肋骨的方法与左侧相同,在此不做赘述。
S56:根据多根第一肋骨和多根第二肋骨,生成三维肋骨图像。
本实施例中,根据多个第一肋骨和多根第二肋骨重新赋值后的像素值,得到三维肋骨图像。示例的,图9为本申请实施例提供的一种三维肋骨图像的示意图,如图9所示,多根肋骨的像素值各不相同。
本申请实施例提供的肋骨分割方法,分别从头部左侧区域和头部右侧区域遍历三维肋骨区域,将从头部左侧区域开始遍历到的第一个像素值为预设像素值的像素点作为左侧种子点,将从头部右侧区域开始遍历到的第一个像素值为预设像素值的像素点作为右侧种子点,以左侧种子点在三维区域分别生长左侧的多根第一肋骨,以右侧种子点在三维区域分别生长左侧的多根第二肋骨,根据多根第一肋骨和多根第二肋骨,生成三维肋骨图像。本申请实施例通过对三维肋骨区域进行遍历,得到三维肋骨图像,多根肋骨图像之间不会存在黏连,可以清晰地从三维肋骨图像中了解每根肋骨的状态。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图10,为本申请实施例提供的第九种肋骨分割方法的流程示意图,如图10所示,上述S30包括:
S31:根据预设的第四阈值,对多层二维扫描图像进行二值化分割,得到第五二值化图像。
本实施例中,根据固定的第四阈值对每层二维扫描图像进行二值化分割,得到第五二值化图像,第四阈值可以根据脊椎骨区域的像素特征确定,本实施例中第四阈值取值为128HU。
S32:从第五二值化图像中确定多层脊椎二值化图像。
本实施例中,脊椎骨区域位于人体中的特定位置,可以从多张第五二值化图像中确定脊椎骨区域对应的多层脊椎二值化图像。
S33:根据预设的脊椎特征,确定多层脊椎二值化图像中的最后一层脊椎二值化图像中的脊椎质点,其中,最后一层脊椎二值化图像为多层脊椎二值化图像中最靠近胸部的图像。
本实施例中,根据脊椎的连通区域特性,从多层脊椎二值化图像中确定脊椎区域,从最后一层脊椎二值化图像的脊椎区域中确定脊椎质点,其中,本实施例定义最后一层脊椎二值化图像为多层脊椎二值化图像中最靠近胸部的图像,当然也可以为多层脊椎二值化图像中离胸部最远的图像。
S34:根据最后一层脊椎二值化图像中的脊椎质点,确定其他多层脊椎二值化图像中的脊椎质点。
本实施例中,由于在进行连通域分析时,脊椎区域可能和肋骨区域粘连,或者由于脊椎弯曲或脊椎分离等情况,导致从每层脊椎二值化图像中确定每层的脊椎质点时的脊椎质点位置可能不够准确,因此,通过最后一层脊椎二值化图像中的脊椎质点,以及不同层脊椎二值化图像中脊椎质点之间的偏差,依次确定前一层脊椎二值化图像中的脊椎质点,以得到多层脊椎二值化图像中的脊椎质点。
S35:根据多层脊椎二值化图像中的脊椎质点的X轴坐标,从多层脊椎二值化图像中提取脊椎矢状面图像,其中,每层脊椎二值化图像的宽度方向为X轴方向,每层脊椎二值化图像的高度方向为Y轴方向,脊椎方向为多层脊椎二值化图像的Z轴方向。
示例的,请参考图11(a),为本申请实施例提供的一种提取脊椎矢状面图像的示意图,如图11(a)所示,以每层脊椎二值化图像中x=w处作为矢状面提取线,对每层脊椎二值化图像进行脊椎矢状面图像的提取,得到脊椎矢状面图,示例的,请参考图11(b),为本申请实施例提供的一种脊椎矢状面图像。
本实施例中,以每层脊椎二值化图像的宽度方向为X轴方向,每层脊椎二值化图像的高度方向为Y轴方向,确定每层脊椎二值化图像中脊椎质点的坐标,根据多个脊椎质点X轴坐标的中间值,对多层脊椎二值化图像在三维空间内沿脊椎中心线进行分割,以提取脊椎矢状面图像。
S36:对脊椎矢状面图像进行膨胀操作,确定脊椎三维连通区域。
本实施例中,对脊椎矢状面图像进行膨胀操作,使得多节脊椎在矢状面上进行连通,得到脊椎三维连通区域。
S37:采用灰度重心法,从脊椎三维连通区域中更新多层脊椎二值化图像中的脊椎质点的Y轴坐标。
本实施例中,由于脊椎在人体中为一节一节的形式,因此通过对脊椎三维连通区域进行细化,重新将脊椎三维连通区域划分为多层脊椎,采用灰度重心法对多层脊椎进行中心提取,以更新脊椎质点在Y轴方向的位置,从而更新脊椎质点的Y轴坐标。
S38:根据多层脊椎二值化图像中的脊椎质点的X轴坐标和Y轴坐标,确定脊椎中心线。
本实施例中,根据多层脊椎二值化图像中的脊椎质点的X轴坐标和Y轴坐标,在三维空间内对多个脊椎质点进行连接,形成脊椎中心线。
S39:根据多层脊椎二值化图像的平均脊椎宽度,得到脊椎宽度。
本实施例中,根据脊椎的连通区域,计算每层脊椎二值化图像的脊椎宽度,对多层脊椎二值化图像的脊椎宽度进行平均,得到脊椎宽度。
本实施例提供的肋骨分割方法,根据预设的第四阈值,对多层二维扫描图像进行二值化分割,得到第五二值化图像;从第五二值化图像中确定多层脊椎二值化图像;根据预设的脊椎特征,确定多层脊椎二值化图像中的最后一层脊椎二值化图像中的脊椎质点,其中,最后一层脊椎二值化图像为多层脊椎二值化图像中最靠近胸部的图像;根据最后一层脊椎二值化图像中的脊椎质点,确定其他多层脊椎二值化图像中的脊椎质点;根据多层脊椎二值化图像中的脊椎质点的X轴坐标,从多层脊椎二值化图像中提取脊椎矢状面图像,其中,每层脊椎二值化图像的宽度方向为X轴方向,每层脊椎二值化图像的高度方向为Y轴方向,脊椎方向为多层脊椎二值化图像的Z轴方向;对脊椎矢状面图像进行膨胀操作,确定脊椎三维连通区域;采用灰度重心法,从脊椎三维连通区域中更新多层脊椎二值化图像中的脊椎质点的Y轴坐标;根据多层脊椎二值化图像中的脊椎质点的X轴坐标和Y轴坐标,确定脊椎中心线;根据多层脊椎二值化图像的平均脊椎宽度,得到脊椎宽度。本申请实施例根据最后一层脊椎二值化图像的脊椎质点依次确定前一层脊椎二值化图像的脊椎质点,避免了由于脊椎骨和肋骨的黏连导致确定的脊椎质点不准确问题,以便提高肋骨分割的准确度。
在上述实施例的基础上,本申请实施例进一步提供一种肋骨分割方法。请参考图12,为本申请实施例提供的第十种肋骨分割方法的流程示意图,如图12所示,该方法还包括:
S61:根据预设的第五阈值,对多层二维扫描图像进行二值化分割,得到第六二值化图像。
本实施例中,根据固定的第五阈值对每层二维扫描图像进行二值化分割,得到第六二值化图像,第五阈值可以根据床板区域的像素特征确定,本实施例中第五阈值取值为-200HU。
S62:从第六二值化图像中确定床板与人体的连通区域。
本实施例中,对第六二值化图像进行连通区域分析,去除不符合特征的连通区域,对剩余的连通区域进行判断,若连通区域的个数为1,确定对应的连通区域是床板区域,若连通区域的个数为0,确定对应的连通区域是床板与人体相连的情况。
S63:确定床板与人体的连通区域的内外轮廓线,根据床板的上下边缘距离,从内外轮廓线上去除不符合床板特性的边缘点。
本实施例中,针对床板与人体相连的连通区域,获取连通区域的内外轮廓,内外轮廓包括人体的轮廓和床板的轮廓,根据床板的双边缘特性,从内外轮廓上去除不符合床板特性的边缘点。示例的,以上下边缘的距离不超过80个像素,去除内外轮廓上不符合床板特性的边缘点。
之后,采用预设的结构元素,对各第六二值化图像进行开运算,以去除各第六二值化图像中的孤立边缘点,再次对第六二值化图像进行从上到下的遍历,根据床板的双边缘特性,设置床板上下边缘的距离为40个像素,确定属于床板的边缘点。
S64:在床板的上下边缘之间确定种子点,根据种子点进行填充以确定床板区域。
本实施例中,根据床板的边缘点,确定第六二值化图像中床板的上下边缘,从床板的上下边缘之间任意确定一个种子点,在第六二值化图像中建立坐标系,确定种子点的坐标和边缘点的坐标。根据种子点,采用漫水填充法进行填充,以从第六二值化图像中分割出床板区域,至此,整个床板区域被独立分割出来。
其中,种子填充法中以像素的颜色值定义区域边界,具体是区域边界上所有像素具有特定的颜色值,区域内部所有像素均不取这一特定颜色,而区域边界外的像素则可具有与边界相同的颜色值。漫水填充法的步骤:标记种子(x,y),检测该像素点的颜色,若他与边界色和填充色均不同,采用填充色填充该点,否则不填充,检测种子点的相邻位置的颜色,填充该点,直至检测区域边界范围内的所有像素为止。
S65:从多层二维扫描图像中对床板区域进行分割。
本实施例中,根据填充得到的床板区域,从多层二维扫描图像中对床板区域进行分割,以便之后进行骨组织分割时床板区域不会对分割结果造成影响。
本申请实施例提供的肋骨分割方法,根据预设的第五阈值,对多层二维扫描图像进行二值化分割,得到第六二值化图像;从第六二值化图像中确定床板与人体的连通区域;确定床板与人体的连通区域的内外轮廓线,根据床板的上下边缘距离,从内外轮廓线上去除不符合床板特性的边缘点;在床板的上下边缘之间确定种子点,根据种子点进行填充以确定床板区域;从多层二维扫描图像中对床板区域进行分割。本申请实施例在进行肺实质、肋骨、锁骨以及肩胛骨分割之前,将床板区域完全去除,提高提高骨组织分割的正确率。
在上述实施例的基础上,本申请实施例还提供一种应用于上述肋骨分割方法的虚拟装置,请参考图13,为本申请实施例提供的一种肋骨分割装置的结构示意图,如图13所示,该装置包括:
图像序列获取模块10,用于获取待处理的医学图像序列,其中,医学图像序列包括多层二维扫描图像;
骨组织分割模块20,用于对多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域;
脊椎中心线提取模块30,用于从多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度;
脊椎区域去除模块40,用于根据脊椎中心线和脊椎宽度,确定并去除肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域;
三维肋骨图像生成模块50,用于根据三维肋骨区域,生成三维肋骨图像。
可选的,骨组织分割模块20包括:
肺实质分割单元,用于采用大律法阈值分割方法,对每层二维扫描图像分割,得到每层二维扫描图像中的肺实质区域;
锁骨分割单元,用于根据肺实质区域和预设的第一阈值,对多层二维扫描图像骨组织分割,得到三维锁骨区域;
肩胛骨分割单元,用于根据肺实质区域和预设的第二阈值,对多层二维扫描图像骨组织分割,得到三维肩胛骨区域;
其他骨组织分割单元,用于根据预设的第三阈值,对多层二维扫描图像骨组织分割,得到三维骨组织区域;
肋骨及脊椎区域确定单元,用于根据三维锁骨区域和三维肩胛骨区域,从三维骨组织区域中,确定肋骨及脊椎区域。
可选的,肺实质分割单元包括:
第一二值化分割子单元,用于采用大律法阈值分割方法,对每层二维扫描图像二值化分割,得到每层二维扫描图像的第一二值化图像;
皮肤轮廓区域确定子单元,用于将第一二值化图像中的最大连通区域确定为皮肤轮廓区域;
肺实质分割子单元,用于对皮肤轮廓区域进行填充后,与第一二值化图像进行相减,得到肺实质区域。
可选的,锁骨分割单元包括:
第二二值化分割子单元,用于根据第一阈值,对每层二维扫描图像进行二值化分割,得到第二二值化图像;
第一图像确定子单元,用于对肺实质区域进行膨胀操作后,与第二二值化图像进行相减,得到每层二维扫描图像对应的第一图像;
第一三维连通域分析子单元,用于对多层二维扫描图像对应的第一图像进行第一三维连通域分析;
锁骨分割子单元,用于根据第一三维连通域分析的结果,以及预设的锁骨特征,从第一三维连通域中分割出三维锁骨区域。
可选的,肩胛骨分割单元包括:
第三二值化分割子单元,用于根据第二阈值,对每层二维扫描图像进行二值化分割,得到第三二值化图像;
第二图像确定子单元,用于对肺实质区域进行膨胀操作后,与第三二值化图像进行相减,得到每层二维扫描图像对应的第二图像;
第二三维连通域分析子单元,用于对多层二维扫描图像对应的第二图像进行第二三维连通域分析;
肩胛骨分割子单元,用于根据第二三维连通域分析的结果,以及预设的肩胛骨特征,从第二三维连通域中分割出三维肩胛骨区域。
可选的,其他骨组织分割单元包括:
第四二值化分割子单元,用于根据第三阈值,对每层二维扫描图像进行二值化分割,得到第四二值化图像;
连通域分割子单元,用于对第四二值化图像进行连通域分析;
胸骨分割子单元,用于根据连通域分析的结果,从第四二值化图像中去除胸骨区域,得到每层二维扫描图像的骨骼分割结果;
三维骨组织区域包括:多层二维扫描图像的骨骼分割结果。
可选的,肋骨及脊椎区域确定单元包括:
骨组织去除子单元,用于根据三维骨组织区域,减去三维锁骨区域和三维肩胛骨区域,得到包含肋骨及脊椎的部分三维区域;
膨胀子单元,用于对部分三维区域在人体左右方向以及脊椎延伸方向进行膨胀操作;
肋骨及脊椎区域确定子单元,用于从膨胀操作的三维区域中确定最大三维连通区域为肋骨及脊椎区域。
可选的,三维肋骨图像生成模块50包括:
遍历单元,用于分别从头部左侧区域和头部右侧区域遍历三维肋骨区域;
左侧种子点确定单元,用于将从头部左侧区域开始遍历到的第一个像素值为预设像素值的像素点作为左侧种子点;
右侧种子点确定单元,用于将从头部右侧区域开始遍历到的第一个像素值为预设像素值的像素点作为右侧种子点;
左侧肋骨生长单元,用于以左侧种子点在三维区域分别生长左侧的多根第一肋骨;
右侧肋骨生长单元,用于以右侧种子点在三维区域分别生长左侧的多根第二肋骨;
三维肋骨图像生成单元,用于根据多根第一肋骨和多根第二肋骨,生成三维肋骨图像。
可选的,脊椎中心线提取模块30包括:
第五二值化分割单元,用于根据预设的第四阈值,对多层二维扫描图像进行二值化分割,得到第五二值化图像;
脊椎二值化图像确定单元,用于从第五二值化图像中确定多层脊椎二值化图像;
脊椎质点确定单元,用于根据预设的脊椎特征,确定多层脊椎二值化图像中的脊椎质点;
脊椎矢状面图像提取单元,用于根据多层脊椎二值化图像中的脊椎质点的X轴坐标,从多层脊椎二值化图像中提取脊椎矢状面图像,其中,每层脊椎二值化图像的宽度方向为X轴方向,每层脊椎二值化图像的高度方向为Y轴方向,脊椎方向为多层脊椎二值化图像的Z轴方向;
脊椎三维连通区域确定单元,用于对脊椎矢状面图像进行膨胀操作,确定脊椎三维连通区域;
脊椎质点坐标更新单元,用于采用灰度重心法,从脊椎三维连通区域中更新多层脊椎二值化图像中的脊椎质点的Y轴坐标;
脊椎中心线确定单元,用于根据多层脊椎二值化图像中的脊椎质点的X轴坐标和Y轴坐标,确定脊椎中心线;
脊椎宽度确定单元,用于根据多层脊椎二值化图像的平均脊椎宽度,得到脊椎宽度。
可选的,该装置还包括:
第六二值化分割单元,用于根据预设的第五阈值,对多层二维扫描图像进行二值化分割,得到第六二值化图像;
床板人体连通区域确定单元,用于从第六二值化图像中确定床板与人体的连通区域;
边缘点筛选单元,用于确定床板与人体的连通区域的内外轮廓线,根据床板的上下边缘距离,从内外轮廓线上去除不符合床板特性的边缘点;
床板区域确定单元,用于在床板的上下边缘之间确定种子点,根据种子点进行填充以确定床板区域;
床板区域分割单元,用于从多层二维扫描图像中对床板区域进行分割。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
请参考图14,为本申请实施例提供的计算机设备的示意图,该计算机设备100包括:处理器101、存储介质102和总线,存储介质102存储有处理器101可执行的程序指令,当计算机设备100运行时,处理器101与存储介质102之间通过总线通信,处理器101执行程序指令,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种计算机可读存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种肋骨分割方法,其特征在于,所述方法包括:
获取待处理的医学图像序列,其中,所述医学图像序列包括多层二维扫描图像;
对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域;
从所述多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度;
根据所述脊椎中心线和所述脊椎宽度,确定并去除所述肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域;
根据所述三维肋骨区域,生成三维肋骨图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域,包括:
采用大律法阈值分割方法,对每层二维扫描图像分割,得到所述每层二维扫描图像中的肺实质区域;
根据所述肺实质区域和预设的第一阈值,对所述多层二维扫描图像骨组织分割,得到三维锁骨区域;
根据所述肺实质区域和预设的第二阈值,对所述多层二维扫描图像骨组织分割,得到三维肩胛骨区域;
根据预设的第三阈值,对所述多层二维扫描图像骨组织分割,得到三维骨组织区域;
根据所述三维锁骨区域和所述三维肩胛骨区域,从所述三维骨组织区域中,确定所述肋骨及脊椎区域。
3.根据权利要求2所述的方法,其特征在于,所述采用大律法阈值分割方法,对每层二维扫描图像进行分割,得到所述每层二维扫描图像中的肺实质区域,包括:
采用大律法阈值分割方法,对所述每层二维扫描图像二值化分割,得到所述每层二维扫描图像的第一二值化图像;
将所述第一二值化图像中的最大连通区域确定为皮肤轮廓区域;
对所述皮肤轮廓区域进行填充后,与所述第一二值化图像进行相减,得到所述肺实质区域。
4.根据权利要求2所述的方法,其特征在于,所述根据所述肺实质区域和预设的第一阈值,对所述多层二维扫描图像骨组织分割,得到三维锁骨区域,包括:
根据所述第一阈值,对所述每层二维扫描图像进行二值化分割,得到第二二值化图像;
对所述肺实质区域进行膨胀操作后,与所述第二二值化图像进行相减,得到所述每层二维扫描图像对应的第一图像;
对所述多层二维扫描图像对应的第一图像进行第一三维连通域分析;
根据所述第一三维连通域分析的结果,以及预设的锁骨特征,从第一三维连通域中分割出所述三维锁骨区域。
5.根据权利要求2所述的方法,其特征在于,所述根据所述肺实质区域和预设的第二阈值,对所述多层二维扫描图像骨组织分割,得到三维肩胛骨区域,包括:
根据所述第二阈值,对所述每层二维扫描图像进行二值化分割,得到第三二值化图像;
对所述肺实质区域进行膨胀操作后,与所述第三二值化图像进行相减,得到所述每层二维扫描图像对应的第二图像;
对所述多层二维扫描图像对应的第二图像进行第二三维连通域分析;
根据所述第二三维连通域分析的结果,以及预设的肩胛骨特征,从第二三维连通域中分割出所述三维肩胛骨区域。
6.根据权利要求2所述的方法,其特征在于,所述根据预设的第三阈值,对所述多层二维扫描图像骨组织分割,得到三维骨组织区域,包括:
根据所述第三阈值,对所述每层二维扫描图像进行二值化分割,得到第四二值化图像;
对所述第四二值化图像进行连通域分析;
根据所述连通域分析的结果,从所述第四二值化图像中去除胸骨区域,得到所述每层二维扫描图像的骨骼分割结果;
所述三维骨组织区域包括:所述多层二维扫描图像的骨骼分割结果。
7.根据权利要求2所述的方法,其特征在于,所述根据所述三维锁骨区域和所述三维肩胛骨区域,从所述三维骨组织区域中,确定所述肋骨及脊椎区域,包括:
根据所述三维骨组织区域,减去所述三维锁骨区域和所述三维肩胛骨区域,得到包含肋骨及脊椎的部分三维区域;
对所述部分三维区域在人体左右方向以及脊椎延伸方向进行膨胀操作;
从所述膨胀操作的三维区域中确定最大三维连通区域为所述肋骨及脊椎区域。
8.根据权利要求1所述的方法,其特征在于,所述根据所述三维肋骨区域,生成三维肋骨图像,包括:
分别从头部左侧区域和头部右侧区域遍历所述三维肋骨区域;
将从所述头部左侧区域开始遍历到的第一个像素值为预设像素值的像素点作为左侧种子点;
将从所述头部右侧区域开始遍历到的第一个像素值为所述预设像素值的像素点作为右侧种子点;
以所述左侧种子点在三维区域分别生长左侧的多根第一肋骨;
以所述右侧种子点在三维区域分别生长左侧的多根第二肋骨;
根据所述多根第一肋骨和所述多根第二肋骨,生成所述三维肋骨图像。
9.根据权利要求1所述的方法,其特征在于,所述从所述多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度,包括:
根据预设的第四阈值,对所述多层二维扫描图像进行二值化分割,得到第五二值化图像;
从所述第五二值化图像中确定多层脊椎二值化图像;
根据预设的脊椎特征,确定所述多层脊椎二值化图像中的最后一层脊椎二值化图像中的脊椎质点,其中,所述最后一层脊椎二值化图像为所述多层脊椎二值化图像中最靠近胸部的图像;
根据所述最后一层脊椎二值化图像中的脊椎质点,确定其他多层脊椎二值化图像中的脊椎质点;
根据所述多层脊椎二值化图像中的脊椎质点的X轴坐标,从所述多层脊椎二值化图像中提取脊椎矢状面图像,其中,每层脊椎二值化图像的宽度方向为X轴方向,所述每层脊椎二值化图像的高度方向为Y轴方向,脊椎方向为所述多层脊椎二值化图像的Z轴方向;
对所述脊椎矢状面图像进行膨胀操作,确定脊椎三维连通区域;
采用灰度重心法,从所述脊椎三维连通区域中更新所述多层脊椎二值化图像中的脊椎质点的Y轴坐标;
根据所述多层脊椎二值化图像中的脊椎质点的X轴坐标和Y轴坐标,确定所述脊椎中心线;
根据所述多层脊椎二值化图像的平均脊椎宽度,得到所述脊椎宽度。
10.根据权利要求1所述的方法,其特征在于,在所述对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域之前,所述方法还包括:
根据预设的第五阈值,对所述多层二维扫描图像进行二值化分割,得到第六二值化图像;
从所述第六二值化图像中确定床板与人体的连通区域;
确定所述床板与人体的连通区域的内外轮廓线,根据所述床板的上下边缘距离,从所述内外轮廓线上去除不符合床板特性的边缘点;
在所述床板的上下边缘之间确定种子点,根据所述种子点进行填充以确定所述床板区域;
从所述多层二维扫描图像中对所述床板区域进行分割。
11.一种肋骨分割装置,其特征在于,所述装置包括:
图像序列获取模块,用于获取待处理的医学图像序列,其中,所述医学图像序列包括多层二维扫描图像;
骨组织分割模块,用于对所述多层二维扫描图像进行骨组织分割,得到肋骨及脊椎区域;
脊椎中心线提取模块,用于从所述多层二维扫描图像中进行脊椎中心线的提取,得到脊椎中心线和脊椎宽度;
脊椎区域去除模块,用于根据所述脊椎中心线和所述脊椎宽度,确定并去除所述肋骨及脊椎区域中的脊椎区域,得到三维肋骨区域;
三维肋骨图像生成模块,用于根据所述三维肋骨区域,生成三维肋骨图像。
12.一种计算机设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当所述计算机设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行如权利要求1至10任一所述的肋骨分割方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至10任一所述的肋骨分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210193319.5A CN114549505A (zh) | 2022-03-01 | 2022-03-01 | 肋骨分割方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210193319.5A CN114549505A (zh) | 2022-03-01 | 2022-03-01 | 肋骨分割方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549505A true CN114549505A (zh) | 2022-05-27 |
Family
ID=81662556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210193319.5A Pending CN114549505A (zh) | 2022-03-01 | 2022-03-01 | 肋骨分割方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549505A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619792A (zh) * | 2022-12-20 | 2023-01-17 | 杭州健培科技有限公司 | 一种ct影像中肋骨二维展开方法、装置及应用 |
CN117237596A (zh) * | 2023-11-15 | 2023-12-15 | 广州市易鸿智能装备股份有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
-
2022
- 2022-03-01 CN CN202210193319.5A patent/CN114549505A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619792A (zh) * | 2022-12-20 | 2023-01-17 | 杭州健培科技有限公司 | 一种ct影像中肋骨二维展开方法、装置及应用 |
CN115619792B (zh) * | 2022-12-20 | 2023-03-31 | 杭州健培科技有限公司 | 一种ct影像中肋骨二维展开方法、装置及应用 |
CN117237596A (zh) * | 2023-11-15 | 2023-12-15 | 广州市易鸿智能装备股份有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
CN117237596B (zh) * | 2023-11-15 | 2024-07-23 | 广州市易鸿智能装备股份有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
CN101452577B (zh) | 一种肋骨自动标定的方法及装置 | |
CN114549505A (zh) | 肋骨分割方法、装置、计算机设备及存储介质 | |
CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
US9241634B2 (en) | Analytic morphomics: high speed medical image automated analysis method | |
CN110866905B (zh) | 一种肋骨识别与标注方法 | |
WO2005009240A9 (ja) | 画像処理方法及び画像処理プログラムを記録したコンピュータ読取可能な記録媒体 | |
CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
CN112132837B (zh) | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 | |
CN106960439B (zh) | 一种脊椎骨识别装置及方法 | |
CN102419864B (zh) | 一种提取脑部ct图像骨骼方法及装置 | |
CN114261095B (zh) | 一种基于ai的骨科3d打印方法和装置 | |
CN102324090B (zh) | 一种从cta图像中去除扫描床的方法及装置 | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
Chougule et al. | Development of patient specific implants for Minimum Invasive Spine Surgeries (MISS) from non-invasive imaging techniques by reverse engineering and additive manufacturing techniques | |
US9275452B2 (en) | Method and system for automatically determining compliance of cross sectional imaging scans with a predetermined protocol | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
Straka et al. | 3D watershed transform combined with a probabilistic atlas for medical image segmentation | |
Ang et al. | An algorithm for automated separation of trabecular bone from variably thick cortices in high-resolution computed tomography data | |
CN112767333B (zh) | 一种基于cta影像的双下肢血管区域判断方法及系统 | |
CN111080769A (zh) | 一种基于核磁共振数据的三维形变模型生成方法、系统及电子设备 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN113160248A (zh) | 一种图像处理方法、装置、设备及可读存储介质 |
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 |