CN114565650A - 一种图像处理方法和装置、电子设备 - Google Patents

一种图像处理方法和装置、电子设备 Download PDF

Info

Publication number
CN114565650A
CN114565650A CN202210194924.4A CN202210194924A CN114565650A CN 114565650 A CN114565650 A CN 114565650A CN 202210194924 A CN202210194924 A CN 202210194924A CN 114565650 A CN114565650 A CN 114565650A
Authority
CN
China
Prior art keywords
point cloud
bone surface
ultrasonic
cloud data
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.)
Pending
Application number
CN202210194924.4A
Other languages
English (en)
Inventor
肖若秀
陈云青
陈诚
鲁通
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.)
Visual3d Medical Technology Development Co ltd
University of Science and Technology Beijing USTB
Original Assignee
Visual3d Medical Technology Development Co ltd
University of Science and Technology Beijing USTB
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 Visual3d Medical Technology Development Co ltd, University of Science and Technology Beijing USTB filed Critical Visual3d Medical Technology Development Co ltd
Priority to CN202210194924.4A priority Critical patent/CN114565650A/zh
Publication of CN114565650A publication Critical patent/CN114565650A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种图像处理方法和装置、电子设备，属于医学影像处理技术领域，所述方法包括：通过带去噪通道Unet模型，对超声影像的骨表面进行分割；通过超声与导航系统，对超声骨表面分割结果中的2D骨表面数据转化成3D超声骨表面点云数据；对骨关节CT图像进行分割，获得CT骨表面点云数据；将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。通过本发明公开的图像处理方法，能够有效提高超声与CT图像配准效率。

Description

一种图像处理方法和装置、电子设备
技术领域
本发明涉及医学影像处理技术领域，尤其涉及一种图像处理方法和装置、电子设备。
背景技术
鉴于超声具有安全性高、低成本、实时性等优点，传统的骨科手术通常由超声引导。由于面临组织遮挡、空间匹配难，以及特别是老年人群低水分组织的高回声现象，准确地定位病灶的空间位置是一项挑战，存在一定的手术风险。随着计算机技术与医疗技术的发展，基于计算机辅助诊疗技术在解决现有临床问题时具有巨大潜能。尽管可以通过计算机影像分割技术可以实施基于CT(Computed Tomography，电子计算机断层扫描)，MRI(Magnetic Resonance Imaging，磁共振成像)等影像的重要结构三维重建，但术前和术中的病人体态差别和组织形变会影响三维重建结构到真实患者组织的匹配。
鉴于已有的骨关节超声图像与CT图像配准方法无法满足准确率、配准时间等指标。所以迫切需要一种骨关节超声图像和CT图像的配准方法，有效提高超声与CT图像配准效率。
发明内容
本发明实施例的目的是提供一种图像处理方法和装置、电子设备，能够解决现有技术中存在的骨关节超声图像与CT图像配准准确率低的问题。
为解决上述技术问题，本发明提供如下技术方案：
一种图像处理方法，其中，所述方法包括：通过带去噪通道Unet模型，对超声影像的骨表面进行分割；通过超声与导航系统，对超声骨表面分割结果中的2D骨表面数据转化成3D超声骨表面点云数据；对骨关节CT图像进行分割，获得CT骨表面点云数据；将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。
其中，通过带去噪通道Unet模型，对超声影像的骨表面进行分割的步骤，包括：基于直方图均衡化方法，对骨关节超声图像进行数据预处理；在Unet神经网络模型结构中的Skip-layer层加入高斯滤波与双边滤波去噪通道，得到带去噪通道Unet模型；将数据预处理后的所述骨关节超声图像，输入所述带去噪通道Unet模型中，得到超声骨表面分割结果。
其中，通过超声与导航系统，将分割后的所述超声影像中的2D骨表面数据转化成3D超声骨表面点云数据的步骤，包括：通过超声与导航系统，获得超声探头空间位置姿态信息；将空间位置姿态信息与超声骨表面分割结果结合，生成3D超声骨表面稀疏点云数据；对3D骨表面稀疏点云数据使用Bezier插值算法，生成3D超声骨表面稠密点云数据。
其中，对骨关节CT图像进行分割，获得CT骨表面点云数据的步骤，包括：使用Unet神经网络模型对骨关节CT图像分割，得到分割结果；基于所述分割结果，生成CT骨表面点云数据。
其中，将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准的步骤，包括：定义3D超声骨表面点云数据为待配准点云P＝{p1,p2,…,pn}，CT骨表面点云数据为目标点云Q＝{q1,q2,…,qn}；对待配准点云P、目标点云Q进行初始配准；使用ICP点云配准算法配准点云P、Q。
其中，所述使用ICP点云配准算法配准点云P、Q的步骤，包括：建立待配准点云P、目标点云Q之间的关系为
Figure BDA0003524869920000021
其中，R为旋转矩阵，T为平移矩阵；根据待配准点云P和所述目标点云Q的初始配准关系，计算旋转矩阵R与平移矩阵T，并得到变换后的新点云P'；迭代求取旋转矩阵R与平移矩阵T，直至待配准点云与目标点云平均距离小于设定阈值或迭代次数达到最大设定次数；得到最优旋转矩阵R与平移矩阵T；基于所述最优旋转矩阵R与平移矩阵T，将所述3D超声骨表面点云数据与CT骨表面点云数据配准。
一种图像处理装置，其中，所述装置包括：第一分割模块，用于通过带去噪通道Unet模型，对超声影像的骨表面进行分割；转化模块，用于通过超声与导航系统，对超声骨表面分割结果中的2D骨表面数据转化成3D超声骨表面点云数据；第二分割模块，用于对骨关节CT图像进行分割，获得CT骨表面点云数据；配准模块，用于将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。
其中，所述第一分割模块包括：
第一子模块，用于基于直方图均衡化方法，对骨关节超声图像进行数据预处理；
第二子模块，用于在Unet神经网络模型结构中的Skip-layer层加入高斯滤波与双边滤波去噪通道，得到带去噪通道Unet模型；
第三子模块，将数据预处理后的所述骨关节超声图像，输入所述带去噪通道Unet模型中，得到超声骨表面分割结果。
其中，转化模块包括：
第四子模块，用于通过超声与导航系统，获得超声探头空间位置姿态信息；
第五子模块，用于将空间位置姿态信息与超声骨表面分割结果结合，生成3D超声骨表面稀疏点云数据；
第六子模块，用于对3D骨表面稀疏点云数据使用Bezier插值算法，生成3D超声骨表面稠密点云数据。
本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现上述任意一种图像处理方法的步骤。
本发明实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现上述任意一种图像处理方法的步骤。
本发明实施例提供的图像处理方法，可应用于骨关节超声图像和CT图像的配准，该图像处理方法对骨关节超声图像和CT图像进行配准时，第一方面，基于高斯滤波与双边滤波去噪通道的Unet模型，有效提高了超声图像纹理信息对比度，提高超声影像骨表面分割效果；第二方面，基于多模态影像的点云配准技术，能有效提高骨关节超声图像与骨关节CT图像配准准确率，且减少配准时间。
附图说明
图1是表示本申请实施例的一种图像处理方法的步骤流程图；
图2是表示本申请实施例的一种图像处理装置的结构框图；
图3是表示本申请实施例的一种电子设备的结构框图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明提供的图像处理方法可解决骨科手术在术中的定位问题，具体地可通过该图像处理方法对骨关节超声图像和CT图像的配准，从而实现骨科手术中待处理位置的精准定位。具体表现在通过术前采集患者CT，MRI等三维医学影像，通过计算机影像分割技术重建病灶三维表面点云数据；在术中通过超声与导航系统，获得超声立体信息，由2D骨表面数据生成3D骨表面点云数据；最后将超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准，从而为医生手术过程提供指导。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的图像处理方案进行详细地说明。
本申请实施例的图像处理方法包括以下步骤：
步骤101：通过带去噪通道Unet模型，对超声影像的骨表面进行分割。
本步骤为超声影像的骨表面分割步骤，一种可选地通过带去噪通道Unet模型，对超声影像的骨表面进行分割的方式可以如下：
首先，基于直方图均衡化方法，对骨关节超声图像进行数据预处理；
对骨关节超声图像使用基于直方图均衡化的方法进行数据预处理，可增强超声图像比度。
其次，在Unet神经网络模型结构中的Skip-layer层加入高斯滤波与双边滤波去噪通道，得到带去噪通道Unet模型；
通过在Unet神经网络模型结构中的Skip-layer层加入高斯滤波与双边滤波去噪通道，可增强超声图像纹理信息对比度，提高骨关节分割效果。
最后，将数据预处理后的骨关节超声图像，输入带去噪通道Unet模型中，得到超声骨表面分割结果。
所述的Unet模型结构为U型结构神经网络，左侧是4个带有去噪通道的卷积层，右侧是4个上采样层。每个卷积层得到的特征图会合并到对应的上采样层，以将每层特征图应用到后续计算中，最终输出超声骨表面分割结果。
步骤102：通过超声与导航系统，对超声骨表面分割结果中的2D骨表面数据转化成3D超声骨表面点云数据。
一种可选地通过超声与导航系统，将分割后的所述超声影像中的2D骨表面数据转化成3D超声骨表面点云数据的方式可以如下：
首先，通过超声与导航系统，获得超声探头空间位置姿态信息；
其次，将空间位置姿态信息与超声骨表面分割结果结合，生成3D超声骨表面稀疏点云数据；
最后，对3D骨表面稀疏点云数据使用Bezier插值算法，生成3D超声骨表面稠密点云数据。
步骤103：对骨关节CT图像进行分割，获得CT骨表面点云数据。
本步骤为CT影像骨表面点云重建步骤，一种可选地对骨关节CT图像进行分割，获得CT骨表面点云数据的方式可以如下：
使用Unet神经网络模型对骨关节CT图像分割，得到分割结果；基于分割结果，生成CT骨表面点云数据。
步骤104：将3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。
将3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准时，具体可通过如下步骤实现：
首先，定义3D超声骨表面点云数据为待配准点云P＝{p1,p2,…,pn}，CT骨表面点云数据为目标点云Q＝{q1,q2,…,qn}；
其次，对待配准点云P、目标点云Q进行初始配准；
具体实现过程中，可计算点云P、Q的均值与协方差矩阵，调整参考坐标系为一致，完成待配准点云P与目标点云Q的初始配准。
最后，使用ICP点云配准算法配准点云P、Q。
具体地，使用ICP点云配准算法配准点云P、Q的步骤，包括：
建立待配准点云P、目标点云Q之间的关系为
Figure BDA0003524869920000061
其中，R为旋转矩阵，T为平移矩阵；
根据待配准点云P和目标点云Q的初始配准关系，计算旋转矩阵R与平移矩阵T，并得到变换后的新点云P'；
迭代求取旋转矩阵R与平移矩阵T，直至待配准点云与目标点云平均距离小于设定阈值或迭代次数达到最大设定次数，表达为公式如下：
Figure BDA0003524869920000062
其中n为设定迭代次数上限，n的具体数值可由本领域技术人员灵活设置，本申请实施例对此不做具体限制。
得到最优旋转矩阵R与平移矩阵T；
基于最优旋转矩阵R与平移矩阵T，将3D超声骨表面点云数据与CT骨表面点云数据配准，从而实现骨关节超声点云数据与骨关节CT点云数据配准。
本申请实施例提供的图像处理方法，通过超声影像的骨表面分割、超声三维点云重建、CT影像骨表面点云重建，最后基于超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。一方面，基于高斯滤波与双边滤波去噪通道的Unet模型，有效提高了超声图像纹理信息对比度，提高超声影像骨表面分割效果；第二方面，基于多模态影像的点云配准技术，能有效提高骨关节超声图像与骨关节CT图像配准准确率，且减少配准时间，有利于术中指导医生进行手术。
图2为实现本申请实施例的一种图像处理装置的结构框图。
本申请实施例的图像处理装置包括如下功能模块：
第一分割模块201，用于通过带去噪通道Unet模型，对超声影像的骨表面进行分割；
转化模块202，用于通过超声与导航系统，对超声骨表面分割结果中的2D骨表面数据转化成3D超声骨表面点云数据；
第二分割模块203，用于对骨关节CT图像进行分割，获得CT骨表面点云数据；
配准模块204，用于将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。
可选地，所述第一分割模块包括：
第一子模块，用于基于直方图均衡化方法，对骨关节超声图像进行数据预处理；
第二子模块，用于在Unet神经网络模型结构中的Skip-layer层加入高斯滤波与双边滤波去噪通道，得到带去噪通道Unet模型；
第三子模块，将数据预处理后的所述骨关节超声图像，输入所述带去噪通道Unet模型中，得到超声骨表面分割结果。
可选地，转化模块包括：
第四子模块，用于通过超声与导航系统，获得超声探头空间位置姿态信息；
第五子模块，用于将空间位置姿态信息与超声骨表面分割结果结合，生成3D超声骨表面稀疏点云数据；
第六子模块，用于对3D骨表面稀疏点云数据使用Bezier插值算法，生成3D超声骨表面稠密点云数据。
可选地，第二分割模块具体用于：使用Unet神经网络模型对骨关节CT图像分割，得到分割结果；基于所述分割结果，生成CT骨表面点云数据。
可选地，配准模块包括：
第七子模块，用于定义3D超声骨表面点云数据为待配准点云P＝{p1,p2,…,pn}，CT骨表面点云数据为目标点云Q＝{q1,q2,…,qn}；
第八子模块，用于对待配准点云P、目标点云Q进行初始配准；
第九子模块，用于使用ICP点云配准算法配准点云P、Q。
可选地，所述第九子模块具体用于：
建立待配准点云P、目标点云Q之间的关系为
Figure BDA0003524869920000071
其中，R为旋转矩阵，T为平移矩阵；
根据待配准点云P和所述目标点云Q的初始配准关系，计算旋转矩阵R与平移矩阵T，并得到变换后的新点云P'；
迭代求取旋转矩阵R与平移矩阵T，直至待配准点云与目标点云平均距离小于设定阈值或迭代次数达到最大设定次数；
得到最优旋转矩阵R与平移矩阵T；
基于所述最优旋转矩阵R与平移矩阵T，将所述3D超声骨表面点云数据与CT骨表面点云数据配准。
本申请实施例提供的图像处理装置，对骨关节超声图像和CT图像进行配准时，第一方面，基于高斯滤波与双边滤波去噪通道的Unet模型，有效提高了超声图像纹理信息对比度，提高超声影像骨表面分割效果；第二方面，基于多模态影像的点云配准技术，能有效提高骨关节超声图像与骨关节CT图像配准准确率，且减少配准时间。
本申请实施例中图2所示的图像处理装置可以是装置，也可以是服务器中的部件、集成电路、或芯片。本申请实施例中的图2所示的图像处理装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为iOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的图2所示的图像处理装置能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，如图3所示，本申请实施例还提供一种电子设备300，包括处理器301，存储器302，存储在存储器302上并可在所述处理器301上运行的程序或指令，该程序或指令被处理器301执行时实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要注意的是，本申请实施例中的电子设备包括上述所述的服务器。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
通过带去噪通道Unet模型，对超声影像的骨表面进行分割；
通过超声与导航系统，对超声骨表面分割结果中的2D骨表面数据转化成3D超声骨表面点云数据；
对骨关节CT图像进行分割，获得CT骨表面点云数据；
将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。
2.根据权利要求1所述的方法，其特征在于，通过带去噪通道Unet模型，对超声影像的骨表面进行分割的步骤，包括：
基于直方图均衡化方法，对骨关节超声图像进行数据预处理；
在Unet神经网络模型结构中的Skip-layer层加入高斯滤波与双边滤波去噪通道，得到带去噪通道Unet模型；
将数据预处理后的所述骨关节超声图像，输入所述带去噪通道Unet模型中，得到超声骨表面分割结果。
3.根据权利要求1所述的方法，其特征在于，通过超声与导航系统，将分割后的所述超声影像中的2D骨表面数据转化成3D超声骨表面点云数据的步骤，包括：
通过超声与导航系统，获得超声探头空间位置姿态信息；
将空间位置姿态信息与超声骨表面分割结果结合，生成3D超声骨表面稀疏点云数据；
对3D骨表面稀疏点云数据使用Bezier插值算法，生成3D超声骨表面稠密点云数据。
4.根据权利要求1所述的方法，其特征在于，对骨关节CT图像进行分割，获得CT骨表面点云数据的步骤，包括：
使用Unet神经网络模型对骨关节CT图像分割，得到分割结果；
基于所述分割结果，生成CT骨表面点云数据。
5.根据权利要求1所述的方法，其特征在于，将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准的步骤，包括：
定义3D超声骨表面点云数据为待配准点云P＝{p1,p2,…,pn}，CT骨表面点云数据为目标点云Q＝{q1,q2,…,qn}；
对待配准点云P、目标点云Q进行初始配准；
使用ICP点云配准算法配准点云P、Q。
6.根据权利要求5所述的方法，其特征在于，所述使用ICP点云配准算法配准点云P、Q的步骤，包括：
建立待配准点云P、目标点云Q之间的关系为
Figure FDA0003524869910000021
其中，R为旋转矩阵，T为平移矩阵；
根据待配准点云P和所述目标点云Q的初始配准关系，计算旋转矩阵R与平移矩阵T，并得到变换后的新点云P'；
迭代求取旋转矩阵R与平移矩阵T，直至待配准点云与目标点云平均距离小于设定阈值或迭代次数达到最大设定次数；
得到最优旋转矩阵R与平移矩阵T；
基于所述最优旋转矩阵R与平移矩阵T，将所述3D超声骨表面点云数据与CT骨表面点云数据配准。
7.一种图像处理装置，其特征在于，所述装置包括：
第一分割模块，用于通过带去噪通道Unet模型，对超声影像的骨表面进行分割；
转化模块，用于通过超声与导航系统，对超声骨表面分割结果中的2D骨表面数据转化成3D超声骨表面点云数据；
第二分割模块，用于对骨关节CT图像进行分割，获得CT骨表面点云数据；
配准模块，用于将所述3D超声骨表面点云数据与CT骨表面点云数据进行ICP点云配准。
8.根据权利要求7所述的装置，其特征在于，所述第一分割模块包括：
第一子模块，用于基于直方图均衡化方法，对骨关节超声图像进行数据预处理；
第二子模块，用于在Unet神经网络模型结构中的Skip-layer层加入高斯滤波与双边滤波去噪通道，得到带去噪通道Unet模型；
第三子模块，将数据预处理后的所述骨关节超声图像，输入所述带去噪通道Unet模型中，得到超声骨表面分割结果。
9.根据权利要求7所述的装置，其特征在于，转化模块包括：
第四子模块，用于通过超声与导航系统，获得超声探头空间位置姿态信息；
第五子模块，用于将空间位置姿态信息与超声骨表面分割结果结合，生成3D超声骨表面稀疏点云数据；
第六子模块，用于对3D骨表面稀疏点云数据使用Bezier插值算法，生成3D超声骨表面稠密点云数据。
10.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-6任一项所述的图像处理方法的步骤。
CN202210194924.4A 2022-02-28 2022-02-28 一种图像处理方法和装置、电子设备 Pending CN114565650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210194924.4A CN114565650A (zh) 2022-02-28 2022-02-28 一种图像处理方法和装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210194924.4A CN114565650A (zh) 2022-02-28 2022-02-28 一种图像处理方法和装置、电子设备

Publications (1)

Publication Number Publication Date
CN114565650A true CN114565650A (zh) 2022-05-31

Family

ID=81716493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210194924.4A Pending CN114565650A (zh) 2022-02-28 2022-02-28 一种图像处理方法和装置、电子设备

Country Status (1)

Country Link
CN (1) CN114565650A (zh)

Similar Documents

Publication Publication Date Title
US7756308B2 (en) Registration of three dimensional image data to 2D-image-derived data
CN110738701B (zh) 一种肿瘤三维定位系统
JP5335280B2 (ja) 位置合わせ処理装置、位置合わせ方法、プログラム、及び記憶媒体
JP5584441B2 (ja) ボリュームデータ間の対応付け方法
EP2961324B1 (en) Systems and methods for ultrasound imaging
CN111415404B (zh) 术中预设区域的定位方法、装置、存储介质及电子设备
CN114119549B (zh) 一种多模态医学图像三维点云配准优化方法
CN112258514B (zh) 一种ct影像肺血管的分割方法
US20130070995A1 (en) 2d/3d image registration method
Song et al. Locally rigid, vessel-based registration for laparoscopic liver surgery
JP2008546441A (ja) 第１及び第２画像を比較するためのモデルに基づく弾性画像登録方法
CN113409456B (zh) 颅脑穿刺术前三维模型的建模方法、系统、装置、介质
CN112509022A (zh) 一种术前三维影像与术中透视图像的无标定物配准方法
KR20210115223A (ko) 인공지능 기술을 이용한 혈관 구조 추출 방법, 이를 수행하기 위한 기록 매체 및 장치
CN111640143A (zh) 一种基于PointNet的神经导航快速面配准方法及系统
CN113421226B (zh) 基于互信息的ct-dr多模态食管图像配准方法及系统
CN110123453A (zh) 一种基于无标记增强现实的手术导航系统
CN117408908B (zh) 一种基于深度神经网络的术前与术中ct图像自动融合方法
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
CN116612166A (zh) 一种多模态影像的配准融合算法
CN114565650A (zh) 一种图像处理方法和装置、电子设备
Al Abboodi et al. Supervised Transfer Learning for Multi Organs 3D Segmentation With Registration Tools for Metal Artifact Reduction in CT Images
Wang et al. Automatic hybrid registration for 2-dimensional CT abdominal images
CN111166373B (zh) 一种定位注册方法、装置和系统
CN111583303A (zh) 基于mri图像生成伪ct图像的系统及方法

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