CN115409835B - 三维成像方法、装置、电子设备、系统和可读存储介质 - Google Patents

三维成像方法、装置、电子设备、系统和可读存储介质 Download PDF

Info

Publication number
CN115409835B
CN115409835B CN202211346839.1A CN202211346839A CN115409835B CN 115409835 B CN115409835 B CN 115409835B CN 202211346839 A CN202211346839 A CN 202211346839A CN 115409835 B CN115409835 B CN 115409835B
Authority
CN
China
Prior art keywords
image
image data
determining
processed
bone tissue
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
CN202211346839.1A
Other languages
English (en)
Other versions
CN115409835A (zh
Inventor
杨林
杨浩
李睿睿
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.)
Chengdu Haomu Technology Co ltd
Original Assignee
Chengdu Haomu Technology Co ltd
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 Chengdu Haomu Technology Co ltd filed Critical Chengdu Haomu Technology Co ltd
Priority to CN202211346839.1A priority Critical patent/CN115409835B/zh
Publication of CN115409835A publication Critical patent/CN115409835A/zh
Application granted granted Critical
Publication of CN115409835B publication Critical patent/CN115409835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner 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
    • G06T2207/30—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)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种三维成像方法、装置、电子设备、系统和可读存储介质，其中，该方法包括：获取目标对象的第一图像数据；其中，该第一图像数据为第一格式的图像数据；根据该第一图像数据构建该目标对象的三维模型；获取该目标对象的指定部位的第二图像数据；其中，该第二图像数据为第二格式的图像数据，该第二格式与该第一格式不同；以及将该第二图像数据与该三维模型进行对比，以确定出该三维模型中该指定部位的三维影像。

Description

三维成像方法、装置、电子设备、系统和可读存储介质
技术领域
本申请涉及医学成像技术领域，具体而言，涉及一种三维成像方法、装置、电子设备、系统和可读存储介质。
背景技术
目前随着计算机技术的进步，部分医学技术也使用了计算机技术来实现。例如，在手术阶段，手术的成像技术逐渐向精准化、微创化方向发展。精准、微创手术具有比传统手术更小的切口和手术损伤，更少的出血以及更低的手术并发症发生率。骨科手术技术通常是通过显示二维图像，导致不能够很好地呈现出该类微创手术所需呈现的内部组织。
发明内容
本申请的目的在于提供一种三维成像方法、装置、电子设备、系统和可读存储介质，以改善现有技术中医学成像效果不足的问题。
第一方面，本申请实施例提供了一种三维成像方法，包括：
获取目标对象的第一图像数据；其中，所述第一图像数据为第一格式的图像数据；
根据所述第一图像数据构建所述目标对象的三维模型；
获取所述目标对象的指定部位的第二图像数据；其中，所述第二图像数据为第二格式的图像数据，所述第二格式与所述第一格式不同；以及
将所述第二图像数据与所述三维模型进行对比，以确定出所述三维模型中所述指定部位的三维影像。
可选地，将所述第二图像数据与所述三维模型进行对比，以确定出所述三维模型中所述指定部位的三维影像，包括：
根据所述三维模型，生成多张平面投射图；
从多张所述平面投射图中，提取多项第一图像特征；
提取所述第二图像数据的第二图像特征；
根据所述第一图像特征与所述第二图像特征，以确定出所述三维模型中所述指定部位的三维影像。
可选地，根据所述第一图像特征与所述第二图像特征，以确定出所述三维模型中所述指定部位的三维影像，包括：
计算所述第二图像特征与各项所述第一图像特征的距离；
根据所述第二图像特征与各项所述第一图像特征的距离，从多项所述第一图像特征中确定出目标图像特征；以及
根据所述目标图像特征，确定出所述三维模型中所述指定部位的三维影像。
可选地，所述第一图像特征或所述第二图像特征采用以下方式进行提取：
根据待处理图像中的各个像素点的坐标，确定出所述待处理图像的角点特征；其中，所述待处理图像为平面投射图或第二图像数据；
根据所述指定部位的解剖模型，确定出所述待处理图像的先验部位特征；以及
根据所述角点特征和所述先验部位特征，确定出所述待处理图像的图像特征；其中，所述待处理图像的图像特征包括第一图像特征或所述第二图像特征。
可选地，根据待处理图像中的各个像素点的坐标，确定出所述待处理图像的角点特征，包括：
确定出待处理图像的各个像素点在两个坐标轴上的方向导数；
根据所述方向导数构建所述待处理图像的半正定矩阵；
根据所述待处理图像的各个像素点的坐标计算权重参量；以及
根据所述权重参量和所述半正定矩阵，计算所述待处理图像的角点特征。
可选地，根据所述指定部位的解剖模型，确定出所述待处理图像的先验部位特征，包括：
根据所述指定部位的解剖模型，确定出所述待处理图像的先验知识模板；
标记所述待处理图像中所述指定部位的特征点和特征线；以及
根据所述特征点、所述特征线和所述先验知识模板，确定出所述待处理图像对应部位的先验部位特征。
可选地，从多张所述平面投射图中，提取多项第一图像特征，包括：
确定出多张所述平面投射图中的骨组织区域的第一骨组织面积；
确定出所述第二图像数据中的骨组织区域的第二骨组织面积；
从多张所述平面投射图中，筛选出所述第一骨组织面积与所述第二骨组织面积的面积差小于预设值的多张目标平面投射图；以及
提取多张所述目标平面投射图的多项第一图像特征。
可选地，确定出所述第二图像数据中的骨组织区域的第二骨组织面积，包括：
对所述第二图像数据进行边缘检测，确定出所述骨组织区域；以及
根据所述骨组织区域，确定出所述第二图像数据中的骨组织区域的第二骨组织面积。
可选地，对所述第二图像数据进行边缘检测，确定出所述骨组织区域，包括：
使用退火算法，对所述第二图像数据进行边缘检测，确定出所述骨组织区域。
可选地，使用退火算法，对所述第二图像数据进行边缘检测，确定出所述骨组织区域，通过以下方式实现：
在所述第二图像数据中设定初始组织区域，所述初始组织区域表示为： V={V0,V1,V2,V3}；其中，V0表示为空白区域，V1表示骨组织区域，V2表示软组织区域，V3表示其他低密度组织区域；
通过以下流程处理组织区域：
设随机初始状态
Figure M_221028095111989_989024001
；
通过设定的状态变换函数计算每次迭代时的状态；其中，状态变换函数如下：
Figure M_221028095112035_035884001
；
其中，I表示对第二图像数据中的每一个点P(x,y)，取相邻节点(x±1，y±1)的卷积，
Figure M_221028095112082_082765001
表示为狄利克雷函数，用于判定经过卷积平均后的当前点P(x,y)属于相应的Vi中，k表示迭代次数，f表示状态变换函数，
Figure M_221028095112114_114017002
表示状态变化组织，
Figure M_221028095112145_145271003
表示点P(x,y)的卷积；
Figure M_221028095112182_182370004
表示第n次迭代下的第k类组织区域；
计算目标函数代价：
Figure M_221028095112213_213652001
；
其中，
Figure M_221028095112244_244880001
；
且
Figure M_221028095112291_291763001
；
其中，△C表示目标函数代价，为一类基于L2范数构造的度量函数，
Figure M_221028095112323_323015001
表示第i类组织区域，
Figure M_221028095112354_354251002
表示任意一个组织区域，其中，i的取值为0、1、2、3；
若
Figure M_221028095112387_387479001
<0，则接受
Figure M_221028095112403_403131002
为组织区域Vk，C表示目标函数；
更新迭代次数n=n+1；重复上述处理组织区域的流程，直到满足：
Figure M_221028095112434_434825001
；
其中，S(Vi)表示组织区域Vi在第二图像数据中的最大边界，其中，i的取值为0、1、2、3。
可选地，所述第一图像数据为DICOM格式影像数据；所述第二图像数据为X线片。
第二方面，本申请提供了一种三维成像装置，包括：
第一获取模块，用于获取目标对象的第一图像数据，所述第一图像数据为第一格式的图像数据；
构建模块，用于根据所述第一图像数据构建所述目标对象的三维模型；
第二获取模块，用于获取所述目标对象的指定部位的第二图像数据，所述第二图像数据为第二格式的图像数据，所述第二格式与所述第一格式不同；以及
对比模块，用于将所述第二图像数据与所述三维模型进行对比，以确定出所述三维模型中所述指定部位的三维影像。
第三方面，本申请提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现上述的方法。
第四方面，本申请提供了一种三维成像系统，包括：
CT机，用于采集目标对象的第一图像数据；
C臂机，用于采集所述目标对象的第二图像数据；以及
上述的电子设备，通过执行计算机程序以实现上述的方法。
第五方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序或计算机指令，其特征在于，该计算机程序或计算机指令被处理器执行时实现上述的方法。
本申请实施例的有益效果是：通过先构建目标用户的三维模型，然后在需要呈现目标对象的局部模型时，可以基于得到的第二图像数据与三维模型的对比，可以基于该三维图像呈现出目标对象的部分部位。通过该三维图像呈现出目标对象的部分部位可以更形象地呈现不能表露在外的目标对象的部位，可以方便对不能表露在外的目标对象的部位的观察。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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三维成像系统进行交互的示意图；
图2为本申请实施例提供的电子设备的方框示意图；
图3为本申请实施例提供的三维成像方法的流程图；
图4为本申请实施例提供的三维成像方法的步骤240的示例性流程图；
图5为本申请实施例提供的三维成像方法中图像特征提取的方法流程图；
图6为本申请实施例提供的三维成像方法的步骤242的示例性流程图；
图7为本申请实施例提供的三维成像装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
目前随着计算机技术的进步，部分医学技术也使用了计算机技术来实现。例如，在手术阶段，手术的成像技术逐渐向精准化、微创化方向发展。精准、微创手术具有比传统手术更小的切口和手术损伤，更少的出血以及更低的手术并发症发生率。骨科手术技术也顺应潮流向着微创精准手术及智能化手术方向发展，为满足这一场景的需求，术中手术对象内部图像对手术尤其重要。
传统骨科微创手术由于手术切口小，无法获得直视或触诊定位条件，使得在骨骼中精确置入内置物手术操作难度和风险都比较大。目前的骨科微创手术的技术难点主要在于仅依赖二维图像引导确定内置物置入定位及评估。由于微创手术方式，往往以打孔建立隧道形式置入内置物进行手术，因此手术医生无法通过解剖创口的方式使人眼能够直视人体内部组织结构。只能借助术中的影像系统提供实时多角度二维X线片，再根据经验识别X线片中骨骼部位对应的真实三维人体的结构确定植入物位置进行手术。但是二维图像显示的局限性使得即使是临床经验丰富的大型医院高年资医生也无法保证能够准确地将二维X线片与三维真实组织结构对应起来。由手术医生依靠经验总结、知识积累和二维X线片的图像读片能力实施骨科微创手术，这导致该类手术的风险和技术门槛都比较高。
基于上述现状的研究，本申请提供了一种三维成像方法，可以基于术中普通二维x线片定位获取虚拟三维成像骨骼空间定位技术实现术中三维图像显示及手术导航目的，该技术极大的降低技术准入门槛。
为便于对本实施例进行理解，首先对执行本申请实施例所公开的一种三维成像方法的运行环境三维成像系统进行介绍。
如图1所示，是本申请实施例提供的电子设备与医学采集设备120进行交互的示意图。可选地，该电子设备110可以通过网络与一个或多个医学采集设备120进行通信连接，以进行数据通信或交互。该电子设备110可以是网络服务器、数据库服务器等，也可以是个人电脑（personal computer，PC）、平板电脑、智能手机、个人数字助理（personal digitalassistant，PDA）等。
医学采集设备120可以是CT机121，用于采集目标对象的第一图像数据。该第一图像数据可以是DICOM（Digital Imaging and Communications in Medicine，医学数字成像和通信）格式的影像数据。该CT机121也可以称为计算机X线断层摄影机。
医学采集设备120可以是C臂机122，用于采集所述目标对象的第二图像数据。该第二图像数据可以是拍摄的X线片。该C臂机122也可以被称为C型臂X光机。
电子设备110可以用来处理该CT机采集的DICOM格式的影像数据和C臂机拍摄的X线片。
该电子设备110可以将DICOM格式的影像数据转换成为nii格式文件；然后可以将图像数据重建成三维模型。
该电子设备110可以载入C臂机中的X线片图像信息，然后进行图像预处理。预处理技术包括图像校准、图像滤噪、图像曝光调节以及图像尺寸修正。
如图2所示，是电子设备110的方框示意图。电子设备110可以包括存储器111、处理器113、输入输出单元115、显示单元117。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对电子设备110的结构造成限定。例如，电子设备110还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。
上述的存储器111、处理器113、输入输出单元115及显示单元117各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的计算机程序，该计算机程序可以被该处理器113执行。
其中，存储器111可以是，但不限于，随机存取存储器（Random Access Memory，简称RAM），只读存储器（Read Only Memory，简称ROM），可编程只读存储器（ProgrammableRead-Only Memory，简称PROM），可擦除只读存储器（Erasable Programmable Read-OnlyMemory，简称EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-OnlyMemory，简称EEPROM）等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备110所执行的方法可以应用于处理器113中，或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
上述的显示单元117在电子设备110与用户之间提供一个交互界面（例如用户操作界面）或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
本实施例中的电子设备110可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述三维成像方法的实现过程。
请参阅图3，是本申请实施例提供的三维成像方法的流程图。下面将对图3所示的具体流程进行详细阐述。
步骤210，获取目标对象的第一图像数据。
其中，该第一图像数据为第一格式的图像数据。该第一格式可以是DICOM格式。
该目标对象可以是需要被查看内部组织的人。
可选地，该第一图像数据可以是包含该目标对象的指定部位的图像数据。该指定部位可以是该目标对象的身体内部的任意一个部位。例如，该指定部位可以是目标对象的肾脏部位、肝脏部位等。
示例性地，该第一图像数据可以包括目标对象的指定部位多个维度的图像。该第一图像数据可以包括该目标对象的指定部位的每个区域的图像。
本实施例中的三维成像方法可以用在显示目标对象的身体内部组织的图像。
步骤220，根据该第一图像数据构建该目标对象的三维模型。
本实施例中，该第一图像数据可以包括目标对象的指定部位的多个角度的图像。通过将该指定部位的多个角度的图像进行拼接，以构建该目标对象的指定部位的三维模型。
步骤230，获取该目标对象的指定部位的第二图像数据。
其中，该第二图像数据为第二格式的图像数据，该第二格式与该第一格式不同。
该第二格式可以是通过C臂机拍摄得到的X线片。
步骤240，将该第二图像数据与该三维模型进行对比，以确定出该三维模型中该指定部位的三维影像。
可选地，可以将该第二图像数据与三维模型进行对比，可以确定出该第二图像数据呈现的是该三维模型的某一角度的图像。
可选地，可以计算第二图像数据与该三维模型的各个视角的图像的相似度，筛选出在三维模型中与第二图像数据中相似度最高的视角。
通过上述步骤，通过先构建目标用户的三维模型，然后在需要呈现目标对象的局部模型时，可以基于得到的第二图像数据与三维模型的对比，可以基于该三维图像呈现出目标对象的部分部位。通过该三维图像呈现出目标对象的部分部位可以更形象地呈现不能表露在外的目标对象的部位，可以方便对不能表露在外的目标对象的部位的观察。
在一些可选的实施方式中，可以通过以下方式实现第二图像数据与三维模型的对比。如图4所示，步骤240可以包括：步骤241至步骤244。
步骤241，根据该三维模型，生成多张平面投射图。
可选地，可以基于该三维模型，确定出该三维模型投射在不同角度的平面图像，以该平面图像作为该三维模型的平面投射图。
步骤242，从该多张平面投射图中，提取多项第一图像特征。
在一种可选的实施方式中，可以对第二图像数据进行边缘检测，以确定出该第二图像数据中的各组织部分的图像，基于各组织的图像确定出第二图像数据中各组织面积；然后对各张平面投射图进行边缘检测，以去定出平面投射图中的各组织部分的图像，基于各组织的图像确定出平面投射图中各组织面积；对比第二图像数据中的目标组织的面积和平面投射图中的目标组织的面积，从而筛选出目标组织面积比较接近的部分平面投射图。其中，各组织可以是空白、骨性组织、软组织、脏器组织或其他低密度组织（如血液等），该目标组织可以是骨性组织、脏器组织等任一组织。
在另一种可选的实施方式中，可以对第二图像数据的颜色深度进行识别，以确定出该第二图像数据中各组织的图像，基于各组织的图像确定出第二图像数据中各组织面积，然后对各张平面投射图进行颜色识别，以确定出各组织部分的图像，基于各组织的图像确定出平面投射图中各组织面积；对比第二图像数据中的目标组织的面积和平面投射图中的目标组织的面积，从而筛选出目标组织面积比较接近的部分平面投射图。
可选地，可以对每一张平面投射图进行特征提取，得到该第一图像特征。
可选地，也可以对各张平面投射图与第二图像数据进行对比，筛选出与第二图像数据相似度比较高的部分平面投射图。提取相似度比较好的部分平面投射图的图像特征，以得到该多项第一图像特征。
步骤243，提取该第二图像数据的第二图像特征。
其中，提取第一图像特征的方法与提取第二图像特征的方法相同。
示例性地，提取该第一图像特征和第二图像特征可以采用一些神经网络算法实现。
步骤244，根据该第一图像特征与该第二图像特征，以确定出该三维模型中该指定部位的三维影像。
可选地，可以先计算该第二图像特征与各项该第一图像特征的距离；根据该第二图像特征与各项该第一图像特征的距离，从多项该第一图像特征中确定出目标图像特征；以及根据该目标图像特征，确定出该三维模型中该指定部位的三维影像。
可以选择与第二图像特征距离最近的第一图像特征作为目标图像特征，该目标图像特征对应的平面投影图在三维模型中部分影像作为该三维模型中该指定部位的三维影像。
通过上述步骤，可以实现对将第二图像数据与三维模型的对比，从而识别出该第二图像数据所呈现的部位，从而可以以确定出指定部位对应的三维影像，可以方便相关用户观察目标对象的指定部位的三维影像。
为了使提取的特征能够更好地表示图像，如图5所示，可以通过以下步骤提取第一图像特征或第二图像特征。
步骤310，根据待处理图像中的各个像素点的坐标，确定出该待处理图像的角点特征。
其中，待处理图像为平面投射图或第二图像数据。
可选地，可以确定出待处理图像的各个像素点在两个坐标轴上的方向导数；根据该方向导数构建该待处理图像的半正定矩阵；根据该待处理图像的各个像素点的坐标计算权重参量；以及根据该权重参量和该半正定矩阵，计算该待处理图像的角点特征。
示例性地，该角点特征可以包括角点矩阵矩阵和角点量。
示例性地，两个坐标轴可以是水平方向和竖直方向上的坐标轴。可以通过对每一个像素点进行预处理得到两个坐标轴上的方向导数，可以分别表示为Ix，Iy。基于该方向导数可以得到像素点(x,y)的半正定矩阵M。
该半正定矩阵M可以表示为：
Figure M_221028095112481_481685001
。
然后可以根据待处理图像中的各个像素点的坐标计算得到权重参量W，该权重参量W可以表示为：
Figure M_221028095112561_561283001
；
可以将该权重参量W和半正定矩阵M相乘可以得到待处理图像的角点特征矩阵MI，
Figure M_221028095112624_624372001
。
本实施例中，还可以根据预处理得到的两个坐标轴上的方向导数Ix，Iy，计算角点量：
Figure M_221028095112655_655565001
。
步骤320，根据该指定部位的解剖模型，确定出该待处理图像的先验部位特征。
该先验部位特征可以包括特征点和特征线。示例性地，该特征点可以表示目标对象的指定部位中的各组织的关键点，该特征线可以表示目标对象的指定部位中的各组织中的关键点之间的连线，也可以表示指定部位的关键边缘、关键棱角等。
可选地，可以根据该指定部位的解剖模型，确定出该待处理图像的先验知识模板；标记该待处理图像中该指定部位的特征点和特征线；以及根据该特征点、该特征线和该先验知识模板，确定出该待处理图像对应部位的先验部位特征。
其中，该先验知识模板中可以标记有各组织中存在的特征点、特征线等信息。
示例性地，该解剖模型可以是预先构建的指定部位的解剖模型。该解剖模型可以包括解剖该指定部位所需的操作位置的相关信息。例如，各个部位的名称、各部位的位置、各部位的厚度等。该解剖模型可以包括该指定部位关键位置的相关信息。再例如，指定部位的关键位置、关键线等信息。
该解剖模型可以是三维模型或二维模型。该解剖模型中可以标记有解剖该指定部位所需的操作位置的相关信息，或该指定部位关键位置的相关信息。示例性地，该解剖模型可以通过突出点、突出线条等方式在该解剖模型中标记需要标记的信息。
可选地，可以根据该指定部位的解剖模型，确定出该待处理图像的先验知识模板；可以将待处理图像与该先验知识模板进行对比，以确定出待处理图像中的特征点、特征线，以构建待处理图像对应部位的先验部位特征。
步骤330，根据该角点特征和该先验部位特征，确定出该待处理图像的图像特征。
其中，待处理图像是第二图像数据时，该待处理图像的图像特征则可以表示第二图像特征。该待处理图像是平面投射图时，该待处理图像的图像特征则可以是第一图像特征。
可以将角点特征和该先验部位特征对应的像素点集合定义为待处理图像的图像特征V。
两项图像特征的距离可以采用马氏距离（Mahalanobis Distance）计算得到。
示例性地，第二图像数据对应的第二图像特征可以表示为Vx与平面投射图的第一图像特征Vct 的距离，可以表示为：
Figure M_221028095112718_718062001
。
搜索最小距离的投影面：
Figure M_221028095112798_798110001
。
其中，能满足
Figure M_221028095112860_860614001
的平面投射图可以作为目标投射图，该目标投射图在三维模型中的视角则为该第二图像数据的所呈现的视角。
通过确定出角点特征和先验知识特征，可以更好地表示图像中所包含的信息，从而可以使第二图像数据与各张平面投射图的对比结果能够更加准确。
考虑三维模型可投射的面较多，则得到的平面投射图比较多，如果将所有的平面投射图都进行计算，则可能会导致计算量较大。因此，还可以对得到的平面投射图进行筛选，筛选出部分平面投射图。基于此研究，如图6所示，步骤242可以包括步骤2421至步骤2424。
步骤2421，确定出多张平面投射图中的骨组织区域的第一骨组织面积。
可以对该平面投射图进行边缘检测，确定出该骨组织区域；以及根据该骨组织区域，确定出该平面投射图中的骨组织区域的第一骨组织面积。
可选地，可以使用退火算法，对该平面投射图进行边缘检测，确定出该骨组织区域。
步骤2422，确定出该第二图像数据中的骨组织区域的第二骨组织面积。
可以对该第二图像数据进行边缘检测，确定出该骨组织区域；以及根据该骨组织区域，确定出该第二图像数据中的骨组织区域的第二骨组织面积。
可选地，可以使用退火算法，对该第二图像数据进行边缘检测，确定出该骨组织区域。
使用退火算法，对该第二图像数据进行边缘检测，确定出该骨组织区域，通过以下方式实现：
在该第二图像数据中设定初始组织区域，该初始组织区域表示为： V={V0,V1,V2,V3}；其中，V0表示为空白区域，V1表示骨组织区域，V2表示软组织区域，V3表示其他低密度组织区域；
通过以下流程处理骨组织区域：
可以设随机初始状态
Figure M_221028095112907_907475001
；
通过设定的状态变换函数计算每次迭代时的状态；其中，状态变换函数如下：
Figure M_221028095112938_938730001
；
其中，I表示对第二图像数据中的每一个点P(x,y)，取相邻节点(x±1，y±1)的卷积，
Figure M_221028095112987_987047001
表示为狄利克雷函数，用于判定经过卷积平均后的当前点P(x,y)属于相应的Vi中，n表示迭代次数，f表示状态变换函数，
Figure M_221028095113018_018339002
表示状态变化组织区域，
Figure M_221028095113049_049568003
表示点P(x,y)的卷积；
Figure M_221028095113080_080894004
表示第n次迭代下的第k类组织区域。
其中，由于在上述实例中划分了四类组织区域，因此k的取值范围为大于或等于0，且小于或等于3的正整数。
计算目标函数代价：
Figure M_221028095113112_112093001
；
其中，
Figure M_221028095113143_143313001
；
且
Figure M_221028095113176_176026001
；
其中，△C表示目标函数代价，为一类基于L2范数构造的度量函数，
Figure M_221028095113222_222918001
表示第i类组织区域，
Figure M_221028095113238_238562002
表示任意一个组织区域；
若
Figure M_221028095113269_269775001
<0，则当k=1时，接受
Figure M_221028095113301_301047002
为组织区域Vk，C表示目标函数，目标函数可以是距离函数，例如，L2范数函数构造的距离函数。
上述
Figure M_221028095113332_332307001
中的
Figure M_221028095113364_364477002
可以表示任何需要计算目标函数的值的组织区域。
例如，若
Figure M_221028095113411_411869001
<0，则当k=1时，接受
Figure M_221028095113427_427486002
为骨组织区域V1。
通过上述公式，可以实现对各个组织区域的确定。
更新迭代次数n=n+1；重复上述处理组织区域的流程，直到满足：
Figure M_221028095113458_458773001
；
其中，S(Vi)表示组织区域Vi在第二图像数据中的最大边界，i的取值为0、1、2、3。
本实施例中，该平面投射图的第一骨组织面积的确定方式也可以与上述的第二图像数据中的骨组织面积的确定方式可以相似。
步骤2423，从多张该平面投射图中，筛选出该第一骨组织面积与该第二骨组织面积的面积差小于预设值的多张目标平面投射图。
该预设值可以按需设置。具体可以根据不同场景，设置该预设值不同预设值。
步骤2424，提取多张该目标平面投射图的多项第一图像特征。
提取目标平面投射图的第一图像特征的方法可以采用上述步骤310至步骤330提供的特征提取方法。
通过对多张平面投射图进行筛选，筛选出部分平面投射图，可以降低计算量。也可以降低一些干扰项对后续图像对比的干扰，提高对比结果的准确性。
基于同一申请构思，本申请实施例中还提供了与三维成像方法对应的三维成像装置，由于本申请实施例中的装置解决问题的原理与前述的三维成像方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参阅图7，是本申请实施例提供的三维成像装置的功能模块示意图。本实施例中的三维成像装置中的各个模块用于执行上述方法实施例中的各个步骤。三维成像装置包括：第一获取模块410、构建模块420、第二获取模块430以及对比模块440；其中，各个模块的内容如下所示：
第一获取模块410，用于获取目标对象的第一图像数据，该第一图像数据为第一格式的图像数据；
构建模块420，用于根据该第一图像数据构建该目标对象的三维模型；
第二获取模块430，用于获取该目标对象的指定部位的第二图像数据，该第二图像数据为第二格式的图像数据，该第二格式与该第一格式不同；以及
对比模块440，用于将该第二图像数据与该三维模型进行对比，以确定出该三维模型中该指定部位的三维影像。
一种可能的实施方式中，对比模块440包括：第一生成单元、第一提取单元、第二提取单元以及影像确定单元。
第一生成单元，用于根据该三维模型，生成多张平面投射图；
第一提取单元，用于从该多张平面投射图中，提取多项第一图像特征；
第二提取单元，用于提取该第二图像数据的第二图像特征；
影像确定单元，用于根据该第一图像特征与该第二图像特征，以确定出该三维模型中该指定部位的三维影像。
一种可能的实施方式中，影像确定单元，用于计算该第二图像特征与各项该第一图像特征的距离；根据该第二图像特征与各项该第一图像特征的距离，从多项该第一图像特征中确定出目标图像特征；以及根据该目标图像特征，确定出该三维模型中该指定部位的三维影像。
一种可能的实施方式中，三维成像装置可以包括特征提取模块，该特征提取模块可以包括：角点确定单元、先验确定单元和图像确定单元。
角点确定单元，用于根据待处理图像中的各个像素点的坐标，确定出该待处理图像的角点特征；其中，该待处理图像为平面投射图或第二图像数据；
先验确定单元，用于根据该指定部位的解剖模型，确定出该待处理图像的先验部位特征；以及
图像确定单元，用于根据该角点特征和该先验部位特征，确定出该待处理图像的图像特征；其中，该待处理图像的图像特征包括第一图像特征或该第二图像特征。
一种可能的实施方式中，角点确定单元，用于确定出待处理图像的各个像素点在两个坐标轴上的方向导数；根据该方向导数构建该待处理图像的半正定矩阵；根据该待处理图像的各个像素点的坐标计算权重参量；以及根据该权重参量和该半正定矩阵，计算该待处理图像的角点特征。
一种可能的实施方式中，先验确定单元，用于根据该指定部位的解剖模型，确定出该待处理图像的先验知识模板；标记该待处理图像中该指定部位的特征点和特征线；以及根据该特征点、该特征线和该先验知识模板，确定出该待处理图像对应部位的先验部位特征。
一种可能的实施方式中，第一提取单元，用于确定出多张该平面投射图中的骨组织区域的第一骨组织面积；确定出该第二图像数据中的骨组织区域的第二骨组织面积；从多张该平面投射图中，筛选出该第一骨组织面积与该第二骨组织面积的面积差小于预设值的多张目标平面投射图；以及提取多张该目标平面投射图的多项第一图像特征。
一种可能的实施方式中，第一提取单元，用于对该第二图像数据进行边缘检测，确定出该骨组织区域；以及根据该骨组织区域，确定出该第二图像数据中的骨组织区域的第二骨组织面积。
一种可能的实施方式中，第一提取单元，用于使用退火算法，对该第二图像数据进行边缘检测，确定出该骨组织区域。
一种可能的实施方式中，第一提取单元，用于：
在该第二图像数据中设定初始组织区域，该初始组织区域表示为： V={V0,V1,V2,V3}；其中，V0表示为空白区域，V1表示骨组织区域，V2表示软组织区域，V3表示其他低密度组织区域；
通过以下流程处理组织区域：
设随机初始状态V(0)、V(1)、V(2)、V(3)；
通过设定的状态变换函数计算每次迭代时的状态；其中，状态变换函数如下：
Figure M_221028095113505_505622001
；
其中，I表示对第二图像数据中的每一个点P(x,y)，取相邻节点(x±1，y±1)的卷积，
Figure M_221028095113552_552488001
表示为狄利克雷函数，用于判定经过卷积平均后的当前点P(x,y)属于相应的Vi中，n表示迭代次数，f表示状态变换函数，
Figure M_221028095113585_585208002
表示状态变化组织，
Figure M_221028095113616_616477003
表示点P(x,y)的卷积；
Figure M_221028095113632_632122004
表示第n次迭代下的第k类组织区域；
计算目标函数代价：
Figure M_221028095113694_694597001
；
其中，
Figure M_221028095113757_757092001
；
且
Figure M_221028095113813_813721001
；
其中，△C表示目标函数代价，为一类基于L2范数构造的度量函数，
Figure M_221028095113844_844976001
表示第i类组织区域，
Figure M_221028095113876_876223002
表示任意一个组织区域；
若
Figure M_221028095113907_907489001
<0，则接受
Figure M_221028095113938_938277002
为组织区域Vk，C表示目标函数；
更新迭代次数n=n+1；重复上述处理组织区域的流程，直到满足：
Figure M_221028095113970_970558001
；
其中，S(Vi)表示组织区域Vi在第二图像数据中的最大边界，i的取值为0、1、2、3。
一种可能的实施方式中，该第一图像数据为DICOM格式影像数据；该第二图像数据为X线片。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的三维成像方法的步骤。
本申请实施例所提供的三维成像方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的三维成像方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种三维成像方法，其特征在于，包括：
获取目标对象的第一图像数据；其中，所述第一图像数据为第一格式的图像数据；
根据所述第一图像数据构建所述目标对象的三维模型；
获取所述目标对象的指定部位的第二图像数据；其中，所述第二图像数据为第二格式的图像数据，所述第二格式与所述第一格式不同；以及
根据所述三维模型，生成多张平面投射图；
从多张所述平面投射图中，提取多项第一图像特征；
提取所述第二图像数据的第二图像特征；
根据所述第一图像特征与所述第二图像特征，以确定出所述三维模型中所述指定部位的三维影像。
2.根据权利要求1所述的方法，其特征在于，根据所述第一图像特征与所述第二图像特征，以确定出所述三维模型中所述指定部位的三维影像，包括：
计算所述第二图像特征与各项所述第一图像特征的距离；
根据所述第二图像特征与各项所述第一图像特征的距离，从多项所述第一图像特征中确定出目标图像特征；以及
根据所述目标图像特征，确定出所述三维模型中所述指定部位的三维影像。
3.根据权利要求1所述的方法，其特征在于，所述第一图像特征或所述第二图像特征采用以下方式进行提取：
根据待处理图像中的各个像素点的坐标，确定出所述待处理图像的角点特征；其中，所述待处理图像为平面投射图或第二图像数据；
根据所述指定部位的解剖模型，确定出所述待处理图像的先验部位特征；以及
根据所述角点特征和所述先验部位特征，确定出所述待处理图像的图像特征；其中，所述待处理图像的图像特征包括第一图像特征或所述第二图像特征。
4.根据权利要求3所述的方法，其特征在于，根据待处理图像中的各个像素点的坐标，确定出所述待处理图像的角点特征，包括：
确定出待处理图像的各个像素点在两个坐标轴上的方向导数；
根据所述方向导数构建所述待处理图像的半正定矩阵；
根据所述待处理图像的各个像素点的坐标计算权重参量；以及
根据所述权重参量和所述半正定矩阵，计算所述待处理图像的角点特征。
5.根据权利要求3所述的方法，其特征在于，根据所述指定部位的解剖模型，确定出所述待处理图像的先验部位特征，包括：
根据所述指定部位的解剖模型，确定出所述待处理图像的先验知识模板；
标记所述待处理图像中所述指定部位的特征点和特征线；以及
根据所述特征点、所述特征线和所述先验知识模板，确定出所述待处理图像对应部位的先验部位特征。
6.根据权利要求1所述的方法，其特征在于，从多张所述平面投射图中，提取多项第一图像特征，包括：
确定出多张所述平面投射图中的骨组织区域的第一骨组织面积；
确定出所述第二图像数据中的骨组织区域的第二骨组织面积；
从多张所述平面投射图中，筛选出所述第一骨组织面积与所述第二骨组织面积的面积差小于预设值的多张目标平面投射图；以及
提取多张所述目标平面投射图的多项第一图像特征。
7.根据权利要求6所述的方法，其特征在于，确定出所述第二图像数据中的骨组织区域的第二骨组织面积，包括：
对所述第二图像数据进行边缘检测，确定出所述骨组织区域；以及
根据所述骨组织区域，确定出所述第二图像数据中的骨组织区域的第二骨组织面积。
8.根据权利要求7所述的方法，其特征在于，对所述第二图像数据进行边缘检测，确定出所述骨组织区域，包括：
使用退火算法，对所述第二图像数据进行边缘检测，确定出所述骨组织区域。
9.根据权利要求8所述的方法，其特征在于，使用退火算法，对所述第二图像数据进行边缘检测，确定出所述骨组织区域，通过以下方式实现：
在所述第二图像数据中设定初始组织区域，所述初始组织区域表示为： V={V0,V1,V2,V3}；其中，V0表示为空白区域，V1表示骨组织区域，V2表示软组织区域，V3表示其他低密度组织区域；
通过以下流程处理组织区域：
通过设定的状态变换函数计算每次迭代时的状态；其中，状态变换函数如下：
Figure M_221219171859625_625396001
；
其中，I表示对第二图像数据中的每一个点P(x,y)，取相邻节点(x±1，y±1)的卷积，
Figure M_221219171859684_684444001
表示为狄利克雷函数，用于判定经过卷积平均后的当前点P(x,y)属于相应的Vi中，n表示迭代次数，f表示状态变换函数，
Figure M_221219171859700_700055002
表示状态变化组织，
Figure M_221219171859731_731300003
表示点P(x,y)的卷积；
Figure M_221219171859762_762540004
表示第n次迭代下的第k类组织区域；
计算目标函数代价：
Figure M_221219171859793_793807001
；
其中，
Figure M_221219171859812_812934001
；
且
Figure M_221219171859840_840733001
；
其中，△C表示目标函数代价，为一类基于L2范数构造的度量函数，
Figure M_221219171859871_871946001
表示第i类组织区域，
Figure M_221219171859903_903194002
表示任意一个组织区域；
若
Figure M_221219171859918_918793001
<0，则接受
Figure M_221219171859950_950061002
为组织区域Vk，C表示目标函数；
更新迭代次数n=n+1；重复上述处理组织区域的流程，直到满足：
Figure M_221219171859981_981311001
；
其中，S(Vi)表示组织区域Vi在第二图像数据中的最大边界，i的取值为0、1、2、3。
10.根据权利要求1-9任意一项所述的方法，其特征在于，所述第一图像数据为DICOM格式影像数据；所述第二图像数据为X线片。
11.一种三维成像装置，其特征在于，包括：
第一获取模块，用于获取目标对象的第一图像数据，所述第一图像数据为第一格式的图像数据；
构建模块，用于根据所述第一图像数据构建所述目标对象的三维模型；
第二获取模块，用于获取所述目标对象的指定部位的第二图像数据，所述第二图像数据为第二格式的图像数据，所述第二格式与所述第一格式不同；以及
对比模块，用于将所述第二图像数据与所述三维模型进行对比，以确定出所述三维模型中所述指定部位的三维影像；
其中，所述对比模块包括：第一生成单元、第一提取单元、第二提取单元以及影像确定单元；
第一生成单元，用于根据所述三维模型，生成多张平面投射图；
第一提取单元，用于从所述多张平面投射图中，提取多项第一图像特征；
第二提取单元，用于提取所述第二图像数据的第二图像特征；
影像确定单元，用于根据所述第一图像特征与所述第二图像特征，以确定出所述三维模型中所述指定部位的三维影像。
12.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求 1-10任意一项所述的方法。
13.一种三维成像系统，其特征在于，包括：
CT机，用于采集目标对象的第一图像数据；
C臂机，用于采集所述目标对象的第二图像数据；以及
权利要求12所述的电子设备，通过执行计算机程序以实现权利要求 1-10任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序或计算机指令，其特征在于，该计算机程序或计算机指令被处理器执行时实现权利要求1-10任意一项所述的方法。
CN202211346839.1A 2022-10-31 2022-10-31 三维成像方法、装置、电子设备、系统和可读存储介质 Active CN115409835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211346839.1A CN115409835B (zh) 2022-10-31 2022-10-31 三维成像方法、装置、电子设备、系统和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211346839.1A CN115409835B (zh) 2022-10-31 2022-10-31 三维成像方法、装置、电子设备、系统和可读存储介质

Publications (2)

Publication Number Publication Date
CN115409835A CN115409835A (zh) 2022-11-29
CN115409835B true CN115409835B (zh) 2023-02-17

Family

ID=84168089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211346839.1A Active CN115409835B (zh) 2022-10-31 2022-10-31 三维成像方法、装置、电子设备、系统和可读存储介质

Country Status (1)

Country Link
CN (1) CN115409835B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503715A (zh) * 2019-08-08 2019-11-26 苏州浪潮智能科技有限公司 一种医学影像的三维重建方法、装置及电子设备和存储介质
CN110570515A (zh) * 2019-09-03 2019-12-13 天津工业大学 一种利用ct图像进行人体骨骼三维建模的方法
CN110660123A (zh) * 2018-06-29 2020-01-07 清华大学 基于神经网络的三维ct图像重建方法和设备以及存储介质
CN112184781A (zh) * 2020-09-14 2021-01-05 中国科学院深圳先进技术研究院 超声图像和ct图像的配准方法、装置及设备
CN113628260A (zh) * 2021-07-05 2021-11-09 中国科学院深圳先进技术研究院 一种图像配准方法、装置、终端设备和存储介质
CN113838557A (zh) * 2021-09-15 2021-12-24 王其景 一种医学影像三维重建模拟方法及系统
CN115068110A (zh) * 2022-06-14 2022-09-20 中国人民解放军总医院第一医学中心 用于股骨颈骨折手术导航的图像配准方法及系统
CN115131487A (zh) * 2022-07-22 2022-09-30 苏州微创畅行机器人有限公司 医学影像处理方法、系统、计算机设备、存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017214475B4 (de) * 2017-08-18 2021-06-24 Leipzig Heart Institute GmbH Verfahren und System zur Bereitstellung eines 3D-Modells eines Objekts an einem elektrophysiologischen Messplatz
US11810315B2 (en) * 2019-05-30 2023-11-07 Jgc Corporation Alignment method for use in plant
CN111243082A (zh) * 2020-01-08 2020-06-05 浙江大学 获得数字影像重建图像的方法、系统、装置及存储介质
CN114241198A (zh) * 2021-12-22 2022-03-25 沈阳东软智能医疗科技研究院有限公司 获取局部影像组学特征的方法、装置、设备以及存储介质
CN115063386A (zh) * 2022-06-30 2022-09-16 卫宁健康科技集团股份有限公司 医学图像处理方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660123A (zh) * 2018-06-29 2020-01-07 清华大学 基于神经网络的三维ct图像重建方法和设备以及存储介质
CN110503715A (zh) * 2019-08-08 2019-11-26 苏州浪潮智能科技有限公司 一种医学影像的三维重建方法、装置及电子设备和存储介质
CN110570515A (zh) * 2019-09-03 2019-12-13 天津工业大学 一种利用ct图像进行人体骨骼三维建模的方法
CN112184781A (zh) * 2020-09-14 2021-01-05 中国科学院深圳先进技术研究院 超声图像和ct图像的配准方法、装置及设备
CN113628260A (zh) * 2021-07-05 2021-11-09 中国科学院深圳先进技术研究院 一种图像配准方法、装置、终端设备和存储介质
CN113838557A (zh) * 2021-09-15 2021-12-24 王其景 一种医学影像三维重建模拟方法及系统
CN115068110A (zh) * 2022-06-14 2022-09-20 中国人民解放军总医院第一医学中心 用于股骨颈骨折手术导航的图像配准方法及系统
CN115131487A (zh) * 2022-07-22 2022-09-30 苏州微创畅行机器人有限公司 医学影像处理方法、系统、计算机设备、存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Inner-ear augmented metal artifact reduction with simulation-based 3D generative adversarial networks;ZihaoWang等;《Computerized Medical Imaging and Graphics》;20211031;第93卷;1-15 *
Recovery of 3D rib motion from dynamic chest radiography and CT data using local contrast normalization and articular motion model;Yuta Hiasa等;《Medical Image Analysis》;20181019;144-156 *
基于点云的膝关节胫骨三维CT与MRI图像配准;何巍等;《长春理工大学学报(自然科学版)》;20151015(第05期);131-135 *
基于锥形束CT处理的腺样体图像超分辨率重建系统;张栋等;《自动化与仪器仪表》;20210425(第04期);132-135 *
颞下颌关节多模态图像配准及三维重建的研究进展;王雨婕等;《口腔颌面修复学杂志》;20220310;第23卷(第02期);147-152 *

Also Published As

Publication number Publication date
CN115409835A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
US10217217B2 (en) Systems and methods for obtaining 3-D images from X-ray information
JP4624173B2 (ja) 幾何学的オブジェクトをデジタルの医学的画像内に自動写像する方法
Fischer et al. Ill-posed medicine—an introduction to image registration
US6792071B2 (en) Method of performing geometric measurements on digital radiological images
JP5814504B2 (ja) 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ
JP2022507622A (ja) 拡張現実ディスプレイでの光学コードの使用
US20210012492A1 (en) Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones
US20210007806A1 (en) A method for obtaining 3-d deformity correction for bones
Zheng Statistical shape model‐based reconstruction of a scaled, patient‐specific surface model of the pelvis from a single standard AP x‐ray radiograph
US20220202493A1 (en) Alignment of Medical Images in Augmented Reality Displays
CN107752979B (zh) 人工投影的自动生成方法、介质和投影图像确定装置
CN111415404A (zh) 术中预设区域的定位方法、装置、存储介质及电子设备
Cheema et al. Image-aligned dynamic liver reconstruction using intra-operative field of views for minimal invasive surgery
US20190392552A1 (en) Spine image registration method
CN115861656A (zh) 用于自动处理医学图像以输出警报的方法、设备和系统
CN113782159B (zh) 医学图像标记点匹配方法、装置、电子设备及存储介质
JP2006139782A (ja) 画像を重ね合わせる方法
Strickland et al. Development of subject-specific geometric spine model through use of automated active contour segmentation and kinematic constraint-limited registration
CN115409835B (zh) 三维成像方法、装置、电子设备、系统和可读存储介质
Karner et al. Single-shot deep volumetric regression for mobile medical augmented reality
JP6745633B2 (ja) 画像処理装置、画像処理方法、及びプログラム
Chen et al. Computer-aided liver surgical planning system using CT volumes
Fanti et al. Preliminary results in large bone segmentation from 3D freehand ultrasound
JP5738229B2 (ja) 内臓脂肪シミュレーション装置及びプログラム
CN114127781A (zh) 检测和表示解剖结构的解剖特征

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