CN116029972A - 一种基于形态学的骨折区域无损分割及重建方法 - Google Patents
一种基于形态学的骨折区域无损分割及重建方法 Download PDFInfo
- Publication number
- CN116029972A CN116029972A CN202211316437.7A CN202211316437A CN116029972A CN 116029972 A CN116029972 A CN 116029972A CN 202211316437 A CN202211316437 A CN 202211316437A CN 116029972 A CN116029972 A CN 116029972A
- Authority
- CN
- China
- Prior art keywords
- point
- pit
- points
- current
- internal
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于形态学的骨折区域无损分割及重建方法,属于医疗辅助技术领域。方法包括如下步骤:(1)提取骨折区域;(2)8邻域运算;(3)次边界点检测;(4)凹点标记及筛选;(5)凹点连接;(6)洪水填充;(7)边界点及其他点归集(8)三维模型重建。本发明在对CT影像像素点进行邻域运算的基础上引入次边界点概念和凹点检测及连接方法,通过调整阈值参数对影像中粘连较大区域进行分割,克服了传统目标分割方法对较大粘连区域分割能力较差的缺点,提高了算法自动分割适应性。
Description
技术领域
本发明涉及一种基于形态学的骨折区域无损分割及重建方法,属于医疗辅助技术领域。
背景技术
骨折为骨科常见疾病。相较于西医切开复位,中医骨伤整复为无创手术,费用低,不破坏骨折处血运,有利于患者术后恢复。但由于中医骨折整复不开切口,医生看不到骨折解剖位置,导致中医整复手术较为依赖医生经验,骨折复位精度得不到保证。针对此问题,现有技术公开了“面向四肢骨折的复位及固定一体化手术系统及控制方法(CN202011268283.X)”等一系列相关技术,用以在不确定条件下进行骨折复位手术。这一切的前提是对患者骨折部位术前影像的精准分割和三维模型重建。但是骨折后由于肌肉牵拉,断骨两端会出现交错贴合,在CT影像中呈现出断骨区域粘连的情况,无法使用现有目标分割方法直接对其进行分割。
目前,现有医学影像粘连分割大都集中于器官组织和细胞的边界分割。例如专利CN110647875B提出的血细胞识别分割方法和专利CN107274399B提出的肺结节分割方法。这种情况下器官本身与周围组织存在一定灰度值差异,可作为分割依据。但在对断骨目标分割时,断骨近、远端的骨组织密度几乎相同。在CT影像中的灰度值差异较小,无法以此作为分割依据进行目标分割。
通常情况下,针对粘连的断骨影像需要医生通过手动删除粘连边界像素点的方法人工划分出断骨近、远端区域的边界。但骨折CT影像切面数量往往在数百张以上,采用此种方法效率过低。对于这个问题,专利CN108257118A提出了一种法向腐蚀和随机游走的骨折分割方法,通过对图像腐蚀后进行连通域分析,膨胀还原不连通区域的方式进行目标分割。但采用这种方式需要用户自行选择粘连区域,降低了处理效率。同时在进行断骨目标分割时首先需对图像进行滤波处理,这会对断骨表面尤其是端面细节产生影响,造成图像断骨端面细节丢失。通过与骨科专家交流,这些丢失的细节信息对于骨折复位精度评价至关重要。因此,提出一种“基于形态学的断骨无损分割及重建方法”,利用形态学算法对图像像素点进行8邻域运算及凹点连接后通过洪水填充和像素点归集进行断骨目标分割,进而完成断骨模型重建。
发明内容
针对现有技术的不足,本发明提供一种基于形态学的骨折区域无损分割及重建方法,在对CT影像像素点进行邻域运算的基础上引入次边界点概念和凹点检测及连接方法,通过调整阈值参数对影像中粘连较大区域进行分割,克服了传统目标分割方法对较大粘连区域分割能力较差的缺点,提高了算法自动分割适应性。
本发明的技术方案如下:
一种基于形态学的骨折区域无损分割及重建方法,步骤如下:
(1)提取骨折区域
遍历CT影像各体素,将骨骼部分数据与肌肉组织部分数据分开单独提取出来;
(2)8邻域运算
将步骤(1)提取的骨骼部分数据离散化逐层处理,采用8邻域计算,根据周围点像素值计算,为每个点进行身份标记,具体计算时,迭代器先移动至数据的第一个像素点然后跨列移动,当移动至切片边界时向下移动至下一行,到达切片最后一个像素点后,从当前切片移至下一张切片的首个像素点,继续计算,以此类推,直至遍历数据中所有像素点,对于一些粘连轻微的部分,经过8邻域计算后,通过标记边界点可以将断骨两端分割开,后续进行洪水填充、边界点及其他点归集即可完成断骨近、远端目标分割;
(3)次边界点检测
通过8邻域计算进行像素点身份标记已经可以有效分隔出图像中的孤点和轻微粘连区域,对于稍大粘连区域(在图像目标分割中对于粘连程度没有明确的定义,在本申请中,当粘连部分宽度只有1个或者2个像素时,筛选出边界点即可将两者分开,为轻微粘连;当粘连部分宽度大于2个小于4个像素时,筛选出次边界点即可将两者分开,为稍大粘连;当粘连部分宽度为4个像素点以上时为较大粘连),将经过邻域运算后的数据进行迭代,在原有内部点的基础上寻找次边界点;
(4)凹点标记及筛选
对于一些较大粘连部分,通过观察图像形状结构特征可以发现类似图像大都存在两大团块,两部分的分界线存在凹陷区域。相较于图像中的其他点,以凹点为中心的一定范围内,外部点的数量要远远小于其他点,因此可以通过检测像素点周围外部点数量的方式寻找定位凹点并进行筛选;
(5)凹点连接
首先判断目标凹点相对于当前凹点的位置,然后判断当前凹点靠近目标凹点的点是否为内部点,若是,则令当前凹点为次边界点,同时以内部点为起点继续探索,循环迭代,直至到达目标凹点位置,当前凹点和目标凹点之间所有次边界点组成的轮廓即为连接线。
(6)洪水填充
通过8邻域运算、次边界点筛选和凹点连接已经可以在断骨近、远端之间形成边界将两者图像区域分隔开。在最后像素点归集之前,需要先从断骨近端区域和断骨远端区域内分别选择若干种子点(种子点是用户自己选择的点,在两个目标范围内的内部点(pv=1)中选取,是填充的起点),对计算得到的内部点进行填充从而分别形成断骨近、远端区域;
(7)边界点及其他点归集
当完成洪水填充后,处理后的图像中还剩下边界点、次边界点等像素点没有划分骨折近、远端归属,通过距离判断,将上述点归集到近端或者远端区域完成断骨目标分割。
(8)三维模型重建
骨折近、远端区域目标分割完成后,通过现有的体绘制程序进行骨折区域影像三维重建,即可分别构建断骨近端和远端模型。
优选的,步骤(1)中,通过设置阈值K1对影像进行二值化计算,将骨骼部分数据与肌肉组织数据分开单独提取出来,处理后的数据中,骨骼部分像素值pv=1,其余部分像素值pv=0;
优选的,步骤(2)中,具体计算时,当迭代器到达某一像素点时,该点值通过邻域内8个点的像素值进行计算,计算公式如下:
s=(p1―p1*p2*p3)+(p3―p3*p4*p5)+(p5―p5*p6*p7)+(p7―p7*p8*p1)
式中:s为该点连接数;
p1~p8分别为该点周围8个像素点(OffSet1~OffSet8)像素值;
计算完成后根据计算结果,若s=0,且周围8邻域内像素点像素值均为0,则该点标记为孤点,pv=6;
若s=0,且周围8邻域内存在像素值不为0的像素点,则该点标记为内部点,设像素值pv=1,;
若s=1,则该点为边界点,pv=2;
若s=2,则该点为连接点,pv=3;
若s=3,则该点为分支点,pv=4;
若s=4,则该点为交叉点,pv=5。
优选的,步骤(3)中,具体计算时,如上述8邻域计算一样,使用迭代器遍历数据中的所有像素点,当检测到当前像素点为内部点(pv=1)时,对该点进行8邻域搜索,若范围内边界点(pv=2)数量小于阈值K2,则判定该点为内部点,否则为次边界点,赋予像素值pv=7,然后进行洪水填充和边界点及其他点归集,即可完成断骨近、远端目标分割。
优选的,步骤(4)中,凹点寻找定位时,采用迭代器遍历数据所有像素点,当检测到当前点为次边界点时,搜索统计以该点为圆心,设定值R为半径的圆形范围内的外部点(外部点是像素值pv=0的点,在图像中就是黑色的背景),当范围内外部点个数在设定阈值K3内时,则判定该点为凹点;
但由于算法在进行图像处理前未进行滤波处理,使得影像中断骨边界不够平滑,甚至有孔洞出现,影响凹点计算,造成处理后的影像中可能存在很多干扰凹点。因此,算法提出进一步对凹点进行筛选。
凹点筛选具体步骤为,首先对凹点8邻域进行搜索,若邻域内有其他凹点则设为次边界点,若无其它凹点,则在设定阈值K4邻域内进行搜索,若在阈值K4范围内存在其他凹点,则该凹点保留,若不存在则设为次边界点,经过此步骤,在调整好阈值K3和K4后可以筛选掉大部分不合格凹点。
优选的,步骤(5)中,对于筛选好的凹点需要将其连接才能将粘连较大的部分分隔开,凹点连接时,首先判断目标凹点相对于当前凹点的位置:
当目标凹点位于当前凹点右上方时,首先探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,规则就是先判断目标点相对于起点的位置,根据这个方位执行相应的搜索和赋值(下文所述继续探索规则均与此处相同,不再赘述),若不是则探索当前凹点上方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
当目标凹点位于当前凹点右侧时,首先探索当前凹点右侧点是否为目标凹点,若是则令当前凹点和目标凹点为次边界点,凹点连接,结束循环,若不是则判断当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点上方是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则探索当前凹点下方是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点下方内部点为起点继续循环,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
当目标凹点位于当前凹点右下方时,首先探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点下方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点下方内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
当目标凹点位于当前凹点上方时,首先探索当前凹点上方点是否为目标凹点,若是则令当前凹点和目标凹点为次边界点,凹点连接,结束循环,若不是则判断当前凹点上方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点左侧是否为内部点,若是则令当前凹点为次边界点同时以当前凹点左侧内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
同理,当目标凹点位于当前凹点左上、左、左下、下侧时,目标搜索执行相应的规则;
处理完成后循环迭代,直至到达目标凹点位置,当前凹点和目标凹点之间所有次边界点组成的轮廓即为连接线,同时为了防止迭代路径过长造成死循环,通过对粘连区域分析判断大致路径长度,设置路径长度阈值K5,当超过K5时跳出循环,返回步骤(4),调整阈值k4重新筛选凹点。
需要注意的是,上述凹点筛选错误的情况基本不会出现,在实验过程中从未出现过筛选错误的情况,但仍然存在这种可能,可将其作为辅助验证手段。
优选的,步骤(6)中,具体计算时,以设置的种子点为起点开始计算,若该点为内部点(pv=1)则将该点设为断骨近端(pv=8)或者远端点(pv=9),并对该点三维空间6邻域内像素点进行搜索,若6邻域范围内存在内部点,则将这些点设为近端点或远端点,同时以这些点为种子点继续循环,若该点不是内部点则停止循环。
优选的,步骤(7)中,计算时,通过迭代遍历数据中所有像素点,当像素点不为骨折近端或远端区域时(pv≠8且pv≠9),搜索此切片内所有近端点和远端点,计算该点与近端点和远端点间的距离,分别取二者最小值D1和D2进行比对,若D1>D2则判断该点属于远端点(pv=9),反之,若D1<D2则判断该点属于近端点(pv=8)。
本发明的有益效果在于:
1、本发明在对CT影像像素点进行邻域运算的基础上引入次边界点概念和凹点检测及连接方法,通过调整阈值参数对影像中粘连较大区域进行分割,克服了传统目标分割方法对较大粘连区域分割能力较差的缺点,提高了算法自动分割适应性。
2、本发明采用形态学算法对骨折区域进行目标分割,避免了传统方法对CT影像进行目标分割前需进行图像滤波的操作,最大程度的保留了CT影像原有细节特征,提高了断骨目标分割和模型重建精度。
3、本发明通过目标分割算法自动对骨折CT影像进行目标分割和三维重建,在满足分割和建模精度要求的同时极大提高了影像处理效率,减轻医生劳动强度。
附图说明
图1为本发明的算法流程示意图;
图2为本发明的迭代器遍历规则;
图3为本发明的8邻域示意图;
图4为本发明的凹点区域示意图;
图5为本发明的凹点检测及筛选流程图;
图6为本发明的凹点连接流程图;
图7为本发明的空间6邻域示意图;
图8为本发明的实验结果对比图;
图9为本发明的三维重建模型图;
图10为本发明的像素连接分类图。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明,但不限于此。
实施例1:
如图1-10所示,本实施例提供一种基于形态学的骨折区域无损分割及重建方法,步骤如下:
(1)提取骨折区域
遍历CT影像各体素,通过设置阈值K1对影像进行二值化计算,将骨骼部分数据与肌肉组织数据分开单独提取出来,处理后的数据中,骨骼部分像素值pv=1,其余部分像素值pv=0;
(2)8邻域运算
将步骤(1)提取的骨骼部分数据离散化逐层处理,采用8邻域计算,根据周围点像素值计算,为每个点进行身份标记,具体计算时,迭代器先移动至数据的第一个像素点然后跨列移动,当移动至切片边界时向下移动至下一行,到达切片最后一个像素点后,从当前切片移至下一张切片的首个像素点,继续计算,以此类推,直至遍历数据中所有像素点,迭代器遍历规则如图2所示,对于一些粘连轻微的部分,经过8邻域计算后,通过标记边界点可以将断骨两端分割开,后续进行洪水填充、边界点及其他点归集即可完成断骨近、远端目标分割;
(3)次边界点检测
通过8邻域计算进行像素点身份标记已经可以有效分隔出图像中的孤点和轻微粘连区域,对于稍大粘连区域(在图像目标分割中对于粘连程度没有明确的定义,在本申请中,当粘连部分宽度只有1个或者2个像素时,筛选出边界点即可将两者分开,为轻微粘连;当粘连部分宽度大于2个小于4个像素时,筛选出次边界点即可将两者分开,为稍大粘连;当粘连部分宽度为4个像素点以上时为较大粘连),将经过邻域运算后的数据进行迭代,在原有内部点的基础上寻找次边界点;
具体计算时,如上述8邻域计算一样,使用迭代器遍历数据中的所有像素点,当检测到当前像素点为内部点(pv=1)时,对该点进行8邻域搜索,若范围内边界点(pv=2)数量小于阈值K2,则判定该点为内部点,否则为次边界点,赋予像素值pv=7,然后进行洪水填充和边界点及其他点归集,即可完成断骨近、远端目标分割;
(4)凹点标记及筛选
对于一些较大粘连部分,通过观察图像形状结构特征可以发现类似图像大都存在两大团块,两部分的分界线存在凹陷区域。相较于图像中的其他点,以凹点为中心的一定范围内,外部点的数量要远远小于其他点,如图4所示,因此可以通过检测像素点周围外部点数量的方式寻找定位凹点并进行筛选,处理流程如图5所示;
凹点寻找定位时,采用迭代器遍历数据所有像素点,当检测到当前点为次边界点时,搜索统计以该点为圆心,设定值R为半径的圆形范围内的外部点(外部点是像素值pv=0的点,在图像中就是黑色的背景),当范围内外部点个数在设定阈值K3内时,则判定该点为凹点;
但由于算法在进行图像处理前未进行滤波处理,使得影像中断骨边界不够平滑,甚至有孔洞出现,影响凹点计算,造成处理后的影像中可能存在很多干扰凹点。因此,算法提出进一步对凹点进行筛选。
凹点筛选具体步骤为,首先对凹点8邻域进行搜索,若邻域内有其他凹点则设为次边界点,若无其它凹点,则在设定阈值K4邻域内进行搜索,若在阈值K4范围内存在其他凹点,则该凹点保留,若不存在则设为次边界点,经过此步骤,在调整好阈值K3和K4后可以筛选掉大部分不合格凹点。
(5)凹点连接
首先判断目标凹点相对于当前凹点的位置,然后判断当前凹点靠近目标凹点的点是否为内部点,若是,则令当前凹点为次边界点,同时以内部点为起点继续探索,循环迭代,直至到达目标凹点位置,当前凹点和目标凹点之间所有次边界点组成的轮廓即为连接线。
(6)洪水填充
通过8邻域运算、次边界点筛选和凹点连接已经可以在断骨近、远端之间形成边界将两者图像区域分隔开。在最后像素点归集之前,需要先从断骨近端区域和断骨远端区域内分别选择若干种子点(种子点是用户自己选择的点,在两个目标范围内的内部点(pv=1)中选取,是填充的起点),对计算得到的内部点进行填充从而分别形成断骨近、远端区域;
(7)边界点及其他点归集
当完成洪水填充后,处理后的图像中还剩下边界点、次边界点等像素点没有划分骨折近、远端归属,通过距离判断,将上述点归集到近端或者远端区域完成断骨目标分割。
(8)三维模型重建
骨折近、远端区域目标分割完成后,通过现有的体绘制程序进行骨折区域影像三维重建,即可分别构建断骨近端和远端模型。
步骤(2)中,具体计算时,当迭代器到达某一像素点时,该点值通过邻域内8个点的像素值进行计算,计算公式如下,8邻域内像素点排布如图3所示:
s=(p1―p1*p2*p3)+(p3―p3*p4*p5)+(p5―p5*p6*p7)+(p7―p7*p8*p1)
式中:s为该点连接数;
p1~p8分别为该点周围8个像素点(OffSet1~OffSet8)像素值;
计算完成后根据计算结果,若s=0,且周围8邻域内像素点像素值均为0,则该点标记为孤点,pv=6,如图10(a);
若s=0,且周围8邻域内存在像素值不为0的像素点,则该点标记为内部点,设像素值pv=1,如图10(i);
若s=1,则该点为边界点,pv=2,如图10(b)(c)(e);
若s=2,则该点为连接点,pv=3,如图10(d)(f);
若s=3,则该点为分支点,pv=4,如图10(g);
若s=4,则该点为交叉点,pv=5,如图10(h)。
算法原理
通过对骨折CT影像分析发现,骨折后由于断骨交错贴合使得CT影像中断骨近、远端存在若干种不同程度的粘连情况。使用传统分割算法往往难以满足各种分割条件。针对此问题,算法首先对骨折CT影像进行二值化,提取数据中骨骼部分。通过对像素点进行邻域计算,筛选出不同位置的像素点,实现对未粘连和轻微粘连区域的隔离。对于粘连较大的区域,通过筛选次边界点,进一步分隔连通区域。对于粘连过大的区域,通过凹点检测及筛选匹配和凹点连结的方法,在粘连区域形成边界,实现粘连区域的分隔。在完成对断骨近、远端隔离后,采用选择种子点进行洪水填充方法初步形成目标区域。对边界点和次边节点进行归集完成断骨近、远端分割。最后利用体绘制算法在目标分割基础上实现断骨模型分割重建。总体流程如图1所示。
实验验证
算法设计完成后,通过C++将其实现并进行实验验证。实验中选取了较有代表性的三套骨折CT影像,分别为胫骨骨折、股骨骨折和腓骨骨折影像数据。将医生手动划分的骨折CT影像与算法自动分割的骨折CT影像进行对比。采用平均交并比参数衡量两者的相似程度,参数值越接近1则表明两者相似度越高,即自动分割效果越精准。实验结果如图8、9所示。实验结果显示三套CT影像平均交并比最高为0.98,最低为0.84。计算时间平均每张切片耗时0.14s。处理精度和效率可以满足临床要求。图8中左一是原始图像,左二是手动分割图像,左三是自动分割图像。
实施例2:
一种基于形态学的骨折区域无损分割及重建方法,步骤如实施例1所述,不同之处在于,步骤(5)中,对于筛选好的凹点需要将其连接才能将粘连较大的部分分隔开,凹点连接时,首先判断目标凹点相对于当前凹点的位置:
当目标凹点位于当前凹点右上方时,首先探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,规则就是先判断目标点相对于起点的位置,根据这个方位执行相应的搜索和赋值(下文所述继续探索规则均与此处相同,不再赘述),若不是则探索当前凹点上方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
当目标凹点位于当前凹点右侧时,首先探索当前凹点右侧点是否为目标凹点,若是则令当前凹点和目标凹点为次边界点,凹点连接,结束循环,若不是则判断当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点上方是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则探索当前凹点下方是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点下方内部点为起点继续循环,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
当目标凹点位于当前凹点右下方时,首先探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点下方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点下方内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
当目标凹点位于当前凹点上方时,首先探索当前凹点上方点是否为目标凹点,若是则令当前凹点和目标凹点为次边界点,凹点连接,结束循环,若不是则判断当前凹点上方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点左侧是否为内部点,若是则令当前凹点为次边界点同时以当前凹点左侧内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点。
同理,当目标凹点位于当前凹点左上、左、左下、下侧时,目标搜索执行相应的规则;
处理完成后循环迭代,直至到达目标凹点位置,当前凹点和目标凹点之间所有次边界点组成的轮廓即为连接线,同时为了防止迭代路径过长造成死循环,通过对粘连区域分析判断大致路径长度,设置路径长度阈值K5,当超过K5时跳出循环,返回步骤(4),调整阈值k4重新筛选凹点。凹点连接流程如图6所示。
需要注意的是,上述凹点筛选错误的情况基本不会出现,在实验过程中从未出现过筛选错误的情况,但仍然存在这种可能,可将其作为辅助验证手段。
实施例3:
一种基于形态学的骨折区域无损分割及重建方法,步骤如实施例1所述,不同之处在于,步骤(6)中,具体计算时,以设置的种子点为起点开始计算,若该点为内部点(pv=1)则将该点设为断骨近端(pv=8)或者远端点(pv=9),并对该点三维空间6邻域内像素点进行搜索,空间6邻域布置如图7所示,若6邻域范围内存在内部点,则将这些点设为近端点或远端点,同时以这些点为种子点继续循环,若该点不是内部点则停止循环。
实施例4:
一种基于形态学的骨折区域无损分割及重建方法,步骤如实施例1所述,不同之处在于,步骤(7)中,计算时,通过迭代遍历数据中所有像素点,当像素点不为骨折近端或远端区域时(pv≠8且pv≠9),搜索此切片内所有近端点和远端点,计算该点与近端点和远端点间的距离,分别取二者最小值D1和D2进行比对,若D1>D2则判断该点属于远端点(pv=9),反之,若D1<D2则判断该点属于近端点(pv=8)。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (8)
1.一种基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤如下:
(1)提取骨折区域
遍历CT影像各体素,将骨骼部分数据与肌肉组织部分数据分开单独提取出来;
(2)8邻域运算
将步骤(1)提取的骨骼部分数据离散化逐层处理,采用8邻域计算,根据周围点像素值计算,为每个点进行身份标记,具体计算时,迭代器先移动至数据的第一个像素点然后跨列移动,当移动至切片边界时向下移动至下一行,到达切片最后一个像素点后,从当前切片移至下一张切片的首个像素点,继续计算,以此类推,直至遍历数据中所有像素点,对于一些粘连轻微的部分,经过8邻域计算后,通过标记边界点可以将断骨两端分割开;
(3)次边界点检测
通过8邻域计算进行像素点身份标记已经可以有效分隔出图像中的孤点和轻微粘连区域,对于稍大粘连区域,将经过邻域运算后的数据进行迭代,在原有内部点的基础上寻找次边界点;
(4)凹点标记及筛选
通过检测像素点周围外部点数量的方式寻找定位凹点并进行筛选;
(5)凹点连接
首先判断目标凹点相对于当前凹点的位置,然后判断当前凹点靠近目标凹点的点是否为内部点,若是,则令当前凹点为次边界点,同时以内部点为起点继续探索,循环迭代,直至到达目标凹点位置,当前凹点和目标凹点之间所有次边界点组成的轮廓即为连接线;
(6)洪水填充
先从断骨近端区域和断骨远端区域内分别选择若干种子点,对计算得到的内部点进行填充从而分别形成断骨近、远端区域;
(7)边界点及其他点归集
当完成洪水填充后,处理后的图像中还剩下边界点、次边界点没有划分骨折近、远端归属,通过距离判断,将上述点归集到近端或者远端区域完成断骨目标分割;
(8)三维模型重建
骨折近、远端区域目标分割完成后,进行骨折区域影像三维重建,即可分别构建断骨近端和远端模型。
2.如权利要求1所述的基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤(1)中,通过设置阈值K1对影像进行二值化计算,将骨骼部分数据与肌肉组织数据分开单独提取出来,处理后的数据中,骨骼部分像素值pv=1,其余部分像素值pv=0。
3.如权利要求1所述的基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤(2)中,具体计算时,当迭代器到达某一像素点时,该点值通过邻域内8个点的像素值进行计算,计算公式如下:
s=(p1―p1*p2*p3)+(p3―p3*p4*p5)+(p5―p5*p6*p7)+(p7―p7*p8*p1)
式中:s为该点连接数;
p1~p8分别为该点周围8个像素点(OffSet1~OffSet8)像素值;
计算完成后根据计算结果,若s=0,且周围8邻域内像素点像素值均为0,则该点标记为孤点,pv=6;
若s=0,且周围8邻域内存在像素值不为0的像素点,则该点标记为内部点,设像素值pv=1,;
若s=1,则该点为边界点,pv=2;
若s=2,则该点为连接点,pv=3;
若s=3,则该点为分支点,pv=4;
若s=4,则该点为交叉点,pv=5。
4.如权利要求1所述的基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤(3)中,具体计算时,使用迭代器遍历数据中的所有像素点,当检测到当前像素点为内部点(pv=1)时,对该点进行8邻域搜索,若范围内边界点(pv=2)数量小于阈值K2,则判定该点为内部点,否则为次边界点,赋予像素值pv=7。
5.如权利要求1所述的基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤(4)中,凹点寻找定位时,采用迭代器遍历数据所有像素点,当检测到当前点为次边界点时,搜索统计以该点为圆心,设定值R为半径的圆形范围内的外部点,当范围内外部点个数在设定阈值K3内时,则判定该点为凹点;
凹点筛选具体步骤为,首先对凹点8邻域进行搜索,若邻域内有其他凹点则设为次边界点,若无其它凹点,则在设定阈值K4邻域内进行搜索,若在阈值K4范围内存在其他凹点,则该凹点保留,若不存在则设为次边界点。
6.如权利要求1所述的基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤(5)中,凹点连接时,首先判断目标凹点相对于当前凹点的位置:
当目标凹点位于当前凹点右上方时,首先探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,规则就是先判断目标点相对于起点的位置,根据这个方位执行相应的搜索和赋值,若不是则探索当前凹点上方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点;
当目标凹点位于当前凹点右侧时,首先探索当前凹点右侧点是否为目标凹点,若是则令当前凹点和目标凹点为次边界点,凹点连接,结束循环,若不是则判断当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点上方是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则探索当前凹点下方是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点下方内部点为起点继续循环,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点;
当目标凹点位于当前凹点右下方时,首先探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点下方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点下方内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点;
当目标凹点位于当前凹点上方时,首先探索当前凹点上方点是否为目标凹点,若是则令当前凹点和目标凹点为次边界点,凹点连接,结束循环,若不是则判断当前凹点上方点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点上方内部点为起点继续探索,若不是则探索当前凹点右侧点是否为内部点,若是则令当前凹点为次边界点,同时以当前凹点右侧内部点为起点继续探索,若不是则探索当前凹点左侧是否为内部点,若是则令当前凹点为次边界点同时以当前凹点左侧内部点为起点继续探索,若不是则证明凹点筛选错误,令当前凹点为次边界点,结束循环,重新进行步骤(4)筛选凹点;
同理,当目标凹点位于当前凹点左上、左、左下、下侧时,目标搜索执行相应的规则;
处理完成后循环迭代,直至到达目标凹点位置,当前凹点和目标凹点之间所有次边界点组成的轮廓即为连接线,同时为了防止迭代路径过长造成死循环,设置路径长度阈值K5,当超过K5时跳出循环,返回步骤(4),调整阈值k4重新筛选凹点。
7.如权利要求1所述的基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤(6)中,具体计算时,以设置的种子点为起点开始计算,若该点为内部点则将该点设为断骨近端或者远端点,并对该点三维空间6邻域内像素点进行搜索,若6邻域范围内存在内部点,则将这些点设为近端点或远端点,同时以这些点为种子点继续循环,若该点不是内部点则停止循环。
8.如权利要求1所述的基于形态学的骨折区域无损分割及重建方法,其特征在于,步骤(7)中,计算时,通过迭代遍历数据中所有像素点,当像素点不为骨折近端或远端区域时,搜索此切片内所有近端点和远端点,计算该点与近端点和远端点间的距离,分别取二者最小值D1和D2进行比对,若D1>D2则判断该点属于远端点,反之,若D1<D2则判断该点属于近端点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316437.7A CN116029972A (zh) | 2022-10-26 | 2022-10-26 | 一种基于形态学的骨折区域无损分割及重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316437.7A CN116029972A (zh) | 2022-10-26 | 2022-10-26 | 一种基于形态学的骨折区域无损分割及重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029972A true CN116029972A (zh) | 2023-04-28 |
Family
ID=86078420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211316437.7A Pending CN116029972A (zh) | 2022-10-26 | 2022-10-26 | 一种基于形态学的骨折区域无损分割及重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029972A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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
- 2022-10-26 CN CN202211316437.7A patent/CN116029972A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101883258B1 (ko) | 해부학적 계측점의 검출 방법 | |
US8139837B2 (en) | Bone number determination apparatus and recording medium having stored therein program | |
CN105678746B (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
JP2011517986A (ja) | 腹部大動脈瘤の自動検知および正確なセグメント分割 | |
KR102254844B1 (ko) | 기계학습을 이용한 의료 영상 처리 방법 및 장치 | |
CN103440665A (zh) | 膝关节软骨图像自动分割方法 | |
Torosdagli et al. | Robust and fully automated segmentation of mandible from CT scans | |
US9275452B2 (en) | Method and system for automatically determining compliance of cross sectional imaging scans with a predetermined protocol | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
CN106846346A (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN108269261A (zh) | 一种骨关节ct图像分割方法和系统 | |
CN107658028A (zh) | 一种获取病变数据的方法、识别病变方法及计算机设备 | |
Jimenez-Carretero et al. | Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints | |
CN116029972A (zh) | 一种基于形态学的骨折区域无损分割及重建方法 | |
Wiese et al. | Computer-aided detection of sclerotic bone metastases in the spine using watershed algorithm and support vector machines | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN106780492A (zh) | 一种ct骨盆图像的关键帧提取方法 | |
CN110766667A (zh) | 基于轮廓样本库匹配和模板引导的受损骨骼修复建模方法 | |
Shadid et al. | Bone fragment segmentation from 3D CT imagery using the Probabilistic Watershed Transform | |
CN113034522A (zh) | 一种基于人工神经网络的ct图像分割方法 | |
CN114764809A (zh) | 肺部ct密度增高影的自适应阈值分割方法和装置 | |
Zhang et al. | Automatic rib segmentation in chest CT volume data | |
Ukil et al. | Automatic lung lobe segmentation in X-ray CT images by 3D watershed transform using anatomic information from the segmented airway tree | |
US11049241B2 (en) | Qualification method of lung vessel based on lobe | |
Tayel et al. | Breast boarder boundaries extraction using statistical properties of mammogram |
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 |