CN116051553A - 一种在三维医学模型内部进行标记的方法和装置 - Google Patents
一种在三维医学模型内部进行标记的方法和装置 Download PDFInfo
- Publication number
- CN116051553A CN116051553A CN202310322784.9A CN202310322784A CN116051553A CN 116051553 A CN116051553 A CN 116051553A CN 202310322784 A CN202310322784 A CN 202310322784A CN 116051553 A CN116051553 A CN 116051553A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- active contour
- characteristic
- marking
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003709 image segmentation Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 208000014018 liver neoplasm Diseases 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出了一种在三维医学模型内部进行标记的方法和装置,涉及医学模型处理技术领域,基于图像分割算法对二维CT影像中的每个切片图像中的特征区域进行标记及特征区域分割;利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域;获取具有多个主动轮廓区域的切片图像序列,顺次叠放所述切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块;获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型;根据特征三维图像块的体素,在三角网格模型中标记出特征三维图像块的位置。
Description
技术领域
本发明涉及医学模型处理技术领域,具体涉及一种在三维医学模型内部进行标记的方法和装置。
背景技术
许多医学成像方法已被应用于肝脏肿瘤病灶的检测中,例如CT、超声、核磁共振、选择性腹腔动脉或肝动脉造影检查、放射性核素肝扫描等。在所有影像检查方式中,CT图像因其具有较高的分辨率而被广泛采用。一般CT图像可检出直径1.0cm左右的微小癌灶,应用动态增强扫描可提高分辨率并有助于鉴别血管瘤,应用CT动态扫描与动脉造影相结合的CT血管造影,可提高小肝癌的检出率。同时CT图像对肝癌手术的方案设计有一定的帮助。
随着计算机断层技术、磁共振成像、超声等医学影像技术的发展及应用,三维可视化技术是通过二维及空间信息构造人体器官、软组织及病灶大小形状和周边组织位置关系,可以更生动立体的辅助医生进行诊断治疗,提升诊断及治疗规划的准确性及高效性,三维可视化技术被越来越多的用于辅助医生进行手术操作,然而现有的内部标记点方法在标记后查找和定位效率较低,标记点的作用较小,不能为显示模型提供便利。当使用虚拟三维可视化模型时,能够以更加真实的方式模拟医生所要执行的图像导引系统,术前解剖图像建模已经被用于促进图像引导介入/手术/诊断过程。
发明内容
为了解决上述技术问题,本发明提出了一种在三维医学模型内部进行标记的方法,包括如下步骤:
S1、基于图像分割算法对二维CT影像中的每个切片图像中的特征区域进行标记及特征区域分割;
S2、利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域;
S3、获取具有多个主动轮廓区域的切片图像序列,顺次叠放切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块;
S4、获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型;
S5、根据多个特征三维图像块的体素,在三角网格模型中标记出特征三维图像块的位置。
进一步地,步骤S3包括如下步骤:
S31、选取具有多个主动轮廓区域的切片图像序列,顺次叠放所述切片图像序列;
S32、在每个切片图像中提取主动轮廓区域的中心点的位置坐标;
S33、通过移动窗口实现对所有切片图像主动轮廓区域的遍历,计算窗口中心之间的特征向量;
S34、查找特征向量最小的多个窗口中心点所在的V个主动轮廓区域,将多个切片图像叠加,获得V个主动轮廓区域的特征三维图像块。
进一步地,步骤S33中,设定一个大小为A*B*C的窗口,A、B、C分别为窗口的长度、宽度和高度,在设定的窗口内进行遍历,然后通过移动窗口实现对所有切片图像的遍历,按照下述公式计算窗口中心之间的特征向量L(i,j):
其中,是一个A*B*C的窗口,q代表窗口每移动一个位置的序号,是主动轮廓区域的中心点i的位置向量,是主动轮廓区域的中心点j的位置向量,是窗口中心的位置向量,是窗口中心位置的协方差矩阵,是常数参数,是单位矩阵的位置向量。
进一步地,步骤S4包括如下步骤:
S41、获取所有切片图像序列,对各个切片图像进行位置确定,生成网格对齐的三维数组;
S42、对所获得的三维数组进行数据处理获得二进制的三维数组,依据所获得的二进制的三维数组进行三维网格建模并保存为三角网格模型文件;
S43、加载三角网格模型文件至三维绘图软件,可视化所有切片图像序列的三角网格模型。
计算所有网格中的顶点P的n个邻接点的平均坐标位置U(P):
将顶点P的最终位置修改为平均坐标位置U(P)。
本发明还提出了一种在三维医学模型内部进行标记的装置,用于实现在三维医学模型内部进行标记的方法,包括:标记分割单元,主动轮廓区域形成单元,特征三维图像块构建单元,三维结构构建单元和标记单元;
所述标记分割单元,用于基于图像分割算法对二维CT影像中的每个切片图像中的特征区域进行标记及特征区域分割;
所述主动轮廓区域形成单元,用于利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域;
所述特征三维图像块构建单元,用于获取具有多个主动轮廓区域的切片图像序列,顺次叠放切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块;
所述三维结构构建单元,用于获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型;
所述标记单元,用于根据多个特征三维图像块的体素,在三角网格模型中标记出特征三维图像块的位置。
相比于现有技术,本发明具有如下有益技术效果:
对二维CT影像中的每个切片图像进行特征区域分割,基于图像分割算法对切片图像中的特征区域进行标记及特征区域分割;利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域;获取具有多个主动轮廓区域的切片图像序列,顺次叠放所述切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块;获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型结构;根据特征三维图像块的体素,在三维结构中标记出特征三维图像块的位置,能够以更加真实的方式将特征三维图像块的显示在三维结构中,提高了在三维医学模型内部进行标记的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的在三维医学模型内部进行标记的方法的流程示意图。
图2为中心像素点是新的标记的情况示意图。
图3为中心像素点的标记和周围像素点标记相同的情况示意图。
图4为将中心像素点标记为0,相邻区域有二种以上的标签的情况示意图。
图5为本发明的通过移动窗口实现对所有切片图像遍历的示意图。
图6为本发明的将多个顶点的最终位置修改为平均坐标位置的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的在三维医学模型内部进行标记的方法的流程示意图,包括如下步骤:
S1、基于图像分割算法对二维CT影像中的每个切片图像中的特征区域进行标记及特征区域分割。
采用图像分割算法对二维CT中的每个切片图像进行特征区域的轮廓分割,图像分割算法具有很高的运算速度并且可以形成封闭的轮廓线,生成特征区域的准确位置,可以很好地处理弱边缘,分割区域轮廓效果良好。
为了区分不同的特征区域就必须对不同的特征区域进行标记,由于特征区域是图像中特征像素的集合,所以标记就相当于对特征区域中所有的像素点进行了标记,特征像素分布在图像中不同的区域,但是如果标记相同,则表明特征像素处于同一特征区域之中,也就是位于同一区域之中。不同的区域,属性可能不同,但是可以根据标记进行归类,属性相同的区域所代表的含义相同,这些属性会作为参考因素进行区域合并。
具体地,由图像中像素灰度值最小的像素点开始处理,逐步递增搜索的灰度值,当灰度值上升到一定高度并有可能会将两个不同的特征区域的灰度值混合在一起时,在两个不同特征区域的接触线处设置分割线,使两个特征区域的灰度值不能合并。在图像中的像素灰度值有大有小,那么可能会有许多特征区域,为了分隔开这些特征区域,就要设置分割线。
当一张图像从像素灰度值最小的像素点开始处理完整幅图像,就有可能分割出很多不同的特征区域,这些特征区域就是图像分割算法处理的结果。
同一个特征区域,具有相同的标记,根据标记便可知道像素点是属于哪一个特征区域,图像分割算法会逐一检查每个像素点的邻域,即每一个像素点相邻的8个像素。如果中心像素点周围的像素点都没有被标记,就表明中心像素点周围的像素都处于高灰度值,那么此时给中心像素点一个新的标记,如图2所示。
如果中心像素点周围的像素点当中任何一个己经被做了标记,而这个标记并不是分割线时,就表明此中心像素点与周围像素点属于同一个特征区域,那么中心像素点的标记应该和它周围像素点标记相同,如图3所示。
最后,如果相邻区域有两种以上的标签,表示中心像素点处于许多特征区域之间,为了区分不同的特征区域,将中心像素点定义为分割线,将其标记设置为0,如图4所示。按此步骤重复直至将图像中的所有像素点处理完成,完成图像分割算法。
S2、利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域。
主动轮廓模型E可用下述公式表达:
其中,C是主动轮廓区域,是主动轮廓区域曲线,(x,y)是像素点的坐标位置,分别代表轮廓内区域in与轮廓外区域out的区域参数,是权重参数。分别表示轮廓内区域的积分起点和终点,分别表示轮廓外区域的积分起点和终点。
主动轮廓模型E的前两项积分项表示用每一区域的分段常数来进行数据拟合,假定轮廓内区域和轮廓外区域的轮廓保持稳定,就可以发现基于主动轮廓模型可以合并的区域,利用主动轮廓模型,将多个特征区域合并为多个主动轮廓区域。
S3、获取具有多个主动轮廓区域的切片图像序列,顺次叠放切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块。具体包括如下步骤:
S31、选取具有多个主动轮廓区域的切片图像序列,顺次叠放切片图像序列。
S32、在每个切片图像中提取主动轮廓区域的中心点的位置坐标。
S33、通过移动窗口实现对所有切片图像的主动轮廓区域的遍历,计算窗口中心之间的特征向量。
设定一个大小为A*B*C的窗口,A、B、C分别为窗口的长度、宽度和高度,通过移动窗口遍历所有切片图像的主动轮廓区域,如图5所示。
按照下述公式计算窗口中心之间的特征向量L(i,j):
其中,是一个A*B*C的窗口,q代表窗口每移动一个位置的序号,是主动轮廓区域的中心点i的位置向量,是主动轮廓区域的中心点j的位置向量,是窗口中心的位置向量,是窗口中心位置的协方差矩阵,是常数参数,是单位矩阵的位置向量。
S34、查找特征向量L(i,j)最小的多个窗口中心所在的V个主动轮廓区域,将多个切片图像叠加,获得V个主动轮廓区域的特征三维图像块。
其中,为特征三维图像块k的点i位置,表示特征三维图像块k的点i位置的不透明度,M表示特征三维图像块包含的点i的总数。每个体素代表三维模型中的空间体积,体素是存储体积数据的方法,对于医疗应用,可提供密度或不透明度,还可提供容积流速,还可存储颜色、法线、带符号的距离或其他值,以方便渲染。
S4、获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型。
获取的二维CT影像中的所有切片图像序列包括具有主动轮廓区域和不具有主动轮廓区域的所有切片图像,建立三角网格模型。
具体包括如下步骤:
S41、获取所有切片图像序列,对各个切片图像进行位置确定,生成网格对齐的三维数组。
具体地,对每一个切片图像的像素位置施加一个包括平移、旋转、缩放的仿射变换,并以变换后上下两个切片图像中所有位置相同的像素值的欧式距离的平方和作为非线性优化的目标条件,求解出使得上下个切片图像之间所有像素距离平方和最小的变换矩阵,再根据显微镜在拍摄时设置的空间分辨率和层厚等信息由几何插值生成网格对齐的三维数组。
S42、对所获得的三维数组进行数据处理获得二进制的三维数组,依据所获得的二进制的三维数组进行三维网格建模并保存为三角网格模型文件;
S43、加载三角网格模型文件至三维绘图软件,可视化所有切片图像序列的三角网格模型。
将三角网格模型文件加载到三维作图软件得到三角网格模型,对三角网格模型进行拉普拉斯迭代平滑处理,得到平滑的三角网格模型结构,具体地的实现方法如下:
计算所有网格中的顶点P的n个邻接点的平均坐标位置U(P):
将顶点P的最终位置修改为平均坐标位置U(P)。
图6中以8个邻接点为例,示出将顶点P的最终位置修改为平均坐标位置的结构。
S5、根据V个特征三维图像块的体素,在三角网格模型中标记出特征三维图像块的位置,以将特征三维图像块显示在三角网格模型中。该特征三维图像块通常则代表用户重点关注的区域或特征。
本发明还提出了一种在三维医学模型内部进行标记的装置,该装置包括:标记分割单元,主动轮廓区域形成单元,特征三维图像块构建单元,三维结构构建单元和标记单元。
标记分割单元,用于基于图像分割算法对二维CT影像中的每个切片图像中的特征区域进行标记及特征区域分割。
主动轮廓区域形成单元,用于利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域。
特征三维图像块构建单元,用于获取具有多个主动轮廓区域的切片图像序列,顺次叠放切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块。
三维结构构建单元,用于获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型。
标记单元,用于根据多个特征三维图像块的体素,在三角网格模型中标记出特征三维图像块的位置。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
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,可轻易想到各种等效的修改或替换,这些修改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 (8)
1.一种在三维医学模型内部进行标记的方法,其特征在于,包括如下步骤:
S1、基于图像分割算法对二维CT影像中的每个切片图像中的特征区域进行标记及特征区域分割;
S2、利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域;
S3、获取具有多个主动轮廓区域的切片图像序列,顺次叠放切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块;
S4、获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型;
S5、根据多个特征三维图像块的体素,在三角网格模型中标记出特征三维图像块的位置。
3.根据权利要求2所述的在三维医学模型内部进行标记的方法,其特征在于,步骤S3包括如下步骤:
S31、选取具有多个主动轮廓区域的切片图像序列,顺次叠放所述切片图像序列;
S32、在每个切片图像中提取主动轮廓区域的中心点的位置坐标;
S33、通过移动窗口实现对所有切片图像主动轮廓区域的遍历,计算窗口中心之间的特征向量;
S34、查找特征向量最小的多个窗口中心点所在的V个主动轮廓区域,将多个切片图像叠加,获得V个主动轮廓区域的特征三维图像块。
6.根据权利要求1所述的在三维医学模型内部进行标记的方法,其特征在于,步骤S4包括如下步骤:
S41、获取所有切片图像序列,对各个切片图像进行位置确定,生成网格对齐的三维数组;
S42、对所获得的三维数组进行数据处理获得二进制的三维数组,依据所获得的二进制的三维数组进行三维网格建模并保存为三角网格模型文件;
S43、加载三角网格模型文件至三维绘图软件,可视化所有切片图像序列的三角网格模型。
8.一种在三维医学模型内部进行标记的装置,用于实现如权利要求1-7任意一项所述的在三维医学模型内部进行标记的方法,其特征在于,包括:标记分割单元,主动轮廓区域形成单元,特征三维图像块构建单元,三维结构构建单元和标记单元;
所述标记分割单元,用于基于图像分割算法对二维CT影像中的每个切片图像中的特征区域进行标记及特征区域分割;
所述主动轮廓区域形成单元,用于利用图像分割算法所得到的不同的特征区域构建主动轮廓模型,将多个特征区域合并为多个主动轮廓区域;
所述特征三维图像块构建单元,用于获取具有多个主动轮廓区域的切片图像序列,顺次叠放切片图像序列,在每个切片图像中提取多个主动轮廓区域的中心点的位置坐标,获得多个主动轮廓区域的特征三维图像块;
所述三维结构构建单元,用于获取二维CT影像中的所有切片图像序列,根据切片图像序列建立三角网格模型;
所述标记单元,用于根据多个特征三维图像块的体素,在三角网格模型中标记出特征三维图像块的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322784.9A CN116051553B (zh) | 2023-03-30 | 2023-03-30 | 一种在三维医学模型内部进行标记的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322784.9A CN116051553B (zh) | 2023-03-30 | 2023-03-30 | 一种在三维医学模型内部进行标记的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051553A true CN116051553A (zh) | 2023-05-02 |
CN116051553B CN116051553B (zh) | 2023-06-09 |
Family
ID=86131564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310322784.9A Active CN116051553B (zh) | 2023-03-30 | 2023-03-30 | 一种在三维医学模型内部进行标记的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051553B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117059235A (zh) * | 2023-08-17 | 2023-11-14 | 经智信息科技(山东)有限公司 | 一种ct图像的自动渲染方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
CN107194988A (zh) * | 2017-05-15 | 2017-09-22 | 青岛海信医疗设备股份有限公司 | 显示人体器官三维医学模型内部标记点的方法和装置 |
CN107233134A (zh) * | 2017-05-15 | 2017-10-10 | 青岛海信医疗设备股份有限公司 | 显示三维医学模型内部标记点的方法、装置和医疗设备 |
CN110232684A (zh) * | 2019-06-13 | 2019-09-13 | 大连理工大学 | 一种基于谱分析的三维医学图像自动分割方法 |
US20200126297A1 (en) * | 2018-10-17 | 2020-04-23 | Midea Group Co., Ltd. | System and method for generating acupuncture points on reconstructed 3d human body model for physical therapy |
WO2021174479A1 (zh) * | 2020-03-05 | 2021-09-10 | 深圳先进技术研究院 | 一种口腔正畸治疗前后牙齿移动量计算方法和装置 |
CN114529699A (zh) * | 2022-01-13 | 2022-05-24 | 杭州泽桥健康科技有限公司 | 一种用于显示人体器官的三维医学模型内部标记点方法 |
CN115486877A (zh) * | 2017-05-12 | 2022-12-20 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声设备及其显示三维超声图像的方法 |
US20220405965A1 (en) * | 2020-03-17 | 2022-12-22 | Boe Technology Group Co., Ltd. | Positioning and tracking member, method for recognizing marker, storage medium, and electronic device |
CN115564817A (zh) * | 2022-11-14 | 2023-01-03 | 杭州晟视科技有限公司 | 三维血管图像的确定方法、装置、设备及存储介质 |
-
2023
- 2023-03-30 CN CN202310322784.9A patent/CN116051553B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
CN115486877A (zh) * | 2017-05-12 | 2022-12-20 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声设备及其显示三维超声图像的方法 |
CN107194988A (zh) * | 2017-05-15 | 2017-09-22 | 青岛海信医疗设备股份有限公司 | 显示人体器官三维医学模型内部标记点的方法和装置 |
CN107233134A (zh) * | 2017-05-15 | 2017-10-10 | 青岛海信医疗设备股份有限公司 | 显示三维医学模型内部标记点的方法、装置和医疗设备 |
US20200126297A1 (en) * | 2018-10-17 | 2020-04-23 | Midea Group Co., Ltd. | System and method for generating acupuncture points on reconstructed 3d human body model for physical therapy |
CN110232684A (zh) * | 2019-06-13 | 2019-09-13 | 大连理工大学 | 一种基于谱分析的三维医学图像自动分割方法 |
WO2021174479A1 (zh) * | 2020-03-05 | 2021-09-10 | 深圳先进技术研究院 | 一种口腔正畸治疗前后牙齿移动量计算方法和装置 |
US20220405965A1 (en) * | 2020-03-17 | 2022-12-22 | Boe Technology Group Co., Ltd. | Positioning and tracking member, method for recognizing marker, storage medium, and electronic device |
CN114529699A (zh) * | 2022-01-13 | 2022-05-24 | 杭州泽桥健康科技有限公司 | 一种用于显示人体器官的三维医学模型内部标记点方法 |
CN115564817A (zh) * | 2022-11-14 | 2023-01-03 | 杭州晟视科技有限公司 | 三维血管图像的确定方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117059235A (zh) * | 2023-08-17 | 2023-11-14 | 经智信息科技(山东)有限公司 | 一种ct图像的自动渲染方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116051553B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kiraly et al. | Three-dimensional human airway segmentation methods for clinical virtual bronchoscopy | |
Saha et al. | Digital topology and geometry in medical imaging: a survey | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US8600125B2 (en) | System and method for computer aided polyp detection | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
US8577129B2 (en) | System and method for three-dimensional image rendering and analysis | |
US7746340B2 (en) | Method and apparatus for generating a 2D image having pixels corresponding to voxels of a 3D image | |
US7304644B2 (en) | System and method for performing a virtual endoscopy | |
US7289653B2 (en) | Method and system for ground glass nodule (GGN) segmentation using a Markov random field and shape analysis | |
JP2008538080A (ja) | 対象物の移動による画像アーチファクトの減少を伴う生物医学画像の登録のための方法と、コンピュータプログラムプロダクト | |
US7684602B2 (en) | Method and system for local visualization for tubular structures | |
EP2244633A2 (en) | Medical image reporting system and method | |
US9129391B2 (en) | Semi-automated preoperative resection planning | |
Shao et al. | Prostate boundary detection from ultrasonographic images | |
CN116051553B (zh) | 一种在三维医学模型内部进行标记的方法和装置 | |
Jaffar et al. | Anisotropic diffusion based brain MRI segmentation and 3D reconstruction | |
US7653225B2 (en) | Method and system for ground glass nodule (GGN) segmentation with shape analysis | |
Piao et al. | Segmentation of cysts in kidney and 3-D volume calculation from CT images | |
JP2005525863A (ja) | 医療用データの統合された視覚化用の医療用視検システム及び画像処理 | |
Erdt et al. | Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images | |
Smirg et al. | MRI slice segmentation and 3D modelling of temporomandibular joint measured by microscopic coil | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
US20080137928A1 (en) | Method and System for Registering CT Data Sets | |
Alom et al. | Automatic slice growing method based 3D reconstruction of liver with its vessels |
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 |