CN116071386B - 一种关节疾病的医学影像的动态分割方法 - Google Patents

一种关节疾病的医学影像的动态分割方法 Download PDF

Info

Publication number
CN116071386B
CN116071386B CN202310025013.3A CN202310025013A CN116071386B CN 116071386 B CN116071386 B CN 116071386B CN 202310025013 A CN202310025013 A CN 202310025013A CN 116071386 B CN116071386 B CN 116071386B
Authority
CN
China
Prior art keywords
joint
image
feature
patient
segmentation
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
CN202310025013.3A
Other languages
English (en)
Other versions
CN116071386A (zh
Inventor
蔡长征
陈秀珍
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.)
Cai Changzheng
Original Assignee
Anhui Aipeng 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 Anhui Aipeng Technology Co ltd filed Critical Anhui Aipeng Technology Co ltd
Priority to CN202310025013.3A priority Critical patent/CN116071386B/zh
Publication of CN116071386A publication Critical patent/CN116071386A/zh
Application granted granted Critical
Publication of CN116071386B publication Critical patent/CN116071386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/0002—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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30204—Marker
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种关节疾病的医学影像的动态分割方法。获取待识别的患者关节医学影像，并进行关节三维模型重建，生成关节三维模型；通过预设的关节识别特征网络，对关节三维模型进行特征点识别，并进行特征点标记；将特征点标记作为动态分割基准点，通过动态分割基准点，进行关节自动动态分割。本发明可以对患者的医学影像进行处理，进而进行疾病识别，同时生成的三维模型可以显示生物的生物组织和患者的关节连接状况，相对于现有技术中的自动分割方法，本发明进行图像分割更加智能化，可以根据具体的疾病，具体的关节进行对应的分割处理，更加清晰的显示病变位置。

Description

一种关节疾病的医学影像的动态分割方法
技术领域
本发明涉及关节疾病的动态分割识别技术领域，特别涉及一种关节疾病的医学影像的动态分割方法。
背景技术
目前，医学影像分割技术从之前的大津阈值法、分水岭法、GraphCut以及基于活动轮廓的一些方法逐渐被性能更好、泛化能力更强的深度学习方法所取代。但是目前医学影像分割领域依旧存在一些难点，首先，训练医学影像分割模型时医学影像的数据量不足；其次，医学影像中的待分割目标尺度差异较大，模型难以精确识别，最后，现有医学影像中大部分关节较为模糊且易与其他关节混淆，模型不易识别。在专利文件202211141687.1提出一种骨骼分割方法，但是其要只是确定了空间比例和边框，在进行分割的时候，难以精确到组织程度，也无法根据不同的疾病实现动态分割。
发明内容
本发明提供一种关节疾病的医学影像的动态分割方法，用以解决医学影像中的待分割目标尺度差异较大，模型难以精确识别，最后，现有医学影像中大部分关节较为模糊且易与其他关节混淆，模型不易识别的情况。
本发明为一种关节疾病的医学影像的动态分割方法，包括：
获取待识别的患者关节医学影像，并进行关节三维模型重建，生成关节三维模型；
通过预设的关节识别特征网络，对关节三维模型进行特征点识别，并进行特征点标记；
将特征点标记作为动态分割基准点，通过动态分割基准点，进行关节自动动态分割。
作为本发明的一种实施例：所述方法还包括：
获取患者关节医学影像；
对患者关节医学影像进行识别处理，进行关节部位标记；
通过阈值分割方法获得与关节部位标记相对应的关节部位图像；
对关节部位图像进行边缘检测，得到关节部位的边缘点云；
基于边缘点云，生成患者关节的点云影像轮廓。
作为本发明的一种实施例：所述关节三维模型重建包括：
对点云影像轮廓进行特征提取，并基于预设的待填充关节三维模型，得到多个待重建模型的匹配点集合；其中，
特征提取包括：关节面特征提取、关节囊特征提取、关节腔特征提取；
根据匹配点集合，在三维建模坐标系中的坐标，生成患者关节特征数据的匹配填充坐标数据；
基于匹配填充坐标数据，通过对极约束算法，得到患者关节数据集填充的数据填充标记矩阵；
基于数据填充标记矩阵，对点云影像轮廓进行点云数据填充，生成点云模型；
通过点云模型，进行三维点云转化，生成关节三维模型。
作为本发明的一种实施例：所述方法还包括：
建立用于提取关节特征的目标识别网络，并对网络中的关节轮廓特征和关节部位特征进行融合；
对目标的患者关节医学影像进行特征提取，生成融合特征图，通过目标识别网络对融合特征图识别，得到患者关节医学影像下的目标位置与类别确定；
通过增量学习对目标识别网络的运算和结构进行自动化调优和持续性演化；
建立流式计算处理框架对目标识别网络进行任务分发，通过任务分发，依次识别不同的患者关节部位。
作为本发明的一种实施例：所述方法还包括：
获取待识别关节的关节三维模型；其中，
所述关节三维模型包括关节三维图像和用于对比关节的图像纹理信息；
将所述关节三维图像输入特征识别模型的图像特征提取层，输出所述待处理关节的关节图像特征；其中，
所述特征识别模型是通过预先进行关节特征训练的深度网络构成；
将用于对比关节的图像纹理信息输入特征识别模型的对比识别特征提取层，输出关节三维模型的图像纹理特征；
将关节图像特征和图像纹理特征输入特征识别模型的特征组合层，输出关节三维模型的关节组合特征；
根据关节组合特征，进行组合点标记，确定关节特征点。
作为本发明的一种实施例：所述方法还包括：
通过关节特征点没确定关节连接处的特征点集合；
根据特征点集合合，确定患者关节栅格图坐标系关节连接处的坐标集合，并根据目标图像，确定目标图像中的目标框集合；
根据关节连接处的坐标集合，确定三维坐标信息，并将三维坐标信息作为特征点标记。
作为本发明的一种实施例：所述方法还包括：
获取患者关节医学影像的特征点标记图；
基于预设的池化模块，提取特征点标记图在不同特征点集合分割下的第一特征图，并对第以特征图进行最大池化和平均池化后调整特征图通道和分割点，获得不同关节部位的特征图；
将各个不同关节部位的特征图与特征点标记图融合，获得融合特征图，并应用预先训练的关节划分融合模块调整融合特征图对应的不同关节部位的图像特征，重标定融合特征图；
应用预先设置的上图层提取模块对已调整的融合特征图进行关节框图提取，在不同的图层提取不同的关节部位，并生成对应关节部位分割图。
作为本发明的一种实施例：所述方法还包括：
设置关节影像数据库；
通过关节分类和人体分布模型的应用，获取人体关节的基础数据；其中，
基础数据包括：关节分布数据、关节图像数据和关节连接数据；
通过人体关节的基础数据结合人体分布模型的基础上建立关节排布模型；
通过捕捉标记法，结合排布模型进行关节影像图像采集，并按照关节影像图像的病例分类，在关节影像数据库存储关节影像数据。
作为本发明的一种实施例：所述方法还包括：
通过关节自动动态分割，提取出不同关节区域的表面采样点；
根据不同关节区域的表面采样点构建关节区域图标识；
提取不同关节区域图标识中每个表面采样点对应的多个模态特征；
对关节区域图标识中所有表面采样点对应的多个模态特征进行融合，得到关节区域的目标融合特征；
通过目标融合特征，进行关节状态识别。
作为本发明的一种实施例：所述方法还包括：
通过关节识别特征网络，进行关节断层识别；其中，
关节断层识别包括：关节横截面轮廓识别、关节断层位置识别和关节断层描述线识别；
在关节断层区域设置断层分割基准点；
通过断层分割基准点，对患者关节进行动态断层分割。
本发明有益效果在于：
本发明可以对患者的医学影像进行处理，进而进行疾病识别，同时生成的三维模型可以显示生物的生物组织和患者的关节连接状况，相对于现有技术中的自动分割方法，本发明进行图像分割更加智能化，可以根据具体的疾病，具体的关节进行对应的分割处理，更加清晰的显示病变位置。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种关节疾病的医学影像的动态分割方法的方法流程图；
图2为本发明实施例中三维重建的生成流程图；
图3为本发明实施例中断层分割流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明为一种关节疾病的医学影像的动态分割方法，包括：
获取待识别的患者关节医学影像，并进行关节三维模型重建，生成关节三维模型；
通过预设的关节识别特征网络，对关节三维模型进行特征点识别，并进行特征点标记；
将特征点标记作为动态分割基准点，通过动态分割基准点，进行关节自动动态分割。
上述技术方案的原理在于：
本发明在对于医学影像处理的过程中，包括三个步骤，如附图1所示，首先会根据患者关节医学影像，进行三维模型重建，也就是对患者关节的疾病部位重新生成三维图像，三维图像上可以显示生物组织和患者关节的连接状况。特征点标记，特征点是患者关节疾病部位、连接部位或者骨头断裂的断裂部位的特征点，通过这些特征点，可以将疾病区域进行单一划分出来，实现自动的疾病识别和疾病图像分割，辅助医生更加精确的诊断和治疗。
上述技术方案的有益效果在于：
本发明可以对患者的医学影像进行处理，进而进行疾病识别，同时生成的三维模型可以显示生物的生物组织和患者的关节连接状况，相对于现有技术中的自动分割方法，本发明进行图像分割更加智能化，可以根据具体的疾病，具体的关节进行对应的分割处理，更加清晰的显示病变位置。
作为本发明的一种实施例：所述方法还包括：
获取患者关节医学影像；
对患者关节医学影像进行识别处理，进行关节部位标记；
通过阈值分割方法获得与关节部位标记相对应的关节部位图像；
对关节部位图像进行边缘检测，得到关节部位的边缘点云；
基于边缘点云，生成患者关节的点云影像轮廓。
上述技术方案的原理在于：本发明在对医学影像的处理过程中，首先对图像中的关键部位进行标记，例如：疾病区域、组织区域和关节连接区域；然后通过阈值分割的方式确定相对应的每个部位的关节图像，然后通过边缘监测的方式，进行边缘点云建模，生成关节的点云图像。
上述技术方案的有益效果在于：可以通过点云图像的方式，精确的测量患者疾病区域的关节轮廓，从而更快速的进行三维建模。
作为本发明的一种实施例：所述关节三维模型重建包括：
对点云影像轮廓进行特征提取，并基于预设的待填充关节三维模型，得到多个待重建模型的匹配点集合；其中，
特征提取包括：关节面特征提取、关节囊特征提取、关节腔特征提取；
根据匹配点集合，在三维建模坐标系中的坐标，生成患者关节特征数据的匹配填充坐标数据；
基于匹配填充坐标数据，通过对极约束算法，得到患者关节数据集填充的数据填充标记矩阵；
基于数据填充标记矩阵，对点云影像轮廓进行点云数据填充，生成点云模型；
通过点云模型，进行三维点云转化，生成关节三维模型。
上述技术方案的原理在于：本发明在三维建模重建的过程中，因为需要保证建模的精确性，本发明采用了点云数据填充的方式。
在实际实施时，预先生成一个模拟的待填充关节点云数据的三维模型，这个模型是可以通过数据填充的方式构成患者关节的模拟模型，在这个过程中，首先需要进行特征匹配，将关节面特征所在位置、关节囊特征所在位置和关节腔特征所在位置与待填充关节点云数据的三维模型上的填充点坐标进行匹配，生成了匹配点集合。然后通过三维建模坐标系，匹配填充坐标数据就是确定每个匹配点上的点云特征数据，极约束算法是一种几何约束的方法，用于进行在生成数据填充标记矩阵的时候，防止数据填充超出实际数据的边界。从而保证数据填充的范围轮廓正确，而数据填充标记矩阵是通过点云特征数据进行填充点划分后构成的填充排布矩阵，然后进行数据填充，从而生成关节三维模型。
上述技术方案的有益效果在于：本发明通过构建符合关节三维填充的模型矩阵，将点云数据作为填充素材，从而进行三维点云填充，然后三维点云转化，生成关节三维模型。本发明的方式相对于现有的普通数据填充的方式，本发明在关节领域可以实现三层数据填充，逐层填充，保证模拟的关节准确性。其次，极约束算法，可以很好的保证在填充过程中，不会超出填充边界。
作为本发明的一种实施例：所述方法还包括：
建立用于提取关节特征的目标识别网络，并对网络中的关节轮廓特征和关节部位特征进行融合；
对目标的患者关节医学影像进行特征提取，生成融合特征图，通过目标识别网络对融合特征图识别，得到患者关节医学影像下的目标位置与类别确定；
通过增量学习对目标识别网络的运算和结构进行自动化调优和持续性演化；
建立流式计算处理框架对目标识别网络进行任务分发，通过任务分发，依次识别不同的患者关节部位。
上述技术方案的原理在于：本发明可以建立基于关节特征的目标识别网络，目标特征识别网络通过大量的关节轮廓特征图像和关节部位整体特征训练得到，因此可以对关节轮廓特征和关节部位特征进行高精度识别。特征融合，就是关节部位特征和关节轮廓特征融合，两者能够融合生成同一个关节，特征适配。融合特征图，就是融合的部位、融合结果的显示图，便于进行精确识别关节的位置和关节种类，增量学习就是通过不断增加学习数据的学习方式，每进行一次识别，就是一次增量训练，从而能够不断提高目标识别网络的识别准确度，流式计算处理框架是一种任务分发的识别框架，便于快速对不同患者关节部位进行同步快速识别，也能实现逐一识别。
本发明通过目标识别网络对关节图像特征进行融合处理，通过融合处理的方式进行关节医学影像写的类别处理，同时通过增量学习的方式对目标识别网络的运算和结构进行自动化的调优和持续性的演化处理，然后基于流式处理的方式对不同部位以任务分发的方式进行识别，逐一识别不同的关节部位。
上述技术方案的有益效果在于：本发明可以实现对关节部位的精确识别，确定关节的具体部位，进行关节的融合处理，精确识别每一个关节部位。 相对于现有技术，本发明的主要技术效果是通过关节轮廓特征和关节部位特征，这属于一种双重对比校验融合，如何成功后可以实现关节部位建模，还能实现关节匹配适应性校验，融合不成功，或者融合后的关节存在缺陷，必定是一部分特征提取错误。另外目标识别网络的自动化调优和任务分发，可以自动提高患者关节识别的精准度，也能实现多任务同步分发识别。
作为本发明的一种实施例：所述方法还包括：
获取待识别关节的关节三维模型；其中，
所述关节三维模型包括关节三维图像和用于对比关节的图像纹理信息；图像纹理信息包括关节部位表面纹理，例如细胞组织纹理或者关节连接点纹理。
将所述关节三维图像输入特征识别模型的图像特征提取层，输出所述待处理关节的关节图像特征；其中，
所述特征识别模型是通过预先进行关节特征训练的深度网络构成；
将用于对比关节的图像纹理信息输入特征识别模型的对比识别特征提取层，输出关节三维模型的图像纹理特征；
将关节图像特征和图像纹理特征输入特征识别模型的特征组合层，输出关节三维模型的关节组合特征；
根据关节组合特征，进行组合点标记，确定关节特征点。
上述技术方案的原理在于：本发明的关节三维模型在确定关节特征点的过程中，可以通过对关节三维特征的图像处理，以对比的方式确定关节图像纹理，通过特征识别确定关节的关节特征，从而进行组合处理，根据纹理和关节之间的关系，进行特征点划分，特征点也式边缘点。
上述技术方案的有益效果在于，本发明的关节组合特征，也就是关节纹理、关节部位、关节连接多重组合特征，实现对关节特征点的准确识别，便于通过组合特征对关节进行分割。而且分割效率比较高。
作为本发明的一种实施例：所述方法还包括：
通过关节特征点，确定关节连接处的特征点集合；
根据特征点集合，确定患者关节栅格图坐标系关节连接处的坐标集合，并根据目标图像，确定目标图像中的目标框集合；
根据关节连接处的坐标集合，确定三维坐标信息，并将三维坐标信息作为特征点标记。
上述技术方案的原理在于：本发明中关节连接处的特征点集合，包括关节连接处的连接边界特征点、连接可运动角度特征点，关节软骨特征，关节头特征点、关节窝特征点等等特征点集合，而关节格栅图坐标系就是通过格栅的方式，对不同的坐标点进行区域划分，目标框图中，每个目标连接特征点都是对应这每个坐标点集合，进而便于进行三维坐标标记，进而对患者关节的每个特征点标记。
上述技术方案的有益效果在于：
本发明在进行特征点标记的时候，通过格栅的方式实现的特征标记，进而能够保证对不同的关节特征可以实现精确标记，因为每个特征点集合都存在目标框，所以也可以多层次标记。
作为本发明的一种实施例：所述方法还包括：
获取患者关节医学影像的特征点标记图；
基于预设的池化模块，提取特征点标记图在不同特征点集合分割下的第一特征图，并对第以特征图进行最大池化和平均池化后调整特征图通道和分割点，获得不同关节部位的特征图；
将各个不同关节部位的特征图与特征点标记图融合，获得融合特征图，并应用预先训练的关节划分融合模块调整融合特征图对应的不同关节部位的图像特征，重标定融合特征图；
应用预先设置的上图层提取模块对已调整的融合特征图进行关节框图提取，在不同的图层提取不同的关节部位，并生成对应关节部位分割图。
上述技术方案的原理在于：本发明通过患者关节的特征点标记图，通过池化模块中的特征池，池化模块中具有多个特征池，每个特征池对应一个特征。第一特征图是，每个池化池中对应的关节初始分布特征，更加符合最大池化层的特征分割结果，最大池化和平均池化的不同在于特征分割识别的精确度的不同，进而可以对第一特征图进行不断调优分割，确定不同关节部位特征图。进行特征图和特征标记图融合是为了让分割的时候分割的更加准确，符合分割特征需求。最后通过不同的图层实现不同关节框图提取，关节框图又通过再分割，得到关节部位分割图。
上述技术方案的有益效果在于：本发明可以实现精确的不同图层的池化分割关节分割，让分割的结果更加准确。
作为本发明的一种实施例：所述方法还包括：
设置关节影像数据库；
通过关节分类和人体分布模型的应用，获取人体关节的基础数据；其中，
基础数据包括：关节分布数据、关节图像数据和关节连接数据；
通过人体关节的基础数据结合人体分布模型的基础上建立关节排布模型；
通过捕捉标记法，结合排布模型进行关节影像图像采集，并按照关节影像图像的病例分类，在关节影像数据库存储关节影像数据。
上述技术方案的原理在于：本发明还预先设置关节的影像图数据库，这数据库中存在关节所有部分的影像图，可以确定人体关节的基础数据，进而再进行分割的时候，可以快速的对关节影响图像进行分类，快速确定对应的病例影像，让关节分割的时候能够符合根据病症进行调整，防止因为病症的影响导致关节分割出现错误。
作为本发明的一种实施例：所述方法还包括：
通过关节自动动态分割，提取出不同关节区域的表面采样点；
根据不同关节区域的表面采样点构建关节区域图标识；
提取不同关节区域图标识中每个表面采样点对应的多个模态特征；多个模态特征就是关节存在病症的特征，例如关节断开、关节骨裂灯，关节组织萎缩等状态。
对关节区域图标识中所有表面采样点对应的多个模态特征进行融合，得到关节区域的目标融合特征；
通过目标融合特征，进行关节状态识别。
上述技术方案的原理在于：本发明可以通过自动分割的方式，通过多模态特征可以识别关节是否存在异常，进而进行关节状态识别。
上述技术方案的有益效果在于：本发明对于关节方面的疾病，可以对关节状态进行识别，判断关节的病变异常。
本发明提取不同关节区域图标识的模态特征包括如下步骤：
步骤1：获取关节区域图标识，构建基于关节区域的特征显示模型：
其中，表示关节区域的特征显示模型；/>表示关节表面采样点第/>个采样点的位置参数；/>表示关节表面采样点第/>个采样点的标识特征；/>表示关节表面采样点的表面总面积；/>表示表示关节表面采样点第/>个采样点的组织类型参数；/>表示表示关节表面采样点第/>个采样点的组织灰度值；/>，/>为正整数，/>表示表示关节表面采样点第/>个采样点总数；
步骤2：根据特征显示模型，进行模态识别，确定可识别信息：
其中，表示关节表面采样点第/>个采样点的特征识别损失；/>表示预设模态特征数据库中第/>种模态特征；/>，/>表示预设模态特征数据库中模态特征总数；/>为归属函数，当/>属于特征显示模型中的显示特征，/>；/>时，表示关节状态为预设模态特征数据库中第/>种模态。
上述技术方案中，第一个步骤，是为了建立关节区域图的特征显示模型，组织类型包括细胞组织或者硬骨或者软骨或者病变细胞等；特征显示模型通过引入采样点位置，采样点的特征状态，采样点的组织类型和组织灰度值，在指数函数的下的状态显示模型，而步骤2通过判断状态显示模型种包括的模态特征，判断关节的实时模态，也就能判断关节实时的病变状况，确定关节的病变异常。
作为本发明的一种实施例：所述方法还包括：
通过关节识别特征网络，进行关节断层识别；其中，
关节断层识别包括：关节横截面轮廓识别、关节断层位置识别和关节断层描述线识别；
在关节断层区域设置断层分割基准点；
通过断层分割基准点，对患者关节进行动态断层分割。
上述技术方案的原理在于：如附图3所示，本发明可以通过关节识别特征网络，对关节断层进行识别模拟，关节断层属于关节断裂情况下的骨裂，骨等骨科疾病，通过这些疾病的识别，可以进行关节的动态断层的分割，便于进行断层检测。
上述技术方案的有益效果在于：本发明可以对关节断裂进行检测，辅助处理骨科方面的断裂性高伤害性疾病。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种关节疾病的医学影像的动态分割方法，其特征在于，包括：
获取待识别的患者关节医学影像，并进行关节三维模型重建，生成关节三维模型；
通过预设的关节识别特征网络，对关节三维模型进行特征点识别，并进行特征点标记；
将特征点标记作为动态分割基准点，通过动态分割基准点，进行关节自动动态分割；
在基于待识别的患者关节医学影像进行关节三维模型重建前，所述方法还包括：
获取患者关节医学影像；
对患者关节医学影像进行识别处理，进行关节部位标记；
通过阈值分割方法获得与关节部位标记相对应的关节部位图像；
对关节部位图像进行边缘检测，得到关节部位的边缘点云；
基于边缘点云，生成患者关节的点云影像轮廓；
获取待识别关节的关节三维模型；其中，
所述关节三维模型包括关节三维图像和用于对比关节的图像纹理信息；
将所述关节三维图像输入特征识别模型的图像特征提取层，输出所述待识别关节的关节图像特征；其中，
所述特征识别模型是通过预先进行关节特征训练的深度网络构成；
将用于对比关节的图像纹理信息输入特征识别模型的对比识别特征提取层，输出关节三维模型的图像纹理特征；
将关节图像特征和图像纹理特征输入特征识别模型的特征组合层，输出关节三维模型的关节组合特征；
根据关节组合特征，进行组合点标记，确定关节特征点；
所述方法还包括：
通过关节自动动态分割，提取出不同关节区域的表面采样点；
根据不同关节区域的表面采样点构建关节区域图标识；
提取不同关节区域图标识中每个表面采样点对应的多个模态特征；
对关节区域图标识中所有表面采样点对应的多个模态特征进行融合，得到关节区域的目标融合特征；
通过目标融合特征，进行关节状态识别。
2.如权利要求1所述的一种关节疾病的医学影像的动态分割方法，其特征在于，所述关节三维模型重建包括：
对点云影像轮廓进行特征提取，并基于预设的待填充关节三维模型，得到多个待重建模型的匹配点集合；其中，
特征提取包括：关节面特征提取、关节囊特征提取、关节腔特征提取；
根据匹配点集合，在三维建模坐标系中的坐标，生成患者关节特征数据的匹配填充坐标数据；
基于匹配填充坐标数据，通过对极约束算法，得到患者关节数据集填充的数据填充标记矩阵；
基于数据填充标记矩阵，对点云影像轮廓进行点云数据填充，生成点云模型；
通过点云模型，进行三维点云转化，生成关节三维模型。
3.如权利要求1所述的一种关节疾病的医学影像的动态分割方法，其特征在于，所述方法还包括：
建立用于提取关节特征的目标识别网络，并对网络中的关节轮廓特征和关节部位特征进行融合；
对目标的患者关节医学影像进行特征提取，生成融合特征图，通过目标识别网络对融合特征图识别，得到患者关节医学影像下的目标位置与类别确定；
通过增量学习对目标识别网络的运算和结构进行自动化调优和持续性演化；
建立流式计算处理框架对目标识别网络进行任务分发，通过任务分发，依次识别不同的患者关节部位。
4.如权利要求1所述的一种关节疾病的医学影像的动态分割方法，其特征在于，所述方法还包括：
通过关节特征点，确定关节连接处的特征点集合；
根据特征点集合，确定患者关节栅格图坐标系关节连接处的坐标集合，并根据目标图像，确定目标图像中的目标框集合；
根据关节连接处的坐标集合，确定三维坐标信息，并将三维坐标信息作为特征点标记。
5.如权利要求1所述的一种关节疾病的医学影像的动态分割方法，其特征在于，所述方法还包括：
获取患者关节医学影像的特征点标记图；
基于预设的池化模块，提取特征点标记图在不同特征点集合分割下的第一特征图，并对第一特征图进行最大池化和平均池化后调整特征图通道和分割点，获得不同关节部位的特征图；
将各个不同关节部位的特征图与特征点标记图融合，获得融合特征图，并应用预先训练的关节划分融合模块调整融合特征图对应的不同关节部位的图像特征，重标定融合特征图；
应用预先设置的上图层提取模块对已调整的融合特征图进行关节框图提取，在不同的图层提取不同的关节部位，并生成对应关节部位分割图。
6.如权利要求1所述的一种关节疾病的医学影像的动态分割方法，其特征在于，所述方法还包括：
设置关节影像数据库；
通过关节分类和人体分布模型的应用，获取人体关节的基础数据；其中，
基础数据包括：关节分布数据、关节图像数据和关节连接数据；
通过人体关节的基础数据结合人体分布模型的基础上建立关节排布模型；
通过捕捉标记法，结合排布模型进行关节影像图像采集，并按照关节影像图像的病例分类，在关节影像数据库存储关节影像数据。
7.如权利要求1所述的一种关节疾病的医学影像的动态分割方法，其特征在于，所述方法还包括：
通过关节识别特征网络，进行关节断层识别；其中，
关节断层识别包括：关节横截面轮廓识别、关节断层位置识别和关节断层描述线识别；
在关节断层区域设置断层分割基准点；
通过断层分割基准点，对患者关节进行动态断层分割。
CN202310025013.3A 2023-01-09 2023-01-09 一种关节疾病的医学影像的动态分割方法 Active CN116071386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310025013.3A CN116071386B (zh) 2023-01-09 2023-01-09 一种关节疾病的医学影像的动态分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310025013.3A CN116071386B (zh) 2023-01-09 2023-01-09 一种关节疾病的医学影像的动态分割方法

Publications (2)

Publication Number Publication Date
CN116071386A CN116071386A (zh) 2023-05-05
CN116071386B true CN116071386B (zh) 2023-10-03

Family

ID=86183256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310025013.3A Active CN116071386B (zh) 2023-01-09 2023-01-09 一种关节疾病的医学影像的动态分割方法

Country Status (1)

Country Link
CN (1) CN116071386B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450294A (zh) * 2021-06-07 2021-09-28 刘星宇 多模态医学图像配准融合方法、装置及电子设备
CN114693981A (zh) * 2022-04-17 2022-07-01 江苏师范大学 一种膝关节特征点自动识别方法
CN115393272A (zh) * 2022-07-15 2022-11-25 北京长木谷医疗科技有限公司 基于深度学习的膝关节髌骨置换三维术前规划系统及方法
WO2022257345A1 (zh) * 2021-06-07 2022-12-15 刘星宇 医学图像融合方法及系统、模型训练方法及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7183414B2 (ja) * 2020-04-29 2022-12-05 バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド 画像処理の方法及び装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450294A (zh) * 2021-06-07 2021-09-28 刘星宇 多模态医学图像配准融合方法、装置及电子设备
WO2022257345A1 (zh) * 2021-06-07 2022-12-15 刘星宇 医学图像融合方法及系统、模型训练方法及存储介质
CN114693981A (zh) * 2022-04-17 2022-07-01 江苏师范大学 一种膝关节特征点自动识别方法
CN115393272A (zh) * 2022-07-15 2022-11-25 北京长木谷医疗科技有限公司 基于深度学习的膝关节髌骨置换三维术前规划系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
人体颅脑MRI图像中下颌骨的分割及三维建模;何叶松等;《中国医学物理学杂志》;第27卷(第3期);第1876-1880页 *

Also Published As

Publication number Publication date
CN116071386A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN110738681A (zh) 一种基于深度学习网络的椎弓根钉手术路径自动规划方法
CN108205806B (zh) 一种锥束ct图像三维颅面结构的自动解析方法
CN107895364B (zh) 一种用于虚拟手术术前规划的三维重建系统
CN112785609B (zh) 一种基于深度学习的cbct牙齿分割方法
CN110097557B (zh) 基于3D-UNet的医学图像自动分割方法及系统
CN114757960B (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
CN113096137B (zh) 一种oct视网膜图像领域适应分割方法及系统
CN106780453A (zh) 一种基于深度信任网络实现对脑肿瘤分割的方法
CN114261095B (zh) 一种基于ai的骨科3d打印方法和装置
CN111402216A (zh) 基于深度学习的三维碎骨分割方法和装置
CN115661149A (zh) 一种基于肺部组织数据的肺部影像处理系统
CN110634132A (zh) 基于深度学习的3d ct影像自动生成肺结核量化诊断报告的方法
CN114693981A (zh) 一种膝关节特征点自动识别方法
CN110148128B (zh) 一种补全病变骨骼以获得骨骼预期参考模型的方法
CN117476237B (zh) 一种用于老年人手术的模拟评估系统及方法
CN112634221B (zh) 基于图像和深度的角膜层次识别及病变定位方法和系统
CN116071386B (zh) 一种关节疾病的医学影像的动态分割方法
CN113643263B (zh) 一种上肢骨定位与前臂骨融合畸形的识别方法及系统
CN109583277B (zh) 一种基于cnn的赤足足迹的性别判定方法
CN112991522B (zh) 一种个性化二尖瓣自动建模方法、系统及设备
CN109509189B (zh) 一种基于多个子区域模板的腹部肌肉标注方法及标注装置
CN113222886B (zh) 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统
CN117934416B (zh) 基于机器学习的cta颈内动脉分段方法及系统
CN118247219B (zh) 基于深度学习的牙根外吸收检测系统
CN118021474B (zh) 基于图像处理的牙种植体模型成型方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240124

Address after: Room 302, Unit 1, Building 4, Xiaqingyuan, Modern Garden, Renmin Road, Xiangshan District, Huaibei City, Anhui Province, 235000

Patentee after: Cai Changzheng

Country or region after: China

Address before: 230000 room 708-583, building 1, e-commerce Park, No. 1299, Huguang Road, Shushan District, Hefei City, Anhui Province

Patentee before: Anhui aipeng Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right