CN116468652A - 一种前臂骨标志点智能识别方法 - Google Patents
一种前臂骨标志点智能识别方法 Download PDFInfo
- Publication number
- CN116468652A CN116468652A CN202310068127.6A CN202310068127A CN116468652A CN 116468652 A CN116468652 A CN 116468652A CN 202310068127 A CN202310068127 A CN 202310068127A CN 116468652 A CN116468652 A CN 116468652A
- Authority
- CN
- China
- Prior art keywords
- point
- radius
- ulna
- forearm bone
- forearm
- 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
- 210000000245 forearm Anatomy 0.000 title claims abstract description 192
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 210000000623 ulna Anatomy 0.000 claims description 189
- 210000002221 olecranon process Anatomy 0.000 claims description 40
- 239000003550 marker Substances 0.000 claims description 33
- 230000011164 ossification Effects 0.000 claims description 25
- 210000003275 diaphysis Anatomy 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 abstract description 7
- 206010070918 Bone deformity Diseases 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- 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
- G06T2207/30008—Bone
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种前臂骨标志点智能识别方法,属于前臂骨标志点识别领域。从前臂骨三维模型中确定前臂骨端轴线,建立垂直于前臂骨端轴线的平行面系,选取平行面系中各面与前臂骨三维模型相交的最大轮廓面积所在面为前臂骨端特征平面,前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点,对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点。本发明综合了统计学方法和几何方法,具有较好的稳定性和个体特异性,在根据解剖学知识识别处标志点的大致位置后,再采用局部寻优的方式对标志点识别结果进行优化,提高识别的精度,适用于存在一定骨性畸形的前臂影像的骨性标志点自动识别。
Description
技术领域
本发明涉及骨性标志点识别领域,特别是涉及一种前臂骨标志点智能识别方法。
背景技术
骨性标志点的识别广泛应用在矫形学、生物力学、形态学、人体测量学、流行病学、人类学和法医学等诸多领域。
目前,骨标志点大多由人工的方式进行识别,但人工识别存在如下缺点:(1)难以提供可重复性的结果,观察者内和观察者间存在一定的差异;(2)人工识别需要对识别者进行相关的培训,耗费人力、物力;(3)采用人工标注降低了医学影像识别的自动化程度。
骨性标志点的识别可分为统计学方法和几何方法。统计学方法对骨骼模型的分割精度要求较低,但需要一定规模的标注数据集来建立统计形状模型,基于统计学方法识别的标志点具有较好的鲁棒性,但其仅能推断标志点的大致位置,对个体特征变异性识别精度较低。几何方法考虑骨表面曲率及其他几何信息,并结合解剖学先验知识,对骨标志点建立数学模型,其受限于个体骨结构的较大差异,可能会收敛到局部最优位置,而非理想的最优位置。
因此,总结目前的自动识别方式存在如下问题:
(1)骨标志点,特别是长骨标志点的研究主要集中在下肢,对上肢的研究较少;
(2)统计学方法需要大量数据,且识别的结果是统计学获得的平均结果,个体表征性较差;而采用几何方法的识别,具有较高的再现性,但鲁棒性难以保证,可能收敛到其他几何特征点上;
(3)对于存在一定骨性畸形的前臂影像,单纯采用统计学方式和几何方法很可能会识别失效。
综上,现阶段还没有适用于前臂骨的,样本数据集规模有限的,且适用于存在一定骨性畸形的前臂影像的骨性标志点识别方法。
发明内容
本发明的目的是提供一种前臂骨标志点智能识别方法,适用于存在一定骨性畸形的前臂影像的骨性标志点自动识别。
为实现上述目的,本发明提供了如下方案:
一种前臂骨标志点智能识别方法,包括:
从前臂CT影像中提取前臂骨,构建前臂骨三维模型;所述前臂骨包括桡骨和尺骨;
在所述前臂骨三维模型中确定前臂骨端轴线;所述前臂骨端包括桡骨远端和尺骨近端;
建立垂直于前臂骨端轴线的平行面系,并将平行面系中各面与前臂骨三维模型相交的最大轮廓面积所在面确定为前臂骨端特征平面;
以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系;
基于前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点;
对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点。
可选的,在所述前臂骨三维模型中确定前臂骨端轴线,具体包括:
当所述前臂骨为桡骨时,确定所述前臂骨三维模型为桡骨三维模型;
在桡骨远端1/3区段沿前臂CT影像纵轴走向构建平行面系;
确定桡骨三维模型与平行面系中各平面所形成的轮廓以及轮廓中心;
采用最小二乘方式将平行面系中各平面的轮廓中心拟合为空间直线,作为桡骨远端轴线。
可选的,所述以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系,具体包括:
将桡骨特征平面轮廓的中心点作为桡骨远端局部坐标系的原点OR;
将尺骨远端轴线与桡骨特征平面的交点记为PU;
以方向为X轴方向,以桡骨远端轴线为Z轴方向,且从近端指向远端的方向为Z轴正方向,并通过右手法则确定Y轴方向,建立桡骨远端局部坐标系。
可选的,所述基于前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点,具体包括:
构建桡骨远端平台模板;所述桡骨远端平台模板中标注有桡骨标志点;所述桡骨标志点包括桡骨Lister结节、桡骨茎突背侧端点、桡骨茎突掌侧端点和桡骨乙状切迹掌侧端点;
对桡骨特征平面轮廓进行归一化,获得桡骨远端平台;
根据桡骨远端平台轮廓,利用桡骨远端局部坐标系,获得掌尺侧区域的桡骨远端平台轮廓部分中到原点距离最大的点,作为初始的桡骨乙状切迹掌侧端点;
将初始的桡骨乙状切迹掌侧端点旋转至固定角度,获得旋转后的桡骨远端平台轮廓;
采用迭代最近点法对旋转后的桡骨远端平台轮廓与桡骨远端平台模板轮廓进行配准;
选取配准后的桡骨远端平台轮廓中桡骨Lister结节与桡骨远端平台模板的桡骨Lister结节距离最近的点,配准后的桡骨远端平台轮廓中桡骨茎突背侧端点与桡骨远端平台模板的桡骨茎突背侧端点距离最近的点,配准后的桡骨远端平台轮廓中桡骨茎突掌侧端点与桡骨远端平台模板的桡骨茎突掌侧端点距离最近的点,配准后的桡骨远端平台轮廓中桡骨乙状切迹掌侧端点与桡骨远端平台模板的桡骨乙状切迹掌侧端点距离最近的点,并记为初始桡骨标志点。
可选的,所述构建桡骨远端平台模板,具体包括:
选取多例前臂骨样本,并在每例前臂骨样本上标注桡骨标志点;
构建每例前臂骨样本的桡骨三维模型,并在每个桡骨三维模型中确定桡骨远端轴线;
建立垂直于桡骨远端轴线的平行面系,并将平行面系中各面与桡骨三维模型相交的最大轮廓面积所在面确定为桡骨远端特征平面;
确定桡骨标志点在桡骨远端特征平面上的投影点以及桡骨远端特征平面轮廓点;
计算每个桡骨远端特征平面轮廓的面积,并对所有的面积进行统一;
将每个面积统一后的桡骨远端特征平面上的桡骨乙状切迹掌侧端点旋转至同一角度,获得多个旋转后的桡骨远端特征平面;
对旋转后的桡骨远端特征平面轮廓上桡骨乙状切迹掌侧端点的投影点到桡骨Lister结节的投影点之间的轮廓线段进行插值,桡骨Lister结节的投影点到桡骨茎突背侧端点的投影点之间的轮廓线段进行插值,桡骨茎突背侧端点的投影点到桡骨茎突掌侧端点的投影点之间的轮廓线段进行插值,桡骨茎突掌侧端点的投影点到桡骨乙状切迹掌侧端点的投影点之间的轮廓线段进行插值,使得在每段轮廓线段上插值形成数量固定的轮廓点;
计算各个轮廓点与OR的连线距离和角度;
根据所有前臂骨样本的各个轮廓点与OR的连线距离和角度,确定桡骨远端特征平面的平均轮廓,作为桡骨远端平台模板。
可选的,所述对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点,具体包括:
以初始桡骨标志点所在位置为原点,X轴为法线方向,Y轴为切线方向,Z轴同桡骨骨干轴方向,建立标志点局部坐标系;
在标志点局部坐标系上确定沿切向方向和纵向方向所预设的邻域范围;
将原点OR向桡骨近端移动预设距离,记为基点并在所预设的邻域范围中选取相较于基点/>和标志点局部坐标系的原点连接方向的最外侧邻域点,更新为当前桡骨标志点;
将当前桡骨标志点替换初始桡骨标志点,返回步骤“以初始桡骨标志点所在位置为原点,X轴为法线方向,Y轴为切线方向,Z轴同桡骨骨干轴方向,建立标志点局部坐标系”,直至收敛,获得局部最优的桡骨标志点。
可选的,所述以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系,具体包括:
当所述前臂骨为尺骨时,确定所述前臂骨端特征平面为尺骨近端特征平面;
以尺骨近端轴线与尺骨近端特征平面的交点为原点;
以尺骨近端轴线为Z轴,指向尺骨近端为Z轴正方向;
以桡骨近端轴线与尺骨近端特征平面的交点与原点连线方向为X轴,指向尺骨侧为X轴正方向;
根据右手法则确定Y轴和Y轴正方向,从而建立得到尺骨近端局部坐标系。
可选的,所述以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系,之前还包括:
将尺骨近端特征平面拟合为椭圆,并垂直于椭圆短轴建立平行截面系;
确定平行截面系中各截面沿尺骨近端轴线方向位于尺骨最近端的点,形成点集合;
由所述点集合建立尺骨近端嵴,并拟合尺骨近端嵴所在面,获得尺骨近端冠状面;
计算尺骨近端轴线与尺骨近端冠状面的夹角,并将尺骨近端冠状面按照所述夹角旋转至与尺骨近端轴线基本重合,获得矫正后的尺骨近端冠状面。
可选的,所述基于前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点,具体包括:
确定尺骨三维模型与尺骨近端局部坐标系中XOZ平面相交轮廓;
根据相交轮廓上的轮廓点,利用评分函数s1=x+z计算每个轮廓点的第一评分,并利用评分函数s2=-x+z计算每个轮廓点的第二评分;
将第一评分最高的轮廓点作为初始尺骨鹰嘴尺侧端点,并将第二评分最高的轮廓点作为初始尺骨鹰嘴桡侧端点;
计算尺骨近端特征平面上的轮廓点在尺骨近端局部坐标系上的投影点,并确定沿尺骨近端局部坐标系Y轴方向距离原点最远的投影点,将距离原点最远的投影点所对应的轮廓点作为尺骨冠突尖;
建立初始尺骨鹰嘴尺侧端点和初始尺骨鹰嘴桡侧端点的中垂面,并获得尺骨三维模型与所述中垂面的相交轮廓;
在近端确定所述相交轮廓中位于尺骨近端特征平面与矫正后的尺骨近端冠状面后侧所围成区域的圆弧线段;
计算圆弧线段中各轮廓点的曲率,取曲率最大的轮廓点为初始尺骨鹰嘴尖。
可选的,所述对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点,具体包括:
将尺骨近端局部坐标系原点向X轴负方向移动预设距离,记为基点
建立从基点指向当前尺骨标志点的向量,并计算预设邻域范围内各点在所述向量上的投影,获取投影最大值对应的邻域点;所述当前尺骨标志点包括初始尺骨鹰嘴尺侧端点和初始尺骨鹰嘴桡侧端点;
将投影最大值对应的邻域点替换当前尺骨标志点,并返回步骤“建立从基点指向当前尺骨标志点的向量,并计算预设邻域范围内各点在所述向量上的投影,获取投影最大值对应的邻域点”,直至收敛,获得局部最优的当前尺骨标志点;
对初始尺骨鹰嘴尖进行局部寻优,获得局部最优的尺骨鹰嘴尖。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种前臂骨标志点智能识别方法,首先从前臂骨三维模型中确定前臂骨端轴线,建立垂直于前臂骨端轴线的平行面系,选取平行面系中各面与前臂骨三维模型相交的最大轮廓面积所在面为前臂骨端特征平面,然后前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型和前臂骨端局部坐标系确定初始前臂骨性标志点,最后对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点。本发明综合了统计学方法和几何方法,具有较好的稳定性和个体特异性,在根据解剖学知识识别处标志点的大致位置后,再采用局部寻优的方式对标志点识别结果进行优化,提高识别的精度,适用于存在一定骨性畸形的前臂影像的骨性标志点自动识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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为现有前臂骨性标志点示意图;图1中的(a)为桡骨Lister结节、桡骨茎突背侧端点示意图,图1中的(b)为桡骨茎突掌侧端点和桡骨乙状切迹掌侧端点示意图,图1中的(c)为尺骨冠突尖、尺骨鹰嘴尺侧端点和尺骨鹰嘴桡侧端点示意图,图1中的(d)为尺骨鹰嘴尖示意图;
图2为本发明实施例提供的前臂骨标志点智能识别方法的流程图;
图3为本发明实施例一提供的桡骨远端骨标志点识别原理图;
图4为本发明实施例一提供的桡骨远端局部坐标系示意图;
图5为本发明实施例一提供的2岁女童的左侧桡骨三维模型示意图;
图6为本发明实施例一提供的2岁女童的左侧桡骨远端标志点示意图;
图7为本发明实施例一提供的2岁女童的桡骨远端轴线拟合示意图;
图8为本发明实施例一提供的桡骨远端平台图;图8中的(a)为桡骨远端平台示意图,图8中的(b)为桡骨远端平台轮廓的中心示意图;
图9为本发明实施例一提供的2岁女童的桡骨远端平台轮廓模板示意图;
图10为本发明实施例一提供的2岁女童的基于模板的桡骨远端标志点示意图;图10中的(a)为桡骨背侧标志点示意图,图10中的(b)为桡骨掌侧标志点示意图;
图11为本发明实施例一提供的2岁女童的桡骨标志点局部优化基点设定示意图;
图12为本发明实施例一提供的2岁女童的桡骨标志点局部优化示意图;图12中的(a)为标志点局部坐标系示意图,图12中的(b)为邻域示意图;
图13为本发明实施例二提供的尺骨近端骨标志点识别原理图;
图14为本发明实施例二提供的2岁女童的尺骨近端轴线拟合示意图;
图15为本发明实施例二提供的2岁女童的前臂尺骨示意图;
图16为本发明实施例二提供的2岁女童的尺骨近端冠状面示意图;
图17为本发明实施例二提供的2岁女童的尺骨近端冠状突示意图;
图18为本发明实施例二提供的2岁女童的尺骨近端局部坐标系示意图;
图19为本发明实施例二提供的2岁女童的尺骨鹰嘴尺侧端示意图;
图20为本发明实施例二提供的2岁女童的尺骨鹰嘴桡侧端点局部优化示意图;
图21为本发明实施例二提供的2岁女童的尺骨鹰嘴尖示意图;
图22为本发明实施例二提供的2岁女童的尺骨近端标志点示意图;图22中的(a)为尺骨鹰嘴尖示意图;图22中的(b)为尺骨冠突尖、尺骨鹰嘴尺侧端点和尺骨鹰嘴桡侧端点示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种前臂骨标志点智能识别方法,适用于存在一定骨性畸形的前臂影像的骨性标志点自动识别。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明利用模板匹配算法、局部优化算法等技术实现前臂骨性标志点识别自动化进行的问题,可用于尺桡骨局部坐标系的建立和前臂骨配准。
前臂骨:人体小臂骨骼,包括尺骨和桡骨两根,在尺骨近端和桡骨远端分别有4个关键标记点。尺骨近端偏大(近端指靠近大臂一侧),桡骨远端偏大(远端指靠近手掌一侧)。
前臂骨性标志点:前臂尺骨在近端有4个标志点:尺骨冠突尖、尺骨鹰嘴尖、尺骨鹰嘴尺侧端点和尺骨鹰嘴桡侧端点;前臂桡骨在远端有4个标志点:桡骨Lister结节、桡骨茎突背侧端点、桡骨茎突掌侧端点和桡骨乙状切迹掌侧端点,如图1所示。
本发明实施例提供了一种前臂骨标志点智能识别方法,如图2所示,包括:
步骤S1,从前臂CT影像中提取前臂骨,构建前臂骨三维模型;所述前臂骨包括桡骨和尺骨。
步骤S2,在所述前臂骨三维模型中确定前臂骨端轴线;所述前臂骨端包括桡骨远端和尺骨近端。
步骤S3,建立垂直于前臂骨端轴线的平行面系,并将平行面系中各面与前臂骨三维模型相交的最大轮廓面积所在面确定为前臂骨端特征平面。
步骤S4,以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系。
步骤S5,基于前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点。
步骤S6,对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点。
由于前臂骨包括尺骨和桡骨两根,在尺骨近端和桡骨远端分别有4个关键标记点。所以,本发明的前臂骨标志点智能识别方法既可以适用于尺骨近端标志点的识别,也同样适用于桡骨远端标志点的识别。
实施例一
将本发明提供的前臂骨标志点智能识别方法应用于桡骨远端标志点的识别。桡骨远端骨标志点识别原理如图3所示。桡骨远端骨标志点识别的流程包括:
(1)构建桡骨远端平台模板;
(2)从前臂CT影像中提取前臂桡骨,构建桡骨三维模型,并在桡骨三维模型中确定前臂桡骨远端轴线;
(3)建立垂直于前臂桡骨远端轴线的平行面系,并将平行面系中各面与桡骨三维模型相交的最大轮廓面积所在面确定为桡骨远端平台;
(4)以桡骨远端平台的轮廓中心为原点,建立桡骨远端局部坐标系;
(5)基于桡骨远端局部坐标系,采用迭代最近点法对桡骨远端平台轮廓和桡骨远端平台模板轮廓进行配准,并将配准后的桡骨远端平台轮廓中与桡骨远端平台模板的标志点距离最近的点,记为初始桡骨标志点;
(6)对初始桡骨标志点在预设邻域范围内进行局部优化,确定最终的前臂桡骨远端骨性标志点。
桡骨远端骨标志点识别的详细过程如下:
(一)桡骨远端骨标志点的识别
步骤1:从前臂CT影像中分割并获取前臂桡骨和前臂尺骨,分别构建桡骨三维模型R和尺骨三维表面模型U。计算桡骨长度LR,并取桡骨远端1/3区段
步骤2:在桡骨远端1/3区段构建平行面系{πi},并计算桡骨三维模型与各平面所形成的轮廓,该轮廓近似为椭圆形,计算其形心ci,采用最小二乘方式,将平行面系中各面的轮廓中心拟合为空间直线,获得桡骨远端轴线lR=LS(ci)。
其中,平行面系的建立方式:首先沿CT纵轴走向建立平行面系,各面与CT层平面相同,然后计算各个面与桡骨模型的相交的轮廓线,取出并记录各层轮廓线的中点,用这些中点拟合桡骨远端轴线,以该轴线的方向作为新平面的法向量,以CT层间距为新平面面系的间距,在桡骨远端1/3区段建立此处的平行面系。
步骤3:建立垂直于桡骨远端轴线lR的平行面系,并计算三维模型与各面相交的轮廓的面积,并从中获得最大轮廓面积所在面πmax,记为桡骨远端平台
步骤4:建立桡骨远端局部坐标系。计算桡骨远端平台轮廓的中心点,作为桡骨远端局部坐标系的原点OR。采用与步骤2类似的方式,获取尺骨远端轴线lU,并计算其与桡骨远端平台所在平面的交点记为PU,以/>方向为XR轴方向,以桡骨远端轴线lR为ZR轴方向,YR轴方向则通过右手法则而获得。如表1所示。
表1桡骨远端局部坐标系
步骤5:桡骨远端平台模板的构建。
选取N例前臂骨样本,由专业医生标注4个桡骨标志点作为金标准(Global Truth,GT),记为i=1,2,3,4采用上述步骤计算相应的桡骨远端平台轮廓点及GT标志点在桡骨远端平台上的投影/>i=1,2,3,4。
计算桡骨远端平台轮廓的面积,并对其相似变换,使其面积统一。相似变换例如:根据桡骨远端平台轮廓点,可计算桡骨远端平台面积,将该面积统一为(例如200mm2),即若真实面积为S,则缩放比例为然后将桡骨乙状切迹掌侧端点旋转至同一角度θ。对模板进行轮廓线段标准化处理,具体来说,由/>将桡骨远端平台轮廓分为4部分:桡骨乙状切迹掌侧端点/>~桡骨Lister结节/>桡骨Lister结节/>~桡骨茎突背侧端点桡骨茎突背侧/>~桡骨茎突掌侧端点/>和桡骨茎突掌侧端点/>~桡骨乙状切迹掌侧端点/>并将每一部分通过插值形成数量固定的轮廓点。如将所有样本桡骨乙状切迹掌侧端点/>~桡骨Lister结节段插值为N1个小线段。根据标准化分割的形状,样本间的网格据其节点编号形成配对关系。计算各个标准化后的轮廓点与OR的连线距离和角度,并计算出其均值和标准差,从而获得平均轮廓/>
步骤6:对新样本的远端平台轮廓{(xi,yi)}据其面积进行归一化并由建立的桡骨远端坐标系,获得其掌尺侧区域/>的距离远点距离最大值处为桡骨乙状切迹掌侧端点/>将其旋转至固定角度θ。随后,将新样本的桡骨远端平台轮廓/>和模板轮廓/>采用ICP算法进行配准,并在配准后,从新样本的桡骨远端平台轮廓点中,获得与模板中标志点距离最近的点,记为新样本的桡骨标志点记为/>i=1,2,3,4。
步骤7:桡骨标志点的局部寻优。
基于模板已经获得近似的桡骨标志点,但人体骨骼存在个体差异性,且骨标志点位于桡骨远端平台附近,而非严格在桡骨远端平台上,在该点附近进行局部寻优,获得更精确的桡骨标志点。
针对基于模板识别的桡骨标志点i=1,2,3,4建立标志点局部坐标系,局部的坐标方向为切向、法向和纵向。据此给定邻域的范围,如图4所示。邻域的范围,分为切向范围,纵向范围,形成类似于椭圆形的区域,具体范围大小,是调节的参数,一般设置3~5mm,也要考虑患者年龄、骨骼尺寸等数据。计算桡骨模型上各点距离当前点的向量,然后在切向方向和纵向方向上投影,计算出各个点到当前点的切向距离和纵向距离,符合要求的点,为邻域范围内的点。
将桡骨远端局部坐标系原点OR向近端移动一段距离,记为基点计算方向向量并在/>点邻域内,计算各点Pf远离基点的度量值将/>点移动到/>处,重复该操作,直到收敛,获得局部优化的桡骨远端骨性标志点。
如图5所示,以2岁女童的左侧桡骨三维模型为例,阐述桡骨远端骨标志点的识别。
其远端存在4个标志点,分别为桡骨Lister结节,桡骨茎突背侧端点,桡骨茎突尺侧端点和桡骨乙状切迹掌侧端点,如图6所示。
首先进行桡骨远端坐标系的构建。拟合桡骨远端纵轴,如图7所示。
建立桡骨远端轴线的垂直面系,并计算各截面的面积,取面积最大的截面,如图8中的(a)中虚线所示,该截面为桡骨远端平台。
采用与桡骨远端轴线拟合的方式进行尺骨远端轴线的拟合,计算其与桡骨远端平台所在平面的交点,如图8中的(b)中左侧点所示。计算桡骨远端平台轮廓的中心,如图8中的(b)中右侧点所示。进一步建立桡骨远端局部坐标系。
取10例样本,带有人工标注的标志点,重复上面操作,建立其桡骨远端平台,并计算标志点在该平台上的投影,计算轮廓面积,并采用尺度变换将其面积矫正为200mm2,并将桡骨乙状切迹掌侧端点矫正到-135°位置,并调整为轮廓起始位置。并对样本进行轮廓点规范化处理,采用插值的方式,在桡骨远端平台轮廓线中,由桡骨乙状切迹掌侧端点,桡骨Lister结节,桡骨茎突背侧端点,桡骨茎突掌侧端点节点数量统一为70,40,30,60,这样就保证了在桡骨远端平台轮廓线上,第70点、第110点、第140点和第0点分别为4个标志点,如图9所示。图9中外侧实线代表规范化的桡骨远端平台轮廓,内侧实线代表原始桡骨远端平台轮廓。
采用迭代最近点法,将桡骨远端平台模板与新样本的桡骨远端平台轮廓进行配准,配准后,在新样本轮廓中找出与模板相匹配的标志点,如图10所示。
如图10所示,大致识别出桡骨远端标志点,但精度较差,其原因在于:(1)识别的桡骨远端平台为面积最大处,该远端平台可能由于桡骨远端骨干轴的识别误差而产生累积误差;(2)桡骨远端标志点并非严格在桡骨远端平台上。
对这些标志点进行局部优化,建立基点,将桡骨远端平台轮廓的形心(图11中位于上方的点),沿桡骨骨干轴向近端移动距离d,如图11所示。
以桡骨茎突背侧端点为例,建立其局部坐标系,如图12中的(a)所示,原点为该标志点所在位置,X轴为法线方向,Y轴为切线方向,Z轴同桡骨骨干轴方向。根据该局部坐标系,建立当前标志点的相邻区域,如图12中的(b)所示。连接基点和当前标志点,并计算邻域点在该向量方向上的投影,找出邻域点相较于该方向的最外侧点,更新为当前标志点,重复该步骤直至收敛。从而获得局部最优的标志点,如图12所示。
本发明在桡骨远端4个标志点自动识别过程中,提出用其他样本进行统计分析制作模板,以获得标志点的大致定位的方法,并采用局部优化的方式,让标志点的自动矫正过程融入了个体的特异性。
在桡骨远端骨性标志点识别过程中,若存在桡骨成角畸形及适度扭转畸形时,由于存在桡骨远端轴线的矫正,因此不影响桡骨远端平台的识别,进而不影响桡骨远端骨性标志点识别的有效性。
实施例二
将本发明提供的前臂骨标志点智能识别方法应用于尺骨近端标志点的识别。尺骨近端骨标志点识别原理如图13所示。
尺骨近端标志点的识别过程如下:
步骤1:前臂尺骨分割及重建
从前臂CT影像中分割并获取前臂桡骨和前臂尺骨,分别构建桡骨三维模型R和尺骨三维模型U。计算尺骨长度,并取尺骨近端1/5~1/2区段
步骤2:获取尺骨近端轴线和桡骨近端轴线
在尺骨构建平行面系,并计算尺骨三维模型U与各平面所形成的轮廓,计算其中心,采用最小二乘方式,将平行面系中各面的轮廓中心ci拟合为空间直线,获得尺骨近端轴线lU=LS(ci)。取桡骨近端区段,采用相似的方式预估桡骨近端轴线lR。
步骤3:获取尺骨近端特征平面
建立垂直于尺骨近端轴线lU的平行面系,并计算三维尺骨模型U与各面相交的轮廓的面积,并从中获得最大轮廓面积所在面将该面拟合为椭圆形。获取椭圆短轴所在方向。
步骤4:获取尺骨近端冠状面
建立垂直于椭圆短轴的平行截面系,并计算各截面中沿尺骨近端轴线方向,位于最近端的点(沿着尺骨近端轴线方向,来确定的最近端的点),形成点集合,排除该点集合中距离尺骨近端较远的干扰点,用剩余点建立尺骨近端嵴,拟合尺骨近端嵴所在面。计算尺骨近端轴线与尺骨近端冠状面的夹角,并将尺骨近端冠状面旋转至与尺骨近端轴线近似重合的状态,完成尺骨近端冠状面的矫正,将尺骨近端冠状面记为
其中,干扰点的判断方法为:根据尺骨近端轴,找出尺骨模型上的最近端的点,设置一个阈值参数,表示点远离尺骨模型最近端点的程度。然后,计算该点集合中各点与最近端点的纵向距离,超过阈值参数的点判定为干扰点。
步骤5:获取尺骨近端局部坐标系
以尺骨近端轴线与尺骨近端特征平面/>交点为原点,尺骨近端轴线/>为Z轴(指向近端为正),桡骨近端轴线/>与尺骨近端特征平面/>交点与原点连线方向为X轴,指向尺侧为正,Y轴根据右手法则来确定。该坐标系统以右侧前臂骨为基础,Y轴指向前端为正,如表2所示。
表2尺骨近端局部坐标系
步骤6:尺骨鹰嘴尺侧端点和尺骨鹰嘴桡侧端点识别及局部优化
根据尺骨近端局部坐标系,获得尺骨模型与XOZ平面相交轮廓,在该轮廓点计算评分函数:s1=x+z和s2=-x+z,评分最高的点为尺骨鹰嘴尺侧端点和尺骨鹰嘴桡侧端点将尺骨近端局部坐标系原点向X轴负方向移动一段距离,记为基点/>以/>为法向量,对于轮廓上的点Pf,计算对应的评分s1和s2。并取评分最大者,为局部优化后的尺骨鹰嘴尺侧端点/>和尺骨鹰嘴桡侧端点/>s1最高对应尺骨鹰嘴尺侧端点/>s2最高对应尺骨鹰嘴桡侧端点/>
步骤7:尺骨冠突尖的识别
计算尺骨近端特征平面上的轮廓点,获取其中在尺骨近端局部坐标系上投影最靠前(尺骨近端局部坐标系中,Y轴指向前侧,最靠前可理解为相对于Y轴向量方向最靠前)的点,获取尺骨冠突尖
步骤8:尺骨鹰嘴尖的识别及局部优化
建立尺骨鹰嘴尺侧端点和尺骨鹰嘴桡侧端点/>的中垂面,并计算尺骨模型与该中垂面的相交轮廓,锁定该轮廓上位于尺骨特征平面/>以近端的部分轮廓和尺骨近端冠状面后侧区域的圆弧线段,计算各点的曲率,取局部曲率最大者为尺骨鹰嘴尖/>以尺骨近端局部坐标系原点为基点,对尺骨鹰嘴尖进行局部寻优/>
尺骨标志点识别举例:
图14所示为一2岁女童前臂尺骨,取1/5~1/2近端骨段,进行尺骨近端轴线拟合。
建立垂于与尺骨近端轴线的截面系,并找出面积最大的截面,记为尺骨近端特征平面。对该截面对应的尺骨轮廓进行椭圆拟合,并确定其长轴和短轴。图15中,尺骨近端特征平面与尺骨最外侧相交一圈为对应的尺骨近端特征平面轮廓,虚线为拟合椭圆的短轴SA。
建立垂直于短轴的截面系,并计算各截面中在尺骨近端上最近端的点,排除距离尺骨近端较远的点,记录为尺骨近端嵴。采用最小二乘进行平面拟合,形成尺骨近端冠状面。并矫正尺骨近端冠状面,使得尺骨近端轴线与该平面平行,如图16所示。
在尺骨近端特征平面轮廓点中找出位于尺骨前侧,且距离尺骨近端冠状面最远的点,该点为尺骨冠状突,如图17所示。
以尺骨冠状突在尺骨近端冠状面的投影为坐标原点,以尺骨近端轴线为Z轴,以尺骨近端嵴法线为X轴,Y轴由右手法则确定,如图18所示。
获取尺骨模型在YOZ平面上的轮廓,如图所示。建立评分函数f1=-2z+y。
从而识别出在该轮廓上的尺骨鹰嘴尺侧端点,如图19所示。尺骨鹰嘴桡侧端点识别方式相似,对应的代价函数为f2=2z+y。
在初步识别出尺骨鹰嘴桡侧端点和尺骨鹰嘴尺侧端点后,对其进行局部优化,令邻域尺寸为4,以尺骨鹰嘴桡侧端点为例,处于其邻域内的点如图20所示。
记当前尺骨鹰嘴尺侧端点和桡侧端点距离为d1,设基点为pb=pu-nx·d1/3+nz·d1/2,建立从基点指向当前标志点的向量,并计算邻域中各点在该向量上的投影,取最大值,再重复该操作,直至收敛,实现尺骨鹰嘴桡侧端点的局部寻优,尺骨鹰嘴尺侧端点的局部寻优类似。
建立尺骨鹰嘴尺侧端点和尺骨鹰嘴桡侧端点的中垂面,并计算尺骨表面与该面相交的轮廓,获得轮廓如图21所示。采用评价函数f3=z-x,寻找最佳的尺骨鹰嘴尖点。
最终识别的尺骨近端标志点如图22所示,其中,图22中的(a)的点为识别的尺骨鹰嘴尖,图22中的(b)示出的最下方的点为识别的尺骨冠状突,上方右侧的点为尺骨鹰嘴尺侧端点,上方左侧的点为尺骨鹰嘴桡侧端点。
实施例三
当同时对尺骨近端和桡骨远端上的4个关键标记点识别时,可同时采用实施例一和实施例二,实现前臂骨性所有标识点的准确识别。实施例一识别桡骨远端标志点的过程,以及实施例二识别尺骨近端标志点的过程请分别详见实施例一和实施例二,在此不再赘述。
本发明所提方法综合了统计学方法和几何方法,具有较好的稳定性和个体特异性。同时,此方法适用于存在一定畸形的前臂骨的骨性标志点的自动识别。
本发明能够自动识别出上肢前臂骨骼的骨性标志点,在该过程中,先根据解剖学知识识别出标志点的大致位置,再采用局部寻优的方式对标志点识别结果进行优化,以提高识别的精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种前臂骨标志点智能识别方法,其特征在于,包括:
从前臂CT影像中提取前臂骨,构建前臂骨三维模型;所述前臂骨包括桡骨和尺骨;
在所述前臂骨三维模型中确定前臂骨端轴线;所述前臂骨端包括桡骨远端和尺骨近端;
建立垂直于前臂骨端轴线的平行面系,并将平行面系中各面与前臂骨三维模型相交的最大轮廓面积所在面确定为前臂骨端特征平面;
以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系;
基于前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点;
对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点。
2.根据权利要求1所述的前臂骨标志点智能识别方法,其特征在于,在所述前臂骨三维模型中确定前臂骨端轴线,具体包括:
当所述前臂骨为桡骨时,确定所述前臂骨三维模型为桡骨三维模型;
在桡骨远端1/3区段沿前臂CT影像纵轴走向构建平行面系;
确定桡骨三维模型与平行面系中各平面所形成的轮廓以及轮廓中心;
采用最小二乘方式将平行面系中各平面的轮廓中心拟合为空间直线,作为桡骨远端轴线。
3.根据权利要求2所述的前臂骨标志点智能识别方法,其特征在于,所述以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系,具体包括:
将桡骨特征平面轮廓的中心点作为桡骨远端局部坐标系的原点OR;
将尺骨远端轴线与桡骨特征平面的交点记为PU;
以方向为X轴方向,以桡骨远端轴线为Z轴方向,且从近端指向远端的方向为Z轴正方向,并通过右手法则确定Y轴方向,建立桡骨远端局部坐标系。
4.根据权利要求3所述的前臂骨标志点智能识别方法,其特征在于,所述基于前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点,具体包括:
构建桡骨远端平台模板;所述桡骨远端平台模板中标注有桡骨标志点;所述桡骨标志点包括桡骨Lister结节、桡骨茎突背侧端点、桡骨茎突掌侧端点和桡骨乙状切迹掌侧端点;
对桡骨特征平面轮廓进行归一化,获得桡骨远端平台;
根据桡骨远端平台轮廓,利用桡骨远端局部坐标系,获得掌尺侧区域的桡骨远端平台轮廓部分中到原点距离最大的点,作为初始的桡骨乙状切迹掌侧端点;
将初始的桡骨乙状切迹掌侧端点旋转至固定角度,获得旋转后的桡骨远端平台轮廓;
采用迭代最近点法对旋转后的桡骨远端平台轮廓与桡骨远端平台模板轮廓进行配准;
选取配准后的桡骨远端平台轮廓中桡骨Lister结节与桡骨远端平台模板的桡骨Lister结节距离最近的点,配准后的桡骨远端平台轮廓中桡骨茎突背侧端点与桡骨远端平台模板的桡骨茎突背侧端点距离最近的点,配准后的桡骨远端平台轮廓中桡骨茎突掌侧端点与桡骨远端平台模板的桡骨茎突掌侧端点距离最近的点,配准后的桡骨远端平台轮廓中桡骨乙状切迹掌侧端点与桡骨远端平台模板的桡骨乙状切迹掌侧端点距离最近的点,并记为初始桡骨标志点。
5.根据权利要求4所述的前臂骨标志点智能识别方法,其特征在于,所述构建桡骨远端平台模板,具体包括:
选取多例前臂骨样本,并在每例前臂骨样本上标注桡骨标志点;
构建每例前臂骨样本的桡骨三维模型,并在每个桡骨三维模型中确定桡骨远端轴线;
建立垂直于桡骨远端轴线的平行面系,并将平行面系中各面与桡骨三维模型相交的最大轮廓面积所在面确定为桡骨远端特征平面;
确定桡骨标志点在桡骨远端特征平面上的投影点以及桡骨远端特征平面轮廓点;
计算每个桡骨远端特征平面轮廓的面积,并对所有的面积进行统一;
将每个面积统一后的桡骨远端特征平面上的桡骨乙状切迹掌侧端点旋转至同一角度,获得多个旋转后的桡骨远端特征平面;
对旋转后的桡骨远端特征平面轮廓上桡骨乙状切迹掌侧端点的投影点到桡骨Lister结节的投影点之间的轮廓线段进行插值,桡骨Lister结节的投影点到桡骨茎突背侧端点的投影点之间的轮廓线段进行插值,桡骨茎突背侧端点的投影点到桡骨茎突掌侧端点的投影点之间的轮廓线段进行插值,桡骨茎突掌侧端点的投影点到桡骨乙状切迹掌侧端点的投影点之间的轮廓线段进行插值,使得在每段轮廓线段上插值形成数量固定的轮廓点;
计算各个轮廓点与OR的连线距离和角度;
根据所有前臂骨样本的各个轮廓点与OR的连线距离和角度,确定桡骨远端特征平面的平均轮廓,作为桡骨远端平台模板。
6.根据权利要求5所述的前臂骨标志点智能识别方法,其特征在于,所述对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点,具体包括:
以初始桡骨标志点所在位置为原点,X轴为法线方向,Y轴为切线方向,Z轴同桡骨骨干轴方向,建立标志点局部坐标系;
在标志点局部坐标系上确定沿切向方向和纵向方向所预设的邻域范围;
将原点OR向桡骨近端移动预设距离,记为基点并在所预设的邻域范围中选取相较于基点/>和标志点局部坐标系的原点连接方向的最外侧邻域点,更新为当前桡骨标志点;
将当前桡骨标志点替换初始桡骨标志点,返回步骤“以初始桡骨标志点所在位置为原点,X轴为法线方向,Y轴为切线方向,Z轴同桡骨骨干轴方向,建立标志点局部坐标系”,直至收敛,获得局部最优的桡骨标志点。
7.根据权利要求1或6所述的前臂骨标志点智能识别方法,其特征在于,所述以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系,具体包括:
当所述前臂骨为尺骨时,确定所述前臂骨端特征平面为尺骨近端特征平面;
以尺骨近端轴线与尺骨近端特征平面的交点为原点;
以尺骨近端轴线为Z轴,指向尺骨近端为Z轴正方向;
以桡骨近端轴线与尺骨近端特征平面的交点与原点连线方向为X轴,指向尺骨侧为X轴正方向;
根据右手法则确定Y轴和Y轴正方向,从而建立得到尺骨近端局部坐标系。
8.根据权利要求7所述的前臂骨标志点智能识别方法,其特征在于,所述以前臂骨端特征平面的轮廓中心为原点,建立前臂骨端局部坐标系,之前还包括:
将尺骨近端特征平面拟合为椭圆,并垂直于椭圆短轴建立平行截面系;
确定平行截面系中各截面沿尺骨近端轴线方向位于尺骨最近端的点,形成点集合;
由所述点集合建立尺骨近端嵴,并拟合尺骨近端嵴所在面,获得尺骨近端冠状面;
计算尺骨近端轴线与尺骨近端冠状面的夹角,并将尺骨近端冠状面按照所述夹角旋转至与尺骨近端轴线重合,获得矫正后的尺骨近端冠状面。
9.根据权利要求8所述的前臂骨标志点智能识别方法,其特征在于,所述基于前臂骨端局部坐标系,利用前臂骨端特征平面和前臂骨三维模型确定初始前臂骨性标志点,具体包括:
确定尺骨三维模型与尺骨近端局部坐标系中XOZ平面相交轮廓;
根据相交轮廓上的轮廓点,利用评分函数s1=x+z计算每个轮廓点的第一评分,并利用评分函数s2=-x+z计算每个轮廓点的第二评分;
将第一评分最高的轮廓点作为初始尺骨鹰嘴尺侧端点,并将第二评分最高的轮廓点作为初始尺骨鹰嘴桡侧端点;
计算尺骨近端特征平面上的轮廓点在尺骨近端局部坐标系上的投影点,并确定沿尺骨近端局部坐标系Y轴方向距离原点最远的投影点,将距离原点最远的投影点所对应的轮廓点作为尺骨冠突尖;
建立初始尺骨鹰嘴尺侧端点和初始尺骨鹰嘴桡侧端点的中垂面,并获得尺骨三维模型与所述中垂面的相交轮廓;
在近端确定所述相交轮廓中位于尺骨近端特征平面与矫正后的尺骨近端冠状面后侧所围成区域的圆弧线段;
计算圆弧线段中各轮廓点的曲率,取曲率最大的轮廓点为初始尺骨鹰嘴尖。
10.根据权利要求9所述的前臂骨标志点智能识别方法,其特征在于,所述对初始前臂骨性标志点在预设邻域范围内进行局部寻优,确定最终识别的前臂骨性标志点,具体包括:
将尺骨近端局部坐标系原点向X轴负方向移动预设距离,记为基点
建立从基点指向当前尺骨标志点的向量,并计算预设邻域范围内各点在所述向量上的投影,获取投影最大值对应的邻域点;所述当前尺骨标志点包括初始尺骨鹰嘴尺侧端点和初始尺骨鹰嘴桡侧端点;
将投影最大值对应的邻域点替换当前尺骨标志点,并返回步骤“建立从基点指向当前尺骨标志点的向量,并计算预设邻域范围内各点在所述向量上的投影,获取投影最大值对应的邻域点”,直至收敛,获得局部最优的当前尺骨标志点;
对初始尺骨鹰嘴尖进行局部寻优,获得局部最优的尺骨鹰嘴尖。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068127.6A CN116468652A (zh) | 2023-02-06 | 2023-02-06 | 一种前臂骨标志点智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068127.6A CN116468652A (zh) | 2023-02-06 | 2023-02-06 | 一种前臂骨标志点智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468652A true CN116468652A (zh) | 2023-07-21 |
Family
ID=87176000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310068127.6A Pending CN116468652A (zh) | 2023-02-06 | 2023-02-06 | 一种前臂骨标志点智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468652A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116650088A (zh) * | 2023-07-26 | 2023-08-29 | 北京纳通医学研究院有限公司 | 桡骨远端板和桡骨远端板系统 |
CN117218088A (zh) * | 2023-09-15 | 2023-12-12 | 中国人民解放军海军军医大学第一附属医院 | 一种前臂x光影像的处理方法 |
-
2023
- 2023-02-06 CN CN202310068127.6A patent/CN116468652A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116650088A (zh) * | 2023-07-26 | 2023-08-29 | 北京纳通医学研究院有限公司 | 桡骨远端板和桡骨远端板系统 |
CN116650088B (zh) * | 2023-07-26 | 2024-02-27 | 北京纳通医学研究院有限公司 | 桡骨远端板和桡骨远端板系统 |
CN117218088A (zh) * | 2023-09-15 | 2023-12-12 | 中国人民解放军海军军医大学第一附属医院 | 一种前臂x光影像的处理方法 |
CN117218088B (zh) * | 2023-09-15 | 2024-03-29 | 中国人民解放军海军军医大学第一附属医院 | 一种前臂x光影像的处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785374B (zh) | 一种牙科增强现实手术导航的自动实时无标记图像配准方法 | |
CN116468652A (zh) | 一种前臂骨标志点智能识别方法 | |
CN103310457B (zh) | 一种基于抛物线修正凸包的肺实质分割方法 | |
US20080107322A1 (en) | Method, code, and system for assaying joint deformity | |
CN106890031B (zh) | 一种标记物识别及标记点定位方法及手术导航系统 | |
Almeida et al. | Fully automatic segmentation of femurs with medullary canal definition in high and in low resolution CT scans | |
JP2008043736A (ja) | 医用画像処理装置及び医用画像処理方法 | |
CN107240128B (zh) | 一种基于轮廓特征的x线片和彩色照片配准方法 | |
CN115187606B (zh) | 一种青少年特发性脊柱侧凸pumc分型方法 | |
CN115170562B (zh) | 一种x光影像处理系统 | |
CN115578320A (zh) | 一种骨科手术机器人全自动空间注册方法及系统 | |
CN111292306A (zh) | 膝关节ct与mr图像融合方法及装置 | |
CN106875377A (zh) | 一种基于高斯曲率流的脊椎特征点自动识别方法 | |
CN117274334A (zh) | 一种基于点云的实时骨骼模型重建方法及系统 | |
CN114463482A (zh) | 光学跟踪三维扫描仪的标定模型、方法及其手术导航系统 | |
Pizer et al. | Segmentation of single-figure objects by deformable M-reps | |
CN113507890B (zh) | 基于ct图像的肘关节屈伸三维运动分析方法及装置 | |
CN108257118A (zh) | 一种基于法向腐蚀和随机游走的骨折粘连分割方法 | |
CN113920177A (zh) | 一种三维影像迭代配准方法 | |
CN109145977B (zh) | 一种基于朴素贝叶斯的骨骼受损类型判别方法 | |
CN113345112A (zh) | 一种长骨骨折断面点云预处理及配准方法 | |
CN105740851A (zh) | 三维人脸的自动定位方法、曲面配准方法和系统 | |
CN112017275A (zh) | 一种面部正中矢状参考平面的辅助定位方法 | |
CN115880469B (zh) | 一种表面点云数据与三维影像的配准方法 | |
CN114862924B (zh) | 基于改进pca算法和dcp网络的手术导航空间配准方法 |
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 |