CN116664635B - 构建目标对象的多维动态模型的方法、计算设备和介质 - Google Patents

Abstract

本公开提供了一种构建目标对象的多维动态模型的方法、计算设备和计算机可读存储介质。该方法包括：采集所述目标对象的多个时相的医学图像；从所述多个时相中选择一个参考时相；基于所述参考时相的医学图像生成所述目标对象的参考模型；以及基于对所述医学图像进行图像配准得到的位移场信息和所述参考模型确定所述目标对象的多维动态模型。

Description

构建目标对象的多维动态模型的方法、计算设备和介质

技术领域

本发明概括而言涉及医学图像处理领域，更具体地，涉及一种构建目标图像的多维动态模型的方法、计算设备和计算机可读存储介质。

背景技术

当前，借助医学图像进行诊断或治疗已经越来越普遍。在许多情况下，希望使用患者的特定部位的三维动态模型来准确地判断患者的病灶情况以进行诊断或治疗。

当前三维动态模型的产生主要是通过对采集的三维图像逐个进行标注，以生成对应时间点图像的三维模型，而后将各个时间点图像组合在一起来形成相应的三维动态模型。

然而，这种生成三维动态模型的方法由于需要耗费大量时间来对每个时相的三维图像都进行标注，因此生成效率较慢。此外，人工的标注可能会存在主观误差，很难做到每个相位标注出来的模型是同一部位，并且标注出的动态模型点的数目不匹配，无法得到任意给定点的位移信息。

发明内容

针对上述问题中的至少一个，本发明提供了一种将图像配准获取的位移信息与基于参考相位的医学图像生成的参考模型进行叠加以生成其他时相上的模型，最终生成三维动态模型的方法。

根据本发明的一个方面，提供了一种构建目标对象的多维动态模型的方法。该方法包括：采集所述目标对象的多个时相的医学图像；从所述多个时相中选择一个参考时相；基于所述参考时相的医学图像生成所述目标对象的参考模型；以及基于对所述医学图像进行图像配准得到的位移场信息和所述参考模型确定所述目标对象的多维动态模型。

在一些实现中，从所述多个时相中选择一个参考时相包括：确定所述多个时相的医学图像的图像质量；以及选择图像质量最高的医学图像所处的时相作为所述参考时相。

在一些实现中，基于所述参考时相的医学图像生成所述目标对象的参考模型包括：基于预定图像阈值范围对所述参考时相的医学图像进行分割以形成初步分割图像；利用边缘检测算法提取所述初步分割图像的边缘信息；基于所述初步分割图像的边缘信息从所述初步分割图像中分离不同组织的组织区域，并且提取感兴趣的组织对应的连通区域；以及将包含感兴趣的组织所处的连通区域的初步分割图像转换为网格形式并进行裁剪，以产生所述参考模型。

在一些实现中，基于预定图像阈值范围对所述参考时相的医学图像进行分割以形成初步分割图像包括：将所述参考时相的医学图像转换为灰度图像；提取所述灰度图像中处于所述预定图像阈值范围的部分作为所述初步分割图像，其中所述预定图像阈值范围包括阈值上限和阈值下限。

在一些实现中，所述不同组织包括骨头和血管，并且所述感兴趣的组织包括血管。

在一些实现中，基于所述初步分割图像的边缘信息从所述初步分割图像中分离不同组织的组织区域，并且提取感兴趣的组织对应的连通区域包括：基于所述初步分割图像的边缘信息对所提取的边缘进行膨胀以闭合相邻分割区域；从边缘膨胀后的初步分割图像中分离所述不同组织的组织区域；在感兴趣的组织所处的组织区域中选择种子点；以及对所选择的种子点施加区域生长算法以提取所述种子点所在的连通区域。

在一些实现中，基于对所述医学图像进行图像配准得到的位移场信息和所述参考模型确定所述目标对象的多维动态模型包括：对于所述医学图像中的任一点，基于所述点的空间坐标确定所述点所处的体素；基于所述位移场信息确定所述点周围的8个体素的位移信息；基于所述点周围的8个体素的位移信息，利用线性插值确定所述点的位移以将所述点转换为模型点；以及将所述目标对象的多个时相的医学图像上的每个点所转换的模型点进行叠加以产生所述多维动态模型。

根据本发明的另一个方面，提供了一种计算设备。该计算设备包括：至少一个处理器；以及至少一个存储器，该至少一个存储器被耦合到该至少一个处理器并且存储用于由该至少一个处理器执行的指令，该指令当由该至少一个处理器执行时，使得该计算设备执行根据上述方法的步骤。

根据本发明的再一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序代码，该计算机程序代码在被运行时执行如上所述的方法。

利用本文所述的方法，能够自动根据采集的医学图像产生参考模型，并利用图像配准获取的位移信息来生成包含点对点位移信息的三维动态模型，从而使得目标对象的三维动态模型的获取精度和速度都更高。

附图说明

通过参考下列附图所给出的本发明的具体实施方式的描述，将更好地理解本发明，并且本发明的其他目的、细节、特点和优点将变得更加显而易见。

图1示出了用于实现根据本发明的实施例的构建目标对象的多维动态模型的方法的系统的示意图。

图2示出了根据本发明的一些实施例的用于构建目标对象的多维动态模型的方法的流程图。

图3示出了根据本发明一些实施例的用于生成目标对象的参考模型的过程的详细流程图。

图4示出了根据本发明一些实施例的用于分离组织区域并提取感兴趣的组织的连通区域的过程的详细流程图。

图5示出了根据本发明一些实施例的确定目标对象的多维动态模型的过程的详细流程图。

图6示出了根据本发明一些实施例的医学图像中的点的示意图。

图7示出了根据本发明一些实施例的用于确定目标对象的位移场信息以进行图像配准的方法的示例性流程图。

图8示出了适合实现本发明的实施例的计算设备的结构方框图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的具体实施方式所限制。相反，提供这些具体实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整的传达给本领域的技术人员。

在下文的描述中，出于说明各种发明的实施例的目的阐述了某些具体细节以提供对各种发明实施例的透彻理解。但是，相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下，与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。

除非语境有其它需要，在整个说明书和权利要求中，词语“包括”和其变型，诸如“包含”和“具有”应被理解为开放的、包含的含义，即应解释为“包括，但不限于”。

在整个说明书中对“一个实施例”或“一些实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个说明书的各个位置“在一个实施例中”或“在一些实施例”中的出现不一定全都指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任何方式组合。

此外，说明书和权利要求中所用的第一、第二、第三、第四等术语，仅仅出于描述清楚起见来区分各个对象，而并不限定其所描述的对象的大小或其他顺序等。

图1示出了用于实现根据本发明的实施例的构建目标对象的多维动态模型的方法的系统1的示意图。如图1中所示，系统1可以包括操作台10、扫描床20和射线发生器30，其例如可以是一个CT系统。在系统1工作时，患者可以躺在扫描床20上，医生或操作员可以通过操作台10控制扫描床20移动，以使得射线发生器30发出的射线对患者特定部位进行扫描，并将扫描产生的医学图像返回给操作台10。

在操作台10处，或者，在独立于操作台10的另一计算设备（如医生的计算设备，图中未示出）处，可以对上述产生的医学图像进行处理和分析以获取所需要的结果。在这种情况下，操作台10或另一计算设备（本文中也统称为计算设备）可以包括至少一个处理器和与该至少一个处理器耦合的至少一个存储器，该存储器中存储有可由该至少一个处理器执行的指令，该指令在被该至少一个处理器12执行时执行如下所述的方法的至少一部分。计算设备的具体结构例如可以如下结合图8所述。

图2示出了根据本发明的一些实施例的用于构建目标对象的多维动态模型的方法100的流程图。方法100例如可以由图1中所示的系统1中的操作台10或另一计算设备执行。以下以在操作台10中执行为例，结合图1至图8对方法100进行描述。

如图2中所示，方法100可以包括方框110，其中可以采集目标对象的多个时相的医学图像。

这里，目标对象是指患者或者患者的特定部位，如头部、胸部、腹部等。更进一步的，在本文的一些实施例中，目标对象是患者的特定部位的特定组织，如血管组织。例如，在针对主动脉血管瘤的检测中，需要构建患者的相应部位的血管（主动脉）的多维动态模型。

医学图像的类型可以包括CT图像、MRI图像、PET图像等。更具体地，在针对血管的具体应用中，该医学图像可以是CT血管成像图像（即CTA图像），尤其是多维动态CTA图像。

在方框110，例如可以采用心电门控技术，采集目标对象的多个时相的医学图像。心电门控是指在采集心脏周期性节律性运动带来的影像数据时，开启心动周期上的一段“时间窗”，使得采集数据与周期性节律性的心电活动同步，从而相对制动心脏运动的磁共振生理同步采集技术。这里，在每个心动周期采集的影像称为目标对象的一个时相的医学影像。取决于医学影像采集的不同目的，所需要采集的时相数可能不同。例如，在采集CTA图像以用于诸如动脉瘤之类的血管疾病诊断的应用中，所采集的时相数应当至少为21个，以确保采集数据足够满足对血管模型的建模。此外，医学影像采集的其他注意事项包括：时相间隔应当尽量均匀，例如相邻采样之间可以间隔1个时相或2个时相、采样时尽量使患者保持呼吸心率平稳、采集的图像伪影要少、血管流腔边界清晰可辩等。

在方框120，可以从方框110中所采集的多个时相中选择一个参考时相。

这里，参考时相的选择用于产生目标对象的参考模型。在一些实施例中，可以选择图像质量最好的一个时相作为参考时相。具体地，可以分别确定方框110中所采集的多个时相的医学图像的图像质量，并且从中选择图像质量最高的医学图像所处的时相作为该参考时相。这里，图像质量是指图像的对比度、分辨率、信噪比、伪影和失真中的一项或多项。本领域技术人员可以理解，本发明并不局限于此，也可以选择多个时相中的任一时相，如初始时相，作为参考时相。

在方框130，可以基于参考时相的医学图像生成该目标对象的参考模型。

图3示出了根据本发明一些实施例的用于生成目标对象的参考模型的过程（方框130）的详细流程图。

如图3中所示，在方框132，可以基于预定图像阈值范围对该参考时相的医学图像进行分割以形成初步分割图像。初步分割图像主要用于分割出感兴趣的组织区域（如血管区域）。

在一些实施例中，可以先将该参考时相的医学图像转换为灰度图像，然后提取该灰度图像中处于该预定图像阈值范围的部分作为初步分割图像。这里，预定图像阈值范围可以包括阈值上限和阈值下限。例如，在4D CT图像的情况下，转换为的灰度图像是像素取值在-1024到3071的灰度图像，在感兴趣的组织区域为血管区域的情况下，该预定图像阈值范围可以设定为300到1500的灰度图像，通常情况下，阈值上限不会变化，阈值下限会随着图像的不同而发生变化，例如可以在250到350之间进行浮动。

然而，阈值分割方法是一种粗略的分割方法，除了感兴趣的组织区域之外，还会分割出与之连通的区域（如与血管区域连通的骨头区域）。因此，为了确定目标对象的参考模型，还需要对初步分割图像进行进一步处理。

在方框134，可以利用边缘检测算法提取该初步分割图像的边缘信息。在灰度图像中，器官边缘处会表现出灰度值局部突变的特征，因此可以通过边缘检测算法（如Canny边缘检测算法）来提取该初步分割图像的边缘信息，以用于进一步确定相应的组织。

在方框136，可以基于方框134所提取的边缘信息从该初步分割图像中分离不同组织的组织区域，并且提取感兴趣的组织对应的连通区域。

在一些实施例中，可以利用形态学的膨胀算法来对边缘信息进行处理以更准确地确定感兴趣的组织对应的区域。具体地，膨胀算法可以把图像中物体周围的背景点合并到物体中，如果两个物体之间距离比较近，那么膨胀算法可以将这两个物体连接在一起，膨胀算法对于填补图像分割后物体中的空洞很有用。

图4示出了根据本发明一些实施例的用于分离组织区域并提取感兴趣的组织的连通区域的过程（方框136）的详细流程图。

如图4中所示，在方框1362，可以基于方框134中提取的初步分割图像的边缘信息对所提取的边缘进行膨胀以闭合相邻分割区域。具体地，可以利用膨胀算法使边缘的范围扩大几个像素，从而使得这几个像素连接的通道闭合形成一个更大的分割区域。

膨胀后的边缘信息可以减少阈值分割结果的连通性，从而容易将不同组织，如血管和骨头，分开。因此，在方框1364，可以从边缘膨胀后的初步分割图像中分离不同组织的组织区域。

为了进一步增强所分离出的组织区域的准确性，还可以通过区域生长算法来对感兴趣的组织区域进行扩展以获取对应的连通区域。区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止，这样一个区域的生长就完成了。通常，区域生长的好坏取决于种子点的选择，生长规则（合并规则）以及终止条件。

具体地，在方框1366，可以在方框1364中分离出的组织区域中，从感兴趣的组织所处的组织区域中选择种子点。这里，种子点的选择可以人工根据经验执行，也可以通过内部寻找算法来寻找到符合预定条件（如像素值条件）的特征点作为种子点。

在方框1368，对所选择的种子点施加区域生长算法以提取该种子点所在的连通区域。

例如，可以在所选择的种子点处进行26邻域或6邻域的三维扩展，如果该邻域像素与种子点像素的灰度值之差小于某个阈值，则将该邻域像素包括进种子点像素所在的区域，直至邻域内不再存在满足该条件的邻域像素，最终产生的区域就是该种子点所在的连通区域。

通过这种方式，在从医学图像中分离出血管组织的情况下，在方框1362使用膨胀算法对边缘进行膨胀，减少了各个区域的连通性，也使得一些细小血管闭合。在方框1364中，可以从初步分割图像中分离出不同组织区域，此时提取的最大连通区域将是骨头区域。在方框1366和1368，在减去骨头区域之后的图像中使用区域生长算法在原先的种子上生长，得到带有细小血管的血管区域。通过这种方式，可以获取比较准确的感兴趣的组织区域。

继续图3，在方框138，可以将包含感兴趣的组织所处的连通区域的初步分割图像转换为网格形式，以产生目标对象的参考模型。

通过上述方式得到的初步分割图像通常为掩膜格式，需要将其转化为网格以便于与医学图像的配准结果进行组合。例如，可以采用Marching Cubes方法，来将初步分割图像转化为三维网格图像，以作为该目标对象的参考模型。

此外，上述产生的参考模型可能包含完整的或大面积的血管区域，在进行诸如动脉血管瘤诊断之类的应用时，可能只对局部病变区域感兴趣。因此，可以对生成的三维网格模型进行进一步裁剪，并对裁剪得到的局部模型进行平滑处理，以得到最终的针对病变区域的参考模型。

继续图2，在获得目标对象的参考模型之后，在方框140，可以基于对方框110采集的医学图像进行图像配准得到的位移场信息和上述参考模型来确定目标对象的多维动态模型。

这里，目标对象的位移场信息可以在方法100开始之前独立地或者作为方法100的一部分，基于目标对象的多个时相的医学图像来确定，以用于对目标对象的医学图像进行配准。目标对象的位移场信息可以使用各种已知的或未来开发的方法来确定，更具体地，其例如可以是如下结合图7所述的方法，但是本领域技术人员可以理解，本发明并不局限于图7所述的确定目标对象的位移场信息以进行图像配准的方法。

图像配准得到的位移信息处于体素格上，相对离散，而按照上述方法确定的目标对象的参考模型相对连续，难以正好在某个体素格上，因此需要通过适当的方式对二者进行叠加以得到目标对象的实际模型，即，多维动态模型。

图5示出了根据本发明一些实施例的确定目标对象的多维动态模型的过程（方框140）的详细流程图。这里，采用三维空间插值的方法来将上述离散的位移信息转换为连续信息。

具体地，如图5中所示，在方框142，对于一个医学图像中的任一点，可以首先基于该点的空间坐标确定该点所处的体素。

图6示出了根据本发明一些实施例的医学图像中的点p的示意图。如图6中所示，假设点p的坐标为，其所处的体素如图6所示。

然后，在方框144，可以基于图像配准的位移场信息确定点p周围的8个体素的位移信息。这里，以三线性插值为例，点p周围的8个体素包括点p所处体素周围的八个顶点，即如图6中所示的点。

在方框146，可以基于点p周围的8个体素的位移信息，利用线性插值确定点p的位移以将点p转换为多维动态模型上的点p’（模型点）。

具体地，点p周围的8个体素的位移信息可以直接根据图像配准的位移场信息得到，假设分别为，并且这8个体素的坐标如图6中所示。

然后基于点p周围的8个体素的位移信息确定点的位移：

其中，点是点p周围的8个体素构成的长方体上，第一方向x和第三方向z与点p构成的平面与该长方体的四个交点。

进一步地，可以根据点的位移/>确定点/>的位移/>和/>：

最后，可以根据点的位移/>和/>确定点p的位移/>：

利用，可以将点p变换为三维动态模型上的点p’，其坐标为：

对于方框110所采集的多个时相的医学图像中的每个点都执行上述转换以获得相应的模型点之后，在方框148，对所有模型点进行叠加以获得目标对象的三维动态模型。

利用本发明的上述方案，可以通过在根据参考相位生成的三维模型上叠加图像配准所获取的位移信息来生成其他时间相位上的模型，最终生成三维动态模型，从而目标对象的三维动态模型的获取精度和速度都更高

图7示出了根据本发明一些实施例的用于确定目标对象的位移场信息以进行图像配准的方法700的示例性流程图。

如图7中所示，方法700可以包括方框710，其中可以采集目标对象的多个时相的医学图像。医学图像例如可以通过CT血管造影、核磁共振成像或血管超声成像等医学成像技术，并结合心电门控（ECG）技术获取。

在方框720，可以从方框710采集的多个时相的医学图像中确定一个参考时相的医学图像作为目标图像并且选择另一时相的医学图像作为浮动图像。

如本领域所知的，图像配准是将不同时相拍摄的两个不同图像的对应点达到空间位置和解剖结构的一致。因此，可以以一个参考时相的医学图像（即目标图像）为基准，确定所有其他时相的医学图像（即浮动图像）相对于该目标图像的位移信息以构建所有医学图像的位移场信息。这里，参考时相可以是任一时相。例如，可以选择采集的起始时相作为参考时相。注意，这里的参考时相可以不同于上述方框120中所述的参考时相。

在方框730，可以确定方框720选择的目标图像和浮动图像之间的位移信息。例如，对于目标图像I和浮动图像J，该位移信息可以由目标图像I和浮动图像J之间的一个空间变换T来表示。利用该空间变换T能够将目标图像I变换到新的坐标系中，即配准的变换过程，，将空间变换T作用于一个图像（如目标图像I）可以得到一个新的图像，将空间变换T的逆变换T^-1作用于该新的图像则能够得到原来的图像。该变换T的参数包括时间t，空间坐标x，以及图像域上的速度场/>，其中速度场是平方可积的连续向量场，满足/>。

在本文中，空间变换T被构建为对称微分同胚变换，即将空间变换T拆分为第一变换T1和第二变换T2，并且使用第一变换T1从目标图像I到浮动图像J的路径与使用第二变换T2从浮动图像J到目标图像I的路径相等。

对称微分同胚变换是将空间变换分为两部分进行计算，分别为第一变换和第二变换/>，两者分别作用于参考图像I和浮动图像J，并满足如下条件：

对称微分同胚变换保证了无论采用何种相似度矩阵和优化策略，从目标图像I到浮动图像J和从浮动图像J到目标图像I计算时的路径相等，从而使得浮动图像和目标图像在计算过程中的地位是对等的。

在本文的实例中，可以基于目标图像I本身的信息、浮动图像J本身的信息以及目标图像I和浮动图像J之间的互相关信息来构建衡量相似度的指标并且寻找使得该相似度的指标达到最小的空间变换T。

这里，可以使用迭代方式对第一变换T₁和第二变换T₂进行更新直至达到收敛。在此过程中，第一变换T₁和第二变换T₂被初始化为单位矩阵，如果将迭代次数设置得过低或者将收敛阈值设置得过大，则很可能在满足收敛条件时并不能得到最佳的空间变换，而如果将迭代次数设置得过高或者将收敛阈值设置得过小，则可能会降低运行效率。

针对这种情况，为了提高迭代过程中的收敛效率，可以采用多尺度配准，即通过采样间隔依次降低的多次降采样来对目标图像I和浮动图像J进行降采样，并且将前一次降采样获得的第一变换T₁和第二变换T₂作为下一次降采样的第一变换T₁和第二变换T₂的初始值。

在方框740，可以基于所获取的参考时相与多个时相中的所有其他时相的医学图像的位移信息确定用于对多个时相的医学图像进行配准的位移场。

图8示出了适合实现本发明的实施例的计算设备800的结构方框图。计算设备800例如可以是如上所述的用于执行方法100的操作台10或另一计算设备。

如图8中所示，计算设备800可以包括一个或多个中央处理单元（CPU）810（图中仅示意性地示出了一个），其可以根据存储在只读存储器（ROM）820中的计算机程序指令或者从存储单元880加载到随机访问存储器（RAM）830中的计算机程序指令，来执行各种适当的动作和处理。在RAM 830中，还可存储计算设备800操作所需的各种程序和数据。CPU 810、ROM 820以及RAM 830通过总线840彼此相连。输入/输出（I/O）接口850也连接至总线840。

计算设备800中的多个部件连接至I/O接口850，包括：输入单元860，例如键盘、鼠标等；输出单元870，例如各种类型的显示器、扬声器等；存储单元880，例如磁盘、光盘等；以及通信单元890，例如网卡、调制解调器、无线通信收发机等。通信单元890允许计算设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

上文所描述的方法100例如可由计算设备800（如操作台10或另一计算设备）的CPU810执行。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包括于机器可读介质，例如存储单元880。在一些实施例中，计算机程序的部分或者全部可以经由ROM 820和/或通信单元890而被载入和/或安装到计算设备800上。当计算机程序被加载到RAM 830并由CPU 810执行时，可以执行上文描述的方法100的一个或多个操作。此外，通信单元890可以支持有线或无线通信功能。

本领域技术人员可以理解，图8所示的计算设备800仅是示意性的。在一些实施例中，计算设备800可以包含更多或更少的部件。

以上结合附图对根据本发明的用于构建目标对象的多维动态模型的方法100以及可用作操作台10或另一计算设备的计算设备800进行了描述。然而本领域技术人员可以理解，方法100的步骤及其子步骤的执行并不局限于图中所示和以上所述的顺序，而是可以以任何其他合理的顺序来执行。此外，计算设备800也不必须包括图8中所示的所有组件，其可以仅仅包括执行本发明中所述的功能所必须的其中一些组件，并且这些组件的连接方式也不局限于图中所示的形式。

本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

在一个或多个示例性设计中，可以用硬件、软件、固件或它们的任意组合来实现本发明所述的功能。例如，如果用软件来实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上，或者作为计算机可读介质上的一个或多个指令或代码来传输。

本文公开的装置的各个单元可以使用分立硬件组件来实现，也可以集成地实现在一个硬件组件，如处理器上。例如，可以用通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或其它可编程逻辑器件、分立门或者晶体管逻辑、分立硬件组件或用于执行本文所述的功能的任意组合来实现或执行结合本发明所描述的各种示例性的逻辑块、模块和电路。

本领域普通技术人员还应当理解，结合本发明的实施例描述的各种示例性的逻辑块、模块、电路和算法步骤可以实现成电子硬件、计算机软件或二者的组合。

本发明的以上描述用于使本领域的任何普通技术人员能够实现或使用本发明。对于本领域普通技术人员来说，本发明的各种修改都是显而易见的，并且本文定义的一般性原理也可以在不脱离本发明的精神和保护范围的情况下应用于其它变形。因此，本发明并不限于本文所述的实例和设计，而是与本文公开的原理和新颖性特性的最广范围相一致。

Claims (8)

1.一种构建目标对象的多维动态模型的方法，包括：

采集所述目标对象的多个时相的医学图像；

从所述多个时相中选择一个参考时相；

基于所述参考时相的医学图像生成所述目标对象的参考模型；以及

基于对所述医学图像进行图像配准得到的位移场信息和所述参考模型确定所述目标对象的多维动态模型，

其中基于对所述医学图像进行图像配准得到的位移场信息和所述参考模型确定所述目标对象的多维动态模型包括：

对于所述医学图像中的任一点，基于所述点的空间坐标确定所述点所处的体素；

基于所述位移场信息确定所述点周围的8个体素的位移信息；

基于所述点周围的8个体素的位移信息，利用线性插值确定所述点的位移以将所述点转换为模型点；以及

将所述目标对象的多个时相的医学图像上的每个点所转换的模型点进行叠加以产生所述多维动态模型。

2. 如权利要求1所述的方法，其中从所述多个时相中选择一个参考时相包括：

确定所述多个时相的医学图像的图像质量；以及

选择图像质量最高的医学图像所处的时相作为所述参考时相。

3.如权利要求1所述的方法，其中基于所述参考时相的医学图像生成所述目标对象的参考模型包括：

基于预定图像阈值范围对所述参考时相的医学图像进行分割以形成初步分割图像；

利用边缘检测算法提取所述初步分割图像的边缘信息；

基于所述初步分割图像的边缘信息从所述初步分割图像中分离不同组织的组织区域，并且提取感兴趣的组织对应的连通区域；以及

将包含感兴趣的组织所处的连通区域的初步分割图像转换为网格形式并进行裁剪，以产生所述参考模型。

4.如权利要求3所述的方法，其中基于预定图像阈值范围对所述参考时相的医学图像进行分割以形成初步分割图像包括：

将所述参考时相的医学图像转换为灰度图像；

提取所述灰度图像中处于所述预定图像阈值范围的部分作为所述初步分割图像，其中所述预定图像阈值范围包括阈值上限和阈值下限。

5.如权利要求3所述的方法，其中所述不同组织包括骨头和血管，并且所述感兴趣的组织包括血管。

6.如权利要求3所述的方法，其中基于所述初步分割图像的边缘信息从所述初步分割图像中分离不同组织的组织区域，并且提取感兴趣的组织对应的连通区域包括：

基于所述初步分割图像的边缘信息对所提取的边缘进行膨胀以闭合相邻分割区域；

从边缘膨胀后的初步分割图像中分离所述不同组织的组织区域；

在感兴趣的组织所处的组织区域中选择种子点；以及

对所选择的种子点施加区域生长算法以提取所述种子点所在的连通区域。

7. 一种计算设备，包括：

至少一个处理器；以及

至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理器并且存储用于由所述至少一个处理器执行的指令，所述指令当由所述至少一个处理器执行时，使得所述计算设备执行根据权利要求1至6中任一项所述的方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序代码，所述计算机程序代码在被运行时执行如权利要求1至6中任一项所述的方法。