CN117094917B - 一种心血管3d打印数据处理方法 - Google Patents

一种心血管3d打印数据处理方法 Download PDF

Info

Publication number
CN117094917B
CN117094917B CN202311359561.6A CN202311359561A CN117094917B CN 117094917 B CN117094917 B CN 117094917B CN 202311359561 A CN202311359561 A CN 202311359561A CN 117094917 B CN117094917 B CN 117094917B
Authority
CN
China
Prior art keywords
point
image
pixel
layer
neighborhood
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
CN202311359561.6A
Other languages
English (en)
Other versions
CN117094917A (zh
Inventor
邓丽
黄文华
朱秀龙
夏清平
宋默微
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.)
Gaozhou Peoples Hospital
Original Assignee
Gaozhou Peoples Hospital
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 Gaozhou Peoples Hospital filed Critical Gaozhou Peoples Hospital
Priority to CN202311359561.6A priority Critical patent/CN117094917B/zh
Publication of CN117094917A publication Critical patent/CN117094917A/zh
Application granted granted Critical
Publication of CN117094917B publication Critical patent/CN117094917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及医学图像处理技术领域，具体涉及一种心血管3D打印数据处理方法。该方法获取各层心血管CT图像作为待处理图像，并选取任意像素点作为待检测点，根据该点与其邻域的灰度分布特征计算初始目标程度；计算待检测点在相邻层图像对应位置像素点待匹配邻域内所有像素点之间的相似程度，并筛选待检测点的匹配点，计算待检测点与匹配点之间的距离与连线向量方向角度，进而得到待检测点的置信度；根据置信度得到目标程度；利用目标程度和邻域内的灰度信息得到待检测点的权重系数，利用权重系数对所有像素点进行滤波，得到去噪结果图，进而完成3D打印数据的拟合。本发明使滤波结果更加精准，能够更好地对3D打印数据进行拟合。

Description

一种心血管3D打印数据处理方法
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种心血管3D打印数据处理方法。
背景技术
3D打印是一种快速发展的前沿技术，可以运用于医疗领域。通过心血管3D打印技术能够使医疗人员能够根据每位患者的具体心脏解剖结构打印定制化的医疗器械和模型，例如为心脏手术提供定制化的导管和支架，医疗人员可以使用3D打印模型进行心脏解剖学的教育与培训。而心血管3D打印数据的获取需要获取各层的CT影像数据，所以CT图像的质量对3D打印的结果会有较大的影响。
在获取各层心血管CT图像时，可能会由于辐射剂量的不同，电子元件的误差等原因而造成所得心血管CT图像中包含部分噪声干扰。在现有技术对图像进行去噪通常会使用均值滤波和高斯滤波等方式，但是传统的滤波方法可能会过滤真实存在的像素点从而导致滤波后的图像会出现模糊化的问题，进而影响心血管3D打印数据的质量。
发明内容
为了解决传统滤波方法可能会过滤真实存在的像素点从而导致滤波后的图像会出现模糊化，进而影响心血管3D打印数据质量的技术问题，本发明的目的在于提供一种心血管3D打印数据处理方法，所采用的技术方案具体如下：
一种心血管3D打印数据处理方法，该方法包括：
获取各层心血管CT图像；
将每层所述心血管CT图像作为待处理图像；选取待处理图像任意像素点作为待检测点；在所述待处理图像中，根据待检测点的预设第一邻域内的灰度分布特征，获得待检测点的初始目标程度；
获取每个所述待处理图像的相邻层图像；根据相邻层图像与待处理图像之间的层数差异，设置各相邻层图像中待检测点的对应位置像素点的待匹配邻域；计算待检测点与对应位置像素点在待匹配邻域内所有像素点之间灰度值的相似程度，根据相似程度筛选出待检测点在每层相邻层图像中的匹配点，获取待检测点第一邻域内所有像素点的匹配点；获取待检测点第一邻域内所有像素点与每层匹配点之间连线向量在同一平面的方向角度统一性；通过各相邻层图像的匹配点与待检测点之间的相似程度和距离获得待检测点在各相邻层图像的匹配系数；根据每层的所述方向角度统一性与所述匹配系数获得待检测点的置信度；
根据所述置信度对所述初始目标程度进行修正，获得待检测点的目标程度；根据所述目标程度以及待检测点所述第一邻域内的灰度信息，获得待检测点的权重系数；获得每层待处理图像中每个像素点的权重系数，根据所述权重系数对每个像素点进行调整，根据调整结果对待处理图像进行滤波，获得去噪结果图；
根据各层心血管CT图像对应的所述去噪结果图，进行3D打印数据的拟合。
进一步地，所述初始目标程度获取方法包括：
根据初始目标程度计算公式获得所述初始目标程度，所述初始目标程度计算公式如下：
；其中，/>表示第/>层所述待处理图像中所述待检测点/>预设第一邻域内的灰度值极差；/>为二值化函数：/>，/>为预设第一阈值；/>为待检测点邻域内的像素点数量；/>表示第/>层所述待检测点/>与其所述第一邻域内第/>个像素点/>连线上所有像素点的灰度值标准差；/>表示待检测点/>的灰度值；/>表示待检测点所述第一邻域内像素点/>的灰度值。
进一步地，所述相似程度获取方法包括：
将所述对应位置像素点所述待匹配邻域内的每个像素点作为对应待检测像素点的相似度对比点；
计算所述待检测点与所述相似度对比点所述第一邻域内所有像素点之间的灰度差异；将所述灰度差异进行负相关映射并求平均获得所述待检测点与所述相似度对比点的相似程度。
进一步地，所述匹配点筛选方法包括：将所述相似程度最高的所述对应位置像素点所述待匹配邻域内的像素点作为所述待检测点的匹配点。
进一步地，所述置信度的获取方法包括：
根据置信度计算公式获得所述置信度，所述置信度计算公式如下：
；其中，/>表示获取的相邻层图像的总数量，/>，且/>为实数；/>为第/>层待处理图像的各相邻层图像与其间隔的层数；/>表示第/>层待处理图像待检测点在第一邻域内所有像素点与第/>层相邻层图像的匹配点之间的连线向量在同一平面方向角度/>的方向角度标准差；/>表示第/>层待处理图像待检测点与第/>层相邻层图像的匹配点之间的相似程度；表示第/>层待处理图像待检测点与第/>层相邻层图像的匹配点之间向量的距离。
进一步地，所述目标程度获取方法包括：
将所述待处理图像每个像素点的所述置信度进行负相关映射并归一化处理获得所述待处理图像每个像素点的目标程度系数；
根据所述目标程度系数对所述初始目标程度进行加权获得所述待处理图像每个像素点的目标程度。
进一步地，所述待处理图像每个像素点的权重系数的获取方法包括：
根据权重系数计算公式计算所述权重系数，所述权重系数计算公式如下：
；其中，/>表示待检测点的权重系数；/>表示第/>层待处理图像待检测点/>的目标程度；/>表示第/>层待处理图像待检测点/>的灰度值；/>表示第/>层待处理图像待检测点第一邻域内像素点的灰度值，/>为待检测点邻域内的像素点数量，/>表示归一化函数。
进一步地，所述去噪结果图获取方法包括：
利用所述待处理图像每个像素点邻域内其他像素点的所述权重系数对其他像素点的灰度值进行加权求和，获得所述待处理图像每个像素点的滤波结果；遍历所述待处理图像每个像素点，获得所述待处理图像的去噪结果图。
进一步地，所述第一邻域设置为的窗口。
进一步地，每个所述相邻层图像中的所述待匹配邻域设置为的窗口，/>为相邻层图像与对应待处理图像之间的层数差异；/>取经验值20。
本发明具有如下有益效果：
为了解决传统滤波方法可能会过滤真实存在的像素点从而导致滤波后的图像会出现模糊化，进而影响心血管3D打印数据质量的技术问题，本发明获取各层心血管CT图像，根据心血管CT图像中每个像素点与其预设第一邻域内其他像素点的灰度信息获得每层心血管CT图像中每个像素点的初始目标程度，根据初始目标程度能够将噪声与部分细小血管对应的区域筛选出来；接着将相邻层图像之间的像素点进行匹配，根据匹配点的相似程度、匹配点之间的距离与匹配点之间连线向量投影在同一平面上的方向角度获得像素点的置信度，置信度能够反映出该像素点是否为为细小血管对应像素点；根据置信度对每个像素点的初始目标程度做出修正获得每个像素点的目标程度，根据目标程度与每个像素点邻域内的灰度信息，获得每个像素点邻域内其他像素点的权重系数，根据权重系数对待处理图像所有像素点进行调整，根据调整结果对待处理图像进行滤波，获得去噪结果图，进而根据去噪结果图进行3D打印数据的拟合。本发明能够准确筛选出噪声点与细小血管对应的区域，使滤波结果更加精准，能够更好地对3D打印数据进行拟合。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种心血管3D打印数据处理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种心血管3D打印数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种心血管3D打印数据处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种心血管3D打印数据处理方法流程图，该方法包括：
步骤S1：获取各层心血管CT图像；将每层心血管CT图像作为待处理图像；选取待处理图像任意像素点作为待检测点；在待处理图像中，根据待检测点的预设第一邻域内的灰度分布特征，获得待检测点的初始目标程度。
本发明实施例目的在于提供一种心血管3D打印数据处理方法，对于将心血管CT图像进行心血管3D打印数据拟合的问题，首先需要获取各层心血管CT图像，由于获取的各层心血管CT图像存在许多噪声点，所以需要基于图像处理技术对每层心血管CT图像进行降噪处理。将每层心血管CT图像作为待处理图像，由于噪声点与心血管区域像素点拥有不同的灰度信息，所以可以根据待处理图像每个像素点的灰度信息，得到待处理图像每个像素点的初始目标程度，在具体实施场景中，由于心脏区域灰度分布较为均匀，噪声点表现为高亮的灰度特征，所以可以利用初始目标程度对心血管CT图像做出区分。
本发明一个实施例中，获取各层心血管CT图像后需要经过灰度化、图像增强等图像预处理操作。需要说明的是，上述图像预处理操作为本领域技术人员熟知的技术手段，在此不做限定及赘述。
优选地，本发明一个实施例中，将预设第一邻域设置为的窗口。需要说明的是，预设第一邻域的设置也可以由实施人员根据具体实施场景自行设置，在此不做限定。
优选地，本发明一个实施例中，初始目标程度获取方法包括：
根据初始目标程度计算公式获得初始目标程度，初始目标程度计算公式如下：
式中，表示第/>层待处理图像中待检测点/>预设第一邻域内的灰度值极差；为二值化函数：/>，/>为预设第一阈值；/>为待检测点邻域内的像素点数量；/>表示第/>层待检测点/>与其第一邻域内第/>个像素点/>连线上所有像素点的灰度值标准差；/>表示待检测点/>的灰度值；/>表示待检测点第一邻域内像素点/>的灰度值。
本发明一个实施例中，取经验值为10。
在初始目标程度计算公式中，如果像素点与其邻域内所有像素点的灰度值极差大于预设的第一阈值，则认为该像素点邻域内存在灰度值较大的点，即噪声点和细小血管对应像素点。通过二值化函数，可以将邻域内像素点灰度值极差小于预设第一阈值的像素点作为灰度值分布较为均匀的心脏区域像素点，并赋予初始目标程度为0。
在像素点与其邻域内所有像素点的灰度值极差大于预设的第一阈值时，此时二值化函数值为1，若像素点/>为一噪声点或是与噪声点灰度值相似的真实存在像素点，则其灰度值可能在其邻域内为一近似局部极大值，所以利用像素点与其邻域内像素点的灰度差表示该像素点为噪声点或是与噪声点灰度值相似的真实存在像素点的概率，表示第/>层像素点/>与其邻域内第/>个像素点/>之间的灰度差值；将第/>层待处理图像像素点/>与其邻域内第/>个像素点/>连线上所有像素点的灰度标准差/>进行负相关映射，若是连线上灰度标准差很大，其对应连线上像素点可能经过不同的心脏区域，而左心房、左心室与右心房、右心室在待处理图像中呈现出明显不同的亮度，并不能很好表征出该像素点的类别。若是连线上各像素点的灰度变化仅仅是由像素点/>的灰度值过大而引起的，则连线上其他像素点与像素点/>灰度值相近，此时灰度标准差较小，负相关映射值较大，此时赋予像素点/>与像素点/>之间的灰度差值较大的权重系数。将像素点/>与其邻域内所有像素点之间的灰度差值加权求平均获得像素点/>的初始目标程度，初始目标程度能够区分待处理图像的相同区域中灰度值存在较大差异的像素点。
步骤S2：获取每个待处理图像的相邻层图像；根据相邻层图像与待处理图像之间的层数差异，设置各相邻层图像中待检测点的对应位置像素点的待匹配邻域；计算待检测点与对应位置像素点在待匹配邻域内所有像素点之间灰度值的相似程度，根据相似程度筛选出待检测点在每层相邻层图像中的匹配点，获取待检测点第一邻域内所有像素点的匹配点；获取待检测点第一邻域内所有像素点与每层匹配点之间连线向量在同一平面的方向角度统一性；通过各相邻层图像的匹配点与待检测点之间的相似程度和距离获得待检测点在各相邻层图像的匹配系数；根据每层的方向角度统一性与匹配系数获得待检测点的置信度。
在实施场景中，部分噪声点与细小血管对应像素点在待处理图像中灰度特征相似，所以步骤S1得到的初始目标程度无法对细小血管对应像素点与部分噪声点做出区分。对于相邻各层的心血管CT图像而言，各相邻层之间的距离较小，针对同一细小血管区域或者心脏边缘而言，由于细小血管在较小距离下不会出现较大的曲折现象，心脏边缘也会在各层心血管CT图像中出现边缘相似的情况，所以细小血管与心脏边缘对应像素点在相邻层图像依旧存在，而噪声点在相邻层图像可能会消失，计算待处理图像中待检测点与对应位置像素点待匹配邻域内所有像素点之间的相似程度，根据相似程度判断待检测点是否在相邻层图像存在匹配点。由于真实存在的像素点在相邻层图像中的匹配点非常接近该像素点的对应位置，该像素点与匹配点的距离较短，此时方向角度统一性较大，而噪声点在各相邻层图像中的匹配点位置并不固定，噪声点与匹配点之间的距离较长，此时方向角度统一性较小，根据方向角度统一性与各相邻层图像的匹配点与待检测点之间的相似程度和距离得到待检测点的置信度，置信度能够反映出每层心血管CT图像任一像素点是否为真实存在的像素点。
优选地，本发明一个实施例中，相似程度获取方法包括：
将对应位置像素点待匹配邻域内的每个像素点作为对应待检测像素点的相似度对比点；计算待检测点与相似度对比点第一邻域内所有像素点之间的灰度差异；将灰度差异进行负相关映射并求平均获得待检测点与相似度对比点的相似程度。本发明一个实施例中，待检测点与对应位置像素点相似程度的计算公式如下所示：
式中，表示第/>层待处理图像待检测点/>与第/>层相邻层图像对应位置像素点/>之间的相似程度，/>表示第一邻域内像素点的数目，/>表示第一邻域内像素点的序号，/>表示第/>层待处理图像待检测点/>第一邻域内第/>个像素点/>对应的灰度值，/>表示第/>层相邻层图像对应位置像素点/>第一邻域内第/>个像素点/>对应的灰度值，/>是为了防止分母为0。
在相似程度计算公式中，待检测点与对应位置像素点第一邻域内所有像素点之间的灰度差异进行负相关映射并求平均所得值作为待检测点与对应位置像素点的相似程度，其中，灰度差异越小，相似程度越高。重复计算待检测点与对应位置像素点待匹配邻域内所有像素点之间相似程度，得到待检测点与相邻层图像待匹配邻域内各像素点的相似程度。
优选地，本发明一个实施例中，每个相邻层图像中的待匹配邻域设置为的窗口，/>为相邻层图像与对应待处理图像之间的层数差异；/>取经验值20。
优选地，本发明一个实施例中，匹配点筛选方法包括：将相似程度最高的对应位置像素点待匹配邻域内的像素点作为待检测点的匹配点。
至此，获得待检测点在所有相邻层图像中的匹配点。
优选地，本发明一个实施例中，置信度的获取方法包括：
根据置信度计算公式获得置信度，置信度计算公式如下：
其中，表示获取的相邻层图像的总数量，/>，且/>为实数；/>为第/>层待处理图像的各相邻层图像与其间隔的层数；/>表示第/>层待处理图像待检测点在第一邻域内所有像素点与第/>层相邻层图像的匹配点之间的连线向量在同一平面方向角度/>的方向角度标准差；/>表示第/>层待处理图像待检测点与第/>层相邻层图像的匹配点之间的相似程度；/>表示第/>层待处理图像待检测点与第/>层相邻层图像的匹配点之间向量的距离。
在置信度计算公式中，考虑待检测点及其匹配点在同一平面之间的关系，上述匹配步骤仅是从待检测点在临近各层邻域内对应位置像素点待匹配邻域内进行匹配的，所以匹配点的相似程度表征了待检测点与匹配点之间是否为同一灰度区域在不同层间的表现情况，若相似程度更高，则匹配点更可能为同一真实灰度区域对应像素点；若待检测点与匹配点对应向量在同一平面内长度较短，则待检测点与其相邻层图像内的匹配点距离较近，该相邻层图像与待检测点之间的匹配系数较高，可以反映出该待检测点的稳定性更高，所以利用相似程度与向量距离的比值来衡量二者的置信度。而对应某一真实区域，计算待检测点邻域内所有像素点与其匹配点之间的向量方向角度，此类向量不会单独出现，若是待检测点邻域内所有像素点与其匹配点之间的向量在同一平面的方向角度标准差越小，则方向角度统一性越大，即待检测点邻域内所有像素点与其匹配点之间的向量方向相近，此时该区域越有可能是真实区域，待检测点邻域内所有像素点越有可能是真实存在像素点，综合所有相邻层图像匹配点的具体情况，获得待处理图像中待检测点的置信度。置信度越大，该待检测点越有可能是真实存在的像素点。需要说明的是，计算待检测点邻域内所有像素点与其匹配点之间的向量在同一平面的方向角度之前将所有向量在同一平面的投影归纳于同一个笛卡尔坐标系，并且实施人员可自行为该笛卡尔坐标系设置0方向。
步骤S3：根据置信度对初始目标程度进行修正，获得待检测点的目标程度；根据目标程度以及待检测点第一邻域内的灰度信息，获得待检测点的权重系数；获得每层待处理图像中每个像素点的权重系数，根据权重系数对每个像素点进行调整，根据调整结果对待处理图像进行滤波，获得去噪结果图。
根据步骤S2获得的各像素点的置信度，对初始目标程度进行修正，得到待处理图像中每个像素点的目标程度，目标程度能够反映出哪些是噪声点，哪些是细小血管对应像素点。根据每个像素点的目标程度，能够判断出像素点邻域内的灰度特征，若像素点是噪声点，则该像素点具有较大的目标程度，该像素点与邻域内任意像素点的灰度差异会较大，所以要在滤波时赋予该像素点较大的权重系数，而细小血管对应像素点目标程度较小，在滤波函数中应当赋予细小血管对应像素点更加靠近原滤波函数的权重系数。获得每层待处理图像所有像素点的权重系数，对像素点进行滤波，能够获得准确的去噪结果。
优选地，本发明一个实施例中，目标程度获取方法包括：
将待处理图像每个像素点的置信度进行负相关映射并归一化处理获得待处理图像每个像素点的目标程度系数；根据目标程度系数对初始目标程度进行加权获得待处理图像每个像素点的目标程度。本发明一个实施例中，目标程度计算公式如下所示：
式中，表示第/>层待处理图像待检测点/>的目标程度，/>表示第/>层待处理图像待检测点的置信度，/>表示第/>层待处理图像待检测点/>的初始目标程度，表示归一化函数。
在目标程度计算公式中，将待处理图像各像素点的置信度进行负相关映射并归一化处理得到目标程度系数，置信度越高，目标程度系数越小，该像素点越可能是细小血管对应像素点；置信度越低，目标程度系数越小，该像素点越可能是噪声点。利用目标程度系数对初始目标程度进行调整，得到待处理图像各像素点的目标程度，目标程度越大，该像素点越有可能是噪声点。
优选地，本发明一个实施例中，待处理图像每个像素点的权重系数的获取方法包括：
根据权重系数计算公式计算权重系数，权重系数计算公式如下：
式中，表示待检测点的权重系数；/>表示第/>层待处理图像待检测点/>的目标程度；/>表示第/>层待处理图像待检测点/>的灰度值；/>表示第/>层待处理图像待检测点第一邻域内像素点/>的灰度值，/>为待检测点邻域内的像素点数量，/>表示归一化函数。
在权重系数计算公式中，将像素点与其邻域内任意像素点的灰度差异归一化处理得到第一归一化值，邻域内像素点目标程度较大，第一归一化值越大，应当给予该邻域内像素点更大的权重系数，而目标程度较小的像素点，越有可能是细小血管对应像素点，此时该像素点的权重系数公式中，应当接近于0，而接近于1，此时该像素点的权重系数应该靠近1，此外，灰度值分布较为均匀的心脏区域像素点初始目标程度的值为0，所得目标程度也为0，所以此类像素点的权重系数为1。遍历所有像素点，得到待处理图像的所有像素点的权重系数。
优选地，本发明一个实施例中，去噪结果图获取方法包括：
利用待处理图像每个像素点邻域内其他像素点的权重系数对其他像素点的灰度值进行加权求和，获得待处理图像每个像素点的滤波结果；遍历待处理图像每个像素点，获得待处理图像的去噪结果图。本发明一个实施例中，各像素点邻域内的滤波函数公式如下所示：
式中，表示像素点邻域内的滤波结果，/>表示邻域内像素点的数目，/>表示各像素点的权重系数，/>表示第/>层待检测点/>第一邻域内第/>个像素点/>对应的灰度值。
在滤波函数公式中，将第层待检测点/>邻域内所有像素点的灰度值加权求平均获得待检测点/>的滤波结果，遍历各层待处理图像的所有像素点，获得各层待处理图像的所有像素点的滤波结果，采用上述操作获得各层心血管CT图像的滤波结果，即获得各层心血管CT图像的去噪结果图。原滤波函数各像素点权重系数均为1，权重系数和为/>。需要说明的是，调整各像素点的权重系数，使调整后的权重系数之和仍然为/>。
需要说明的是，可以采用中值滤波的等其他滤波方式对心血管CT图像进行滤波，具体计算步骤为本领域技术人员所熟知的技术手段，在此不做限定及赘述。
步骤S4：根据各层心血管CT图像对应的去噪结果图，进行3D打印数据的拟合。
本发明一个实施例中，在获取各层心血管CT图像的去噪结果图后，通过对图像进行插值和间隔调整，将二维的切片图像的像素数据重新排列为均匀的三维数据集,对重采样后的3D数据进行分割操作，将心脏和相关结构，例如心脏壁、心脏腔、血管等从背景中分离出来。将分割得到的心脏结构转换为三维模型。利用体素渲染、曲面重建或其他三维重建方法，将分割结果进行可视化并生成具有几何形状和纹理的真实感三维模型。
需要说明的是，本发明可以使用例如点云拟合、三角网格拟合等3D打印数据拟合方法将心脏结构转换为三维模型，具体方法为本领域技术人员熟知的技术手段，在此不做限定及赘述。
综上所述：本发明获取各层心血管CT图像作为待处理图像，并选取待处理图像中任意像素点作为待检测点，根据该点与其邻域内所有像素点的灰度分布特征计算初始目标程度；计算待检测点在相邻层图像对应位置像素点待匹配邻域内所有像素点之间的相似程度，并根据相似程度筛选待检测点的匹配点，计算待检测点与匹配点之间的距离与连线向量方向角度，进而得到待检测点的置信度；根据置信度得到目标程度；利用目标程度和邻域内的灰度信息得到待检测点的权重系数，利用权重系数对所有像素点进行滤波，得到去噪结果图，进而完成3D打印数据的拟合。本发明能够准确筛选出噪声点与细小血管对应的区域，使滤波结果更加精准，能够更好地对3D打印数据进行拟合。
一种基于图像处理的心血管CT图像去噪方法实施例：
在现有技术中，对心血管CT图像进行去噪通常会使用均值滤波和高斯滤波等方式，但是传统的滤波方法可能会过滤真实存在的像素点从而导致滤波后的图像会出现模糊化的问题，为了解决该技术问题，本实施例提供一种基于图像处理的心血管CT图像去噪方法，包括：
步骤S1：获取各层心血管CT图像；将每层心血管CT图像作为待处理图像；选取待处理图像任意像素点作为待检测点；在待处理图像中，根据待检测点的预设第一邻域内的灰度分布特征，获得待检测点的初始目标程度。
步骤S2：获取每个待处理图像的相邻层图像；根据相邻层图像与待处理图像之间的层数差异，设置各相邻层图像中待检测点的对应位置像素点的待匹配邻域；计算待检测点与对应位置像素点在待匹配邻域内所有像素点之间灰度值的相似程度，根据相似程度筛选出待检测点在每层相邻层图像中的匹配点，获取待检测点第一邻域内所有像素点的匹配点；获取待检测点第一邻域内所有像素点与每层匹配点之间连线向量在同一平面的方向角度统一性；通过各相邻层图像的匹配点与待检测点之间的相似程度和距离获得待检测点在各相邻层图像的匹配系数；根据每层的方向角度统一性与匹配系数获得待检测点的置信度。
步骤S3：根据置信度对初始目标程度进行修正，获得待检测点的目标程度；根据目标程度以及待检测点第一邻域内的灰度信息，获得待检测点的权重系数；获得每层待处理图像中每个像素点的权重系数，根据权重系数对每个像素点进行调整，根据调整结果对待处理图像进行滤波，获得去噪结果图。
由于步骤S1-S3的具体实现过程在上述一种心血管3D打印数据处理方法中已给出详细说明，不再赘述。
本实施例的技术效果为：根据心血管CT图像中每个像素点与其预设第一邻域内其他像素点的灰度信息获得每层心血管CT图像中每个像素点的初始目标程度，根据初始目标程度能够将噪声与部分细小血管对应的区域筛选出来；接着将相邻层图像之间的像素点进行匹配，根据匹配点的相似程度、匹配点之间的距离与匹配点之间连线向量投影在同一平面上的方向角度获得像素点的置信度，置信度能够反映出该像素点是否为细小血管对应像素点；根据置信度对每个像素点的初始目标程度做出修正获得每个像素点的目标程度，根据目标程度与每个像素点邻域内的灰度信息，获得每个像素点邻域内其他像素点的权重系数，根据权重系数对待处理图像所有像素点进行调整，得到各层心血管CT图像的滤波结果，进而得到各层心血管CT图像的去噪结果图。本实施例通过研究像素点邻域内的灰度特征及相邻层图像对应位置像素点的关联性，对每个像素点的灰度值赋予权重系数，从而能够精准的对所有像素点进行滤波，得到精确的去噪结果图。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种心血管3D打印数据处理方法，其特征在于，所述方法包括：
获取各层心血管CT图像；
将每层所述心血管CT图像作为待处理图像；选取待处理图像任意像素点作为待检测点；在所述待处理图像中，根据待检测点的预设第一邻域内的灰度分布特征，获得待检测点的初始目标程度；
获取每个所述待处理图像的相邻层图像；根据相邻层图像与待处理图像之间的层数差异，设置各相邻层图像中待检测点的对应位置像素点的待匹配邻域；计算待检测点与对应位置像素点在待匹配邻域内所有像素点之间灰度值的相似程度，根据相似程度筛选出待检测点在每层相邻层图像中的匹配点，获取待检测点第一邻域内所有像素点的匹配点；获取待检测点第一邻域内所有像素点与每层匹配点之间连线向量在同一平面的方向角度统一性；通过各相邻层图像的匹配点与待检测点之间的相似程度和距离获得待检测点在各相邻层图像的匹配系数；根据每层的所述方向角度统一性与所述匹配系数获得待检测点的置信度；
根据所述置信度对所述初始目标程度进行修正，获得待检测点的目标程度；根据所述目标程度以及待检测点所述第一邻域内的灰度信息，获得待检测点的权重系数；获得每层待处理图像中每个像素点的权重系数，根据所述权重系数对每个像素点进行调整，根据调整结果对待处理图像进行滤波，获得去噪结果图；
根据各层心血管CT图像对应的所述去噪结果图，进行3D打印数据的拟合；
所述初始目标程度获取方法包括：
根据初始目标程度计算公式获得所述初始目标程度，所述初始目标程度计算公式如下：
；其中，/>表示第/>层所述待处理图像中所述待检测点/>预设第一邻域内的灰度值极差；/>为二值化函数：/>，/>为预设第一阈值；/>为待检测点邻域内的像素点数量；表示第/>层所述待检测点/>与其所述第一邻域内第/>个像素点/>连线上所有像素点的灰度值标准差；/>表示待检测点/>的灰度值；/>表示待检测点所述第一邻域内像素点/>的灰度值；
所述待处理图像每个像素点的权重系数的获取方法包括：
根据权重系数计算公式计算所述权重系数，所述权重系数计算公式如下：
；其中，/>表示待检测点的权重系数；/>表示第/>层待处理图像待检测点/>的目标程度；/>表示第/>层待处理图像待检测点/>的灰度值；/>表示第/>层待处理图像待检测点第一邻域内像素点/>的灰度值，/>为待检测点邻域内的像素点数量，/>表示归一化函数。
2.根据权利要求1所述的一种心血管3D打印数据处理方法，其特征在于，所述相似程度获取方法包括：
将所述对应位置像素点所述待匹配邻域内的每个像素点作为对应待检测像素点的相似度对比点；
计算所述待检测点与所述相似度对比点所述第一邻域内所有像素点之间的灰度差异；将所述灰度差异进行负相关映射并求平均获得所述待检测点与所述相似度对比点的相似程度。
3.根据权利要求1所述的一种心血管3D打印数据处理方法，其特征在于，所述匹配点筛选方法包括：将所述相似程度最高的所述对应位置像素点所述待匹配邻域内的像素点作为所述待检测点的匹配点。
4.根据权利要求1所述的一种心血管3D打印数据处理方法，其特征在于，所述置信度的获取方法包括：
根据置信度计算公式获得所述置信度，所述置信度计算公式如下：
；其中，/>表示获取的相邻层图像的总数量，/>，且/>为实数；/>为第/>层待处理图像的各相邻层图像与其间隔的层数；表示第/>层待处理图像待检测点在第一邻域内所有像素点与第/>层相邻层图像的匹配点之间的连线向量在同一平面方向角度/>的方向角度标准差；/>表示第/>层待处理图像待检测点与第/>层相邻层图像的匹配点之间的相似程度；/>表示第/>层待处理图像待检测点与第/>层相邻层图像的匹配点之间向量的距离。
5.根据权利要求1所述的一种心血管3D打印数据处理方法，其特征在于，所述目标程度获取方法包括：
将所述待处理图像每个像素点的所述置信度进行负相关映射并归一化处理获得所述待处理图像每个像素点的目标程度系数；
根据所述目标程度系数对所述初始目标程度进行加权获得所述待处理图像每个像素点的目标程度。
6.根据权利要求1所述的一种心血管3D打印数据处理方法，其特征在于，所述去噪结果图获取方法包括：
利用所述待处理图像每个像素点邻域内其他像素点的所述权重系数对其他像素点的灰度值进行加权求和，获得所述待处理图像每个像素点的滤波结果；遍历所述待处理图像每个像素点，获得所述待处理图像的去噪结果图。
7.根据权利要求1所述的一种心血管3D打印数据处理方法，其特征在于，所述第一邻域设置为的窗口。
8.根据权利要求1所述的一种心血管3D打印数据处理方法，其特征在于，每个所述相邻层图像中的所述待匹配邻域设置为的窗口，/>为相邻层图像与对应待处理图像之间的层数差异；/>取经验值20。
CN202311359561.6A 2023-10-20 2023-10-20 一种心血管3d打印数据处理方法 Active CN117094917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311359561.6A CN117094917B (zh) 2023-10-20 2023-10-20 一种心血管3d打印数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311359561.6A CN117094917B (zh) 2023-10-20 2023-10-20 一种心血管3d打印数据处理方法

Publications (2)

Publication Number Publication Date
CN117094917A CN117094917A (zh) 2023-11-21
CN117094917B true CN117094917B (zh) 2024-02-06

Family

ID=88773727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311359561.6A Active CN117094917B (zh) 2023-10-20 2023-10-20 一种心血管3d打印数据处理方法

Country Status (1)

Country Link
CN (1) CN117094917B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117351008B (zh) * 2023-12-04 2024-03-15 深圳市阿龙电子有限公司 一种智能手机面板表面缺陷检测方法
CN117475157B (zh) * 2023-12-25 2024-03-15 浙江大学山东(临沂)现代农业研究院 基于无人机遥感的农业种植增强监测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103978789A (zh) * 2014-05-22 2014-08-13 中国科学院苏州生物医学工程技术研究所 基于3d打印的头部医学模型快速成型方法
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统
CN107220928A (zh) * 2017-05-31 2017-09-29 中国工程物理研究院应用电子学研究所 一种牙齿ct图像像素数据转化至3d打印数据的方法
CN108305247A (zh) * 2018-01-17 2018-07-20 中南大学湘雅三医院 一种基于ct图像灰度值检测组织硬度的方法
WO2021217643A1 (zh) * 2020-04-30 2021-11-04 深圳市大疆创新科技有限公司 红外图像处理方法、装置及可移动平台
CN113781328A (zh) * 2021-08-17 2021-12-10 华中科技大学 一种sigma图像滤波方法及系统
CN115937216A (zh) * 2023-03-09 2023-04-07 青岛金立磁性材料有限公司 一种新能源汽车用磁转子外观质量检测方法
CN116277978A (zh) * 2023-05-12 2023-06-23 高州市人民医院 多模态骨关节数字化3d打印方法
CN116310420A (zh) * 2023-03-22 2023-06-23 浙江大学嘉兴研究院 一种基于邻域差值的图像相似度度量方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104952043B (zh) * 2014-03-27 2017-10-24 株式会社日立制作所 图像滤波方法及ct 系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103978789A (zh) * 2014-05-22 2014-08-13 中国科学院苏州生物医学工程技术研究所 基于3d打印的头部医学模型快速成型方法
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统
CN107220928A (zh) * 2017-05-31 2017-09-29 中国工程物理研究院应用电子学研究所 一种牙齿ct图像像素数据转化至3d打印数据的方法
CN108305247A (zh) * 2018-01-17 2018-07-20 中南大学湘雅三医院 一种基于ct图像灰度值检测组织硬度的方法
WO2021217643A1 (zh) * 2020-04-30 2021-11-04 深圳市大疆创新科技有限公司 红外图像处理方法、装置及可移动平台
CN113781328A (zh) * 2021-08-17 2021-12-10 华中科技大学 一种sigma图像滤波方法及系统
CN115937216A (zh) * 2023-03-09 2023-04-07 青岛金立磁性材料有限公司 一种新能源汽车用磁转子外观质量检测方法
CN116310420A (zh) * 2023-03-22 2023-06-23 浙江大学嘉兴研究院 一种基于邻域差值的图像相似度度量方法及装置
CN116277978A (zh) * 2023-05-12 2023-06-23 高州市人民医院 多模态骨关节数字化3d打印方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
３Ｄ 打印技术在心血管内科专科医师冠心病介入治疗中的应用;于曼丽 等;《中国高等医学教育》(第7期);第79-81页 *
基于流固耦合的计算流体力学在心血管疾病中的应用;李昭明 等;《中国医学工程》;第31卷(第1期);第52-56页 *
嵌入式 3D 打印多孔硅胶义眼台及其表面修饰;赵宏 等;《南方医科大学学报》;第43卷(第5期);第783-792页 *
心血管数字医学的临床应用进展及展望 心血管数字医学的临床应用进展;王义为 等;《中国心血管病研究》;第21卷(第8期);第740-745页 *

Also Published As

Publication number Publication date
CN117094917A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN117094917B (zh) 一种心血管3d打印数据处理方法
US10242450B2 (en) Coupled segmentation in 3D conventional ultrasound and contrast-enhanced ultrasound images
EP2380132B1 (en) Denoising medical images
CN106934821B (zh) 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
US20180005372A1 (en) Methods and systems for detecting a centerline of a vessel
JP4294881B2 (ja) 画像の位置合わせ方法および装置
CN109949349B (zh) 一种多模态三维图像的配准及融合显示方法
US20070223815A1 (en) Feature Weighted Medical Object Contouring Using Distance Coordinates
US20100246915A1 (en) Patient registration system
Ye et al. Deep residual learning for model-based iterative ct reconstruction using plug-and-play framework
JP2018064627A (ja) 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム
WO2014144019A1 (en) Methods, systems, and computer readable media for real-time 2d/3d deformable registration using metric learning
WO2014134188A1 (en) Systems and methods for ultrasound imaging
CN109509193B (zh) 一种基于高精度配准的肝脏ct图谱分割方法及系统
CN106530236B (zh) 一种医学图像处理方法及系统
CN112184782A (zh) 一种骨关节的自动配准定位方法及装置
JP4274400B2 (ja) 画像の位置合わせ方法および装置
CN113706409A (zh) 基于人工智能的cbct图像增强方法、装置和存储介质
CN111951215A (zh) 一种图像检测方法、装置及计算机可读存储介质
US9147250B2 (en) System and method for automatic magnetic resonance volume composition and normalization
CN112102327B (zh) 一种图像处理方法、装置及计算机可读存储介质
CN112308764A (zh) 图像配准方法及装置
CN112767403A (zh) 医学影像分割模型训练方法、医学影像分割方法及装置
CN115439423B (zh) 一种基于ct图像的识别方法、装置、设备及存储介质
EP3658031B1 (en) Motion compensated cardiac valve reconstruction

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