CN118334273A - 一种主动脉窦管交界平面自动提取方法、装置及存储介质 - Google Patents
一种主动脉窦管交界平面自动提取方法、装置及存储介质 Download PDFInfo
- Publication number
- CN118334273A CN118334273A CN202410748465.9A CN202410748465A CN118334273A CN 118334273 A CN118334273 A CN 118334273A CN 202410748465 A CN202410748465 A CN 202410748465A CN 118334273 A CN118334273 A CN 118334273A
- Authority
- CN
- China
- Prior art keywords
- points
- plane
- acquiring
- mask image
- point set
- 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
- 210000003291 sinus of valsalva Anatomy 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 48
- 210000000709 aorta Anatomy 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007408 cone-beam computed tomography Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 210000000115 thoracic cavity Anatomy 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 208000002847 Surgical Wound Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种主动脉窦管交界平面自动提取方法、装置及存储介质，应用于图像处理技术领域，包括：通过获取包含升主动脉和三瓣窦的局部掩膜图像，然后对局部掩膜图像进行三维重建得到三维网格模型，获取局部掩膜图像的特征点，根据每个切面的中点坐标以及最远点坐标拟合出区分平面；将特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近进行分类；选取区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在三维网格模型上获取每两个点之间的最短路径上的所有点，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面，实现主动脉窦管交界平面的自动获取，无需人工参与。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种主动脉窦管交界平面自动提取方法、装置及存储介质。
背景技术
在瓣膜置换术中，了解主动脉窦的窦管交界情况可以帮助医生更准确地选择合适的人工瓣膜型号和尺寸，确保人工瓣膜与患者自身的解剖结构相匹配，从而提高手术效果，减少术后并发症的发生。此外，窦管交界的测量还可以为手术方案的制定提供依据，比如确定手术切口的位置、缝合方式等。
同时，窦管交界在评估主动脉病变和预后评估的具体作用：
评估主动脉病变：
通过测量主动脉窦的窦管交界，可以更精确地了解主动脉的形态变化。如果存在主动脉扩张或动脉瘤等病变，测量结果可以帮助医生确定病变的严重程度、范围和发展趋势，以便制定更合适的治疗方案。
预后评估：
窦管交界的测量能够提供关于主动脉结构和功能的重要信息。这些信息可以帮助医生预测患者病情的发展走向，评估疾病的预后情况。对于一些病情较为复杂或存在潜在风险的患者，这一评估可以为后续的治疗和随访提供指导，有助于及时发现问题并采取相应措施。
目前主动脉窦管交界平面主要依靠相关工作人员使用建模软件在二维图像上手动选点获取的，主要依靠人工获取，费时费力。
发明内容
有鉴于此，本发明的目的在于提供一种主动脉窦管交界平面自动提取方法、装置及存储介质，以解决现有技术中，主动脉窦管交界平面主要依靠人工手动获取，费时费力的问题。
根据本发明实施例的第一方面，提供一种主动脉窦管交界平面自动提取方法，所述方法包括：
获取包含升主动脉和三瓣窦的局部掩膜图像；
对所述局部掩膜图像进行三维重建得到三维网格模型；
获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点；
获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标，根据所述每个切面的中点坐标以及最远点坐标拟合出区分平面；
将所述所有切面上的轮廓的特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近分成m个类；
选取所述区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点；
在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面。
优选地，
所述获取包含窦管交界的局部掩膜图像包括：
获取胸腔的CBCT三维图像，从所述胸腔的CBCT三维图像中提取包含心脏的主动脉血管的掩膜图像；
根据心脏的位置信息从所述包含心脏的主动脉血管的掩膜图像中提取包含升主动脉和三瓣窦的局部掩膜图像。
优选地，
所述对所述局部掩膜图像进行三维重建得到三维网格模型包括：
对所述包含升主动脉和三瓣窦的局部掩膜图像利用MarchingCube算法重建出三维模型，对所述三维模型进行网格划分以及进行平滑处理，得到所述三维网格模型。
优选地，
所述获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点包括：
获取所述局部掩膜图像在Y轴方向的所有切面，获取每个切面的所有轮廓点；
根据每个轮廓点前后各X个点的间距得到的向量计算每个轮廓点的余弦值；
在每个轮廓点前后各X个点的间距得到的向量中选取任意两个向量相加得到方向向量；
根据方向向量确定每个轮廓点所在位置的凹凸性，得到二维掩膜上的特征点。
优选地，
所述获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标包括：
获取所述局部掩膜图像在Y轴方向的每个切面中所有像素点的像素值，获取切面中像素值为1的像素点，选取包含像素值为1的像素点所在的最顶行；
获取所述最顶行中所有像素值为1的像素点的中点坐标，选取所述中点坐标所在切面中距离所述中点坐标最远的像素值为1的像素点作为最远点坐标。
优选地，
所述选取所述区分平面两侧的最大数量的类包括：
分别计算m个类与区分平面的符号距离，将所述m个类分别划分到所述区分平面的正负两侧，在所述区分平面的正负两侧各选取一个数量最大的类，得到最大正聚类以及最大负聚类。
优选地，
所述在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点包括：
在所述最大正聚类中随机选取n个坐标点，得到第一坐标点集；在所述最大负聚类中随机选取n个坐标点，得到第二坐标点集；设置第一坐标点集与第二坐标点集中坐标点的对应关系；
在所述三维网格模型中获取所述第一坐标点集以及第二坐标点集对应的坐标点。
优先地，
所述在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集包括：
根据所述第一坐标点集与第二坐标点集中坐标点的对应关系，在所述三维网格模型中获取第一坐标点集中的坐标点到第二坐标点集中对应坐标点的最短路径；
将获取的n条最短路径上的所有坐标点进行集合，得到目标点集。
根据本发明实施例的第二方面，提供一种主动脉窦管交界平面自动提取装置，所述装置包括：
掩膜图像获取模块：用于获取包含升主动脉和三瓣窦的局部掩膜图像；
三维重建模块：用于对所述局部掩膜图像进行三维重建得到三维网格模型；
特征点获取模块：用于获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点；
区分平面拟合模块：用于获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标，根据所述每个切面的中点坐标以及最远点坐标拟合出区分平面；
聚类模块：用于将所述所有切面上的轮廓的特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近分成m个类；
映射模块：用于选取所述区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点；
交界平面拟合模块：用于在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面。
根据本发明实施例的第三方面，提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现上述方法中的各个步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本申请通过获取包含升主动脉和三瓣窦的局部掩膜图像，然后对局部掩膜图像进行三维重建得到三维网格模型，获取局部掩膜图像的特征点，根据每个切面的中点坐标以及最远点坐标拟合出区分平面；将特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近进行分类；选取区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在三维网格模型上获取每两个点之间的最短路径上的所有点，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面，实现主动脉窦管交界平面的自动获取，无需人工参与。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种主动脉窦管交界平面自动提取方法的流程示意图；
图2是根据另一示例性实施例示出的三维网格模型的示意图；
图3是根据另一示例性实施例示出的基于三维网格模型生成主动脉窦管交界平面的示意图；
图4是根据另一示例性实施例示出的一种主动脉窦管交界平面自动提取装置的系统示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例一
图1是根据一示例性实施例示出的一种主动脉窦管交界平面自动提取方法的流程示意图，如图1所示，该方法包括：
S1，获取包含升主动脉和三瓣窦的局部掩膜图像；
S2，对所述局部掩膜图像进行三维重建得到三维网格模型；
S3，获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点；
S4，获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标，根据所述每个切面的中点坐标以及最远点坐标拟合出区分平面；
S5，将所述所有切面上的轮廓的特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近分成m个类；
S6，选取所述区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点；
S7，在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面；
可以理解的是，本申请对于给定的CBCT三维图像提取主动脉血管的mask, 并保留心脏部分；其中，mask图像处理和计算机视觉领域中，是一种用于标记和分离出感兴趣区域的图像二值化掩膜，它通常是一个与原始图像大小相同的二值或布尔图像，其中选定的区域被标记为1（或True），而其余区域被标记为0（或False），Mask图像的作用是限制对图像的特定操作，如滤波、边缘检测、区域提取、图像增强等，只在这个区域发生；通过Mask图像的生成与应用，可以将原始图像中的目标部分与背景区域分离出来，以便于后续的分析、识别、定位等操作；
在提取的mask上，利用心脏的位置信息截取包含升主动脉和三瓣窦的局部mask，再利用MarchingCube算法对局部maskchong重建成三维网格模型，并且进一步做优化处理，使其变得光滑，如附图2所示，其中，MarchingCube算法也被称作“等值面提取（IsosurfaceExtraction）”，是三维离散数据场面绘制的经典算法，算法的核心思想是通过线性差值来逼近等值面，它的2D版本叫marching squares，该算法的主要作用是提取空间中的等值面，并用三角面近似表示出来；
利用上述得到的局部mask，以y轴方向的切片为基础，获取该切片的轮廓点，再以前后各5个点的间距得到的向量计算每个点的余弦值，并且根据两个向量相加得到的方向向量确定该点所在位置的凹凸性，从而得到二维mask上的特征点，具体计算公式如下所示：
以轮廓点为中心，前后各k个有序点的间距得到的两个矢量，利用该两个矢量计算每个点的余弦值，定义点处的两个矢量以及：
其中,x，y分别表示轮廓点的坐标值；
根据矢量以及获取点余弦值：
定义Q点坐标以及定义凹凸性，其中，
；
其中，0表示点Q为凹点，1表示点Q为凸点；以及表示点的坐标值；，，，为矢量和处的坐标值；
获取局部掩膜图像在Y轴方向的每个切面中所有像素点的像素值，获取切面中像素值为1的像素点，选取包含像素值为1的像素点所在的最顶行，值得说明的是，对于一个切面来说，由于其是掩膜图像，因此一个面可以看做是很多个像素点构成的，对于这个平面来说，又分为很多行，假设有100行，分别编号0-99，从第0行开始，计算第0行中所有像素点的像素值，是否存在像素值为1的像素点，假如不存在，这继续计算第1行的像素点的像素值，如果第1行存在像素值为1的像素点，那么第1行就是本申请上述的最顶行，也可以理解为最开始出现像素值为1的像素点所在的哪一行（如果是第10行第一次出现，那么第10行就是最顶行），从最顶行中查找出所有像素值为1的像素点（通常像素值为1的像素点在一行中是连续出现的）的中点坐标，而一个切面中，除了最顶行会出现像素值为1的像素点，其他行也会出现，比如第88行、第99行等，只是由于不是最开始出现的，因此不是最顶行，在获取到中点坐标后，继续寻找该切面中距离中点坐标最远的像素值为1的像素点；根据所有切面的中点坐标以及最远坐标点，进而拟合出一个区分平面；
将二维mask上的特征点转换成实际的空间坐标点，通过聚类将坐标点按距离分成m类，进而计算与区分平面的符号距离，再在正负两侧分别选择最大点数量的类别；
由上述中得到的两大类，随机选择n个点，A类{ap1,ap2,...,apn},B类{bp1,bp2,...,bpn}, 其中，ap1与bp1对应，依次类推（对应关系可以随机设置，只是为了避免出现太多的最短距离，减少计算量，因此A类中每个点对应B类中的每个点）再在上述中得到的三维网格模型获取到与{ap1,bp1},...,{apn,bpn}相应的点对，在三维网格模型上计算上述{ap1,ap2,...,apn}与 {bp1,bp2,...,bpn}中对应点的最短路径，将最短路径上的点进行集合，由此获得最终的目标点集，通过这种方式得到的点集密度更加均匀，减少了噪声点对于平面拟合的影响，根据目标点集拟合出一个平面，即为主动脉窦管交界平面，如附图3所示。
实施例二：
图4是根据另一示例性实施例示出的一种主动脉窦管交界平面自动提取装置的系统示意图，所述装置包括：
掩膜图像获取模块1：用于获取包含升主动脉和三瓣窦的局部掩膜图像；
三维重建模块2：用于对所述局部掩膜图像进行三维重建得到三维网格模型；
特征点获取模块3：用于获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点；
区分平面拟合模块4：用于获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标，根据所述每个切面的中点坐标以及最远点坐标拟合出区分平面；
聚类模块5：用于将所述所有切面上的轮廓的特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近分成m个类；
映射模块6：用于选取所述区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点；
交界平面拟合模块7：用于在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面；
可以理解的是，通过掩膜图像获取模块1用于获取包含升主动脉和三瓣窦的局部掩膜图像；通过三维重建模块2用于对所述局部掩膜图像进行三维重建得到三维网格模型；通过特征点获取模块3用于获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点；通过区分平面拟合模块4用于获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标，根据所述每个切面的中点坐标以及最远点坐标拟合出区分平面；通过聚类模块5用于将所述所有切面上的轮廓的特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近分成m个类；通过映射模块6用于选取所述区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点；通过交界平面拟合模块7用于在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面。
实施例三：
本实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现上述方法中的各个步骤；
可以理解的是，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种主动脉窦管交界平面自动提取方法，其特征在于，所述方法包括：
获取包含升主动脉和三瓣窦的局部掩膜图像；
对所述局部掩膜图像进行三维重建得到三维网格模型；
获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点；
获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标，根据所述每个切面的中点坐标以及最远点坐标拟合出区分平面；
将所述所有切面上的轮廓的特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近分成m个类；
选取所述区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点；
在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面。
2.根据权利要求1所述的方法，其特征在于，
所述获取包含窦管交界的局部掩膜图像包括：
获取胸腔的CBCT三维图像，从所述胸腔的CBCT三维图像中提取包含心脏的主动脉血管的掩膜图像；
根据心脏的位置信息从所述包含心脏的主动脉血管的掩膜图像中提取包含升主动脉和三瓣窦的局部掩膜图像。
3.根据权利要求2所述的方法，其特征在于，
所述对所述局部掩膜图像进行三维重建得到三维网格模型包括：
对所述包含升主动脉和三瓣窦的局部掩膜图像利用MarchingCube算法重建出三维模型，对所述三维模型进行网格划分以及进行平滑处理，得到所述三维网格模型。
4.根据权利要求3所述的方法，其特征在于，
所述获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点包括：
获取所述局部掩膜图像在Y轴方向的所有切面，获取每个切面的所有轮廓点；
根据每个轮廓点前后各X个点的间距得到的向量计算每个轮廓点的余弦值；
在每个轮廓点前后各X个点的间距得到的向量中选取任意两个向量相加得到方向向量；
根据方向向量确定每个轮廓点所在位置的凹凸性，得到二维掩膜上的特征点。
5.根据权利要求4所述的方法，其特征在于，
所述获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标包括：
获取所述局部掩膜图像在Y轴方向的每个切面中所有像素点的像素值，获取切面中像素值为1的像素点，选取包含像素值为1的像素点所在的最顶行；
获取所述最顶行中所有像素值为1的像素点的中点坐标，选取所述中点坐标所在切面中距离所述中点坐标最远的像素值为1的像素点作为最远点坐标。
6.根据权利要求5所述的方法，其特征在于，
所述选取所述区分平面两侧的最大数量的类包括：
分别计算m个类与区分平面的符号距离，将所述m个类分别划分到所述区分平面的正负两侧，在所述区分平面的正负两侧各选取一个数量最大的类，得到最大正聚类以及最大负聚类。
7.根据权利要求6所述的方法，其特征在于，
所述在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点包括：
在所述最大正聚类中随机选取n个坐标点，得到第一坐标点集；在所述最大负聚类中随机选取n个坐标点，得到第二坐标点集；设置第一坐标点集与第二坐标点集中坐标点的对应关系；
在所述三维网格模型中获取所述第一坐标点集以及第二坐标点集对应的坐标点。
8.根据权利要求7所述的方法，其特征在于，
所述在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集包括：
根据所述第一坐标点集与第二坐标点集中坐标点的对应关系，在所述三维网格模型中获取第一坐标点集中的坐标点到第二坐标点集中对应坐标点的最短路径；
将获取的n条最短路径上的所有坐标点进行集合，得到目标点集。
9.一种主动脉窦管交界平面自动提取装置，其特征在于，所述装置包括：
掩膜图像获取模块：用于获取包含升主动脉和三瓣窦的局部掩膜图像；
三维重建模块：用于对所述局部掩膜图像进行三维重建得到三维网格模型；
特征点获取模块：用于获取所述局部掩膜图像在Y轴方向的所有切面上的轮廓的特征点；
区分平面拟合模块：用于获取所述局部掩膜图像在Y轴方向的每个切面的中点坐标以及最远点坐标，根据所述每个切面的中点坐标以及最远点坐标拟合出区分平面；
聚类模块：用于将所述所有切面上的轮廓的特征点转换成实际的空间坐标点，通过聚类方法将空间坐标点按距离远近分成m个类；
映射模块：用于选取所述区分平面两侧的最大数量的类，在选取的两个类中随机各选取n个点，并在所述三维网格模型中获取到对应的点；
交界平面拟合模块：用于在所述三维网格模型上获取每两个点之间的最短路径上的所有点，将所有点进行集合，得到目标点集，根据所述目标点集拟合出主动脉窦管交界平面。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现如权利要求1-8任一项所述的一种主动脉窦管交界平面自动提取方法中的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410748465.9A CN118334273B (zh) | 2024-06-12 | 2024-06-12 | 一种主动脉窦管交界平面自动提取方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410748465.9A CN118334273B (zh) | 2024-06-12 | 2024-06-12 | 一种主动脉窦管交界平面自动提取方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118334273A true CN118334273A (zh) | 2024-07-12 |
| CN118334273B CN118334273B (zh) | 2024-08-23 |
Family
ID=91766496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410748465.9A Active CN118334273B (zh) | 2024-06-12 | 2024-06-12 | 一种主动脉窦管交界平面自动提取方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118334273B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118505500A (zh) * | 2024-07-19 | 2024-08-16 | 柏意慧心(杭州)网络科技有限公司 | 点云数据拼接方法、点云数据拼接装置、介质及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001080185A1 (en) * | 2000-04-14 | 2001-10-25 | General Electric Company | Method and apparatus for three-dimensional reconstruction of angiograms |
| US20080262814A1 (en) * | 2007-04-23 | 2008-10-23 | Yefeng Zheng | Method and system for generating a four-chamber heart model |
| US20080273777A1 (en) * | 2005-10-21 | 2008-11-06 | Vincent Luboz | Methods And Apparatus For Segmentation And Reconstruction For Endovascular And Endoluminal Anatomical Structures |
| CN114072088A (zh) * | 2019-05-09 | 2022-02-18 | 物化股份有限公司 | 具有自动化缺损定量的手术计划系统 |
| CN114359437A (zh) * | 2021-11-02 | 2022-04-15 | 杭州富阳富创大数据产业创新研究院有限公司 | 基于点云的建筑结构二维平面图重建方法 |
| CN114399594A (zh) * | 2021-12-28 | 2022-04-26 | 深圳先进技术研究院 | 一种基于中心线提取的血管壁影像自动曲面重建方法 |
| US20230119535A1 (en) * | 2021-10-14 | 2023-04-20 | Feops Nv | Systems and methods for automatically detecting anatomical features for preoperative cardiac implant simulations |
| CN116250919A (zh) * | 2023-01-30 | 2023-06-13 | 上海交通大学 | X射线成像脊柱三维模型建立方法、装置及设备 |
| CN117788717A (zh) * | 2024-01-22 | 2024-03-29 | 北京理工大学 | 一种冠脉三维模型构建系统及其构建方法 |
| CN117912687A (zh) * | 2023-12-29 | 2024-04-19 | 中国人民解放军空军军医大学 | 一种二叶式主动脉瓣患者经导管主动脉瓣置换术后瓣周漏的个体化精准评估方法 |
-
2024
- 2024-06-12 CN CN202410748465.9A patent/CN118334273B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001080185A1 (en) * | 2000-04-14 | 2001-10-25 | General Electric Company | Method and apparatus for three-dimensional reconstruction of angiograms |
| US20080273777A1 (en) * | 2005-10-21 | 2008-11-06 | Vincent Luboz | Methods And Apparatus For Segmentation And Reconstruction For Endovascular And Endoluminal Anatomical Structures |
| US20080262814A1 (en) * | 2007-04-23 | 2008-10-23 | Yefeng Zheng | Method and system for generating a four-chamber heart model |
| CN114072088A (zh) * | 2019-05-09 | 2022-02-18 | 物化股份有限公司 | 具有自动化缺损定量的手术计划系统 |
| US20230119535A1 (en) * | 2021-10-14 | 2023-04-20 | Feops Nv | Systems and methods for automatically detecting anatomical features for preoperative cardiac implant simulations |
| CN114359437A (zh) * | 2021-11-02 | 2022-04-15 | 杭州富阳富创大数据产业创新研究院有限公司 | 基于点云的建筑结构二维平面图重建方法 |
| CN114399594A (zh) * | 2021-12-28 | 2022-04-26 | 深圳先进技术研究院 | 一种基于中心线提取的血管壁影像自动曲面重建方法 |
| WO2023124830A1 (zh) * | 2021-12-28 | 2023-07-06 | 深圳先进技术研究院 | 一种基于中心线提取的血管壁影像自动曲面重建方法 |
| CN116250919A (zh) * | 2023-01-30 | 2023-06-13 | 上海交通大学 | X射线成像脊柱三维模型建立方法、装置及设备 |
| CN117912687A (zh) * | 2023-12-29 | 2024-04-19 | 中国人民解放军空军军医大学 | 一种二叶式主动脉瓣患者经导管主动脉瓣置换术后瓣周漏的个体化精准评估方法 |
| CN117788717A (zh) * | 2024-01-22 | 2024-03-29 | 北京理工大学 | 一种冠脉三维模型构建系统及其构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 方奥;郑敏;: "基于反求工程的人体下肢骨骼的三维重建", 制造业自动化, no. 02, 25 January 2014 (2014-01-25) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118505500A (zh) * | 2024-07-19 | 2024-08-16 | 柏意慧心(杭州)网络科技有限公司 | 点云数据拼接方法、点云数据拼接装置、介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118334273B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cao et al. | Fully automatic segmentation of type B aortic dissection from CTA images enabled by deep learning | |
| Aykac et al. | Segmentation and analysis of the human airway tree from three-dimensional X-ray CT images | |
| 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 | |
| CN118334273B (zh) | 一种主动脉窦管交界平面自动提取方法、装置及存储介质 | |
| CN110490040B (zh) | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 | |
| Zhou et al. | Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images | |
| Niessen et al. | Multiscale segmentation of three-dimensional MR brain images | |
| EP3352135B1 (en) | Method and apparatus for segmentation of blood vessels | |
| CN110533656B (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
| US20080317308A1 (en) | System and methods for image segmentation in N-dimensional space | |
| JP2011514190A (ja) | 画像内の解剖学的構造のセグメンテーションおよびモデリングのための方法およびシステム | |
| US10235759B2 (en) | Method for cell envelope segmentation and visualisation | |
| WO2009103046A2 (en) | Medical image reporting system and method | |
| JP2006519634A (ja) | 自動三次元病変セグメント化および測定を行なうためのシステムおよび方法 | |
| US9129391B2 (en) | Semi-automated preoperative resection planning | |
| WO2006000953A1 (en) | Displaying a tracheobronchial tree | |
| CN106296660B (zh) | 一种全自动冠状动脉分割方法 | |
| Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
| Li et al. | Medical image segmentation in oral-maxillofacial surgery | |
| Deng et al. | Graph cut based automatic aorta segmentation with an adaptive smoothness constraint in 3D abdominal CT images | |
| CN114757960B (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
| CN112136157A (zh) | 根据图像对牙齿牙髓区域分割的方法、系统和计算机程序 | |
| Yim et al. | Correction of segmented lung boundary for inclusion of pleural nodules and pulmonary vessels in chest CT images | |
| CN106651842A (zh) | 一种ct影像肺结节种子点自动获取和分割方法 | |
| CN111080556A (zh) | 一种强化ct图像气管壁增强方法、系统、设备及介质 |
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 |