[go: up one dir, main page]

CN108784705B - 一种关节图像高性能分析方法 - Google Patents

一种关节图像高性能分析方法 Download PDF

Info

Publication number
CN108784705B
CN108784705B CN201810524306.5A CN201810524306A CN108784705B CN 108784705 B CN108784705 B CN 108784705B CN 201810524306 A CN201810524306 A CN 201810524306A CN 108784705 B CN108784705 B CN 108784705B
Authority
CN
China
Prior art keywords
cartilage
edge
image
map
distance
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.)
Expired - Fee Related
Application number
CN201810524306.5A
Other languages
English (en)
Other versions
CN108784705A (zh
Inventor
王乾
宣锴
项磊
刘畅
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.)
Shanghai Jiao Tong University
Original Assignee
Shanghai Jiao Tong University
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 Shanghai Jiao Tong University filed Critical Shanghai Jiao Tong University
Priority to CN201810524306.5A priority Critical patent/CN108784705B/zh
Publication of CN108784705A publication Critical patent/CN108784705A/zh
Application granted granted Critical
Publication of CN108784705B publication Critical patent/CN108784705B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种关节图像高性能分析方法，包括以下步骤：软骨图像获取步骤、二值图像获取步骤、软骨内外层表面初始化，快速卷积求解拉普拉斯方程，快速距离转换；所述图像为软骨分割结果的二值图像；在软骨内外层表面初始化过程中，需要软骨对应软骨下骨分割结果图像提供位置参考信息。本发明可以应用在软骨分割结果的二值图像的处理上，例如可以通过对膝关节序列磁共振图像软骨分割结果进行分析，对骨关节炎病程中软骨的厚度变化分析提供辅助信息。软骨的结构和功能变化是骨关节炎临床诊断的重要特征。关于膝关节软骨厚度精准的计算，对于骨关节炎的治疗和诊断具有重要意义。

Description

一种关节图像高性能分析方法
技术领域
本发明涉及图像处理领域，具体为一种关节图像高性能分析方法。
背景技术
三维立体医学图像应用广泛，常见的图像形式包括磁共振成像(MRI)、CT等。三维立体医学图像的图像数据，是指用数值表示的各像素灰度值的集合。在进行图像数据分析时，特别是对于三维立体医学图像分析时，如何快速从中提取定量的临床诊断指标，是目前需要解决的问题。
发明内容
本发明的目的是：提供一种关节图像高性能分析方法，能够根据软骨的分割结果和图像的空间分辨率，计算软骨处的厚度。
实现上述目的的技术方案是：一种关节图像高性能分析方法，包括以下步骤：软骨图像获取步骤；二值图像获取步骤，用以获取所述软骨图像的分割图像，所述分割图像中包括软骨区域和非软骨区域，将所要计算的非软骨区的灰度值设为0，并对软骨区域的像素点进行二值化处理获得二值图像；软骨内外层表面初始化步骤，用像素点标记在所述二值图像中标记软骨的内外表面，所标定的像素点标记作为求解拉普拉斯方程的边界条件；快速卷积求解拉普拉斯方程步骤，用以根据边界条件，通过卷积算法求解拉普拉斯方程，在二值图像中得到一个有源场；快速距离转换步骤，用以根据求得的有源场以及二值图像的空间分辨率，得到软骨各个部位的对应厚度。
进一步的，所述软骨内外层表面初始化步骤包括：软骨边缘距离梯度图谱生成步骤，计算软骨边缘距离图谱，并根据该图谱计算软骨边缘距离梯度图谱；软骨-软骨下骨边缘距离梯度图谱生成步骤，计算软骨-软骨下骨边缘距离图谱，并根据所述软骨-软骨下骨边缘距离图谱计算软骨-软骨下骨边缘距离梯度图谱；软骨上下表面标记步骤，计算软骨边缘距离梯度图谱和软骨-软骨下骨边缘距离梯度图谱对应位置梯度的内积，将内积大于0且位于软骨边缘的像素标记为软骨内表面，将内积小于0且位于软骨边缘的像素标记为软骨外表面。
所述快速卷积求解拉普拉斯方程步骤中，二维卷积核为：
Figure GDA0002657484740000021
进一步的，采用了GPU加速算法，采用卷积的方式实现了对给定边界条件下拉普拉斯方程的求解；拉普拉斯方程及其对应的边界条件为：
Figure GDA0002657484740000022
其中，
Figure GDA0002657484740000023
表示内软骨边缘像素点标记，
Figure GDA0002657484740000024
表示软骨外边缘像素点标记，
Figure GDA0002657484740000025
表示所求的有源场。
所述快速距离转换步骤包括有源场梯度方向图谱计算步骤，根据求解拉普拉斯方程得到的有源场，计算其对应的梯度方向图谱；边界距离计算步骤，通过求解下列偏微分方程的数值解，得到软骨内部各个像素点距离软骨内边缘和软骨外边缘的距离：
Figure GDA0002657484740000031
Figure GDA0002657484740000032
其中，L0和L1分别表示距离软骨内边缘和软骨外边缘的长度，
Figure GDA0002657484740000033
表示软骨内边缘像素点标记，
Figure GDA0002657484740000034
表示软骨外边缘像素点标记，
Figure GDA0002657484740000035
表示有源场梯度方向的单位向量；软骨厚度转换步骤，通过对L0和L1求和，得到软骨对应位置软骨的厚度W(x)，其中：
W(x)＝L0(x)+L1(x)
其中，L0(x)和L1(x)分别表示位于x处的像素点距离软骨内边缘和软骨外边缘的长度。
本发明的优点是：本发明的关节图像高性能分析方法，通过对软骨分割结果的二值图像进行处理，计算得到软骨各个部位的厚度，能够准确详细地评估软骨厚度，为临床诊断提供相关参考。
附图说明
下面结合附图和实施例对本发明作进一步解释。
图1是实施例1的图像数据分析统计方法步骤流程图。
图2是图1中步骤01)的具体流程图。
图3是图2中步骤03)的具体流程图。
具体实施方式
以下实施例的说明是参考附加的图式，用以例示本发明可用以实施的特定实施例。
本发明提供一种关节图像高性能分析方法，包括步骤01)-步骤05)，如图1所示。
步骤01)软骨图像获取步骤，采用核磁共振等方法获取三维立体医学图像，此方法为现有技术，对此不再赘述。
步骤02)二值图像获取步骤，用以获取所述软骨图像的分割图像，所述分割图像中包括软骨区域和非软骨区域。将所要计算的非软骨区的灰度值设为0以去除非软骨区，并对软骨区域的像素点进行二值化处理获得二值图像。
步骤03)软骨内外层表面初始化步骤，用以定位软骨的内外表面，并对其进行初始化；所述图像包括软骨分割结果的二值图像；对应软骨下骨分割结果的二值图像在步骤01)中会被作为参考数据，引入处理过程。在步骤03)中用像素点标记在所述二值图像中标记软骨的内外表面，所标定的像素点标记作为求解拉普拉斯方程的边界条件。具体的，如图2所示，步骤03)包括步骤031)-步骤033)。步骤031)软骨边缘距离梯度图谱生成步骤，计算软骨边缘距离图谱，并根据该图谱计算软骨边缘距离梯度图谱；步骤032)软骨-软骨下骨边缘距离梯度图谱生成步骤，计算软骨-软骨下骨边缘距离图谱，并根据所述软骨-软骨下骨边缘距离图谱计算软骨-软骨下骨边缘距离梯度图谱；步骤033)软骨上下表面标记步骤，计算软骨边缘距离梯度图谱和软骨-软骨下骨边缘距离梯度图谱对应位置梯度的内积，将内积大于0且位于软骨边缘的像素标记为软骨内表面，将内积小于0且位于软骨边缘的像素标记为软骨外表面。
步骤04)快速卷积求解拉普拉斯方程步骤，用以根据边界条件，通过卷积算法求解拉普拉斯方程，在二值图像中得到一个有源场和图像的空间分辨率信息。该步骤04)采用GPU加速和快速卷积的方式实现，用以求解给定边界条件下拉普拉斯方程；拉普拉斯方程的边界条件即为步骤03)得到的软骨内外边界。卷积算法中二维卷积核为：
Figure GDA0002657484740000051
步骤05)快速距离转换步骤，用以根据求得的有源场以及二值图像的空间分辨率，得到软骨各个部位的对应厚度；用以根据求解拉普拉斯方程得到的有源场和图像的空间分辨率信息，计算软骨厚度。具体的，如图3所示，步骤05)包括步骤051)-步骤053)。步骤051)有源场梯度方向图谱计算步骤，根据求解拉普拉斯方程得到的有源场，计算其对应的梯度方向图谱；步骤052)边界距离计算步骤，通过分别求解
Figure GDA0002657484740000052
和
Figure GDA0002657484740000053
的数值解，得到软骨内部各个像素点距离软骨内边缘和软骨外边缘的距离；其中L0和L1分别表示距离软骨内边缘和软骨外边缘的长度，
Figure GDA0002657484740000054
表示软骨内边缘像素点标记，
Figure GDA0002657484740000055
表示软骨外边缘像素点标记，
Figure GDA0002657484740000056
表示有源场梯度方向的单位向量；步骤053)软骨厚度转换步骤，通过对软骨-软骨内边缘距离图谱和软骨-软骨外边缘距离图谱求和，得到软骨厚度图谱。
本发明可以应用在软骨分割结果的二值图像的处理上，例如可以通过对膝关节序列磁共振图像软骨分割结果进行分析，对骨关节炎病程中软骨的厚度变化分析提供辅助信息。软骨的结构和功能变化是骨关节炎临床诊断的重要特征。关于膝关节软骨厚度精准的计算，对于骨关节炎的治疗和诊断具有重要意义。
通过对健康人群的膝关节不同位置的软骨厚度进行计算和统计分析，可以得到膝关节软骨厚度的图谱；通过对健康人群和骨关节炎患者膝关节不同位置的软骨厚度进行统计学分析，可以得到膝关节软骨在骨关节炎病程中的变化趋势；根据不同位置的变化趋势的差异，可以得到膝关节软骨对于骨关节炎的敏感区域。
以上仅为本发明的较佳实施例，本发明的使用范围并不限于此，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种关节图像高性能分析方法，其特征在于，包括以下步骤：
软骨图像获取步骤；
二值图像获取步骤，用以获取所述软骨图像的分割图像，所述分割图像中包括软骨区域和非软骨区域，将所要计算的非软骨区的灰度值设为0，并对软骨区域的像素点进行二值化处理获得二值图像；
软骨内外层表面初始化步骤，用像素点标记在所述二值图像中标记软骨的内外表面，所标定的像素点标记作为求解拉普拉斯方程的边界条件；
快速卷积求解拉普拉斯方程步骤，用以根据边界条件，通过卷积算法求解拉普拉斯方程，在二值图像中得到一个有源场；
快速距离转换步骤，用以根据求得的有源场以及二值图像的空间分辨率，
得到软骨各个部位的对应厚度。
2.根据权利要求1所述的关节图像高性能分析方法，其特征在于，所述软骨内外层表面初始化步骤包括：
软骨边缘距离梯度图谱生成步骤，计算软骨边缘距离图谱，并根据该图谱计算软骨边缘距离梯度图谱；
软骨-软骨下骨边缘距离梯度图谱生成步骤，计算软骨-软骨下骨边缘距离图谱，并根据所述软骨-软骨下骨边缘距离图谱计算软骨-软骨下骨边缘距离梯度图谱；
软骨上下表面标记步骤，计算软骨边缘距离梯度图谱和软骨-软骨下骨边缘距离梯度图谱对应位置梯度的内积，将内积大于0且位于软骨边缘的像素标记为软骨内表面，将内积小于0且位于软骨边缘的像素标记为软骨外表面。
3.根据权利要求1所述的关节图像高性能分析方法，其特征在于，所述快速卷积求解拉普拉斯方程步骤中，二维卷积核为：
Figure FDA0002657484730000021
4.根据权利要求3所述的所述的关节图像高性能分析方法，其特征在于，采用了GPU加速算法，采用卷积的方式实现了对给定边界条件下拉普拉斯方程的求解；拉普拉斯方程及其对应的边界条件为：
Figure FDA0002657484730000022
其中，
Figure FDA0002657484730000023
表示软骨内边缘像素点标记，
Figure FDA0002657484730000024
表示软骨外边缘像素点标记，
Figure FDA0002657484730000025
表示所求的有源场。
5.根据权利要求4所述的关节图像高性能分析方法，其特征在于，所述快速距离转换步骤包括
有源场梯度方向图谱计算步骤，根据求解拉普拉斯方程得到的有源场，计算其对应的梯度方向图谱；
边界距离计算步骤，通过求解下列偏微分方程的数值解，得到软骨内部各个像素点距离软骨内边缘和软骨外边缘的距离：
Figure FDA0002657484730000026
Figure FDA0002657484730000027
其中，L0和L1分别表示距离软骨内边缘和软骨外边缘的长度，
Figure FDA0002657484730000028
表示软骨内边缘像素点标记，
Figure FDA0002657484730000031
表示软骨外边缘像素点标记，
Figure FDA0002657484730000032
表示有源场梯度方向的单位向量；
软骨厚度转换步骤，通过对L0和L1求和，得到软骨对应位置软骨的厚度W(x)，其中：
W(x)＝L0(x)+L1(x)
其中L0(x)和L1(x)分别表示位于x处的像素点距离软骨内边缘和软骨外边缘的长度。
CN201810524306.5A 2018-05-28 2018-05-28 一种关节图像高性能分析方法 Expired - Fee Related CN108784705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810524306.5A CN108784705B (zh) 2018-05-28 2018-05-28 一种关节图像高性能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810524306.5A CN108784705B (zh) 2018-05-28 2018-05-28 一种关节图像高性能分析方法

Publications (2)

Publication Number Publication Date
CN108784705A CN108784705A (zh) 2018-11-13
CN108784705B true CN108784705B (zh) 2020-12-15

Family

ID=64090563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810524306.5A Expired - Fee Related CN108784705B (zh) 2018-05-28 2018-05-28 一种关节图像高性能分析方法

Country Status (1)

Country Link
CN (1) CN108784705B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010000305A (ja) * 2008-06-23 2010-01-07 Aloka Co Ltd 超音波診断装置
CN103456004A (zh) * 2013-07-30 2013-12-18 深圳市旭东数字医学影像技术有限公司 基于图像片状结构增强的关节软骨分割方法及其系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001296873A1 (en) * 2000-09-14 2002-03-26 Leland Stanford Junior University Technique for manipulating medical images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010000305A (ja) * 2008-06-23 2010-01-07 Aloka Co Ltd 超音波診断装置
CN103456004A (zh) * 2013-07-30 2013-12-18 深圳市旭东数字医学影像技术有限公司 基于图像片状结构增强的关节软骨分割方法及其系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A fully automated method for segmentation and thickness determination of hip joint cartilage from 3D MR data;Yoshinobu Sato 等;《International Congress Series》;20010630;第1230卷;全文 *
Computer-Aided Method for Quantification of Cartilage Thickness and Volume Changes Using MRI: Validation Study Using a Synthetic Model;Claude Kauffmann 等;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20030831;第50卷(第8期);全文 *

Also Published As

Publication number Publication date
CN108784705A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
US10318839B2 (en) Method for automatic detection of anatomical landmarks in volumetric data
US10198815B2 (en) Method and system for analyzing image data
KR102394321B1 (ko) 뼈를 따르는 인공 랜드마크를 이용한 3차원 영상들의 자동화된 왜곡 정정 및/또는 상호-정합을 위한 시스템 및 방법
US9361686B2 (en) Method and apparatus for the assessment of medical images
Ruppert et al. A new symmetry-based method for mid-sagittal plane extraction in neuroimages
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN101241596B (zh) 使用时间减影技术对间隔变化的视觉增强
CN110782428A (zh) 一种用于构建临床脑部ct图像roi模板的方法及系统
Poh et al. Automatic segmentation of ventricular cerebrospinal fluid from ischemic stroke CT images
CN107240103B (zh) 一种基于图像分割的数字体积相关算法中边界处理方法
Liu et al. Mutual information based three-dimensional registration of rat brain magnetic resonance imaging time-series
Yin et al. Automatic breast tissue segmentation in MRIs with morphology snake and deep denoiser training via extended Stein’s unbiased risk estimator
CN108784705B (zh) 一种关节图像高性能分析方法
Jia et al. Active contour model with shape constraints for bone fracture detection
CN103745467B (zh) 一种基于数字体积相关法的三维图像配准方法
del Toro et al. Hierarchical multi–structure segmentation guided by anatomical correlations
Wildeman et al. 2D/3D registration of micro-CT data to multi-view photographs based on a 3D distance map
Almakady et al. Volumetric texture analysis based on three-dimensional gaussian markov random fields for copd detection
Kumar et al. Improving visibility of stereo-radiographic spine reconstruction with geometric inferences
CN111166373B (zh) 一种定位注册方法、装置和系统
Doan et al. Deformation texture-based features for classification in Alzheimer's disease
Bab-Hadiashar et al. Quantification of smoothing requirement for 3D optic flow calculation of volumetric images
Azevedo et al. Segmentation and 3D reconstruction of animal tissues in histological images
CN118628648B (zh) 一种三维重建方法、装置、电子设备及存储介质
Orasanu et al. Tensor spectral matching of diffusion weighted images

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201215