[发明专利]一种基于高斯曲率流的脊椎特征点自动识别方法

说明书

技术领域

本发明属于医学图像处理技术领域，特别涉及一种基于高斯曲率流的脊椎特征点自动识别方法。

背景技术

脊椎位于背部正中，是人体的支撑骨骼，对人体的内脏有着重要的保护作用。由于近年来人们的生活和工作方式的改变，人们长期保持同一种姿势，致使脊椎的负担加重，脊椎疾病的发病率越来越高，但是因为脊椎复杂的结构以及脊椎手术本身的特点导致脊椎手术的难度很高，而且伴随着很大的风险。脊椎模型的精确定位和配准问题仍然是还没有解决的诊疗难题。

在脊椎模型的定位和配准中，主要任务是特征点的定位。为了标注特征点，一般是采用纯手动的标注的方法。这种方法标注出特征点不准确，导致数据的精度不高，模型匹配不准确。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提出一种基于高斯曲率流的脊椎特征点自动识别方法，能够有效提高特征点标注的准确性，从而提高数据测量精确度，具有精确度高、易于实现的特点。

为了实现上述目的，本发明采用的技术方案是：

一种基于高斯曲率流的脊椎特征点自动识别方法，步骤如下：

步骤一，对人体脊椎的CT图像进行三维重建，得到所需标注特征点的椎体三维模型；

步骤二，对步骤一得到的椎体模型进行网格划分；

步骤三，手动选取模型上某点，计算在手动选取点周围极小半径为R的球形空间内每个顶点的高斯曲率值的绝对值；

步骤四，选取手动选取点周围高斯曲率最大的n个点；

步骤五，对高斯曲率最大的n个点，分别与选取点作内积，夹角最小的即为所求的点。

所述步骤四和步骤五中的n≤5。

所述步骤三的具体过程如下：

步骤3-1，按照如下步骤计算出椎体模型上每个顶点的泰森多边形区域面积A_M：

a.遍历脊椎三维图像表面的三角面片，获得其三个顶点的坐标v0、v1和v2，并得出边向量e0＝v1-v0，e1＝v2-v1，e2＝v0-v2；

b.根据向量的点积公式，将边向量(e1,e2)、(e2,e0)和(e0,e1)分别带入，得到三角面片各个顶角的度数，再根据cell的拓扑关系，计算脊椎图像三维表面上每个点邻域三角形对应的角度和其中#f为三角形面片的个数；

c.计算由这三个顶点组成的三角形的面积A，同理根据cell的拓扑关系可得到每个点附近三角形的面积A_M；

步骤3-2，利用以下公式遍历计算范围内每个点的高斯曲率值：

其中，#f表示以点xi为顶点的三角形的数目，A_M为包含点xi的泰森多边形区域的面积。

所述步骤五的具体过程如下：

步骤5-1，利用以下公式计算高斯曲率值最大的n个点与手动选取点的两个向量内积：

＜p_i-O,p₀-O＞＝x_ix₀+y_iy₀+z_iz₀

其中，O为坐标系原点，p₀为手动选取点，p_i为平均曲率值最大的n个点之一；

步骤5-2，利用以下公式计算两向量的夹角θ：

与手动选取点夹角最小的点即为经过修正后的特征点。

与现有技术相比，本发明具有以下有益效果：

经过对手动选取点的高斯曲率修正后获得的特征点的精度比较高，且容易实现；算法只对手动选取的特征点周围r范围内n个顶点进行运算，效率较高；使用高斯曲率值自适应计算得到的特征点，经过对手动选取点的修正，较之前通过计算高斯曲率值手动选取特征点，更加趋近于真实特征点；较之通过平均曲率选取特征点，因为某个特征点的高斯曲率值远远大于其平均曲率值，固本改进算法能很好地避免由于人为因素产生的偏差，大大提高了特征点标注的准确性，对脊柱高发疾病的诊断和治疗具有一定的参考价值。

附图说明

图1为本发明方法的流程图。

图2(a)为三维重建得到人体脊椎模型正面图，2(b)为三维重建得到人体脊椎模型背面图。

图3(a)为模型区域生长分割原始图像，3(b)为模型区域生长分割结果图。