1.一种面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于该方法包括:
(1)依次提取每层骨骼CT序列图像中骨骼的二维轮廓数据;
(2)将形成的二维轮廓数据集转化为带有法向量的三维点云;具体包括:
(2-1)对二维轮廓数据集中每层二维轮廓的内部图像进行边缘填充,以轮廓边缘为约束,对轮廓边缘内部连通区域进行八向连通填充为白色,轮廓外部边缘连通区域填充为黑色,形成轮廓二值图像;
(2-2)对多层轮廓二值图像的序列形成的三维体素集V进行三维高斯滤波,得到滤波后的体素集V',其中,三维高斯滤波函数表达式如下:
式中[x,y]表示轮廓像素点所在的CT图像平面内坐标,z为切片的层数所在的坐标,σ是标准偏差;
(2-3)使用空间Prewitt算子计算二维轮廓的像素点所在的体素位置处的梯度;
(2-4)通过二维轮廓像素点所在的体素位置梯度计算出二维轮廓像素点的单位法向量,计算表达式如下:
式中,ni是法向量,是二维轮廓像素点所在的体素位置pi的梯度;
(2-5)依次提取每层图像的像素空间位置pi(x,y,z),得到三维点云数据n表示点数;
(3)根据三维点云构建骨骼模型的隐式曲面;
(4)对骨骼隐式曲面进行自适应图元采样;
(5)对采集的自适应图元集进行三角化,形成骨骼网格模型。
2.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于:步骤(1)具体包括:
依次提取每层骨骼CT序列图像中骨骼的轮廓边缘、细化、连接、轮廓追踪,获取单像素封闭的骨骼二维轮廓,形成二维轮廓数据集。
3.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于:步骤(3)具体包括:
(3-1)使用kd-tree把三维点云数据P分解为m个局部子区域,在每个局部子区域上建立局部隐式曲面;
(3-2)使用加权函数将局部隐式曲面进行拼接,形成完整的隐式曲面。
4.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于:步骤(4)具体包括:
(4-1)对骨骼的隐式曲面进行图元采样,并计算所有采样图元的高斯曲率;
(4-2)利用高斯曲率,使采样图元在骨骼表面自适应分布,得到自适应图元。
5.根据权利要求1所述的面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于:步骤(5)具体包括:
(5-1)计算每个自适应图元对应的法向量;
(5-2)根据法向量,使用Delaunay三角剖分对自适应图元集进行三角化,形成自适应分布的骨骼三角网格模型。
6.根据权利要求3所述的面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于:
步骤(3-1)中所述的局部子区域上建立局部隐式曲面,具体包括步骤:
a)对于局部隐式小曲面的建立,首先定义每个局部子区域坐标系(u,v,w),其中,(u,v)作为局部平面坐标,w作为平面正交方向,使用正交多项式基,计算局部子区域坐标系下的正交多项式hi(u,v):
式中,β1=1,wj表示局部正交方向,xj表示未知量;
再根据正交多项式hi(u,v)构造出局部拟合函数Qi(x)=Qi(u,v,w)=w-hi(u,v),其中(u,v,w)是x在局部子区域坐标系中的坐标;
b)对于局部隐式大曲面的建立,使用三维二次曲面函数进行曲面重建,此时局部拟合函数为Qi(x)=xTAx+bTx+c,其中A是3×3对称矩阵,b是空间向量,c为常系数,
步骤(3-2)具体包括步骤:
每个局部子区域包含在半径为Ri的圆球内,每个圆球内,局部拟合函数Qi(x)通过最小二乘法拟合,通过加权函数将局部拟合函数Qi(x)在欧式空间Ω中进行叠加形成完整隐式曲面f(x),表达式如下:
式中,权重函数wi(x)为非均匀有理B样条函数,ci为圆球的球心。
7.根据权利要求4所述的面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于:步骤(4-2)具体包括:
计算采样图元之间的排斥能量Ei和采样图元的移动速度vi,并更新图元的位置,使采样图元根据骨骼表面高斯曲率自适应分布;其中排斥能量Ei的表达式如下:
其中Ki是采样图元qi的高斯曲率,Eij是采样图元qi和采样图元qj之间的排斥能量,因为σi≠σj,所以Eij≠Eji,μ是排斥参数,|rij|是采样图元qi和采样图元qj之间的距离,σi是采样图元间排斥半径,采样图元的移动速度vi为排斥能量Ei的导数,表达为:
8.根据权利要求5所述的面向骨骼CT序列图像的网格模型自适应重建方法,其特征在于:步骤(5-1)中,自适应图元qi对应的法向量Ni(qi),其中是图元qi处的梯度值。