一种脊椎特征点自动识别方法
【技术领域】
[0001] 本发明属于医学图像处理领域，尤其设及到脊椎部位的特征点识别和标定的方 法。
【背景技术】
[0002] 特征点是计算机视觉和图像处理的一个概念，特征点是指图像中某个具体的点存 在着区别于该点周围的其他点的特征信息。具体的应用领域对特征点的定义不同；在二维 图像中，特征点可W概括为角点，边缘和脊。在=维模型中，特征点一般可W定义为外凸点， 内凹点，模型边缘。特征点标定是指识别并且标记出给定对象上符合特征点定义的特殊点 集。特征点标定是图像处理和应用的重点研究领域，将特征点标定应用到医学图像能够为 医学诊断提供参考数据，避免人为因素导致的失误。脊椎是人体的重要支撑骨骼，特征点标 定可W应用到脊椎的诊疗中的病灶定位，椎体测量，虚拟手术等过程中。
[0003] 然而由于椎体结构复杂，目前脊椎特征点识别的主要集中在手动和半自动方面。 手动方法操作步骤主要是依靠操作者的经验，通过特定仪器，直接在给定的椎体上面标记 出特征点的位置。半自动主要是在手动操作的基础上，计算机通过高斯曲率等方法对人为 手动标记的位置进行微调，从而降低手动特征点标定的误差。该两种方法对操作人员和仪 器的要求高，且效率低。因此，研究脊椎特征点自动标定算法尤为必要。
[0004] 由于脊椎结构复杂，使得直接将=维模型特征点自动标定算法应用到脊椎模型中 无法达到令人满意的效果。具体原因是：
[0005] 1.脊椎存在椎孔，椎孔的存在会导致椎孔表面的法向量与正常模型的法向量相 反。
[0006] 2.单个椎体模型的中屯、点可能存在不在模型内部的情况。当模型中屯、点位于模型 外部时，会导致传统=维特征点标定中点法向量的计算存在较大偏差。
【发明内容】
[0007] 针对上述现有技术中存在的问题，本发明的目的在于，提供一种脊椎特征点自动 识别方法，准确、快速、自动、有效地完成脊椎特征点的识别过程。
[000引为了实现上述任务，本发明采用W下技术方案：
[0009] -种脊椎特征点自动识别方法，包括W下步骤：
[0010] 步骤一，对人体脊椎的CT图像进行=维重建，得到脊椎的=维模型，对该=维模 型进行切割，获得要提取特征点的椎体；
[0011] 步骤二，对要提取特征点的椎体模型进行网格划分；
[0012] 步骤S，确定划分后网格中每个顶点法向量计算时的阔值环数；
[0013] 步骤四，计算每个顶点的法向量；
[0014] 步骤五，计算每个顶点周围阔值环数范围内其他顶点与该顶点法向量夹角总和；
[0015] 步骤六，对所有顶点的按照步骤五计算出的法向量夹角总和进行降序排列；
[0016] 步骤走，对所有顶点进行非极大值抑制；
[0017] 步骤八，输出脊椎模型特征点。
[0018] 进一步地，所述的步骤S的具体过程如下：
[0019] 步骤S30,对于网格中的每一个顶点，按照下面的公式计算其自适应邻域面积：
[0020]
[002。 上式中，n是该椎体模型上顶点总数，a-ring(Vi)是指网格化后模型中顶点Vi周围a环范围，Cj为顶点Vi周围a环范围内的一个S角面片，area(Cj)为S角面片Cj的面积，a 的取值为山4];
[0022] 步骤S31，按照下述循环算法确定顶点的阔值环数ki:
[0023]a.令ki=l;
[0024] b.计算顶点Vi周围ki环内所有；角片面的面积之和d ;
[00幼C.如果d<自适应邻域面积，则ki=k1+1，并返回步骤b，否则得到ki。
[0026] 进一步地，步骤四中，顶点法向量的计算公式如下：
[0027]
[002引上式中，ki-ring(Vi)表示顶点Vi周围的ki环邻域范围，area(cj)表示S角面片cj的面积，为计算出来的向量和，犀岸示立角面片Cj斯单位法向量，'\为顶点Vi 的法向量。
[0029] 进一步地，步骤五中，法向量夹角总和D(Vi)的计算公式如下：
[0030]
[00引]上式中，ki-ring(Vi)表示顶点Vi周围ki环邻域范围，Vj为处于ki环邻域范围内 除了^^1之外的每个顶点，兩^为顶点^^1的法向量，或^.为顶点^^,斯法向量。
[0032] 进一步地，步骤走中，非极大值抑制的具体过程为：
[0033] 对于两个顶点距离小于抑制范围r的情况，保留特征值D(Vi)最大的点，舍弃特征 值较小的点；特征值D(Vi)最大的点即为特征点。
[0034] 本发明具有W下技术特点：
[00巧]1.特征点提取过程全自动，无需手动提取，算法效率较高。该方法通过输入建模好 的椎体模型，能够自动标记出椎体模型中特征点的位置；此外，该方法每个顶点只需计算一 次，算法复杂度与模型顶点数量成线性关系，算法效率高。
[0036] 2.本方法针对脊椎的结构特点进行专口优化。已有的=维模型特征点自动标定方 法中，顶点向量是定义为顶点与模型中屯、原点的向量差。当模型中屯、原点位于模型外部时， 该种方式定义出来的顶点向量无法准确地表达顶点的变化程度，从而无法筛选出模型中的 特征点。本方法通过把模型顶点法向量定义为周围=角面片向量的矢量叠加，能够有效地 解决模型椎孔和模型中屯、点外置的问题。
[0037] 3.实验表明该方法对脊椎模型，尤其是腰椎模型上进行特征点识别上能够达到较 好的效果。
【附图说明】
[0038] 图1为本发明方法的流程图；
[0039] 图2为ScanIP模块计算时的示意图；
[0040] 图3为构建出来的腰椎L3 S维模型；
[0041] 图4为腰椎L3的网格化后的S维模型；
[0042] 图5为a环邻域范围的说明图；
[0043] 图6 (a)为定义特征点斜俯视图；
[0044] 图6化）为定义特征点斜仰视图；
[0045] 图6 (C)为定义特征点俯视图；
[0046] 图6(d)为定义特征点仰视图；
[0047] 图6 (e)为定义特征点左视图；
[0048] 图6(f)为定义特征点右视图；
[0049] 图6(g)为定义特征点后视图；
[0050] 图6化）为定义特征点前视图；
[0051] 图7 (a)为本方法结果俯视图；
[0052] 图7(b)为本方法结果仰视图；
[0053] 图7(c)为本方法结果左视图；
[0054] 图7(d)为本方法结果右视图；
[00巧]图7 (e)为本方法结果后视图；
[0056] 图7(f)为本方法结果前视图；
[0057] 图8 (a)为方法1结果俯视图；
[005引图8化）为方法1结果仰视图；
[0059] 图8 (C)为方法1结果左视图；
[0060] 图8 (d)为方法1结果右视图；
[006。图8(e)为方法1结果后视图；
[0062] 图8讯为方法1结果前视图；
[0063] 图9 (a)为方法2结果俯视图；
[0064] 图9化）为方法2结果仰视图；
[0065] 图9(C)为方法2结果左视图；
[0066] 图9 (d)为方法2结果右视图；
[0067] 图9 (e)为方法2结果后视图；
[006引图9讯为方法2结果前视图；
【具体实施方式】
[0069] 为了使本发明的目的，技术方案及优点更加清楚，W下结合实例，对本发明进行进 一步详细说明。
[0070] 结合本方法的流程图1，分别展示应用本方法在人体腰椎L3上特征点识别的过 程和结果。该模型在论文（WangY,化B,DaiJ.T虹ee-DimensionalFiniteElement ForceAnalysisandSimulationofHumanSpinalLumbarSegment[J].Journalof ConvergenceInformationTechnology, 2013, 8(4).)中得到验证。
[0071] 步骤一，对人体脊椎的CT图像进行=维重建，得到脊椎的=维模型，对该=维模 型进行切割，获得要提取特征点的椎体；
[007引如图2所示，对CT数据进行增强和阔值提取后，分割出目标椎体的范围，得到如图 3所示的S维模型。具体构建和分割过程，可通过simpleware软件的Scan IP模块进行进行， 在构建过程中，利用前期图像增强，中期图像阔值分割和区域生长算法，后期去噪点S个步 骤保证模型的准确。
[0073] 步骤二，对要提取特征点的椎体进行网格划分；
[0074] 将单个椎体设置网格相应的参数，利用simpleware软件的ScanIP模块生成模型 的=角面片格式。利用该方式生成的=角面片能够自动优化局部复杂结构的网格划分，在 保证整体网格质量的同时，降低网格数量，简化操作流程。本例中，利用ScanIP模块将腰椎 L3表面数据转化为网格后输出Ascii码格式的S化文件。划分后的网格模型如图4所示。
[0075] 步