基于经筋三联法联合医学影像的穴位智能标记系统的制作方法

摘要: 本发明涉及医学图像处理,具体涉及一种基于经筋三联法联合医学影像的穴位智能标记系统。背景技术:1、传统穴位定位主要依赖于医生的解剖学经验和体表解剖标志,但由于不同...
基于经筋三联法联合医学影像的穴位智能标记系统的制作方法

本发明涉及医学图像处理,具体涉及一种基于经筋三联法联合医学影像的穴位智能标记系统。

背景技术:

1、传统穴位定位主要依赖于医生的解剖学经验和体表解剖标志,但由于不同患者的个体体型差异、动作状态变化等因素,穴位定位存在显著的主观性与误差,限制了临床精准定位的标准化发展。

2、现有技术中,采用计算机辅助技术,基于单一的ct或mri等医学影像实现穴位的自动标记;但由于同一类型软组织交界区在不同个体间的解剖形态与分布区域存在较大差异,且往往呈现多组分交杂、边界模糊的特点,仅依赖常规的单一影像特征或简单的图像分割算法进行目标识别与定位,容易出现边界截断与组织误判等问题,穴位标记的准确性较差。

技术实现思路

1、为了解决同一类型软组织交界区在不同个体间的解剖形态与分布区域存在较大差异,且往往呈现多组分交杂、边界模糊的特点,穴位标记的准确性较差的技术问题,本发明的目的在于提供一种基于经筋三联法联合医学影像的穴位智能标记系统,所采用的技术方案具体如下:

2、本发明提出了一种基于经筋三联法联合医学影像的穴位智能标记系统,所述系统包括:

3、图像获取模块,用于获取三维空间下穴位区域的ct图像和对应的mri图像;

4、穴位特征分析模块,用于根据不同体素点在ct图像上的ct值、mri图像上的信号强度以及不同图像上的梯度值,获得多个体素点簇;根据每个体素点簇中边缘体素点的位置分布,以及局部ct值分布,获得每个体素点簇的组织边界密度特征程度;根据每个体素点簇中体素点在不同序列mri图像的信号强度分布、以及组织边界密度特征程度,获得每个体素点簇的穴位软组织特征系数;

5、穴位程度量化模块,用于根据每个体素点簇的组织边界密度特征程度以及穴位软组织特征系数,获得每个体素点簇的影像边界综合特征系数;根据不同体素点簇的影像边界综合特征系数分布,筛选出穴位可能体素点簇;根据每个穴位可能体素点簇的相邻体素点簇中ct值和信号强度分布,以及影像边界综合特征系数,获得每个穴位可能体素点簇的穴位程度;

6、穴位标记模块,用于根据每个穴位可能体素点簇的穴位程度,对穴位进行标记。

7、进一步地,所述体素点簇的获取方法包括:

8、获得每个体素点在ct图像上的ct值、不同序列mri图像上的信号强度以及不同图像上的梯度值所构成的多维特征向量;获得不同体素点的多维特征向量之间的相对距离,对所有体素点进行dbscan算法,获得多个体素点簇。

9、进一步地,所述组织边界密度特征程度的获取方法包括:

10、获得每个体素点簇中所有边缘体素点构成的多个连续曲面;

11、获得每个连续曲面的最小外接长方体内曲面两边之间所有体素点的ct均值差异,作为每个连续曲面的分隔特征系数;

12、获取每个连续曲面与其他连续曲面之间前预设数量个主成分构成平面的夹角均值,作为每个连续曲面的排列特征系数;获得不同连续曲面的分隔特征系数和排列特征系数之间的比值均值,并进行归一化,作为每个体素点簇的组织边界密度特征程度。

13、进一步地,所述穴位软组织特征系数的获取方法包括:

14、根据每个体素点簇中不同体素点在不同序列mri图像的信号强度分布,获得第一特征系数,以及第二特征系数;

15、将组织边界密度特征程度对第一特征系数进行加权,作为第一加权值;计算正整数1和组织边界密度特征程度之间的差值,将差值结果对第二特征系数加权,作为第二加权值;获得第一加权值和第二加权值之和,作为穴位软组织特征系数。

16、进一步地,所述第一特征系数的获取方法包括:

17、获得每个体素点簇中每个体素点在mri图像对应t2序列和t1序列之间信号强度的强度差异;

18、获得所有体素点的强度差异均值,并进行归一化映射,作为第一特征系数。

19、进一步地,所述第二特征系数的获取方法包括:

20、利用otsu阈值对每个体素点簇在t2序列mri图像中的信号强度进行二值分割后,进行连通域检测,得到多个高信号连通域和低信号连通域;

21、获取每个高信号连通域质心指向相邻低信号连通域质心方向的直线;若直线穿过低信号连通域的后一个连通域为高信号连通域,将对应直线作为目标直线;获得目标直线经过每个连通域在t2序列对应信号强度均值和信号强度方差之间的乘积,作为第一乘积;

22、获得经过两个高信号连通域和低信号连通域之间第一乘积的比值均值,并进行归一化映射,作为第二特征系数。

23、进一步地,所述影像边界综合特征系数的获取方法包括:

24、计算每个体素点簇的组织边界密度特征程度和穴位软组织特征系数之间的均值,作为每个体素点簇的影像边界综合特征系数。

25、进一步地,所述穴位可能体素点簇的获取方法包括:

26、获得每个体素点簇的影像边界综合特征系数的递减序列,获得递减序列中相邻元素的差异;

27、选取差异最大时对应两个影像边界综合特征系数中最大的,作为目标特征系数;若存在影像边界综合特征系数大于或等于目标特征系数,将对应影像边界综合特征系数的体素点簇作为穴位可能体素点簇。

28、进一步地,所述穴位程度的获取方法包括:

29、选取任一穴位可能体素点簇与其相邻穴位可能体素点簇,作为待分类点簇;对于任一待分类点簇,获得所有体素点的ct值均值和ct值波动程度的乘积,作为第一可能系数;获得所有体素点在每个序列mri图像上信号强度的波动程度和信号强度均值的比值,作为第二可能系数;

30、根据不同相邻待分类点簇对应第一可能系数和第二可能系数构成数组之间的相对距离,对所有待分类点簇进行k-means聚类,获得多个聚类簇;

31、根据聚类簇的数量和预设数量之间的差异,以及影像边界综合特征系数,获得穴位程度。

32、进一步地,所述穴位程度的获取方法包括:

33、对聚类簇的数量和预设数量之间的差异进行负相关归一化,计算负相关归一化结果和影像边界综合特征系数之间的乘积,作为穴位程度。

34、本发明具有如下有益效果:

35、本发明根据不同体素点在ct图像和mri图像上的ct值、信号强度以及不同图像上的梯度值,获得多个体素点簇,更准确地区分不同性质的组织,将图像分割成多个性质相似的体素集合;根据每个体素点簇中边缘体素点的位置分布,以及局部ct值分布,获得每个体素点簇的组织边界密度特征程度,表示组织结构边界分层等穴位特征的明显程度;根据每个体素点簇中每个体素点在不同序列mri图像的信号强度分布,获得每个体素点簇的穴位软组织特征系数,量化具备穴位所处软组织结构特征的有效性;根据每个体素点簇的组织边界密度特征程度以及穴位软组织特征系数,获得每个体素点簇的影像边界综合特征系数,将多个特征汇成一个核心指标,便于后续对所有簇进行统一的排序、比较和筛选;根据不同体素点簇的影像边界综合特征系数分布,筛选出穴位可能体素点簇,缩小了候选范围,将分析重点集中在最有可能的少数目标上;根据每个穴位可能体素点簇的相邻体素点簇中ct值和信号强度分布,以及影像边界综合特征系数,获得每个穴位可能体素点簇的穴位程度,评估出现穴位特征的程度;对穴位进行标记。本发明通过准确获得每个体素点簇的穴位程度,提高穴位定位的准确性。