一种基于医学影像的物理模型构建方法及装置

1.本技术涉及医学影像领域技术领域，具体涉及一种基于医学影像的物理模型构建方法及装置。


背景技术：

2.随着计算机科学与技术的快速发展，医学仿真已经从单一的视觉仿真逐渐向物理仿真和生理仿真发展。以虚拟手术仿真为代表的基于物理的医学仿真的基础问题是生物软组织仿真建模，其主要任务是生物软组织的几何建模以及物理建模等。
3.对于生物软组织仿真建模，如今国内外已经对其进行了大量研究，主要提出了以下几种较为有效的方法：质点弹簧算法、有限元法、中心线描述法以及锁甲形变法。现有的建模方法都存在一定的局限性，如质点弹簧算法、中心线描述法以及锁甲形变法相对简单，难以反映生物软组织的真实变化，而有限元法较为复杂，运算量极大，需要大量的内存来进行演算，计算速度慢，难以实时预测形变。
4.以上大部分方法均采用统一的模板对生物软组织进行建模，无法真实反映患者的实际物理性质。


技术实现要素：

5.本技术提供了一种基于医学影像的物理模型构建方法及装置，解决了由于现有技术大部分方法均采用统一的模板对生物软组织进行建模，无法真实反映患者的实际物理性质的技术问题。
6.一方面，提供了一种基于医学影像的物理模型构建方法，所述方法包括：
7.获取目标医学影像；
8.基于所述目标医学影像的体素数量及体素强度值，对所述目标医学影像进行分割，获取各个三维体素模型；
9.针对每个三维体素模型，基于所述三维体素模型中的体素强度平均值及体素强度标准差，获得所述三维体素模型的类别；
10.基于所述各个三维体素模型的对应类别，获取所述各个三维体素模型对应的物理性质参数；
11.基于所述各个三维体素模型及所述各个三维体素模型的物理性质参数，建立所述目标医学影像对应的物理模型。
12.又一方面，提供了一种基于医学影像的物理模型构建装置，所述装置包括：
13.目标医学影像获取模块，用于获取目标医学影像；
14.三维体素模型获取模块，用于基于所述目标医学影像的体素数量及体素强度值，对所述目标医学影像进行分割，获取各个三维体素模型；
15.类别获取模块，用于针对每个三维体素模型，基于所述三维体素模型中的体素强度平均值及体素强度标准差，获得所述三维体素模型的类别；
16.物理性质参数获取模块，用于基于所述各个三维体素模型的对应类别，获取所述各个三维体素模型对应的物理性质参数；
17.物理模型建立模块，用于基于所述各个三维体素模型及所述各个三维体素模型的物理性质参数，建立所述目标医学影像对应的物理模型。
18.在一种可能的实施方式中，所述物理性质参数包括：密度、弹性、粘性、表面摩擦力及破坏阈值。
19.在一种可能的实施方式中，所述三维体素模型获取模块，还用于：
20.获取所述目标医学影像的体素强度值，并统计所述体素强度值的标准化直方图；
21.将所述标准化直方图等间距划分成多个一级分段；
22.获取每个所述一级分段的体素数量，并基于所述体素数量，将所述一级分段划分成多个二级分段；
23.根据所述多个二级分段的阈值范围，对所述目标医学影像进行阈值分割，以获得阈值分割结果；
24.对阈值分割结果中的各个连通域进行膨胀，并根据膨胀后的各个所述连通域获取各个三维体素模型。
25.在一种可能的实施方式中，所述三维体素模型获取模块，还用于：
26.获取所述目标医学影像中各个组织器官的种子点集；
27.获取所述种子点集的空间划分范围，并统计所述空间划分范围内的各个点对应的体素强度平均值及体素强度标准差；
28.基于所述各个点对应的体素强度平均值及体素强度标准差，在目标体素强度分布范围内，对所述目标医学影像进行区域增长分割；
29.根据区域增长分割结果获取各个三维体素模型。
30.在一种可能的实施方式中，所述物理模型建立模块，包括：
31.表面模型获取子模块，用于针对每个所述三维体素模型，基于所述三维体素模型的体素强度值分布，对所述各个三维体素模型进行表面重建，获取表面模型；
32.物理模型建立子模块，用于根据所述表面模型、所述各个三维体素模型及所述各个三维体素模型的物理性质参数，建立所述目标医学影像对应的物理模型。
33.在一种可能的实施方式中，所述表面模型获取子模块，包括：
34.子区域划分单元，用于针对每个所述三维体素模型，基于所述三维体素模型的体素强度值分布，将所述三维体素模型划分为各个子区域；
35.表面模型获取单元，用于根据所述各个子区域，对所述各个三维体素模型进行表面重建，获取表面模型。
36.在一种可能的实施方式中，所述子区域划分单元，包括：
37.统计所述三维体素模型内部的体素强度值分布、体素强度平均值及体素强度标准差；
38.基于统计结果，在目标体素强度分布范围内，对所述三维体素模型的体素强度值分布进行平均分段；
39.基于平均分段结果的上下界，对所述三维体素模型内部进行多分段的阈值分割，获取三维体素模型内部的多个子区域。
40.在一种可能的实施方式中，所述表面模型获取子模块，还用于：
41.以相邻子区域的边界为起始点进行分割，将所有子区域间的空间分配至不同的子区域，以使各个所述子区域的并集等于三维体素模型。
42.再一方面，提供了一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上述的一种基于医学影像的物理模型构建方法。
43.又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上述的一种基于医学影像的物理模型构建方法。
44.本技术提供的技术方案可以包括以下有益效果：
45.先基于目标医学影像的体素数量及体素强度值，对目标医学影像进行分割，获取各个三维体素模型以及对应的类别；再基于各个三维体素模型的对应类别，获取各个三维体素模型对应的物理性质参数，进而基于各个三维体素模型及各个三维体素模型对应的物理性质参数，建立目标医学影像对应的仿真的物理模型，本技术通过精细化的分析与分类，自动的构建一套个性化的物理模型，且该物理模型在物理性能上与真实人体具有高度一致性。
附图说明
46.为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1是根据一示例性实施例示出的一种基于医学影像的物理模型构建系统的结构示意图。
48.图2是根据一示例性实施例示出的一种基于医学影像的物理模型构建方法的方法流程图。
49.图3是根据一示例性实施例示出的一种基于医学影像的物理模型构建方法的方法流程图。
50.图4是根据一示例性实施例示出的一种基于医学影像的物理模型构建方法的方法流程图。
51.图5是根据一示例性实施例示出的一种基于医学影像的物理模型构建装置的结构方框图。
52.图6示出了本技术一示例性实施例示出的计算机设备的结构框图。
具体实施方式
53.下面将结合附图对本技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
54.应理解，在本技术的实施例中提到的“指示”可以是直接指示，也可以是间接指示，
还可以是表示具有关联关系。举例说明，a指示b，可以表示a直接指示b，例如b可以通过a获取；也可以表示a间接指示b，例如a指示c，b可以通过c获取；还可以表示a和b之间具有关联关系。
55.在本技术实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
56.图1是根据一示例性实施例示出的一种基于医学影像的物理模型构建系统的结构示意图。该分割系统中包含服务器110以及医学影像获取设备120。
57.可选的，该医学影像获取设备120可以为计算机体层摄影(computed tomography，ct)，用于获取三维的医学影像。
58.可选的，该医学影像获取设备120通过传输网络(如无线通信网络)与服务器110实现通信连接，该医学影像获取设备120可以通过无线通信网络，将采集到的医学影像上传至服务器110，以便服务器110对采集到的医学影像进行处理。
59.可选的，该服务器110还可以通过无线通信网络向该医学影像获取设备120进行无线通信连接。该服务器110可以是由多个物理服务器构成的服务器集群或者是分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等技术运计算服务的云服务器。
60.可选的，该系统还可以包括管理设备，该管理设备用于对该系统进行管理(如管理医学影像获取设备120中各个模块与服务器之间的连接状态等)，该管理设备与服务器之间通过通信网络相连。可选的，该通信网络是有线网络或无线网络。
61.可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网，但也可以是其他任何网络，包括但不限于局域网、城域网、广域网、移动、有限或无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言、可扩展标记语言等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层、传输层安全、虚拟专用网络、网际协议安全等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
62.图2是根据一示例性实施例示出的一种基于医学影像的物理模型构建方法的方法流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的服务器110。如图2所示，该物理模型构建方法可以包括如下步骤：
63.步骤s201、获取目标医学影像。
64.在一种可能的实施方式中，先获取目标医学影像，该目标医学影像可以为计算机体层摄影(computed tomography，ct)等三维的医学影像。该目标医学影像可以为健康人的全身计算机体层摄影(computed tomography，ct)，也可以为健康人的目标区域的计算机体层摄影(computed tomography，ct)，示例性的，该目标区域可以为胸腔。
65.可选的，该目标医学影像为需要进行物理建模的任一医学影像。
66.步骤s202、基于该目标医学影像的体素数量及体素强度值，对该目标医学影像进行分割，获取各个三维体素模型。
67.在一种可能的实施方式中，在获取目标医学影像后，统计该目标医学影像的体素
数量及体素强度值，而由于实际情况下，例如当目标医学影像是人体的胸腔影像时，胸腔内部的各个组织器官在ct影像中的表现不同(例如骨骼区域与心脏区域的体素分布显然是具有较大差异的)，因此可以根据ct影像中所表现出来的体素强度值以及体素数量，将ct影像分割为不同的模板区域。
68.例如，可以基于该模板医学影像的体素数量及体素强度值，利用阈值分割方法及区域增长分割方法，对该模板医学影像进行分割，获取各个模板区域。
69.步骤s203、针对每个三维体素模型，基于该三维体素模型中的体素强度平均值及体素强度标准差，获得该三维体素模型的类别。
70.在一种可能的实施方式中，在分割出各个三维体素模型后，针对每个三维体素模型，统计该三维体素模型中的体素强度平均值及体素强度标准差，从而获取体素强度值覆盖范围，根据体素强度值覆盖范围确定出该三维体素模型对应的类别(组织器官的解剖结构类型)。
71.其中，各个三维体素模型的类别对应该目标医学影像中各个组织器官。示例性的，该组织器官可以为胸腔内包含的胸骨、肋骨、脊椎、肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房、纵膈胸膜等等。
72.步骤s204、基于该各个三维体素模型的对应类别，获取该各个三维体素模型对应的物理性质参数。
73.在一种可能的实施方式中，在获取各个三维体素模型的类别后，由于各个三维体素模型的类别即代表着该三维体素模型所对应的组织器官，此时计算机设备可以根据该三维体素模型的类别、体素强度平均值及体素强度标准差，从预先训练好的分类模型中获取各个三维体素模型对应的物理性质参数，其中，示例性的，该物理性质参数可以包括：密度、弹性、粘性、表面摩擦力以及破坏阈值。
74.步骤s205、基于该各个三维体素模型及该各个三维体素模型的物理性质参数，建立该目标医学影像对应的物理模型。
75.在一种可能的实施方式中，在获取各个三维体素模型对应的物理性质参数后，基于该各个三维体素模型及该各个三维体素模型的物理性质参数，在具备物理引擎的三维可视化系统中建立相应的物理模型，即建立该目标医学影像在物理性能上与真实人体具有高度一致性的物理模型。
76.综上所述，先基于目标医学影像的体素数量及体素强度值，对目标医学影像进行分割，获取各个三维体素模型以及对应的类别；再基于各个三维体素模型的对应类别，获取各个三维体素模型对应的物理性质参数，进而基于各个三维体素模型及各个三维体素模型对应的物理性质参数，建立目标医学影像对应的仿真的物理模型，本技术通过精细化的分析与分类，自动的构建一套个性化的物理模型，且该物理模型在物理性能上与真实人体具有高度一致性。
77.图3是根据一示例性实施例示出的一种基于医学影像的物理模型构建方法的方法流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的服务器110。如图3所示，该物理模型构建方法可以包括如下步骤：
78.步骤s301、获取目标医学影像。
79.步骤s302、基于该目标医学影像的体素数量及体素强度值，对该目标医学影像进
行分割，获取各个三维体素模型。
80.在一种可能的实施方式中，获取该目标医学影像的体素强度值，并统计该体素强度值的标准化直方图；
81.将该标准化直方图等间距划分成多个一级分段；
82.获取每个该一级分段的体素数量，并基于该体素数量，将该一级分段划分成多个二级分段；
83.根据该多个二级分段的阈值范围，对该目标医学影像进行阈值分割，以获得阈值分割结果；
84.对阈值分割结果中的各个连通域进行膨胀，并根据膨胀后的各个该连通域获取各个三维体素模型。
85.进一步的，在获取目标医学影像后，先统计该目标医学影像的体素数量及体素强度值，进行体素强度值范围的标准化，再获取该体素强度值的标准化直方图。在获取标准化直方图后，将该标准化直方图等间距划分成多个一级分段，针对每个一级分段，检测其中体素数量小于目标数量(该目标数量可根据实际情况进行设置)的强度值或强度值范围，以此作为截断点，将一级分段进一步分为二级分段。
86.在获取多个二级分段后，针对各个二级分段，采用阈值分割方法，以二级分段的上下界作为阈值范围，对该目标医学影像进行阈值分割，以获得阈值分割结果。在获得阈值分割结果后，采用连通域统计方法，统计阈值分割结果中各个连通域的体素数量，去除其中小于特定阈值的连通域，并使用特定直径的球型膨胀算子对剩余连通域进行膨胀，取膨胀后的区域作为分割结果(即各个三维体素模型)。
87.其中，各个三维体素模型对应该目标医学影像中各个组织器官。示例性的，该组织器官可以为胸腔内包含的胸骨、肋骨、脊椎、肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房、纵膈胸膜等等，而经过上述的阈值分割方法及连通域统计方法，只能获取胸骨、肋骨及脊椎这类有骨架支撑的组织器官，而对于肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房、纵膈胸膜这类无骨架支撑的组织器官，则可采用一下种子点集的方法进行分割。
88.在一种可能的实施方式中，获取该目标医学影像中各个组织器官的种子点集；
89.获取该种子点集的空间划分范围，并统计该空间划分范围内的各个点对应的体素强度平均值及体素强度标准差；
90.基于该各个点对应的体素强度平均值及体素强度标准差，在目标体素强度分布范围内，对该目标医学影像进行区域增长分割；
91.根据区域增长分割结果获取各个三维体素模型。
92.进一步的，获取该目标医学影像中各个组织器官(无无骨架支撑的组织器官，例如胸腔内包含的肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房及纵膈胸膜等)的种子点集，并手动划分该种子点集的空间划分范围，对范围内的点统计其对应的体素强度平均值及体素强度标准差，在目标体素强度分布范围内，进行区域增长分割，得到各个组织器官部位的分割结果；在目标体素强度分布范围内，对该目标医学影像进行区域增长分割，得到各个组织器官的分割结果(各个三维体素模型)。
93.其中，该目标体素强度分布范围为以[均值-a*标准差，均值 a*标准差]作为上下
限的范围，a的最优值为1.92。
[0094]
其中，在获取目标医学影像后，均会先进行体素强度值范围的标准化，以保证后续处理时的体素强度分布范围一致。
[0095]
步骤s303、针对每个三维体素模型，基于该三维体素模型中的体素强度平均值及体素强度标准差，获得该三维体素模型的类别。
[0096]
在一种可能的实施方式中，在分割出各个三维体素模型后，对于已知的解剖结构(该三维体素模型的明确解剖结构是已知的，并有资料可知晓其物理性质的，例如：肺、骨骼、心脏(心房、心室)等，是有资料可知晓其物理性质的)，通过查阅资料可获得其对应的密度、弹性、粘性、表面摩擦力、破坏阈值等物理性质参数，可形成一组参数向量。对于尚无明确物理性质参数的结构(例如：脂肪等，对于脂肪，可能只可以区分部位，但没有研究其具体的密度是否有区别)，根据其物理类型，如骨骼、软组织、肌肉、脂肪等，结合其体素强度分布，进行初步分类；其中，初步分类是人为进行初步分类，是指在根据密度值识别了其所归属的大类，如骨、软组织、肌肉、脂肪、空腔、液体后，再结合其体素强度的分布情况，如体素强度平均值、体素强度标准差、体素强度最大值及最小值等，可以得到的一个分类。这个分类可以预先定义好，或者是设置一个具体的分段标准，而不设总的级别范围，在做具体分类时逐渐补充。
[0097]
对于分割出来的每个三维体素模型，先计算该三维体素模型中体素强度平均值之间的强度差绝对值以及[体素强度平均值-体素强度标准差，体素强度平均值 体素强度标准差]所在强度范围的重叠度，在按照高斯分布模型，将两者的加权乘积作为分割区域的距离测度，进行聚类，实现对该三维体素模型进行具体分类，进而获得该三维体素模型的类别。其中，具体分类是通过层次聚类方法得到的分类号，这个相比于上述的人为初步分类要更准确且自动，例如在胸腔中，可以理解为，所有空腔都会被分为一类，所有液体区域也会被分为一类，即使这些区域并没有连接关系。
[0098]
进一步的，其中，可以通过如下公式获取重叠度：
[0099][0100]
其中，distance表示重叠度，μa表示三维体素模型a的体素强度，μb表示三维体素模型b的体素强度，σa表示三维体素模型a的体素强度标准差，σb表示三维体素模型b的体素强度标准差。
[0101]
步骤s304、基于该各个三维体素模型的对应类别，获取该各个三维体素模型对应的物理性质参数。
[0102]
在一种可能的实施方式中，该物理性质参数包括：密度、弹性、粘性、表面摩擦力及破坏阈值。
[0103]
进一步的，在获取各个三维体素模型的类别后，将该三维体素模型的类别、体素强度平均值及体素强度标准差作为索引、从预先训练好的分类模型中获取各个三维体素模型对应的物理性质参数，其中，示例性的，该物理性质参数可以包括：密度、弹性、粘性、表面摩擦力以及破坏阈值。
[0104]
步骤s305、针对每个该三维体素模型，基于该三维体素模型的体素强度值分布，对该各个三维体素模型进行表面重建，获取表面模型。
[0105]
在一种可能的实施方式中，针对每个该三维体素模型，基于该三维体素模型的体素强度值分布，将该三维体素模型划分为各个子区域；
[0106]
根据该各个子区域，对该各个三维体素模型进行表面重建，获取表面模型。
[0107]
在一种可能的实施方式中，统计该三维体素模型内部的体素强度值分布、体素强度平均值及体素强度标准差；
[0108]
基于统计结果，在目标体素强度分布范围内，对该三维体素模型的体素强度值分布进行平均分段；
[0109]
基于平均分段结果的上下界，对该三维体素模型内部进行多分段的阈值分割，获取三维体素模型内部的多个子区域。
[0110]
在一种可能的实施方式中，以相邻子区域的边界为起始点进行分割，将所有子区域间的空间分配至不同的子区域，以使各个该子区域的并集等于三维体素模型。
[0111]
进一步的，在获取各个三维体素模型后，先针对各个三维体素模型内部，统计该三维体素模型内部的体素强度值分布、体素强度平均值及体素强度标准差，基于统计结果，在目标体素强度分布范围内，对该三维体素模型的体素强度值分布进行平均分段，获取平均分段结果(示例性的，该平均分段可以将该体素强度值分布分成5段)。
[0112]
在获取平均分段结果后，先基于平均分段结果的上下界，对该三维体素模型内部进行多分段的阈值分割，获取三维体素模型内部的多个子区域。再以相邻子区域的边界为起始点，采用图割算法进行分割，将所有子区域间的空间分配至不同的子区域，以使各个该子区域的并集等于三维体素模型。
[0113]
在将所有子区域间的空间分配至不同的子区域后，基于该三维体素模型对应的物理性质参数，对各个子区域相邻部分按两者的体素强度平均值设置粘性关系，进而实现各个三维体素模型进行表面重建，获取表面模型。
[0114]
其中，该目标体素强度分布范围为以[均值-a*标准差，均值 a*标准差]作为上下限的范围，a的最优值为1.92。
[0115]
步骤s306、根据该表面模型、该各个三维体素模型及该各个三维体素模型的物理性质参数，建立该目标医学影像对应的物理模型。
[0116]
在一种可能的实施方式中，在获取表面模型后，基于该各个三维体素模型及该各个三维体素模型的物理性质参数，在具备物理引擎的三维可视化系统中建立相应的物理模型，即建立该目标医学影像在物理性能上与真实人体具有高度一致性的物理模型。
[0117]
综上所述，先基于目标医学影像的体素数量及体素强度值，对目标医学影像进行分割，获取各个三维体素模型以及对应的类别；再基于各个三维体素模型的对应类别，获取各个三维体素模型对应的物理性质参数，进而基于各个三维体素模型及各个三维体素模型对应的物理性质参数，建立目标医学影像对应的仿真的物理模型，本技术通过精细化的分析与分类，自动的构建一套个性化的物理模型，且该物理模型在物理性能上与真实人体具有高度一致性。
[0118]
图4是根据一示例性实施例示出的一种基于医学影像的物理模型构建方法的方法流程图。该方法在实施时，需要先对参数获取模型进行训练，训练后的参数获取模型可以对目标医学影像的各个三维体素模型进行处理，以获得各个三维体素模型的物理性质参数，再基于各个三维体素模型及该各个三维体素模型的物理性质参数，建立该目标医学影像在
物理性能上与真实人体具有高度一致性的物理模型。该方法由计算机设备执行，该计算机设备可以是如图1中所示的服务器110。如图4所示，该方法可以包括如下步骤：
[0119]
步骤s401、获取模板医学影像。
[0120]
在一种可能的实施方式中，先获取模板医学影像，该模板医学影像可以为计算机体层摄影(computed tomography，ct)等三维的医学影像。该模板医学影像可以是分段采集的某一个健康人的全身影像，也可以是一次性采集的某一个健康人的全身影像，还可以是某一个健康人的目标区域的计算机体层摄影(computed tomography，ct)，也可以是一次性采集的全身影像，示例性的，该目标区域可以为胸腔。
[0121]
其中，该模板医学影像为需要进行参数获取模型训练的任一医学影像。
[0122]
步骤s402、基于该模板医学影像的体素数量以及体素强度值，对该模板医学影像进行分割，获得各个模板区域。
[0123]
在一种可能的实施方式中，获取该模板医学影像的体素强度值，并统计该体素强度值的标准化直方图；
[0124]
将该标准化直方图等间距划分成多个一级分段；
[0125]
获取每个该一级分段的体素数量，并基于该体素数量，将该一级分段划分成多个二级分段；
[0126]
根据该多个二级分段的阈值范围，对该模板医学影像进行阈值分割，以获得阈值分割结果；
[0127]
对阈值分割结果中的各个连通域进行膨胀，并根据膨胀后的各个该连通域获取各个模板区域。
[0128]
进一步的，在获取模板医学影像后，先统计该模板医学影像的体素数量及体素强度值，进行体素强度值范围的标准化，再获取该体素强度值的标准化直方图。在获取标准化直方图后，将该标准化直方图等间距划分成多个一级分段，针对每个一级分段，检测其中体素数量小于目标数量(该目标数量可根据实际情况进行设置)的强度值或强度值范围，以此作为截断点，将一级分段进一步分为二级分段。
[0129]
在获取多个二级分段后，针对各个二级分段，采用阈值分割方法，以二级分段的上下界作为阈值范围，对该模板医学影像进行阈值分割，以获得阈值分割结果。在获得阈值分割结果后，采用连通域统计方法，统计阈值分割结果中各个连通域的体素数量，去除其中小于特定阈值的连通域，并使用特定直径的球型膨胀算子对剩余连通域进行膨胀，取膨胀后的区域作为分割结果(即各个模板区域)。
[0130]
其中，各个模板区域对应该模板医学影像中各个组织器官。示例性的，该组织器官可以为胸腔内包含的胸骨、肋骨、脊椎、肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房、纵膈胸膜等等，而经过上述的阈值分割方法及连通域统计方法，只能获取胸骨、肋骨及脊椎这类有骨架支撑的组织器官，而对于肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房、纵膈胸膜这类无骨架支撑的组织器官，则可采用一下种子点集的方法进行分割。
[0131]
在一种可能的实施方式中，获取该模板医学影像中各个组织器官的种子点集；
[0132]
获取该种子点集的空间划分范围，并统计该空间划分范围内的各个点对应的体素强度平均值及体素强度标准差；
[0133]
基于该各个点对应的体素强度平均值及体素强度标准差，在模板体素强度分布范围内，对该模板医学影像进行区域增长分割；
[0134]
根据区域增长分割结果获取各个模板区域。
[0135]
进一步的，获取该模板医学影像中各组织器官(无无骨架支撑的组织器官，例如胸腔内包含的肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房及纵膈胸膜等)的种子点集，并手动划分该种子点集的空间划分范围，对范围内的点统计其对应的体素强度平均值及体素强度标准差，在目标体素强度分布范围内，进行区域增长分割，得到各个组织器官部位的分割结果；在模板体素强度分布范围内，对该模板医学影像进行区域增长分割，得到各个组织器官的分割结果(各个模板区域)。
[0136]
其中，该模板体素强度分布范围为以[均值-a*标准差，均值 a*标准差]作为上下限的范围，a的最优值为1.92。
[0137]
其中，在获取模板医学影像后，均会先进行体素强度值范围的标准化，以保证后续处理时的体素强度分布范围一致。
[0138]
步骤s403、针对每个模板区域，根据该模板区域的体素强度平均值以及体素强度标准差，确定该模板区域的类别。
[0139]
在一种可能的实施方式中，针对每个模板区域，当检测到该模板区域的体素分布满足分类条件时，根据该模板区域的体素分布，确定该模板区域的类别；
[0140]
当检测到该模板区域的体素分布不满足分类条件时，则根据该模板区域的体素强度值确定该模板区域的初步分类，并根据该模板区域的初步分类以及该模板区域的体素强度，将该模板区域与该模板医学影像中的各个模板区域执行聚类处理，以获得该模板区域的类别，该初步分类包括骨骼、软组织、肌肉、脂肪中的至少一者。
[0141]
在一种可能的实施方式中，在分割出各个模板区域后，对于已知的解剖结构(对应上述满足分类条件，该分类条件可以为该模板区域的明确解剖结构是已知的，并有资料可知晓其物理性质的，例如：肺、骨骼、心脏(心房、心室)等，是有资料可知晓其物理性质的)，通过查阅资料可获得其对应的密度、弹性、粘性、表面摩擦力、破坏阈值等物理性质参数，可形成一组参数向量。
[0142]
对于尚无明确物理性质参数的结构对应上述不满足分类条件，例如：脂肪等，对于脂肪，可能只可以区分部位，但没有研究其具体的密度是否有区别)，根据其物理类型，如骨骼、软组织、肌肉、脂肪等，结合其体素强度分布，进行初步分类。其中，初步分类是人为进行初步分类，是指在根据密度值识别了其所归属的大类，如骨、软组织、肌肉、脂肪、空腔、液体后，再结合其体素强度的分布情况，如体素强度平均值、体素强度标准差、体素强度最大值及最小值等，可以得到的一个分类。这个分类可以预先定义好，或者是设置一个具体的分段标准，而不设总的级别范围，在做具体分类时逐渐补充。
[0143]
对于分割出来的每个模板区域，先计算该模板区域中体素强度平均值之间的强度差绝对值以及[体素强度平均值-体素强度标准差，体素强度平均值 体素强度标准差]所在强度范围的重叠度，在按照高斯分布模型，将两者的加权乘积作为分割区域的距离测度，进行聚类，实现对该模板区域进行具体分类，进而获得该模板区域的类别。其中，具体分类是通过层次聚类方法得到的分类号，这个相比于上述的人为初步分类要更准确且自动，例如在胸腔中，可以理解为，所有空腔都会被分为一类，所有液体区域也会被分为一类，即使这
些区域并没有连接关系。
[0144]
步骤s404、根据各个该模板区域的类别，分别获取各个模板区域的物理性质参数。
[0145]
进一步的，在获取各个模板区域的类别后，可以根据各个模板区域的类别，以查表的方法获取各个模板区域对应的物理性质参数。
[0146]
步骤s405、获取各个样本医学影像，并针对每个样本医学影像，通过模板医学影像中的各个模板区域，对该样本医学影像进行粗分割，以获得各个样本区域。
[0147]
在一种可能的实施方式中，在获取各个模板区域对应的物理性质参数后，先获取多个健康人的样本医学影像(示例性的，获取1000例健康人的样本医学影像)，并以模板医学影像的分割结果及分类结果作为模板，对各个样本医学影像进行粗分割及分类，以获得各个样本区域。
[0148]
步骤s406、基于各个样本区域的轮廓以及体素强度分布，分别与该各个模板区域进行配准，获得该各个样本区域的类别，以及该各个类别的样本区域的物理性质参数。
[0149]
在一种可能的实施方式中，在进行粗分割后，针对各个样本区域的轮廓以及体素强度分布，采用基于轮廓点集的icp刚性配准算法(iterative closest point)以及sift特征(scale-invariant feature transform)的pca-sift匹配算法，对各个样本区域与模板医学影像中的最接近区域进行自动匹配，从而得到以各个样本区域类型(即各部位类型或各组织器官类型)、体素强度平均值、体素强度标准差为索引，密度、弹性、粘性、表面摩擦力、破坏阈值为参数的物理参数关系映射表。
[0150]
进一步的，由于人的解剖结构一般是比较标准的，模板医学影像中会规定好比如心脏、肺的位置，然后在使用模板医学影像进行粗分割时，会先将模板医学影像的边缘与样本医学影像的边缘对齐，这个可以通过样本医学影像文件信息中的采样位置来实现。以心脏为例，在进行粗分割后，样本医学影像中实际的心脏位置会和模板医学影像中的心脏位置处在类似的位置。
[0151]
步骤s407、以该各个类别的样本区域为样本、以及该各个类别的样本区域的物理性质参数为标注，对参数获取模型进行训练；训练后的该参数获取模型用于对目标待识别医学影像的各个类别区域进行处理，以获得该各个类别区域的物理性质参数。
[0152]
在一种可能的实施方式中，针对每个样本区域，获取该样本区域的体素强度均值、该样本区域的类别以及该样本区域的体素强度标准差；
[0153]
将该样本区域的体素强度均值、该样本区域的类别以及该样本区域的体素强度标准差，通过参数获取模型进行处理，以获得预测参数；
[0154]
将与该样本区域的类别对应的物理性质参数，以及该预测参数通过损失函数进行处理，获得损失函数值，以便通过损失函数值对该参数获取模型中的参数进行更新。
[0155]
在一种可能的实施方式中，在获取物理参数关系映射表后，采用支持向量机分类器，将各个样本医学影像数据的{各个样本区域类型、体素强度平均值、体素强度标准差}、{密度、弹性、粘性、表面摩擦力、破坏阈值}作为训练的输入，训练分类器(即参数获取模型)，以实现输入区域类型、体素强度平均值、体素强度标准差后，可给出密度、弹性、粘性、表面摩擦力、破坏阈值等物理参数。
[0156]
步骤s408、获取目标医学影像。
[0157]
步骤s409、基于该目标医学影像的体素数量及体素强度值，对该目标医学影像进
行分割，获取各个三维体素模型。
[0158]
步骤s410、针对每个三维体素模型，基于该三维体素模型中的体素强度平均值及体素强度标准差，获得该三维体素模型的类别。
[0159]
步骤s411、基于该各个三维体素模型的对应类别，获取该各个三维体素模型对应的物理性质参数。
[0160]
步骤s412、针对每个该三维体素模型，基于该三维体素模型的体素强度值分布，对该各个三维体素模型进行表面重建，获取表面模型。
[0161]
步骤s413、根据该表面模型、该各个三维体素模型及该各个三维体素模型的物理性质参数，建立该目标医学影像对应的物理模型。
[0162]
其中，上述步骤s408至步骤s413的具体实现方式与如图3所示的实施例中的步骤s301至步骤s306的具体实现方式类似，此处不再赘述。
[0163]
通过以下简单示例对上述实施例公开的内容进行解释：
[0164]
以人体胸腔部位的医学影像为例，人体胸腔内的组织器官包含胸骨、肋骨、脊椎、肺实质、气管及支气管、心脏、血管、横膈膜、胸大肌、乳房、纵膈胸膜等。对人体胸腔的医学影像进行参数获取模型的训练及物理模型的构建包括以下步骤：
[0165]
1)获取任一健康人的人体胸腔的ct医学影像。
[0166]
2)将该ct医学影像的体素强度值分布标准化至[0,1024]。
[0167]
3)获取该ct医学影像的标准化直方图，并将该ct医学影像的标准化直方图进行20等分，得到一级分段，每个分段的体素强度范围约为50。
[0168]
4)检测各个一级分段中体素数量小于30的点，作为截断点，当有多个连续的截断点时，则形成一个截断范围，以这些截断点、截断范围为间隔，对一级分段进一步分段得到二级分段。
[0169]
5)以各个二级分段的阈值范围进行阈值分割，并统计分割结果的各个连通域体积，去除体积小于200的连通域，并对剩下的连通域采用直径为5的球形算子进行膨胀，取膨胀后的区域，分割出胸骨、肋骨、脊椎。再得到器官及支气管、心脏、血管、横膈膜、胸大肌、乳房、纵膈胸膜、空腔的种子点集，手动划分种子点集的空间范围，对范围内的点统计其对应的体素强度值的均值与标准差，按照[均值-1.92*标准差，均值 1.92*标准差]作为上下限，进行区域增长分割，得到各个组织器官部位的分割结果。
[0170]
6)针对各个组织器官部位的分割结果，对于已知的解剖结构，通过查阅资料可获得其对应的密度、弹性、粘性、表面摩擦力、破坏阈值等物理性质参数，可形成一组参数向量。对于尚无明确物理性质参数的结构，根据其物理类型，如骨骼、软组织、肌肉、脂肪等，结合其体素强度分布，进行初步分类。
[0171]
7)针对各个组织器官部位的分割结果，根据统计体素强度平均值，并按照高斯分布模型，以体素强度平均值之间的强度差绝对值，以及[平均值-标准差，平均值 标准差]所在强度范围的重叠度的两者加权乘积作为分割区域的距离测度，进行聚类，得到各个分割区域的具体类别。
[0172]
8)以上述步骤建立的分割结果、分类结果作为模板，对1000例健康人ct影像进行分割，并采用基于轮廓点集的icp刚性配准算法、基于sift特征的pca-sift匹配算法，对1000例数据分割得到的各个分割区域，与模板中的最接近区域进行自动匹配，从而得到以
各部位类型、体素强度平均值、体素强度标准差为索引，密度、弹性、粘性、表面摩擦力、破坏阈值为参数的物理参数关系映射表。
[0173]
9)采用支持向量机分类器，将1000例数据的{各部位类型、体素强度平均值、体素强度标准差}、{密度、弹性、粘性、表面摩擦力、破坏阈值}作为训练的输入，训练分类器，实现输入类型、体素强度平均值、体素强度标准差后，可给出密度、弹性、粘性、表面摩擦力、破坏阈值(即训练出参数获取模型)。
[0174]
10)对于新的ct医学影像，同样进行体素强度标准化后，按3-5步骤的方法得到各个组织器官的分割结果，即得到多个三维体素模型。
[0175]
11)对各个三维体素模型的内部，统计体素强度值分布，统计体素强度平均值、体素强度标准差，获得组织中心体素强度值，自“均值-1.92*标准差”至“均值 1.92*标准差”，对分布进行平均分段，分为5个段，按照分段的上下界对组织器官模型内部进行多分段的阈值分割，得到各个三维体素模型内部的多个区域。
[0176]
12)以相邻区域的边界作为起始点，采用graphcut算法进行分割，以相邻的两个区域分别作为起止点，使得所有区域间的空间分配至不同的区域，所有区域的并集等于该组织器官的模型(即三维体素模型)。
[0177]
13)使用所建立的svm分类器，以各内部区域类型、体素强度平均值、体素强度标准差为输入得到其物理性质参数，并对内部区域相邻部分按两者的平均体素强度设置粘性关系。
[0178]
14)通过上述步骤流程，完成一个新ct医学影像的物理模型的自动化构建，具有胸腔内各组织器官、以及组织器官内部的物理模型，将该模型与相应的体素模型导入具备物理引擎的三维可视化系统中，即可建立仿真的物理模型。
[0179]
综上所述，先基于目标医学影像的体素数量及体素强度值，对目标医学影像进行分割，获取各个三维体素模型以及对应的类别；再基于各个三维体素模型的对应类别，获取各个三维体素模型对应的物理性质参数，进而基于各个三维体素模型及各个三维体素模型对应的物理性质参数，建立目标医学影像对应的仿真的物理模型，本技术通过精细化的分析与分类，自动的构建一套个性化的物理模型，且该物理模型在物理性能上与真实人体具有高度一致性。
[0180]
图5是根据一示例性实施例示出的一种基于医学影像的物理模型构建装置的结构方框图。该装置包括：
[0181]
目标医学影像获取模块501，用于获取目标医学影像；
[0182]
三维体素模型获取模块502，用于基于所述目标医学影像的体素数量及体素强度值，对所述目标医学影像进行分割，获取各个三维体素模型；
[0183]
类别获取模块503，用于针对每个三维体素模型，基于所述三维体素模型中的体素强度平均值及体素强度标准差，获得所述三维体素模型的类别；
[0184]
物理性质参数获取模块504，用于基于所述各个三维体素模型的对应类别，获取所述各个三维体素模型对应的物理性质参数；
[0185]
物理模型建立模块505，用于基于所述各个三维体素模型及所述各个三维体素模型的物理性质参数，建立所述目标医学影像对应的物理模型。
[0186]
在一种可能的实施方式中，所述物理性质参数包括：密度、弹性、粘性、表面摩擦力
及破坏阈值。
[0187]
在一种可能的实施方式中，所述三维体素模型获取模块502，还用于：
[0188]
获取所述目标医学影像的体素强度值，并统计所述体素强度值的标准化直方图；
[0189]
将所述标准化直方图等间距划分成多个一级分段；
[0190]
获取每个所述一级分段的体素数量，并基于所述体素数量，将所述一级分段划分成多个二级分段；
[0191]
根据所述多个二级分段的阈值范围，对所述目标医学影像进行阈值分割，以获得阈值分割结果；
[0192]
对阈值分割结果中的各个连通域进行膨胀，并根据膨胀后的各个所述连通域获取各个三维体素模型。
[0193]
在一种可能的实施方式中，所述三维体素模型获取模块502，还用于：
[0194]
获取所述目标医学影像中各个组织器官的种子点集；
[0195]
获取所述种子点集的空间划分范围，并统计所述空间划分范围内的各个点对应的体素强度平均值及体素强度标准差；
[0196]
基于所述各个点对应的体素强度平均值及体素强度标准差，在目标体素强度分布范围内，对所述目标医学影像进行区域增长分割；
[0197]
根据区域增长分割结果获取各个三维体素模型。
[0198]
在一种可能的实施方式中，所述物理模型建立模块505，包括：
[0199]
表面模型获取子模块，用于针对每个所述三维体素模型，基于所述三维体素模型的体素强度值分布，对所述各个三维体素模型进行表面重建，获取表面模型；
[0200]
物理模型建立子模块，用于根据所述表面模型、所述各个三维体素模型及所述各个三维体素模型的物理性质参数，建立所述目标医学影像对应的物理模型。
[0201]
在一种可能的实施方式中，所述表面模型获取子模块，包括：
[0202]
子区域划分单元，用于针对每个所述三维体素模型，基于所述三维体素模型的体素强度值分布，将所述三维体素模型划分为各个子区域；
[0203]
表面模型获取单元，用于根据所述各个子区域，对所述各个三维体素模型进行表面重建，获取表面模型。
[0204]
在一种可能的实施方式中，所述子区域划分单元，包括：
[0205]
统计所述三维体素模型内部的体素强度值分布、体素强度平均值及体素强度标准差；
[0206]
基于统计结果，在目标体素强度分布范围内，对所述三维体素模型的体素强度值分布进行平均分段；
[0207]
基于平均分段结果的上下界，对所述三维体素模型内部进行多分段的阈值分割，获取三维体素模型内部的多个子区域。
[0208]
在一种可能的实施方式中，所述表面模型获取子模块，还用于：
[0209]
以相邻子区域的边界为起始点进行分割，将所有子区域间的空间分配至不同的子区域，以使各个所述子区域的并集等于三维体素模型。
[0210]
综上所述，先基于目标医学影像的体素数量及体素强度值，对目标医学影像进行分割，获取各个三维体素模型以及对应的类别；再基于各个三维体素模型的对应类别，获取
各个三维体素模型对应的物理性质参数，进而基于各个三维体素模型及各个三维体素模型对应的物理性质参数，建立目标医学影像对应的仿真的物理模型，本技术通过精细化的分析与分类，自动的构建一套个性化的物理模型，且该物理模型在物理性能上与真实人体具有高度一致性。
[0211]
图6示出了本技术一示例性实施例示出的一种计算机设备的结构框图。所述计算机设备包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的一种基于医学影像的物理模型构建方法。
[0212]
其中，处理器可以为中央处理器(central processing unit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0213]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施方式中的方法。
[0214]
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0215]
本技术一个实施方式还提供一种计算机存储介质，所述计算机存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现上述的一种基于医学影像的物理模型构建方法。
[0216]
本领域技术人员可以理解，实现上述实施方式方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施方式的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0217]
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。