一种基于点云上采样的肋骨三维重建方法及系统技术方案

本发明专利技术公开了一种基于点云上采样的肋骨三维重建方法及系统，方法按如下步骤：步骤1：肋骨点云数据准备；步骤2：肋骨点云数据去噪；步骤3：肋骨点云数据语义分割；步骤4：肋骨点云数据上采样；步骤5：肋骨点云数据三维重建。本发明专利技术通过点云三维重建可以捕捉到物体的细节和形态，通过多视角的数据融合提高重建精度和鲁棒性，从而减少重建过程中的误差，并且在点云数据处理和重建过程中可以进行精细的调整，有利于生成高精度的肋骨三维模型。有利于生成高精度的肋骨三维模型。有利于生成高精度的肋骨三维模型。

【技术实现步骤摘要】
一种基于点云上采样的肋骨三维重建方法及系统


[0001]本专利技术属于医学图像处理
，具体涉及一种基于点云上采样的肋骨三维重建方法及系统。

技术介绍

[0002]肋骨是人体骨骼结构中非常重要、不可或缺的一部分，它们的主要功能是保护人体内部重要器官，如心脏、肺部和肝脏。肋骨不仅保护内脏器官免受外部伤害，还参与了呼吸、支撑身体和运动等多种生理功能。肋骨三维重建是通过使用计算机辅助设计和成像技术，将人体肋骨的二维图像转化为三维模型，以便更好理解人体结构和诊断疾病。肋骨三维重建技术具有非常重要的临床和科研意义，可以帮助医生更好地了解肋骨的结构和功能，提高诊断、治疗和研究的效率和准确性。
[0003]现有的肋骨三维重建方法，首先通过CT扫描机器采集多层次、多角度的肋骨影像，获取人体内部的切片图像。然后将这些切片数据进行预处理，以此提高三维重建的精度和质量，并且对切片图像进行分割获得从背景区域中分离出来的目标区域。最后使用基于切片图像的体素重建方法，将二维切片图像转换为三维体素数据，形成三维模型。现有技术采用的方法虽然能提供较为直观、全面的肋骨信息，有助于医学诊断和治疗，但是存在一些缺点：首先，实现过程需要预处理、分割、配准等多个环节，依赖操作人员的技术经验，增加了肋骨三维重建的不稳定性。其次，此方法实现过程中需要大量时间和成本投入，因此，应用范围受到一定限制。最后，肋骨形态复杂且周围组织干扰较大，此方法对肋骨三维重建的精度存在一定瓶颈。
[0004]基于上述现状，本专利技术设计一种全新的肋骨三维重建方法，该方法能够获取稳定的肋骨三维重建结果与重建推理时间及重建精度能够满足目前医疗诊疗水平，可极大的提高目前涉及肋骨方面的医疗质量和效果。

技术实现思路

[0005]由于上述现有技术基于肋骨切片图像的体素重建方法，存在分辨率不高，无法直接获取真实的三维几何信息的缺陷，同时需要人工对肋骨医学影像进行标注或分割，因此存在局限性，针对此问题，本专利技术提出了一种基于点云上采样的肋骨三维重建方法及系统，本专利技术通过点云三维重建可以捕捉到物体的细节和形态，通过多视角的数据融合提高重建精度和鲁棒性，从而减少重建过程中的误差，并且在点云数据处理和重建过程中可以进行精细的调整，有利于生成高精度的肋骨三维模型。点云三维重建相比于传统图像重建具有数据量较小、算法简单等优势，避免了包含有位置、大小和属性的体素数据低效性的劣势，无需传统图像重建需要图像分割、特征提取、三维重建等多个步骤，从而快速生成三维可视化模型，相比传统三维重建技术更加高效。
[0006]本专利技术采取如下技术方案：
[0007]一种基于点云上采样的肋骨三维重建方法，按如下步骤：
[0008]步骤1：肋骨点云数据准备；
[0009]步骤2：肋骨点云数据去噪；
[0010]步骤3：肋骨点云数据语义分割；
[0011]步骤4：肋骨点云数据上采样；
[0012]步骤5：肋骨点云数据三维重建。
[0013]优选的，步骤1:肋骨点云数据准备
[0014]首先根据CT公开数据集RibFrac和RibSeg，将具有统一肋骨标记的RibSeg数据集，通过人工标注方法以不同体素值标记不同根肋骨，从而实现24根肋骨的独立标记；然后将三维CT通过设置HU阈值区间为[200,1000]初次过滤非肋骨体素后，获得包含有肋骨体素的体素网格；最后通过点云生成算法处理具有复杂几何形状的肋骨数据，获得具有较高精度和完整性的点云数据，并且将mask进行逐点对应保存为点云标签，为后续的点云分割模型训练做数据准备，同时将点云数据以空间坐标区域划分方式，形成原始点云与稀疏点云数据相对应，为后续的点云上采样模型训练做数据准备。
[0015]更进一步优选的，点云生成算法的详细步骤如下：
[0016]1.将体素网格采用普遍应用于三维图形处理领域的网格生成方法转化为表面网格数据。
[0017]2.对表面网格进行拓扑处理，去除不必要的网格数据，保留表面网格的拓扑结构。
[0018]3.遍历表面网格的每个顶点，将顶点转化为点云数据。具体可采用以下方法：
[0019]a.对于每个顶点，计算其在表面网格上的法向量。
[0020]b.将顶点沿着法向量方向平移一定距离，得到点云数据中的一个点。
[0021]c.重复步骤b，得到多个点，从而形成点云数据。
[0022]优选的，步骤2:肋骨点云数据去噪
[0023]肋骨点云数据从CT中转化获取，所获取的肋骨点云数据中存在噪声和误差。为提高后续肋骨模型的准确性、可视化效果和分析效率，需要对肋骨点云数据进行去噪处理，获得高质量的肋骨点云数据。首先通过对每个点使用经典的机器学习算法KNN(K近邻)方法以自适应方式选择邻居点，通过计算邻居点的数量获得其点密度和计算与该邻居点的平均距离。然后设置点密度阈值和平均距离阈值，对每个点进行判断是否同时满足大于点密度阈值和小于平均距离阈值的条件，若不满足条件则判断为噪声点且进行删除。最后通过利用点云领域广泛应用的高斯核平滑处理方法对点云进行平滑，以此获得平滑的点云数据。
[0024]优选的，步骤3:肋骨点云数据语义分割
[0025]步骤3.1:设计基于点云的肋骨分割模型
[0026]经过点云去噪获取的高质量的点云数据，选择基于广泛应用于自然语言处理和其他序列数据处理任务中的transformer的Point Transformer点云模型，提取输入的点云数据特征进行肋骨分割，从而进一步去除噪声点实现更精准的肋骨形态分析。
[0027]Point Transformer点云模型，包括Point Transformer模块、Transition Down模块、Transition Up模块。
[0028]Point Transformer模块，该Transformer块集成了self
‑
attention层，可以降维和加速处理线性投影以及残差连接。输入是一组具有相关3D坐标的特征向量，Point Transformer块便于这些局部特征向量之间的信息交换，为所有数据点产生新的特征向量
作为其输出。信息聚合既适应特征向量的内容，也适应它们在3D中的布局。
[0029]Transition Down模块，该模块关键功能在于减少点的数量。首先将输入点集P1进行FPS(最远点采样)获取分布良好的子集P2，然后将该子集P2通过KNN(K
‑
最邻近法)将特征向量从P1汇集到P2，每一个输入特征都经过一个线性变换。最后进行批量归一化和ReLU(线性激活函数)，将P2在P1的K个邻居最大池化到P2的每个点。
[0030]Transition Up模块，解码器中的连续级由Transition Up模块连接，主要功能是将来自下采样的输入点集P2的特征映射到其超集P1上。每个输入点都要经过一个线性图层处理，然后进行批量归一化和ReLU，再通过三线性插值将P2特征映射到更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云上采样的肋骨三维重建方法，其特征是按如下步骤：步骤1：肋骨点云数据准备；步骤2：肋骨点云数据去噪；步骤3：肋骨点云数据语义分割；步骤4：肋骨点云数据上采样；步骤5：肋骨点云数据三维重建。2.如权利要求1所述基于点云上采样的肋骨三维重建方法，其特征是，步骤1具体如下：S1.1、采用统一肋骨标记的RibSeg公开数据集，将不同体素值标记不同根肋骨，实现24根肋骨的独立标记；S1.2、将三维CT设置HU阈值区间为[200,1000]初次过滤非肋骨体素后，获得包含肋骨体素的体素网格；S1.3、通过点云生成算法处理肋骨数据，获得高精度和完整性的点云数据，并且将肋骨掩膜进行逐点对应保存为点云标签，同时将点云数据以空间坐标区域划分方式，形成原始点云与稀疏点云数据相对应。3.如权利要求2所述基于点云上采样的肋骨三维重建方法，其特征是，所述的点云生成算法步骤如下：S1.3.1.将体素网格采用网格生成方法转化为表面网格数据；S1.3.2.对表面网格进行拓扑处理，去除不必要的网格数据，保留表面网格的拓扑结构；S1.3.3.遍历表面网格的每个顶点，将顶点转化为点云数据；步骤S1.3.3具体如下：a.对于每个顶点，计算其在表面网格上的法向量；b.将顶点沿着法向量方向平移一定距离，得到点云数据中的一个点；c.重复步骤b，得到多个点，形成点云数据。4.如权利要求2或3所述基于点云上采样的肋骨三维重建方法，其特征是，步骤2具体如下：S2.1、通过对每个点KNN方法以自适应方式选择邻居点，通过基于欧氏距离计算距离范围内邻居点的数量获得其点密度，计算该点与每个邻居点的欧式距离后求取其平均距离；S2.2、设置点密度阈值和平均距离阈值，对每个点进行判断是否同时满足大于点密度阈值和小于平均距离阈值的条件，若不满足条件，则判断为噪声点并删除；S2.3、通过高斯核平滑处理方法对点云进行平滑，以获得平滑的点云数据。5.如权利要求4所述基于点云上采样的肋骨三维重建方法，其特征是，步骤3具体如下：S3.1、设计基于点云的肋骨分割模型经过点云去噪步骤获取的点云数据，选择基于神经网络模型transformer的Point Transformer点云模型，提取输入的点云数据特征进行肋骨分割；Point Transformer点云模型包括如下模块：Point Transformer模块，Point Transformer模块集成了self
‑
attention层，用于降维和加速处理线性投影以及残差连接；输入一组具有相关3D坐标的特征向量，Point Transformer模块便于这些局部特征向量之间的信息交换，为所有数据点产生新的特征向
量作为其输出；Transition Down模块，用于减少点的数量；将输入点集P1进行FPS获取分布良好的子集P2，将该子集P2通过KNN将特征向量从P1汇集到P2，每一个输入特征都经过一个线性变换；最后进行批量归一化和ReLU，将P2在P1的K个邻居最大池化到P2的每个点；Transition Up模块，解码器中的连续级由Transition Up模块连接，将来自下采样的输入点集P2的特征映射到其超集P1上；每个输入点经过一个线性图层处理，然后进行批量归一化和ReLU，再通过三线性插值将P2特征映射到更高分辨率的点集P1上；来自前...

【专利技术属性】
技术研发人员：汪雕，何必仕，叶旺旺，朱大荣，陈晖，徐哲，
申请(专利权)人：杭州数智莱达科技有限公司，
类型：发明
国别省市：