[发明专利]一种面向骨骼CT序列图像的网格模型自适应重建方法

说明书

本发明提出一种面向骨骼CT序列图像的网格模型自适应重建方法，包括下述步骤：依次提取每层CT图像中骨骼的二维轮廓数据；将形成的多层二维轮廓数据集转化为带有法向量的三维点云；构建骨骼模型的隐式曲面；对骨骼隐式曲面进行自适应图元采样；对自适应图元集进行三角化，形成骨骼网格模型。本发明可以避免在骨骼模型中生成大量冗余的三角网格和狭长三角网格，可以根据骨骼表面的曲率自适应重建高质量的三角网格模型，同时不同尺寸的三角网格之间合理过渡，网格光顺效果好，在数字骨科学领域具有重要的应用价值。

技术领域

本发明涉及图像处理，尤其涉及一种面向骨骼CT序列图像的网格模型自适应重建方法。

背景技术

CT扫描作为一种X射线计算机体层成像技术，可以无损且准确的获取活体内部组织器官的影像。在骨骼临床应用中，能否准确重建骨骼的三维网格模型直接关系到后续的骨骼计算机辅助制造、骨骼的有限元分析及3D打印效果。目前将骨骼CT序列图像重建为网格模型的方法主要有：移动立方体算法(Marching Cubes)和基于轮廓集直接三角化的方法。移动立方体算法是逐个处理CT体数据场中的体素，以三角形面片来逼近体素内部的等值面，由于能够产生体素量级的网格，使得骨骼网格模型包含大量的冗余网格，严重影响骨骼生物力学中有限元体网格划分。基于轮廓集直接三角化的方法是通过直接连接相邻轮廓线，从而形成分段的三角网格，然后依次连接所有相邻的轮廓之间的三角网格，最终生成整体的三角网格模型，但是当相邻轮廓有多条轮廓线需要重建时，会出现分支和多元匹配问题，尤其在重建复杂骨骼模型时就会出现拓扑连接错误，同时重建的网格模型含有大量的狭长三角网格，并且不同尺寸的三角网格之间不能合理过渡，表面光顺效果差。

另外，上述两种方法都不能根据骨骼表面曲率特征对网格进行自适应划分，在低曲率表面区域生成了大量小尺寸三角网格，在高曲率表面区域不能进行局部加密网格，不能有效保证网格的离散精度和网格质量，严重影响后续的分析和使用。因此如何利用骨骼表面的曲率自适应重建高质量的三角网格模型，是当前急需解决的问题。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种面向骨骼CT序列图像的网格模型自适应重建方法。

技术方案：本发明所述的面向骨骼CT序列图像的网格模型自适应重建方法包括：

(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；

(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。

其中，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。

其中，步骤(2)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'；

(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；

(2-5)依次提取每层图像的像素空间位置p_i(x,y,z)，得到三维点云数据P。