[发明专利]三维医学模型数据的区域分割方法、装置和存储介质

说明书

本发明提供一种三维医学模型数据的区域分割方法、装置和存储介质，所述方法包括以下步骤：获取患者的医学影像，并通过等值面算法对医学影像进行三维重建，得到三维医学网格模型数据；将三维医学网格模型数据转换成为对应的对偶图形式，并根据三维医学网格模型数据上三角面片间的距离设定图的边权；在对偶图上进行近似最远点采样，得到若干种子点；在对偶图上运行基于剪枝的聚类算法，确定每个种子点所控制的区域；根据最小合并代价原理将相邻类逐一合并，并根据用户选择的剩余类别数来确定分割结果。本发明更加快速高效，分割效果精确，并且操作简便，所用设备简单，成本低廉，有较高的实用价值。

技术领域

本发明涉及数字化医疗技术领域，具体涉及一种三维医学模型数据的区域分割方法、一种三维医学模型数据的区域分割装置和一种非临时性计算机可读存储介质。

背景技术

在外科手术设计过程中，医生通常需要仔细全方位地观察患者的某些组织器官，从而设计出精确的手术计划。对于高精度电子计算机断层扫描或者核磁共振技术得到的图像，可以根据等值面重建出感兴趣组织器官的三维结构，或者也可以使用体绘制算法来给用户呈现出他们想要观察的区域。但是这些方式都不能使得医生全方位地观察某个组织器官中的子结构，从而就无法设计出精确的手术计划。

在三维医学模型数据区域分割领域，目前主要有基于聚类、随机游走、基本形状拟合、图割等方式。其中基于聚类的方式首先需要用户输入聚类数，随后选取若干个种子面片，迭代地计算每个聚类所包含的面片并重新计算聚类中心面片，直到结果收敛；基于随机游走的方式首先计算出每个面片属于哪个聚类的概率最大，并得到过分割结果；第二部分再通过层次化合并这些小的聚类从而得到最终的分割结果；基于基本形状匹配的层次聚类算法一开始将所有面片认为是一个单独的聚类，随后通过判断合并后与一些基本形状的匹配程度来进行层次化聚类，直到聚类个数达到目标；基于图割的区域分割算法从随机最小割中选取最优割来确定分割边界，从而将网格数据分为若干部分。然而这些方式都具有对噪声敏感并且效率较低的通病，所以上述技术在临床上难以直接应用。

发明内容

本发明为解决上述技术问题，提供了一种三维医学模型数据的区域分割方法、装置和存储介质，更加快速高效，分割效果精确，并且操作简便，所用设备简单，成本低廉，有较高的实用价值。

本发明采用的技术方案如下：

一种三维医学模型数据的区域分割方法，包括以下步骤：获取患者的医学影像，并通过等值面算法对所述医学影像进行三维重建，得到三维医学网格模型数据；将所述三维医学网格模型数据转换成为对应的对偶图形式，并根据所述三维医学网格模型数据上三角面片间的距离设定图的边权；在所述对偶图上进行近似最远点采样，得到若干种子点；在所述对偶图上运行基于剪枝的聚类算法，确定每个所述种子点所控制的区域；根据最小合并代价原理将相邻类逐一合并，并根据用户选择的剩余类别数来确定分割结果。

所述医学影像为电子计算机断层扫描图像或核磁共振图像。

通过等值面算法对所述医学影像进行三维重建，得到三维医学网格模型数据具体包括：将电子计算机断层扫描图像体数据或核磁共振图像体数据利用Marching cubes算法三维重建为医生感兴趣的组织器官，以三维网格数据的形式呈现。

根据所述三维医学网格模型数据上三角面片间的距离设定图的边权具体包括：将所述三维医学网格模型数据上的每个三角面片当作图上的一个顶点，两个邻接三角面片间的对应顶点连接一条边，通过物理距离与角度距离的加权求和来表示图的边权。

在所述对偶图上进行近似最远点采样，得到若干种子点具体包括：将所述三维医学网格模型数据剖分成若干个子块，通过连通性将每个子块转换成为一个小型无向图，并通过在小型无向图上运行Dijkstra算法来获取子块间的距离，最终通过在由子块组成的小型无向图上使用最远点采样算法得到采样块，再在这些采样块中随机采样点以采样得到近似最远的种子点集。