基于面绘制的医学序列图像三维重建

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (16): 168-172.

• 图形、图像、模式识别 • 上一篇下一篇

基于面绘制的医学序列图像三维重建

陈文文1，姜富春1，车翔玖2

1.吉林大学软件学院，长春 130012
2.吉林大学计算机科学与技术学院，长春 130012

出版日期:2012-06-01 发布日期:2012-06-01

Three-dimensional reconstruction of medical image sequences based on surface rendering

CHEN Wenwen1, JIANG Fuchun1, CHE Xiangjiu2

1.Software Department, Jilin University, Changchun 130012, China
2.Computer Science and Technology Department, Jilin University, Changchun 130012, China

Online:2012-06-01 Published:2012-06-01

摘要/Abstract

摘要： 基于医学CT图像序列，利用改进的面绘制方法，分别实现了皮肤和骨骼的三维表面重建。在皮肤重建中，主要采用阈值分割法和迭代法相结合而得到光滑逼真的效果。在骨骼重建过程中，采用二值法构建骨骼三维表面，并对得到的结果进行去噪处理，进而得到清晰的骨骼轮廓。为了验证重建方法的通用性，实现了复杂结构器官——心脏的三维表面重建。实验结果表明，方法易于实现，获得了较理想的三维重建结果。重建的三维模型可进行旋转、放大和缩小等操作，这不仅有利于实现人机交互的功能，同时也有利于对模型进行设置和观察。

关键词: 三维重建, 面绘制, MATLAB, 医学图像

Abstract: This paper is based on the image sequences of CT, and uses the improved surface rendering methods to achieve the three-dimensional surface reconstruction of the skin and bone. Thresholding and iterative are used to obtain the smooth and realistic results of skin. In the process of bone remodeling, binary method is used to build three-dimensional surface of the bone, and obtain the results with denoising, then get a clear outline of the bones. To verify the generality of this method, last part of this paper complete the three-dimensional surface reconstruction of heart. Experimental results show that this method is easy to implement and get results of three-dimensional reconstruction more satisfactory. Rotation, zoom in and out and other operations can be used for the modeling. That is conducive to the function of human-computer interaction and beneficial to the observation of the reconstructed image at the same time.

Key words: three-dimensional reconstruction, surface rendering, MATLAB, medical image

陈文文1，姜富春1，车翔玖2. 基于面绘制的医学序列图像三维重建[J]. 计算机工程与应用, 2012, 48(16): 168-172.

CHEN Wenwen1, JIANG Fuchun1, CHE Xiangjiu2. Three-dimensional reconstruction of medical image sequences based on surface rendering[J]. Computer Engineering and Applications, 2012, 48(16): 168-172.

[1]	周彦，旷鸿章，牟金震，王冬丽，刘宗明. 面向半稠密三维重建的改进单目ORB-SLAM[J]. 计算机工程与应用, 2021, 57(8): 180-184.
[2]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[3]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[4]	高爽，徐巧枝. 迁移学习方法在医学图像领域的应用综述[J]. 计算机工程与应用, 2021, 57(24): 39-50.
[5]	黎英. 迁移学习在医学图像分析中的应用研究综述[J]. 计算机工程与应用, 2021, 57(20): 42-52.
[6]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[7]	郭艳芬，崔喆，杨智鹏，彭静，胡金蓉. 基于深度学习的医学图像配准技术研究进展[J]. 计算机工程与应用, 2021, 57(15): 1-8.
[8]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[9]	周涛，陆惠玲，霍兵强. 深度信念网络研究进展[J]. 计算机工程与应用, 2020, 56(9): 24-32.
[10]	汪浩祥，李娜，李强懿. 改进的虚拟力最大覆盖选址算法研究[J]. 计算机工程与应用, 2020, 56(20): 220-225.
[11]	吴帆，高媛，秦品乐，王丽芳. 基于拉普拉斯金字塔和CNN的医学图像融合算法[J]. 计算机工程与应用, 2020, 56(15): 208-214.
[12]	戴耀南，陈绪兵. 人体背部脊椎恒温艾灸机器人设计与实现[J]. 计算机工程与应用, 2019, 55(9): 216-222.
[13]	鞠维欣1，赵希梅1，2，魏宾2，王国栋1. 深度学习模型GoogleNet-PNN对肝硬化的识别[J]. 计算机工程与应用, 2019, 55(5): 112-117.
[14]	席志红，侯彩燕，袁昆鹏. 基于残差网络的医学图像超分辨率重建[J]. 计算机工程与应用, 2019, 55(19): 191-197.
[15]	何文韬，何德峰，崔靖龙，彭彬彬. 网联车辆自适应巡航控制算法验证平台设计[J]. 计算机工程与应用, 2019, 55(14): 235-241.

基于面绘制的医学序列图像三维重建

Three-dimensional reconstruction of medical image sequences based on surface rendering

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics