基于空域信息的两维传递函数的体数据识别方法

摘要

本发明公开一种基于空域信息的两维传递函数的体数据识别方法，首先通过查找属于分类器的体素，结合连通性利用边界追踪方法对这些体素进行分类，并识别出的感兴趣的组织，然后利用集合的相减操作形成新的传递函数空间，去除了识别出的组织对特征空间和最终绘制结果的影响，从而更利于用户理解特征空间和设计出合适的传递函数，得到满意的体绘制结果。本发明在没有增加传递函数维数的情况下将空域信息应用到体数据中，并通过处理后的体数据来重新生成一个新的传递函数，而此传递函数将更利于用户的理解，从而设计出更好的传递函数。本发明利用空域信息将对体数据的集合操作引入到传递函数设计过程中，不仅原理简单，而且易于实现。

说明书

技术领域

本发明属于计算机图形学中的三维可视化领域，具体地，涉及一种识别体数据 中感兴趣结构的新方法，即基于空域信息的两维传递函数的体数据识别方法。

背景技术

直接体绘制(Direct Volume Rendering)是可视化三维体数据的一种非常重要也非常 实用的重构方法。区别于传统的放射科医生直接观察二维切片的方式，体绘制不仅将只 存在于放射科医生大脑中的重要解剖结构信息以立体的形式直观表现出来以利于与不 同的医生进行交流，而且还为用户提供了更加丰富的空间信息，从而可以从空间上识别 感兴趣的器官或病灶与周围组织的位置关系以及其具体形状信息，所以体绘制在临床医 学的诊断上具有非常重要的实用意义。

在利用体绘制可视化体数据中感兴趣组织的过程中，为了识别出这些组织，通常需 要在传递函数空间设置不同的分类器组件，并根据是否是自己感兴趣的组织，赋予不同 的阻光度值，并且为了使用户更容易理解感兴趣组织的解剖结构信息，需要为各个组织 指定具有表现力的不同颜色。为体数据中的每个体素设置不同颜色值和阻光度等光学属 性值的过程就是传递函数(Transfer Function)的设计过程。作为三维可视化领域中的一个 非常重要的热点和难点，受到世界各国的研究人员越来越多的研究和关注。因为其决定 了体绘制的最终绘制效果的质量，被体可视化会议列为可视化领域里十大关键性问题之 一。

为了探索体数据的结构信息，体素的很多新特征属性值被用于创建传递函数空间 中，随着属性值的增加，传递函数的维数也从一维(灰度值)增加到多维(例如梯度幅值、 尺度、均值和方差等)。但由于多维传递函数中不同属性值之间并非完全独立的，因此 对于每个体数据选择哪几个属性构成一个高维传递函数从而达到对该数据的最优分类 效果，这本身就是一个亟需解决的问题；随着传递函数空间的维数增加，计算这些属性 值所花的时间也会显著增加，而且高维传递函数更不利于用户直观地对其理解和交互操 作，从而设计合适的传递函数。所以高维传递函数虽然能增强特征空间的分类能力，但 其适用范围和实用的方式，还是需要继续研究的。现在最流行也是最实用的传递函数是 两维传递函数，因为它既有较好的分类能力(相对于一维传递函数)，又有可以接受的计 算时间和直观的交互界面(相对于高维传递函数)。

常用的两维传递函数空间有：Kindlmann et.al提出的灰度-梯度幅值传递函数， Tappenbeck et.al提出的基于距离的传递函数，et.al提出的LH空间，Haidach et.al 提出的基于统计量的特征空间等。由于在构成两维传递函数中，其自身特性就决定了丢 掉空域信息。不同的体素可能具有相同的属性值(例如图4中所显现)，但每个体素在体 数据中只有唯一的空域信息，所以空域信息是体素至关重要的一个属性值。

鉴于此，本发明提出一种基于空域信息的两维传递函数的体数据识别方法，利用空 域信息将对体数据的操作引入到传递函数设计过程中，而没有将传统的两维传递函数扩 展到五维(两维属性、x、y、z坐标值)，在没有增加特征空间维数的情况下，将空域信 息引入到两维传递函数中，可以取得较好的识别效果，并能消除不同感兴趣组织的相互 影响。

发明内容

针对现有两维传递函数中丢失空域信息的缺陷，本发明的目的是为了将空域信 息加入到现有两维传递函数中使用户能更好的在直方图中识别出感兴趣的结构信 息，提出一种基于空域信息的两维传递函数的体数据识别方法。

为实现上述目的，本发明根据在体数据中某一组织的体素在空间上相互连接的特 性，将空域信息加入到两维特征空间中。由于两维传递函数的属性决定了其本身就丢掉 了空域信息，表现在不同结构的体素可能对应传递函数中相似的区域。所以通过体数据 中体素的空域位置关系结合两维传递函数空间可以很好的解决这个问题。本发明首先通 过查找属于分类器的体素，结合连通性利用边界追踪方法对这些体素进行分类，并识别 出的感兴趣的组织，然后利用集合的相减操作形成新的传递函数空间，去除了识别出的 组织对特征空间和最终绘制结果的影响，从而更利于用户理解特征空间和设计出合适的 传递函数，得到满意的体绘制结果。

本发明所述基于空域信息的两维传递函数的体数据识别方法，包括如下步骤：

(1)读入三维体数据，根据需要构建的两维传递函数计算其需要的两个属性值，并 构成该两维传递函数；

本步骤中，读入三维体数据，根据需要构建的两维传递函数计算其需要的两个 属性值，并构成传递函数的直方图，对每个属性点对在体数据中出现的频数进行对数处 理，并将其作为该点对在直方图的亮度值。假设在体数据中具有属性值对(i,j)的体素 的个数IJ_num(i,j)，IJ_max为属性值数据对经过对数处理之后的最大值，则该点对在两 维直方图中最终的亮度值为grayvalue(i,j)：

$\mathrm{grayvalue}(i,j)=\frac{\log \left({\mathrm{IJ}}_{\mathrm{num}}(i,j)\right)}{{\mathrm{IJ}}_{\max }}$

(2)根据对该特征空间直方图的理解，设置传递函数分类器组件，然后依据分类器 查找到属于此分类器的体数据中的所有体素，对这些体素根据空域位置关系进行分类， 最后对已识别出的感兴趣目标进行膨胀操作；

本步骤中，根据对步骤(1)所建立的特征空间直方图的理解，设置传递函数分类器 组件来识别出感兴趣的目标，分类器可以根据不同数据设置不同形状。由于在很多情 况下，不止感兴趣的组织，一些其他组织和散点也会在出现在显示结果中，所以查找体 数据中属于此分类器的所有体素，对属于该分类器的体素进行标记(属于的设置为1，其 他为0)。根据它们在空间的连通性进行边界追踪，进行分类并统计每一类所包含的体素 的个数。该边界追踪分类方法的核心思路为：针对每个被标识而未被分类标记的体素， 依据其26邻域的连通性，将该26个体素中满足上述要求的体素标记为该类，然后再 以这些体素为种子点继续进行上面的过程，直到再没有满足条件的体素。

对已识别出的感兴趣目标进行膨胀操作时，采用3×3×3的立方体(图2)。为了比较 完整的标记出属于该目标的体素，在此处可以根据需要进行多次膨胀操作，以避免已经 识别目标的体素对新构成的传递函数的产生影响。而且还可以把已经识别出的感兴趣 结构单独显示出来(图5的脑组织)，消除其他组织和散点对其的遮挡。

(3)从原始的体数据中采用集合操作，减去膨胀之后目标的所有体素，然后重新构 建新的传递函数空间，在去除该目标影响的直方图中设置传递函数，得到更多感兴趣目 标，得到满意的体绘制结果；

本步骤中，从原始体数据中采用集合操作，减去膨胀之后目标的所有体素，具 体操作是对属于膨胀目标的体素将其灰度值赋值为0，其他仍为原始的灰度值。然 后根据相应的非目标体素查找由原始数据计算得到的属性值(而非根据新体数据重 新计算得到)，从而构建新的传递函数空间，可以去除该目标对理解新传递函数的影 响，使得用户更容易设计出合适的传递函数，可以得到更多感兴趣目标。

本发明得到新的传递函数空间，这个空间避免了已经识别出来的组织对其的影响， 从而更易于用户理解新特征空间并设计出合适的传递函数，并且新体数据也不包含已识 别出组织的体素，这样可以在最终的显示中丢掉这个组织，提高了显示的效果。

与现有已有的方法相比，本发明具有以下优点：

(1)本发明将空域信息引入到两维传递函数中，并没有增加传递函数的维数，从而 降低了计算属性值所需的时间；

(2)本发明根据目标体素的连通性，利用边界追踪和集合操作的方式构成新的 传递函数，由于去除了已经识别出来的目标对新直方图的影响，所以更容易使用户 理解传递函数空间和设计出合适的传递函数；

(3)本发明消除了已经识别出的组织对用户后续探索体数据和识别其他感兴趣组 织的影响，可以提高显示效果和探索能力；

(4)因为本发明的原理比较简单，易于理解，可以很容易的在现有两维直方图中实 现，从而达到好的识别效果。

附图说明

下面利用参照附图的方式对本发明的非限制性实施例进行解释说明，本发明的 原理和优点将会变得更容易理解，其中：

图1是本发明利用空域信息的两维传递函数来探索体数据的流程图；

图2为体数据中26邻域示意图，中间为关注的体素，它周围有26个体素；

图3是本发明对标记的体数据进行边界追踪以及分类的流程图；

图4是利用两维灰度-梯度幅值特征空间(右边)绘制出的最终结果MR头部的应 用实例，将其作为本发明的对比实验；

图5是利用本发明的边界追踪识别出感兴趣区域大脑(左边)，以及显示的体素 个数排在前4的类别(右边，其中，类别1对应大脑)；

图6是利用本发明的两维灰度-梯度幅值特征空间(右边)绘制出的最终MR头部 结果的应用实例。

具体实施方式

下面结合具体实施例对本发明进行详细解释说明。这个实施例将有助于本领域的技 术人员进一步理解本发明的原理和思想，但并不以任何形式限制本发明。在此需要指出， 本领域的普通技术人员在不脱离本发明思想的前提下还可以做出若干变形和改进，但是 这些都属于本发明的保护范围。

如图1所示，本实施例提供一种基于空域信息的两维传递函数的体数据识别方法， 为了说明本发明的有效性和实用性，本实施例将本发明的方法应用到现在最流行也是最 实用的两维灰度-梯度幅值传递函数中，其具体实施步骤如下：

(1)读入体数据，采用中心差值的方式求的每个体素的梯度幅值，位于点 ${\overrightarrow{r}}_i=(r_{\mathrm{ix}},r_{\mathrm{iy}},r_{\mathrm{iz}})$体素的梯度幅值为：

$\left|\overrightarrow{f}\left({\overrightarrow{r}}_i\right)\right|=\sqrt{{\left(\frac{\partial \overrightarrow{f}\left({\overrightarrow{r}}_i\right)}{\partial x}\right)}^2+{\left(\frac{\partial \overrightarrow{f}\left({\overrightarrow{r}}_i\right)}{\partial y}\right)}^2+{\left(\frac{\partial \overrightarrow{f}\left({\overrightarrow{r}}_i\right)}{\partial z}\right)}^2}$

其中，每个偏导数的计算公式为：

$\frac{\partial \overrightarrow{f}\left({\overrightarrow{r}}_i\right)}{\partial x}=\frac{Q(r_{\mathrm{ix}+1},r_{\mathrm{iy}},r_{\mathrm{iz}})-Q(r_{\mathrm{ix}-1},r_{\mathrm{iy}},r_{\mathrm{iz}})}{2}$

$\frac{\partial \overrightarrow{f}\left({\overrightarrow{r}}_i\right)}{\partial y}=\frac{Q(r_{\mathrm{ix}},r_{\mathrm{iy}+1},r_{\mathrm{iz}})-Q(r_{\mathrm{ix}},r_{\mathrm{iy}-1},r_{\mathrm{iz}})}{2}$

$\frac{\partial \overrightarrow{f}\left({\overrightarrow{r}}_i\right)}{\partial z}=\frac{Q(r_{\mathrm{ix}},r_{\mathrm{iy}},r_{\mathrm{iz}+1})-Q(r_{\mathrm{ix}},r_{\mathrm{iy}},r_{\mathrm{iz}-1})}{2}$

然后以灰度值为X轴，以梯度幅值为Y轴构成传递函数的直方图，在计算直方图中点 对(i,j)的亮度值grayvalue(i,j)时，采用下面的公式计算：

$\mathrm{grayvalue}(i,j)=\frac{\log \left({\mathrm{IJ}}_{\mathrm{num}}(i,j)\right)}{{\mathrm{IJ}}_{\max }}$

其中IJ_num(i,j)是在体数据中具有属性值对的体素的个数，IJ_max为属性值数据对经过 对数处理之后的最大值。

(2)根据对步骤(1)所建立的直方图的理解，设置传递函数分类器组件来识别出感 兴趣的目标，根据不同体数据设置不同形状的分类器。识别出感兴趣目标的同时可能还 有一些其他组织也会显示出来时(图4所示：脑组织是感兴趣结构，但出现了眼睛和骨 骼等其他的组织)，根据分类器对属于此分类器的体数据中的所有体素进行标记，属于 该分类器的体素标记为1，否则为0。然后根据标记之后的二值数据在空间的连通性进 行边界追踪，进行分类并统计每一类所包含体素的个数。对已识别出的感兴趣目标的类 别进行膨胀操作，此处用3×3×3的立方体模板。为了比较完整的标记出属于该目标的体 素，在此处可以根据需要进行多次膨胀操作，以避免已经识别目标的体素对新构成的传 递函数的产生影响，通常情况下，进行一次膨胀操作。

本实施例中，所述的边界追踪方法的主要思路(可以参考图3的流程图)表示为伪代 码的形式如下：

(3)在原始体数据中采用集合运算，即减去膨胀之后感兴趣目标的所有体素。具 体操作是对原始体数据中属于感兴趣目标的体素设置其灰度值为0，其他体素的灰 度值不变。然后根据相应的非目标体素查找由原始数据计算得到的属性值(而非根据 新体数据重新计算)，从而重新构建新的传递函数空间，可以去除该目标对理解新传 递函数和绘制结果的影响，使得用户更容易设计出合适的传递函数，得到令用户满 意的绘制结果。

本发明具体实施例是在VS2008平台下利用OpenGL语言和Cg语言采用上述技 术思路实现了整个方法，其中在CPU中计算属性值和特征空间，而直接体绘制的累 积过程是利用Cg语言在GPU中实现的。所有实验的运行计算机的配置为NVIDIA  GeForce GT630M显卡，2GB RAM，Intel Core i32.20GHz，Windows7操作系统。

利用一个头部的MR数据(256×256×124)作为应用实例来验证本发明所提出新 方法的有效性和实用性。图4的右半部分和图6的右半部分分别是传统两维灰度-梯度 幅值特征空间和经过本发明处理之后的直方图交互界面（其中，灰度值作为X轴属 性值，梯度幅值作为Y轴属性值），通过观察可以发现，图6中的直方图散点数目减少 (由于其丢掉了已经识别出来的脑部结构信息)，其提供的信息更利于用户对直方图的理 解，从而设计出合适的传递函数。通过相同的传递函数设计，两种方法绘制的最终结果 图像在其对应的另一边，可以很明显的看出，利用本发明的绘制结果可以很好消除已经 识别出来的脑部结构对最终绘制结果的影响，可以消除其对其他组织的遮挡，从而可以 使用户在排除脑部组织对绘制结果的影响下，更好的探索体数据中其他感兴趣的结构。 通过对经过标记的体数据的边界追踪以及分类方法，可以很好地识别出感兴趣的脑部组 织，其对应类别中体素数目最多的那一类(图5的右半部分)，从而可以把这个已经选中 的结构从整个体数据拿出来(图5的左半部分)，并且可以去掉之前在设置传递函数出现 的很多很多散乱点和不希望出现的结构，例如两个眼睛、一些头骨结构和其他一些散点 (图4的左半部分)，通过本发明的方法可以分批次的识别出每个感兴趣结构，而消除这 些已经识别出的结构对后续用户探索体数据和识别感兴趣组织的影响。

通过本发明MR头部数据的应用实例可以得出，相对于传统两维灰度-梯度幅值的 比较，通过结合空域信息的集合操作，不仅可以简化传递函数空间，易于用户对其理解 并更容易设计出合适的传递函数；而且在消除已经识别出的感兴趣组织对用户探索体数 据中结构的影响下，可以得到更多有用的结构信息，绘制更直观的图像。于此同时，本 发明的原理比较简单，在现有的两维传递函数中也很容易实现，并且交互操作比较直观， 对探索医学数据中感兴趣的组织或者器官有着非常重要的实用价值。

上面对本发明的具体实施例进行了详细的描述和解释说明。在此需要指出的 是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围 内做出各种变形或修改，但都属于本发明的保护范围。