医学图像——医学坐标体系

转自
作者:豚大叔的小屋
链接:https://www.jianshu.com/p/b8fe11a33319
仅作为个人学习记录

1.医学坐标体系介绍

医学图像处理的一个难题是坐标体系的不一致。当前,在图像处理的程序中通常运用三种坐标体系:世界坐标体系,解剖学上的坐标体系(也称为病人坐标体系)和图像坐标体系。每一种坐标体系都服务于某一个目标,以不的方式呈现数据。

下面示意图将描述三个空间坐标体系以及它们对应坐标轴
在这里插入图片描述

2.世界坐标体系:

世界坐标体系是典型的笛卡尔坐标体系,在这个坐标体系中模型(如核磁扫描器,病人)被定位。每个模型都有它自身的坐标体系但是只存在一个世界坐标体系来定义模型的位置与方向。

3.解剖学坐标体系——(LPS 或 RAS)

对医学图像处理技术来说,最重要的坐标体系是解剖学空间坐标体系。这个坐标体系由三个位面组成,用来描述标准的人体在解剖学上的位置。在解剖学坐标系中,单位基本都是mm。
在这里插入图片描述

解刨学坐标系
横断面(The axial plane):与地面平行,分离头部(Superior)与脚部(Inferior);

冠状面(The coronal plane):与地面垂直,分离人体的前(Anterior)后(Posterior);

矢状面(The sagittal plane):与地面垂直,分离人体的左(Left)右(Right)

这个解剖学坐标体系是一个连续的三维空间,在这个空间中,图像被采样。在神经成像中,3D基本上通过解剖轴Anterior-Posterior,Inferior-Superior,Left-Right来定义。对这些位面来 都以正向标记。(如S轴 --Superior的负面呈现为I轴–Inferior)

不同医学应用软件运用不同的3D基本定义。从根本上来说,这两种坐标轴(LPS和RAS)是等价使用的,有着相同的逻辑,但是有必要知道图像到底引用了哪种坐标轴。RAS与LPS类似,不同的是两个轴翻了个头。

1)LPS(Left,Posterior,Superior),主要用于Dicom与ITK工具包上

LPS

2)RAS(Right,Anterior,Superior),主要3D Slicer用RAS

RAS

4.图像坐标体系——(IJK)

图像坐标体系描述一幅与解剖相关的图像是怎样被获取的。医学扫描仪器创建了规则的点和网格的矩形数组。图像坐标系的原点在左上角,i坐标轴向右递增,j坐标轴向下递增,k坐标轴向后递增。除每个立体像素voxel(i,j,k)的强度值外,这个解剖学坐标的原点以及间距也被保存下来。
在这里插入图片描述

图像坐标系

5.解刨学坐标系和图像坐标体系

origin 原点:代表第一个voxel(0,0,0)体素在解剖学坐标体系中的位置,单位mm。如原点(100mm, 50mm,-25mm),是图像原点给对应的解剖学坐标-----在解剖学坐标系中,单位基本都是mm。

spacing间距:表示指定立体像素在各个坐标轴的实际距离间隔,单位mm,(1.5mm, 0.5mm, 0.5mm)---------在解剖学坐标系中,单位基本都是mm。

通过解剖学坐标系我们获得了一个3D图像,这个3D图像中的坐标原点(原点是对应图像坐标系说的)在解剖学坐标系中并不是原点,而是对应着一个坐标。
在这里插入图片描述

利用原点和间距,每个立体像素在解剖学坐标体系中的对应位置都能够被计算出来。利用图像坐标系中的坐标得到各个体素之间的相对位置,然后根据相对位置和重采样的分辨率,就可以计算体素在解剖学坐标系中的位置了。解剖学坐标系中的单位都是1mm,写程序时无法获取1mm,而用图像坐标系中的坐标,不用考虑单位,直接根据索引获取就可以。

  • 5.1理论说明
    利用原点和间距,每个立体像素在解剖学坐标体系中的对应位置都能够被计算出来。

从图像空间数组(i j k)’变换为x 是一个仿射变换,有线性变换A 跟随一个转换因子t组成。

X = A(i j k) + t

这个转换矩阵A 是一个33矩阵 携带空间方向以及轴缩放的所有信息。t是一个31矢量 包含第一个立体像素的几何位置的信息。
在这里插入图片描述

最终方程式表示为线性变换通过一个矩阵乘法加上一个矢量得到执行;最终变换为以下方程式。
在这里插入图片描述

根据利用的解剖学空间坐标轴(LPS 或 RAS),这个4*4矩阵被称IJKtoLPS 或IJKtoRAS矩阵,因为它表示从IJK到LPS或RAS的转换。

  • 5.2 举例(2D)说明:IJ到LS的转换矩阵
    在这里插入图片描述

下边是L§S坐标系中LS上图像,上边是与之对应的IJ(K)坐标系图像。注意,两个坐标系的对应位置和关系。假设原点origin=(50mm, 300mm),间隔spacing=(50mm,50mm)。转换方程式和计算过程如下图。 根据已知原点与间距的值可得到以下等式( 恒等于,三条横线表示的数学符号写作:≡):现在有6个未知变量 A11,A12,A21,A22,t1,t2需要确定。
在这里插入图片描述
在这里插入图片描述

以下为为个人思考: 根据以上恒等式可以列出3组共6个方程组,就可以解出6个未知量。解剖学坐标体系和图像坐标系的像素点属于不同的坐标系,但是一定存在一一对应的关系。L对应i, S对应j,即就是(L,S)=(i,j),原点(0,0)对应(50,300),(1,0)对应(100,300),(0,1)对应(50,250)。把上面三组(0,0)-(50,300),(1,0)-(100,300),(0,1)-(50,250)带入上述公式,就可以直接解出6个未知变量 A11,A12,A21,A22,t1,t2。

在这里插入图片描述

6. 图像坐标系和世界坐标系

世界坐标转换为图像坐标时会涉及到两个参数 origin和spacing。 需要转换的世界坐标减去origin,再除以spacing就是图像坐标,也就是结节中心坐标减去origin再除以spacing,就是对应像素在图像坐标系中的位置。

转自
作者:豚大叔的小屋
链接:https://www.jianshu.com/p/b8fe11a33319

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/41950.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Albumentations:医学图像数据增强方式

albumentations: 一个快速的图像增强库 albumentations 下载albumentations 特点albumentations 使用图像增强的目标图像增强albumentations 官网 albumentations 下载 conda activate conda环境 # 不使用conda可以忽略 pip install albumentations# 上面未成功 pip install …

医学影像篇

影像组学研究的基本流程知识点 01 准备工作 研究前我们先要做好准备工作:(这个准备工作呢就好像小白做菜) 最开始,我们往往主动提出或者被提出了一个临床问题(临床问题可能是老板直接安排的,也可能是在临…

DICOM医学图像处理:DICOM网络传输

背景: 专栏取名为DICOM医学图像处理原因是:博主是从医学图像处理算法研究时开始接触DICOM协议的。当初认识有局限性,认为DICOM只是一个简单的文件格式约定,简而言之,我当时认为DICOM协议就是扩展名为DCM文件的格式说明…

医学图像处理综述

本文作者 张伟,公众号:计算机视觉life,编辑成员 0、引言 医学图像处理的对象是各种不同成像机理的医学影像,临床广泛使用的医学成像种类主要有X-射线成像 (X-CT)、核磁共振成像(MRI&#xff0…

医学影像分割入门MRI关于T1、T2、Flair等概念

医学影像分割入门MRI关于T1、T2、Flair等概念 相关概念:医学影像分割,是深度学习与医学的结合,通过对医学影像的分析处理,实现对病灶部位的自动分割. MRI MRI是磁共振成像(Megnetic Resonace Imaging),原理是依据释放的能量(也可称信号&am…

医学图像DICOM医学影像文件格式详解

1、 什么是DICOM? DICOM(DigitalImaging andCommunications inMedicine)是指医疗数字影像传输协定,是用于医学影像处理、储存、打印、传输的一组通用的标准协定。它包含了文件格式的定义以及网络通信协议。DICOM是以TCP/IP为基础的应用协定,并…

80个Python练手小项目;AI开发者的总结与反思;B站免费Stable Diffusion视频教程;五问ChatGPT+医学影像 | ShowMeAI日报

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦! 🤖 『美团大模型已秘密研发数月』在仅剩一年的窗口期里努力奔跑 5月18日下午,美团内部召开大模型技术分享会,美团…

医学图像分割之TransUNet

目录 一、背景 二、提出问题 三、解决问题 四、网络结构详解 CNN部分(ResNet50的前三层) transformer部分 U-Net的decoder部分 五、模型性能 开头处先说明下TransUNet的地位:它是第一个将transformer用于U型结构的网络。 一、背景 医…

基于VGGNet乳腺超声图像数据集分析

本人的第一次发文,还在努力学习中,可能有不正确的地方,请各位大神轻喷。 数据集介绍: 乳腺癌是全世界妇女中最常见的死亡原因之一。早期检测有助于减少早期死亡的数量。该数据回顾了使用超声扫描的乳腺癌医疗图像。乳房超声数据集…

Python写一个自动发送直播弹幕的工具,非常好用

昨晚回家,表弟在看LOL直播,看得我气不打一处来,差点就想锤他。 身为程序员的表弟,看直播发弹幕居然还在手动发,当时我就用Python写了一个自动发送弹幕的脚本送给他用。 好了话不多说,我们直接开搞&#xf…

今日作业博客

今天做了一道题目感觉挺不错的,题目是去除重复整数并重新排序。 开始我的想法是先创建一个数组代表一段序列,然后写两个函数,一个去重,一个进行冒泡排序,结果发现实在是过于复杂,所以万般无奈之下只好瞄了一…

通过分析周榜前100名专家的博客文章 手把手教你写出爆款文章

引言 或许你也在用博客来记录自己的学习历程,与别人分享技术。可是有时候你会感觉为什么我的文章也是用心烹饪的,感觉自己文章跟大佬的文章相比质量并不差啊,可是从访问量、点赞数、收藏数、评论数、粉丝数等多个纬度来看都跟大佬差别那么大…

成为顶级博主的秘诀是什么?《乘风者周刊》专访“处女座程序猿”牛亚运

「渡己是一种能力,渡人是一种格局。」 这是“处女座程序猿”牛亚运为自己立下的座右铭。 如今的牛亚运,在国内外十多个平台累计粉丝近100万,全网博客文章浏览量早已超过3000多万,囊括了阿里云乘风者计划专家博主等多个平台顶级博…

2021年度总结 -- 万粉博主的写作荣誉分享,写博客是一种心灵的修行

一、CSDN 的写作经历与荣誉 仅以此文作为 2021 年终总结,顺便跟大家分享一些我的心得经验,希望你我和 CSDN 都越来越好。翻开 2021 CSDN 年度回忆录,有种难以言喻的感觉,有过兴奋、有过开心、有过遗憾,更多的是有过收…

软件测试来喽~这看这博主写的多是一件美事呀

目录 开篇 软件测试模型 V模型 W 模型 X模型 H模型 测试方法 白盒测试 黑盒测试 灰盒测试 黑盒测试方法种类 等价类划分 等价类测试的分类 边界值方法 边界值分析测试方法 决策表方法 决策表的测试方法 开篇 哈喽!大家好,这篇我们来看看…

努力打卡 每天学习 不浪费每一天 Day76

白天学数据结构刷题 晚上学Javaweb 备考蓝桥杯 <1> Scanner 可能会超时 改用StreamTokenizer StreamTokenizer scannew StreamTokenizer(new BufferedReader(new InputStreamReader(System.in))); Window <script>//弹窗/*window.alert("123");alert(…

知识星球喊你来交作业了

各位小伙伴,晚上好,忙碌的一周,不知不觉又周末了,提前祝大家周末愉快! 入驻知识星球已经快两周的时间,已有63位朋友加入进来 有些朋友看了看星球,哇,付费的,然后就望而却步,但我们从来不是为了收费而收费的,因为之前的一系列微信群举措并没有多大效果,不希望微信群…

应老师要求发布作业博客

冒泡排序—— 原理&#xff1a;通过外层for循环 i 遍历一遍数组&#xff0c;内层循环 j 实现比较次数&#xff0c;if 判断来使数与后面的数进行比较和交换位置&#xff0c;比较次数逐渐减少&#xff0c;用数组长度来减去外层循环 i 实现比较次数减少的作用&#xff0c;最后输出…