用于识别体积图像数据中的物质边界的方法与流程

1.本发明涉及一种图像处理方法，特别是用于识别体积图像数据中的物质边界。


背景技术：

2.在体积成像领域，能够识别并且可视化成像区域内特定结构的边界或者壁通常是有用的。这一需求例如出现于医学成像领域，其中生成特定解剖结构的形态学表示是有用的，诸如，器官或其一部分。其中有用的一个特定领域是虚拟结肠镜检查领域。
3.虚拟结肠镜检查是使用体积图像数据的结肠壁的视觉检查，该体积图像数据例如使用x射线计算机断层扫描(ct)成像采集。可视化结肠壁典型地使用体积绘制技术进行，在结肠镜检查期间产生与真实内窥镜的视图类似的图像印象。
4.结肠镜检查能够用于识别结肠中的息肉。结肠中的息肉可能会发展为结肠癌。如果早期去除，能够有效地防止癌症。因此，即使是对于高于某一年龄的无症状患者，也推荐执行结肠的内窥镜检查(结肠镜检查)以便检测并且评估可能的息肉。不幸的是，这种筛查的依从性低，这主要是由于与内窥镜相关联的不适感造成的。
5.因此，开发了作为替代的基于ct扫描的非侵入式虚拟结肠镜检查(vc)。
6.vc典型地使用直接体积绘制技术。在直接体积绘制中，使用传递函数(tf)，其针对ct体积图像数据集中的每个体素将其豪斯费尔德密度值映射到模糊和颜色值。该模糊和颜色之后被投影到vc图像中以创建结肠的虚拟绘制。
7.这一方案具有几个缺点。
8.首先，取决于传递函数的形式和参数，所绘制的图像中的结肠壁的明显位置可能不同并且可能不会精确地与真实结肠壁位置一致。
9.第二个问题会由于结肠内存在残留粪便或排泄物而产生。这在与结肠壁组织类似的ct扫描数据内具有对比度。因此，它的存在会使结肠壁的视图模糊。为了克服这一问题，通常执行被称为虚拟清洗的过程。这通常包括其中与残留粪便或排泄物相关的图像的部分被去除的预处理步骤。图像的该预处理通常通过口服泻药以移除粪便之后在进行ct成像之前服用包含碘的造影剂以便标记剩余的粪便。该标记有助于在数据采集之后从图像中数字化去除剩余的排泄物。
10.然而，逐个体素的虚拟清洗(vc)方法依赖于了解纯粹物质的豪斯费尔德值。通常假设在vc中存在相关物质的三个不同种类：空气、软组织和标记的排泄物。然而，除了空气，软件组和标记的排泄物的豪斯费尔德值不仅会在ct图像之间变化，而且也会在单个ct图像内变化。因此，依赖于了解纯粹物质的豪斯费尔德值的清洗方法会在绘制的图像中产生伪影。而且，即使在纯粹物质的物质属性精确已知时，逐个体素的绘制方法也会在三物质转换时产生几何伪影。在vc中，这些表现为在结肠壁处的“水级”伪影，其中所有三种物质(空气、组织、标记的粪便)相遇。
11.识别体积成像数据集内的物质边界的一种改善方案会是有价值的，不仅用于虚拟结肠镜检查，而且用于对其中要识别的感兴趣目标对象的边界的任何区域的成像。


技术实现要素：

12.本发明由权利要求书限定。
13.根据按照本发明一方面的示例，提供一种处理体积图像数据以识别所述数据内的物质边界的方法，所述方法包括：
14.获得表示对象的解剖区域的体积图像数据；
15.对于所述解剖区域中的体素的至少子集中的每个：
16.识别围绕所述体素的体积子区域，所述子区域至少包括直接相邻体素的子集；
17.检索预定的边界转换函数，所述边界转换函数表示作为跨待识别的物质边界的距离的函数的预期体素值模型；
18.将所述预定的边界转换函数拟合到包含在所述体积子区域内的体素值，所述拟合包括确定所述模型函数的拟合参数；
19.确定指示所述模型函数拟合的质量的拟合质量参数；
20.基于针对每个体素确定的拟合参数和拟合质量参数，识别针对所述物质边界的位置的候选空间点；并且
21.至少基于所识别的候选点的子集，估计所述数据内的物质边界。
22.本发明的实施例基于物质转化的模型来推导物质边界壁的表示的不同方案。在提出的方案中，使用先前生成的模型函数，其对跨物质边界的体素值的进展进行建模。基于将围绕每个体素的区域拟合到这一模型，并且计算拟合参数和拟合的质量，能够针对被估计位于边界上或者边界附近的所述体素的至少子集来识别候选空间点。
23.对于一些示例，能够执行额外的步骤，其中，基于针对每个体素的拟合参数和拟合的质量，能够首先识别最可能位于物质边界上的体素的特定子集来作为候选体素。接着能够针对这些候选体素中的每个识别相应的边界空间点。这些可以接着基于模型拟合参进行进一步滤波，例如针对每个体素与物质边界的距离。
24.因而，与例如更加典型的体积绘制技术相比较，这是识别物质边界壁的完全不同的方案。如上面讨论的，体积绘制使用传递函数(tf)来将每一个且每个体素从相应的体素密度值映射到模糊和色彩值。根据本发明实施例的方案进行了专门修改以识别物质边界，并且其目的在于基于将预定的物质转换函数拟合到围绕每个体素的体积区域的结果来识别与物质边界的位置相对应的空间点。空间点是体素间的空间点，即，能够位于标记每个体素的中心的坐标位置之间。
25.这一方案在位置和形状两方面提供针对绘制的边界壁的更加精确的结果，并且降低了使用体积绘制技术会出现的几何伪影。
26.能够在虚拟结肠镜检查成像的领域内有利地使用这一方案，但是也可以在大范围的其他领域内使用，包括医学成像领域以及医学成像领域之外的领域。该方案能够用于表示包含物质边界的任意区域的体积图像数据，该物质边界的位置期望被识别。
27.优选地，围绕每个体素的体积子区域包括全部直接相邻的体素。
28.识别候选空间点可以基于由拟合参数和/或质量拟合参数推导的其他(辅助)参数。
29.所述边界转换函数随着从所述物质边界的一侧上的最小体素值m
low
到所述物质边界的另一侧上的最大体素值m
high
的进展而对所述体素值建模。
30.所述拟合参数包括下面中的一个或多个：
31.所述最小体素值m
low
；
32.所述最大体素值m
high
；
33.所述体素与所述物质边界的垂直距离d；
34.所述物质边界的单位法向量。
35.垂直距离意味着沿着到边界的法线方向的距离。
36.拟合参数还可以包括数据采集设备(例如，ct扫描器)的点扩散函数的宽度σ。
37.一些拟合参数可以提前知道(例如，σ)，并且一些拟合参数可以被确定。
38.识别所述候选空间点可以基于一个或多个拟合参数的确定值，和/或基于由拟合参数推导的其他参数。其他推导的参数可以例如包括m
hig
(i)和m
low
(i)之间的绝对差值和/或指示函数的至少一部分的梯度的参数。
39.拟合质量参数是对模型函数拟合的拟合质量进行表征的量。在示例中，拟合质量参数可以包括下面中的任意一个或多个：拟合最佳标准的度量、拟合的良好度、拟合的残余、拟合成功的度量以及结果的容限。
40.在一些实施例中，识别候选空间点可以包括识别候选体素的预备步骤，并且其中，基于针对每个候选体素的拟合参数来识别相应的候选点。换句话说，这是将体素的总集合降低或者滤波到最可能产出精确或者可靠的估计的边界空间点的那些体素的步骤。识别候选体素可以基于针对每个体素确定的拟合参数和/或拟合质量参数。
41.识别候选体素可以基于针对每个体素推导的各种参数(模型拟合参数、质量拟合参数或者由这些推导出的任意量)的参考值。参考值可以与针对感兴趣的特定物质边界的这些参数的期望值相对应。例如，可以提前已知在目标物质边界的任一侧上的典型m
high
和m
low
，例如经过来自对包含边界的区域的先前扫描的数据。因而，候选体素可以被识别为针对其推导的参数值在参考值的预定义容限范围内的那些体素。
42.在一些示例中，识别候选体素可以基于由拟合参数和/或质量拟合参数推导的其他(辅助)参数。
43.在一些示例中，识别候选体素可以包括基于推导的拟合参数值中的一个或多个和/或基于推导的质量参数值来执行对被成像解剖区域中的体素的掩模。
44.可以针对不同的拟合参数中的每个并且针对质量拟合参数来生成单独的相应掩模：在一些示例中，可以将多个这些掩模组合应用到体积图像数据，并且位于掩模的集合的共同重叠区域中的产生的体素可以被识别为候选体素。
45.在一些示例中，可以基于推导的拟合参数和质量拟合参数中的每个以及由其推导出的任意辅助参数来生成被成像解剖区域的新图像或者图像表示。具体地，可以针对每个参数来推导被成像区域的新的相应图像表示，针对每个体素的体素值被设置为等于针对该体素的相应推导的参数值。
46.接着可以基于针对每个新构建的图像所表示的相对应参数的参考值来向每个新构建的图像应用掩模。在一些示例中，这些掩模可以组合为单个掩模并且应用于原始体积图像数据以将候选体素识别为位于所有掩模之间的重叠区域中的那些体素。
47.在一些示例中，在掩模中使用的标准被配置为识别针对其物质边界位于体素的体积子区域内的体素。然而，这不是必需的。
48.可以基于以下中的一个或多个中的每个来生成/应用单独的相应掩模：
49.针对每个体素的质量拟合参数，其中，每个体素取决于所述质量拟合参数超出针对质量拟合的预定义参考值而被掩模；
50.针对每个体素的m
high
和m
low
值，其中，每个体素取决于m
high
和m
low
的推导值落入所述m
high
和m
low
的预定一对参考值的预定义容限范围内而被掩模，所述参考值与感兴趣的特定物质边界相对应；以及
51.针对每个体素的距离d，其中，每个体素取决于推导的距离值d落入d的参考值的预定义容限范围内而被掩模。
52.在有利的示例中，至少针对质量拟合参数以及m
high
和m
low
的值来进行掩模，由于这些最直接影响体素与接近感兴趣的物质边界的体素区域的对应性。可以针对每个m
high
和m
low
生成单独的掩模，或者可以针对组合的值对生成单个掩模。
53.根据一个或多个实施例，可以针对不同的相应参数生成多个掩模并且这些掩模可以组合应用于体积图像数据，并且其中，位于掩模的组合的共同重叠区域中的产生的体素被识别为候选体素。
54.候选空间点接着可以针对每个候选体素进行推导。由候选体素推导的候选空间点的产生的集合典型地表示针对物质边界的候选点的云集，该云集界定待识别的物质边界。
55.作为首先识别候选体素的集合并且接着根据每个候选体素确定候选空间点的替代，取而代之的是，可以逐体素地进行该过程，其中每个体素被轮流评估以确定它是否满足作为候选体素的预定义标准，并且如果满足，则使用针对该体素推导的拟合参数来确定候选空间点。在这一备选示例中，不需要单独的掩模步骤。上面针对推导掩模讨论的相同评估标准可以代替地逐体素应用。
56.在一些示例中，针对每个体素的拟合参数可以包括体素与物质边界的垂直距离d，以及物质边界的单位法向量。识别针对体素的候选空间点则可以包括识别沿着单位法向量与体素位置的距离为d的点的坐标。
57.根据一个或多个实施例，推导、估计物质边界还包括生成表示该物质边界的表面网格，所述表面网格至少包含识别的候选空间点的子集。
58.推导网格可以包括将来自空间点的至少子集的空间点链接为三角形。
59.这提供了对表面的更加清晰的绘制。
60.然而，推导网格不是必需的，而是可以生成物质边界的不同表示。例如，已经被识别为与物质边界的位置相对应的空间点坐标位置的简单阵列可以用作该表示。
61.根据一个或多个实施例，所获得的体积图像数据可以是x射线ct体积图像数据。
62.在一些示例中，所述方法可以包括接收ct投影数据，并且执行图像重建以便从而获得体积图像数据。在其它示例中，所述方法可以包括接收已经重建的体积图像数据。
63.除了ct数据，还可以例如包括mri图像数据或者体积超声数据。
64.根据一个或多个实施例，所获得的体积图像数据可以是能谱图像数据。所述数据可以包括多个图像数据集，每个图像数据集由与不同的能谱数据通道相对应的数据形成，并且其中，针对每个数据集来执行根据本发明的方法，并且其中，针对每个能谱通道存在不同的相应的预定物质转换函数。
65.一个示例是使用x射线能谱ct数据。x射线能谱ct是通过采集针对多个x射线能量
的投影数据来扩展传统x射线ct系统的能力的成像模态。这可以通过结合能够区分不同的x射线能量的探测器来完成，例如能量区分光子计数探测器或者能量积分探测器，或者通过顺序改变x射线能量能谱并且顺序采集相对应的探测器数据。能谱x射线数据允许辨别和量化由被扫描对象包含的物质。这是因为，不同的物质可以具有不同的x射线吸收能谱。能够使用被已知为由例如感兴趣的物质最大化或者最小化吸收的x射线能量能谱。
66.通过使用来自不同的能谱通道的数据生成不同的物质边界表示，由于来自不同能谱通道的图像数据将取决于被成像对象的物质组分而变化，因此这能够提供补充信息。例如，多对不同的物质之间的边界能够被识别并被组合以增强对可以由不同物质转换进行标记的器官的边界壁的识别。
67.通过一个示例的方式，能谱ct成像能够在ct结肠成像领域中使用以生成与被投影的x射线能量的较低和较高能量水平相对应的多个能谱通道(至少两个)。能谱通道可以被转化为各种表示，包括例如碘密度图，其能够实现造影剂在被成像结肠内的分布的可视化。在结肠成像的上下文中，在一些实施例中可以使用多个能谱通道数据以辅助执行虚拟清洗(如上面讨论的)。
68.根据一个或多个实施例，待识别的物质边界可以表示解剖结构的结构壁。
69.在一些示例中，待识别的物质边界可以表示界定诸如结肠的内部腔室的解剖结构的壁。
70.根据本发明的另一实施例的示例提供一种包括计算机程序代码的计算机程序产品，所述计算机程序代码能够在处理器上执行以使得所述处理器执行根据如以上概述或者如下面描述的或者根据本技术任意权利要求所述的任一示例或者实施例的方法。
71.根据本发明进一步方面的示例还提供一种处理体积图像数据以识别所述数据内的物质边界的方法的处理装置。所述处理装置适于：
72.获得表示对象的解剖区域的体积图像数据；
73.对于所述解剖区域中的每个体素：
74.识别围绕所述体素的体积子区域，所述子区域至少包括直接相邻体素的子集；
75.检索预定的边界转换函数，所述边界转换函数表示作为根据跨待识别的物质边界的距离的函数的预期体素值的模型；
76.将所述预定的边界转换函数拟合到包含在所述体积子区域内的体素值，所述拟合包括确定所述模型的拟合参数；
77.确定指示所述模型函数拟合的质量的拟合质量参数；
78.基于针对每个体素确定的拟合参数和拟合质量参数，识别针对所述物质边界的候选空间点；并且
79.至少基于所识别的候选点的子集，估计所述数据内的物质边界。
80.根据一个或多个实施例，所述边界转换函数可以随着从所述物质边界的一侧上的最小体素值m
low
到所述物质边界的另一侧上的最大体素值m
high
的进展而对所述体素值进行建模，并且其中，所述拟合参数包括以下中的一个或多个：
81.所述最小体素值m
low
；
82.所述最大体素值m
high
；
83.所述体素与所述边界的垂直距离d；
84.所述边界的单位法向量。
85.在一些示例中，识别所述候选空间点可以包括识别候选体素的预备步骤，并且其中，基于针对每个候选体素的拟合参数来识别相应的候选点。识别候选体素可以包括基于推导的拟合参数值中的一个或多个和/或基于推导的拟合质量参数值来执行对被成像解剖区域中的体素的掩模。
86.在一些示例中，可以基于以下中的一个或多个来应用单独的相应掩模：
87.针对每个体素的质量拟合参数，其中，每个体素取决于所述质量拟合参数超出针对质量拟合的预定义参考值而被掩模；
88.针对每个体素的m
high
和m
low
值，其中，每个体素取决于m
high
和m
low
的推导值落入针对m
high
和m
low
的预定一对参考值的预定义容限范围内而被掩模，所述参考值与感兴趣的特定物质边界相对应；
89.针对每个体素的距离d，其中，每个体素取决于推导的距离值d落入d的参考值的预定义容限范围内而被掩模。
90.参照下面描述的实施例，本发明的这些和其它方面将变得明显和清晰。
附图说明
91.为了更好地理解本发明，并且为了更加清楚地示出如何实现，将仅通过示例的方式来参照附图，在附图中：
92.图1概述了根据一个或多个实施例的示例方法的步骤；
93.图2示意性描绘了根据一个或多个实施例用于拟合针对每个体素的模型边界转换函数的建模参数；
94.图3示意性说明了根据一个或多个实施例的示例边界转换函数；
95.图4说明了穿过包含待识别的物质边界的示例体积图像数据集的一个切片；
96.图5(a)和图5(b)表示针对图像数据集中的每个体素计算的两个模型函数参数的图像表示；分别是物质边界的一侧上的最小体素值m
low
以及物质边界的另一侧上的最大体素值m
high
；
97.图6表示针对每个体素推导的模型拟合质量参数的图像表示；
98.图7表示每个体素距离感兴趣的物质边界的确定绝对距离的图像表示；
99.图8-9示出了分别基于针对每个体素确定的m
low
和m
high
模型参数值的体素的掩模；
100.图10示出了图8和图9的掩模重叠到原始体积图像数据集的结果；
101.图11-12示出了候选点的提取的云集的视图，所述云集的点根据位于施加的掩模的组合的重叠区域中的体素推导出；
102.图13-14示出了基于由所述候选体素推导出的候选空间点构造的示例表面网格的视图；并且
103.图15-16示出了又一示例表面网格的视图。
具体实施方式
104.将参照附图来描述本发明。
105.应该理解，指示装置、系统和方法的示例实施例的详细描述和具体示例意在仅用
于说明目的而非意在限制本发明的范围。通过下面的描述、所述的权利要求书以及附图，本发明的装置、系统和方法的这些和其它特征、方面和优点将变得更好理解。应该理解，附图只是示意性的并且并非按照比例绘制。还应该理解，在整个附图中使用相同的附图标记来指示相同或者类似的部件。
106.本发明提供一种用于识别体积图像数据内的物质边界的新的方案。这一方案基于模型边界转换函数的使用，所述模型边界转换函数根据距离对跨物质边界的体素值的预期进展进行建模。每个体素被轮流获取，并且围绕所述体素的子区域内的体素值被拟合到模型函数，并且推导相对应的拟合参数，除了与模型拟合的质量相关的参数之外。基于针对每个体素的这些参数，对于所述体素的至少子集中的每个，识别候选空间点，被估计为位于3d图像数据集内的物质边界上。额外的预备步骤可以可选地应用于对所述体素一直到候选体素进行滤波，例如基于每个体素与所述物质边界的估计距离，这能够基于针对每个体素的推导模型参数的特定组合进行估计。候选点能够仅针对所识别的候选体素进行识别。结果是空间上与边界壁的轮廓相对应的候选空间点的云集。基于这些，能够生成边界壁的表示，例如表面网格。
107.图1示出了描绘根据一个或多个实施例的示例方法的基本步骤的方框图。方法10是计算机实现的方法。所述方法用于处理体积图像数据以识别所述数据内的物质边界。
108.方法10包括获得12表示对象的解剖区域的体积图像数据。
109.方法10还包括针对所述解剖区域中的体素的至少子集中的每个执行下列步骤中的每个：
110.识别14围绕所述体素的体积子区域，所述子区域至少包括直接相邻体素的子集；
111.检索16预定的边界转换函数，表示体素值相对于跨待识别的物质边界的距离的预定模型函数；
112.将所述预定的边界转换函数拟合18到所述体积子区域内包含的体素值，所述拟合包括确定所述模型函数的拟合参数；并且
113.确定20指示所述模型函数拟合的质量的拟合质量参数。
114.在一些示例中，针对被成像区域中的每个体素执行上述步骤。然而，在其它示例中，可以执行一个或多个预处理步骤用于在实施主要方法之前移除或者过滤某些体素(被估计为不可能符合边界位置的候选)。
115.一旦针对每个相关体素进行了上面步骤，所述方法还包括基于针对每个体素确定的拟合参数和拟合质量参数来识别针对边界壁的候选空间点的过程22。例如，在实施例的一个集合中，拟合参数可以包括所述体素到物质边界的垂直距离d，以及所述物质边界的单位法向量；并且确定候选空间点包括确定沿着所述单位法向量与所述体素位置距离为d的点的坐标。
116.一旦识别22了候选空间点，所述方法还包括基于所识别的候选空间点估计24所述数据内的物质边界。
117.在一些示例中，可以基于所识别的候选空间点或者基于提取的其子集来生成表面网格。在其它示例中，可以生成边界表示，简单地包括所识别的候选空间点或者提取的其子集的坐标位置的阵列。
118.上面描绘的方法可以由处理器或者包括一个或多个处理的处理装置
(arrangement)执行。获得体积图像数据可以包括从诸如成像装置(例如，ct或者mri扫描装置)的外部源或者从数据存储装置接收体积图像数据。在其他示例中，获得体积图像数据可以包括接收未重建的扫描数据(例如，ct投影数据)并且执行重建体积图像数据的步骤。
119.本发明的实施例基于在体积图像数据中(例如，在ct图像数据中)的离散纯粹物质类别之间出现物质转换的数学模型。然而，相同的原理也能够适用于其它形式的体积图像数据(例如mri)。
120.取决于所讨论的特定物质转换，可以应用不同的模型物质转换函数。例如，不同的模型函数可以取决于物质边界的每一侧上的组织密度、发生转换的典型距离并且所述边界的潜在几何特性而变化。
121.图2中示意性说明了用于模型边界转换函数的模型。这表示两种物质转换。然而，相同的原理也适用于例如三种物质转换的其它转换。
122.参照图2，可以通过模型函数g(m
high
,m
low
,d,n,σ)来对两种物质转换进行建模，其中，分别在两种物质转换边界34的第一侧38a和第二侧38b上，m
low
是两种纯粹物质中的期望的较低体素32值，并且m
high
是两种纯粹物质中的期望的较高体素34值。通过其中图像数据是ct图像数据的示例方式，体素值可以是豪斯费尔德值。参数d表示从物质边界34到该函数拟合到的体素i的垂直距离，并且n表示物质边界的单位法向量。参数σ表示扫描仪器(例如，ct扫描器)的点扩散函数的宽度。
123.针对每个体素i，模型函数被拟合到围绕所述体素的体积子区域36内的体素32值。这可以是具有固定大小的子区域，例如在所有侧上延伸到远离所讨论的体素的一个体素，即，3个体素单位长度的立方体。可以包括所有直接相邻的体素。可以包括比直接相邻体素更多的体素，例如5x5x5或者7x7x7体素或者任意其它数目的立方体。
124.图3示意性说明了示例边界转换函数。边界转换函数随着从物质边界34一侧上的最大体素值m
high
到物质边界34另一侧上的最小体素值m
low
的进展对体素32值进行建模。函数是非线性的。图3描绘了模型可以拟合到的示例体素i的位置，并且示出了表示所述体素与物质边界34的距离的模型拟合参数d。在一些示例中，可以存在针对对象的被成像解剖区域的预定义空间坐标系，并且其中，d表示这一坐标系的单位，例如mm。在其它示例中，能够以体素空间的单位表示(即，一个体素的宽度与单位长度相对应)。
125.现在将详细阐述根据一个或多个实施例的一个示例工作流，根据所述工作流，所述方法的通用步骤将变得更加清晰。这里描述的方法使用腹部的ct图像作为输入。可选地，在成像之前，已经使用了碘造影剂对任意残留排泄物进行了标记。
126.下面描述的方法用于两种物质转换(或者空气-组织或者空气-粪便或者粪便-组织)。然而，其可以类似地适用于其它转换，例如三种物质转换。
127.所述方法开始于获得表示对象的相关解剖区域的体积图像数据。图4示出了来自示例ct体积图像数据集的一个图像切片。在这一示例中，图像数据集表示包含对象的结肠的区域。
128.例如从本地或者远程数据存储装置检索例如特异于目标物质边界的特定模型边界转换函数。在该特定示例中，待识别的物质边界与结肠的壁相对应。物质边界可以例如是位于排泄物残留物与结肠壁组织之间的边界，或者是位于结肠的腔体(lumen)内的空气与结肠壁组织之间的边界。
129.一旦检索了模型边界转换函数，该模型函数就被拟合到包含在围绕体积图像数据集中的每个相应体素的体积子区域内的体素值。
130.模型拟合过程可以针对3d图像数据集内的每个体素(或者针对至少体素的识别子集)轮流执行。例如，所述方法可以逐一地迭代或者索引体素，轮流向每个体素应用模型拟合。
131.对于每个相关体素i，识别围绕所述体素的体积子区域36(或者本地环境)，子区域至少包括直接相邻体素的子集。如上面讨论的，体积子区域可以是预定义大小的立方子区域，例如包含紧密相邻体素i的每个体素的子区域。子区域可以例如是在中心处具有体素i的k3大小的立体子图像。
132.检索的边界转换模型函数g之后被拟合到位于子区域36中的体素值(例如，这一示例中的霍斯菲尔德值)。拟合可以例如使用最小平方拟合方法来完成。然而，本领域普通技术人员将意识到可以代替应用的各种不同的模型拟合方法。例如，几乎任意的回归方法将是适合的，例如，多项式回归、逻辑回归、多元回归。
133.作为模型函数拟合的结果，推导出每个体素i的拟合模型参数(这里为拟合参数)：m
high
(i),ml
ow
(i),d(i),n(i),σ(i)(在上面详细列出)。
134.此外，能够确定表示拟合到每个体素i的子区域的模型函数的质量的一个或多个其他参数。这些取决于使用的拟合方法。通过示例的方式，拟合质量参数可以包括以下中的一个或多个：模型拟合的优化、最小平方拟合的残差、拟合成功、拟合结果的容限或者任意其它适合的参数，这对于本领域普通技术人员来说是显而易见的。
135.基于推导的拟合参数以及针对每个体素i的拟合质量参数，可以推导出其他辅助参数或者量。这些不是模型函数本身的参数，但是能够根据估计的模型参数进行计算。通过示例的方式，这些可以包括：体素i与物质转换边界24的绝对距离、m
high
和m
low
之间的绝对差和/或模型转换函数的梯度或步长。
136.在一些示例中，可以生成表示推导的拟合参数、质量拟合参数以及根据其推导的任意参数中的每个的被成像解剖区域的新的相应图像或者图像表示。具体地，可以针对每个参数推导出被成像区域的新的相应图像表示，针对每个体素的体素值被设置为等于针对该体素的相应推导的参数值。
137.例如，图5(a)示出了对于每个体素表示针对拟合的模型参数m
low
的值的图像，并且图5(b)示出了表示针对参数m
high
的值的图像。图6示出了表示针对每个体素的质量拟合参数的值的图像。图7示出了表示体素i与物质转换边界的绝对距离的辅助推导参数的值的图像。
138.基于针对每个体素i的各种推导的参数，基于对于参数值的参考值或者标准的进一步使用来执行体素的掩模。在一些示例中，掩模可以基于针对模型参数和拟合质量参数的推导的图像。通过示例的方式，参考值可以被预存储在本地或者远程数据存储装置中。参考值可以是根据先前扫描数据已知为与接近感兴趣的物质边界的体素相关联的值。通过示例的方式，参考值可以用作阈值，或者决策标准可以包括体素参数值是否落入参考值的预定义容限范围内。
139.可以针对不同的拟合参数和质量拟合参数的至少子集中的每个来生成单独的相应掩模。
140.在一些示例中，可以基于针对每个体素的质量拟合参数来生成至少一个掩模，其中，取决于质量拟合参数超出质量拟合的预定义参考值或者阈值对每个体素进行掩模。
141.额外地或备选地，可以基于针对每个体素的m
high
和m
low
的值来生成至少一个掩模，其中，取决于m
high
和m
low
的推导值落入m
high
和m
low
的预定一对参考值的预定义容限范围内对每个体素进行掩模，参考值与感兴趣的特定物质边界相对应。因而这里，掩模基于识别两种(或者更多种)已知物质之间的特定转换，使用这两种物质内的典型体素值(例如，霍斯菲尔德值)的先前知识。通过示例的方式，已知空气的霍斯菲尔德值大致为-1000，而软组织的霍斯菲尔德值大致为0。在这种情况下属于空气-组织转换的体素i能够因而满足条件m
high
(i)≈0并且m
low
(i)≈-1000，并且仅m
high
和m
low
落入这些先前值的某一预定义容限范围内的体素将被掩模。通过说明的方式，图8-9描绘了对于空气-组织物质转换的m
high
和m
low
的相应示例掩模。
142.额外地或备选地，可以基于针对每个体素的距离d生成至少一个掩模，其中，取决于推导的距离值d落入d的参考值的预定义容限范围内对每个体素进行掩模。因而这里，仅位于到物质边界预定义的最小邻近值内的体素被掩模。
143.根据一个或多个实施例，可以针对不同的相应参数生成多个掩模，并且可以将多个掩模组合应用于体积图像数据。位于掩模组合的共同重叠区域中的产生的体素被识别为候选体素。
144.图10示意性说明了一个示例，其示出了重叠图8-9中示出的两个掩模的组合的结果。图10中白色部分示出了在掩模之间的重叠区域中得到的体素，并且可以看出，这些遵循在图像数据中描绘的结肠壁。得到的体素形成候选体素的集合，意味着它们是最接近符合图像数据内的结肠壁的体素或模型拟合最佳的体素的候选。
145.物质边界的表示的推导还包括，基于每个体素与边界的模型推导距离d，并且基于边界的模型推导单位法向量，从每个候选体素中识别被估计位于物质边界上的候选点。
146.具体地，识别每个候选体素的候选空间点包括识别沿着根据体素的拟合参数推导的边界单位法向量与体素位置距离为d的点的坐标。
147.具体地，对于大多数情况，平整平面是在最接近给定体素的局部区域处边界形状的良好近似。平整平面可以例如通过黑森范式进行参数化，由单位向量(n
x
,ny,nz)和体素与边界的距离d构成。这两个参数都是模型边界转换函数的拟合参数，并且因而针对每个候选体素被预计算。物质边界的候选空间点之后可以被识别为沿着边界单位法向量的方向与该体素的距离为d的空间点。因而，对于具有坐标位置(i,j,k)的体素，候选点的坐标位置p可以被识别为p＝(i,j,k)+d*(n
x
,ny,nz)。
148.针对候选体素的完整集合推导的候选空间点的得到的集合形成点的列表(或者云集)，所有这些位于物质边界上，但是不必与体素网格上的点一致。
149.图11示出了按照这一方式生成的候选点的示例云集的图像表示。图12示出了点云集的闭合缩放视图。
150.对于点云集中的每个点，可以存储单位法向量n用于随后使用。这可以用于进一步的绘制步骤。
151.通过示例的方式，根据一个或多个实施例，还可以生成表示物质边界的表面网格，所述表面网格包含形成该云集的候选点的精简子集。推导表面网格可以包括将来自点云集
的点链接为三角形。这些可以用于绘制。
152.图13示出了基于图11的候选点的推导云集构造的示例表面网格。图14示出了表面网格的更闭合的缩放网格。图16-18示出了其他示例表面网格绘制，其中，已经填充了链接点的三角形，以提供结肠壁的平滑表面表示。图16示出了结肠的内部腔室的切割视图。
153.如上面提及的，在一些示例中，针对每个体素，可以生成表示每个拟合参数、辅助参数和质量拟合参数的新的相应图像。在一些示例中，这些图像中的一些或者全部还可以用于对推导的表面网格进行着色，用于可视化更多的信息。图像可以被绘制为半透明并且被叠置在网格顶端。多个图像可以与不同的颜色一起被叠加在网格上，或者用户界面可以允许用户在叠加在网格上的不同参数图像之间进行选择性切换。
154.尽管关于两种物质边界描述了上面描绘的示例，但是相同的原理能够适用于更加复杂的边界。一个示例是多层边界。该示例中的一个是薄物质层(物质2)嵌入在另一物质区域(物质1)内。在这种情况下，多层边界可以被简单地认为是一对两种物质边界：从物质1到薄层物质2的第一边界，以及从物质2的层回到物质1的第二边界。可以使用包含两个两种物质边界的单个边界转换函数，或者可以向体积图像数据连续应用单独的两种物质转换函数以识别在薄层的任一侧上的这对边界。在任一情况下，用于使用边界转换函数估计一对物质边界的原理与上面针对单个两种物质边界概述的原理相同。
155.其他示例情况是三种物质边界(在公共线处汇合的三种物质区域)。这里，应用与两种物质转换相同的原理，除了作为跨边界的距离的函数的预期体素值的模型(由边界转换函数表示)具有额外的方向依赖性(边界的方案的方向)，以便考虑到存在公共边界线处汇合的三种物质区域。然而，边界转换函数仍然根据相对边界的位置对体素值进行建模。该模型可以额外地包括与下列角度相关的模型参数(拟合参数)：与围绕边界线的不同材料区域之间的角度、和/或体素相对于一个或多个不同物质区域的角度、或者相对于边界线的角度。
156.如上面提及的，根据一个或多个实施例，所获得的体积图像数据可以是能谱图像数据。所述数据可以包括多个图像数据集，每个由与不同的能谱数据通道相对应的数据形成，并且其中，对于每个数据集执行根据本发明的方法，并且其中，对于每个能谱通道存在不同的相应预定的物质转换函数。
157.一个示例是使用x射线能谱ct数据。x射线能谱ct是通过采集多个x射线能量的投影数据来扩展传统x射线ct系统的能力的成像模态。这可以通过结合能够区别不同x射线能量的探测器来实现，例如能量区分光子计数探测器或者能量积分探测器，或者通过顺序改变x射线能量能谱并且顺序采集对应的探测器数据。能谱x射线数据允许辨别和量化由被扫描对象包含的物质。这是因为，不同的物质可以具有不同的x射线吸收能谱。能够使用x射线能量能谱，其被已知为例如由感兴趣的物质最大化或者最小化吸收。
158.另一示例是使用mri数据。在多参数mri中，可以应用类似的原理，其中，两个或者更多个mr序列能够经过针对每个获取的图像数据的相应集合进行循环。针对不同的mr序列(通道)，使用具有更大或者更小对比度来表示不同的物质。
159.上面概述的示例方法工作流可以被扩展应用于能谱体积图像数据。
160.现在针对能谱ct数据概述一个示例。然而，相同的原理也能够适用于根据诸如mri或者超声的其它模态推导的能谱图像数据。
161.使用能谱ct数据，能够例如以不同的kev(x射线管电压)创建合成的单一能量图像。在这些单一能量图像中，不同物质表现出不同的对比度。
162.通过进行较少的改动，上面描述的工作流可以适合于处理来自两个或者更多个不同能谱通道的数据，这可以允许物质边界更加稳健的绘制。
163.所述方法包括获得能谱图像数据ii的n个不同集合，其中，n可以是大于1的任意整数，并且其中，每个图像数据集与从不同的相应能谱通道采集的图像数据相对应。不同的能谱通道意味着使用不同的相应x射线管电压(或者不同的x射线能量能谱)获得相应的图像数据集由其重建的投影数据。
164.通过一个示例的方式，可以接收两个图像数据集i1、i2(n＝2)，每个与不同的x射线能量通道(x射线管电压)相对应，例如，每个与不同的单一能量图像数据集相对应。例如，i1为45kev(管电压)并且i2为125kev。
165.现在可以通过n个不同的物质边界转换函数gi(m
i,high
,m
i,low
,d,n,σ)，i＝1,
……
,n，来对两种物质转换进行建模。对于每个能谱图像数据集ii，物质参数m
i,high
,和m
i,low
不同，而对于每个数据集，几何参数d、n和σ相同。
166.可以执行模型函数的拟合以同时优化模型函数gi与所有能谱图像ii的匹配。换言之，模型函数被同时拟合到相应的能谱数据集，并且使用成本函数寻求同时优化所有模型的拟合。例如，可以将能谱图像数据集表示为对于每个体素具有多个体素值的单个数据集。例如，如果k为体素的索引并且i＝0,1是能谱图像数据集的索引，且i
ik
是对于体素k的能谱图像i的体素值，则可以优化例如成本函数σk(i
0k-g
0k
(m
0high
,m
0low
,d,n,sigma))2+(i
1k-g
1k
(m
1high
,m
1low
,d,n,sigma))2。
167.根据两个模型函数中的每个与相应的能谱图像数据集的每个体素的拟合，可以对于每个体素j的相应的模型函数拟合参数做出估计。拟合参数包括对于每个能谱图像数据集ii的物质参数m
i,high
(j)和m
i,low
(j)(其中m
i,low
(j)是物质边界的一侧上的最小体素值，并且m
i,high
(j)是物质边界的另一侧上的最大体素值)。拟合参数还包括对于每个图像数据集ii相同的几何参数d(j),n(j),σ(j)。
168.可以基于推导的拟合参数针对每个能谱图像数据集ii来附加地推导其他辅助参数。这些例如包括m
i,high
(j)和m
i,low
(j)之间的绝对差。
169.基于针对每个图像数据集中的每个体素的拟合参数、辅助参数和推导的拟合质量参数，可以确定候选体素。如在上面的工作流中定义的，这可以基于使用体素的掩模。
170.具体的说，可以基于针对每个能谱数据集确定的模型拟合参数并且基于一个或多个预定的参考值或参考标准来执行掩模。掩模可以应用于单个图像数据集的图像数据，但是使用基于来自多个能谱通道的参数值推导的掩模。换言之，从多个能谱通道获得的信息能够用于识别候选体素。例如，可以基于来自一个能谱通道的拟合参数来生成第一掩模，并且可以基于来自第二能谱通道的拟合参数且基于针对每个的预定义的参考标准来生成第二掩模，并且其中，两个掩模被组合应用于两个能谱通道中的一个的图像数据或者第三能谱通道的图像数据。因而，可以考虑来自多个能谱通道的信息，得到候选体素的更加增强的识别。候选体素可以被识别为位于两个或者更多个掩模之间的重叠区域中的那些体素。这样，可以更加可靠地忽略来自一个能谱通道的错误拟合结果。
171.一旦识别了候选体素，所述方法的剩余步骤与先前描述的针对非能谱数据的工作
流中概述的那些相同。具体地，可以基于候选体素的模型拟合参数对于每个候选体素识别物质边界的候选空间点。这形成针对每个的候选点的云集。根据这些候选点，可以例如通过将点链接为三角形来构造表面网格。
172.由于不同的能谱数据集能够用于识别物质的不同对或者不同集之间的边界，因此针对每个能谱数据集的点云集界定了不同的物质对或者集之间的转换。例如，可以包括针对空气到组织转变的一个点云集，针对对比介质到组织的一个点云集，以及针对空气到对比介质的一个点云集。例如，通过组合针对空气到组织的点云集以及针对对比介质到组织的点云集，结果推导针对整体组织边界的合成点云集。这是例如致力于寻求识别结肠壁的边界的情况。因而，按照这种方式，能够执行虚拟清洗(上面讨论)的过程。
173.根据上面概述的任一实施例，可以应用下面的变型。
174.在上面讨论的示例中，假设用于获取图像数据的图像扫描设备的点扩散函数是各向同性的。然而，在进一步示例中，扫描仪的点扩散函数可以是各向异性的。在这种情况下，σ可以由向量σ替换。
175.扫描器的点扩散函数(各向同性或者各向异性)可以在先前已知。在这种情况下，它不需要进行估计并且在算法中可以是固定值。
176.根据一个或多个实施例，可以在将模型函数拟合到每个体素之前应用预处理步骤，预处理用于基于识别可能最接近物质边界的体素来将体素滤波到精简体素集。被估计具有成为接近物质边界的候选体素的低可能性的体素可以被忽略。模型函数的拟合接着可以仅应用于在滤波之后剩余的体素。
177.可以基于多个不同因素中的任意一个来执行滤波。一个选项包括仅选择其体素值位于所致力于的物质边界的任意一侧的预期m
high
和m
low
的预定义范围内的那些体素。其它选项包括检测跨成像的体积区域的体素值的梯度表示并仅选择位于相对高梯度的区域中的那些体素。
178.根据本发明再一方面的示例提供一种适于执行根据上面概述或者下面描述的，或者根据本技术任意权利要求的任意示例或实施例的方法的处理装置。
179.处理装置可以通常包括单个处理器或者多个处理器。它可以位于单个容纳设备、结构或单元中，或者它可以分布于多个不同设备、结构或单元之间。因此对适于或者配置为执行特定步骤或任务的处理装置的引用可以对应于由多个处理部件中的任意一个或多个单独或者组合执行的步骤或者任务。本领域普通技术人员将理解如何实现这样的分布式处理装置。所述处理装置包括用于接收数据并且向进一步的部件输出数据的通信模块或者输入/输出部分。
180.处理装置的一个或多个处理器可以按照各种方式实现，利用软件和/或硬件，以执行要求的各种功能。处理器典型地采用可以使用软件(例如，微代码)编程以执行要求的功能的一个或多个微处理器。处理器可以被实现为用于执行一些功能的专用硬件和用于执行其它功能的一个或多个编程微处理器和相关联电路的组合。
181.可以在本公开各种实施例中利用的电路的示例包括但不局限于传统微处理器、专用集成电路(asic)和现场可编程门阵列(fpga)。
182.在各种实现中，处理器可以与诸如ram、prom、eprom和eeprom的易失性和非易失性计算机存储器的一个或多个存储介质相关联。存储介质可以编码有一个或多个程序，当在
一个或多个处理器和/或控制器上执行时，该一个或多个程序执行要求的功能。各种存储介质可以被固定在处理器或者控制器内，或者可以运输，以使得存储在其上的一个或多个程序能够被加载到处理器中。
183.本发明的再一方面可以提供包括上面阐述的处理装置的系统，并且进一步包括与所述处理装置可操作性地耦合用于显示图像数据的物质边界的生成表示的显示单元。处理装置可以适于生成显示控制输出，用于使得显示单元显示识别的物质边界的图像表示。所述系统可以进一步包括用户接口，用于允许用户改变所执行的方法的属性或者设置，和/或配置与物质边界在显示单元上的显示相关的设置。
184.本领域普通技术人员在实践请求保护的本发明时，通过对附图、公开文本以及所附权利要求书的研究，可以理解或者实施所公开实施例的改变。在权利要求书中，词语“包括”不排除其他要素或者步骤，并且非限定词语“一”或者“一个”不排除多个。
185.单个处理器或者其它单元可以实现权利要求书中引述的几项的功能。
186.在共同的不同从属权利要求中引述的某些手段的唯一事实不指示不能够有效利用这些手段的组合。
187.计算机程序可以存储/分布在合适的介质中，例如与其它硬件一起提供或者作为其它硬件一部分的光学存储介质或者固态介质，但是也可以按照其它形式分布，例如经由互联网或者其它有线或无线电信系统。
188.如果在权利要求书或者说明书中使用了词语“适于”，则注意到词语“适于”意在等同于词语“被配置为”。
189.权利要求书中的任意附图标记不应该被构筑为对范围进行限制。

技术特征：
1.一种处理体积图像数据以识别所述数据内的物质边界(34)的方法，所述方法包括：获得(12)表示对象的解剖区域的体积图像数据；对于所述解剖区域中的体素(32)的至少子集中的每个体素：识别(14)围绕所述体素的体积子区域(36)，所述子区域至少包括直接相邻体素的子集；检索(16)预定的边界转换函数，所述边界转换函数表示作为跨待识别的物质边界的距离的函数的预期体素值的模型；将所述预定的边界转换函数拟合(18)到包含在所述体积子区域内的体素值，所述拟合包括确定所述模型函数的拟合参数；确定(20)指示所述模型函数的拟合的质量的拟合质量参数；基于针对每个体素确定的拟合参数和拟合质量参数来识别(22)针对所述物质边界的所述位置的候选空间点；并且至少基于所识别的候选点的子集来估计(24)所述数据内的所述物质边界。2.根据权利要求1所述的方法，其中，所述边界转换函数随着从所述物质边界的一侧上的最小体素值m
low
到所述物质边界的另一侧上的最大体素值m
high
的进展而对所述体素值建模，并且其中，所述拟合参数包括以下中的一个或多个：所述最小体素值m
low
；所述最大体素值m
high
；所述体素与所述物质边界的垂直距离d；所述物质边界的单位法向量。3.根据权利要求1或2所述的方法，其中，识别所述候选空间点包括识别候选体素的准备步骤，并且其中，基于针对每个候选体素的所述拟合参数，针对所述候选体素识别相应的候选空间点，识别候选体素包括基于推导的拟合参数值中的一个或多个和/或基于推导的质量参数值来执行对被成像解剖区域中的体素的掩模。4.根据权利要求3所述的方法，其中，基于以下中的一个或多个来生成单独的相应掩模：针对每个体素的质量拟合参数，其中，每个体素取决于所述质量拟合参数超出针对所述质量拟合的预定义参考值而进行掩模；针对每个体素的m
high
和m
low
值，其中，每个体素取决于m
high
和m
low
的推导值落入m
high
和m
low
的预定一对参考值的预定义容限范围内而进行掩模，所述参考值与感兴趣的特定物质边界相对应；针对每个体素的距离d，其中，每个体素取决于推导的距离值d落入d的参考值的预定义容限范围内而进行掩模。5.根据权利要求3或4所述的方法，其中，针对不同的相应参数生成多个掩模，并且向所述体积图像数据应用多个掩模，并且其中，得到的位于掩模的组合的相互重叠区域中的体素被识别为所述候选体素。6.根据权利要求1-5中的任一项所述的方法，其中，所述拟合参数包括：所述体素与所述物质边界的垂直距离d，以及所述物质边界的单位法向量；并且
识别所述候选空间点包括识别沿着所述单位法向量与体素位置的距离为d的点的坐标。7.根据权利要求1-6中的任一项所述的方法，其中，估计所述物质边界还包括生成表示所述物质边界的表面网格，所述表面网格至少包含所识别的空间点的子集。8.根据权利要求1-7中的任一项所述的方法，其中，所获得的体积图像数据是x射线ct体积图像数据。9.根据权利要求1-8中的任一项所述的方法，其中，所获得的体积图像数据是能谱图像数据，并且包括多个图像数据集，每个图像数据集由与不同的能谱数据通道相对应的数据形成，并且其中，针对所述数据集中的每个数据集执行所述方法，并且其中，针对每个能谱通道存在不同的相应预定的物质边界转换函数。10.根据权利要求1-9中的任一项所述的方法，其中，所述物质边界表示解剖结构的结构壁。11.根据权利要求10所述的方法，其中，所述物质边界表示界定内部腔室的解剖结构的壁，所述内部腔室例如是结肠。12.一种包括计算机程序代码的计算机程序产品，所述计算机程序代码能够在处理器上执行以使得所述处理器执行根据权利要求1-11中的任一项所述的方法。13.一种用于处理体积图像数据以识别所述数据内的物质边界(34)的处理装置，所述处理装置适于：获得(12)表示对象的解剖区域的体积图像数据；对于所述解剖区域中的体素(32)的至少子集中的每个体素：识别(14)围绕所述体素的体积子区域(36)，所述子区域至少包括直接相邻体素的子集；检索(16)预定的边界转换函数，所述边界转换函数表示作为跨待识别的物质边界的距离的函数的预期体素值的模型；将所述预定的边界转换函数拟合(18)到包含在所述体积子区域内的体素值，所述拟合包括确定所述模型的拟合参数；确定(20)指示所述模型函数拟合的质量的拟合质量参数；基于针对每个体素确定的拟合参数和拟合质量参数来识别(22)针对所述物质边界的候选空间点；并且至少基于所识别的候选空间点的子集来估计(24)所述数据内的所述物质边界。14.根据权利要求13所述的处理装置，其中，所述边界转换函数随着从所述物质边界的一侧上的最小体素值m
low
到所述物质边界的另一侧上的最大体素值m
high
的进展而对所述体素值建模，并且其中，所述拟合参数包括以下中的一个或多个：所述最小体素值m
low
；所述最大体素值m
high
；所述体素与所述边界的垂直距离d；所述边界的单位法向量。15.根据权利要求13或14所述的处理装置，其中，识别所述候选点包括识别候选体素的步骤，并且其中，基于针对每个候选体素的所述拟合参数来识别相应的候选点，识别候选体
素包括基于推导的拟合参数值中的一个或多个和/或基于推导的质量参数值来执行对被成像解剖区域中的体素进行掩模。

技术总结
方法用于识别体积图像数据内的物质边界。所述方法基于模型边界转换函数的使用，所述模型边界转换函数根据距离对跨物质边界的体素值的预期进展进行建模。每个体素被轮流获取，并且围绕所述体素的子区域内的体素值被拟合到模型函数，并且除了模型拟合的质量相关的参数之外，推导相对应的拟合参数。基于每个体素的这些参数，对于所述体素的至少子集中的每个，识别候选空间点，其被估计位于3D图像数据集内的物质边界上。额外的预备步骤可以可选地用于对所述体素一直到候选体素进行滤波，例如基于每个体素到所述物质边界的估计的距离，这能够基于对于每个体素的推导模型参数的特定组合进行估计。候选点能够仅针对识别的候选体素进行识别。结果是空间上与边界壁的轮廓相对应的候选空间点的云集。基于这些，能够生成边界壁的表示，例如表面网格。例如表面网格。例如表面网格。


技术研发人员：J
受保护的技术使用者：皇家飞利浦有限公司
技术研发日：2021.12.07
技术公布日：2023/8/14