A region growing method segments three-dimensional image data of an anatomical structure using a tortuous path length limit to constrain voxel growth. The path length limit constrains the number of successive generations of voxel growth from a seed point to prevent leakage of voxels outside the boundary of the anatomical structure. Once segmented, a process for detecting surface anomalies performs a curvature analysis on a computer model of the surface of the structure. This process detects surface anomalies automatically by traversing the vertices in the surface model, computing partial derivatives of the surface at the vertices, and computing curvature characteristics from the partial derivatives. To identify possible anomalies, the process compares the curvature characteristics with predetermined curvature characteristics of anomalies and classifies the vertices. The process further refines potential anomalies by segmenting neighboring vertices that are classified as being part of an anomaly using curvature characteristics. Finally, the process colorizes the anomalies and computes a camera position and direction for each one to assist the user in viewing 2D renderings of the computer model.

Un metodo crescente di regione suddivide i dati tridimensionali di immagine di una struttura anatomica usando un limite tortuous di lunghezza del percorso per costringere lo sviluppo del voxel. Il limite di lunghezza del percorso costringe il numero di generazioni successive di sviluppo del voxel da un punto del seme per impedire la perdita dei voxels fuori del contorno della struttura anatomica. Una volta che segmentato, un procedimento per la rilevazione delle anomalie di superficie effettua un'analisi di curvatura su un modello del calcolatore della superficie della struttura. Questo processo rileva automaticamente le anomalie di superficie attraversando i vertici nel modello di superficie, computando i derivati parziali della superficie ai vertici e computando le caratteristiche di curvatura dai derivati parziali. Per identificare le anomalie possibili, il processo paragona le caratteristiche di curvatura alle caratteristiche predeterminate di curvatura delle anomalie e classifica i vertici. Il processo ulteriore raffina le anomalie potenziali dai vertici vicini suddividentesi che sono classificati come facendo parte di un'anomalia usando le caratteristiche di curvatura. Per concludere, il processo colorizes le anomalie e computa una posizione e un senso della macchina fotografica affinchè ogni aiuti l'utente renderings di osservazione in 2D del modello del calcolatore.