CN101238987A - 一种关于ct脑出血图像的处理方法 - Google Patents
一种关于ct脑出血图像的处理方法 Download PDFInfo
- Publication number
- CN101238987A CN101238987A CNA200710076956XA CN200710076956A CN101238987A CN 101238987 A CN101238987 A CN 101238987A CN A200710076956X A CNA200710076956X A CN A200710076956XA CN 200710076956 A CN200710076956 A CN 200710076956A CN 101238987 A CN101238987 A CN 101238987A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- cerebral hemorrhage
- gray
- brain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种关于CT脑出血图像的处理方法，根据非奇异点个数自动选取原始数据的灰度图像、脑组织二值图像或头颅二值图像，基于奇异点剔出与形状拟合计算脑中矢状面；基于点对区域的广义不对称性度量鲁棒地刻画急性脑出血对中矢状面的不对称性；自适应地计算出急性脑出血的灰度阈值、广义不对称性阈值、局部对比度阈值和部分容积效应阈值；通过搜索岩骨以下的轴向切片确定第四脑室附近的急性脑出血；由已求出的非对称性出血求取对中矢状面呈现对称的急性脑出血；由已确定的较亮(灰度较高)的急性脑出血确定其周围较暗的急性脑出血；去除非急性脑出血的高信号；确定部分容积效应引起的急性脑出血像素，从而获得最终的急性脑出血区域图像。
Description
技术领域
本发明涉及CT图像处理技术领域，具体涉及关于CT脑出血图像的处理方法，用于精确确定急性脑出血区域的位置。
背景技术
急性脑内出血指的是在脑内的新近出血，这是非常紧急和危险的征兆，其准确快速的检测是有效处理与治疗的前提。对于急性脑出血，受过良好训练的放射科医务人员能够较好地辨认，但是当出血较少或出血被正常组织所掩盖时也会出错；受过良好训练的放射科医务人员通常用手工标定和计算脑出血体积，这不但费时，且难于控制精度，得到的是分散的二维图片而不是整体的三维信息。更糟糕的是，出血病人进入急诊室时，阅片者多为急诊科医师，他们的CT读片知识是有限的，从而不能有效地辨认出血。因此研究快速准确地检测急性脑出血具有重要的临床意义。
关于脑出血的自动检测国内外的研究较少。《Chan T.Computer aideddetection of small acute intracranial hemorrhage on computer tomography ofbrain》(Computerized Medical Image and Graphics 2007；31：285-298)研究了小出血的自动检测，其中矢状面的提取基于脑室的对称性，高达30％的情况不能准确实现而要求人的干预，对于一般出血(包括小出血和大出血)由于可能较大的占位效应，将会有更高比例的数据不能求出中矢状面；基于顶帽变换(top-hat transformation)刻画灰度的局部对比度，其数学形态学结构元大小难于确定(必须大于出血的直径，而出血的直径不定)；寻找可能的出血区域时需要计算
w1F(x，y)+w2G(x，y)＞T
和知道该区域对应的脑结构，其中w1、w2与T是三个待定参数，F(x，y)与G(x，y)分别表示在(x，y)处的对比度以及对中矢状面的灰度不对称性，如何确定这三个参数使其不依赖于不同的扫描设备是比较困难的，对于CT数据精确确定其解剖位置是困难的(由于空间分辨率低，加上数据对应于病变，难于精确找到需要的脑标志点)；另外，处理时间较长，平均每幅图像需要15秒(以一套数据12幅图像计算，时间为3分钟)。Maldjian等(Maldjian JA，Chalela J，Kasner SE，Liebeskind D，Detre JA.)的《AutomatedCT segmentation and analysis for acute middle cerebral artery stroke.)》(American Journal of Radiology 2001；22：1050-1055)探讨了基于脑图谱直接进行灰度比较的方法，这太过简化，且正如前面所述，数据难于与脑图谱实现精确对应。依赖于脑图谱与数据较精确的配准的方法，其中这种配准是不可能精确实现的，原因有二：一，由于临床CT数据的较低空间分辨率不能精确确定配准所需要的脑标志点，二，出现出血后脑组织可能出现移位或形变从而难于建立正常脑图谱和非正常脑组织之间的空间对应关系，因此借助脑图谱的精确定位确定非正常区在原理上讲是不可行的。尚斌和徐良贤的《一种中风病人脑出血CT图像序列的自动分割方法》(计算机工程2004：33(增刊)：356-357)采用与Maldjian等相似的方法先实现图像与脑图谱的匹配，然后利用模糊C均质聚类识别方法，只能处理非常简单的图像。所以目前急需寻找到一种能快速、准确处理CT脑出血图像的方法。
发明内容
本发明结合脑内急性脑出血的图像及解剖特征，能快速准确地对CT脑出血图像进行处理，从而获得急性出血区域图像，为医务人员诊断急性脑出血提供了精确的资料。
本发明是一种关于CT脑出血图像的处理方法，所述方法按以下步骤进行：
A、获得病人脑部CT图像数据；
B、利用模糊C-均值聚类方法识别CT图像中的脑部组织，获得脑组织二值图像；
C、计算脑中矢状面，并确定中矢状线；
D、基于点对区域的广义不对称性度量，估计在脑组织图像内部相对于中矢状线的广义不对称性特征，获得脑组织图像像素的广义不对称性特征数据；
E、计算急性脑出血的灰度阈值、不对称性阈值、局部对比度阈值、部分容积灰度阈值；
F、利用获得的灰度阈值、不对称性阈值和部分容积灰度阈值对脑部组织图像像素进行二值化处理；
G、对二值化处理后图像的前景连通区域，利用局部对比度阈值进行局部对比度约束，即如果其局部对比度不小于局部对比度阈值，则保留其为前景连通区域，否则将其设置为背景连通区域，从而获得初始急性脑出血二值图像。
其中，所述步骤B按以下步骤进行：
B1、利用模糊C-均值聚类识别方法将脑部CT图像数据按灰度值的高低分类，从而确定两个灰度阈值，即去掉头颅骨的高灰度阈值和去掉其它非脑组织的低信号阈值；
B2、对脑部CT图像数据，利用所述高灰度阈值和低信号阈值作为约束条件对其进行二值化处理；
B3、查找二值化处理之后的图像数据，对拥有最多非零像素且空间连通的前景连通区域，填充该连通区域内孔的处理，并进行填充该连通区域内孔的处理，并在一预设位置以下的每个轴向切片上检查二维前景区域，以去除孤立的二维前景连通区域，从而获得脑组织二值图像，从而获得脑组织二值图像。
其中，所述步骤C中，根据脑CT数据，采用基于局部对称性和奇异点剔出的方法计算中矢状面。
其中，所述步骤C中，若采用基于局部对称性和奇异点剔出的方法计算中矢状面失败(即非奇异点的个数不够多，或着说非常少，比如非奇异点的个数不足6个)，则对于脑组织二值图像数据，采用脑轮廓拟合计算和奇异点剔出相结合的方法，对脑CT轴向切片图像进行计算，从而计算出脑中矢状面；所述计算中矢状面的方法按照以下过程进行：
C1、利用椭圆函数逼近脑CT轴向切片图像的脑轮廓；
C2、用椭圆的长轴逼近所要计算的轴向切片图像的对称线，由所有计算的对称线通过奇异点剔出方法估计所需中矢状面。
其中，所述步骤C中，若采用脑轮廓拟合计算和奇异点剔出相结合的方法计算中矢状面失败(即非奇异点的个数不够多，或着说非常少，比如非奇异点的个数不足6个)，则使用头颅二值图像的头颅轮廓拟合计算和奇异点剔出相结合的方法，对脑CT轴向切片图像进行计算，从而计算出脑中矢状面。
其中，所述步骤D按照以下过程估计脑组织图像内部相对于中矢状线的广义不对称性特征数据：
D1、在同一轴向切片中计算脑组织图像中每个像素点相对于中矢状线的对称点；
D2、确定以每个对称点为中心的邻域内像素点的灰度最大值；
D3、用像素点的灰度值与相对应的灰度最大值相减，求取该像素点的广义不对称性特征数据，所述相对应的灰度最大值是指以该像素点对称点为中心的邻域内像素点的灰度最大值。
其中，所述步骤E中，按以下步骤计算急性脑出血的灰度阈值：
E1、查找广义不对称性特征数据大于临界阈值的所有像素点，该临界阈值大于由灰质与白质造成的脑组织广义不对称性特征；
E2、按照下述公式，计算上一步查找到的像素点的灰度阈值：
haeTh＝avg1-sd1，
其中，haeTh为所求灰度阈值，avg1为上一步查找到的像素点的灰度均值，sd1为上一步查找到的像素点的灰度方差。
其中，所述步骤E中，根据脑组织内部像素点的灰度直方图，计算急性脑出血的局部对比度阈值、不对称性阈值、部分容积灰度阈值。
其中，所述步骤F中，二值化处理采用以下方式：对脑组织的广义边界像素，若该像素点的灰度值不小于部分容积灰度阈值，且其广义不对称性特征数据不小于不对称性阈值，则该像素点设置为初始急性脑出血二值图像的前景像素；对于脑组织的内部像素，若该像素点的灰度值不小于灰度阈值，且该像素点的广义不对称性特征数据不小于不对称性阈值，则该像素点设置为初始急性脑出血二值图像的前景像素；若像素点不属于上述两种情况，则该像素点设置为初始急性脑出血二值图像的背景像素。
其中，所述方法还包括以下步骤：H1、搜索岩骨以下的轴向切片图像数据，并运用灰度和局部对比度阈值判定在第四脑室附近有无高信号区，若有则将此高信号区设置为初始急性脑出血区域的前景像素，从而获得含有第四脑室附近急性脑出血特征的初始急性脑出血区域图像。
其中，所述方法还包括以下步骤：
H21、查找初始急性脑出血区域图像数据，并对其按以下方式进行二值化处理：对脑组织前景像素的内部像素，若其灰度值不小于灰度阈值，则设置该像素为一临时的二值图像的前景像素；对脑组织前景像素的广义边界像素，若其灰度值不小于部分容积灰度阈值，则设置该像素为一临时的二值图像的前景像素；其他情况设置为一临时的二值图像的背景像素；
H22、对一临时的二值图像的图像的前景连通区域，利用局部对比度阈值进行局部对比度约束，即若其局部对比度不小于局部对比度阈值，则将其设置为急性脑出血二值图像的前景连通区域。
其中，所述方法还包括以下步骤：H3、对在初始急性脑出血区域图像的前景像素的邻域内检查背景像素，将灰度值比灰质灰度高的，且其广义不对称性特征数据不小于不对称性阈值与一常数之差的背景像素设为初始急性脑出血二值图像的前景像素，该常数是一个经验数据，可以在[5，15]内变化，结果影响不是很大。
其中，所述方法还包括以下步骤：H4、检测初始急性脑出血区域图像的前景线状连通区域，并将其设为初始急性脑出血二值图像的背景像素。
其中，所述方法还包括以下步骤：H5、查找初始急性脑出血区域图像的边缘像素，并将邻域内大于0.5个出血像素的边缘像素设为初始急性脑出血二值图像的前景像素。
本发明可以采用非增强型CT获得脑CT图像数据，并根据急性脑出血在非增强型CT图像中呈现高信号的特点，利用急性脑出血的灰度特性(高亮度)、对中矢状面的不对称性(通常不会在左右半脑的对称位置呈现高信号，脑室出血可呈现对称性而被特殊处理)以及急性脑出血比其周围的脑组织的信号高(局部对比度特性)，这三项特征有效地剔出非出血的高信号(例如，钙化呈现对中矢状面的对称性、成像伪影导致的高信号通常不会有高的局部对比度和非对称性)，从而获得急性脑出血区域图像。其中，由于部分容积效应引起的高信号可以根据其空间特征予以消除，即这些像素靠近头颅骨，位于脑的边界。
相对于现有技术的方法，本发明具有以下优点：
1、在一般脑出血及脑出血严重的情况下，能自动准确地提取中矢状面，从而确定急性脑出血区域脑组织的不对称性特征，不需人为干预
2、本发明提出的基于广义不对称性来是基于点与一个区域的灰度最大值之间差别，能对噪声和中矢状面提取的误差不敏感。
3、本发明提出了自适应的参数计算方法，且对来自日本、中国哈尔滨、广州、深圳的正常和脑出血(微小出血以及中度出血和超大出血)CT数据进行了测试，表明了参数确定的广泛的自适应性。
4、本发明避免利用脑图谱，所使用的只是较宽松的解剖知识。
5、本发明提出了相应的措施以区分出血高信号与其它非出血的高信号，还有本发明能能够找出对中矢状面对称的急性脑出血区、能够恢复较亮急性脑出血周围较暗的急性脑出血、能恢复部分容积效应引起的急性脑出血像素。
6、本发明基于较简单的运算、处理速度快，能在20秒以内获得急性脑出血区域图像，并根据图像计算出出血体积和位置，以便医务人员快速地采取治疗。
附图说明
图1是本发明关于CT脑出血图像处理方法的流程图；
图2是利用模糊C-均值聚类方法获得脑组织图像的方法流程图；
图3是脑部的轴向切片图像；
图4是图3的头颅二值图像；
图5是图3的脑组织图像；
图6是图3的中矢状线图像；
图7是采用本发明获得的急性脑出血区域的图像；
图8是脑组织内部像素点的归一化灰度直方图；
图9是含有脑出血与钙化及伪影的图像，图中，1表示条状伪影，2表示钙化，3表示脑出血；
图10是头颅骨的CT图像；
图11是头颅骨的脑组织图像，图中，4表示头颅骨。
具体实施方式
以下将详细描述本发明的各较佳实施例。
如图1所示，本发明的关于CT脑出血图像的处理方法，可用于通用计算机或CT图像的图像处理系统上，按以下步骤A至步骤G进行：
A、利用非增强型CT获得病人脑部CT图像数据，该脑部CT图像的CT数据(按标准DICOM格式保存)根据其窗位和窗宽自动转换为8位的数据文件，每一个图像点被称为像素(或体素，以下用像素表示)，像素的灰度为在0至255之间取值。通过获取多个脑部轴向切片、矢状切片或冠状切片后，经转换可获得三维CT图像，三维图像坐标系为：X为从左至右，Y为从前至后，Z为从上到下，Z为常数的切片称为轴向切片(也称水平面切片)，Y为常数的切片称为冠状切片，X为常数的切片称为矢状切片，第n个轴向切片的Z坐标为n(n为自然数)，其图像如图3所示。
B、利用模糊C-均值聚类方法识别上述CT图像中的脑部组织，并进行图像二值化处理，获得脑组织的二值图像brain(x，y，z)，如图5所示。如图2所示，这一步具体可采用以下步骤进行：
B1、利用模糊C-均值聚类识别方法将脑部CT图像数据按灰度值的高低分类，从而确定两个灰度阈值，即去掉头颅骨的高灰度阈值和去掉其它非脑组织的低信号阈值；
B2、对脑部CT图像数据，利用所述高灰度阈值和低信号阈值作为约束条件对脑部CT图像数据进行二值化处理；
B3、查找二值化处理之后的图像数据，对拥有最多非零像素且空间连通的前景连通区域，进行填充该连通区域内孔的处理，并进行填充该连通区域内孔的处理，并在一预设位置以下的每个轴向切片上检查二维前景区域，以去除孤立的二维前景连通区域(也就是为了去掉眼眶(orbit)以下的肌肉等非脑组织所产生的高信号，具体可以通过图像处理检测眼眶的位置用于设定所述的“预设位置”，然后从该位置以下检查每个轴向切片的二维前景连通区域，仅当它与上一个轴向切片足够多(比如说至少50％)的前景像素相邻时才保留，否则将其设置为背景像素即非脑像素。这里所说的相邻即是不孤立。)，从而获得脑组织图像brain(x，y，z)。这一过程中，利用模糊C-均值聚类对CT图像按照灰度值的高低可以分为四类：第一类的最大灰度，可作为去掉其它非脑组织(如空气和脑髓液)的低信号阈值Tback；第四类的平均灰度，可作为去掉头颅骨的高灰度Tbone；第三类的灰度均值fcmMean[3]和方差fcmSD[3]将被用来补偿部分容积效应和恢复较暗的急性脑出血。
上述B1至B3的过程可以参见以下头颅二值图像head(x，y，z)的处理原理。获取头颅二值图像head(x，y，z)由两个步骤来实现：
(1)按以下公式进行二值化，
上式中，g(x，y，z)为像素点(x，y，z)的灰度值。
(2)找到B1(x，y，z)中最大的前景连通区域(该区域的每个像素均为B1(x，y，z)中的1像素，且它们在空间中连通，拥有最多的像素数)并填充该连通区域内的孔所得到的二值图像即是head(x，y，z)，如图4所示。采用与上述方法类似的过程可求得脑组织图像，包括根据两个灰度阈值(Tback与Tbone)进行二值化处理、数学形态学处理以断开脑与非脑的连接、找到最大的前景连通区域并填充、去掉眼眶(orbit)以下的肌肉等非脑组织等，其详细操作过程可以参见括弧内的参考文献(Hu QM，Qian GY，Aziz A，Nowinski WL.Segmentation of brain from computed tomography head images(由CT头颅图像分割脑组织).Proceedings of the 2005 IEEE Engineering inMedicine and Biology 27th Annual Conference：1551-1554.)。
C、计算脑中矢状面，并确定中矢状线。
从解剖学角度上讲，中矢状面将人脑分成左右半脑。对于正常人，其左右半脑大致对称，因此CT图像对中矢状面呈现较强的对称性。然而，脑出血会破坏脑组织内的灰度分布，并有可能导致脑组织的形变和/或移位，因此脑出血病人的中矢状面的确定具有挑战性。在本发明中，采用以下方法计算中矢状面。
根据脑CT数据，可以采用精度较高的基于局部对称性和奇异点剔出的方法计算中矢状面，具体可以参见括弧内的文献资料(Hu QM，Nowinski WL.A rapid algorithm for robust and automatic extraction of the midsagittal plane ofthe human cerebrum from neuroimages based on local symmetry and outlierremoval(一种快速、自动和鲁棒地基于局部对称性和奇异点剔出估计大脑中矢状面的算法).NeuroImage 2003；20(4)：2154-2166)。
当CT图像数据呈现较大的灰度异常分布时，上述方法将不能提供足够多(比如说6个点)的非奇异点(inlier)，这时可用脑组织图像brain(x，y，z)估计中矢状面，也就是说采用脑轮廓拟合计算和奇异点剔出相结合的方法，对脑CT轴向切片图像进行计算，从而估计出脑中矢状面。比如，先利用椭圆函数逼近脑CT轴向切片图像的脑组织轮廓，然后用椭圆的长轴来逼近所要计算的轴向切片图像的对称线，由所有估计的对称线通过奇异点剔出来估计所需中矢状面。如果上述方法还是不能得到足够多(比如说6个点)的非奇异点，可采用类似于脑组织图像的方法，利用上述头颅二值图像head(x，y，z)估计中矢状面。所估计或计算出的中矢状面与轴向切片的交线即为所需提取的中矢状线或简称中矢状线，如图6所示，图像中的斜线即为所求取的轴向切片的中矢状线。
上述对中矢状面求取的基本思路是：只处理含有较大脑组织区域的轴向切片。具体可以按照以下方式选取所需处理的轴向切片：可计算每个轴向切片的平均灰度，avg(i)表示第i个轴向切片的平均灰度，所有轴向切片的最大平均灰度计为avgMax(对应于靠中间的轴向切片z＝zM)由zM至1找出第一个平均灰度小于0.6avgMax的轴向切片(z＝zS)，从zM到zSize(zSize是图像的总轴向切片数)找到第一个平均灰度小于0.8avgMax的轴向切片(z＝zE)，则只对zS到zE的轴向切片计算对称线。)
D、基于点对区域的广义不对称性度量，鲁棒地估计在脑组织图像内部相对于中矢状线的广义不对称性特征，获得脑组织图像像素的广义不对称性特征数据。这一步计算的目的是：刻画急性脑出血的空间不对称性，换句话说，对于两边都比较亮的区域，除了对应于脑室出血外，一般它不应被当作急性脑出血，可以通过广义不对称性图像而排除。
这一步骤中，具体如何估计脑组织图像内部相对于中矢状线的广义不对称性特征数据，可以采用如下方式：
首先、在同一轴向切片中计算脑组织图像中每个像素点相对于中矢状线的对称点；
其次、确定以每个对称点为中心的邻域内像素点的灰度最大值；
最后、用像素点的灰度值与相对应的灰度最大值相减，求取该像素点的广义不对称性特征数据，所述相对应的灰度最大值是指以该像素点对称点为中心的邻域内像素点的灰度最大值。以下采用以轴向切片的处理方法为例，具体说明上述方法的原理。
对图像中的任意像素点(x，y，z)，在同一轴向切片上计算出其对中矢状线的对称点(x′，y′，z)，用N代表以(x′，y′，z)为中心且包含(x′，y′，z)的邻域，用fN(x′，y′，z)表示该邻域的灰度最大值，则在(x，y，z)处的广义不对称性定义为：
上式中，asym(x，y，z)即为所求取的广义不对称性特征数据。由于这里感兴趣的只是急性脑出血的高信号，因此不对称性的低信号可以不予考虑。由于中矢状面的计算可能有误差，在CT成像时扫描的方位可能有倾斜而导致(x，y，z)对中矢状面的对称点偏离(x′，y′，z)(即，不在同一轴向切片上)，因此直接用g(x′，y′，z)与g(x，y，z)相减会导致不对称性对倾斜扫描及中矢状面计算误差的敏感，用(x′，y′，z)邻域灰度的最大值就能增强鲁棒性，其中邻域的大小依赖于轴向切片的倾斜程度及所提取的中矢状面的精度，例如，邻域大小可取为7×7。
E、计算急性脑出血的灰度阈值、不对称性阈值、局部对比度阈值、部分容积灰度阈值。
脑组织像素就是所有那些brain(x，y，z)函数值为1的像素，即脑组织图像的前景像素或目标像素。对任意的脑组织像素，在同一轴向切片上，如果在其5×5邻域内至少有1个非脑组织的点，那么这个像素就有可能受部分容积效应影响，这个像素就叫做广义脑边界像素，其它的脑组织像素就叫做脑组织内部像素。
对于所有像素(x，y，z)，如果asym(x，y，z)≥θ0(θ0为一由经验确定的常数，为20左右，经验表明对于0～255的CT脑图像，白质与灰质的灰度差别一般小于20，因此，大于20的广义非对称性不是由灰质与白质的灰度差造成的)，计算这些像素的灰度均值avg1和灰度方差sd1，则可以求取所述的灰度阈值haeTh。具体可按以下步骤计算：
首先、查找广义不对称性特征数据大于临界阈值的所有像素点，该临界阈值大于由灰质与白质造成的脑组织广义不对称性特征(即经验值20)；
其次、按照下述公式，计算上一步查找到的像素点的灰度阈值：
haeTh＝avg1-sd1。
对于上述局部对比度阈值、不对称性阈值、部分容积灰度阈值的求取可以依据脑组织内部像素点的灰度直方图，如图8所示。
统计脑组织内部像素点的灰度直方图，如图8所示，其纵轴为某一灰度出现的频率(已经归一化，即最大频率对应于1)，在最大频率灰度两边频率降低，降至一半频率的左边的灰度为TT1，右边为TT2。可以粗略地说，[0，TT1)是脑组织中较低的信号，(TT2，255)是脑组织中较高的信号，而[TT1，TT2]是脑组织中较有代表性的信号。推广到一般，对于任意变量的直方图，其[TT1，TT2]大致地表示了该变量有代表性的取值，亦即该变量有代表性的取值下限是TT1，上限是TT2。
对于脑组织图像中灰度位于[TT1，TT2]的像素(x，y，z)，计算其局部对比度(定义为g(x，y，z)减去其8邻域灰度的最小值)，统计所有这些局部对比度的直方图并得到其代表性的取值区域为[TTLC1，TTLC2]，则局部对比度阈值lcTh为：lcTh＝TTLC2+5。
对于脑组织图像中灰度位于[TT1，TT2]的像素(x，y，z)，统计所有广义非对称性数据大于零的asym(x，y，z)直方图，并得到其代表性的取值区域为[TTasym1，TTasym2]，则不对称性阈值asymTh为asymTh＝TTasym2+5，这里的裕量5由经验得到。
对于Z坐标为z的轴向切片，找到所有广义脑边界像素的灰度最大值gmax1(z)和灰度最小值gmin1(z)，则对这些广义脑边界像素，其部分容积灰度阈值pvTh(z)为pvTh(z)＝(3×gmax1(z)+gmin1(z))/4。
F、利用上述获得的灰度阈值、不对称性阈值和部分容积灰度阈值对脑部组织图像像素进行二值化处理。这一步骤的具体过程是：对脑组织的广义边界像素，若其灰度值不小于部分容积灰度阈值，且其广义不对称性特征数据不小于不对称性阈值，则该像素点设置为初始急性脑出血二值图像的前景像素；对脑组织的内部像素，若其灰度值不小于灰度阈值，且其广义不对称性特征数据不小于不对称性阈值，则该像素点设置为初始急性脑出血二值图像的前景像素；若像素点不属于上述两种情况，则该像素点设为初始急性脑出血二值图像的背景像素。以下用公式表示上述二值化处理的原理。
对于脑组织像素，基于灰度与不对称性进行二值化处理后，得到B2(x，y，z)，如下所示：
上述式中，g(x，y，z)为像素点(x，y，z)的灰度值；pvTh(i)为Z坐标为i的轴向切片上，广义脑边界像素的部分容积灰度阈值；haeTh为急性脑出血部分脑组织图像的灰度阈值；asym(x，y，z)为像素点(x，y，z)的广义不对称性数据；asymTh为急性脑出血部分脑组织图像的不对称性阈值。
G、对二值化处理后图像B2(x，y，z)的前景连通区域，计算其局部对比度并与局部对比度阈值比较，如果其局部对比度不小于局部对比度阈值则保留该前景连通区域，否则将其设置为背景连通区域，从而获得初始急性脑出血区二值图像(其函数可以定义为initHaem(x，y，z))。
上述前景连通区域是图像处理中比较常用的概念，如何找出B2(x，y，z)的所有前景的连通区域(其中，每一前景连通区域在空间上是26-邻域连通的)具体可以参照中括号内的文献资料【Hu QM，Qian GY，Nowinski WL.Fastconnected-component labeling in three-dimensional binary images based oniterative recursion.Computer Vision and Image Understanding 2005；99：414-434】。对于每一前景连通区域在空间上是26-邻域连通的前景连通区域，其每个像素(x，y，z)均为B2(x，y，z)的前景像素(即，B2(x，y，z)＝1)。对每一个前景连通区域，其大小为该区域像素数目，对应的相邻背景像素为那些B2(x，y，z)的背景像素(即，B2(x，y，z)＝0)，在它们的3×3邻域内至少含有一个该前景连通区域像素。
任何一个B2(x，y，z)前景连通区域的局部对比度可以定义为该连通区域所有像素的灰度平均值减去该前景连通区域对应的相邻背景像素灰度的平均值。一种可能的实施方案如下。
对于B2(x，y，z)的所有前景连通区域，如果其像素数目大于num0且其局部对比度大于局部对比度阈值lcTh，则该前景连通区域的所有像素在initHaem(x，y，z)中设置为1，initHaem(x，y，z)的其它像素设置为0。num0为一常数，目的是去掉那些孤立点噪声，对于在轴向切片的像素大小为1毫米左右的图像，num0可设置为10。一般地，如果图像在X与Y方向上的分辨率为voxX与voxY(单位为每像素毫米)，则num0可设为：
10/(voxX×voxY)。
上述步骤A至步骤G的图像处理过程，基本上从CT图像中分离获得了初始急性脑出血区域图像，可以用于医务人员判断急性脑出血病症，这种利用计算机进行图像处理获得初始急性脑出血区域图像的方法，可以方便医务人员精确定位急性脑出血的位置。
对于上述方法的过程，本发明还给出了以下几个步骤，用于补偿图像处理误差。
一、补偿在第四脑室附近的急性脑出血。
由于位于第四脑室附近的急性脑出血通常对中矢状面呈现对称性，因此初始的急性脑出血区域initHaem(x，y，z)将不包含这部分出血，可以通过找到第四脑室所在的轴向切片并搜索这些轴向切片来实现其补偿。所以上述方法在步骤G之后还包括步骤H1：
搜索岩骨以下的轴向切片图像数据，并运用灰度和局部对比度阈值判定在第四脑室附近有无高信号区，若有则将此高信号区设置为初始急性脑出血区域的前景像素，从而获得含有第四脑室附近急性脑出血特征的初始急性脑出血区域图像。
实际中，可以通过找到出现岩骨(petrous bone)的最上面的轴向切片z＝zp，并搜索z≥zp的轴向切片。对于这些切片，只运用灰度和局部对比度阈值判定在第四脑室附近有无高信号区(与步骤F相似，只是去掉asym(x，y，z)≥asymTh的限制)。若有，则将这些高信号区的像素设置为initHaem(x，y，z)的前景。
出现岩骨的轴向切片zp可以通过分析切片的脑组织面积(brain(x，y，z)为1的像素数目总和)来实现。设具有最大脑组织面积的切片的z坐标为zM，area(z)表示轴向切片z的脑组织面积，则zp≥zM，area(zp)＜0.8×area(zM)；所有介于zM与zp的z，area(z)≥0.8×area(zM)。
二、补偿对中矢状面对称的急性脑出血。
当急性脑出血区域initHaem(x，y，z)在中矢状面的左右两侧都有前景像素时，表明脑出血已经分散于左右半脑，这时的脑出血有可能出现对中矢状面对称的情况，而未被设置为initHaem(x，y，z)的前景像素。这些出血像素具有如下特点：灰度高信号、比周围的非出血信号亮、与initHaem(x，y，z)中的某些前景像素相邻。因此这些出血像素可以通过灰度阈值处理、检查局部对比度以及跟现有的initHaem(x，y，z)前景像素相邻来检测出。因此对于这种情况采用以下方式弥补
首先，查找初始急性脑出血区域图像数据，并对其按以下方式进行二值化处理，获得一临时的二值图像B3(x，y，z)：
然后，对二值化处理后图像B3(x，y，z)的前景连通区域，求出局部对比度并与局部对比度阈值比较，从而在初始急性脑出血区域图像中添加左右对称的脑出血信号特征。对于B3(x，y，z)的前景连通区域，如果其局部对比度不小于lcTh，且至少有一个属于该连通区域的像素位于initHaem(x，y，z)的一个前景像素的8-邻域，则将B3(x，y，z)的这个前景连通区域的所有像素的initHaem(x，y，z)设置为前景，从而恢复左右对称的脑出血高信号。
三、确定急性脑出血周围较暗的出血像素。
出血像素呈现一定的灰度变化，至此已找到的出血像素满足灰度、局部对比度以及非对称性阈值条件，它们可被称为核心脑出血像素(corehaemorrhage pixels)。对initHaem(x，y，z)的前景像素在其5×5邻域内检查那些背景像素，如果其灰度比灰质的灰度为高(即，g(x，y，z)≥(haeTh+fcmMean[3]+fcmSD[3])/2)，且其非对称性asym(x，y，z)≥(asymTh-10)，则将initHaem(x，y，z)设置为前景，从而在初始急性脑出血区域图像中补偿了周围较暗的急性脑出血特征。这一步意义重大，从概念上讲，急性脑出血呈现一定的灰度变化，前面的步骤A至步骤G能确定急性脑出血中较亮的部分，这一步用来确定较暗的部分。这种策略是一种较优的策略，即用一种参数时要么包括一些较低的非出血信号(阈值较低)或丢掉一些靠近边缘的较低的出血信号。
四、去除非出血的高信号。
已找到的急性脑出血像素(initHaem(x，y，z)＝1，即initHaem(x，y，z)中的前景像素)可能对应于非出血的高信号，应想办法将它们消除。
线状的高信号(如图9示)可通过检测initHaem(x，y，z)的前景线状连通区域而消除(将此连通区域的所有像素在initHaem(x，y，z)中设置为背景像素)。
钙化通常为小(比如说小于150mm2)的类圆形区域，同时在几个相邻的轴向切片中出现。钙化区域通常呈现较高的亮度，通过对中矢状面的对称性可以被消除。当CT成像比较倾斜时，计算非对称性图像asym(x，y，z)所用的7×7邻域可能太小，不足以找到一边钙化像素的另一边所对应的钙化像素。这时可通过增大邻域大小(比如11×11)并考虑邻近的轴向切片，即，fN(x’，y’，z)由fN(x’，y’，z-1)、fN(x’，y’，z-1)及fN(x’，y’，z+1)的最大值来代表，若这些initHaem(x，y，z)的前景像素不再满足非对称性条件则将对应的initHaem(x，y，z)设置为0，即将这部分的前景连通区域设置为背景像素，从而在初始急性脑出血区域图像中去除非出血的高信号特征。
由于成像比较倾斜或头颅骨左右不太对称，有可能出现部分骨头被当作脑组织(填充填入)且在图像中呈现不对称性而被误判为急性脑出血的情况(如图10和11)。这通常发生在岩骨以下的轴向切片(z≥zp)，这种高信号可以通过灰度阈值来实现，即对z≥zp的所有initHaem(x，y，z)的前景像素，如果g(x，y，z)≥Tbone则将其改变为背景像素。
五、确定急性脑出血周围的部分容积效应像素。
由于部分容积效应，邻近脑出血边界的像素呈现中间灰度，如果脑出血部分大于0.5个像素则该像素应被判定为出血像素。这可通过灰度比较来实现。设像素(x，y，z)为前景像素，考虑水平直线段(x+1，y，z)与（x+2，y，z)，其中，initHaem(x，y，z)＝1，initHaem(x+1，y，z)＝0，initHaem(x+2，y，z)＝0。
如果g(x+1，y，z)≥(haeTh+fcmMean[3]-fcmSD[3])/2且g(x+1，y，z)＞(g(x，y，z)+g(x+2，y，z))/2，则可认定在(x+1，y，z)处脑出血比例大于0.5而判定(x+1，y，z)为出血像素(即，将initHaem(x+1，y，z)设置为前景)。对垂直或其它方位的直线可采用类似的方法补偿部分容积效应。
上述这一过程中，通过查找初始急性脑出血区域图像的边缘像素，并将邻域内大于0.5个出血像素的边缘像素设为前景像素，用于补偿部分容积效应产生的急性脑出血像素。
上述步骤一至步骤五的顺序可以任意选择，并均位于步骤G之后，如图1所示，在步骤G之后，步骤一至步骤五可以按上述描述的顺序依次执行，并得到最终急性脑出血区域图像，如图7所示。
现以对临床CT数据说明本技术方案及所能达到的效果。采用如图1所述的步骤，从临床Dicom数据经自动数据转换得到原始图像g(x，y，z)；并对该图像按照上述所说的方案进行图像处理之后，可得图7所示的急性脑出血区域图像。如果上述过程至确定第四脑室附近的急性脑出血止所得到的急性脑出血像素数仍为零，则此数据对应于非出血；否则，由所计算的出血区域可得到出血体积以决定是否手术，由相隔一定时间得到的同一病人的CT数据检测并比较急性脑出血以判定是否为进展型脑出血，并提供急性脑出血的三维整体以及空间位置帮助医务人员把握出血的状况以制定合适的治疗方案。
上述各具体步骤的举例说明较为具体，并不能因此而认为是对本发明的专利保护范围的限制，本发明的专利保护范围应以所附权利要求为准。
Claims (14)
1、一种关于CT脑出血图像的处理方法，其特征在于，所述方法按以下步骤进行：
A、获得病人脑部CT图像数据；
B、利用模糊C-均值聚类方法识别CT图像中的脑部组织，获得脑组织的二值图像；
C、计算脑中矢状面，并确定中矢状线；
D、基于点对区域的广义不对称性度量，估计在脑组织图像内部相对于中矢状线的广义不对称性特征，获得脑组织图像像素的广义不对称性特征数据；
E、计算急性脑出血的灰度阈值、不对称性阈值、局部对比度阈值、部分容积灰度阈值；
F、利用获得的灰度阈值、不对称性阈值和部分容积灰度阈值对脑部组织图像像素进行二值化处理；
G、对二值化处理后图像的前景连通区域，如果其局部对比度不小于局部对比度阈值，则保留其为前景连通区域，否则将其设置为背景连通区域，从而获得初始急性脑出血二值图像。
2、根据权利要求1所述的方法，其特征在于，所述步骤B按以下步骤进行：
B1、利用模糊C-均值聚类识别方法将脑部CT图像数据按灰度值的高低分类，从而确定两个灰度阈值，即去掉头颅骨的高灰度阈值和去掉其它非脑组织的低信号阈值；
B2、对脑部CT图像数据，利用所述高灰度阈值和低信号阈值作为约束条件对其进行二值化处理；
B3、查找二值化处理之后的图像数据，对拥有最多非零像素且空间连通的前景连通区域，进行填充该连通区域内孔的处理，并在一预设位置以下的每个轴向切片上检查二维前景区域，以去除孤立的二维前景连通区域，从而获得脑组织二值图像。
3、根据权利要求1所述的方法，其特征在于，所述步骤C中，根据脑CT数据，采用基于局部对称性和奇异点剔出的方法计算中矢状面。
4、根据权利要求1所述的方法，其特征在于，所述步骤C中，采用脑轮廓拟合计算和奇异点剔出相结合的方法，估计出脑中矢状面，包括如下步骤：
C1、利用椭圆函数逼近脑CT轴向切片图像的脑轮廓；
C2、用椭圆的长轴逼近所要计算的轴向切片图像的对称线，由所有计算的对称线通过奇异点剔出方法估计所需中矢状面。
5、根据权利要求4所述的方法，其特征在于，所述步骤C中，使用头颅二值图像的头颅轮廓拟合估计和奇异点剔出相结合的方法，对脑CT轴向切片图像进行计算，从而计算出脑中矢状面。
6、根据权利要求1所述的方法，其特征在于，所述步骤D按照以下过程估计脑组织图像内部相对于中矢状线的广义不对称性特征数据：
D1、在同一轴向切片中计算脑组织图像中每个像素点相对于中矢状线的对称点；
D2、确定以每个对称点为中心的邻域内像素点的灰度最大值；
D3、用像素点的灰度值与相对应的灰度最大值相减，求取该像素点的广义不对称性特征数据，所述相对应的灰度最大值是指以该像素点对称点为中心的邻域内像素点的灰度最大值。
7、根据权利要求1所述的方法，其特征在于，所述步骤E中，按以下步骤计算急性脑出血的灰度阈值：
E1、查找广义不对称性特征数据大于临界阈值的所有像素点，该临界阈值大于灰质与白质造成的脑组织广义不对称性特征；
E2、按照下述公式，计算上一步查找到的像素点的灰度阈值：
haeTh＝avg1-sd1，
其中，haeTh为所求灰度阈值，avg1为上一步查找到的像素点的灰度均值，sd1为上一步查找到的像素点的灰度方差。
8、根据权利要求1所述的方法，其特征在于，所述步骤E中，根据脑组织内部像素点的灰度直方图，计算急性脑出血的局部对比度阈值、不对称性阈值、部分容积灰度阈值。
9、根据权利要求1所述的方法，其特征在于，所述步骤F中，二值化处理采用以下方式：
对脑组织的广义边界像素，若其灰度值不小于部分容积灰度阈值，且其广义不对称性特征数据不小于不对称性阈值，则该像素点设置为初始急性脑出血二值图像的前景像素；对脑组织的内部像素，若其灰度值不小于灰度阈值，且其广义不对称性特征数据不小于不对称性阈值，则该像素点设置为初始急性脑出血二值图像的前景像素；若像素点不属于上述两种情况，则该像素点设置为初始急性脑出血二值图像的背景像素。
10、根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：H1、搜索岩骨以下的轴向切片图像数据，并运用灰度和局部对比度阈值判定在第四脑室附近有无高信号区，若有则将此高信号区设置为初始急性脑出血区域的前景像素，从而获得含有第四脑室附近急性脑出血特征的初始急性脑出血区域图像。
11、根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：
H21、查找初始急性脑出血区域图像数据，并对其按以下方式进行二值化处理：对于脑前景像素的内部像素，若其灰度不小于灰度阈值，则设置该像素为一临时的二值图像的前景像素；对于脑前景像素的广义边界像素，若其灰度值不小于部分容积灰度阈值，则设置该像素为这一临时二值图像的前景像素；其他情况设置为这一临时二值图像的背景像素；
H22、对这一临时二值图像的前景连通区域，若其局部对比度不小于局部对比度阈值，则将其设置为初始急性脑出血二值图像的前景连通区域。
12、根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：H3、对在初始急性脑出血区域图像的前景像素的邻域内检查背景像素，将灰度值比灰质灰度高的，且其广义不对称性特征数据不小于不对称性阈值与一常数之差的背景像素设为初始急性脑出血二值图像的前景像素。
13、根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：H4、检测初始急性脑出血区域图像的前景线状连通区域，并将其设为初始急性脑出血二值图像的背景像素。
14、根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：H5、查找初始急性脑出血区域图像的边缘像素，并将邻域内大于0.5个出血像素的边缘像素设为初始急性脑出血二值图像的前景像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA200710076956XA CN101238987A (zh) | 2007-09-06 | 2007-09-06 | 一种关于ct脑出血图像的处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA200710076956XA CN101238987A (zh) | 2007-09-06 | 2007-09-06 | 一种关于ct脑出血图像的处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101238987A true CN101238987A (zh) | 2008-08-13 |
Family
ID=39931013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA200710076956XA Pending CN101238987A (zh) | 2007-09-06 | 2007-09-06 | 一种关于ct脑出血图像的处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101238987A (zh) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010142085A1 (zh) * | 2009-06-12 | 2010-12-16 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统、方法 |
| CN102028494A (zh) * | 2011-01-24 | 2011-04-27 | 海纳医信（北京）软件科技有限责任公司 | 脑灌注图像序列处理方法及系统 |
| WO2011066689A1 (en) * | 2009-12-04 | 2011-06-09 | Shenzhen Institute Of Advanced Technology | Method and device for detecting bright brain regions from computed tomography images |
| CN102393963A (zh) * | 2011-07-05 | 2012-03-28 | 电子科技大学 | 一种基于可形变表面模型的mr图像颅骨剥离方法 |
| CN103222879A (zh) * | 2012-01-25 | 2013-07-31 | 通用电气公司 | 用于识别超声成像的最佳图像帧的系统和方法 |
| CN103793904A (zh) * | 2012-10-29 | 2014-05-14 | 深圳先进技术研究院 | 图像配准装置及其图像配准的方法 |
| CN103914826A (zh) * | 2013-01-09 | 2014-07-09 | 上海联影医疗科技有限公司 | 一种中心矢状面的提取方法 |
| CN104050472A (zh) * | 2014-06-12 | 2014-09-17 | 浙江工业大学 | 一种灰度图像二值化的自适应全局阈值方法 |
| CN104207797A (zh) * | 2013-06-03 | 2014-12-17 | 上海联影医疗科技有限公司 | 基于ct定位片确定病人尺寸、位置及x射线经过病人衰减的方法 |
| WO2015024370A1 (zh) * | 2013-08-21 | 2015-02-26 | 深圳迈瑞生物医疗电子股份有限公司 | 一种三维超声成像方法及系统 |
| CN104510470A (zh) * | 2013-09-29 | 2015-04-15 | 深圳先进技术研究院 | 基于磁共振弥散加权成像确定脑缺血特征的方法和装置 |
| CN105096349A (zh) * | 2014-04-25 | 2015-11-25 | 上海联影医疗科技有限公司 | 一种图像对称结构的提取方法 |
| CN105426808A (zh) * | 2014-09-23 | 2016-03-23 | 深圳先进技术研究院 | 脑中矢状线漂移测量方法与系统 |
| CN106102585A (zh) * | 2015-02-16 | 2016-11-09 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
| CN107485455A (zh) * | 2012-07-25 | 2017-12-19 | 直观外科手术操作公司 | 手术系统中有效的交互式出血检测 |
| CN107705315A (zh) * | 2017-08-18 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 脑组织结构提取方法、装置、设备及存储介质 |
| US10013528B2 (en) | 2014-02-25 | 2018-07-03 | Huawei Technologies Co., Ltd. | Medical image storing method, information exchanging method, and apparatuses |
| WO2019025656A1 (es) * | 2017-07-31 | 2019-02-07 | Servicio Andaluz De Salud | Método para predecir o pronosticar el riesgo de muerte o vasoespasmo de un paciente con hemorragia subaracnoidea |
| CN109829879A (zh) * | 2018-12-04 | 2019-05-31 | 国际竹藤中心 | 维管束的检测方法及装置 |
| CN109978790A (zh) * | 2019-03-26 | 2019-07-05 | 数坤（北京）网络科技有限公司 | 一种钙化伪影消除方法、设备及计算机存储介质 |
| CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| WO2020093566A1 (zh) * | 2018-11-05 | 2020-05-14 | 平安科技（深圳）有限公司 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
| CN111199513A (zh) * | 2019-12-30 | 2020-05-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和存储介质 |
| CN112529918A (zh) * | 2020-12-23 | 2021-03-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
| CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
| CN117876320A (zh) * | 2024-01-10 | 2024-04-12 | 湖大粤港澳大湾区创新研究院(广州增城) | 一种图像识别方法、装置和系统 |
-
2007
- 2007-09-06 CN CNA200710076956XA patent/CN101238987A/zh active Pending
Cited By (45)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010142085A1 (zh) * | 2009-06-12 | 2010-12-16 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统、方法 |
| US8849000B2 (en) | 2009-12-04 | 2014-09-30 | Shenzhen Institute Of Advanced Technology, Chinese Academy Of Sciences | Method and device for detecting bright brain regions from computed tomography images |
| WO2011066689A1 (en) * | 2009-12-04 | 2011-06-09 | Shenzhen Institute Of Advanced Technology | Method and device for detecting bright brain regions from computed tomography images |
| CN102028494A (zh) * | 2011-01-24 | 2011-04-27 | 海纳医信（北京）软件科技有限责任公司 | 脑灌注图像序列处理方法及系统 |
| CN102028494B (zh) * | 2011-01-24 | 2012-05-09 | 海纳医信（北京）软件科技有限责任公司 | 脑灌注图像序列处理方法及系统 |
| CN102393963A (zh) * | 2011-07-05 | 2012-03-28 | 电子科技大学 | 一种基于可形变表面模型的mr图像颅骨剥离方法 |
| CN103222879A (zh) * | 2012-01-25 | 2013-07-31 | 通用电气公司 | 用于识别超声成像的最佳图像帧的系统和方法 |
| CN103222879B (zh) * | 2012-01-25 | 2017-04-12 | 通用电气公司 | 用于识别超声成像的最佳图像帧的系统和方法 |
| CN107485455B (zh) * | 2012-07-25 | 2020-04-03 | 直观外科手术操作公司 | 手术系统中有效的交互式出血检测 |
| CN107485455A (zh) * | 2012-07-25 | 2017-12-19 | 直观外科手术操作公司 | 手术系统中有效的交互式出血检测 |
| CN103793904A (zh) * | 2012-10-29 | 2014-05-14 | 深圳先进技术研究院 | 图像配准装置及其图像配准的方法 |
| CN103914826A (zh) * | 2013-01-09 | 2014-07-09 | 上海联影医疗科技有限公司 | 一种中心矢状面的提取方法 |
| CN103914826B (zh) * | 2013-01-09 | 2017-11-28 | 上海联影医疗科技有限公司 | 一种中心矢状面的提取方法 |
| CN104207797B (zh) * | 2013-06-03 | 2018-06-19 | 上海联影医疗科技有限公司 | 基于ct定位片确定病人尺寸、位置及x射线经过病人衰减的方法 |
| CN104207797A (zh) * | 2013-06-03 | 2014-12-17 | 上海联影医疗科技有限公司 | 基于ct定位片确定病人尺寸、位置及x射线经过病人衰减的方法 |
| CN104414680A (zh) * | 2013-08-21 | 2015-03-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种三维超声成像方法及系统 |
| US11039810B2 (en) | 2013-08-21 | 2021-06-22 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Three-dimensional ultrasonic imaging method and system |
| US10213183B2 (en) | 2013-08-21 | 2019-02-26 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Three-dimensional ultrasonic imaging method and system |
| WO2015024370A1 (zh) * | 2013-08-21 | 2015-02-26 | 深圳迈瑞生物医疗电子股份有限公司 | 一种三维超声成像方法及系统 |
| US11969288B2 (en) | 2013-08-21 | 2024-04-30 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Three-dimensional ultrasonic imaging method and system |
| CN104510470B (zh) * | 2013-09-29 | 2017-10-31 | 深圳先进技术研究院 | 基于磁共振弥散加权成像确定脑缺血特征的方法和装置 |
| CN104510470A (zh) * | 2013-09-29 | 2015-04-15 | 深圳先进技术研究院 | 基于磁共振弥散加权成像确定脑缺血特征的方法和装置 |
| US10013528B2 (en) | 2014-02-25 | 2018-07-03 | Huawei Technologies Co., Ltd. | Medical image storing method, information exchanging method, and apparatuses |
| CN105096349A (zh) * | 2014-04-25 | 2015-11-25 | 上海联影医疗科技有限公司 | 一种图像对称结构的提取方法 |
| CN104050472B (zh) * | 2014-06-12 | 2018-02-27 | 浙江工业大学 | 一种灰度图像二值化的自适应全局阈值方法 |
| CN104050472A (zh) * | 2014-06-12 | 2014-09-17 | 浙江工业大学 | 一种灰度图像二值化的自适应全局阈值方法 |
| CN105426808A (zh) * | 2014-09-23 | 2016-03-23 | 深圳先进技术研究院 | 脑中矢状线漂移测量方法与系统 |
| CN105426808B (zh) * | 2014-09-23 | 2019-06-14 | 深圳先进技术研究院 | 脑中矢状线漂移测量方法与系统 |
| CN106102585A (zh) * | 2015-02-16 | 2016-11-09 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
| US11229419B2 (en) | 2015-02-16 | 2022-01-25 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method for processing 3D image data and 3D ultrasonic imaging method and system |
| US11344260B2 (en) | 2017-07-31 | 2022-05-31 | Servicio Andaluz De Salud | Predicting the risk of death or vasospasm in a patient with a subarachnoid hemorrhage |
| WO2019025656A1 (es) * | 2017-07-31 | 2019-02-07 | Servicio Andaluz De Salud | Método para predecir o pronosticar el riesgo de muerte o vasoespasmo de un paciente con hemorragia subaracnoidea |
| CN107705315A (zh) * | 2017-08-18 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 脑组织结构提取方法、装置、设备及存储介质 |
| CN107705315B (zh) * | 2017-08-18 | 2020-03-17 | 中国科学院深圳先进技术研究院 | 脑组织结构提取方法、装置、设备及存储介质 |
| CN110415252B (zh) * | 2018-04-26 | 2022-08-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| WO2020093566A1 (zh) * | 2018-11-05 | 2020-05-14 | 平安科技（深圳）有限公司 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
| CN109829879A (zh) * | 2018-12-04 | 2019-05-31 | 国际竹藤中心 | 维管束的检测方法及装置 |
| CN109978790A (zh) * | 2019-03-26 | 2019-07-05 | 数坤（北京）网络科技有限公司 | 一种钙化伪影消除方法、设备及计算机存储介质 |
| CN111199513A (zh) * | 2019-12-30 | 2020-05-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和存储介质 |
| CN111199513B (zh) * | 2019-12-30 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和存储介质 |
| CN112529918A (zh) * | 2020-12-23 | 2021-03-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
| CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
| CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
| CN117876320A (zh) * | 2024-01-10 | 2024-04-12 | 湖大粤港澳大湾区创新研究院(广州增城) | 一种图像识别方法、装置和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101238987A (zh) | 一种关于ct脑出血图像的处理方法 | |
| Park et al. | Skull stripping based on region growing for magnetic resonance brain images | |
| CN107563998B (zh) | 医学图像中心脏图像处理方法 | |
| US20090129671A1 (en) | Method and apparatus for image segmentation | |
| CN105447872A (zh) | 一种在超声影像中自动识别肝脏肿瘤类型的方法 | |
| WO2007044508A2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
| CN104143035B (zh) | 一种分割乳腺病灶的方法 | |
| Gupta et al. | Automatic segmentation of cerebrospinal fluid, white and gray matter in unenhanced computed tomography images | |
| CN109785293B (zh) | 基于全局和局部活动轮廓模型的超声图像病灶分割方法 | |
| CN103489198A (zh) | 从序列mr图像中自动分割脑干区域的方法 | |
| CN102458222A (zh) | 图像处理设备、图像处理方法和计算机程序 | |
| CN105678746A (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
| CN104268873A (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
| CN110415216B (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
| WO2011066689A1 (en) | Method and device for detecting bright brain regions from computed tomography images | |
| CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
| CN101821777B (zh) | 时间数据的可视化 | |
| CN105513036A (zh) | 三维ct图像的分割方法及装置 | |
| EP2446418A1 (en) | A method and system for segmenting a brain image | |
| CN104299242A (zh) | 基于ngc-acm的荧光造影眼底图像提取方法 | |
| Caldairou et al. | Segmentation of the cortex in fetal MRI using a topological model | |
| US20150206300A1 (en) | Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data | |
| CN103236062A (zh) | 基于人脑肿瘤核磁库的磁共振图像血管分割方法和系统 | |
| Lazrag et al. | Automatic segmentation of lumen in intravascular ultrasound images using fuzzy clustering and active contours | |
| Zhang et al. | Cerebral hemorrhage recognition based on Mask R-CNN network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Open date: 20080813 |