具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
图1示出了根据本发明实施例的脑灌注图像序列处理方法的流程图,该方法包括:
S110,图像接收装置将接收到的扫描图像形成图像序列发送至识别装置。
S120,识别装置对图像序列进行识别,并将图像序列和识别结果发送至主动分析触发装置。
具体地,在本实施例中,识别装置可以采用如下方式对图像序列进行识别:灌注序列识别装置根据图像序列的扫描位置信息和扫描时间信息对图像序列中的图像进行分组排序,来识别图像序列是否为灌注序列;当图像序列为灌注序列,灌注部位识别装置采用二值形态学方法识别灌注序列是否为脑灌注序列。
而在本实施例中,可以通过以下步骤识别图像序列是否为灌注序列:从图像信息中获取扫描位置信息和扫描时间信息;根据扫描位置信息对图像序列的图像进行分组,每一分组中的图像的扫描位置相同;根据扫描时间信息将每一分组包括的图像按照扫描时间先后进行排序;如果任意两个不同分组包括的图像数目相同,且任意两个不同分组内同一位置上的图像的扫描时间相同,则确定图像序列为灌注序列。
当然,还可以通过以下步骤识别灌注序列是否为脑灌注序列:根据骨骼亨斯菲尔德单位HU值对灌注序列进行二值分割,将灌注序列像素分割为第一前景像素和第一背景像素;选择灌注序列的图像中心位置的第一背景像素作为种子点,将种子点以及与种子点联通的第一背景像素标记为第二前景像素,第一前景像素和其余第一背景像素标记为第二背景像素;判断标记得到的第二前景像素是否包含图像边缘像素,若否,则确认灌注序列为脑灌注序列。
其中,根据骨骼亨斯菲尔德单位HU(Hounsfield unit)值对灌注序列进行二值分割包括:如果灌注序列像素的HU值大于分割阈值,则确认灌注序列像素为第一前景像素,否则,确认灌注序列像素为第一背景像素。
S130,当图像序列的识别结果为脑灌注序列,主动分析触发装置将脑灌注序列发送给分析装置,并触发分析装置对脑灌注序列进行分析。
S140,分析装置对脑灌注序列进行分析后,将分析结果和脑灌注序列发送至存储装置。
在本实施例中,分析装置对脑灌注序列进行分析包括:动静脉提取装置根据大脑解剖结构特征利用脑灌注序列反映的对比剂浓度变化确定脑灌注序列中动脉和静脉位置。
具体地,通过以下步骤确定动脉和静脉位置:计算每一分组内不同图像在同一位置上的像素值之和,像素值之和为灌注累积图像,灌注累积图像反映同一位置上的像素在整个灌注过程中的累计对比剂浓度;将灌注累积图像划分为大脑前端部分和大脑后端部分,大脑前端部分中累计对比剂浓度最高的位置为动脉位置,大脑后端部分中累计对比剂浓度最高的位置为静脉位置。
图2示出了根据本发明优选实施例的脑灌注图像序列处理方法的流程图。如图2所示,本实施例中示出的图像序列处理方法包括:S210,接收图像;S220,识别图像序列是否为灌注序列,若是,则执行步骤S230,若否,则执行步骤S280;S230,识别灌注序列是否为脑灌注序列,若是,则执行步骤S240,若否,则执行步骤S280;步骤S240,主动触发脑灌注序列分析;S250,自动提取动脉、静脉位置;S260,计算脑灌注参数;S270,存储脑灌注参数;S280,结束。
其中,在步骤S220中,对于灌注序列的识别主要依靠序列中的图像的时间信息和位置信息。
具体地,灌注序列是在向检查对象注射对比剂一段时间后,对若干个层面按照一定时间间隔连续扫描得到的一组图像。
下面以图3所示的灌注序列图像为例,详细说明在步骤S220中识别图像序列是否为灌注序列的处理方式。
图3示出了根据本发明实施例的灌注序列图像构成的示意图,如图3所示,假定对N个层面在M个时间点上进行扫描,也就是说,序列覆盖了N个扫描层面,M个时间点。这样,得到的灌注序列共有N×M个图像。
然后,可以将图3中示出的灌注图像序列,按照扫描层面分成N组(对应图3中的N行),每一组包括M张扫描图像(对应图3中的M列)。同组内的图像对应同一个扫描层面,具有相同的空间位置信息,不同的扫描时间信息。将每组内的图像按照扫描时间顺序排序后,位于不同组内的相同排序位置的图像应该具有相同的扫描时间信息。
对图3所示的脑灌注序列图像使用步骤S220处理,具体包括:
1、序列成像模式筛选
由CT设备产生的扫描图像格式为DICOM(digital imaging and communication in medicine,医学数字成像与通讯)协议格式。DICOM协议规定,在对医学图像进行通讯时,需要传输的内容不仅包括了图像本身,还必须包括一些必要的额外信息。根据图像的类型不同,要求包括的额外信息也不同。一般都会包括的基本信息有:患者姓名、年龄、性别、影像设备类型和扫描时间、扫描位置等。
根据DICOM信息中的成像模式(Modality)就能够判断出序列是否为CT序列。这里,只保留CT序列,不处理其他模式的序列。下面对判断出的CT序列进行下一步处理。
2、扫描图像位置信息和时间信息提取。
扫描图像位置信息,由DICOM信息中的图像位置(Image Position)和图像方向(ImageOrientation)定义。图像位置,定义为扫描图像I左上角像素的三维坐标,[x,y,z]。图像方向,定义为6个余弦值,[θ1,θ2,θ3,θ4,θ5,θ6],依次为扫描图像第一行与X、Y、Z轴夹角的余弦值,扫描图像第一列与X、Y、Z轴夹角的余弦值。将图像位置和图像方向合并为一个统一的扫描位置P。
对扫描序列中的图像I的DICOM信息进行解析,就可以得到扫描图像位置信息P(I)和方向信息D(I)。
图像的扫描时间由DICOM信息中的内容日期(Content Date)和内容时间(Content Time)属性表示,格式为字符串,如“20100209”和“140115.751282”联合在一起表示图像的扫描时间为2010年2月9日14点01分15.751282秒。
采用某一时间作为基准时间,如1970年1月1日0点0分0秒,可以将图像的扫描时间表示为从基准时间开始的秒数T(I),为浮点数。
3、扫描图像分组与排序。
假定采用S表示一个CT扫描图像序列,按照扫描位置将扫描序列中的图像进行分组,相同扫描位置的图像分为一组,用Sn表示分组n。对Sn内包括的图像按照扫描时间排序,将排序后的图像依次标记为Inm。得到:
Sn={Inm},Inm∈S,n=1,2,...,N,m=1,2,...,Mn 式(1)
其中,式(1)中的N表示得到的分组数目,下标n标示分组序号,Mn表示分组Sn内包含的图像数目。符号{}表示由括弧内元素组成的集合;符号∈标示左侧元素属于右侧的集合。
并且有:
S=∪Sn,n=1,2,...N,式(2)
i≠j,i=1,2,...N;j=1,2,...N,式(3)
P(Ini)=P(Inj),i=1,2,...M;j=1,2,...M;n=1,2,...N, 式(4)
T(Ini)<T(Inj),i<j,i=1,2,...M;j=1,2,...M;n=1,2,...N,式(5)
其中,符号∪表示取集合的并集;∩表示取集合的交集;P(.)表示取括号内图像的扫描位置;T(.)表示取括号内图像的扫描时间。
公式(2)表示各分组的合集等于序列图像集合。
公式(3)表示不同分组所包括的图像不重复。
公式(4)表示同一分组内所包括图像的扫描位置相同。
公式(5)表示同一分组内所包括图像按照扫描时间顺序排序。
当分组Sn同时满足下列条件时,则可以判定扫描序列S为灌注序列。
1)Mi=Mj,对于任意i,j=1,2,...,N;
2)T(Iim)=T(Ijm),对于任意i,j=1,2,...,N;m=1,2,...,Mi;
条件1)表示不同分组包括的图像数目相同;条件2)表示不同分组内同一位置上的图像扫描时间相同。
在步骤S230中,识别灌注序列是否对应大脑部位,主要根据大脑部位的解剖形态特点:脑组织被封闭颅骨包围。在灌注扫描中,普遍采用轴状面扫描,即大脑横截面。因此,在灌注图像中,脑组织会被近似椭圆的封闭骨骼包围。
依据这一特点,采用二值形态学方法,进行判定。基本思想是首先利用骨骼HU值范围,将骨骼分割为前景;然后选择图像中心位置的背景像素为种子点,进行区域联通标记,将包括种子点在内的所有联通背景像素标记为前景;最后,判断标记得到的前景区域是否发生“泄漏”,即是否包含了图像边缘。对于脑图像,由于颅骨封闭包围脑组织,不会发生“泄漏”;而对于人体其他部位的轴状面图像,不具备此条件,将发生“泄漏”。
则对图3所示的脑灌注序列图像使用步骤S230处理,具体包括:
1、灰度图像二值分割
根据不同人体组织在CT成像中HU值不同,进行二值分割。将符合骨骼HU值范围的像素分割为前景像素(值为1),其他像素分割为背景像素(值为0)。
假定图像I中第k个像素的HU值为
I(k),k=1,2,...,K 式(6)
这里K表示图像I中的像素总数。
假定分割后的图像为B,具体分割公式为
如果I(k)>H,B(k)=1;否则,B(k)=0 式(7)
H表示分割阈值,为可调节参数,参考取值为300。
2、联通区域标记
选择图像中心位置的背景像素为种子点,将所有与该种子点像素联通的背景像素标记为前景像素,前景像素和其余背景像素标记为背景像素。具体条件如下:
1)像素自身为背景像素,即B(k)=0;
2)存在至少一条由背景像素组成的路径,连接该背景像素与种子像素。即存在像素序列
Path={kj|B(kj)=0},j=1,2,...,J 式(8)
并且,kj和kj+1互为4相邻或8相邻像素,j=1,2,...,J-1 式(9)
用C表示联通区域标记后的图像,如果像素k满足上述条件1)和2),则C(k)=1;否则,C(k)=0。
3、脑灌注图像判定条件
如果存在封闭的骨骼结构,则图像C中标记的联通区域应该是“收敛”的;否则,联通区域会发生“泄漏”,即联通区域会包含图像边缘像素。通过扫描联通区域是否包含边缘像素,能够判断是否发生“泄漏”。如果没有泄漏,则可以判断存在封闭骨骼结构,进一步判定,该灌注序列为脑灌注序列。
具体判定步骤如下:
1)定义图像的最顶端L行、最底端L行、最左侧L列和最右侧L列像素的集合为边缘像素。其中L的取值表示图像边缘的宽度,一般取值为1。定义边缘像素的集合为E,则
E={kj|kj为边缘像素}.
2)设定“泄漏”标记F=0;
3)逐像素扫描图像C中所有像素,一旦发现像素满足下列条件:
C(k)=1,并且,k∈E,则扫描终止,并设定F=1;否则,扫描继续。
如果F=1,则图像为脑灌注图像;如果F=0,则图像不是脑灌注图像。
图4a-4c示出了根据本发明实施例的脑灌注图像序列处理方法识别脑灌注图像的中间过程图像(大脑图像经过阈值分割后的二值图像)和结果图像(最终标记图像)。如图4c所示,可以看到最终标记图像C(k)中前景区域(白色区域)是收敛的,没有包括图像边界。由此可以判定图4中的图像扫描部位为大脑。
图5a-5c示出了根据本发明实施例的脑灌注图像序列处理方法识别非脑灌注图像的中间过程图像(大脑图像经过阈值分割后的二值图像)和结果图像(最终标记图像)。如图5c所示,可以看到最终标记图像C(k)中前景区域(白色区域)是非收敛的,包括了图像边界。由此,可以判定图5中的图像扫描部位不是大脑。
通过上述内容可以判断出一幅图像是否为大脑轴状面图像。对于灌注图像序列,在按照扫描位置分组后,每组内的图像对应同一扫描位置,具有相同的解剖结构。因此,可以抽取出每组内的任意一幅图像判定是否为脑图像。假定序列被分为N组,相应抽取出N幅图像。分别对每幅图像进行判断,如果大于等于L幅以上的图像经识别为脑图像,则判定灌注序列为脑灌注序列。这里,L为可设定参数,一般取值为1。
在步骤S240中,当接收到的图像序列为脑灌注序列时,主动触发分析装置将脑灌注序列传输至分析装置,并启动脑灌注分析过程,同时,检查用户是否配置了自定义的分析装置。如果有,则执行步骤S290,将脑灌注序列传输至自定义的分析装置,启动自定义分析过程,完成用户定义的图像分析任务;否则,执行步骤S280。
对于已经识别出的脑灌注序列,通过步骤S250确定动脉、静脉位置。步骤S250具体包括:
仍然假定灌注序列S按照扫描位置分组并按照扫描时间排序后为:Sn{Inm|Inm∈S},其中,n=1,2,...,N,m=1,2,...,M。
这里,按照脑灌注图像序列需要满足的条件,不同分组的图像数目相同,所以采用M统一表示各组内图像数目。Inm(k)表示第n组内第m幅图像的第k个像素的值。由此,求同组内不同图像在同一位置上的像素值之和:
Sn(k)=∑Inm(k),n=1,2,...,N;m=1,2,...,M;k=1,2,...,K;式(10)
其中,Sn(k)为灌注累积图像(如图6所示),反映了像素位置k在整个灌注过程中的累计对比剂浓度,该累计浓度与血液流量成正比。
Sn所包含的图像Inm都具有相同的扫描方向P(Inm),由此可以确定Sn对应的扫描方向。将Sn(k)按照从面部向枕部的方向等分为两部分,上半部分对应大脑前端(面部方向),下半部分对应大脑后端(枕部方向)。
根据大脑解剖结构,选择大脑中动脉(Middle Cerebral Artery,MCA)作为参与灌注参数计算的动脉。MCA对应大脑前端部分血液流量最大位置。选择上矢状窦(Superior SagittalSinus,SSS)作为静脉位置,SSS对应大脑后端部分血液流量最大位置。
因此,可以分别在Sn中大脑前端和大脑后端寻找最大值,作为动脉和静脉位置。需要指出,这里需要排除骨骼的干扰。骨骼部分虽然没有血液流过,但是由于其自身具有较高的HU值,所以仍然会在Sn(k)中表现出较大的值。可以采用脑灌注识别中生成的区域联通图像Cn来区分骨骼像素和脑组织像素。
假定扫描分组Sn对应的区域联通图像为Cn。Cn中前景像素对应大脑组织;背景像素对应非大脑组织,包括骨骼等。
如前所述,假定图像中像素总数为K,并且假定图像像素编号顺序从左上角开始,由左至右,从上向下排序。假定图像尺寸为R行,C列。则将图像前(R/2)行分为上半部,其余部分分为下半部。
则图像上半部像素序号满足如下条件:
k<=KM 式(11)
其中,KM=C*Round(R/2),表示图像上半部分像素的最大序号。Round(·)表示对括号内数字四舍五入取整。
图像下半部分满足如下条件:
KM<k<=K 式(12)
假定像素序号ka表示动脉位置,kv表示静脉位置,则ka、kv分别满足如下条件:
Sn(ka)>=Sn(k),并且,Cn(ka)>0,ka<=KM,对于任意k满足Cn(k)>0,k<=KM 式(13)
Sn(kv)>=Sn(k),并且,Cn(kv)>0,KM<kv<=K,对于任意k满足Cn(k)>0,
KM<k<=K 式(14)
对每一扫描层面,即分组Sn分别采用上述步骤确定动静脉位置,分别标记为kan,kvn,其中,n=1,2,..,N。
在本实施例中,步骤S260具体包括:
已知:式(15)
其中,R(t)为冲击残余函数(Impulse Residual Function)。R(t)代表了所注射的对比剂在脑组织内的残余量随时间t变化的过程。R
max代表R(t)在整个过程中的最大值。C
a(t)代表动脉灌注浓度随时间变化信号,
表示卷积。
假定当前计算对象为分组Sn,将公式(15)写为矩阵形式:
Qn(k)=Fn(k)*An(kan)*Rn(k) 式(16)
其中,Qn(k)对应扫描层面n中第k个像素位置在灌注扫描过程中对比剂浓度随时间变化的列向量,长度为M。Fn(k)代表扫描层面n中第k个像素位置的血流速度,为标量。An(kan)代表由扫描层面n中动脉位置kan的对比剂浓度组成的卷积矩阵,尺寸为M行M列。Rn(k)对应扫描层面n中第k个像素位置的冲击残余函数,长度为M。
根据公式(16)可以采用方程的方法计算得出Rn(k)。
根据Rn(k)可以计算MTT:
MTTn(k)=SUM(Rn(k))/MAX(Rn(k)) 式(17)
其中,SUM(.)表示求括号内向量所有元素之和,MAX(.)表示求括号内向量所有元素的最大值。
CBV计算公式为:
CBVn(k)=κSn(k)/Sn(kvn) 式(18)
其中,CBVn(k)对应扫描层面n中第k个像素位置的CBV值。Sn(k)的定义参见公式(10),kvn的公式参见(14)。κ为经验系数,缺省取值为0.77。
然后,可以计算得到CBF:
CBFn(k)=CBVn(k)/MTTn(k) 式(19)
采用上述公式可以计算得到扫描层面n每个像素的MTT,CBV和CBF。由每个像素的脑灌注参数值,可以组合得到扫描层面的脑灌注参数图像。图7示出了根据本发明实施例的脑灌注图像序列处理方法得到的脑灌注脑血容量(CBV)参数图像;图8示出了根据本发明实施例的脑灌注图像序列处理方法得到的脑灌注脑血流量(CBF)参数图像;图9示出了根据本发明实施例的脑灌注图像序列处理方法得到的脑灌注对比剂平均通过时间(MTT)参数图像
虽然在本发明的实例中,采用了上述方法计算步骤S260中的脑灌注参数,但是还可以采用现有技术中的其他计算方法来计算,具体的计算方法在现有技术中已有详细介绍,在此不再详细描述。
根据本发明实施例,提供了一种图像序列处理系统。图10示出了根据本发明实施例的脑灌注图像序列处理系统的结构图。如图10所示,该图像序列处理系统图像接收装置10、识别装置12、主动触发分析装置14、分析装置16和存储装置18。下面对此进行说明。该系统包括:
图像接收装置10,用于将接收到的扫描图像形成图像序列发送至识别装置12;识别装置12,与图像接收装置10连接,对图像序列进行识别,并将图像序列和识别结果发送至主动分析触发装置14;主动分析触发装置14,用于当图像序列的识别结果为脑灌注序列,将脑灌注序列发送给分析装置16,并触发分析装置16对脑灌注序列进行分析;分析装置16,用于对脑灌注序列进行分析后,将分析结果和脑灌注序列发送至存储装置18。
其中,图像接收装置10负责接收来自医疗影像设备的各种医疗影像。图像接收装置10可以但不限于与CT、MR、PT、CR、DR等多种医疗影像设备连接,通过DICOM协议接收来自上述影像设备的图像。按照DICOM协议传输的图像都包含了一个序列实例唯一标识(Series Instance UID),用于标识图像所隶属的序列。图像接收装置10根据图像的序列实例唯一标识,将接收到的图像划分为不同序列。然后以序列为单位,将图像序列发送至识别装置12。其中,序列(Series)是根据DICOM协议规定的图像分组方法得到的。一个图像序列包含了一系列图像,这些图像来自同一台扫描设备,在空间(扫描位置)或时间(扫描时间)上相互关联,具有相同的空间参考坐标系或时间坐标系。如果与图像接收装置10相连的设备不支持DICOM协议。则可以按照自定义协议传输图像,但要求所传输的图像具有序列标识,用于序列划分。
优选地,识别装置12包括:灌注序列识别装置1202,用于根据图像序列的扫描位置信息和扫描时间信息对图像序列中的图像进行分组排序,来识别图像序列是否为灌注序列;灌注部位识别装置1204,用于当图像序列为灌注序列时,采用二值形态学方法识别灌注序列是否为脑灌注序列。
具体地,分析装置16包括:动静脉提取装置1602,用于根据大脑解剖结构特征利用脑灌注序列反映的对比剂浓度变化确定脑灌注序列中动脉和静脉位置。
此外,分析装置16还可以包括:脑灌注参数计算装置1604,用于在确定动脉和静脉位置后,计算脑灌注参数(CBV、MTT、CBF)图像。
在本实施例中,该系统还可以包括由用户自定义的其他自定义分析装置。如果主动分析触发装置在启动脑灌注分析的同时检查到存在其他自定义的分析装置,则启动其他自定义分析装置,完成用户定义的图像分析任务。
从以上的描述中,可以看出,本发明上述的实施例实现了如下技术效果:能够自动识别脑灌注图像序列,并对识别出的图像序列进行自动分析,而且还可以从脑灌注图像序列中自动提取动静脉的位置,从而在用户调阅图像之前,能够完成所有的分析过程,使用户在图像工作站上打开该脑灌注图像序列时,可以直接看到分析结果,避免了人工干预及手工指定可能引入的人为偏差和等待时间,减轻了用户工作量,提高了用户的工作效率,保证了分析结果的可重复性和一致性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。