CN104083170B - 一种自动提取磁共振图像胼胝体的方法及系统 - Google Patents
一种自动提取磁共振图像胼胝体的方法及系统 Download PDFInfo
- Publication number
- CN104083170B CN104083170B CN201410316366.XA CN201410316366A CN104083170B CN 104083170 B CN104083170 B CN 104083170B CN 201410316366 A CN201410316366 A CN 201410316366A CN 104083170 B CN104083170 B CN 104083170B
- Authority
- CN
- China
- Prior art keywords
- corpus callosum
- cranium brain
- image
- threshold value
- callosal
- 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.)
- Active
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种自动提取磁共振图像胼胝体的方法及系统,所述方法包括:根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;根据颅脑轮廓阈值与胼胝体阈值,对图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;对颅脑轮廓二值图像与胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;建立决策树对边缘信息进行筛选,确定胼胝体区域;根据所述胼胝体区域确定颅脑扫描线组的倾斜角度及中心位置。本发明实现了对正中矢状面T1加权核磁颅脑图像中的胼胝体部位的自动提取,并通过胼胝体等信息完成颅脑扫描时扫描线组的自动调整,提高了扫描效率,无需手动调整,省时省力,具有较强的实用性。
Description
技术领域
本发明涉及磁共振成像图像处理技术领域,尤其涉及的是一种自动提取磁共振图像胼胝体的方法及系统。
背景技术
磁共振成像技术(简称MRI)是指用相应的射频脉冲对置于静磁场中的被检体的氢原子核(质子)进行激励,采集随之产生的磁共振信号经计算机处理重建得到图像。由于磁共振成像技术具有无电离辐射伤害、软组织对比度高、图像分辨率高、成像参数与扫描方位选择灵活、无需造影剂即可显示血管等优点,因而广泛应用于临床医学诊断,其应用和发展前景十分广阔。
医学图像分割技术一直是医学图像领域的一个研究热点。经历了从人工分割到半自动分割到现在的自动分割的发展过程。完全的人工分割方法是由专家或医务工作者在原始图像上直接画出期望的边界,这是一个工作量非常大,而且容易让人厌烦,容易出错的过程。它的精确度也不容易保证。半自动分割法是凭借医生的经验以及对图像知识的理解,通过一定的人机交互,由计算机完成分割,具有较快的分割速度和比较高的分割精度。与完全人工分割相比,半自动分割方法大大减少了人为因素的影响,而且分割速度快、分割精度高,但是操作者的知识和经验仍然是影响图像分割质量的一个重要因素。而且人机交互的半自动方法费时费力、可重复性低,这就要求有一种可重复性好、高效率、高精度的自动的图像分割方法。有鉴于此,一种可重复性好、效率高、精度高的自动图像分割方法已成为当前应用中的亟需。
脑影像分割即是将脑部影像中的每个像素或体素标记为对应的脑组织类型,如脑白质、脑灰质、脑脊液及其他的脑部解剖结构,包括脑室、胼胝体,海马等。根据脑影像分割的结果,可以进行进一步量化的形态学分析,显示正常组织及病变组织结构,监控病理解剖结构形态的变化过程, 还可以对脑部组织结构在三维空间进行体积和位置标定,还可以构建解剖学结构图谱和手术导航等,对于脑中异常组织定位、脑解剖结构分析等具有重要意义和临床应用价值。
胼胝体负责大脑两半球之间的神经信息传导,是人脑中最重要的结构之一。在磁共振扫描过程中,由医师或技师在矢状面定位像上将扫描线组放置到合适位置,为保证扫描线组扫描的图像达到医师最佳的诊断效果,需要反复调整扫描线的位置和角度,这个调整过程主要以胼胝体的位置信息为参照。在实际操作中,是靠医师或技师主观判断确定胼胝体位置后,手动操作将扫描线组调整到合适的位置和扫描角度。这完全依赖于医生的经验水平,对于经验缺乏的医生,容易造成扫描定位不准确,成像效果不好,同时该工作需要在每次扫描中重复完成,增加了医生的重复工作量,也导致每个病人的扫描时间的延长,影响扫描效率。所以,现有技术的主要缺点是:1、耗时耗力,操作不便,工作效率低;2、扫描效果无法保证,容易由于人为原因导致成像效果不佳。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种自动提取磁共振图像胼胝体的方法及系统,对正中矢状面(Midsagittal plane,MSP)T1加权核磁颅脑图像中的胼胝体部位进行提取,并根据提取的胼胝体自动调整颅脑扫描线位置与角度,以便解决现有的磁共振扫描定位中耗时耗力、效率低下、容易出错的问题。
本发明解决技术问题所采用的技术方案如下:
一种自动提取磁共振图像胼胝体的方法,其中,包括:
A、根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;
B、根据所述颅脑轮廓阈值与所述胼胝体阈值,对正中矢状面T1加权核磁颅脑图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;
C、对所述颅脑轮廓二值图像与所述胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;
D、根据胼胝体的解剖特性、几何特性,创建决策树,运用决策树对胼胝体边缘族进行筛选,确定胼胝体区域;
E、根据所述胼胝体区域确定颅脑扫描线组的倾斜角度及中心位置。
所述自动提取磁共振图像胼胝体的方法,其中,所述步骤A具体包括:
A1、统计正中矢状面T1加权核磁颅脑图像各灰度级的像素数目,并计算累计直方图;
A2、计算累计直方图导数值,根据导数值区间分类,获取累计直方图的转折点;
A3、根据图像特性,从转折点中分别获取颅脑轮廓阈值和胼胝体阈值。
所述自动提取磁共振图像胼胝体的方法,其中,所述步骤B具体包括:
B1、根据胼胝体阈值对T1加权核磁颅脑图像进行阈值分割,当第一灰度值大于或等于所述胼胝体阈值则为1,否则为0,根据所述第一灰度值获得胼胝体二值图像;
B2、根据颅脑轮廓阈值对T1加权核磁颅脑图像进行阈值分割,当第二灰度值大于或等于所述颅脑轮廓阈值则为1,否则为0,根据所述第二灰度值获得颅脑轮廓二值图像。
所述自动提取磁共振图像胼胝体的方法,其中,所述步骤D中胼胝体的解剖特性、几何特性包括胼胝体处于颅脑的中央位置、最小包裹矩形的长宽比、周长、面积信息。
所述自动提取磁共振图像胼胝体的方法,其中,所述步骤E具体包括:
E1、计算颅脑轮廓的区域中心与胼胝体的区域中心,并根据颅脑轮廓区域中心及胼胝体区域中心位置计算颅脑扫描线中心位置;
E2、从胼胝体水平中心向两边扫描计算胼胝体的左右底脚位置,并根据胼胝体区域的左右底脚位置,计算扫描线的倾斜角度,并确定颅脑扫描线组的角度。
一种自动提取磁共振图像胼胝体的系统,其中,包括:
阈值确定模块,用于根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;
二值图像获取模块,用于根据所述颅脑轮廓阈值与所述胼胝体阈值,对正中矢状面T1加权核磁颅脑图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;
图像跟踪模块,用于对所述颅脑轮廓二值图像与所述胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;
胼胝体区域获取模块,用于根据胼胝体的解剖特性、几何特性,创建决策树,运用决策树对胼胝体边缘族进行筛选,确定胼胝体区域;
扫描线组调节模块,用于根据所述胼胝体区域确定扫描线的倾斜角度及颅脑扫描线组的角度。
所述自动提取磁共振图像胼胝体的系统,其中,所述阈值确定模块具体包括:
累计直方图获取单元,用于统计正中矢状面T1加权核磁颅脑图像各灰度级的像素数目,并计算累计直方图;
转折点获取单元,用于计算累计直方图导数值,根据导数值区间分类,获取累计直方图的转折点;
阈值获取单元,用于根据图像特性,从转折点中分别获取颅脑轮廓阈值和胼胝体阈值。
所述自动提取磁共振图像胼胝体的系统,其中,所述二值图像获取模块具体包括:
胼胝体二值图像获取单元,用于根据胼胝体阈值对T1加权核磁颅脑图像进行阈值分割,当第一灰度值大于或等于所述胼胝体阈值则为1,否则为0,根据所述第一灰度值获得胼胝体二值图像;
颅脑轮廓二值图像获取单元,用于根据颅脑轮廓阈值对T1加权核磁颅脑图像进行阈值分割,当第二灰度值大于或等于所述颅脑轮廓阈值则为1,否则为0,根据所述第二灰度值获得颅脑轮廓二值图像。
所述自动提取磁共振图像胼胝体的系统,其中,所述胼胝体区域获取模块中胼胝体的解剖特性、几何特性包括胼胝体处于颅脑的中央位置、最小包裹矩形的长宽比、周长、面积信息。
所述自动提取磁共振图像胼胝体的系统,其中,所述扫描线组调节模块具体包括:
扫描线中心位置获取单元,用于计算颅脑轮廓的区域中心与胼胝体的区域中心,并根据颅脑轮廓区域中心及胼胝体区域中心位置计算颅脑扫描线中心位置;
颅脑扫描线组的角度获取单元,用于从胼胝体水平中心向两边扫描计算胼胝体的左右底脚位置,并根据胼胝体区域的左右底脚位置,计算扫描线的倾斜角度,并确定颅脑扫描线组的角度。
本发明公开一种自动提取磁共振图像胼胝体的方法及系统,所述方法包:根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;根据颅脑轮廓阈值与胼胝体阈值,对图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;对颅脑轮廓二值图像与胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;建立决策树对边缘信息进行筛选,确定胼胝体区域;根据所述胼胝体区域确定扫描线的倾斜角度及颅脑扫描线组的角度。本发明实现了对正中矢状面T1加权核磁颅脑图像中的胼胝体部位的自动提取,并通过胼胝体等信息完成颅脑扫描时扫描线组的自动调整,提高了扫描效率,无需手动调整,省时省力,具有较强的实用性。
附图说明
图1是正中矢状面T1加权核磁颅脑图像。
图2是本发明所提供的自动提取磁共振图像胼胝体的方法的较佳实施例的流程图。
图3是本发明所提供的自动提取磁共振图像胼胝体的方法中确定阈值的具体流程图。
图4是图1的累计直方图的示意图。
图5a、5b分别是颅脑轮廓阈值示意图及颅脑轮廓二值图像。
图6a、6b分别是胼胝体阈值分割示意图及胼胝体二值图像。
图7是本发明所提供的自动提取磁共振图像胼胝体的方法中二值图像获取的具体流程图。
图8是颅脑轮廓边缘示意图。
图9是提取的胼胝体边缘族图像。
图10是决策树示意图。
图11是提取的胼胝体图像。
图12是本发明所提供的自动提取磁共振图像胼胝体的方法中定颅脑扫描线组的角度的具体流程图。
图13是颅脑扫描线组自动调节效果图。
图14是本发明所提供的自动提取磁共振图像胼胝体的系统的较佳实施例的结构框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明对正中矢状面T1加权核磁颅脑图像(如图1所示)中的胼胝体部位进行自动提取,并根据提取的胼胝体自动调整颅脑扫描线位置与角度。请参见图2,图2是本发明所提供的自动提取磁共振图像胼胝体的方法的较佳实施例的流程图。如图2所示,所述自动提取磁共振图像胼胝体的方法,包括:
步骤S110、根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;
步骤S120、根据所述颅脑轮廓阈值与所述胼胝体阈值,对正中矢状面T1加权核磁颅脑图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;
步骤S130、对所述颅脑轮廓二值图像与所述胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;
步骤S140、根据胼胝体的解剖特性、几何特性,创建决策树,运用决策树对胼胝体边缘族进行筛选,确定胼胝体区域;
步骤S150、根据所述胼胝体区域确定颅脑扫描线组的倾斜角度及中心位置。
进一步地实施例,如图3所示,所述步骤S110确定阈值具体包括:
步骤S111、统计正中矢状面T1加权核磁颅脑图像各灰度级的像素数目,并计算累计直方图。
具体的,统计原始输入图像各灰度级的像素数目,,其中L为灰度总级数,计算累计直方图,图4为根据图1计算获得的累计直方图。
步骤S112、计算累计直方图导数值,根据导数值区间分类,获取累计直方图的转折点。
具体的,计算累计直方图导数值,并将ds按照值区间范围分类,累计直方图中在两个区间的转换处是累计直方图的转折点。
步骤S113、根据图像特性,从转折点中分别获取颅脑轮廓阈值和胼胝体阈值。
在具体实施例中,利用背景图像为暗区域,且图像中颅脑与背景具有明显差异的特性,在累计直方图中表现为从一个较大导数区间转换为较小导数区间的转折点,获取颅脑轮廓的阈值Th,如图5a所示。利用胼胝体在T1加权图像中处于较亮区域,在累计直方图中表现为从亮区域开始从一个导数区间到另一个导数区间的转折点,获取胼胝体的阈值Tc,如图6a所示。
进一步地实施例,如图7所示,所述步骤S120二值图像获取具体包括:
步骤S121、根据胼胝体阈值对T1加权核磁颅脑图像进行阈值分割,当第一灰度值大于或等于所述胼胝体阈值则为1,否则为0,根据所述第一灰度值获得胼胝体二值图像。
具体的,利用阈值Tc对T1加权核磁颅脑图像进行阈值分割,如果灰度值>Tc则为1,否则为0,获得胼胝体二值图像,如图6b所示。
步骤S122、根据颅脑轮廓阈值对T1加权核磁颅脑图像进行阈值分割,当第二灰度值大于或等于所述颅脑轮廓阈值则为1,否则为0,根据所述第二灰度值获得颅脑轮廓二值图像。
具体的,利用阈值Th对T1加权核磁颅脑图像进行阈值分割,如果灰度值>Th则为1,否则为0,获得颅脑轮廓二值图像,如图5b所示。
在步骤S130中,运用Suzuki算法对胼胝体二值图像(如图6b)进行边缘跟踪,获得胼胝体边缘族,如图8所示;同时运用Suzuki算法对颅脑轮廓二值图像(如如图5b)进行边缘跟踪,取最长边缘为颅脑轮廓边缘,获得颅脑轮廓位置,如图9所示。在具体实施例中,为了提高准确性,对胼胝体阈值进行微调,重复上述跟踪步骤,获取多组边缘族。
进一步地实施例,在步骤S140中,所述胼胝体的解剖特性、几何特性包括胼胝体处于颅脑的中央位置、最小包裹矩形的长宽比、周长、面积信息,在具体实施例中决策树如图10所示。运用图10中的决策树对胼胝体边缘族进行筛选,确定胼胝体区域,如图11所示。
进一步地实施例,如图12所示,所述步骤S150中确定颅脑扫描线组的角度具体包括:
步骤S151、计算颅脑轮廓的区域中心与胼胝体的区域中心,并根据颅脑轮廓区域中心及胼胝体区域中心位置计算颅脑扫描线中心位置。
具体的,计算颅脑轮廓的区域中心与胼胝体的区域中心,根据颅脑轮廓区域中心及胼胝体区域中心位置计算颅脑扫描线中心位置,其中、为根据临床需要的适当偏移值,从而确定颅脑扫描线组的位置。
步骤S152、从胼胝体水平中心向两边扫描计算胼胝体的左右底脚位置,并根据胼胝体区域的左右底脚位置,计算扫描线的倾斜角度,并确定颅脑扫描线组的角度。
具体的,从胼胝体水平中心向两边扫描计算胼胝体的左右底脚位置:、,根据胼胝体区域的左右底脚位置,计算扫描线的倾斜角度,从而确定颅脑扫描线组的角度。对扫描线组调整效果如图13所示。
基于上述实施例,本发明还提供一种自动提取磁共振图像胼胝体的系统,如图14所示,为本发明所述自动提取磁共振图像胼胝体的系统较佳实施例的结构框图,包括:
阈值确定模块110,用于根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;具体如上所述。
二值图像获取模块120,用于根据所述颅脑轮廓阈值与所述胼胝体阈值,对正中矢状面T1加权核磁颅脑图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;具体如上所述。
图像跟踪模块130,用于对所述颅脑轮廓二值图像与所述胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;具体如上所述。
胼胝体区域获取模块140,用于根据胼胝体的解剖特性、几何特性,创建决策树,运用决策树对胼胝体边缘族进行筛选,确定胼胝体区域;具体如上所述。
扫描线组调节模块150,用于根据所述胼胝体区域确定颅脑扫描线组的倾斜角度及中心位置;具体如上所述。
进一步地实施例,所述阈值确定模块110具体包括:
累计直方图获取单元,用于统计正中矢状面T1加权核磁颅脑图像各灰度级的像素数目,并计算累计直方图;具体如上所述。
转折点获取单元,用于计算累计直方图导数值,根据导数值区间分类,获取累计直方图的转折点;具体如上所述。
阈值获取单元,用于根据图像特性,从转折点中分别获取颅脑轮廓阈值和胼胝体阈值;具体如上所述。
进一步地实施例,所述二值图像获取模块120具体包括:
胼胝体二值图像获取单元,用于根据胼胝体阈值对T1加权核磁颅脑图像进行阈值分割,当第一灰度值大于或等于所述胼胝体阈值则为1,否则为0,根据所述第一灰度值获得胼胝体二值图像;具体如上所述。
颅脑轮廓二值图像获取单元,用于根据颅脑轮廓阈值对T1加权核磁颅脑图像进行阈值分割,当第二灰度值大于或等于所述颅脑轮廓阈值则为1,否则为0,根据所述第二灰度值获得颅脑轮廓二值图像;具体如上所述。
进一步地实施例,所述胼胝体区域获取模块中胼胝体的解剖特性、几何特性包括胼胝体处于颅脑的中央位置、最小包裹矩形的长宽比、周长、面积信息;具体如上所述。
进一步地实施例,所述扫描线组调节模块150具体包括:
扫描线中心位置获取单元,用于计算颅脑轮廓的区域中心与胼胝体的区域中心,并根据颅脑轮廓区域中心及胼胝体区域中心位置计算颅脑扫描线中心位置;具体如上所述。
颅脑扫描线组的角度获取单元,用于从胼胝体水平中心向两边扫描计算胼胝体的左右底脚位置,并根据胼胝体区域的左右底脚位置,计算扫描线的倾斜角度,并确定颅脑扫描线组的角度;具体如上所述。
综上所述,本发明公开一种自动提取磁共振图像胼胝体的方法及系统,所述方法包括:根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;根据颅脑轮廓阈值与胼胝体阈值,对图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;对颅脑轮廓二值图像与胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;建立决策树对边缘信息进行筛选,确定胼胝体区域;根据所述胼胝体区域确定颅脑扫描线组的倾斜角度及中心位置。本发明实现了对正中矢状面T1加权核磁颅脑图像中的胼胝体部位的自动提取,并通过胼胝体等信息完成颅脑扫描时扫描线组的自动调整,提高了扫描效率,无需手动调整,省时省力,具有较强的实用性。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种自动提取磁共振图像胼胝体的方法,其特征在于,包括:
A、根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;
B、根据所述颅脑轮廓阈值与所述胼胝体阈值,对正中矢状面T1加权核磁颅脑图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;
C、对所述颅脑轮廓二值图像与所述胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;
D、根据胼胝体的解剖特性、几何特性,创建决策树,运用决策树对胼胝体边缘族进行筛选,确定胼胝体区域;
E、根据所述胼胝体区域确定颅脑扫描线组的倾斜角度及中心位置;
所述步骤D中胼胝体的解剖特性、几何特性包括胼胝体处于颅脑的中央位置、最小包裹矩形的长宽比、周长、面积信息。
2.根据权利要求1所述自动提取磁共振图像胼胝体的方法,其特征在于,所述步骤A具体包括:
A1、统计正中矢状面T1加权核磁颅脑图像各灰度级的像素数目,并计算累计直方图;
A2、计算累计直方图导数值,根据导数值区间分类,获取累计直方图的转折点;
A3、根据图像特性,从转折点中分别获取颅脑轮廓阈值和胼胝体阈值。
3.根据权利要求1所述自动提取磁共振图像胼胝体的方法,其特征在于,所述步骤B具体包括:
B1、根据胼胝体阈值对T1加权核磁颅脑图像进行阈值分割,当第一灰度值大于或等于所述胼胝体阈值则为1,否则为0,根据所述第一灰度值获得胼胝体二值图像;
B2、根据颅脑轮廓阈值对T1加权核磁颅脑图像进行阈值分割,当第二灰度值大于或等于所述颅脑轮廓阈值则为1,否则为0,根据所述第二灰度值获得颅脑轮廓二值图像。
4.根据权利要求1所述自动提取磁共振图像胼胝体的方法,其特征在于,所述步骤E具体包括:
E1、计算颅脑轮廓的区域中心与胼胝体的区域中心,并根据颅脑轮廓区域中心及胼胝体区域中心位置计算颅脑扫描线中心位置;
E2、从胼胝体水平中心向两边扫描计算胼胝体的左右底脚位置,并根据胼胝体区域的左右底脚位置,计算扫描线的倾斜角度,并确定颅脑扫描线组的角度。
5.一种自动提取磁共振图像胼胝体的系统,其特征在于,包括:
阈值确定模块,用于根据正中矢状面T1加权核磁颅脑图像,确定颅脑轮廓阈值与胼胝体阈值;
二值图像获取模块,用于根据所述颅脑轮廓阈值与所述胼胝体阈值,对正中矢状面T1加权核磁颅脑图像进行阈值分割,分别得到颅脑轮廓二值图像与胼胝体二值图像;
图像跟踪模块,用于对所述颅脑轮廓二值图像与所述胼胝体二值图像分别进行边缘跟踪,获取颅脑轮廓位置与胼胝体边缘族;
胼胝体区域获取模块,用于根据胼胝体的解剖特性、几何特性,创建决策树,运用决策树对胼胝体边缘族进行筛选,确定胼胝体区域;
扫描线组调节模块,用于根据所述胼胝体区域确定颅脑扫描线组的倾斜角度及中心位置;
所述胼胝体区域获取模块中胼胝体的解剖特性、几何特性包括胼胝体处于颅脑的中央位置、最小包裹矩形的长宽比、周长、面积信息。
6.根据权利要求5所述自动提取磁共振图像胼胝体的系统,其特征在于,所述阈值确定模块具体包括:
累计直方图获取单元,用于统计正中矢状面T1加权核磁颅脑图像各灰度级的像素数目,并计算累计直方图;
转折点获取单元,用于计算累计直方图导数值,根据导数值区间分类,获取累计直方图的转折点;
阈值获取单元,用于根据图像特性,从转折点中分别获取颅脑轮廓阈值和胼胝体阈值。
7.根据权利要求5所述自动提取磁共振图像胼胝体的系统,其特征在于,所述二值图像获取模块具体包括:
胼胝体二值图像获取单元,用于根据胼胝体阈值对T1加权核磁颅脑图像进行阈值分割,当第一灰度值大于或等于所述胼胝体阈值则为1,否则为0,根据所述第一灰度值获得胼胝体二值图像;
颅脑轮廓二值图像获取单元,用于根据颅脑轮廓阈值对T1加权核磁颅脑图像进行阈值分割,当第二灰度值大于或等于所述颅脑轮廓阈值则为1,否则为0,根据所述第二灰度值获得颅脑轮廓二值图像。
8.根据权利要求5所述自动提取磁共振图像胼胝体的系统,其特征在于,所述扫描线组调节模块具体包括:
扫描线中心位置获取单元,用于计算颅脑轮廓的区域中心与胼胝体的区域中心,并根据颅脑轮廓区域中心及胼胝体区域中心位置计算颅脑扫描线中心位置;
颅脑扫描线组的角度获取单元,用于从胼胝体水平中心向两边扫描计算胼胝体的左右底脚位置,并根据胼胝体区域的左右底脚位置,计算扫描线的倾斜角度,并确定颅脑扫描线组的角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410316366.XA CN104083170B (zh) | 2014-07-04 | 2014-07-04 | 一种自动提取磁共振图像胼胝体的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410316366.XA CN104083170B (zh) | 2014-07-04 | 2014-07-04 | 一种自动提取磁共振图像胼胝体的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104083170A CN104083170A (zh) | 2014-10-08 |
CN104083170B true CN104083170B (zh) | 2017-01-11 |
Family
ID=51631009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410316366.XA Active CN104083170B (zh) | 2014-07-04 | 2014-07-04 | 一种自动提取磁共振图像胼胝体的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104083170B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111839515B (zh) * | 2019-04-26 | 2024-03-08 | 西门子医疗系统有限公司 | 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置 |
CN112258532B (zh) * | 2020-10-26 | 2024-02-06 | 大连理工大学 | 一种超声图像中胼胝体的定位及分割方法 |
CN112258535B (zh) * | 2020-10-26 | 2022-09-16 | 大连理工大学 | 超声图像中胼胝体及小脑蚓部的一体化定位及分割方法 |
CN112258536B (zh) * | 2020-10-26 | 2024-02-06 | 大连理工大学 | 一种胼胝体及小脑蚓部的一体化定位及分割方法 |
CN112258534B (zh) * | 2020-10-26 | 2022-09-16 | 大连理工大学 | 一种超声图像中小脑蚓部的定位及分割方法 |
CN112633378B (zh) * | 2020-12-24 | 2022-06-28 | 电子科技大学 | 一种多模态影像胎儿胼胝体智能检测方法及系统 |
CN113545767B (zh) * | 2021-07-19 | 2023-08-15 | 成都市妇女儿童中心医院 | 一种胎儿颅脑扫描三点平面定位方法 |
CN113658234A (zh) * | 2021-07-21 | 2021-11-16 | 南方科技大学 | 脑部图像处理方法、电子设备及计算机可读存储介质 |
CN116205920B (zh) * | 2023-05-05 | 2023-07-18 | 天津医科大学总医院 | 基于肺扫描数据的重点区域检测模型生成方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1797427A (zh) * | 2004-12-24 | 2006-07-05 | 佳能株式会社 | 用于确定文本二值化阈值的方法、设备和存储介质 |
CN1952981A (zh) * | 2005-07-13 | 2007-04-25 | 西门子共同研究公司 | 利用形状模型的基于知识的图像分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7450983B2 (en) * | 2003-03-18 | 2008-11-11 | University Of Cincinnati | Automated brain MRI and CT prescriptions in Talairach space |
US8077937B2 (en) * | 2005-11-18 | 2011-12-13 | Cornell University | Reproducible objective quantification method to segment white matter structures |
US7983464B2 (en) * | 2006-08-08 | 2011-07-19 | Siemens Medical Solutions Usa, Inc. | System and method for corpus callosum segmentation in magnetic resonance images |
US8082019B2 (en) * | 2006-09-20 | 2011-12-20 | Siemens Medical Solutions Usa, Inc. | System and method for magnetic resonance brain scan planning |
-
2014
- 2014-07-04 CN CN201410316366.XA patent/CN104083170B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1797427A (zh) * | 2004-12-24 | 2006-07-05 | 佳能株式会社 | 用于确定文本二值化阈值的方法、设备和存储介质 |
CN1952981A (zh) * | 2005-07-13 | 2007-04-25 | 西门子共同研究公司 | 利用形状模型的基于知识的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
Automatic segmentation of magnetic resonance images using a decision tree with spatial information;Wen-Hung Chao et al,;《Computerized Medical Imaging and Graphics》;20081218;111-121 * |
Improving segmentation accuracy for magnetic resonance imaging using a boosted decision tree;Wen-Hung Chao, et al;《Journal of Neuroscience Methods》;20081115;206-217 * |
生物医学图像去噪及分割方法研究;罗春燕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111015(第10期);3-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN104083170A (zh) | 2014-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104083170B (zh) | 一种自动提取磁共振图像胼胝体的方法及系统 | |
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的系统 | |
CN104809740B (zh) | 基于svm与弹性区域生长的膝软骨图像自动分割方法 | |
CN102096917B (zh) | 胶囊内窥镜冗余图像数据的自动剔除方法 | |
CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
CN103996196B (zh) | 一种基于多变量的dti图像分析方法 | |
CN101872425B (zh) | 基于经验模态分解获取图像特征并测量相应物理参数方法 | |
CN103699904B (zh) | 多序列核磁共振影像的图像计算机辅助判断方法 | |
CN109035160A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 | |
CN107644420A (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN102999917B (zh) | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 | |
CN105069818A (zh) | 一种基于图像分析的皮肤毛孔识别方法 | |
CN105212936A (zh) | 一种脑模板的生成方法 | |
CN106296613B (zh) | 一种基于dr机器的双能量减影方法 | |
CN104217437A (zh) | 前列腺kvct图像的病变区域分割方法 | |
CN108186051A (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
CN112102339A (zh) | 一种基于图集配准的全身骨显像骨骼分割方法 | |
CN109255354A (zh) | 面向医用ct的计算机图像处理方法和装置 | |
Kalinosky et al. | White matter structural connectivity is associated with sensorimotor function in stroke survivors | |
CN102222156A (zh) | 人脑中水分子弥散模型的建立方法 | |
CN104102839A (zh) | 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法 | |
CN110279433A (zh) | 一种基于卷积神经网络的胎儿头围自动精确测量方法 | |
CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
CN109241963A (zh) | 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 | |
Kuang et al. | MRI-SegFlow: a novel unsupervised deep learning pipeline enabling accurate vertebral segmentation of MRI images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |