CN105426808A - 脑中矢状线漂移测量方法与系统 - Google Patents
脑中矢状线漂移测量方法与系统 Download PDFInfo
- Publication number
- CN105426808A CN105426808A CN201410490617.6A CN201410490617A CN105426808A CN 105426808 A CN105426808 A CN 105426808A CN 201410490617 A CN201410490617 A CN 201410490617A CN 105426808 A CN105426808 A CN 105426808A
- Authority
- CN
- China
- Prior art keywords
- brain
- drift
- module
- hemotoncus
- center line
- 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.)
- Granted
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种脑中矢状线漂移测量方法,其包括如下步骤:获取第一颅脑图像;从获取的第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想中线,以获得所述血肿与所述理想中线的相对位置关系;利用改进型的Voigt-NL模型预测所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线;及根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线。本发明还提供一种脑中矢状线漂移测量系统,用于执行所述脑中矢状线测量方法。本发明提供的脑中矢状线漂移测量方法与系统,不依赖构成脑中矢状线的特征结构,对于占位效应严重的病例,依然能够很好的进行测量,且测量准确度高,符合临床经验。
Description
技术领域
本发明涉及医学领域,尤其涉及一种脑中矢状线漂移测量方法与系统。
背景技术
脑出血后脑中矢状线漂移的检测和量化是判断颅脑损伤的一个重要指标。目前的研究表明,对脑出血后脑中矢状线漂移的检测是判断患者存活率的一个重要指标。因此,对脑中矢状线漂移的检测和量化是颅脑对称性改变的一个重要的检测手段,同时也是判断颅脑病理改变严重性的临床指征之一。
脑中矢状线由占位性病变引起的漂移大体上符合二次贝塞尔曲线,即脑中矢状线中上下两段属于硬脑膜的大脑镰部分的形变较小,基本不会出现弯曲,而其中段属于透明膈等软组织的部分由于受压则出现较大的形变。实际上脑中矢状线并不是实际存在的一个解剖结构,其严格意义上的定义是左右大脑半球的分隔线。目前已有的脑中矢状线漂移的算法主要可以分为两种:基于局部对称性和基于特征点。
基于局部对称性的算法是指通过计算脑中矢状线组成的特征部分的邻近区域的局部对称性,其通过合适的搜索算法求局部对称性最大的像素,然后通过曲线拟合来求出漂移后的脑中线,该算法的前提是假设颅脑的局部对称性的存在。现有的基于局部对称性的算法一般采用二次贝塞尔曲线模型或者线性回归模型,然而,这两种模型都无法很好的符合脑出血后脑中线漂移的生物力学原理。此外,在局部对称性的计算中,已有算法仅仅是对理想中矢状线左右两侧的邻域做简单的灰度差,然而该灰度差并不能完全体现局部对称性的特征。因此,该类算法的整体精度不是很高,并且由于遗传算法等搜索算法本身的时耗较长,算法的实时性较差。
基于特征点的算法是指根据脑中线的特殊解剖结构关系,利用图谱配准、角点检测、多分辨率水平集等方法,其通过寻找脑中线结构的一些特征点或者区域,然后对特征点进行曲线拟合求出漂移后的脑中线。这种算法虽然在脑中矢状线有较小漂移的数据上能够得到较好的结果,但是对于占位效应严重,脑中矢状线漂移较大的数据检测精度较差,甚至可能因为特征点或特征区域消失而无法检测。
发明内容
针对上述问题,本发明的目的在于提供一种脑中矢状线漂移测量方法,其对脑中矢状线的漂移预测不依赖构成脑中矢状线的特征结构,对于占位效应严重的病例,侧脑室部分消失或者完全消失的情况下,依然能够很好的实现脑中矢状线的漂移预测,且预测准确度高,符合临床经验。
本发明提供一种脑中矢状线漂移测量方法,包括如下步骤:
获取第一颅脑图像;
从获取的第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想脑中矢状线,以获得所述血肿与所述理想脑中矢状线的相对位置关系;
利用改进型的Voigt-NL模型预测所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线;及
根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线。
其中,所述从获取的第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想中线,以获得所述血肿与所述理想中线的相对位置关系,包括:
从所述第一颅脑图像中提取出所述脑组织,其中,对所述第一颅脑图像进行二值化及形态学处理后获得第二颅脑图像;
利用局部自适应阈值和案例表达的方法,从所述脑组织中提取所述血肿;
基于局部对称性及奇异点剔除的方法,从所述脑组织中提取中矢状面,进而提取出理想脑中矢状线,其中,所述理想脑中矢状线为所述颅脑在生理状况正常时的脑中矢状线;及
对所述第二颅脑图像进行旋转,以使所述理想脑中矢状线位于竖直的位置。
其中,所述利用改进型的Voigt-NL模型预测所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线,包括:
建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变表达式;
计算所述改进型Voigt-NL模型的参数;及
根据所述改进型Voigt-NL模型模拟所述血肿与所述脑组织的相互作用关系,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线。
其中,所述建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变方程,包括:
用所述血肿与所述理想中线之间的引力来表示所述理想中线受到所述血肿的压力,获得所述改进型Voigt-NL模型的应力;及
引入距离调和项对所述应力进行调节,获得所述应力-应变表达式。
其中,所述根据所述改进型Voigt-NL模型模拟所述血肿与所述脑组织的相互作用关系,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线,包括:
逐点计算所述血肿的重心P到所述理想中线上各点Qi的距离ri;及
根据所述距离ri及所述应力-应变方程,计算各点的应变,即各点的漂移距离,从而获得漂移后的脑中矢状线。
其中,所述根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线,包括:
根据小孔成像的原理,计算邻域窗口的大小;
计算灰度对称系数及形状对称系数;及
根据所述局部对称系数矩阵及邻域窗口,对所述漂移中线进行极值搜索和平滑处理后,得到修正漂移中线。
其中,所述根据小孔成像的原理,计算邻域窗口的大小,包括:
连接所述血肿的重心P和所述理想中线上的点Qi,并将连线延长,从而该连线与所述血肿的边界分别交于点B1及点B2;
以应变ε为焦距,以Qi为小孔,分别计算B1和B2关于所述小孔Qi的镜像点C2和C1;及
以点C2和C1为邻域窗口的对角点,确定所述邻域窗口。
其中,所述计算灰度对称系数及形状对称系数,包括:
计算所述灰度对称系数;及
计算所述形状对称系数。
其中,所述计算所述灰度对称系数,包括:
取一像素所在列作为垂直方向的对称轴,依次求与该对称轴水平对称的各个像素的灰度差;
根据所述邻域内各点与各像素的距离进行高斯加权;及
根据所述灰度对称系数构建灰度对称系数图,并对所述灰度对称系数图进行边界提取及归一化处理。
本发明还提供一种脑中矢状线漂移测量系统,包括成像模块、图像提取模块、处理模块及修正模块,其中:
所述成像模块,用于获取第一颅脑图像;
图像提取模块,用于从所述第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想脑中矢状线,以获得所述血肿与所述理想脑中矢状线的相对位置关系;
所述处理模块,用于利用改进型的Voigt-NL模型计算所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线;
所述修正模块,用于根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线。
其中,所述图像提取模块包括第一提取模块、第二提取模块、第三提取模块及图像旋转模块,
所述第一提取模块,用于从所述第一颅脑图像中提取出所述脑组织,其中,对所述第一颅脑图像进行二值化及形态学处理后获得第二颅脑图像;
所述第二提取模块,用于从所述脑组织中提取所述血肿;
所述第三提取模块,用于从所述脑组织中提取中矢状面,进而提取出理想脑中矢状线;
所述图像旋转模块,用于对所述第二颅脑图像进行旋转,以使所述理想脑中矢状线位于竖直的位置。
其中,所述处理模块包括模型建立模块、参数计算模块及漂移计算模块,
所述模型建立模块,用于建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变表达式;
所述参数计算模块,用于计算所述改进型Voigt-NL模型的参数;
所述漂移计算模块,用于根据所述模型建立模块建立的改进型Voigt-NL模型,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线。
其中,所述模型建立模块包括应力设置模块及应力调节模块,
所述应力设置模块,用于设置所述理想中线受到所述血肿的压力,获得所述改进型Voigt-NL模型的应力;
所述应力调节模块,用于引入距离调和项对所述应力进行调节,获得所述应力-应变表达式。
其中,所述修正模块包括邻域窗口计算模块、对称系数计算模块、极值搜索模块及平滑处理模块,
所述邻域窗口计算模块,用于根据小孔成像的原理,计算邻域窗口的大小;
所述对称系数计算模块,用于计算灰度对称系数及形状对称系数;
所述极值搜索模块,用于对所述漂移中线进行极值搜索;
所述平滑处理模块,用于对所述漂移中线进行平滑处理,以得到修正漂移中线。
其中,所述对称系数计算模块包括灰度对称系数计算模块及形状对称系数计算模块,
所述灰度对称系数计算模块,用于计算所述灰度对称系数;
所述形状对称系数计算模块,用于计算所述形状对称系数。
本发明实施例提供的脑中矢状线漂移测量方法与系统,通过采用改进型的Voigt-NL模型模拟所述血肿与所述理想中线之间的相互作用,获得所述漂移中线,再结合灰度对称系数与梯度对称系数的矩阵对得到的漂移中线进行修正,以获得所述修正漂移中线,从而使得所述修正漂移中线尽可能的接近理想的预测结果。本发明提供的脑中矢状线漂移测量方法,不依赖构成脑中矢状线的特征结构,对于占位效应严重的病例,侧脑室部分消失或者完全消失的情况下,依然能够很好的实现脑中矢状线的漂移预测,且预测准确度高,符合临床经验。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的脑中矢状线漂移测量方法的流程示意图。
图2(a)~图2(c)是本发明实施例提供的脑组织提取过程图。
图3是从图2(c)所示的脑组织中提取出血肿的示意图。
图4(a)至图4(c)是从不同的脑组织中提取理想中线的示意图。
图5是对第二颅脑图像进行旋转的示意图。
图6是Voigt模型的示意图。
图7是血肿与理想中线的相互作用示意图。
图8(a)与图8(b)为手绘的漂移后的理想中线与预测的漂移后的理想中线的对比示意图。
图9是获取邻域窗口的示意图。
图10是第二颅脑图像的对称性分析示意图。
图11是对所述第二颅脑图像进行滤波的示意图。
图12是梯度方向直方图计算示意图。
图13是对称的两个像素对应的梯度方向直方图示意。
图14(a)至图14(c)为对称系数矩阵的示意图。
图15(a)至图15(c)为对漂移的脑中矢状线进行修正的示意图。
图16是本发明实施例提供的脑中矢状线漂移测量的模块示意图。
图17是图16所示的图像提取模块的模块示意图。
图18是图16所示的处理模块的模块示意图。
图19是图16所示的修正模块的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供一种脑中矢状线漂移测量方法,用于对发生占位性病变的颅脑的脑中矢状线的漂移进行预测,其至少包括如下步骤:
S101,获取第一颅脑图像。
请一并参阅图2(a)至图2(c),在本发明实施例中,所述第一颅脑图像10可通过对患者的颅脑进行X射线成像、B超成像、电子计算机断层扫描(ComputedTomography,CT)成像或者磁共振(MagneticResonanceImaging,MRI)成像等方式获得。所述第一颅脑图像10包括背景11、皮肤(如头部皮肤和脸部皮肤)、脑组织12、颅骨13和头托等各部分的信息,由于本发明考虑的是发生占位性病变的颅脑,因而所述脑组织12内还包括相应的血肿14或肿瘤等其他异物,下文以血肿作为例子进行描述。
S102,从所述第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想脑中矢状线,以获得所述血肿与所述理想脑中矢状线的相对位置关系。
在本发明实施例中,所述血肿14会引起所述脑中矢状线漂移,且所述脑中矢状线的漂移与所述血肿14在所述脑组织12中的空间位置有关,因而在预测所述脑中矢状线的漂移时,需先获得所述血肿14与所述脑中矢状线的相对位置关系,具体为:
(1)从所述第一颅脑图像中提取出所述脑组织。
在本发明实施例中,所述脑组织12可通过多种方法从所述第一颅脑图像10中提取出来,下面以一个例子进行说明:
首先,利用模糊C-均值(FCM)聚类算法求出所述第一颅脑图像10的灰度阈值。
具体为,如图2(a)所示,在所述第一颅脑图像10中,不同组织的图像的灰度值各不相同,其灰度值从低到高排列依次为背景11和皮肤、脑组织12、血肿14、颅骨13和头托,其中,对于CT成像,所述背景11和皮肤一般呈现为黑色,所述颅骨13和头托一般呈现为白色(灰度值为0表示纯黑色,灰度值为255表示纯白色),所述脑组织12及所述血肿14的灰度值则介于所述背景11和皮肤的灰度值与所述颅骨13和头托的灰度值之间。所述FCM聚类算法选择4个聚类中心,并分别对应上述的四类组织,如第一聚类中心对应所述背景11和皮肤、第二聚类中心对应所述脑组织12、第三聚类中心对应所述血肿14、第四聚类中心对应所述颅骨13和头托。处理器装置(如计算机)接收所述第一颅脑图像10,并对所述第一颅脑图像10进行图像处理后,获取所述第一聚类中心的灰度最大值(下文用Tback表示)及所述第四聚类中心的灰度均值(下文用Tbone表示),并将Tback和Tbone记为灰度阈值。
其次,根据所述灰度阈值,获得二值化模板,并利用所述二值化模板将所述第一颅脑图像10二值化,得到所述脑组织12的候选区。
具体为,所述二值化模板可用如下的函数进行定义:
其中,g(x,y,z)为所述第一颅脑图像10在坐标点(x,y,z)处的灰度值,函数Mark(x,y,z)表示的意义为:所述第一颅脑图像10中,像素的灰度值在Tback和Tbone之间的像素的灰度值设置为1,而其他像素的灰度值设置为0(这里定义1为黑色,0为白色)。所述二值化模板将所述第一颅脑图像10进行二值化,即可获得如图2(b)所示的二值化脑模板20。
最后,采用形态学方式处理所述二值化脑模板20,以获得第二颅脑图像30,并从所述第二颅脑图像30提取所述脑组织12。
具体为,所述处理器装置先选择一预定大小的结构元,所述结构元为由Mark(x,y,z)函数定义的小型二值化模板,该结构元可为边长4毫米长的正方形或其他尺寸的正方形。所述处理器装置根据所述结构元对所述二值化脑模板20进行腐蚀操作,以断开所述脑组织12与其他组织(如背景11、皮肤、颅骨13等组织)之间的连接。具体为,所述结构元在所述二值化脑模板20上移动,当所述结构元中的所有黑色点与对应的二值化脑模板20的像素相同,则将所述二值化脑模板20上的该像素设置为黑色,否则设置为白色,如此当所述结构元遍历所述二值化脑模板20上的所有像素后,即可获取所述二值化脑模板20上的最大联通区域,即所述脑组织12的候选区。然后,所述结构元再对所述联通区域进行膨胀处理,具体为,所述结构元在所述最大联通区域内移动,当所述结构元中只要有至少一个黑色点与对应的联通区域内的像素相同,则将该像素设置为黑色,否则将该像素设置为白色,所述处理器装置通过所述膨胀处理即可恢复所述最大联通区的大小。最后,所述处理器装置再利用空间约束关系去除其他的组织(如肌肉等),从而得到如图2(c)所示的第二颅脑图像30,所述第二颅脑图像30去除了背景11及颅骨13等组织,并保留了脑组织12和血肿14,同时确定了所述脑组织12的空间位置信息。
需要说明的是,在本发明的其他实施例中,所述脑组织12的提取及所述第二颅脑图像30的获取还可以有多种方法,本发明不做具体限定。
(2)利用局部自适应阈值和案例表达的方法,从所述脑组织12中提取所述血肿14。
请一并参阅图3,在本发明实施例中,在提取所述脑组织12后,所述处理器装置还需从所述脑组织12中提取出所述血肿14,以获得所述血肿14在所述脑组织12内的空间位置信息,其可包括如下步骤:
首先,利用局部自适应阈值法对所述血肿14进行分割,获得所述血肿14的候选区。
具体为,所述局部自适应阈值是指图像的每个像素在一定的邻域范围内,都能找到对应的前景与背景的分界阈值,在该方法中,窗口的范围大小的选择自适应的寻找类间方差最大的邻域(即自适应窗口)。所述脑组织12内的每个像素的局部自适应阈值的计算公式定义如下:
其中,m(x,y)为自适应窗口中的灰度均值,sd(x,y)为自适应窗口的灰度方差,sdmax为整个脑组织12的像素所对应自适应窗口的最大方差值,k为调节参数。所述局部自适应阈值法可将所述脑组织12中大于灰度阈值T(x,y)的像素分割为所述血肿14的候选像素,然后所述处理器装置再次通过上述的形态学处理(即上述的腐蚀操作、膨胀处理及空间约束关系处理),得到所述血肿14的候选区。
然后,选择案例表达的参数个数和类型,并根据所述参数计算所述血肿14的候选区与案例库中的案例的相似度,以从所述候选区中确定所述血肿。
具体为,在案例表达过程中,主要选择如下16个参数:
其中,所述的16个参数包括:表示纹理的5个参数:最大区域、对应脑组织12的比率、所述血肿14最小区域、大于最小区域的候选数量、在脑组织12中的位置参数;及表示灰度和形状的11个参数:像素数、边缘像素数、前背景比率、案例中心X坐标、案例中心Y坐标、案例宽度、长度、长宽比、最小与最大案例长宽比、案例与脑组织平均灰度比、案例与脑边界的最小距离。
在本发明实施例中,所述处理器装置根据所述16个参数,分别计算所述血肿14的候选区与案例库中的案例的16个距离disti,并将计算获得的16个距离进行加权求和,最终得到所述血肿14的候选区与案例库中的案例的相似度,其中,所述相似度计算公式如下:
所述处理器装置设定一阈值,当所述血肿14的候选区与案例库中的案例的相似度simgoal,source大于所述阈值时,则可认定所述血肿14的候选区为血肿,否则认定所述血肿的候选区不是血肿,从而可从所述脑组织12中提取出所述血肿14,并获得所述血肿14的空间位置信息,如图3所示。
(3)基于局部对称性及奇异点剔除的方法,从所述脑组织中提取中矢状面,进而提取出理想脑中矢状线。
请一并参阅图4(a)至图4(c),在本发明实施例中,所述处理器装置在提取所述脑组织12及所述血肿14后,还需获得所述颅脑的理想脑中矢状线15(下面记为理想中线),所述理想中线15即所述颅脑在生理状况正常时的脑中矢状线。所述理想中线15可通过如下步骤进行提取:
首先,基于灰度对称性在轴向切片上定位脑纵裂;
然后,基于奇异点剔除病变或灰度分布异常的轴向切片;
最后,利用最小二乘法对所述轴向切片进行平面拟合,得到中矢状面,所述中矢状面在轴向切片上的显示即为所述理想中线15。
如图4所示,图4给出了不同的颅脑的理想中线15在所述脑组织12中的位置关系图,可以看出,所述理想中线15大致位于所述脑组织12的中间。
(4)对所述第二颅脑图像进行旋转,以使所述理想中线位于竖直的位置。
请一并参阅图5,在本发明实施例中,在获得所述理想中线15后,所述处理器装置还需对所述第二颅脑图像30进行旋转,以使所述理想中线15位于基本竖直的位置,如与水平面保持垂直的位置,以便于进行后续的对称性分析和计算。如图5所示,图5中的左边为两个未经过旋转的第二颅脑图像30,图5中的右边为两个经过旋转的所述第二颅脑图像30,从图5上可以看出,在经过旋转以后,两个第二颅脑图像30的理想中线15基本位于竖直的位置,即与水平面互相垂直。
S103,利用改进型的Voigt-NL模型预测所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线。
在本发明实施例中,由于所述脑组织12中存在所述血肿14,所述血肿14会对所述脑组织12造成压迫、挤压等,从而引起所述理想中线15的漂移和形变,由于所述脑中矢状线的检测和量化是颅脑对称性改变的一个重要的检测手段,同时也是判断颅脑病理改变严重性的临床指征之一,因而对所述理想中线15的漂移和形变程度进行准确的预测具有重要的意义。对所述理想中线15的漂移进行预测,首先需要建立一个模型来模拟所述血肿14与所述理想中线15之间的相互作用,本发明通过对传统的Voigt模型进行改进,获得改进型的Voigt-非线性(Nonlinear,NL)模型,以模拟所述血肿14与所述理想中线15之间的相互作用,其可包括如下步骤:
(1)建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变表达式。
具体为,在生理范围内,各种软组织都有应力-应变滞后环、应力松弛和蠕变现象,因而所述软组织都可视为粘弹性材料,且是高度非线性的粘弹性材料。借助简单的力学模型,所述脑组织12的粘弹性可分别用两个基本的力学元件进行描述,即理想弹簧和理想黏壶。其中,所述理想弹簧的力学性质符合胡克定律,用来模拟弹性形变,所述理想黏壶则服从牛顿流体定律,用来模拟黏性形变。所述理想弹簧和所述理想黏壶可以串联也可以并联,或者组成更复杂的多元件模型。
请一并参阅图6,在生物力学领域,有许多经典的力学模型,如Maxwell模型、Voigt模型和Kelvin模型。考虑到脑组织12的粘弹特性和分析的便利性,本发明采用Voigt模型进行模拟计算,在Voigt模型中,理想弹簧与理想黏壶是并联的,所述理想弹簧的应变与所述理想黏壶的应变相等,均为ε,而所述Voigt模型的总应力σ则为理想弹簧的应力σ1与理想黏壶的应力σ2之和,即σ=σ1+σ2,所述理想弹簧与所述理想黏壶的应力-应变方程分别为:
σ1=Kε(4-1)
其中,K为所述理想弹簧的弹性系数,μ为所述理想黏壶的黏性系数,则总应力-应变方程为:
σ=σ1+σ2(5-1)
由式(5-1)及(5-2)即可获得所述Voigt模型的总应力-应变方程:
其中τ为松弛时间,且
在实际情况中,由于所述脑组织12的解剖特性,脑出血后所述血肿14的压力与所述脑组织12的应变并不是线性的,而是非线性的,因而传统的Voigt模型无法满足模拟要求。针对上述问题,本发明提出一种改进型Voigt-NL模型,以模拟所述血肿14的压力与所述脑组织12的应变的非线性关系,具体为:
首先,用所述血肿与所述理想中线之间的引力来表示所述理想中线受到所述血肿的压力,获得所述改进型Voigt-NL模型的应力。
在本发明实施例中,考虑颅骨的刚性,对于离颅骨较近的所述脑组织12在受到所述血肿14的挤压的同时,承受的颅骨的反作用力也较大,此时应变较小;反之,远离颅骨的所述脑组织12受到颅骨的反作用力则较小,应变较大。因此,所述应力的表达式需要进行调整,以将所述应力的大小与距离联系起来。所述改进型的Voigt-NL模型采用所述血肿14与所述理想中线15之间的引力G(P,Q)来间接表示所述理想中线15受到所述血肿14的压力为:
其中P为所述血肿14的重心,Q为所述理想中线15漂移前占据的像素,Mp、MQ分别为所述重心P所在的像素和Q点所在的像素的质量,r为两个像素的欧式距离,g为引力常数。
然后,引入距离调和项对所述应力进行调节,获得所述应力-应变表达式。
由于引力和压力的受力方向相反,压力越大,则引力越小,反之,压力越小,则引力越大,根据所述脑中矢状线的临床影像特征可知,越靠近所述血肿14的脑中矢状线的漂移越大,越远离所述血肿14的脑中矢状线的漂移越小。因此,所述改进型的Voigt-NL模型还增加了相应的距离调和项F(r),根据上述受力分析,所述距离调和项F(r)采用了高斯距离调和,即:
其中,r0为所述理想中线15与所述血肿14的重心P距离最近的点与重心P的欧式距离(即所述理想中线15与所述重心P的最短距离),δ为重心P与理想中线15上各点的距离的均方差,A为调制因子。如此,调整后的应力表达式为:
σ=F(r)*G(P,Q)(9)
结合式(6)至式(9),则所述改进型的Voigt-NL模型的应力-应变表达式为:
(2)计算所述改进型Voigt-NL模型的参数。
在本发明实施例中,在得到上述的式(10)后,所述处理器装置还需获取所述改进型Voigt-NL模型中的各个参数,以进行后续的计算及预测。具体为:在本发明实施例中,应力G(P,Q)的计算参考了万有引力的计算公式,所述改进型Voigt-NL模型中,所述血肿14的重心P和所述理想中线15上的像素Q对应万有引力的两个质点,由于计算所述血肿14的各个像素与所述理想中线15上的各个像素Q之间的引力的合力非常复杂,所述改进型Voigt-NL模型采用所述血肿14的重心P来替代整个血肿区域,而用所述血肿14占据的像素的数目来替代质点的质量,如所述血肿14在所述第二颅脑图像30上一共占据了100个像素,则将所述血肿14的质量设置为100,MQ为像素Q的质量(即只有一个像素),取值Q=1。根据实验结果,所述改进型Voigt-NL模型对g的取值采用经验值,取值为g=1,同样,对于调制因子A,通过实验采用经验值,取A=0.035,K为所述脑组织12的弹性模量,取值为K=6.67×10-4,μ为所述脑组织12的黏性系数,取值μ=0.0075;时间参数t取值t=1000。
(3)根据所述改进型Voigt-NL模型模拟所述血肿与所述脑组织的相互作用关系,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线。
在本发明实施例中,在获得所述改进型Voigt-NL模型的所有参数之后,所述处理器装置首先计算所述距离调和项F(r),并对所述距离调和项F(r)进行归一化后,根据式(10),逐点计算所述理想中线15上各个点的应变ε,具体为:
首先,逐点计算所述血肿14的重心P到所述理想中线15上各点Qi的距离ri;
然后,根据所述距离ri及所述应力-应变方程,计算各点的应变,即各点的漂移距离,从而获得漂移后的脑中矢状线。
请一并参阅图7,在本发明实施例中,根据大脑镰的解剖位置和形变特性(呈现较强的刚性),所述理想中线15上前端的预定比例(如1/12左右)的线段和后端的预定比例(如1/6左右)的线段的距离调和项F(r)设置为一固定的常数,即F(r)的最小值并根据式(10)计算这两条线段上各点的漂移距离,所述漂移距离即为所述应变。然后,所述处理器装置再次根据式(10),分别计算所述理想中线15的剩下线段的各个点的漂移距离(此时的距离调和项由式(8)给出),并根据计算得到的漂移距离分别计算出漂移后各点的坐标位置,即得到漂移后的脑中矢状线16(以下记为漂移中线),如图7所示。
请一并参阅图8(a)至图8(b),其中,图8(a)为手动绘制的漂移后的脑中矢状线17,图8(b)为根据所述改进型Voigt-NL模型预测得到的漂移后的脑中矢状线16。可以看出,根据所述改进型Voigt-NL模型预测得到的漂移后的脑中矢状线16与手动绘制的漂移后的脑中矢状线17的漂移和形变大体保持一致。
S104,根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线。
具体为,在本发明实施例中,由于所述脑组织12并不是均匀的粘弹性材料,且所述理想中线15的形变除了依赖于所述血肿14的大小与位置外,还依赖于所述血肿14的成像时间,因此本发明实施例还将结合灰度对称特征以及形状对称特征,对所述漂移中线16进行调整,以使所述漂移中线16更接近理想的预测结果,具体为:
(1)根据小孔成像的原理,确定邻域窗口的大小。
请一并参阅图9,由于在计算所述血肿14对所述理想中线15产生形变的过程中,所述血肿14用其重心P替代,而不是通过对所述血肿14上的各个点进行积分来表示,因而理想的预测结果应该在实际的预测结果(即所述漂移中线16)附近一定大小的邻域窗口18之内。本发明借鉴小孔成像的原理来确定所述邻域窗口18的大小,以对所述漂移中线16进行修正,使其更接近理想的预测结果,具体为:
首先,连接所述血肿14的重心P和所述理想中线15上的点Qi,并将连线延长,从而该连线与所述血肿14的边界分别交于点B1和点B2。
然后,以应变ε为焦距,以Qi为小孔,分别计算B1和B2关于所述小孔Qi的镜像点C2和C1。
其中,B1点与Qi的线段的长度为重心P到所述理想中线15上的点Qi的线段的长度为C1/C2到Qi的线段的长度分别为且这些长度满足如下关系式:
最后,以点C1和C2为邻域窗口18的对角点,确定所述邻域窗口18。
其中,所述邻域窗口为以点C1和C2为为对角点的矩形或正方形,可以看出,所述理想中线15漂移后的点位于所述邻域窗口18内。
(2)计算灰度对称系数及形状对称系数。
具体为,临床上,对称性的判断主要是与中矢状面镜像的对比,其中,对比主要是进行灰度特征和形状特征的对比。如图10所示,图10为所述第二颅脑图像30在一垂直于所述理想中线15的行上的像素灰度和形状的特征的对称性分析结果。在计算局部对称系数时,现有的方法大多是简单的进行图像的翻转求得灰度差,这样很大程度上丢失了图像的形状信息。在本发明实施例中,局部对称系数的计算,不但考虑了灰度对称系数,同时也考虑了形状对称系数,这里以梯度对称代表形状对称,因此,所述局部对称系数的计算包括两个部分:灰度对称系数和梯度对称系数,其计算过程如下:
首先,计算所述灰度对称系数。
请一并参阅图11,在本发明实施例中,所述处理器装置将二维图像在像素(x,y)处的灰度记为f(x,y),像素p的坐标表示为(xp,yp),则所述计算灰度对称系数可包括:
首先,取一像素所在列作为垂直方向的对称轴,依次求与该对称轴水平对称的各个像素的灰度差。
计算时,所述处理器装置选择合适的邻域大小(如可取为7),以像素p的所在列作为垂直方向对称轴,依次求与该对称轴水平对称的各个像素的灰度差,如当像素q的坐标表示为(xp-i,yp),则该像素q关于所述对称轴对称的像素q′的坐标为(xp+i,yp),则像素q的灰度差f_d(q)为:
f_d(q)=||f(xp-i,yp)-f(xp+i,yp)||(12)
然后,根据所述邻域内各点与各像素的距离进行高斯加权。
计算公式为:
其中,||q-p||为像素p和q的欧式距离,则灰度对称系数SD为:
最后,根据所述灰度对称系数构建灰度对称系数图,并对所述灰度对称系数图进行边界提取及归一化处理。
然而,对于灰度均匀的区域在局部上是对称的,根据式(14)所求的灰度对称系数SD也很低,如果该均匀区域较大,则在该均匀区域内有很大一部分像素的SD值很小,即在SD图上呈现暗区域,这样很容易和目标对称轴相混淆,如对于所需的目标对称轴,其灰度对称系数应在所述对称轴上为极值点,与两边应有明显的对比度,即在SD图中显示为边界。因此,所述处理器装置还需对所述SD图进行边界提取,在边界提取过程中,所述处理器装置在垂直于对称轴,即水平方向上进行了拉普拉斯高斯(LaplacianofGassian,LoG)滤波。请参阅图11,具体为,所述处理器装置首先进行水平方向上的高斯滤波(均值为0,均方差为0.5),再计算水平方向上的拉普拉斯边缘,而在平行于对称轴即垂直方向上进行高斯滤波(均值为0、均方差为0.5),以降低垂直方向上的边界影响。所述灰度对称系数SS修正为:
SS=SD*L(15)
所述处理器装置再对式(15)得到的修正的灰度对称系数SS进行归一化,即可得到所需的灰度对称系数。
然后,计算梯度对称系数。
请一并参阅图12至图13,具体为,所述处理器装置选择梯度来表示人为判断过程中的形状信息,以构建梯度对称系数。其中,像素q的梯度方向直方图h(q)如图12所示。由于一阶差分一般对灰度梯度有较强的响应,如公式16-1和16-2所示:
Gx=f(x+1,y)-f(x-1,y)(16-1)
Gy=f(x,y+1)-f(x,y-1)(16-1)
因此,首先,所述处理器装置通过一阶差分计算像素q邻域(Nq)内各点的梯度幅值M(x,y)和角度θ(x,y),如公式17-1和17-2所示:
M(x,y)=|Gx|+|Gy|(17-1)
所述处理器装置选择[0,π]作为梯度方向的范围限定,故角度θ(x,y)应为:
所述处理器装置将梯度方向(Dir)范围[0,π]等分成8个小区间,即然后对像素q在一定邻域内(如可选择5邻域)进行梯度方向统计,并利用邻域内各像素的梯度幅值进行加权投影,得到各像素的梯度方向直方图如公式19所示:
其中,j=0,1,2,...,7,θi和Mi分别是邻域范围内像素i的梯度角度和幅值,最后,所述处理器装置对该直方图进行归一化得到hq,如公式20所示:
其中,为了增加对噪声抑制的鲁棒性,ε取值为ε=0.05。与灰度对称系数的计算类似,所述处理器装置对像素p选择合适的邻域大小(如选择邻域为7),以像素p的所在列为垂直方向对称轴,即令像素q的坐标表示为(xp-i,yp),则该像素对应的对称像素q′的坐标应为(xp+i,yp),首先将像素q′的梯度方向直方图h(q′)=[h(1),h(2),...h(8)]水平翻转得到h(q′)=[h(8),h(7),...h(1)],则梯度方向直方图点乘f_g(q)为:
f_g(q)=h(q)·h′(q′)(21)
f_g(q)表示两个像素梯度方向直方图的相似性,如果h(q)和h′(q′)越相似,f_g(q)越大,即像素q和q′越对称。然后根据邻域内各点与p的距离进行高斯加权,图13为对称的两个像素对应的梯度方向直方图。
高斯加权公式为:
其中,||q-p||为像素p和q的欧式距离,
最后梯度对称系数SG为:
最后,通过对所述灰度对称系数和梯度对称系数进行加权求和,计算总对称系数。
具体为,梯度在一定程度上反映了图像的边缘信息,即形状信息,所述处理器装置首先对像素的梯度幅值进行归一化,然后利用归一化的梯度幅值对灰度对称系数和梯度对称系数进行加权求和,得到总对称系数:
sym=SS*(1-grad)+grad*SG(24)
其中,所述总对称系数越大,则表示对称性越大。请一并参阅图14(a)至图14(c),其中,图14(a)为灰度对称系数矩阵,图14(b)为梯度对称系数矩阵,图14(c)为总对称系数矩阵。
(3)根据所述局部对称系数矩阵及邻域窗口,对所述漂移中线进行极值搜索和平滑处理后,得到修正漂移中线。
请一并参阅图15(a)至图15(c),在得到所述局部对称系数矩阵和所述邻域窗口18之后,所述处理器装置根据所述局部对称系数矩阵搜索所述邻域窗口18内的局部极大值的点,并将该点设置为修正后的漂移中线16(记为修正漂移中线)上的修正点161。然后,所述处理器装置计算所述漂移中线16上的各个修正点161后,对所述修正点161进行连接和平滑处理后,得到所需的修正漂移中线19。
综上所述,本发明实施例提供的脑中矢状线漂移测量方法,通过采用改进型的Voigt-NL模型模拟所述血肿14与所述理想中线15之间的相互作用,获得所述漂移中线16,再结合灰度对称系数与梯度对称系数的矩阵对得到的漂移中线16进行修正,以获得所述修正漂移中线19,从而使得所述修正漂移中线19尽可能的接近理想的预测结果。本发明提供的脑中矢状线漂移测量方法,不依赖构成脑中矢状线的特征结构,对于占位效应严重的病例,侧脑室部分消失或者完全消失的情况下,依然能够很好的实现脑中矢状线的漂移预测,且预测准确度高,符合临床经验。
请一并参阅图16至图19,本发明还提供一种脑中矢状线测量系统200,其包括成像模块210、图像提取模块220、处理模块230及修正模块240,其中:
所述成像模块210,用于获取第一颅脑图像10。
在本发明实施例中,所述成像模块210可为CT机、核磁共振设备、B超机等。所述第一颅脑图像10包括背景11、皮肤(如头部皮肤和脸部皮肤)、脑组织12、颅骨13和头托等各部分的信息,由于本发明考虑的是发生占位性病变的颅脑,因而所述脑组织12内还包括相应的血肿14或肿瘤等其他异物。
图像提取模块220,用于从所述第一颅脑图像10中提取出脑组织12,并从所述脑组织12中提取出血肿14及理想脑中矢状线15,以获得所述血肿14与所述理想脑中矢状线15的相对位置关系。
在本发明实施例中,所述图像提取模块220包括第一提取模块221、第二提取模块222、第三提取模块223及图像旋转模块224,其中,
所述第一提取模块221,用于从所述第一颅脑图像10中提取出所述脑组织12,其中,对所述第一颅脑图像进行二值化及形态学处理后获得第二颅脑图像;
所述第二提取模块222,用于从所述脑组织12中提取所述血肿14;
所述第三提取模块223,用于从所述脑组织12中提取中矢状面,进而提取出理想脑中矢状线15;
所述图像旋转模块224,用于对所述第二颅脑图像进行旋转,以使所述理想脑中矢状线位于竖直的位置。
具体的图像提取及处理过程请参照方法项实施例,在此不再赘述。
所述处理模块230,用于利用改进型的Voigt-NL模型计算所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线;
在本发明实施例中,所述处理模块230包括模型建立模块231、参数计算模块232及漂移计算模块233,其中,
所述模型建立模块231,用于建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变表达式;
在本发明实施例中,所述模型建立模块231包括应力设置模块及应力调节模块,具体为,本发明实施例采用Voigt模型进行模拟计算,在实际情况中,由于所述脑组织12的解剖特性,脑出血后所述血肿14的压力与所述脑组织12的应变并不是线性的,而是非线性的,因而传统的Voigt模型无法满足模拟要求。所述应力设置模块采用所述血肿14与所述理想中线15之间的引力G(P,Q)来间接表示所述理想中线15受到所述血肿14的压力为:
其中P为所述血肿14的重心,Q为所述理想中线15漂移前占据的像素,Mp、MQ分别为所述重心P所在的像素和Q点所在的像素的质量,r为两个像素的欧式距离,g为引力常数。
由于引力和压力的受力方向相反,压力越大,则引力越小,反之,压力越小,则引力越大,根据所述脑中矢状线的临床影像特征可知,越靠近所述血肿14的脑中矢状线的漂移越大,越远离所述血肿14的脑中矢状线的漂移越小。因此,所述应力调节模块设置了一距离调和项F(r),根据上述受力分析,所述距离调和项F(r)采用了高斯距离调和,即:
其中,r0为所述理想中线15与所述血肿14的重心P距离最近的点与重心P的欧式距离(即所述理想中线15与所述重心P的最短距离),δ为重心P与理想中线15上各点的距离的均方差,A为调制因子。如此,调整后的应力表达式为:
σ=F(r)*G(P,Q)
结合式(6)至式(9),则所述改进型的Voigt-NL模型的应力-应变表达式为:
所述参数计算模块232,用于计算所述改进型Voigt-NL模型的参数;
在本发明实施例中,应力G(P,Q)的计算参考了万有引力的计算公式,所述改进型Voigt-NL模型中,所述血肿14的重心P和所述理想中线15上的像素Q对应万有引力的两个质点,由于计算所述血肿14的各个像素与所述理想中线15上的各个像素Q之间的引力的合力非常复杂,所述改进型Voigt-NL模型采用所述血肿14的重心P来替代整个血肿区域,而用所述血肿14占据的像素的数目来替代质点的质量,如所述血肿14在所述第二颅脑图像30上一共占据了100个像素,则将所述血肿14的质量设置为100,MQ为像素Q的质量(即只有一个像素),取值Q=1。根据实验结果,所述改进型Voigt-NL模型对g的取值采用经验值,取值为g=1,同样,对于调制因子A,通过实验采用经验值,取A=0.035,K为所述脑组织12的弹性模量,取值为K=6.67×10-4,μ为所述脑组织12的黏性系数,取值μ=0.0075;时间参数t取值t=1000。所述参数计算模块232用于计算或设置上述的各个参数值。
所述漂移计算模块233,用于根据所述模型建立模块231建立的改进型Voigt-NL模型,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线。
在本发明实施例中,在所述参数计算模块232获得所述改进型Voigt-NL模型的所有参数之后,所述漂移计算模块233首先计算所述距离调和项F(r),并对所述距离调和项F(r)进行归一化后,根据式(10),逐点计算所述理想中线15上各个点的应变ε,并根据计算得到的漂移距离分别计算出漂移后各点的坐标位置,即得到漂移后的脑中矢状线16。
所述修正模块240,用于根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线。
在本发明实施例中,所述修正模块240包括邻域窗口计算模块241、对称系数计算模块242、极值搜索模块243及平滑处理模块244,其中,
所述邻域窗口计算模块241,用于根据小孔成像的原理,计算邻域窗口的大小。
具体为,由于在计算所述血肿14对所述理想中线15产生形变的过程中,所述血肿14用其重心P替代,而不是通过对所述血肿14上的各个点进行积分来表示,因而理想的预测结果应该在实际的预测结果(即所述漂移中线16)附近一定大小的邻域窗口18之内。所述邻域窗口计算模块241借鉴小孔成像的原理,来确定所述邻域窗口18的大小,以对所述漂移中线16进行修正,使其更接近理想的预测结果。具体的计算过程请参照方法项实施例,在此不再赘述。
所述对称系数计算模块242,用于计算灰度对称系数及形状对称系数;
具体为,临床上,对称性的判断主要是与中矢状面镜像的对比,其中,对比主要是进行灰度特征和形状特征的对比。在计算局部对称系数时,现有的方法大多是简单的进行图像的翻转求得灰度差,这样很大程度上丢失了图像的形状信息。在本发明实施例中,局部对称系数的计算,不但考虑了灰度对称系数,同时也考虑了形状对称系数,这里以梯度对称代表形状对称,因此,所述局部对称系数的计算包括两个部分:灰度对称系数和梯度对称系数。在本发明实施例中,所述对称系数计算模块242包括灰度对称系数计算模块及形状对称系数计算模块。其中,所述灰度对称系数计算模块用于计算所述灰度对称系数,所述想着对称系数用于计算所述形状对称系数。
所述极值搜索模块243,用于对所述漂移中线进行极值搜索。
在本发明实施例中,所述极值搜索模块243根据所述局部对称系数矩阵搜索所述邻域窗口18内的局部极大值的点,并将该点设置为修正后的漂移中线16(记为修正漂移中线)上的修正点161。
所述平滑处理模块244,用于对所述漂移中线进行平滑处理,以得到修正漂移中线。
在本发明实施例中,所述平滑处理模块244对所述修正点161进行连接和平滑处理后,得到所需的修正漂移中线19。
在本发明的其他实施例中,所述的脑中矢状线测量系统中的各个模块或功能模块可以分别或全部合并为一个或若干个另外的模块来构成,或者其中的某个(些)模块还可以再拆分为功能上更小的多个模块来构成,这可以实现同样的操作,而不影响本发明的实施例的技术效果的实现。上述模块是基于逻辑功能划分的,在实际应用中,一个模块的功能也可以由多个模块来实现,或者多个模块的功能由一个模块实现。在本发明的其它实施例中,上述的脑中矢状线测量系统也可以包括其它模块。但在实际应用中,这些功能也可以由其它模块协助实现,并且可以由多个模块协作实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (15)
1.一种脑中矢状线漂移测量方法,其特征在于,包括如下步骤:
获取第一颅脑图像;
从获取的第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想脑中矢状线,以获得所述血肿与所述理想脑中矢状线的相对位置关系;
利用改进型的Voigt-NL模型预测所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线;及
根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线。
2.根据权利要求1所述的方法,其特征在于,所述从获取的第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想中线,以获得所述血肿与所述理想中线的相对位置关系,包括:
从所述第一颅脑图像中提取出所述脑组织,其中,对所述第一颅脑图像进行二值化及形态学处理后获得第二颅脑图像;
利用局部自适应阈值和案例表达的方法,从所述脑组织中提取所述血肿;
基于局部对称性及奇异点剔除的方法,从所述脑组织中提取中矢状面,进而提取出理想脑中矢状线,其中,所述理想脑中矢状线为所述颅脑在生理状况正常时的脑中矢状线;及
对所述第二颅脑图像进行旋转,以使所述理想脑中矢状线位于竖直的位置。
3.根据权利要求2所述的方法,其特征在于,所述利用改进型的Voigt-NL模型预测所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线,包括:
建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变表达式;
计算所述改进型Voigt-NL模型的参数;及
根据所述改进型Voigt-NL模型模拟所述血肿与所述脑组织的相互作用关系,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线。
4.根据权利要求3所述的方法,其特征在于,所述建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变方程,包括:
用所述血肿与所述理想中线之间的引力来表示所述理想中线受到所述血肿的压力,获得所述改进型Voigt-NL模型的应力;及
引入距离调和项对所述应力进行调节,获得所述应力-应变表达式。
5.根据权利要求4所述的方法,其特征在于,所述根据所述改进型Voigt-NL模型模拟所述血肿与所述脑组织的相互作用关系,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线,包括:
逐点计算所述血肿的重心P到所述理想中线上各点Qi的距离ri;及
根据所述距离ri及所述应力-应变方程,计算各点的应变,即各点的漂移距离,从而获得漂移后的脑中矢状线。
6.根据权利要求1所述的方法,其特征在于,所述根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线,包括:
根据小孔成像的原理,计算邻域窗口的大小;
计算灰度对称系数及形状对称系数;及
根据所述局部对称系数矩阵及邻域窗口,对所述漂移中线进行极值搜索和平滑处理后,得到修正漂移中线。
7.根据权利要求6所述的方法,其特征在于,所述根据小孔成像的原理,计算邻域窗口的大小,包括:
连接所述血肿的重心P和所述理想中线上的点Qi,并将连线延长,从而该连线与所述血肿的边界分别交于点B1及点B2;
以应变ε为焦距,以Qi为小孔,分别计算B1和B2关于所述小孔Qi的镜像点C2和C1;及
以点C2和C1为邻域窗口的对角点,确定所述邻域窗口。
8.根据权利要求6所述的方法,其特征在于,所述计算灰度对称系数及形状对称系数,包括:
计算所述灰度对称系数;及
计算所述形状对称系数。
9.根据权利要求8所述的方法,其特征在于,所述计算所述灰度对称系数,包括:
取一像素所在列作为垂直方向的对称轴,依次求与该对称轴水平对称的各个像素的灰度差;
根据所述邻域内各点与各像素的距离进行高斯加权;及
根据所述灰度对称系数构建灰度对称系数图,并对所述灰度对称系数图进行边界提取及归一化处理。
10.一种脑中矢状线漂移测量系统,其特征在于,包括成像模块、图像提取模块、处理模块及修正模块,其中:
所述成像模块,用于获取第一颅脑图像;
图像提取模块,用于从所述第一颅脑图像中提取出脑组织,并从所述脑组织中提取出血肿及理想脑中矢状线,以获得所述血肿与所述理想脑中矢状线的相对位置关系;
所述处理模块,用于利用改进型的Voigt-NL模型计算所述血肿引起所述理想中线的漂移,以获得漂移后的脑中矢状线;
所述修正模块,用于根据灰度对称特征以及形状对称特征,对所述漂移后的脑中矢状线进行修正,以获得修正后的漂移中线。
11.根据权利要求10所述的系统,其特征在于,所述图像提取模块包括第一提取模块、第二提取模块、第三提取模块及图像旋转模块,
所述第一提取模块,用于从所述第一颅脑图像中提取出所述脑组织,其中,对所述第一颅脑图像进行二值化及形态学处理后获得第二颅脑图像;
所述第二提取模块,用于从所述脑组织中提取所述血肿;
所述第三提取模块,用于从所述脑组织中提取中矢状面,进而提取出理想脑中矢状线;
所述图像旋转模块,用于对所述第二颅脑图像进行旋转,以使所述理想脑中矢状线位于竖直的位置。
12.根据权利要求10所述的系统,其特征在于,所述处理模块包括模型建立模块、参数计算模块及漂移计算模块,
所述模型建立模块,用于建立改进型的Voigt-NL模型,以获取所述血肿与所述理想中线的应力-应变表达式;
所述参数计算模块,用于计算所述改进型Voigt-NL模型的参数;
所述漂移计算模块,用于根据所述模型建立模块建立的改进型Voigt-NL模型,对所述理想中线的漂移进行计算,以获得漂移后的脑中矢状线。
13.根据权利要求12所述的系统,其特征在于,所述模型建立模块包括应力设置模块及应力调节模块,
所述应力设置模块,用于设置所述理想中线受到所述血肿的压力,获得所述改进型Voigt-NL模型的应力;
所述应力调节模块,用于引入距离调和项对所述应力进行调节,获得所述应力-应变表达式。
14.根据权利要求13所述的系统,其特征在于,所述修正模块包括邻域窗口计算模块、对称系数计算模块、极值搜索模块及平滑处理模块,
所述邻域窗口计算模块,用于根据小孔成像的原理,计算邻域窗口的大小;
所述对称系数计算模块,用于计算灰度对称系数及形状对称系数;
所述极值搜索模块,用于对所述漂移中线进行极值搜索;
所述平滑处理模块,用于对所述漂移中线进行平滑处理,以得到修正漂移中线。
15.根据权利要求14所述的系统,其特征在于,所述对称系数计算模块包括灰度对称系数计算模块及形状对称系数计算模块,
所述灰度对称系数计算模块,用于计算所述灰度对称系数;
所述形状对称系数计算模块,用于计算所述形状对称系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410490617.6A CN105426808B (zh) | 2014-09-23 | 2014-09-23 | 脑中矢状线漂移测量方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410490617.6A CN105426808B (zh) | 2014-09-23 | 2014-09-23 | 脑中矢状线漂移测量方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426808A true CN105426808A (zh) | 2016-03-23 |
CN105426808B CN105426808B (zh) | 2019-06-14 |
Family
ID=55505009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410490617.6A Active CN105426808B (zh) | 2014-09-23 | 2014-09-23 | 脑中矢状线漂移测量方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426808B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108962380A (zh) * | 2017-05-27 | 2018-12-07 | 周仁海 | 判读脑部影像的装置和方法及提供脑部状态信息的装置 |
CN109671066A (zh) * | 2018-12-14 | 2019-04-23 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN110956636A (zh) * | 2019-11-28 | 2020-04-03 | 北京推想科技有限公司 | 一种图像处理方法及装置 |
WO2022141085A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 超声检测方法和超声成像系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070276219A1 (en) * | 2004-04-02 | 2007-11-29 | K N Bhanu P | Locating a Mid-Sagittal Plane |
CN101238987A (zh) * | 2007-09-06 | 2008-08-13 | 深圳先进技术研究院 | 一种关于ct脑出血图像的处理方法 |
CN102930552A (zh) * | 2012-11-22 | 2013-02-13 | 北京理工大学 | 基于对称结构减影的脑肿瘤自动提取方法 |
-
2014
- 2014-09-23 CN CN201410490617.6A patent/CN105426808B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070276219A1 (en) * | 2004-04-02 | 2007-11-29 | K N Bhanu P | Locating a Mid-Sagittal Plane |
CN101238987A (zh) * | 2007-09-06 | 2008-08-13 | 深圳先进技术研究院 | 一种关于ct脑出血图像的处理方法 |
CN102930552A (zh) * | 2012-11-22 | 2013-02-13 | 北京理工大学 | 基于对称结构减影的脑肿瘤自动提取方法 |
Non-Patent Citations (1)
Title |
---|
胡庆茂等: "从非增强型CT确定脑内急性脑出血", 《节能环保 和谐发展——2007中国科协年会论文集(二)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108962380A (zh) * | 2017-05-27 | 2018-12-07 | 周仁海 | 判读脑部影像的装置和方法及提供脑部状态信息的装置 |
CN109671066A (zh) * | 2018-12-14 | 2019-04-23 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
CN109671066B (zh) * | 2018-12-14 | 2024-03-26 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN110503630B (zh) * | 2019-07-19 | 2023-05-09 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN110956636A (zh) * | 2019-11-28 | 2020-04-03 | 北京推想科技有限公司 | 一种图像处理方法及装置 |
WO2022141085A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 超声检测方法和超声成像系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105426808B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Makropoulos et al. | The developing human connectome project: A minimal processing pipeline for neonatal cortical surface reconstruction | |
CN105426808A (zh) | 脑中矢状线漂移测量方法与系统 | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
CN111047594A (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
US20100260396A1 (en) | integrated segmentation and classification approach applied to medical applications analysis | |
CN102682449B (zh) | 软组织核磁图像自适应外力水平集自动分割及实现方法 | |
CN107749061A (zh) | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 | |
Cover et al. | Computational methods for corpus callosum segmentation on MRI: A systematic literature review | |
Park et al. | Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features | |
CN107146214A (zh) | 儿童髋关节发育状况计算机自动诊断的方法 | |
CN104809480A (zh) | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 | |
CN105279759A (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
Moreira et al. | A novel Vickers hardness measurement technique based on Adaptive Balloon Active Contour Method | |
Han et al. | Brain extraction from normal and pathological images: a joint PCA/image-reconstruction approach | |
CN105989598A (zh) | 基于局部强化主动轮廓模型的眼底图像血管分割方法 | |
CN104545999B (zh) | 一种超声图像膀胱容积测量方法及装置 | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
CN104217437A (zh) | 前列腺kvct图像的病变区域分割方法 | |
Qin et al. | Improving reliability and accuracy of vibration parameters of vocal folds based on high-speed video and electroglottography | |
Andrew et al. | Spine magnetic resonance image segmentation using deep learning techniques | |
Sun et al. | A magnified adaptive feature pyramid network for automatic microaneurysms detection | |
Kuang et al. | Skull R-CNN: A CNN-based network for the skull fracture detection | |
CN108629770A (zh) | 基于支持向量机的超声图像分割方法 | |
Gong et al. | ResAttenGAN: Simultaneous segmentation of multiple spinal structures on axial lumbar MRI image using residual attention and adversarial learning | |
CN109919216A (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 |
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 |