CN107507212B - 数字脑可视化方法、装置、计算设备及存储介质 - Google Patents

数字脑可视化方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN107507212B
CN107507212B CN201710710028.8A CN201710710028A CN107507212B CN 107507212 B CN107507212 B CN 107507212B CN 201710710028 A CN201710710028 A CN 201710710028A CN 107507212 B CN107507212 B CN 107507212B
Authority
CN
China
Prior art keywords
brain
image
magnetic resonance
tissue structure
digital
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
Application number
CN201710710028.8A
Other languages
English (en)
Other versions
CN107507212A (zh
Inventor
王澄
李迟迟
李江宁
周寿军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201710710028.8A priority Critical patent/CN107507212B/zh
Publication of CN107507212A publication Critical patent/CN107507212A/zh
Application granted granted Critical
Publication of CN107507212B publication Critical patent/CN107507212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明适用医学图像处理技术领域，提供了一种数字脑可视化方法、装置、计算设备及存储介质，该方法包括：当接收到数字脑可视化请求时，获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像，使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构，使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构，对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。

Description

数字脑可视化方法、装置、计算设备及存储介质
技术领域
本发明属于医学图像处理技术领域，尤其涉及一种数字脑可视化方法、装置、计算设备及存储介质。
背景技术
随着医学科技的发展及诊疗设备的不断更新，现代外科学朝着微创化、显微化和取代化发展。加之外科手术导程系统、虚拟手术及机器人手术的发展，熟知血管及整个组织空间的拓扑结构等都可以大大提高手术的成功率。
目前在血管可视化研究方面，比较具有突破性的是2002年首次报道的血管标识技术，成功实现了“中国数字人”，结合解剖知识，通过对真实人体做切片处理，最终实现数字人，通过研究新型的血管造影剂，对人体血管进行填充，经过CT扫面实现血管3D可视化，通过改进的分割算法进行CT图像提取，通过开放图形库(Open Graphics Library，简称OpenGL)进行加工着色处理实现血管可视化。虽然在一定程度上可视化研究能取得相应的成果，但是都存在一定的不足之处，首先数字人是通过对真实人的解剖取得最终的结果，但是每个人体的血管具有差异性，并且不可能对每个样本都进行解剖，因此，在现实运用中有很多不便之处。其次现有的针对人体大脑可视化研究方面，主要是针对大脑病变区、功能等方面的可视化研究，而且多数都是处于理论研究方面，单纯且完整的拓扑结构可视化研究相对较少。
随着介入手术的不断发展，介入手术对手术路径的可视化要求越来越高。虽然目前基于磁共振影像的T1模态下的脑组织以及TOF模态下的脑血管提取方法可以取得较好的效果，但是如何准确的将脑组织与脑血管融合在一起，对手术的成功率起着重要作用，而现有技术的融合准确性较低。另外，现有技术在数字脑以及工程可视化方面也存在一定的局限性，即可视化效果不佳、可视化范围不全面。
发明内容
本发明的目的在于提供一种数字脑可视化方法、装置、计算设备及存储介质，旨在解决由于现有数字脑可视化技术的脑组织与脑血管融合准确性较低，导致数字脑可视化效果不佳的问题。
一方面，本发明提供了一种数字脑可视化方法，所述方法包括下述步骤：
当接收到数字脑可视化请求时，获取所述数字脑可视化请求中的待可视化脑图像，所述待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像；
使用预设的脑血管分割算法提取所述TOF模态下磁共振造影脑图像中的脑血管结构；
使用预设的提取算法提取所述T1模态下磁共振造影脑图像中的脑组织结构；
对所述提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出。
另一方面，本发明提供了一种数字脑可视化装置，所述装置包括：
原始图像获取单元，用于当接收到数字脑可视化请求时，获取所述数字脑可视化请求中的待可视化脑图像，所述待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像；
脑血管分割单元，用于使用预设的脑血管分割算法提取所述TOF模态下磁共振造影脑图像中的脑血管结构信息；
脑组织提取单元，用于使用预设的提取算法提取所述T1模态下磁共振造影脑图像中的脑组织结构信息；以及
脑视图输出单元，用于对对所述提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出。
另一方面，本发明还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述数字脑可视化方法的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述数字脑可视化方法的步骤。
本发明当接收到数字脑可视化请求时，获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像，使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构，使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构，对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。
附图说明
图1是本发明实施例一提供的数字脑可视化方法的实现流程图；
图2是本发明实施例二提供的数字脑可视化装置的结构示意图；
图3是本发明实施例三提供的数字脑可视化装置的结构示意图；以及
图4是本发明实施例四提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的数字脑可视化方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，当接收到数字脑可视化请求时，获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像。
本发明实施例适用于医学图像处理系统，尤其适用于数字脑可视化系统，以方便进行磁共振造影脑图像的可视化。在本发明实施例中，当需要进行数字脑可视化时，输入到系统中的待可视化脑图像包括面向时飞(Time oriented fly，简称TOF)模态下的磁共振造影脑图像和T1模态下的磁共振造影脑图像，以方便进行后续的脑血管结构和脑组织结构的提取。T1模态下的磁共振造影图像中包含整个脑部信息，即包含脑组织，颅骨，眼球等信息，而TOF磁共振仅利用血管内本身固有的血流作为对比探测的媒介，从而使得TOF模态下的磁共振造影脑图像包含脑血管结构信息。
在步骤S102中，使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构。
在本发明实施例中，获取数字脑可视化请求中的待可视化脑图像之后，首先选择其中的TOF模态下的磁共振造影脑图像，然后从TOF模态下的磁共振造影脑图像中提取脑血管结构，从而获取脑血管结构信息。优选地，在获取到脑血管结构信息之后，判断脑血管结构信息中的数据单位是否为预设的单位，当数据单位不是预设的单位时，对获取的脑血管结构信息中的数据进行单位转换，从而方便进行后续的计算。具体地，脑血管结构信息中的数据单位可以为体素或毫米，脑血管分割算法可以为基于开曲线(Open Snake)的血管分割算法。
在步骤S103中，使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构。
在本发明实施例中，优选地，在使用预设的提取算法提取T1模态下的磁共振造影脑图像中的脑组织结构时，首先对T1模态下磁共振造影脑图像进行去颅骨操作，并对得到的图像进行归一化处理，得到归一化图像，然后对归一化图像进行曲率流平滑去噪处理，得到去噪后图像，最后使用预设的分割算法对去噪后图像进行加速分割，得到脑组织结构，从而提高了获取脑组织结构信息的准确性。其中，分割算法可以为基于阈值的分割方法、基于边缘的分割方法、最大流(最小割)算法、基于先验信息的分割算法等分割算法，优选地，使用基于隐马尔可夫随机场(hidden Markov random field，简称HMRF)的分割算法对去噪图像进行分割，从而提高图像分割的准确性。
进一步优选地，在提取脑组织结构时，同时提取T1模态下的磁共振造影脑图像中的、除脑组织之外的预设脑部部位(例如，眼眶、头皮等)，以用于脑血管结构和脑组织结构的三维配准，从而实现数字脑的全面可视化。
在步骤S104中，对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出。
在本发明实施例中，提取到脑血管结构和脑组织结构之后，首先基于脑血管结构和脑组织结构之间的互信息进行三维配准，以进行准确合理的结构组合，然后在对各部分结构进行三维配准组合之后，对配准后的脑部图像进行绘制并输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。优选地，在得到配准后的脑部图像后，进行图像绘制时，在视觉化工具函式库(visualization toolkit，简称VTK)的渲染窗口中进行可视化体绘制，从而提高绘制效果。
优选地，在对提取的脑血管结构和脑组织结构进行三维配准时，对脑血管结构、脑组织结构以及预先从T1模态下磁共振造影脑图像中获取的预设脑部位进行三维配准，从而提高了数字脑可视化信息的全面性。
优选地，在对提取的脑血管结构和脑组织结构进行三维配准时，首先将包含脑组织结构的图像设置为目标图像，将包含脑血管结构的图像设置为配准图像，根据目标图像中的脑血管结构和配准图像中的脑组织结构在三维坐标系中的坐标，获取目标图像和配准图像之间的坐标转换矩阵，然后计算坐标转换矩阵的相似性度量值，确认相似性度量值是否超过预设的度量阈值，最后当相似性度量值超过度量阈值时，对坐标转换矩阵进行优化，直至相似性度量值不超过度量阈值，此时，根据坐标转换矩阵对目标图像中的脑血管结构和配准图像中的脑组织结构进行三维配准，从而提高了三维配准的准确性。具体地，在计算坐标转换矩阵的相似性度量值时，可以使用公式
Figure BDA0001382405490000061
计算坐标转换矩阵的相似性度量值，相似性度量值S(T)越大表示两个信号越相关，也就是说目标图像和配准图像这两张图像相似性程度越高，其中，
Figure BDA0001382405490000062
Figure BDA0001382405490000063
表示两张图像在该位置拥有某一像素值对的概率，p(f1(Tαs))和p(f2(s))为边缘概率密度，Tαs表示转换后的坐标，s代表目标图像中的坐标，f1(Tαs)表示转换后图像的像素值，f2(s)表示目标图像的像素值，H表示像素值对的个数，N表示总的坐标数量。
进一步优选地，在根据坐标转换矩阵对脑血管结构信息和脑组织结构信息进行三维配准之前，首先确认脑血管结构和脑组织结构的结构大小比例是否一致，然后当结构大小比例不一致时，根据结构大小比例对坐标转换矩阵进行插值操作，从而进一步提高了三维配准的准确性。
实施例二：
图2示出了本发明实施例二提供的数字脑可视化装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
原始图像获取单元21，用于当接收到数字脑可视化请求时，获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像。
在本发明实施例中，当需要进行数字脑可视化时，原始图像获取单元21获取到的待可视化脑图像包括TOF模态下的磁共振造影脑图像和T1模态下的磁共振造影脑图像，以方便进行后续的脑血管结构和脑组织结构的提取。T1模态下的磁共振造影图像中包含整个脑部信息，即包含脑组织，颅骨，眼球等信息，而TOF磁共振仅利用血管内本身固有的血流作为对比探测的媒介，从而使得TOF模态下的磁共振造影脑图像包含脑血管结构信息。
脑血管分割单元22，用于使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构。
脑组织提取单元23，用于使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构信息。
脑视图输出单元24，用于对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出。
在本发明实施例中，提取到脑血管结构和脑组织结构之后，脑视图输出单元24首先基于脑血管结构和脑组织结构之间的互信息进行三维配准，以进行准确合理的结构组合，然后在对各部分结构进行三维配准组合之后，对配准后的脑部图像进行绘制并输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。优选地，在得到配准后的脑部图像后，进行图像绘制时，在VTK的渲染窗口中进行可视化体绘制，从而提高了绘制效果。
在本发明实施例中，当接收到数字脑可视化请求时，原始图像获取单元21获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像，脑血管分割单元22使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构，脑组织提取单元23使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构信息，脑视图输出单元24对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。
在本发明实施例中，数字脑可视化装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例三：
图3示出了本发明实施例三提供的数字脑可视化装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
原始图像获取单元31，用于当接收到数字脑可视化请求时，获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像。
在本发明实施例中，当需要进行数字脑可视化时，原始图像获取单元31获取到的待可视化脑图像包括TOF模态下的磁共振造影脑图像和T1模态下的磁共振造影脑图像，以方便进行后续的脑血管结构和脑组织结构的提取。T1模态下的磁共振造影图像中包含整个脑部信息，即包含脑组织，颅骨，眼球等信息，而TOF磁共振仅利用血管内本身固有的血流作为对比探测的媒介，从而使得TOF模态下的磁共振造影脑图像包含脑血管结构信息。
脑血管分割单元32，用于使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构。
在本发明实施例中，获取数字脑可视化请求中的待可视化脑图像之后，脑血管分割单元32首先选择其中的TOF模态下的磁共振造影脑图像，然后从TOF模态下的磁共振造影脑图像中提取脑血管结构，从而获取脑血管结构信息。优选地，在获取到脑血管结构信息之后，判断脑血管结构信息中的数据单位是否为预设的单位，当数据单位不是预设的单位时，对获取的脑血管结构信息中的数据进行单位转换，从而方便进行后续的计算。具体地，脑血管结构信息中的数据单位可以为体素或毫米。
脑组织提取单元33，用于使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构。
在本发明实施例中，优选地，在使用预设的提取算法提取T1模态下的磁共振造影脑图像中的脑组织结构时，首先对T1模态下磁共振造影脑图像进行去颅骨操作，并对得到的图像进行归一化处理，得到归一化图像，然后对归一化图像进行曲率流平滑去噪处理，得到去噪后图像，最后使用预设的分割算法对去噪后图像进行加速分割，得到脑组织结构，从而提高了获取脑组织结构信息的准确性。
进一步优选地，在提取脑组织结构时，同时提取T1模态下的磁共振造影脑图像中的、除脑组织之外的预设脑部部位(例如，眼眶、头皮等)，以用于脑血管结构和脑组织结构的三维配准，从而实现数字脑的全面可视化。
脑视图输出单元34，用于对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出。
在本发明实施例中，提取到脑血管结构和脑组织结构之后，脑视图输出单元34首先基于脑血管结构和脑组织结构之间的互信息进行三维配准，以进行准确合理的结构组合，然后在对各部分结构进行三维配准组合之后，对配准后的脑部图像进行绘制并输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。优选地，在得到配准后的脑部图像后，进行图像绘制时，在VTK的渲染窗口中进行可视化体绘制，从而提高了绘制效果。
优选地，在对提取的脑血管结构和脑组织结构进行三维配准时，对脑血管结构、脑组织结构以及预先从T1模态下磁共振造影脑图像中获取的预设脑部位进行三维配准，得到配准后的脑部图像并绘制输出，从而提高了数字脑可视化信息的全面性。
优选地，在对提取的脑血管结构和脑组织结构进行三维配准时，首先将包含脑组织结构的图像设置为目标图像，将包含脑血管结构的图像设置为配准图像，根据目标图像中的脑血管结构和配准图像中的脑组织结构在三维坐标系中的坐标，获取目标图像和配准图像之间的坐标转换矩阵，然后计算坐标转换矩阵的相似性度量值，确认相似性度量值是否超过预设的度量阈值，最后当相似性度量值超过度量阈值时，对坐标转换矩阵进行优化，直至相似性度量值不超过度量阈值，此时，根据坐标转换矩阵对目标图像中的脑血管结构和配准图像中的脑组织结构进行三维配准，从而提高了三维配准的准确性。具体地，在计算坐标转换矩阵的相似性度量值时，可以使用公式
Figure BDA0001382405490000101
计算坐标转换矩阵的相似性度量值，相似性度量值S(T)越大表示两个信号越相关，也就是说目标图像和配准图像这两张图像相似性程度越高，其中，
Figure BDA0001382405490000102
Figure BDA0001382405490000103
表示两张图像在该位置拥有某一像素值对的概率，p(f1(Tαs))和p(f2(s))为边缘概率密度，Tαs表示转换后的坐标，s代表目标图像中的坐标，f1(Tαs)表示转换后图像的像素值，f2(s)表示目标图像的像素值，H表示像素值对的个数，N表示总的坐标数量。
进一步优选地，在根据坐标转换矩阵对脑血管结构信息和脑组织结构信息进行三维配准之前，首先确认脑血管结构和脑组织结构的结构大小比例是否一致，然后当结构大小比例不一致时，根据结构大小比例对坐标转换矩阵进行插值操作，从而进一步提高了三维配准的准确性。
因此，优选地，该脑组织提取单元33包括：
图像归一化单元331，用于对T1模态下磁共振造影脑图像进行去颅骨操作，并对得到的图像进行归一化处理，得到归一化图像；
图像去噪单元332，用于对归一化图像进行曲率流平滑去噪处理，得到去噪后图像；以及
脑组织分割单元333，用于对去噪后图像进行分割，得到T1模态下磁共振造影脑图像中的脑组织结构；
优选地，该脑视图输出单元34包括：
转换矩阵获取单元341，用于根据脑血管结构和脑组织结构在三维坐标系中的坐标，获取脑血管结构和脑组织结构之间的坐标转换矩阵；
计算值确认单元342，用于计算坐标转换矩阵的相似性度量值，确认相似性度量值是否超过预设的度量阈值；
矩阵优化单元343，用于当相似性度量值超过度量阈值时，对坐标转换矩阵进行优化，直至相似性度量值不超过度量阈值；以及
三维配准单元344，用于当相似性度量值不超过度量阈值时，根据坐标转换矩阵对脑血管结构和脑组织结构进行三维配准。
在本发明实施例中，数字脑可视化装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例四：
图4示出了本发明实施例四提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述数字脑可视化方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器40执行计算机程序42时实现上述各装置实施例中各单元的功能，例如图2所示单元21至24、图3所示单元31至34的功能。
在本发明实施例中，该处理器40执行计算机程序42时实现上述数字脑可视化方法实施例中的步骤时，当接收到数字脑可视化请求时，获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像，使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构，使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构，对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。
该计算设备4中处理器40在执行计算机程序42时实现的步骤具体可参考实施例一中方法的描述，在此不再赘述。
实施例五：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述数字脑可视化方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图2所示单元21至24、图3所示单元31至34的功能。
在本发明实施例中，当接收到数字脑可视化请求时，获取数字脑可视化请求中的待可视化脑图像，该待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像，使用预设的脑血管分割算法提取TOF模态下磁共振造影脑图像中的脑血管结构，使用预设的提取算法提取T1模态下磁共振造影脑图像中的脑组织结构，对提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出，从而提高了脑组织与脑血管配准融合的准确性，提高了数字脑可视化的准确性，进而提高了数字脑可视化效果。该计算机程序被处理器执行时实现的数字脑可视化方法进一步可参考前述方法实施例中步骤的描述，在此不再赘述。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种数字脑可视化方法，其特征在于，所述方法包括下述步骤：
当接收到数字脑可视化请求时，获取所述数字脑可视化请求中的待可视化脑图像，所述待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像；
使用预设的脑血管分割算法提取所述TOF模态下磁共振造影脑图像中的脑血管结构；
使用预设的提取算法提取所述T1模态下磁共振造影脑图像中的脑组织结构；
对所述提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出；
其中，对所述提取的脑血管结构和脑组织结构进行三维配准的步骤，包括：
根据所述脑血管结构和所述脑组织结构在三维坐标系中的坐标，获取所述脑血管结构和所述脑组织结构之间的坐标转换矩阵；
计算所述坐标转换矩阵的相似性度量值，确认所述相似性度量值是否超过预设的度量阈值；
当所述相似性度量值超过所述度量阈值时，对所述坐标转换矩阵进行优化，直至所述相似性度量值不超过所述度量阈值；
当所述相似性度量值不超过所述度量阈值时，根据所述坐标转换矩阵对所述脑血管结构和所述脑组织结构进行三维配准。
2.如权利要求1所述的方法，其特征在于，对所述提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出的步骤，包括：
对所述脑血管结构、所述脑组织结构以及预先从所述T1模态下磁共振造影脑图像中获取的预设脑部位进行三维配准，得到配准后的脑部图像并绘制输出。
3.如权利要求1所述的方法，其特征在于，根据所述坐标转换矩阵对所述脑血管结构和所述脑组织结构进行三维配准的步骤之前，所述方法还包括：
确认所述脑血管结构和所述脑组织结构的结构大小比例是否一致，当所述结构大小比例不一致时，根据所述结构大小比例对所述坐标转换矩阵进行插值操作。
4.如权利要求1所述的方法，其特征在于，使用预设的提取算法提取所述T1模态下磁共振造影脑图像中的脑组织结构的步骤，包括：
对所述T1模态下磁共振造影脑图像进行去颅骨操作，并对得到的图像进行归一化处理，得到归一化图像；
对所述归一化图像进行曲率流平滑去噪处理，得到去噪后图像；
对所述去噪后图像进行分割，得到所述T1模态下磁共振造影脑图像中的脑组织结构。
5.一种数字脑可视化装置，其特征在于，所述装置包括：
原始图像获取单元，用于当接收到数字脑可视化请求时，获取所述数字脑可视化请求中的待可视化脑图像，所述待可视化脑图像包括TOF模态下磁共振造影脑图像和T1模态下磁共振造影脑图像；
脑血管分割单元，用于使用预设的脑血管分割算法提取所述TOF模态下磁共振造影脑图像中的脑血管结构信息；
脑组织提取单元，用于使用预设的提取算法提取所述T1模态下磁共振造影脑图像中的脑组织结构信息；以及
脑视图输出单元，用于对所述提取的脑血管结构和脑组织结构进行三维配准，得到配准后的脑部图像并绘制输出；
其中，所述脑视图输出单元包括：
转换矩阵获取单元，用于根据所述脑血管结构和所述脑组织结构在三维坐标系中的坐标，获取所述脑血管结构和所述脑组织结构之间的坐标转换矩阵；
计算值确认单元，用于计算所述坐标转换矩阵的相似性度量值，确认所述相似性度量值是否超过预设的度量阈值；
矩阵优化单元，用于当所述相似性度量值超过所述度量阈值时，对所述坐标转换矩阵进行优化，直至所述相似性度量值不超过所述度量阈值；以及
三维配准单元，用于当所述相似性度量值不超过所述度量阈值时，根据所述坐标转换矩阵对所述脑血管结构和所述脑组织结构进行三维配准。
6.如权利要求5所述的装置，其特征在于，所述脑组织提取单元包括：
图像归一化单元，用于对所述T1模态下磁共振造影脑图像进行去颅骨操作，并对得到的图像进行归一化处理，得到归一化图像；
图像去噪单元，用于对所述归一化图像进行曲率流平滑去噪处理，得到去噪后图像；以及
脑组织分割单元，用于对所述去噪后图像进行分割，得到所述T1模态下磁共振造影脑图像中的脑组织结构。
7.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN201710710028.8A 2017-08-18 2017-08-18 数字脑可视化方法、装置、计算设备及存储介质 Active CN107507212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710710028.8A CN107507212B (zh) 2017-08-18 2017-08-18 数字脑可视化方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710710028.8A CN107507212B (zh) 2017-08-18 2017-08-18 数字脑可视化方法、装置、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN107507212A CN107507212A (zh) 2017-12-22
CN107507212B true CN107507212B (zh) 2020-08-18

Family

ID=60691293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710710028.8A Active CN107507212B (zh) 2017-08-18 2017-08-18 数字脑可视化方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN107507212B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019136745A1 (zh) * 2018-01-15 2019-07-18 深圳博脑医疗科技有限公司 一种基于磁共振图像的脑龄测试方法及脑龄测试装置
CN109215104B (zh) * 2018-09-04 2023-03-10 江文涛 一种用于经颅刺激治疗的脑结构图像显示方法及装置
CN110533573B (zh) * 2019-09-04 2023-07-14 山东华沃医疗科技有限公司 一种基于java语言的mri图像并行处理方法及处理系统
CN112070781B (zh) * 2020-08-13 2024-01-30 沈阳东软智能医疗科技研究院有限公司 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备
CN114663362B (zh) * 2022-03-04 2024-03-29 强联智创（北京）科技有限公司 一种融合方法、装置以及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103932796A (zh) * 2014-04-13 2014-07-23 北京师范大学 一种基于多模态医学影像数据融合的颅内电极个体化定位的方法
CN105488804A (zh) * 2015-12-14 2016-04-13 上海交通大学 脑部asl、spect和mri图像配准融合联合分析的方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117378B (zh) * 2009-12-31 2012-07-25 苏州瑞派宁科技有限公司 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其系统
DE102015201057A1 (de) * 2015-01-22 2016-07-28 Siemens Healthcare Gmbh Verfahren zur Bildqualitätsverbesserung eines Magnetresonanzbilddatensatzes, Recheneinrichtung und Computerprogramm
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103932796A (zh) * 2014-04-13 2014-07-23 北京师范大学 一种基于多模态医学影像数据融合的颅内电极个体化定位的方法
CN105488804A (zh) * 2015-12-14 2016-04-13 上海交通大学 脑部asl、spect和mri图像配准融合联合分析的方法及系统

Also Published As

Publication number Publication date
CN107507212A (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
CN107507212B (zh) 数字脑可视化方法、装置、计算设备及存储介质
CN108520519B (zh) 一种图像处理方法、装置及计算机可读存储介质
WO2018001099A1 (zh) 一种血管提取方法与系统
US9697639B2 (en) Three-dimensional model data generation device, method and program
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
US9495725B2 (en) Method and apparatus for medical image registration
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
US9155470B2 (en) Method and system for model based fusion on pre-operative computed tomography and intra-operative fluoroscopy using transesophageal echocardiography
KR102205898B1 (ko) 의료영상들을 정합하는 방법 및 장치
US20130267846A1 (en) Methods for Automatic Segmentation and Temporal Tracking
KR20210051141A (ko) 환자의 증강 현실 기반의 의료 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
EP3463097B1 (en) Correcting probe induced deformation in an ultrasound fusing imaging system
US20090010505A1 (en) Method, a System and a Computer Program for Segmenting a Structure in a Dataset
CN103942772A (zh) 一种多模态多维度的血管融合方法及系统
CN106709920B (zh) 血管提取方法及其装置
US8050470B2 (en) Branch extension method for airway segmentation
JP2011019768A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
EP2495700A1 (en) Image-based diagnosis assistance apparatus, its operation method and program
EP3242602A1 (en) Ultrasound imaging apparatus and method for segmenting anatomical objects
KR20210052270A (ko) 환자의 증강 현실 기반의 의료 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
CN111784751B (zh) 基于3d/2d配准的导丝3d模拟跟踪方法及装置
CN112102327B (zh) 一种图像处理方法、装置及计算机可读存储介质
CN112085730A (zh) 感兴趣区域成分分析方法、装置、电子设备和介质
CN116649994A (zh) Cta与dsa图像智能融合方法、装置、设备及介质
Myint et al. Effective kidney segmentation using gradient based approach in abdominal CT images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant