CN108765447A - 一种图像分割方法、图像分割装置及电子设备 - Google Patents
一种图像分割方法、图像分割装置及电子设备 Download PDFInfo
- Publication number
- CN108765447A CN108765447A CN201810383866.3A CN201810383866A CN108765447A CN 108765447 A CN108765447 A CN 108765447A CN 201810383866 A CN201810383866 A CN 201810383866A CN 108765447 A CN108765447 A CN 108765447A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- collection
- illustrative plates
- image
- fluid
- 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
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
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种图像分割方法、图像分割装置及电子设备。其中,所述方法包括:获取待测个体的T2‑液体衰减反转恢复磁共振图像以及T1加权磁共振图像;基于T2‑液体衰减反转恢复磁共振图像确定脑脊液分割图谱;将T2‑液体衰减反转恢复磁共振图像输入至神经网络模型,以获取侧脑室分割图谱;基于脑脊液分割图谱以及侧脑室分割图谱,获取基于T2‑液体衰减反转恢复磁共振图像的脑实质分割图谱;利用T1加权磁共振图像及T2‑液体衰减反转恢复磁共振图像的空间变换关系,得到基于T1加权磁共振图像的脑实质分割图谱。本申请所提供的技术方案可以更加精确的划分脑脊液部分和非脑脊液部分,从而获得更精确的脑实质分割图谱。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种图像分割方法、图像分割装置、电子设备及计算机可读存储介质。
背景技术
目前,多发性硬化症患病率不断增高,正影响全球年龄介于20岁至80岁的人群。多发性硬化症是由于人体免疫系统失调,免疫细胞错误的攻击组成神经组织的绝缘鞘的髓磷脂基本蛋白而引起的,多发性硬化症最终会导致患者运动功能丧失或者引起大脑痴呆等症状,为病人和家属带来极大的痛苦。
通常情况下,多发性硬化症会影响脑白质、脑灰质以及脑室系统的运作从而改变脑实质的体积,虽然根据患者的脑实质体积并不能够直接得出患者的健康状况,但是,可以加上患者的其他检测结果以及临床病状等,辅助医生对患者进行治疗。
为了获得多发性硬化症患者的脑实质体积,事先必须对患者的T1加权磁共振图像中的脑实质进行准确分割,然而,多发性硬化症患者的脑白质中存在病灶,存在病灶的脑白质部分在T1加权磁共振图像中的亮度较低,极易与同样亮度低的脑灰质和脑脊液混淆,从而造成脑白质识别错误,进而使得脑实质的分割结果不准确,影响对多发性硬化症患者的脑实质体积的测量。
发明内容
有鉴于此,本申请提供了一种图像分割方法、图像分割装置、电子设备及计算机可读存储介质,可以解决现有技术中脑实质分割不准确的技术问题。
本申请第一方面提供了一种图像分割方法,包括:
获取待测个体的T2-液体衰减反转恢复磁共振图像以及上述待测个体的T1加权磁共振图像;
基于上述T2-液体衰减反转恢复磁共振图像确定上述待测个体的脑脊液分割图谱;
将上述T2-液体衰减反转恢复磁共振图像输入至训练后的神经网络模型中,以获取上述待测个体的侧脑室分割图谱,上述训练后的神经网络模型是根据样本库中的各个T2-液体衰减反转恢复磁共振样本图像以及各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱训练得到;
基于上述脑脊液分割图谱以及上述侧脑室分割图谱,获取上述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱;
利用所述待测个体的T1加权磁共振图像及所述T2-液体衰减反转恢复磁共振图像的空间变换关系,将所述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱进行空间变换,得到所述待测个体的基于T1加权磁共振图像的脑实质分割图谱。
本申请第二方面提供了一种图像分割装置,包括:
图像获取模块,用于获取待测个体的T2-液体衰减反转恢复磁共振图像以及上述待测个体的T1加权磁共振图像;
脑脊液分割模块,用于基于上述T2-液体衰减反转恢复磁共振图像确定上述待测个体的脑脊液分割图谱;
侧脑室获取模块,用于将上述T2-液体衰减反转恢复磁共振图像输入至训练后的神经网络模型中,以获取上述待测个体的侧脑室分割图谱,上述训练后的神经网络模型是根据样本库中的各个T2-液体衰减反转恢复磁共振样本图像以及各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱训练得到;
第一脑实质分割模块,用于基于上述脑脊液分割图谱以及上述侧脑室分割图谱,获取上述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱;
第二脑实质分割模块,用于利用所述待测个体的T1加权磁共振图像及所述T2-液体衰减反转恢复磁共振图像的空间变换关系,将所述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱进行空间变换,得到所述待测个体的基于T1加权磁共振图像的脑实质分割图谱。
本申请第三方面提供了一种电子设备,包括:包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,其特征在于,上述处理器执行上述计算机程序时实现如上述方法的步骤。
本申请第四方面提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,其特征在于,上述计算机程序被处理器执行时实现如上述方法的步骤。
由上可见,本申请提供了一种图像分割方法,首先获取待测个体的T2-液体衰减反转恢复(T2-fluid attenuated inversion recovery,T2-FLAIR)磁共振图像以及上述待测个体的T1加权磁共振图像;其次,基于该T2-FLAIR磁共振图像确定上述待测个体的脑脊液分割图谱,并将该T2-FLAIR磁共振图像输入至训练后的神经网络模型中,以获取上述待测个体的侧脑室分割图谱;最后,基于上述脑脊液分割图谱以及上述侧脑室分割图谱,获取上述待测个体的基于T2-FLAIR磁共振图像的脑实质分割图谱,并基于上述待测个体的T1加权磁共振图像,以及上述基于T2-FLAIR磁共振图像的脑实质分割图谱,获取该待测个体的基于T1加权磁共振图像的脑实质分割图谱。本申请所提供的技术方案并非直接根据T1加权磁共振图像来进行脑实质分割,而是首先基于T2-FLAIR磁共振图像进行脑实质分割,然后将T2-FLAIR磁共振图像的脑实质分割结果映射到T1加权磁共振图像中,从而获得基于T1加权磁共振图像的脑实质分割结果。由于T2-FLAIR磁共振图像上脑脊液与非脑脊液的界限相比于T1加权磁共振图像更为明显,因此,可以更加精确的划分脑脊液部分和非脑脊液部分,从而获得更精确的脑脊液分割图谱,进而使得脑实质分割结果更加精确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本申请实施例一提供的图像分割方法的实现流程示意图;
图2是本申请实施例一提供的T2-FLAIR磁共振图像及脑脊液分割图谱示意图;
图3是本申请实施例提供的Vnet神经网络模型结构示意图;
图4是本申请实施例一提供的侧脑室分割图谱示意图;
图5是本申请实施例一提供的T1加权磁共振图像及基于T1加权磁共振图像的脑实质分割图谱;
图6是本申请实施例二提供的图像分割方法的实现流程示意图;
图7是本申请实施例三提供的图像分割装置的结构示意图;
图8是本申请实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
本申请实施例提供的图像分割方法适用于电子设备,示例性地,上述电子设备包括但不限于:台式电脑、平板电脑、手机终端、云端服务器等。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的图像分割方法进行描述,请参阅附图1,本申请实施例中的图像分割方法包括步骤S101-S105:
在步骤S101中,获取待测个体的T2-液体衰减反转恢复磁共振图像以及该待测个体的T1加权磁共振图像;
在本申请实施例中,需要首先获取待测个体的T2-液体衰减反转恢复(T2-fluidattenuated inversion recovery,T2-FLAIR)磁共振图像以及该待测个体的T1加权磁共振图像,以便于后续可以基于上述T2-FLAIR磁共振图像以及T1加权磁共振图像,获取该待测个体的基于T1加权磁共振图像的脑实质分割图谱,从而可以估算待测个体的脑实质体积。在本申请实施例中,上述待测个体的T2-FLAIR磁共振图像以及T1加权磁共振图像均为三维图像。
在步骤S102中,基于上述T2-液体衰减反转恢复磁共振图像确定该待测个体的脑脊液分割图谱;
脑实质是由非侧脑室中的非脑脊液(脑白质和脑灰质)组成的,因此,为了获得待测个体的脑实质分割图谱,需要首先获得待测个体的脑脊液分割图谱。在本申请实施例中,为了更为精确的分割待测个体的脑脊液和非脑脊液,获得待测个体的更为精确的脑脊液分割图谱,根据待测个体的T2-FLAIR磁共振图像来分割待测个体的脑脊液部分和非脑脊液部分。
通常情况下,T2-FLAIR图像中每个像素点是否为脑脊液的概率是服从高斯分布的,因此,可以构造脑脊液概率密度函数,并根据最大期望(Expectation Maximization,EM)算法来估计上述所构造的脑脊液概率密度函数中的期望和方差;该脑脊液概率密度函数用于指示T2-FLAIR图像中各个像素点为脑脊液的概率;
然后根据所估计出的脑脊液概率密度函数,计算待测个体的T2-FLAIR图像中的各个像素点为脑脊液的概率值,并将概率值大于第一预设阈值的像素点确定为脑脊液部分,将概率值小于或等于上述第一预设阈值的像素点确定为非脑脊液部分;
最后,将上述脑脊液部分以及非脑脊液部分区别显示,从而获得上述待测个体的脑脊液分割图谱。比如,利用不同的颜色来区分T2-FLAIR磁共振图像中的脑脊液和非脑脊液(比如可以利用红色标出脑脊液部分,利用绿色标出非脑脊液部分),从而获得待测个体的脑脊液分割图谱。如图2(b)所示,为根据该步骤S102所述的EM算法对图2(a)中所示的T2-FLAIR磁共振图像进行脑脊液分割,所获得的脑脊液分割图谱,其中灰色部分为脑脊液部分,黑色部分为非脑脊液部分。
在步骤S103中,将上述T2-液体衰减反转恢复磁共振图像输入至训练后的神经网络模型中,以获取该待测个体的侧脑室分割图谱;
由于,脑实质是由非侧脑室中的非脑脊液(脑白质和脑灰质)组成的,因此,为了获得待测个体的脑实质分割图谱,还需要获得待测个体的侧脑室分割图谱。
在本申请实施例中,可以预先训练用于获得侧脑室分割图谱的训练后的神经网络模型,示例性地,该训练后的神经网络模型的训练过程可以为:
预先获取样本库中的各个T2-FLAIR磁共振样本图像以及各个T2-FLAIR磁共振样本图像所对应的侧脑室分割图谱,其中该样本库中的各个T2-FLAIR磁共振样本图像所对应的侧脑室分割图谱可以是人工手动分割得到的;其次,分别将各个T2-FLAIR磁共振样本图像所对应的侧脑室分割图谱输入至神经网络模型中,以使得该神经网络模型学习侧脑室以及非侧脑室的特征,生成侧脑室分割概率图;通过不断调整神经网络模型的参数,使得最终训练后的神经网络模型所生成的分割概率图对T2-FLAIR磁共振样本图像的侧脑室识别准确率达到第二预设阈值。
其中,上述神经网络模型可以为卷积神经网络模型,比如修正Vnet模型,在本申请实施例中,Vnet模型结构如图3所示。
附图4示出的为根据训练后的Vnet模型对图2(a)中的T2-FLAIR磁共振图像进行侧脑室识别所得到的侧脑室分割图,其中灰色部分为侧脑室部分,黑色为非侧脑室部分。
此外,步骤S103中训练神经网络模型所利用的样本库可以与步骤S102中获取第一预设阈值所利用的样本库为同一个,也可以不是同一个,此处对此不作限定。
在步骤S104中,基于上述脑脊液分割图谱以及上述侧脑室分割图谱,获取上述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱;
由于脑实质是由非侧脑室中的非脑脊液组成的,因此,为了获得待测个体的基于T2-FLAIR磁共振图像的脑实质分割图谱,可以将步骤S102所获得的脑脊液分割图谱所指示的非脑脊液部分除去步骤S103所获得的侧脑室分割图谱所指示的侧脑室部分,将所获得的除去侧脑室部分的非脑脊液部分确定为脑实质,其余部分确定为非脑实质,从而获得所述待测个体的基于T2-FLAIR磁共振图像的脑实质分割图谱。
此外,也可以将步骤S102所获得的脑脊液分割图谱所指示的非脑脊液部分与步骤S103所获得的侧脑室分割图谱所指示的非侧脑室部分取交集,来获得待测个体的脑实质部分以及非脑实质部分。
在步骤S105中,利用上述待测个体的T1加权磁共振图像及上述T2-液体衰减反转恢复磁共振图像的空间变换关系,将上述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱进行空间变换,得到上述待测个体的基于T1加权磁共振图像的脑实质分割图谱;
在步骤S104中,已获取了待测个体的基于T2-FLAIR磁共振图像的脑实质分割图谱,然而,由于目前T1加权磁共振图像相比于T2-FLAIR磁共振图像具有更高的图像分辨率,因此,为了后续更精确的衡量待测个体的脑实质体积等,需要将基于T2-FLAIR磁共振图像的脑实质分割图谱变换到T1加权磁共振图像上。
在本申请实施例中,将基于T2-FLAIR磁共振图像的脑实质分割图谱变换到T1加权磁共振图像上的方法,可以为:
利用线性配准将待测个体的T2-FLAIR磁共振图像映射到T1加权磁共振图像上,得到上述T2-FLAIR磁共振图像与上述T1加权磁共振图像的空间映射关系;
基于上述空间映射关系,将步骤S104中所获得的基于T2-FLAIR磁共振图像的脑实质分割图谱映射到上述T1加权磁共振图像上,从而得到基于上述T1加权磁共振图像的脑实质分割图谱。
如图5(a)所示,为图2(a)所示的T2-FLAIR磁共振图像所对应的T1加权磁共振图像,图5(b)为根据图5(b)所示的T1加权磁共振图像及图2(a)所示的T2-FLAIR磁共振图像的空间映射关系,所得到的基于T1加权磁共振图像的脑实质分割图谱。
本申请实施例一所提供的技术方案并非直接根据T1加权磁共振图像来进行脑实质分割,而是首先基于T2-FLAIR磁共振图像进行脑实质分割,然后将T2-FLAIR磁共振图像的脑实质分割结果映射到T1加权磁共振图像中,从而获得基于T1加权磁共振图像的脑实质分割结果,由于T2-FLAIR磁共振图像上脑脊液与非脑脊液的界限相比于T1加权磁共振图像更为明显,因此,可以更加精确的划分脑脊液部分和非脑脊液部分,从而获得更精确的脑脊液分割图谱,进而使得脑实质分割结果更加精确。
实施例二
下面对本申请实施例二提供的另一种图像分割方法进行描述,请参阅附图6,本申请实施例二的图像分割方法包括步骤S201-S205:
在步骤S201中,获取待测个体的T2-液体衰减反转恢复磁共振图像以及该待测个体的T1加权磁共振图像;
在步骤S202中,基于上述T2-液体衰减反转恢复磁共振图像确定该待测个体的脑脊液分割图谱;
在本申请实施例中,上述步骤S201和S202与实施例一中的步骤S101和S102执行方式相同,具体可参见实施例一的描述,此处不再赘述。
在步骤S203中,基于上述待测个体的T1加权磁共振图像及上述T2-液体衰减反转恢复磁共振图像的空间变换关系,将上述脑脊液分割图谱进行空间变换,获取上述待测个体的基于T1加权磁共振图像的脑脊液分割图谱;
步骤S202所获得脑脊液分割图谱是根据待测个体的T2-FLAIR磁共振图像获得的,为了最终获得待测个体的基于T1加权磁共振图像的脑实质分割图谱,在本申请实施例中,需要将步骤S202中所获得脑脊液分割图谱映射到待测个体的T1加权磁共振图像中,以获得待测个体的基于T1加权磁共振图像的脑脊液分割图谱,示例性地,可以通过如下步骤实现脑脊液分割图谱的映射:
利用线性配准将待测个体的T2-FLAIR磁共振图像映射到T1加权磁共振图像上,得到上述T2-FLAIR磁共振图像与上述T1加权磁共振图像的空间映射关系;
基于上述空间映射关系,将步骤S202中所获得的脑脊液分割图谱映射到上述T1加权磁共振图像上,从而得到基于上述T1加权磁共振图像的脑脊液分割图谱。
在步骤S204中,将上述T1加权磁共振图像输入至训练后的神经网络模型中,以获得待测个体的侧脑室分割图谱;
该步骤S204与实施例一中的步骤S103不同,步骤S103是基于待测个体的T2-FLAIR磁共振图像进行的,而该步骤S204是基于待测个体的T1加权磁共振图像进行的。其中,在该步骤S204中,训练后的神经网络模型与步骤S103中的神经网络模型不同,该步骤S204中的训练后的神经网络模型是根据样本库中的各个T1加权磁共振样本图像以及各个T1加权磁共振样本图像所对应的侧脑室分割图谱训练得到。具体的训练方法与实施例一中步骤S103的神经网络模型的训练方法相同,具体可参见实施例一的描述,此处不再赘述。
在步骤S205中,基于上述基于T1加权磁共振图像的脑脊液分割图谱以及上述侧脑室分割图谱,获取上述待测个体的基于T1加权磁共振图像的脑实质分割图谱;
由于脑实质是由非侧脑室中的非脑脊液组成的,因此,为了获得待测个体的基于T1加权磁共振图像的脑实质分割图谱,可以将步骤S203所获得的基于T1加权磁共振图像的脑脊液分割图谱所指示的非脑脊液部分除去步骤S204所获得的侧脑室分割图谱所指示的侧脑室部分,将所获得的除去侧脑室部分的非脑脊液部分确定为脑实质,其余部分确定为非脑实质,从而获得所述待测个体的基于T1加权磁共振图像的脑实质分割图谱。
此外,也可以将步骤S203所获得的脑脊液分割图谱所指示的非脑脊液部分与步骤S204所获得的侧脑室分割图谱所指示的非侧脑室部分取交集,来获得待测个体的脑实质部分以及非脑实质部分。
本申请实施例二所提供的技术方案与实施例一相比,是利用待测个体的基于T1加权磁共振图像获得待测个体的侧脑室分割图谱的,而非实施例一中的基于待测个体的T2-FLAIR磁共振图像来获得待测个体的侧脑室分割图谱。由于T1加权磁共振图像相比于T2-FLAIR磁共振图像具备更高的图像分辨率,因此,在一定程度上,本申请实施例二所提供的技术方案,所获得侧脑室分割图谱相比于实施例一所获得的侧脑室分割图谱会更加精确,进而可以获得更为精确的脑实质分割图谱。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例三
本申请实施例三提供了一种图像分割装置,为了便于说明,仅示出了与本申请相关的部分,如图7所示,该图像分割装置300包括:
图像获取模块301,用于获取待测个体的T2-液体衰减反转恢复磁共振图像以及上述待测个体的T1加权磁共振图像;
脑脊液分割模块302,用于基于上述T2-液体衰减反转恢复磁共振图像确定上述待测个体的脑脊液分割图谱;
侧脑室获取模块303,用于将上述T2-液体衰减反转恢复磁共振图像输入至训练后的神经网络模型中,以获取上述待测个体的侧脑室分割图谱,上述训练后的神经网络模型是根据样本库中的各个T2-液体衰减反转恢复磁共振样本图像以及各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱训练得到;
第一脑实质分割模块304,用于基于上述脑脊液分割图谱以及上述侧脑室分割图谱,获取上述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱;
第二脑实质分割模块305,用于利用所述待测个体的T1加权磁共振图像及所述T2-液体衰减反转恢复磁共振图像的空间变换关系,将所述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱进行空间变换,得到所述待测个体的基于T1加权磁共振图像的脑实质分割图谱。
可选地,上述脑脊液分割模块302包括:
概率估计单元,用于根据所述待测个体的T2-液体衰减反转恢复磁共振图像中的各个像素点的亮度值,利用最大期望算法,估计脑脊液概率密度函数,所述脑脊液概率密度函数用于指示所述T2-液体衰减反转恢复磁共振图像中各个像素点为脑脊液的概率;
脑脊液确定单元,用于根据所述脑脊液概率密度函数,计算所述T2-液体衰减反转恢复磁共振图像中各个像素点为脑脊液的概率,并将概率值大于第一预设阈值的像素点确定为脑脊液部分,将概率值小于或等于所述第一预设阈值的像素点确定为非脑脊液部分;
脑脊液分割单元,用于根据所述脑脊液部分以及所述非脑脊液部分,获得所述待测个体的脑脊液分割图谱。
可选地,上述第一脑实质分割模块304具体用于:
在上述脑脊液分割图谱指示的非脑脊液部分中去除上述侧脑室分割图谱指示的侧脑室部分,将所获得的除去侧脑室部分的非脑脊液部分确定为脑实质,从而获得上述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱。
可选地,上述第二脑实质分割模块305包括:
映射关系获取单元,用于利用线性配准将上述T2-液体衰减反转恢复磁共振图像映射到上述T1加权磁共振图像上,得到上述T2-液体衰减反转恢复磁共振图像与上述T1加权磁共振图像的空间映射关系;
脑实质获取单元,用于基于上述空间映射关系,将上述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱映射到上述T1加权磁共振图像上,从而得到基于上述T1加权磁共振图像的脑实质分割图谱。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例一基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例一部分,此处不再赘述。
实施例四
图8是本申请实施例四提供的电子设备的示意图。如图8所示,该实施例的电子设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块301至305的功能。
所述电子设备4可以是台式电脑、平板电脑、手机终端、云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图8仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述电子设备所需的其它程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像分割方法,其特征在于,包括:
获取待测个体的T2-液体衰减反转恢复磁共振图像以及所述待测个体的T1加权磁共振图像;
基于所述T2-液体衰减反转恢复磁共振图像确定所述待测个体的脑脊液分割图谱;
将所述T2-液体衰减反转恢复磁共振图像输入至训练后的神经网络模型中,以获取所述待测个体的侧脑室分割图谱,所述训练后的神经网络模型是根据样本库中的各个T2-液体衰减反转恢复磁共振样本图像以及各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱训练得到;
基于所述脑脊液分割图谱以及所述侧脑室分割图谱,获取所述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱;
利用所述待测个体的T1加权磁共振图像及所述T2-液体衰减反转恢复磁共振图像的空间变换关系,将所述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱进行空间变换,得到所述待测个体的基于T1加权磁共振图像的脑实质分割图谱。
2.如权利要求1所述的图像分割方法,其特征在于,所述基于所述T2-液体衰减反转恢复磁共振图像确定所述待测个体的脑脊液分割图谱,包括:
根据所述待测个体的T2-液体衰减反转恢复磁共振图像中的各个像素点的亮度值,利用最大期望算法,估计脑脊液概率密度函数,所述脑脊液概率密度函数用于指示所述T2-液体衰减反转恢复磁共振图像中各个像素点为脑脊液的概率;
根据所述脑脊液概率密度函数,计算所述T2-液体衰减反转恢复磁共振图像中各个像素点为脑脊液的概率,并将概率值大于第一预设阈值的像素点确定为脑脊液部分,将概率值小于或等于所述第一预设阈值的像素点确定为非脑脊液部分;
根据所述脑脊液部分以及所述非脑脊液部分,获得所述待测个体的脑脊液分割图谱。
3.如权利要求1所述的图像分割方法,其特征在于,所述基于所述脑脊液分割图谱以及所述侧脑室分割图谱,获取所述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱,包括:
在所述脑脊液分割图谱指示的非脑脊液部分中去除所述侧脑室分割图谱指示的侧脑室部分,将所获得的除去侧脑室部分的非脑脊液部分确定为脑实质,从而获得所述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱。
4.如权利要求1所述的图像分割方法,其特征在于,所述利用所述待测个体的T1加权磁共振图像及所述T2-液体衰减反转恢复磁共振图像的空间变换关系,将所述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱进行空间变换,得到所述待测个体的基于T1加权磁共振图像的脑实质分割图谱,包括:
利用线性配准将所述T2-液体衰减反转恢复磁共振图像映射到所述T1加权磁共振图像上,得到所述T2-液体衰减反转恢复磁共振图像与所述T1加权磁共振图像的空间映射关系;
基于所述空间映射关系,将所述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱映射到所述T1加权磁共振图像上,从而得到基于所述T1加权磁共振图像的脑实质分割图谱。
5.如权利要求1至4中任一项所述的图像分割方法,其特征在于,所述训练后的神经网络模型的训练过程包括:
预先获取样本库中的各个T2-液体衰减反转恢复磁共振样本图像以及各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱;
分别将各个T2-液体衰减反转恢复磁共振样本图像输入至神经网络模型中,以使得所述神经网络模型对各个T2-液体衰减反转恢复磁共振样本图像的侧脑室进行识别,生成与各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱;
根据预先获取的各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱以及所述神经网络模型生成的各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱,计算所述神经网络模型的侧脑室识别准确率;
若所述侧脑室识别准确率小于第二预设阈值,则调整所述神经网络模型的参数,并通过参数调整后的神经网络模型继续对各个T2-液体衰减反转恢复磁共振样本图像的侧脑室进行识别,直到侧脑室识别准确率大于或等于所述第二预设阈值,则将该神经网络模型确定为训练后的神经网络模型。
6.一种图像分割装置,其特征在于,包括:
图像获取模块,用于获取待测个体的T2-液体衰减反转恢复磁共振图像以及所述待测个体的T1加权磁共振图像;
脑脊液分割模块,用于基于所述T2-液体衰减反转恢复磁共振图像确定所述待测个体的脑脊液分割图谱;
侧脑室获取模块,用于将所述T2-液体衰减反转恢复磁共振图像输入至训练后的神经网络模型中,以获取所述待测个体的侧脑室分割图谱,所述训练后的神经网络模型是根据样本库中的各个T2-液体衰减反转恢复磁共振样本图像以及各个T2-液体衰减反转恢复磁共振样本图像所对应的侧脑室分割图谱训练得到;
第一脑实质分割模块,用于基于所述脑脊液分割图谱以及所述侧脑室分割图谱,获取所述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱;
第二脑实质分割模块,用于利用所述待测个体的T1加权磁共振图像及所述T2-液体衰减反转恢复磁共振图像的空间变换关系,将所述基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱进行空间变换,得到所述待测个体的基于T1加权磁共振图像的脑实质分割图谱。
7.如权利要求6所述的图像分割装置,其特征在于,所述脑脊液分割模块包括:
概率估计单元,用于根据所述待测个体的T2-液体衰减反转恢复磁共振图像中的各个像素点的亮度值,利用最大期望算法,估计脑脊液概率密度函数,所述脑脊液概率密度函数用于指示所述T2-液体衰减反转恢复磁共振图像中各个像素点为脑脊液的概率;
脑脊液确定单元,用于根据所述脑脊液概率密度函数,计算所述T2-液体衰减反转恢复磁共振图像中各个像素点为脑脊液的概率,并将概率值大于第一预设阈值的像素点确定为脑脊液部分,将概率值小于或等于所述第一预设阈值的像素点确定为非脑脊液部分;
脑脊液分割单元,用于根据所述脑脊液部分以及所述非脑脊液部分,获得所述待测个体的脑脊液分割图谱。
8.如权利要求6所述的图像分割装置,其特征在于,所述第一脑实质分割模块具体用于:
在所述脑脊液分割图谱指示的非脑脊液部分中去除所述侧脑室分割图谱指示的侧脑室部分,将所获得的除去侧脑室部分的非脑脊液部分确定为脑实质,从而获得所述待测个体的基于T2-液体衰减反转恢复磁共振图像的脑实质分割图谱。
9.一种电子设备,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5任一项所述方法的步骤。
10.一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5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810383866.3A CN108765447B (zh) | 2018-04-26 | 2018-04-26 | 一种图像分割方法、图像分割装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810383866.3A CN108765447B (zh) | 2018-04-26 | 2018-04-26 | 一种图像分割方法、图像分割装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765447A true CN108765447A (zh) | 2018-11-06 |
CN108765447B CN108765447B (zh) | 2021-02-12 |
Family
ID=64012093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810383866.3A Active CN108765447B (zh) | 2018-04-26 | 2018-04-26 | 一种图像分割方法、图像分割装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765447B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232708A (zh) * | 2019-05-14 | 2019-09-13 | 深圳博脑医疗科技有限公司 | 海马硬化程度的定量计算方法、装置、介质及终端设备 |
CN111179284A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 交互式图像分割方法、系统及终端 |
CN111862014A (zh) * | 2020-07-08 | 2020-10-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 |
CN113298813A (zh) * | 2021-05-07 | 2021-08-24 | 中山大学 | 一种基于t1加权磁共振图像的脑结构分割系统 |
CN113499039A (zh) * | 2021-08-25 | 2021-10-15 | 北京大学第三医院(北京大学第三临床医学院) | 椎管内麻醉操作中便携高效鉴别脑脊液的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844617A (zh) * | 2016-03-17 | 2016-08-10 | 电子科技大学 | 一种基于改进的阈值分割算法实现对脑实质的分割 |
CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
CN107705308A (zh) * | 2017-09-11 | 2018-02-16 | 南京理工大学 | 基于多模态磁共振的脑肿瘤图像分割方法 |
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
-
2018
- 2018-04-26 CN CN201810383866.3A patent/CN108765447B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844617A (zh) * | 2016-03-17 | 2016-08-10 | 电子科技大学 | 一种基于改进的阈值分割算法实现对脑实质的分割 |
CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
CN107705308A (zh) * | 2017-09-11 | 2018-02-16 | 南京理工大学 | 基于多模态磁共振的脑肿瘤图像分割方法 |
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
Non-Patent Citations (7)
Title |
---|
FAUSTO MILLETARI ET AL: "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation", 《ARXIV:1606.04797V1 [CS.CV]》 * |
H I DLUNDERVOLD ET AL: "Segmentation of Brain Parenchyma and Cerebrospinal Fluid in Multispectral Magnetic Resonance Images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
KOBASHI, S ET AL: "Automated segmentation of the cerebrospinal fluid and the lateral ventricles from human brain MR images", 《JOINT 9TH IFSA WORLD CONGRESS AND 20TH NAFIPS INTERNATIONAL CONFERENCE》 * |
ZHIPENG CUI ET AL: "Brain MRI Segmentation with Patch-based CNN Approach", 《PROCEEDINGS OF THE 35TH CHINESE CONTROL CONFERENCE》 * |
武杰 等: "基于期望值最大化方法的磁共振图像人脑组织分割", 《中国医学影像技术》 * |
田娟秀 等: "医学图像分析深度学习方法研究与挑战", 《自动化学报》 * |
门卫伟: "高场磁共振成像技术在实验性脑积水模型中的应用", 《万方数据知识服务平台》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232708A (zh) * | 2019-05-14 | 2019-09-13 | 深圳博脑医疗科技有限公司 | 海马硬化程度的定量计算方法、装置、介质及终端设备 |
CN110232708B (zh) * | 2019-05-14 | 2021-04-30 | 深圳博脑医疗科技有限公司 | 海马硬化程度的定量计算方法、装置、介质及终端设备 |
CN111179284A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 交互式图像分割方法、系统及终端 |
CN111179284B (zh) * | 2019-12-30 | 2023-04-21 | 上海交通大学 | 交互式图像分割方法、系统及终端 |
CN111862014A (zh) * | 2020-07-08 | 2020-10-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 |
CN113298813A (zh) * | 2021-05-07 | 2021-08-24 | 中山大学 | 一种基于t1加权磁共振图像的脑结构分割系统 |
CN113298813B (zh) * | 2021-05-07 | 2022-11-25 | 中山大学 | 一种基于t1加权磁共振图像的脑结构分割系统 |
CN113499039A (zh) * | 2021-08-25 | 2021-10-15 | 北京大学第三医院(北京大学第三临床医学院) | 椎管内麻醉操作中便携高效鉴别脑脊液的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108765447B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765447A (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
CN109300107B (zh) | 磁共振血管壁成像的斑块处理方法、装置和计算设备 | |
CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
CN110598714B (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
EP4071765A1 (en) | Method and system for drawing brain functional atlas | |
CN108805859A (zh) | 一种图像检测方法、图像检测装置及终端设备 | |
CN110337670B (zh) | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
CN109447981A (zh) | 图像识别方法及相关产品 | |
CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
Xia et al. | Recovering from missing data in population imaging–Cardiac MR image imputation via conditional generative adversarial nets | |
CN108830830A (zh) | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 | |
JP2020171687A (ja) | 3d解剖学的ボリュームをその2dスライスの位置特定に基づいて処理するシステムおよび方法 | |
CN113096137A (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
CN110706200B (zh) | 数据预测的方法及装置 | |
CN108830863A (zh) | 医学成像的左心室分割方法、系统和计算机可读存储介质 | |
CN112927235B (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 | |
Christinal et al. | Segmentation in 2D and 3D image using tissue-like P system | |
Meister et al. | Graph convolutional regression of cardiac depolarization from sparse endocardial maps | |
CN107633506B (zh) | 一种图像对称性检测方法、装置及终端设备 | |
CN115661141B (zh) | 基于cbct图像牙齿和牙槽骨分割方法及系统 | |
WO2019109410A1 (zh) | 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法 | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
CN113393445B (zh) | 乳腺癌影像确定方法及系统 |
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 |