CN108961292A - 一种在脑部医学图像中检测msp的方法和装置 - Google Patents

一种在脑部医学图像中检测msp的方法和装置 Download PDF

Info

Publication number
CN108961292A
CN108961292A CN201810553586.2A CN201810553586A CN108961292A CN 108961292 A CN108961292 A CN 108961292A CN 201810553586 A CN201810553586 A CN 201810553586A CN 108961292 A CN108961292 A CN 108961292A
Authority
CN
China
Prior art keywords
msp
undetermined
medical image
plane
brain
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
Application number
CN201810553586.2A
Other languages
English (en)
Other versions
CN108961292B (zh
Inventor
边钺岩
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems Co Ltd
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 Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201810553586.2A priority Critical patent/CN108961292B/zh
Publication of CN108961292A publication Critical patent/CN108961292A/zh
Application granted granted Critical
Publication of CN108961292B publication Critical patent/CN108961292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种在脑部医学图像中检测MSP的方法和装置，该方法包括：基于检测出的脑部医学图像中脑纵裂的位置，确定初始MSP，然后基于该初始MSP，在脑部医学图像中选取多个与初始MSP之间的位置关系满足预设的波动范围的待定平面，并根据各个待定平面对应的对称性参数，从各个待定平面中确定出目标MSP，其中，该待定平面对应的对称性参数表将脑部医学图像在该待定平面两侧的图像区域之间对称程度最高。可见，由于结合脑纵裂的位置信息以及对称性参数而检测得到的目标MSP，比仅仅利用脑纵裂的位置或者仅仅利用对称性参数得到的MSP更加准确，从而使得基于更加准确的MSP所进行的脑部左右对称性分析更加准确。

Description

一种在脑部医学图像中检测MSP的方法和装置
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种在脑部医学图像中检测MSP的方法和装置。
背景技术
人的脑部，是由左右两个近似对称的脑半球组成。这两个对称的脑半球之间被填充有脑脊液的脑纵裂分割开。其中，在脑纵裂中可用于分割左右脑半球的平面被称之为脑正中矢状面(Mid-Sagittal Plane，MSP)。对于脑部核磁共振成像(Magnetic ResonanceImaging，MRI)等脑部医学图像的分析来说，MSP在脑部左右对称性分析中起着非常关键的作用。例如，在脑卒中疾病检测中，对脑部侧枝循环情况评估时，通常需要根据左右脑半球基于MSP对称的相对位置来对比评估脑部侧枝循环良好程度。由此可见，为了保证脑部左右对称性分析的准确性，需要在脑部医学图像中检测出准确的MSP。
发明内容
本发明所要解决的技术问题是，提供一种在脑部医学图像中检测MSP的方法和装置，以能够在脑部医学图像中检测出更加准确的MSP，从而使得脑部左右对称性分析更加准确。
第一方面，本申请实施例提供了一种在脑部医学图像中检测MSP的方法，包括：
检测所述脑部医学图像中的脑纵裂位置；
基于所述脑纵裂位置确定初始MSP；
基于所述初始MSP，在所述脑部医学图像中选取多个待定平面；其中，各所述待定平面与所述初始MSP之间的位置关系均满足预设的波动范围；
根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP；其中，所述待定平面对应的对称性参数表示所述脑部医学图像在所述待定平面两侧的图像区域之间的对称程度。
在一些可能的实施方式中，所述检测所述脑部医学图像中的脑纵裂位置，包括：
对所述脑部医学图像中的每一个图像层进行检测，确定存在脑纵裂区域的图像层，作为目标图像层；
对所述目标图像层进行阈值分割，得到所述目标图像层中的脑脊液区域；
基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置。
在一些可能的实施方式中，所述对所述脑部医学图像中的每一个图像层进行检测，具体为：通过SVM技术，对所述脑部医学图像中每一个图像层进行特征检测，确定存在脑纵裂区域的目标图像层。
在一些可能的实施方式中，所述基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置，具体为：在所述目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，作为所述脑纵裂位置。
在一些可能的实施方式中，所述基于所述初始MSP，在所述脑部医学图像中选取多个待定平面，包括：
在所述初始MSP与所述脑部医学图像在边缘处的两个图像层的交点中，选取三个基准点；其中，所述三个基准点不位于所述脑部医学图像的同一个图像层内；
确定分别与各所述基准点对应的像素点集合；其中，与所述基准点对应的像素点集合中的像素点，与所述基准点位于所述脑部医学图像的同一个图像层且与所述基准点之间的距离在所述波动范围以内；
以各所述像素点集合中包含的像素点，确定所述多个待定平面；其中，一个所述待定平面上具有各所述像素点集合中的一个像素点；不同的所述待定平面上具有的各所述像素点集合中的像素点不完全相同。
在一些可能的实施方式中，所述三个基准点分别位于平行于水平坐标轴的三条直线上；在所述三条直线中，两条直线位于所述脑部医学图像在边缘处的一个图像层，另一条直线位于所述脑部医学图像在边缘处的另一个图像层。
在一些可能的实施方式中，所述待定平面对应的对称性参数具体为，所述脑部医学图像在所述待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。
在一些可能的实施方式中，根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP，具体为：
根据各所述待定平面对应的对称性参数和灰度参数，从各所述待定平面中确定目标MSP；
其中，所述待定平面对应的灰度参数具体为，所述脑部医学图像在所述待定平面上的像素点的灰度值之和。
在一些可能的实施方式中，在各所述待定平面对应的对称性参数和灰度参数之和中，所述目标MSP对应的对称性参数和灰度参数之和最小。
第二方面，本申请实施例还提供了一种在脑部医学图像中检测MSP的装置，包括：
检测单元，用于检测所述脑部医学图像中的脑纵裂位置；
第一确定单元，用于基于所述脑纵裂位置确定初始MSP；
选取单元，用于基于所述初始MSP，在所述脑部医学图像中选取多个待定平面；其中，各所述待定平面与所述初始MSP之间的位置关系均满足预设的波动范围；
第二确定单元，用于根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP；其中，所述待定平面对应的对称性参数表示所述脑部医学图像在所述待定平面两侧的图像区域之间的对称程度。
在一些可能的实施方式中，所述检测单元，包括：
第一确定子单元，用于对所述脑部医学图像中的每一个图像层进行检测，确定存在脑纵裂区域的图像层，作为目标图像层；
分割子单元，用于对所述目标图像层进行阈值分割，得到所述目标图像层中的脑脊液区域；
第二确定子单元，用于基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置。
在一些可能的实施方式中，所述第一确定子单元，具体用于：通过SVM技术，对所述脑部医学图像中每一个图像层进行特征检测，确定存在脑纵裂区域的目标图像层。
在一些可能的实施方式中，所述第二确定子单元，具体用于：在所述目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，作为所述脑纵裂位置。
在一些可能的实施方式中，所述选取单元，包括：
选取子单元，用于在所述初始MSP与所述脑部医学图像在边缘处的两个图像层的交点中，选取三个基准点；其中，所述三个基准点不位于所述脑部医学图像的同一个图像层内；
第三确定子单元，用于确定分别与各所述基准点对应的像素点集合；其中，与所述基准点对应的像素点集合中的像素点，与所述基准点位于所述脑部医学图像的同一个图像层且与所述基准点之间的距离在所述波动范围以内；
第四确定子单元，用于以各所述像素点集合中包含的像素点，确定所述多个待定平面；其中，一个所述待定平面上具有各所述像素点集合中的一个像素点；不同的所述待定平面上具有的各所述像素点集合中的像素点不完全相同。
在一些可能的实施方式中，所述三个基准点分别位于平行于水平坐标轴的三条直线上；在所述三条直线中，两条直线位于所述脑部医学图像在边缘处的一个图像层，另一条直线位于所述脑部医学图像在边缘处的另一个图像层。
在一些可能的实施方式中，所述待定平面对应的对称性参数具体为，所述脑部医学图像在所述待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。
在一些可能的实施方式中，所述第二确定单元，具体用于：
根据各所述待定平面对应的对称性参数和灰度参数，从各所述待定平面中确定目标MSP；
其中，所述待定平面对应的灰度参数具体为，所述脑部医学图像在所述待定平面上的像素点的灰度值之和。
在一些可能的实施方式中，在各所述待定平面对应的对称性参数和灰度参数之和中，所述目标MSP对应的对称性参数和灰度参数之和最小。
第三方面，本申请实施例还提供了一种在脑部医学图像中检测MSP的设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述第一方面所述的在脑部医学图像中检测MSP的方法。
第四方面，本申请实施例还提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的在脑部医学图像中检测MSP的方法。
与现有技术相比，本申请实施例具有以下优点：
在本申请实施例中，基于检测出的脑部医学图像中脑纵裂的位置，确定出初始MSP，然后从脑部医学图像中选取出多个与初始MSP之间的位置满足预设的波动范围的待定平面，进而根据每个待定平面对应的对称参数，从各个待定平面中确定出相对初始MSP更加准确的目标MSP，其中，待定平面对应的对称参数表示脑部医学图像在该待定平面两侧的图像区域之间的对称程度。可见，在根据脑纵裂位置得到初始MSP的基础上，还利用对称性参数从基于初始MSP所得到的待定平面中确定出更加准确的目标MSP，由于目标MSP是结合脑纵裂的位置信息以及对称性参数共同检测得到的，比仅仅利用脑纵裂的位置或者仅仅利用对称性参数得到的MSP更加准确，从而使得基于更加准确的MSP所进行的脑部左右对称性分析更加准确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一个示例性应用场景的网络系统示意图；
图2为本申请实施例提供的一种在脑部医学图像中检测MSP的方法流程示意图；
图3为本申请实施例中初始MSP与三条直线相交的示意图；
图4为本申请实施例中初始MSP与三条直线相交的示意图；
图5为本申请实施例提供的一种在脑部医学图像中检测MSP的方法的场景实施例的流程示意图；
图6为本申请实施例提供的一种在脑部医学图像中检测MSP的装置的结构示意图；
图7为本申请实施例提供的一种在脑部医学图像中检测MSP的设备的架构示意图。
具体实施方式
在根据脑部医学图像分析脑部左右脑半球的对称性的过程中，分割左右脑半球的MSP平面起着非常关键的作用。通常情况下，在脑部医学图像中检测出的MSP越准确，对于左右脑半球的对称性分析的准确性也就越高。
现有的检测MSP的方法主要存在两种：一种是利用脑部医学图像中左右脑半球区域的对称关系得到MSP，具体实施时，首先在脑部医学图像上随机构建一个平面，该平面将脑部医学图像分割成两部分，然后根据脑部的左右脑半球通常满足对称关系的特点，对该平面两侧的脑部医学图像进行对称性分析，从而可以确定出具有最优对称关系的平面，该平面即为所需的MSP。
上述方案中，是以脑部医学图像上左右脑半球对称为基础，但是如果患者脑部的左右脑半球不对称，则基于上述检测MSP的方法所得到的MSP并不准确，检测效果较差。比如，当患者脑部出现较为严重的出血创伤或者是存在脑瘤的等情况时，患者的左右脑半球并非是对称的，此时，患者的脑部医学图像中左右脑半球区域并不符合对称关系，从而导致所得到的MSP并不准确。可见，上述检测MSP的方法的鲁棒性不强。
另一种是通过检测脑纵裂的位置判断出MSP平面。具体实施时，是从脑部医学图像中检测出脑纵裂的位置，然后根据所确定出的脑纵裂的位置，构建出MSP。但是，在脑部医学图像中，脑纵裂通常呈现为一条宽度为10个像素左右的粗线，而基于该粗线所构建的MSP通常误差较大。并且，脑纵裂一般只存在于上半脑，而不存在于下半脑，因此，所构建出的MSP通常是对上半脑中的左右脑半球进行分割，而无法很好的分割出下半脑中的左右脑半球，从而进一步增大了所构建出的MSP的误差。
为了解决上述技术问题，本申请实施例提供了一种在脑部医学图像中检测MSP的方法和装置，以能够在脑部医学图像中检测出更加准确的MSP，从而使得脑部左右对称性分析更加准确。具体的，基于检测出的脑部医学图像中脑纵裂的位置，确定出较为准确的初始MSP，然后从脑部医学图像中选取出多个与初始MSP之间的位置满足预设的波动范围的待定平面，进而根据每个待定平面对应的对称参数，从各个待定平面中确定出更加准确的目标MSP，其中，待定平面对应的对称参数表示脑部医学图像在该待定平面两侧的图像区域之间的对称程度。
可见，在根据脑纵裂位置得到初始MSP的基础上，还利用对称性参数从基于初始MSP所得到的待定平面中，能够确定出相对于初始MSP更加准确的目标MSP。具体的，相对于仅仅利用脑纵裂位置而得到的MSP而言，通过结合对称性参数能够进一步确定出MSP的真实位置，从而减小了目标MSP的误差，使得检测出的目标MSP会更加准确；而相对于仅仅基于脑部医学图像中左右脑半球区域的对称关系得到的MSP而言，通过先利用脑纵裂位置定位出MSP的大致位置，在此基础上，再利用对称性参数来进一步确定出MSP的真实位置，可以避免左右脑半球区域不满足对称关系所造成的较大误差，从而提高了检测MSP的准确性。因此，结合脑纵裂的位置信息以及对称性参数而得到的目标MSP，比仅仅利用脑纵裂的位置或者仅仅利用对称性参数得到的MSP更加准确，从而使得基于更加准确的MSP所进行的脑部左右对称性分析更加准确。
举例来说，本申请实施例可以是应用到如图1所示的示例性场景中，在该场景中，医生等用户101可以利用终端设备102在脑部医学图像中检测得到MSP。具体的，当用户101需要对在脑部医学图像中检测MSP时，用户101可以将脑部医学图像输入至终端设备102中，并执行检测MSP的触发操作；终端设备102响应于用户101执行的触发操作，通过检测接收到的脑部医学图像中的脑纵裂位置，确定出初始MSP；然后，终端设备102基于确定出的初始MSP，在脑部医学图像中选取多个待定平面，其中，每个待定平面与初始MSP之间的位置关系均满足预设的波动范围；再然后，终端设备102可以根据待定平面对应的对称性参数，从各个待定平面中确定目标MSP，并将该目标MSP呈现给用户101，以便于用户101根据该目标MSP进行脑部左右对称性分析，其中，该对称性参数表示了脑部医学图像在待定平面两侧的图像区域之间的对称程度。终端设备102通过结合脑纵裂的位置信息以及对称性参数，在得到的初始MSP的基础上进一步得到目标MSP，使得所得到的MSP更加准确，从而使得基于该目标MSP所进行的脑部左右对称性分析也更加准确。
需要说明的是，上述应用场景作为示例性说明吗，并不用于限定本申请实施例实施时的应用场景，事实上，本申请实施例也可以应用于其它应用场景中。比如，在另一些示例性应用场景中，也可以是由服务器在脑部医学图像中检测出MSP，或者由终端设备与服务器之间进行信息交互，最终实现检测出MSP等。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本申请实施例中的附图，对本申请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。
参阅图2，图2示出了本申请实施例中一种在脑部医学图像中检测MSP的方法流程示意图，该方法具体可以包括：
S201：检测脑部医学图像中的脑纵裂位置。
具体实现时，可以是由用户将脑部医学图像输入至终端设备中，并执行检测MSP的触发操作，终端设备响应该触发操作，检测脑部医学图像中的脑纵裂位置。其中，脑部医学图像可以包括但不限于核磁共振成像MRI、磁敏感加权成像(Susceptibility WeightedImaging,SWI)、液体衰减反转恢复(Fluid Attenuated Inversion Recovery,FLAIR)或磁共振血管造影(Magnetic Resonance Angiography，MRA)等图像。
在一种示例性的实施方式中，可以利用脑部医学图像中的存在脑纵裂区域的图像层确定出脑纵裂位置。具体的，由于脑纵裂通常只存在于上半脑，脑部医学图像中并非每一个图像层都存在有脑纵裂区域，因此，可以对脑部医学图像中的每一个图像层进行检测，确定出存在脑纵裂区域的图像层，作为目标图像层；然后，鉴于脑纵裂中由脑脊液填充，脑纵裂区域在图像层上的整体灰度值相对偏低的特点，可以对目标图像层进行阈值分割，将整体灰度值较低的区域分割出来，得到目标图像层中的脑脊液区域，并基于目标图像层中的脑脊液区域，确定脑纵裂位置。
其中，从脑部医学图像中的多个图像层中检测出存在脑纵裂区域的图像层的实施方式存在多种。作为一种示例，本实施例中可以通过SVM(Support Vector Machine，支持向量机)技术进行检测。具体的，考虑到SVM特征检测方法通常具有较好的自适应性，可以通过SVM技术，根据预先设定的脑纵裂位置特征，对脑部医学图像中的每一个图像层进行特征检测，确定出存在脑纵裂区域的目标图像层。
值的注意的是，在存在脑纵裂区域的图像层中，脑纵裂通常呈现为一条较长的粗线，可以近似为一条直线，因此，在一种可能的实施方式中，由于Hough变换技术可以检测出图像中能够用一定函数关系描述的直线、圆、抛物线、椭圆等形状，则可以在目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，并将该直线作为脑纵裂位置。
需要说明的是，本实施例中的脑部医学图像，可以是经过去噪处理后所得到的脑部医学图像。实际应用中，终端设备所获得的脑部医学图像中可能会存在背景噪声，比如，脑部MRI图像中可能存在由于MRI设备梯度不均匀而产生的背景噪声。因此，为了避免脑部医学图像中存在的背景噪声对检测结果的影响，本实施例中，在检测脑部医学图像中的脑纵裂位置之前，还可以先去除脑部医学图像中的背景噪声，然后在经过去噪处理后所得到的脑部医学图像中检测出MSP。
在一种去除背景噪声的示例性实施方式中，可以统计脑部医学图像中各个像素点的灰度值，得到该脑部医学图像的灰度直方图，然后对该灰度直方图进行分析，将灰度直方图中高度低于预设值的灰度去除，保留脑部医学图像中的主体部分。其中，该预设值可以预先由技术人员设定，比如，该预设值可以是整体灰度直方图灰度值的均值的一半等。基于去除背景噪声后的脑部医学图像检测得到的MSP，避免了背景噪声带来的干扰，从而更加准确。
S202：基于该脑纵裂位置确定初始MSP。
具体实现时，在确定出每个目标图像层的脑纵裂位置后，可以对该脑纵裂位置进行线性拟合，也即为对表征脑纵裂位置的直线进行线性拟合，从而拟合得到一个平面，则可以将该平面作为初始MSP。
S203：基于初始MSP，在脑部医学图像中选取多个待定平面，其中，各个待定平面与初始MSP之间的位置关系均满足预设的波动范围。
可以理解，由于脑纵裂在每个目标图像层中呈现为一条较粗的直线，而基于该较粗的直线所构建出的初始MSP，与真实MSP之间可能会存在误差，使得该初始MSP并不准确，其中，真实MSP是指客观存在的、能够准确切分出脑部左右脑半球的平面。但是，真实MSP的位置通常是位于该初始MSP一定的波动范围内，因此，本实施例中，在得到初始MSP之后，可以基于该初始MSP，将与该初始MSP的位置关系满足预设的波动范围内的平面，作为待定平面，进而可以利用每个待定平面的对称性参数，可以从多个待定平面中，将对称程度最高所对应的平面作为目标MSP。
其中，预设的波动范围可以预先进行设定的固定值，比如，在检测每个脑部医学图像的MSP时，均可以将与初始MSP相距5个像素点的距离设定为预设的波动范围；也可以是根据不同脑部医学图像而设定不同的波动范围，比如，可以根据脑部医学图像的分辨率进行设定，当脑部医学图像的分辨率较高时，可以将与初始MSP相距10个像素点的距离设定为预设的波动范围，当脑部医学图像的分辨率较低时，可以将与初始MSP相距5个像素点的距离设定为预设的波动范围等。
在一种选取待定平面的示例性实施方式中，可以利用与初始MSP之间的距离处于预设的波动范围内的三个像素点来确定待定平面。具体的，本实施例中可以在初始MSP与脑部医学图像在边缘处的两个图像层的交点中，选取三个基准点，其中，该三个基准点不位于脑部医学图像中的同一个图像层内，并且每个基准点可以按照预先设定的规则进行选择。然后，可以分别确定与各个基准点对应的像素点集合。需要说明的是，每个基准点对应的像素点集合中的像素点，与该基准点位于脑部医学图像的同一个图像层中，并且与该基准点之间的距离限制在预设的波动范围内。在一些示例中，每个基准点对应的像素点集合中的像素点，可以是该基准点所在图像层上以该基准点为圆心、以预设的波动范围为半径的所有像素点。接着，以各个像素点集合中包含的像素点，确定多个待定平面，具体可以是分别从每个像素点集合中选择一个像素点，然后利用从三个像素点集合中选择出的三个像素点确定出一个平面，该平面即为待定平面，以此可以得到多个待定平面，其中，一个待定平面上具有各个像素点集合中的一个像素点，不同的待定平面上具有的各个像素点集合中的像素点不完全相同。
举例来说，假设预设的波动范围为5个像素点。首先，可以从初始MSP与脑部医学图像的第一个图像层的交点中，选取基准点A和基准点B，从初始MSP与脑部医学图像的最后一个图像层的交点中，选取基准点C；然后，在脑部医学图像的第一个图像层中选择距基准点A不超过5个像素点距离n个的像素点，形成与基准点A对应的像素点集合SA＝{a1，a2，…，an}，同理，可以在脑部医学图像的第一个图像层中得到与基准点B对应的像素点集合SB＝{b1，b2，…，bn}，以及在脑部医学图像的最后一个图像层中与基准点C对应的像素点集合SC＝{c1，c2，…，cn}。然后，分别从集合SA、SB以及SC中选择像素点a1，b1和c1，并利用像素点a1、b1、c1确定出一个平面，该平面即为待定平面，以此类推，利用集合SA、SB、SC中包含的像素点可以确定出多个待定平面，如像素点a1、b2、c3确定出的待定平面、像素点a1、b3、c5确定出的待定平面、像素点an、b1、cn确定出的待定平面等，需要说明的是，不同的待定平面上具有的集合SA、SB、SC中的像素点不完全相同。
进一步的，在一些可能的实施方式中，可以预先设定与初始MSP相交的三条预设直线，则初始MSP与该三条预设直线相交的三个不重合的交点，可以作为三个基准点。其中两条预设直线位于脑部医学图像在边缘处的一个图像层中，第三条预设直线位于脑部医学图像在边缘处的另一个图像层中，该三条预设直线可以是两个图像层中任意三条与初始MSP相交的直线。则，该三条预设直线与初始MSP的交点，即为所选取的三个基准点。在一种示例中，为了减少计算量，可以建立三维直角坐标系，并设定三条预设直线均平行于水平坐标轴。
举例来说，假设脑部医学图像的宽度为Width，高度为Height以及深度为Depth，则，初始MSP的长为Height，宽为Depth。建立如图3所示的三维立体直角坐标系，可以预先设定与初始MSP相交的三条平行于X轴的直线，分别为直线m、直线n以及直线q，其中，直线m与直线n位于脑部医学图像在边缘处的图像层A中，直线q位于脑部医学图像在边缘处的图像层B中。如图3所示，初始MSP与直线m、n、q相交，可以得到P1、P2以及P3三个基准点，该三个基准点的坐标分别为P1(x1，y1，0)、P2(x2，y2，0)以及P3(x3，y3，Depth)。在一些可能实施方式中，为了方便计算，可以预先设定直线m与直线n为图像层A的两条边所位于的直线，直线q为图像层B的一条边所位于的直线，如图4所示，则，该三个基准点的坐标分别为P1(x1，0，0)、P2(x2，Height，0)以及P3(x3，0，Depth)。
进一步的，在确定每个基准点对应的像素点集合中的像素点时，可以在该基准点所在的预设直线上选择一定波动范围内的所有像素点。比如，在如图3所示的示例中，假设波动范围为5个像素点，在确定基准点P1对应的像素点集合中的像素点时，可以将直线m上距离基准点P15个像素点以内的所有像素点，作为基准点P1对应的像素点集合中的像素点，依次类推，可以在直线n上确定出基准点P2对应的像素点集合中的像素点，以及在直线q上确定出基准点P3对应的像素点集合中的像素点。
S204：根据各个待定平面对应的对称性参数，从各个待定平面中确定目标MSP，其中，待定平面对应的对称性参数表示脑部医学图像在该待定平面两侧的图像区域之间的对称程度。
可以理解，由于脑部的左右脑半球通常是对称的，所以，对于每一个待定平面而言，利用该待定平面对左右脑半球进行分割后，如果分割后的左右脑半球的对称程度越高，则表明该待定平面分割左右脑半球越准确，因此，可以根据分割后的左右脑半球之间的对称程度，将分割后的左右脑半球对称程度最高时所对应的待定平面，确定为此次检测出的MSP平面。
作为一种示例性的具体实现方式，在得到多个待定平面后，可以分别计算脑部医学图像在每一个待定平面两侧的图像区域之间的对称程度，然后比较每个待定平面对应的对称程度，确定出对称程度最高时所对应的待定平面，将该待定平面作为目标MSP，也即为本次在脑部医学图像中检测出的MSP。
值的注意的是，待定平面对应的对称性参数，具体可以是脑部医学图像在待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。则，在根据各个待定平面对应的对称性参数，从各个待定平面中确定目标MSP的示例性具体过程可以为：首先可以分别将每个待定平面两侧的图像区域的灰度值归一化为z值分布，并计算每个待定平面两侧对应位置的分布差值，然后，可以计算出每个待定平面两侧的不同位置的分布差值的平方和，并将该平方和最小所对应的待定平面，作为目标MSP。可以理解，待定平面两侧的不同位置的分布差值的平方和越小，表明该待定平面两侧的z值分布的差异越小，待定平面两侧的z值分布的对称性越好；反之，平方和越大，表明待定平面两侧的z值分布的对称性越差。
此外，由于脑纵裂是由脑脊液填充的，脑部医学图像中的脑纵裂区域的灰度值通常较低，因此，理论上真实MSP上的像素点的灰度值之和应该最小。其中，真实MSP是指客观存在的、能够准确切分出脑部左右脑半球的平面。因此，在利用对称性参数从多个待定平面中确定目标MSP时，还可以结合待定平面上所有像素点的灰度值的和进行确定。鉴于此，在另一些可能的实施方式中，也可以是根据各个待定平面对应的对称性参数以及灰度参数，从各个待定平面中确定目标MSP，其中，该灰度参数具体可以是脑部医学图像在该待定平面上的像素点的灰度值之和。具体的，在得到多个待定平面后，可以计算出脑部医学图像在每个待定平面两侧的图像区域之间的对称程度，并计算出脑部医学图像在该待定平面上的所有像素点的灰度值之和，然后根据每个待定平面对应的对称程度以及灰度值之和，从各个待定平面中确定出目标MSP。
作为一种示例，在综合对称性参数以及灰度参数两个因素确定出目标MSP时，具体可以是将每个待定平面对应的对称性参数以及灰度参数进行相加，作为代价函数，然后，可以将代价函数的函数值最小时所对应的待定平面，作为目标MSP。
本实施例中，基于检测出的脑部医学图像中脑纵裂的位置，确定初始MSP，然后基于该初始MSP，在脑部医学图像中选取多个与初始MSP之间的位置关系满足预设的波动范围的待定平面，并根据各个待定平面对应的对称性参数，从各个待定平面中确定出目标MSP，其中，该待定平面对应的对称性参数表将脑部医学图像在该待定平面两侧的图像区域之间对称程度最高。可见，在根据脑纵裂位置得到较为准确的初始MSP的基础上，本实施例还利用对称性参数从基于初始MSP所得到的待定平面中确定出更加准确的目标MSP，由于结合脑纵裂的位置信息以及对称性参数而检测得到的目标MSP，比仅仅利用脑纵裂的位置或者仅仅利用对称性参数得到的MSP更加准确，从而使得基于更加准确的MSP所进行的脑部左右对称性分析更加准确。
此外，为便于理解本申请实施例的技术方案，本申请还提供了一种在脑部医学图像中检测MSP的方法的场景实施例。参阅图5，在该场景中，由终端设备在脑部医学图像中检测出MSP，该方法具体可以包括：
S501：获取脑部医学图像。
在一些示例性的实施方式中，可以是由用户向终端设备中输入脑部医学图像，以使得终端设备能够获取该脑部医学图像。
S502：去除脑部医学图像中的背景噪声。
实际应用中，为了避免脑部医学图像中存在的背景噪声对检测结果的影响，可以对获取的脑部医学图像进行背景噪声去除处理。在一种去除背景噪声的示例性实施方式中，可以统计脑部医学图像中各个像素点的灰度值，得到该脑部医学图像的灰度直方图，然后对该灰度直方图进行分析，将灰度直方图中高度低于预设值的灰度去除，保留脑部医学图像中的主体部分。其中，该预设值可以预先由技术人员设定，比如，该预设值可以是整体灰度直方图灰度值的均值的一半等。基于去除背景噪声后的脑部医学图像检测得到的MSP，避免了背景噪声带来的干扰，从而更加准确。
S503：利用SVM技术，对脑部医学图像中的每一个图像层进行特征检测，确定存在脑纵裂区域的图像层，并将该图像层作为目标图像层。
本实施例中，考虑到SVM特征检测方法通常具有较好的自适应性，则，可以通过SVM技术，在脑部医学图像中的多个图像层中准确的检测出存在脑纵裂区域的图像层。
S504：利用大津法对目标图像层进行阈值分割，得到目标图像层中的脑脊液区域。
大津法，又称最大类间方差法，能够根据图像的灰度特性，将图像分割成差别最大的两部分。可以理解，由于脑纵裂是由脑脊液填充的，目标图像层中的脑脊液区域的灰度值通常较低，而其它区域的灰度值相对较高，因此，可以利用大津法，将目标图像层中的脑脊液区域分割出来。
S505：在目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，作为脑纵裂位置。
通常情况下，脑纵裂在目标图像层中呈现为一条较粗的直线，并且该直线在目标图像层中最长，因此，可以Hough变换技术，在目标图像层中检测出该直线，并且将该直线作为脑纵裂位置。
S506：基于所检测出的脑纵裂位置，确定初始MSP。
本实施例中，可以对每个图像层中表征脑纵裂位置的直线进行线性拟合，拟合出一个平面，并将该平面作为初始MSP。
S507：将初始MSP与预设的三条直线的交点，作为三个基准点，其中，该三条直线分别位于两个图像层中。
作为一种示例，可以针对于脑部医学图像建立三维立体直角坐标系，与初始MSP相交的两条直线位于脑部医学图像在边缘处的图像层中，与初始MSP相交的另一条直线位于脑部医学图像在边缘处的另一个图像层中，并且，为了减少终端设备的计算量，可以设定该三条直线均平行于X轴。
S508：在与初始MSP相交的直线上确定各个基准点对应的像素点集合。
其中，各个基准点对应的像素点集合中的像素点，与该基准点位于同一相交的直线上，并且与该基准点之间的距离在预设的波动范围内。
仍以上述初始MSP与三条直线相交于P1(x1，0，0)、P2(x2，Height，0)以及P3(x3，0，Depth)三点为例，则在确定基准点P1对应的像素点集合时，在P1所在相交的直线上，选择与该基准点P1之间小于5个像素点距离的所有像素点，作为与该基准点P1对应的像素点集合中的像素点。以此类推，可以确定出与该基准点P2对应的像素点集合中的像素点，以及与该基准点P3对应的像素点集合中的像素点。
S509：以各个像素点集合中包含的像素点，确定出多个待定平面。
可以理解，在三维空间上，可以利用三点确定出一个平面，因此，在得到每个基准点对应的像素点集合后，可以从每个基准点对应的像素点集合中，选择一个像素点，得到三个属于不同像素点集合的像素点，然后，利用该三个像素点，可以确定出空间上的一个平面，将该平面作为待定平面。通过不同像素点集合中的像素点之间的组合，可以得到多个待定平面。其中，一个待定平面上具有各个像素点集合中的一个像素点，不同的待定平面上具有的各个像素点集合中的像素点不完全相同
值的注意的是，由于脑纵裂在每个目标图像层中呈现为一条较粗的直线，而基于该较粗的直线所构建出的初始MSP，与真实MSP之间可能会存在误差，使得该初始MSP并不准确，其中，真实MSP是指客观存在的、能够准确切分出脑部左右脑半球的平面。但是，真实MSP的位置通常是位于该初始MSP一定的波动范围内，因此，本实施例中，在得到初始MSP之后，可以基于该初始MSP，将与该初始MSP的位置关系满足预设的波动范围内的平面，作为待定平面，进而可以利用每个待定平面的对称性参数，可以从多个待定平面中，将对称程度最高所对应的平面作为目标MSP。
S510：计算出各个待定平面对应的对称性参数以及灰度参数，将对称性参数以及灰度参数之和最小所对应的待定平面，作为目标MSP。
其中，待定平面对应的对称性参数，表示脑部医学图像在该待定平面两侧的图像区域之间的对称程度，通常情况下，对称程度越高，该待定平面分割脑部左右脑半球越准确。在一些可能的实施方式中，待定平面对应的对称性参数，具体可以是脑部医学图像在待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。而待定平面对应的灰度参数，表示脑部医学图像在待定平面上的像素点的灰度值之和。通常情况下，待定平面上的像素点的灰度值之和越小，将该待定平面作为目标MSP的准确性也就越高。
在一些示例性的实施方式中，可以是将每个待定平面对应的对称性参数以及灰度参数进行相加，作为代价函数，并将代价函数的函数值最小时所对应的待定平面，作为目标MSP。
本实施例中，终端设备在根据脑纵裂位置得到较为准确的初始MSP的基础上，还利用对称性参数从基于初始MSP所得到的待定平面中确定出更加准确的目标MSP，由于结合脑纵裂的位置信息以及对称性参数而检测得到的目标MSP，比仅仅利用脑纵裂的位置或者仅仅利用对称性参数得到的MSP更加准确，从而使得基于更加准确的MSP所进行的脑部左右对称性分析更加准确。
另外，本申请实施例还提供了一种在脑部医学图像中检测MSP的装置。参阅图6，图6示出了本申请实施例提供的一种在脑部医学图像中检测MSP的装置结构示意图，该装置600具体可以包括：
检测单元601，用于检测所述脑部医学图像中的脑纵裂位置；
第一确定单元602，用于基于所述脑纵裂位置确定初始MSP；
选取单元603，用于基于所述初始MSP，在所述脑部医学图像中选取多个待定平面；其中，各所述待定平面与所述初始MSP之间的位置关系均满足预设的波动范围；
第二确定单元604，用于根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP；其中，所述待定平面对应的对称性参数表示所述脑部医学图像在所述待定平面两侧的图像区域之间的对称程度。
在一些可能的实施方式中，所述检测单元601，包括：
第一确定子单元，用于对所述脑部医学图像中的每一个图像层进行检测，确定存在脑纵裂区域的图像层，作为目标图像层；
分割子单元，用于对所述目标图像层进行阈值分割，得到所述目标图像层中的脑脊液区域；
第二确定子单元，用于基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置。
在一些可能的实施方式中，所述第一确定子单元，具体用于：通过SVM技术，对所述脑部医学图像中每一个图像层进行特征检测，确定存在脑纵裂区域的目标图像层。
在一些可能的实施方式中，所述第二确定子单元，具体用于：在所述目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，作为所述脑纵裂位置。
在一些可能的实施方式中，所述选取单元603，包括：
选取子单元，用于在所述初始MSP与所述脑部医学图像在边缘处的两个图像层的交点中，选取三个基准点；其中，所述三个基准点不位于所述脑部医学图像的同一个图像层内；
第三确定子单元，用于确定分别与各所述基准点对应的像素点集合；其中，与所述基准点对应的像素点集合中的像素点，与所述基准点位于所述脑部医学图像的同一个图像层且与所述基准点之间的距离在所述波动范围以内；
第四确定子单元，用于以各所述像素点集合中包含的像素点，确定所述多个待定平面；其中，一个所述待定平面上具有各所述像素点集合中的一个像素点；不同的所述待定平面上具有的各所述像素点集合中的像素点不完全相同。
在一些可能的实施方式中，所述三个基准点分别位于平行于水平坐标轴的三条直线上；在所述三条直线中，两条直线位于所述脑部医学图像在边缘处的一个图像层，另一条直线位于所述脑部医学图像在边缘处的另一个图像层。
在一些可能的实施方式中，所述待定平面对应的对称性参数具体为，所述脑部医学图像在所述待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。
在一些可能的实施方式中，所述第二确定单元604，具体用于：
根据各所述待定平面对应的对称性参数和灰度参数，从各所述待定平面中确定目标MSP；
其中，所述待定平面对应的灰度参数具体为，所述脑部医学图像在所述待定平面上的像素点的灰度值之和。
在一些可能的实施方式中，在各所述待定平面对应的对称性参数和灰度参数之和中，所述目标MSP对应的对称性参数和灰度参数之和最小。
图6所示的在脑部医学图像中检测MSP的装置，是与图2所示的在脑部医学图像中检测MSP的方法所对应的装置，具体实现方法与图2所示的方法类似，参考与2所示的方法的描述，这里不再赘述。
本实施例中，在根据脑纵裂位置得到较为准确的初始MSP的基础上，还利用对称性参数从基于初始MSP所得到的待定平面中确定出更加准确的目标MSP，由于结合脑纵裂的位置信息以及对称性参数而检测得到的目标MSP，比仅仅利用脑纵裂的位置或者仅仅利用对称性参数得到的MSP更加准确，从而使得基于更加准确的MSP所进行的脑部左右对称性分析更加准确。
此外，本申请实施例还提供了一种在脑部医学图像中检测MSP的设备。参阅图7，图7示出了本申请实施例中一种在脑部医学图像中检测MSP的设备架构示意图，该设备700包括处理器701以及存储器702：
所述存储器702用于存储程序代码，并将所述程序代码传输给所述处理器701；
所述处理器701用于根据所述程序代码中的指令执行以下操作：
检测所述脑部医学图像中的脑纵裂位置；
基于所述脑纵裂位置确定初始MSP；
基于所述初始MSP，在所述脑部医学图像中选取多个待定平面；其中，各所述待定平面与所述初始MSP之间的位置关系均满足预设的波动范围；
根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP；其中，所述待定平面对应的对称性参数表示所述脑部医学图像在所述待定平面两侧的图像区域之间的对称程度。
在一些可能的实施方式中，所述处理器701具体用于执行：
对所述脑部医学图像中的每一个图像层进行检测，确定存在脑纵裂区域的图像层，作为目标图像层；
对所述目标图像层进行阈值分割，得到所述目标图像层中的脑脊液区域；
基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置。
在一些可能的实施方式中，所述处理器701具体用于执行：通过SVM技术，对所述脑部医学图像中每一个图像层进行特征检测，确定存在脑纵裂区域的目标图像层。
在一些可能的实施方式中，所述处理器701具体用于执行：在所述目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，作为所述脑纵裂位置。
在一些可能的实施方式中，所述处理器701具体用于执行：
在所述初始MSP与所述脑部医学图像在边缘处的两个图像层的交点中，选取三个基准点；其中，所述三个基准点不位于所述脑部医学图像的同一个图像层内；
确定分别与各所述基准点对应的像素点集合；其中，与所述基准点对应的像素点集合中的像素点，与所述基准点位于所述脑部医学图像的同一个图像层且与所述基准点之间的距离在所述波动范围以内；
以各所述像素点集合中包含的像素点，确定所述多个待定平面；其中，一个所述待定平面上具有各所述像素点集合中的一个像素点；不同的所述待定平面上具有的各所述像素点集合中的像素点不完全相同。
在一些可能的实施方式中，所述三个基准点分别位于平行于水平坐标轴的三条直线上；在所述三条直线中，两条直线位于所述脑部医学图像在边缘处的一个图像层，另一条直线位于所述脑部医学图像在边缘处的另一个图像层。
在一些可能的实施方式中，所述待定平面对应的对称性参数具体为，所述脑部医学图像在所述待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。
在一些可能的实施方式中，所述处理器701具体用于执行：
根据各所述待定平面对应的对称性参数和灰度参数，从各所述待定平面中确定目标MSP；
其中，所述待定平面对应的灰度参数具体为，所述脑部医学图像在所述待定平面上的像素点的灰度值之和。
在一些可能的实施方式中，在各所述待定平面对应的对称性参数和灰度参数之和中，所述目标MSP对应的对称性参数和灰度参数之和最小。
另外，本申请实施例还提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行如下指令：
检测所述脑部医学图像中的脑纵裂位置；
基于所述脑纵裂位置确定初始MSP；
基于所述初始MSP，在所述脑部医学图像中选取多个待定平面；其中，各所述待定平面与所述初始MSP之间的位置关系均满足预设的波动范围；
根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP；其中，所述待定平面对应的对称性参数表示所述脑部医学图像在所述待定平面两侧的图像区域之间的对称程度。
在一些可能的实施方式中，为了实现所述对所述脑部医学图像中的每一个图像层进行检测，所述程序代码具体用于执行以下指令：通过SVM技术，对所述脑部医学图像中每一个图像层进行特征检测，确定存在脑纵裂区域的目标图像层。
在一些可能的实施方式中，为了实现所述基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置，所述程序代码具体用于执行以下指令：在所述目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，作为所述脑纵裂位置。
在一些可能的实施方式中，为了实现所述基于所述初始MSP，在所述脑部医学图像中选取多个待定平面，所述程序代码具体用于执行以下指令：
在所述初始MSP与所述脑部医学图像在边缘处的两个图像层的交点中，选取三个基准点；其中，所述三个基准点不位于所述脑部医学图像的同一个图像层内；
确定分别与各所述基准点对应的像素点集合；其中，与所述基准点对应的像素点集合中的像素点，与所述基准点位于所述脑部医学图像的同一个图像层且与所述基准点之间的距离在所述波动范围以内；
以各所述像素点集合中包含的像素点，确定所述多个待定平面；其中，一个所述待定平面上具有各所述像素点集合中的一个像素点；不同的所述待定平面上具有的各所述像素点集合中的像素点不完全相同。
在一些可能的实施方式中，所述三个基准点分别位于平行于水平坐标轴的三条直线上；在所述三条直线中，两条直线位于所述脑部医学图像在边缘处的一个图像层，另一条直线位于所述脑部医学图像在边缘处的另一个图像层。
在一些可能的实施方式中，所述待定平面对应的对称性参数具体为，所述脑部医学图像在所述待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。
在一些可能的实施方式中，为了实现根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP，所述程序代码具体用于执行以下指令：
根据各所述待定平面对应的对称性参数和灰度参数，从各所述待定平面中确定目标MSP；
其中，所述待定平面对应的灰度参数具体为，所述脑部医学图像在所述待定平面上的像素点的灰度值之和。
在一些可能的实施方式中，在各所述待定平面对应的对称性参数和灰度参数之和中，所述目标MSP对应的对称性参数和灰度参数之和最小。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (12)

1.一种在脑部医学图像中检测MSP的方法，其特征在于，包括：
检测所述脑部医学图像中的脑纵裂位置；
基于所述脑纵裂位置确定初始MSP；
基于所述初始MSP，在所述脑部医学图像中选取多个待定平面；其中，各所述待定平面与所述初始MSP之间的位置关系均满足预设的波动范围；
根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP；其中，所述待定平面对应的对称性参数表示所述脑部医学图像在所述待定平面两侧的图像区域之间的对称程度。
2.根据权利要求1所述的方法，其特征在于，所述检测所述脑部医学图像中的脑纵裂位置，包括：
对所述脑部医学图像中的每一个图像层进行检测，确定存在脑纵裂区域的图像层，作为目标图像层；
对所述目标图像层进行阈值分割，得到所述目标图像层中的脑脊液区域；
基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置。
3.根据权利要求2所述的方法，其特征在于，所述对所述脑部医学图像中的每一个图像层进行检测，具体为：通过SVM技术，对所述脑部医学图像中每一个图像层进行特征检测，确定存在脑纵裂区域的目标图像层。
4.根据权利要求2所述的方法，其特征在于，所述基于所述目标图像层中的脑脊液区域，确定所述脑纵裂位置，具体为：在所述目标图像层中的脑脊液区域，利用Hough变换技术检测出最长的直线，作为所述脑纵裂位置。
5.根据权利要求1所述的方法，其特征在于，所述基于所述初始MSP，在所述脑部医学图像中选取多个待定平面，包括：
在所述初始MSP与所述脑部医学图像在边缘处的两个图像层的交点中，选取三个基准点；其中，所述三个基准点不位于所述脑部医学图像的同一个图像层内；
确定分别与各所述基准点对应的像素点集合；其中，与所述基准点对应的像素点集合中的像素点，与所述基准点位于所述脑部医学图像的同一个图像层且与所述基准点之间的距离在所述波动范围以内；
以各所述像素点集合中包含的像素点，确定所述多个待定平面；其中，一个所述待定平面上具有各所述像素点集合中的一个像素点；不同的所述待定平面上具有的各所述像素点集合中的像素点不完全相同。
6.根据权利要求5所述的方法，其特征在于，所述三个基准点分别位于平行于水平坐标轴的三条直线上；在所述三条直线中，两条直线位于所述脑部医学图像在边缘处的一个图像层，另一条直线位于所述脑部医学图像在边缘处的另一个图像层。
7.根据权利要求1所述的方法，其特征在于，所述待定平面对应的对称性参数具体为，所述脑部医学图像在所述待定平面两侧的图像区域的灰度值的归一化z值分布之差的平方和。
8.根据权利要求1所述的方法，其特征在于，根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP，具体为：
根据各所述待定平面对应的对称性参数和灰度参数，从各所述待定平面中确定目标MSP；
其中，所述待定平面对应的灰度参数具体为，所述脑部医学图像在所述待定平面上的像素点的灰度值之和。
9.根据权利要求8所述的方法，其特征在于，在各所述待定平面对应的对称性参数和灰度参数之和中，所述目标MSP对应的对称性参数和灰度参数之和最小。
10.一种在脑部医学图像中检测MSP的装置，其特征在于，包括：
检测单元，用于检测所述脑部医学图像中的脑纵裂位置；
第一确定单元，用于基于所述脑纵裂位置确定初始MSP；
选取单元，用于基于所述初始MSP，在所述脑部医学图像中选取多个待定平面；其中，各所述待定平面与所述初始MSP之间的位置关系均满足预设的波动范围；
第二确定单元，用于根据各所述待定平面对应的对称性参数，从各所述待定平面中确定目标MSP；其中，所述待定平面对应的对称性参数表示所述脑部医学图像在所述待定平面两侧的图像区域之间的对称程度。
11.一种在脑部医学图像中检测MSP的设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1至9任一项所述的在脑部医学图像中检测MSP的方法。
12.一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行权利要求1至9任一项所述的在脑部医学图像中检测MSP的方法。
CN201810553586.2A 2018-05-31 2018-05-31 一种在脑部医学图像中检测msp的方法和装置 Active CN108961292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810553586.2A CN108961292B (zh) 2018-05-31 2018-05-31 一种在脑部医学图像中检测msp的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810553586.2A CN108961292B (zh) 2018-05-31 2018-05-31 一种在脑部医学图像中检测msp的方法和装置

Publications (2)

Publication Number Publication Date
CN108961292A true CN108961292A (zh) 2018-12-07
CN108961292B CN108961292B (zh) 2021-05-07

Family

ID=64492874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810553586.2A Active CN108961292B (zh) 2018-05-31 2018-05-31 一种在脑部医学图像中检测msp的方法和装置

Country Status (1)

Country Link
CN (1) CN108961292B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837226A (zh) * 2021-01-15 2021-05-25 深圳市铱硙医疗科技有限公司 基于形态学的大脑中矢面提取方法、系统、终端及介质
CN112950648A (zh) * 2019-11-26 2021-06-11 株式会社高迎科技 确定磁共振图像中的正中矢状平面的方法和设备
CN117291281A (zh) * 2023-08-29 2023-12-26 强联智创（北京）科技有限公司 评估脑部侧支循环的评估模型进行训练的方法及相关产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202437346U (zh) * 2012-01-18 2012-09-19 王洪伟 颅脑矢状面头皮测绘器
US20120237103A1 (en) * 2009-12-04 2012-09-20 Qingmao Hu Method and device for detecting bright brain regions from computed tomography images
CN103793904A (zh) * 2012-10-29 2014-05-14 深圳先进技术研究院 图像配准装置及其图像配准的方法
CN103914826A (zh) * 2013-01-09 2014-07-09 上海联影医疗科技有限公司 一种中心矢状面的提取方法
CN105719293A (zh) * 2016-01-20 2016-06-29 东北大学 一种脑部mri图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120237103A1 (en) * 2009-12-04 2012-09-20 Qingmao Hu Method and device for detecting bright brain regions from computed tomography images
CN202437346U (zh) * 2012-01-18 2012-09-19 王洪伟 颅脑矢状面头皮测绘器
CN103793904A (zh) * 2012-10-29 2014-05-14 深圳先进技术研究院 图像配准装置及其图像配准的方法
CN103914826A (zh) * 2013-01-09 2014-07-09 上海联影医疗科技有限公司 一种中心矢状面的提取方法
CN105719293A (zh) * 2016-01-20 2016-06-29 东北大学 一种脑部mri图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIKKEL B. STEGMANN等: "Mid-sagittal Plane and Mid-sagittal Surface Optimization in Brain MRI Using a Local Symmetry Measure", 《MEDICAL IMAGING》 *
孙敬: "特定医学影像中病灶的自动提取研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950648A (zh) * 2019-11-26 2021-06-11 株式会社高迎科技 确定磁共振图像中的正中矢状平面的方法和设备
CN112837226A (zh) * 2021-01-15 2021-05-25 深圳市铱硙医疗科技有限公司 基于形态学的大脑中矢面提取方法、系统、终端及介质
CN112837226B (zh) * 2021-01-15 2023-11-07 深圳市铱硙医疗科技有限公司 基于形态学的大脑中矢面提取方法、系统、终端及介质
CN117291281A (zh) * 2023-08-29 2023-12-26 强联智创（北京）科技有限公司 评估脑部侧支循环的评估模型进行训练的方法及相关产品

Also Published As

Publication number Publication date
CN108961292B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN102727200B (zh) 脊柱椎体和椎间盘分割方法、装置、磁共振成像系统
KR102307941B1 (ko) 눈 추적 시스템들을 위한 개선된 교정
Studholme et al. Normalized entropy measure for multimodality image alignment
CN101421745B (zh) 空间-时间肿瘤检测，分割和诊断信息提取系统及方法
CN109948684A (zh) 点云数据标注质量的质检方法、装置及其相关设备
CN108961292A (zh) 一种在脑部医学图像中检测msp的方法和装置
US9402562B2 (en) Systems and methods for improved tractographic processing
CN111640095B (zh) 脑微出血的量化方法和计算机可读存储介质
CN108682025A (zh) 一种图像配准方法及装置
CN112085675B (zh) 深度图像去噪方法、前景分割方法及人体运动监测方法
US20140064583A1 (en) Analytic Morphomics: High Speed Medical Image Automated Analysis Method
CN103996212B (zh) 自动描绘对象边缘走向之方法
CN106910180B (zh) 一种图像质量评估方法及装置
CN110400299A (zh) 一种肺部胸腔积液检出的方法及装置
CN106456084A (zh) 超声成像装置
CN105556567B (zh) 用于脊椎位置探测的方法和系统
US9763636B2 (en) Method and system for spine position detection
CN106908747B (zh) 化学位移编码成像方法及装置
CN111652862B (zh) 脊柱顺列分类方法、计算机设备和存储介质
WO2014121058A1 (en) Systems and methods for objective tractographic processing using features of grid structures of the brain
Liu et al. Extract feature curves on noisy triangular meshes
CN110322518A (zh) 立体匹配算法的评价方法、评价系统及测试设备
Cao et al. Registration of medical images using an interpolated closest point transform: method and validation
CN106979757A (zh) 一种三维测量方法及装置
CN107945157B (zh) 骶骨上终板测量方法/系统、计算机可读存储介质及设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: DongSoft Medical System Co., Ltd.

Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang

GR01 Patent grant
GR01 Patent grant