CN109410221B - 脑灌注图像分割方法、装置、服务器和存储介质 - Google Patents
脑灌注图像分割方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN109410221B CN109410221B CN201811290975.7A CN201811290975A CN109410221B CN 109410221 B CN109410221 B CN 109410221B CN 201811290975 A CN201811290975 A CN 201811290975A CN 109410221 B CN109410221 B CN 109410221B
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- gray
- mask
- time sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种脑灌注图像分割方法、装置、服务器和存储介质。方法包括:对预处理时间序列图像进行大脑图像分割,得到大脑掩膜;根据大脑掩膜和预处理时间序列图像确定特征图像;利用特征图像中最大灰度投影图像和灰度平均图像得到血管掩膜;对灰度平均图像进行图像标准化,得到标准化图像;根据标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了大脑掩膜和血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。本发明实施例解决了现有技术中脑灌注图像分割不同脑组织边缘分割效果不佳的问题,实现了脑灌注图像中不同脑组织的精确分割,与图像处理的自动化。
Description
技术领域
本发明实施例涉及一种医学图像分析技术,尤其涉及一种脑灌注图像分割方法、装置、服务器和存储介质。
背景技术
脑灌注成像是利用能通过正常血脑屏障的放射性药物注人体内,通过成像设备获得脑灌注图像,并利用脑灌注图像诊断脑部疾病的一种技术。具体的,在诊断过程中,需要通过对脑灌注图像进行分割,得到不同组织的分布情况并确定患者脑组织的病灶位置。
在现有技术中,对脑灌注图像进行分割的方法为:基于脑灌注图像图集的方案分割颅骨,再用阈值方法分割脑脊液和血管,最后构建特征向量利用SVM算法进行分割。在上述方法中,通过阈值直接对脑脊液和血管进行分割,则忽略了脑脊液和血管邻域信息,分割效果不佳。
发明内容
本发明实施例提供一种脑灌注图像分割方法、装置、服务器和存储介质,以实现对脑灌注图像的自动化分割,改善图像的分割效果。
第一方面,本发明实施例提供了一种脑灌注图像分割方法,该方法包括:
对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像;
根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;
利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜;
对所述灰度平均图像进行图像标准化,得到标准化图像;
根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
进一步的,根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种,包括:
将所述标准化图像中灰度值小于第一阈值的像素点或所述基线均值图中灰度值小于第二阈值的像素点作为脑脊液种子点;
将所述脑脊液种子点结合第一生长条件参数,利用区域增长算法得到所述脑脊液掩膜;
将所述脑脊液掩膜叠加到所述脑灌注时间序列图像得到脑脊液。
进一步的,根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种,还包括:
计算所述标准化图像的灰度值分布概率曲线,并利用三高斯混合模型进行拟合,得到拟合结果;
根据所述拟合结果计算得到灰质种子点阈值;
在叠加了大脑掩膜、血管掩膜和脑脊液掩膜的预处理时间序列图像中确定灰度值大于所述灰质种子点阈值的像素点为灰质种子点;
将所述灰质种子点结合第二生长条件参数,利用区域增长算法得到所述灰质掩膜;
将所述灰质掩膜叠加到所述脑灌注时间序列图像中,得到大脑灰质。
进一步的,根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种,还包括:
利用体积限制空洞填充方法对叠加了大脑掩膜、血管掩膜、脑脊液掩膜和灰质掩膜的预处理时间序列图像中体积小于预设体积值的区域进行填充,得到白质掩膜;
将所述白质掩膜叠加到所述脑灌注时间序列图像中得到大脑白质。
可选的,根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像,包括:
将所述大脑掩膜叠加到所述预处理时间序列图像得到大脑时间序列图像;
计算所述大脑时间序列图像中各图像同一个位置像素点的平均灰度值得到灰度平均图像;
将所述大脑时间序列图像中各图像同一个位置像素点中灰度值最大的像素点组成最大灰度投影图像;
将所述大脑时间序列图像中,造影剂流入大脑血液之前的各图像中,同一位置的像素点的平均灰度值组成的图像作为基线均值图。
可选的,利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜,包括:
计算所述最大灰度投影图像和所述灰度平均图像的各对应的像素点的灰度值差值并进行均值滤波,得到差值图像;
在预设区间内对所述差值图像进行直方图统计,得到各像素点灰度值差值的概率密度曲线;
基于所述概率密度曲线得到血管种子点阈值,将所述差值图像中各像素点灰度值大于所述血管种子点阈值的点作为血管增长种子点;
将所述血管增长种子点结合第三生长条件参数,利用区域增长算法得到所述血管掩膜。
可选的,对所述灰度平均图像进行图像标准化,得到标准化图像,包括:
计算叠加了所述血管掩膜后的灰度平均图像中非血管区域中各像素点在各图像层的灰度值的均值;
将所述非血管区域的各层图像中各像素点的灰度值分别减去相应的均值,得到标准化图像。
第二方面,本发明实施例还提供了一种脑灌注图像分割装置,该装置包括:
大脑分割模块,用于对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像;
特征图像获取模块,用于根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;
血管分割模块,用于利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜;
图像标准化模块,用于对所述灰度平均图像进行图像标准化,得到标准化图像;
组织分割模块,用于根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
进一步的,组织分割模块包括脑脊液分割子模块,该脑脊液分割子模块包括:
脑脊液种子点确定单元,用于将所述标准化图像中灰度值小于第一阈值的像素点或所述基线均值图中灰度值小于第二阈值的像素点作为脑脊液种子点;
脑脊液掩膜获取单元,用于将所述脑脊液种子点结合第一生长条件参数,利用区域增长算法得到所述脑脊液掩膜;
脑脊液分割单元,用于将所述脑脊液掩膜叠加到所述脑灌注时间序列图像得到脑脊液。
进一步的,组织分割模块还包括灰质分割子模块,该灰质分割子模块包括:
灰度分布拟合单元,用于计算所述标准化图像的灰度值分布概率曲线,并利用三高斯混合模型进行拟合,得到拟合结果;
灰质种子点阈值确定单元,用于根据所述拟合结果计算得到灰质种子点阈值;
灰质种子点确定单元,用于在叠加了大脑掩膜、血管掩膜和脑脊液掩膜的预处理时间序列图像中确定灰度值大于所述灰质种子点阈值的像素点为灰质种子点;
灰质掩膜获取单元,用于将所述灰质种子点结合第二生长条件参数,利用区域增长算法得到所述灰质掩膜;
灰质分割单元,用于将所述灰质掩膜叠加到所述脑灌注时间序列图像中,得到大脑灰质。
进一步的,组织分割模块还包括白质分割子模块,该白质分割子模块包括:
白质掩膜获取单元,用于利用体积限制空洞填充方法对叠加了大脑掩膜、血管掩膜、脑脊液掩膜和灰质掩膜的预处理时间序列图像中体积小于预设体积值的区域进行填充,得到白质掩膜;
白质分割单元,用于将所述白质掩膜叠加到所述脑灌注时间序列图像中得到大脑白质。
可选的,特征图像获取模块包括:
大脑时间序列图像确定单元,用于将所述大脑掩膜叠加到所述预处理时间序列图像得到大脑时间序列图像;
灰度平均图像计算单元,用于计算所述大脑时间序列图像中各图像同一个位置像素点的平均灰度值得到灰度平均图像;
最大灰度投影图像计算单元,用于将所述大脑时间序列图像中各图像同一个位置像素点中灰度值最大的像素点组成最大灰度投影图像;
基线均值图计算单元,用于将所述大脑时间序列图像中,造影剂流入大脑血液之前的各图像中,同一位置的像素点的平均灰度值组成的图像作为基线均值图。
可选的,血管分割模块,包括:
差值图像计算单元,用于计算所述最大灰度投影图像和所述灰度平均图像的各对应的像素点的灰度值差值并进行均值滤波,得到差值图像;
密度曲线获取单元,用于在预设区间内对所述差值图像进行直方图统计,得到各像素点灰度值差值的概率密度曲线;
血管增长种子点确定单元,用于基于所述概率密度曲线得到血管种子点阈值,将所述差值图像中各像素点灰度值大于所述血管种子点阈值的点作为血管增长种子点;
血管掩膜获取单元,将所述血管增长种子点结合第三生长条件参数,利用区域增长算法得到所述血管掩膜。
可选的,图像标准化模块包括:
灰度均值计算单元,用于计算叠加了所述血管掩膜后的灰度平均图像中非血管区域中各像素点在各图像层的灰度值的均值;
标准化单元,用于将所述非血管区域的各层图像中各像素点的灰度值分别减去相应的均值,得到标准化图像。
第三方面,本发明实施例还提供了一种服务器,该服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的脑灌注图像分割方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的脑灌注图像分割方法。
本发明实施例通过对脑灌注时间序列图像的预处理时间序列图像进行大脑分割,在叠加了大脑掩膜的基础上进行血管分割,然后进行图像标准化,基于标准化图像进行包括脑脊液、灰质和白质在内的其他脑组织的分割,解决了现有技术中脑灌注图像分割不同脑组织边缘分割效果不佳的问题,实现了脑灌注图像中不同脑组织的精确分割,与图像处理的自动化。
附图说明
图1是本发明实施例一中的脑灌注图像分割方法的流程图;
图1a是本发明实施例一中的脑灌注图像分割过程中特征图像获取方法的流程图;
图1b是本发明实施例一中的脑灌注图像分割过程中获取血管掩膜方法的流程图;
图1c是本发明实施例一中的脑灌注图像分割过程中图像标准化方法的流程图;
图2是本发明实施例二中的脑灌注图像分割方法的流程图;
图3是本发明实施例三中的脑灌注图像分割方法的流程图;
图3a是本发明实施例三中的脑灌注图像分割过程中白质分割方法的流程图;
图4是本发明实施例四中的脑灌注图像分割装置的结构示意图;
图5是本发明实施例五中的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。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,都属于本公开保护的范围。
下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1为本发明实施例一提供的脑灌注图像分割方法的流程图,本实施例可适用于对脑灌注图像进行分割的情况,该方法可以由脑灌注图像分割装置来执行,该装置例如可配置于服务器中。如图1所示,该方法具体包括:
S110、对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像。
具体的,首先获取脑灌注时间序列图像,并对所述脑灌注时间序列图像进行预处理,得到预处理时间序列图像,其中,所述脑灌注时间序列图像包括在各时间点采集的脑灌注图像。脑灌注图像为CT脑灌注图像或MRI脑灌注图像。
脑灌注时间序列图像是指在多个时间点上获取的脑灌注的图像,其中,包括造影剂流入大脑血液前和造影剂已经流入血液后的图像。具体是以造影剂未流入大脑血液之前的开始采集图像的时间点为第一个时间点,即获取到第一个图像数据的时间点,按照一定的时间间隔在多个时间点上获取的脑灌注图像。时间间隔是由设备的扫描协议而定的,间隔的时长通常为以秒计算。选取时间点个数为对获取脑灌注图像的对象的大脑的扫描次数,至少包含一个平扫期。
每一个时间点的脑灌注图像实质为一组图像,包含多层图像,图像层数由设备探测器阵列数量决定。通常设备包括16排、32排和64排,那么,相应的在一个时间点上获得的图像分别为16层、32层和64层。
预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像。具体的,对脑灌注时间序列图像进行预处理主要包括滤波和配准的过程。首先,对各时间点采集的脑灌注图像进行滤波。滤波方法通常包括线性平滑滤波、线性锐化滤波以及非线性滤波等方法,优选的可以采用线性平滑滤波中高斯滤波方法进行滤波,去除图像中的噪声和伪影。然后,以滤波后的第一个时间点的脑灌注图像为基准,对滤波后的第一个时间点以外的各时间点的脑灌注图像进行配准,最终得到预处理时间序列图像,以消除运动伪影。
对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,可以通过阈值及形态学分割方法实现。针对预处理时间序列图像中任意时间点的预处理图像,均可以进行大脑图像分割,将脑部组织与颅骨等其他部位的组织或背景区域进行区分,得到大脑掩膜。
优选的,可以基于阈值及形态学分割方法对预处理时间序列图像中第一个时间点的图像进行大脑图像分割,得到大脑掩膜,是因为在第一个时间点上造影剂还未流入血液中。若血液中流入造影剂,血管及其他部分软组织信号得以增强,会不利于利用骨骼的高信号值去除背景及骨骼。由于各个时间点的图像已经与第一个时间点的图像进行了配准,在对第一个时间点图像进行大脑图像分割后获得的大脑掩膜同样适用于其他时间点的预处理图像。
此步骤的主要目的是去除背景噪声及头骨头皮区域,获取颅内脑组织区域,进而才可以进行脑灌注图像的分割,即对颅内脑组织区域进行分割,将血管、脑脊液、灰质或白质进行区分,同时也减少了数据计算量。
大脑掩膜以及其他掩膜,主要用于提取掩膜区域相对应的感兴趣区,用预先制作的感兴趣区掩膜与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0。或是屏蔽作用,用掩膜对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算,或仅对屏蔽区作处理或统计。或是结构特征提取,用相似性变量或图像匹配方法检测和提取图像中与掩膜相似的结构特征。
S120、根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像。
其中,灰度平均图像、最大灰度投影图像以及基线均值图像的计算是为后续分割其他颅内脑组织提供特征图谱。不同参数图提供软组织的不同对比。灰度平均图像作为所有时间点均值,通过在时域上的滤波,减轻了单个时间点所具有的噪声情况。最大灰度投影图提供不同组织对造影剂影响差异的对比。基线均值图像提供了无造影剂时各组织的对比。
图1a是本发明实施例一中的脑灌注图像分割过程中特征图像获取方法的流程图。如图1a所示,各特征图像的计算方法包括如下步骤:
S121、将所述大脑掩膜叠加到所述预处理时间序列图像得到大脑时间序列图像。
将大脑掩膜叠加到预处理时间序列图像,提取出脑灌注图像中大脑区域的图像,然后针对大脑区域的像素信息计算得到各时间点的脑灌注图像对应的大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像,可以减小计算量小,提高计算效率高。
S122、计算所述大脑时间序列图像中各图像同一个位置像素点的平均灰度值得到灰度平均图像。
S123、将所述大脑时间序列图像中各图像同一个位置像素点中灰度值最大的像素点组成最大灰度投影图像。
S124、将所述大脑时间序列图像中,造影剂流入大脑血液之前的各图像中,同一位置的像素点的平均灰度值组成的图像作为基线均值图。
这里需要说明的是,步骤S122、S123以及S124之间没有严格的先后执行顺序,在具体的实施过程中,可以以任一顺序计算得到各特征图像,也可以同时进行计算得到各特征图像。
在另外一种实施方式中,可以先计算出预处理时间序列图像对应的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;然后,在灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像基础上分别叠加大脑掩膜,得到各时间点的脑灌注图像对应的大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像。
S130、利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜。
图1b是本发明实施例一中的脑灌注图像分割过程中获取血管掩膜方法的流程图。如图1b所示,具体的,得到血管掩膜包括如下步骤:
S131、计算所述最大灰度投影图像和所述灰度平均图像的各对应的像素点的灰度值差值并进行均值滤波,得到差值图像。
该差值图像能够很好地体现在注射造影剂后图像值的变化情况,在颅内各组织中,血管中未流入造影剂时的灰度值与流入了造影剂之后的灰度值的差值最大。
S132、在预设区间内对所述差值图像进行直方图统计,得到各像素点灰度值差值的概率密度曲线。
其中,预设区间是根据经验值而设定的。
S133、基于所述概率密度曲线得到血管种子点阈值,将所述差值图像中各像素点灰度值大于所述血管种子点阈值的点作为血管增长种子点。
具体是,根据概率密度曲线的曲线峰值、峰值位置以及血管体积占比,构建血管种子点阈值的计算公式,进而计算出血管种子点阈值。
在此过程中还包括对差值图像分别进行最小值滤波和最大值滤波,相应的得到最小值滤波差值图像和最大值滤波差值图像。
进一步的,将血管种子点阈值作用在最小值滤波差值图像上,得到血管区域增长种子点。
S134、将所述血管增长种子点结合第三生长条件参数,利用区域增长算法得到所述血管掩膜。
具体的,将血管区域种子点作用在最大值滤波差值图像上进行区域增长并得到最终血管掩膜。
其中,第三生长条件参数,包含区域限制参数,以大脑区域作为增长区域进行限制,对血管掩膜的体积(体素个数)设置上限。。
S140、对所述灰度平均图像进行图像标准化,得到标准化图像。
在任一个时间点的图像,在不同图像层间可能存在值(灰度值)分布不一致的情况,导致某些情况下,全局阈值无法得到较好效果,通过对数据进行标准化,可以解决值分布不一致的情况,从而避免图像层间变化剧烈对分割造成的影响。因此,需要对图像进行标准化,优化不同组织之间的边缘分割的效果。
图1c是本发明实施例一中的脑灌注图像分割过程中图像标准化方法的流程图。如图1c所示,图像标准化的过程包括如下步骤:
S141、计算叠加了所述血管掩膜后的灰度平均图像中非血管区域中各像素点在各图像层的灰度值的均值。
首先,将血管掩膜叠加到平均灰度图中,计算大脑的灰度平均图像叠加了血管掩膜后的非血管域中各像素点在各图像层的灰度值的均值。
S142、将所述非血管区域的各层图像中各像素点的灰度值分别减去相应的均值,得到标准化图像。
然后,将非血管区域的各层图像中各像素点的灰度值分别减去相应的均值,得到标准化图像。从而可以使图像分割过程中参数能适应每一层。
S150、根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
基于标准化图像和各特征图像,可以在大脑区域的非血管区域的基础上,继续进行脑部组织的分割,进一步得到脑脊液、灰质或白质区域。
本实施例的技术方案,通过对脑灌注时间序列图像的预处理时间序列图像进行大脑分割,在叠加了大脑掩膜的基础上进行血管分割,然后进行图像标准化,基于标准化图像进行包括脑脊液、灰质和白质在内的其他脑组织的分割,解决了现有技术中脑灌注图像分割不同脑组织边缘分割效果不佳的问题,实现了脑灌注图像中不同脑组织的精确分割,与图像处理的自动化。
实施例二
图2为本发明实施例二提供的脑灌注图像分割方法的流程图,本实施例二在实施例一的基础上做出进一步地说明对脑脊液进行分割具体方法。如图2所示,脑灌注图像分割方法包括:
S210、对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像。
S220、根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像。
S230、利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜。
S240、对所述灰度平均图像进行图像标准化,得到标准化图像。
S250、将所述标准化图像中灰度值小于第一阈值的像素点或所述基线均值图中灰度值小于第二阈值的像素点作为脑脊液种子点。
具体的,由于脑脊液部位主要为液体,值(灰度值)偏低,将标准化图像中灰度值小于第一阈值的像素点或基线均值图中灰度值小于第二阈值的像素点作为脑脊液种子点。其中,因为脑脊液值一般在0-20,第一阈值和第二阈值是这个阈值既是算法设计的经验值,也可以认为在医生公知的经验值范围内。
然后,将所述脑脊液种子点结合第二生长条件参数,利用区域增长算法得到所述脑脊液掩膜。脑脊液掩膜所覆盖的区域即为脑脊液部分。
S260、将所述脑脊液种子点结合第一生长条件参数,利用区域增长算法得到所述脑脊液掩膜。
其中,第一生长条件参数包含区域限制参数,以大脑区域内的非血管区域作为增长区域进行限制,对脑脊液掩膜的体积(体素个数)设置上限。
S270、将所述脑脊液掩膜叠加到所述脑灌注时间序列图像得到脑脊液。
脑脊液掩膜可以提取掩膜区域相对应的感兴趣区,即脑脊液区域,用得到的脑脊液掩膜与脑灌注图像相乘,得到脑脊液区域的图像,脑脊液区域内图像值保持不变,而区域外图像值都为0。在后续图像处理中,可仅对脑脊液区域进行处理。或者,脑脊液区域内图像值为零,而区域外图像值都为1,即在后续图像处理中,可对脑脊液区域进行屏蔽。
本实施例的技术方案,通过对脑灌注时间序列图像的预处理时间序列图像进行大脑分割,在叠加了大脑掩膜的基础上进行血管分割,然后进行图像标准化,基于标准化图像进行包括脑脊液组织的分割,将标准化图像中灰度值小于第一阈值的像素点或所述基线均值图中灰度值小于第二阈值的像素点作为脑脊液种子点,利用区域增长算法得到所述脑脊液掩膜,对脑灌注图像中脑脊液进行分割,解决了现有技术中脑灌注图像分割不同脑组织边缘分割效果不佳的问题,实现了脑灌注图像中不同脑组织的精确分割,与图像处理的自动化。
实施例三
图3为本发明实施例三提供的脑灌注图像分割方法的流程图,本实施例三在实施例一及实施例二的基础上进一步地对灰质和白质区域进行分割。如图3所示,灰质分割方法包括:
S310、计算所述标准化图像的灰度值分布概率曲线,并利用三高斯混合模型进行拟合,得到拟合结果。
S320、根据所述拟合结果计算得到灰质种子点阈值。
S330、在叠加了大脑掩膜、血管掩膜和脑脊液掩膜的预处理时间序列图像中确定灰度值大于所述灰质种子点阈值的像素点为灰质种子点。
具体的,将大脑掩膜、血管掩膜和脑脊液掩膜叠加到预处理时间序列图像中,提取出大脑区域,并屏蔽大脑区域内的血管区域和脑脊液区域,那么剩余区域即为灰质和白质区域。
S340、将所述灰质种子点结合第二生长条件参数,利用区域增长算法得到所述灰质掩膜。
其中,第二生长条件参数包含区域限制参数,以大脑区域内非血管和非脑脊液区域作为增长区域进行限制,对灰质掩膜的体积(体素个数)设置上限。
S350、将所述灰质掩膜叠加到所述脑灌注时间序列图像中,得到大脑灰质。
灰质掩膜可以提取掩膜区域相对应的感兴趣区,即灰质区域,用得到的灰质掩膜与脑灌注图像相乘,得到灰质区域的图像,灰质区域内图像值保持不变,而区域外图像值都为0。在后续图像处理中,可仅对灰质区域进行处理。或者,灰质区域内图像值为零,而区域外图像值都为1,即在后续图像处理中,可对灰质区域进行屏蔽。
进一步的,在分割出灰质区域的基础上确定白质掩膜,对白质进行分割,具体方法如图3a所示,包括如下步骤:
S360、利用体积限制空洞填充方法对叠加了大脑掩膜、血管掩膜、脑脊液掩膜和灰质掩膜的预处理时间序列图像中体积小于预设体积值的区域进行填充,得到白质掩膜。
具体是,将大脑掩膜、血管掩膜、脑脊液掩膜和灰质掩膜叠加到预处理时间序列图像中,可以提取出大脑区域,并屏蔽大脑区域内的血管区域、脑脊液区域和灰质区域,那么剩余区域即为白质区域。
然后,利用体积限制空洞填充方法对所述白质区域内非血管区域体积小于预设体积值的区域进行填充,得到白质掩膜。
S370、将所述白质掩膜叠加到所述脑灌注时间序列图像中得到大脑白质。
白质掩膜可以提取掩膜区域相对应的感兴趣区,即白质区域,用得到的白质掩膜与脑灌注图像相乘,得到白质区域的图像,白质区域内图像值保持不变,而区域外图像值都为0。在后续图像处理中,可仅对白质区域进行处理。或者,白质区域内图像值为零,而区域外图像值都为1,即在后续图像处理中,可对白质区域进行屏蔽。
这里需要说明的是,上述实施例中对脑灌注图像分割的过程,可应用于CT脑灌注图像的分割以及MRI脑灌注图像的分割。在分割不同的脑灌注图像时,需要相应的调整分割过程中的条件和/或阈值。
本实施例的技术方案,在已经分割出脑脊液组织的基础上,计算标准化图像的灰度值分布概率曲线,并利用三高斯混合模型进行拟合,得到拟合结果。根据拟合结果计算得到灰质种子点阈值,在叠加了大脑掩膜、血管掩膜和脑脊液掩膜的预处理时间序列图像中确定灰度值大于所述灰质种子点阈值的像素点为灰质种子点,利用区域生长法得到灰质掩膜,对脑灌注图像的灰质区域进行分割,又进一步的获取白质掩膜,对白质区域进行分割,解决了现有技术中脑灌注图像分割不同脑组织边缘分割效果不佳的问题,同时也解决了图像层间变化剧烈对分割造成的影响,实现了脑灌注图像中不同脑组织的精确分割,与图像处理的自动化。
实施例四
图4是本发明实施例四中的脑灌注图像分割装置的结构示意图。如图4所示,脑灌注图像分割装置包括:大脑分割模块410、特征图像获取模块420、血管分割模块430、图像标准化模块440和组织分割模块450。
其中,大脑分割模块410,用于对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像;特征图像获取模块420,用于根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;血管分割模块430,用于利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜;图像标准化模块440,用于对所述灰度平均图像进行图像标准化,得到标准化图像;组织分割模块450,用于根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
本实施例技术方案通过对脑灌注时间序列图像的预处理时间序列图像进行大脑分割,在叠加了大脑掩膜的基础上进行血管分割,然后进行图像标准化,基于标准化图像进行包括脑脊液、灰质和白质在内的其他脑组织的分割,解决了现有技术中脑灌注图像分割不同脑组织边缘分割效果不佳的问题,实现了脑灌注图像中不同脑组织的精确分割,与图像处理的自动化。
进一步的,组织分割模块450包括脑脊液分割子模块,该脑脊液分割子模块包括:
脑脊液种子点确定单元,用于将所述标准化图像中灰度值小于第一阈值的像素点或所述基线均值图中灰度值小于第二阈值的像素点作为脑脊液种子点;
脑脊液掩膜获取单元,用于将所述脑脊液种子点结合第一生长条件参数,利用区域增长算法得到所述脑脊液掩膜;
脑脊液分割单元,用于将所述脑脊液掩膜叠加到所述脑灌注时间序列图像得到脑脊液。
进一步的,组织分割模块450还包括灰质分割子模块,该灰质分割子模块包括:
灰度分布拟合单元,用于计算所述标准化图像的灰度值分布概率曲线,并利用三高斯混合模型进行拟合,得到拟合结果;
灰质种子点阈值确定单元,用于根据所述拟合结果计算得到灰质种子点阈值;
灰质种子点确定单元,用于在叠加了大脑掩膜、血管掩膜和脑脊液掩膜的预处理时间序列图像中确定灰度值大于所述灰质种子点阈值的像素点为灰质种子点;
灰质掩膜获取单元,用于将所述灰质种子点结合第二生长条件参数,利用区域增长算法得到所述灰质掩膜;
灰质分割单元,用于将所述灰质掩膜叠加到所述脑灌注时间序列图像中,得到大脑灰质。
进一步的,组织分割模块450还包括白质分割子模块,该白质分割子模块包括:
白质掩膜获取单元,用于利用体积限制空洞填充方法对叠加了大脑掩膜、血管掩膜、脑脊液掩膜和灰质掩膜的预处理时间序列图像中体积小于预设体积值的区域进行填充,得到白质掩膜;
白质分割单元,用于将所述白质掩膜叠加到所述脑灌注时间序列图像中得到大脑白质。
可选的,特征图像获取模块420包括:
大脑时间序列图像确定单元,用于将所述大脑掩膜叠加到所述预处理时间序列图像得到大脑时间序列图像;
灰度平均图像计算单元,用于计算所述大脑时间序列图像中各图像同一个位置像素点的平均灰度值得到灰度平均图像;
最大灰度投影图像计算单元,用于将所述大脑时间序列图像中各图像同一个位置像素点中灰度值最大的像素点组成最大灰度投影图像;
基线均值图计算单元,用于将所述大脑时间序列图像中,造影剂流入大脑血液之前的各图像中,同一位置的像素点的平均灰度值组成的图像作为基线均值图。
可选的,血管分割模块430,包括:
差值图像计算单元,用于计算所述最大灰度投影图像和所述灰度平均图像的各对应的像素点的灰度值差值并进行均值滤波,得到差值图像;
密度曲线获取单元,用于在预设区间内对所述差值图像进行直方图统计,得到各像素点灰度值差值的概率密度曲线;
血管增长种子点确定单元,用于基于所述概率密度曲线得到血管种子点阈值,将所述大脑时间序列图像中各像素点灰度值大于所述血管种子点阈值的点作为血管增长种子点;
血管掩膜获取单元,将所述血管增长种子点结合第三生长条件参数,利用区域增长算法得到所述血管掩膜。
可选的,图像标准化模块440包括:
灰度均值计算单元,用于计算叠加了所述血管掩膜后的灰度平均图像中非血管区域中各像素点在各图像层的灰度值的均值;
标准化单元,用于将所述非血管区域的各层图像中各像素点的灰度值分别减去相应的均值,得到标准化图像。
本发明实施例所提供的脑灌注图像分割装置可执行本发明任意实施例所提供的脑灌注图像分割方法,具备执行方法相应的功能膜块和有益效果。
实施例五
图5是本发明实施例五中的服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器512的框图。图5显示的服务器512仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,服务器512以通用计算设备的形式表现。服务器512的组件可以包括但不限于:一个或者多个处理器或者处理单元516,系统存储器528,连接不同系统组件(包括系统存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器512访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)530和/或高速缓存存储器532。服务器512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序膜块,这些程序膜块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序膜块542的程序/实用工具540,可以存储在例如存储器528中,这样的程序膜块552包括但不限于操作系统、一个或者多个应用程序、其它程序膜块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序膜块542通常执行本发明所描述的实施例中的功能和/或方法。
服务器512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信,还可与一个或者多个使得用户能与该服务器512交互的设备通信,和/或与使得该服务器512能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且,服务器512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器520通过总线518与服务器512的其它膜块通信。应当明白,尽管图5中未示出,可以结合服务器512使用其它硬件和/或软件膜块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的脑灌注图像分割方法,该方法主要包括:
对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像;
根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;
利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜;
对所述灰度平均图像进行图像标准化,得到标准化图像;
根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
实施例六
本发明实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的脑灌注图像分割方法,该方法主要包括:
对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像;
根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;
利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜;
对所述灰度平均图像进行图像标准化,得到标准化图像;
根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”如”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)域连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种脑灌注图像分割方法,其特征在于,包括:
对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像;
根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;
利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜;
对所述灰度平均图像进行图像标准化,得到标准化图像;
根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
2.根据权利要求1所述的方法,其特征在于,根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种,包括:
将所述标准化图像中灰度值小于第一阈值的像素点或所述基线均值图中灰度值小于第二阈值的像素点作为脑脊液种子点;
将所述脑脊液种子点结合第一生长条件参数,利用区域增长算法得到所述脑脊液掩膜;
将所述脑脊液掩膜叠加到所述脑灌注时间序列图像得到脑脊液。
3.根据权利要求2所述的方法,其特征在于,根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种,还包括:
计算所述标准化图像的灰度值分布概率曲线,并利用三高斯混合模型进行拟合,得到拟合结果;
根据所述拟合结果计算得到灰质种子点阈值;
在叠加了大脑掩膜、血管掩膜和脑脊液掩膜的预处理时间序列图像中确定灰度值大于所述灰质种子点阈值的像素点为灰质种子点;
将所述灰质种子点结合第二生长条件参数,利用区域增长算法得到所述灰质掩膜;
将所述灰质掩膜叠加到所述脑灌注时间序列图像中,得到大脑灰质。
4.根据权利要求3所述的方法,其特征在于,根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种,还包括:
利用体积限制空洞填充方法对叠加了大脑掩膜、血管掩膜、脑脊液掩膜和灰质掩膜的预处理时间序列图像中体积小于预设体积值的区域进行填充,得到白质掩膜;
将所述白质掩膜叠加到所述脑灌注时间序列图像中得到大脑白质。
5.根据权利要求1所述的方法,其特征在于,根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像,包括:
将所述大脑掩膜叠加到所述预处理时间序列图像得到大脑时间序列图像;
计算所述大脑时间序列图像中各图像同一个位置像素点的平均灰度值得到灰度平均图像;
将所述大脑时间序列图像中各图像同一个位置像素点中灰度值最大的像素点组成最大灰度投影图像;
将所述大脑时间序列图像中,造影剂流入大脑血液之前的各图像中,同一位置的像素点的平均灰度值组成的图像作为基线均值图。
6.根据权利要求5所述的方法,其特征在于,利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜,包括:
计算所述最大灰度投影图像和所述灰度平均图像的各对应的像素点的灰度值差值并进行均值滤波,得到差值图像;
在预设区间内对所述差值图像进行直方图统计,得到各像素点灰度值差值的概率密度曲线;
基于所述概率密度曲线得到血管种子点阈值,将所述差值图像中各像素点灰度值大于所述血管种子点阈值的点作为血管增长种子点;
将所述血管增长种子点结合第三生长条件参数,利用区域增长算法得到所述血管掩膜。
7.根据权利要求1所述的方法,其特征在于,对所述灰度平均图像进行图像标准化,得到标准化图像,包括:
计算叠加了所述血管掩膜后的灰度平均图像中非血管区域中各像素点在各图像层的灰度值的均值;
将所述非血管区域的各层图像中各像素点的灰度值分别减去相应的均值,得到标准化图像。
8.一种脑灌注图像分割装置,其特征在于,包括:
大脑分割模块,用于对预处理时间序列图像进行大脑图像分割,得到大脑掩膜,其中,所述预处理时间序列图像为对脑灌注时间序列图像进行滤波和配准得到的图像;
特征图像获取模块,用于根据所述大脑掩膜和所述预处理时间序列图像确定大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像;
血管分割模块,用于利用所述最大灰度投影图像和所述灰度平均图像得到血管掩膜;
图像标准化模块,用于对所述灰度平均图像进行图像标准化,得到标准化图像;
组织分割模块,用于根据所述标准化图像、大脑的灰度平均图像、最大灰度投影图像以及未流入造影剂前的基线均值图像对叠加了所述大脑掩膜和所述血管掩膜的预处理时间序列图像进行分割得到脑脊液、灰质和白质中的一种或多种。
9.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的脑灌注图像分割方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的脑灌注图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290975.7A CN109410221B (zh) | 2018-10-31 | 2018-10-31 | 脑灌注图像分割方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290975.7A CN109410221B (zh) | 2018-10-31 | 2018-10-31 | 脑灌注图像分割方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410221A CN109410221A (zh) | 2019-03-01 |
CN109410221B true CN109410221B (zh) | 2022-01-11 |
Family
ID=65471095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811290975.7A Active CN109410221B (zh) | 2018-10-31 | 2018-10-31 | 脑灌注图像分割方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410221B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046646B (zh) * | 2019-03-07 | 2023-06-30 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
CN110458869B (zh) * | 2019-05-10 | 2021-10-19 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN111091563B (zh) * | 2019-12-24 | 2023-03-24 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的目标区域的提取方法及系统 |
CN111583209B (zh) * | 2020-04-29 | 2021-11-02 | 上海杏脉信息科技有限公司 | 一种脑灌注图像特征点选取方法、介质及电子设备 |
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 |
CN113222974B (zh) * | 2021-05-31 | 2023-12-29 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种侧支循环的自动评价方法和装置 |
CN113724160B (zh) * | 2021-08-26 | 2023-09-05 | 浙江大学医学院附属邵逸夫医院 | 一种脑影像处理方法、装置、设备及存储介质 |
CN113763409B (zh) * | 2021-08-27 | 2023-05-02 | 南通大学 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
CN113951912B (zh) * | 2021-09-10 | 2023-06-16 | 数坤(上海)医疗科技有限公司 | 一种脑灌注后处理方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756710A (zh) * | 2008-12-19 | 2010-06-30 | 曹淑兰 | 颅内血肿体积的测量方法 |
CN102622750A (zh) * | 2012-02-24 | 2012-08-01 | 西安电子科技大学 | 基于交互式区域生长的胃部ct序列图像分割方法 |
CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
CN103942772A (zh) * | 2014-05-15 | 2014-07-23 | 北京思创贯宇科技开发有限公司 | 一种多模态多维度的血管融合方法及系统 |
CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
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 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106682636A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 血管提取方法及其系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10614567B2 (en) * | 2016-07-25 | 2020-04-07 | Case Western Reserve University | Quantifying mass effect deformation with structural radiomics in brain tumor patients |
US10684339B2 (en) * | 2017-01-13 | 2020-06-16 | Washington University | Dual flip angle multi-echo ultra-short echo time (DUFA-MUTE) magnetic resonance imaging (MRI) systems and methods |
-
2018
- 2018-10-31 CN CN201811290975.7A patent/CN109410221B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756710A (zh) * | 2008-12-19 | 2010-06-30 | 曹淑兰 | 颅内血肿体积的测量方法 |
CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
CN102622750A (zh) * | 2012-02-24 | 2012-08-01 | 西安电子科技大学 | 基于交互式区域生长的胃部ct序列图像分割方法 |
CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN103942772A (zh) * | 2014-05-15 | 2014-07-23 | 北京思创贯宇科技开发有限公司 | 一种多模态多维度的血管融合方法及系统 |
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
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 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106682636A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 血管提取方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109410221A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410221B (zh) | 脑灌注图像分割方法、装置、服务器和存储介质 | |
CN108010021B (zh) | 一种医学图像处理系统和方法 | |
JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
JP2005296605A (ja) | 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法 | |
Hiremath et al. | Automatic detection of follicles in ultrasound images of ovaries using edge based method | |
CN107437251B (zh) | 头部mri影像颅骨剥离模块 | |
Mirajkar et al. | Acute ischemic stroke detection using wavelet based fusion of CT and MRI images | |
CN112116623B (zh) | 图像分割方法及装置 | |
Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN116491968A (zh) | 基于单时相cta的急性缺血性卒中侧支循环评估方法 | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN115937196A (zh) | 一种医学图像分析系统、分析方法和计算机可读存储介质 | |
Kulathilake et al. | A segmentation method for extraction of main arteries from coronary cine-angiograms | |
Napier et al. | A CAD system for brain haemorrhage detection in head CT scans | |
Song et al. | Fully Automatic Ultrasound Fetal Heart Image Detection and Segmentation based on Texture Analysis | |
Giordano et al. | Automatic skeletal bone age assessment by integrating EMROI and CROI processing | |
Wirth et al. | Combination of color and focus segmentation for medical images with low depth-of-field | |
Jiji | Analysis of lesions in multiple sclerosis using image processing techniques | |
Luo et al. | Recent progresses on cerebral vasculature segmentation for 3D quantification and visualization of MRA | |
Goyal | Gaussian filtering based image integration for improved disease diagnosis and treatment planning | |
CN115908413B (zh) | 造影图像分割方法、电子设备、处理系统及存储介质 | |
Sapthagirivasan et al. | Denoising and fissure extraction in high resolution isotropic CT images using Dual Tree Complex Wavelet Transform |
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: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |