CN109461140A - 图像处理方法及装置、设备和存储介质 - Google Patents
图像处理方法及装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109461140A CN109461140A CN201811150984.6A CN201811150984A CN109461140A CN 109461140 A CN109461140 A CN 109461140A CN 201811150984 A CN201811150984 A CN 201811150984A CN 109461140 A CN109461140 A CN 109461140A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- medical image
- timing
- brain medical
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 210000004556 brain Anatomy 0.000 claims abstract description 398
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000002156 mixing Methods 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims description 58
- 210000003625 skull Anatomy 0.000 claims description 41
- 238000007667 floating Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 17
- 238000011524 similarity measure Methods 0.000 claims description 16
- 239000003814 drug Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 239000003550 marker Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 210000000988 bone and bone Anatomy 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000005055 memory storage Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 17
- 238000003384 imaging method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 244000086443 Craterellus fallax Species 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 210000001951 dura mater Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001817 pituitary effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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
本申请公开了一种图像处理方法及装置、设备和存储介质，所述方法包括：获取到多个时序的脑部医学图像后，对各时序的脑部医学图像进行配准，融合配准后的各脑部医学图像，得到脑部融合图像。实施本申请实施例，可以得到融合有各时序的脑部医学图像的脑部融合图像，且各时序的脑部医学图像配准，所以，相关人员需要查看脑部图像时，无需反复切换不同时序的脑部医学图像，只要查看显示的脑部融合图像，即可以更快更直观地查看各时序的脑部医学图像，能有效节约查看脑部医学图像的时间。
Description
技术领域
本申请涉及图像技术领域，尤其涉及一种图像处理方法及装置、设备和存储介质。
背景技术
在医学领域，为了便于查看脑部图像，通常可以通过医学成像系统，在不同时间扫描脑部，得到多时序的脑部医学图像，比如：通过CT(Computed Tomography，即电子计算机断层扫描)成像系统，在不同时间从不同方向扫描脑部，可以得到多时序的脑部CT图像。
由于图像显示设备的屏幕面积有限，相关人员查看多时序的脑部医学图时，需要反复切换显示不同时序的脑部医学图像，而反复切换显示不同时序的脑部医学图像，不能直观的查看不同时序的图像且耗费时间。
发明内容
本申请提供图像处理方法及装置、设备和存储介质，以解决反复切换显示不同时序的脑部医学图像不能直观的查看不同时序的图像且耗费时间的问题。
根据本申请实施例的第一方面，提供一种图像处理方法，包括步骤：
获取多个时序的脑部医学图像；
对各时序的脑部医学图像进行配准；
对配准后的各脑部医学图像进行图像融合，得到脑部融合图像。
在一个实施例中，对各时序的脑部医学图像进行配准，包括：
识别每个时序的脑部医学图像的待变换像素点；
通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间。
在一个实施例中，所述待变换像素点包括脑部医学图像中颅骨组织对应的像素点，或脑部医学图像中像素点的采样结果。
在一个实施例中，所述方法还包括以下步骤：
从获取的各脑部医学图像或几何变换后的脑部医学图像中，剔除颅骨组织。
在一个实施例中，通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间，包括：
分别对所述脑部参考图像和浮动图像进行去噪处理；其中，所述浮动图像为任一时序的脑部医学图像；
获取所述浮动图像的待变换像素点相对于所述脑部参考图像的基准像素点的配准参数；
获取所述浮动图像参照所述配准参数进行几何变换后，与所述脑部参考图像的相似性测度；
采用梯度下降法优化所述浮动图像的配准参数，并迭代计算所述相似性测度，直至计算的相似性测度满足预定的相似条件。
在一个实施例中，所述方法还包括以下步骤：
为所述脑部融合图像中不同时序的图像数据配置不同的颜色特征值或透明度值。
在一个实施例中，所述方法还包括：
识别图像融合前的各脑部医学图像的目标区域，并对目标区域进行标记。
在一个实施例中，识别图像融合前的各脑部医学图像的目标区域，包括：
采用模糊-C均值聚类方式识别所述目标区域；其中，聚类阈值满足以下条件：
大于或等于300，且小于或等于600。
在一个实施例中，所述方法还包括以下步骤：
计算各脑部医学图像的目标区域的以下至少一项参数：
中心坐标；最大包围盒范围；最大包围盒与头骨组织在三个坐标方向的最小距离；最大直径；最小直径；平均直径；周长；面积；体积。
在一个实施例中，所述方法还包括以下步骤：
相对第一个时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。
根据本申请实施例的第二方面，提供一种图像处理装置，包括：
图像获取模块，用于获取多个时序的脑部医学图像；
图像配准模块，用于对各时序的脑部医学图像进行配准；
图像融合模块，用于对配准后的各脑部医学图像进行图像融合，得到脑部融合图像。
在一个实施例中，所述图像配准模块包括：
像素识别模块，用于识别每个时序的脑部医学图像的待变换像素点；
图像变换模块，用于通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间；
在一个实施例中，所述待变换像素点包括脑部医学图像中颅骨组织对应的像素点，或脑部医学图像中像素点的采样结果。
在一个实施例中，所述装置还包括颅骨剔除模块，用于从获取的各脑部医学图像或几何变换后的脑部医学图像中，剔除颅骨组织。
在一个实施例中，所述图像变换模块被配置为：
分别对所述脑部参考图像和浮动图像进行去噪处理；其中，所述浮动图像为任一时序的脑部医学图像；
获取所述浮动图像的待变换像素点相对于所述脑部参考图像的基准像素点的配准参数；
获取所述浮动图像参照所述配准参数进行几何变换后，与所述脑部参考图像的相似性测度；
采用梯度下降法优化所述浮动图像的配准参数，并迭代计算所述相似性测度，直至计算的相似性测度满足预定的相似条件。
在一个实施例中，所述装置还包括时序标记模块，用于为所述脑部融合图像中不同时序的图像数据配置不同的颜色特征值或透明度值。
在一个实施例中，所述装置还包括目标区域标记模块，用于识别图像融合前的各脑部医学图像的目标区域，并对目标区域进行标记。
在一个实施例中，所述目标区域标记模块被配置为：
采用模糊-C均值聚类方式识别所述目标区域；其中，聚类阈值满足以下条件：
大于或等于300，且小于或等于600。
在一个实施例中，所述装置还包括参数计算模块，用于计算各脑部医学图像的目标区域的以下至少一项参数：
中心坐标；最大包围盒范围；最大包围盒与头骨组织在三个坐标方向的最小距离；最大直径；最小直径；平均直径；周长；面积；体积。
在一个实施例中，所述装置还包括参数对比模块，用于相对第一个时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。
根据本申请实施例的第三方面，提供一种计算机设备，包括：
处理器；
存储处理器可执行指令的存储器；
其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如上所述方法中的操作。
根据本申请实施例的第四方面，提供一个或多个机器可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得处理器执行如上所述方法中的操作。
应用本申请实施例，获取到多个时序的脑部医学图像后，配准各时序的脑部医学图像，然后融合配准后的各脑部医学图像，得到脑部融合图像。由于脑部融合图像融合有各时序的脑部医学图像，且各时序的脑部医学图像的图像空间匹配，所以，需要显示多时序的脑部图像时，无需反复切换不同时序的脑部医学图像，只要显示的脑部融合图像，即可以方便相关人员更快更直观地查看各时序的脑部医学图像，有效节约查看脑部医学图像的时间。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一示例性实施例示出的图像处理方法的流程图；
图2是本申请另一示例性实施例示出的图像处理方法的流程图；
图3A与图3B是本申请一示例性实施例示出的实现图像处理的系统的架构图；
图4是本申请一示例性实施例示出的计算机设备的硬件结构示意图；
图5是本申请一示例性实施例示出的图像处理装置的框图；
图6是本申请另一示例性实施例示出的图像处理装置的框图。
具体实施方式
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
本申请实施例涉及的脑部医学图像，可以是脑部的CT图像、MR(MagneticResonance，即磁共振)图像、或其他类型医学图像。某些场景下，需要查看不同时序的脑部医学图像，对比不同时序的脑部医学图像；另一些场景下，构建三维图像，需要确定图像序列中不同时序的脑部医学图像间的空间位置关系。
无论是查看不同时序的脑部医学图像，还是确定不同时序的脑部医学图像间的空间位置关系，在图像显示设备的屏幕面积有限的情况下，均需要反复切换显示不同时序的脑部医学图像，而反复切换显示不同时序的脑部医学图像会耗费较长的时间，也不便于直观地对比不同时序的图像。有鉴于此，本申请实施例提出了一种图像处理方法，该方法获取到多个时序的脑部医学图像后，配准各时序的脑部医学图像，然后融合配准后的各脑部医学图像，得到脑部融合图像。由于脑部融合图像融合有各时序的脑部医学图像，且各时序的脑部医学图像的图像空间匹配，所以，需要显示多时序的脑部图像时，无需反复切换不同时序的脑部医学图像，只要显示的脑部融合图像，即可以方便相关人员更快更直观地查看各时序的脑部医学图像，有效节约查看脑部医学图像的时间。以下结合附图详细介绍下本申请实施例的图像处理过程：
请参阅图1，图1是本申请一示例性实施例示出的图像处理方法的流程图，可以应用于计算机设备，包括步骤S101至步骤S104：
步骤S101、获取多个时序的脑部医学图像。
步骤S102、配准各时序的脑部医学图像。
步骤S103、对配准后的各脑部医学图像进行图像融合，得到脑部融合图像。
本申请实施例应用的计算机设备，可以是成像系统中的图像处理设备，如CT成像系统中的图像重建设备，或者MR成像系统的主计算机；也可以是成像系统外其他具备图像处理功能的计算机设备。
实际应用中，本申请实施例在获取多个时序的脑部医学图像时，可以实时从成像系统的采集设备获得脑部的投影数据，重建出多个时序的脑部医学图像；也可以获取成像系统实时重建的脑部医学图像，还可以调取预存的脑部医学图像，这里预存的脑部医学图像为预先存储的成像系统的重建图像。
对于不同时序的脑部医学图像，无论是成像设备的原因，还是被检对象的姿势变化等不可控原因，不同时序的脑部医学图像的图像空间都可能存在差异，为了提高图像融合效果，本申请实施例在融合多时序的脑部医学图像前，通过配准各时序的脑部医学图像，来统一各时序脑部医学图像的图像空间。这里的配准主要是进行图像空间变换，不改变图像的像素值，可以将一幅图像中的坐标位置映射到另一幅图像中的新坐标位置。
为了统一各时序脑部医学图像的图像空间，可以选取一脑部医学图像作为脑部参考图像，各时序脑部医学图像参照该脑部参考图像进行配准，一例子中，可以通过以下操作配准个还需的脑部医学图像：
识别每个时序的脑部医学图像的待变换像素点；
通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间。
其中，可以从获取的多时序脑部医学图像中选取一时序的脑部医学图像为脑部参考图像，如选取多时序中第一个时序的脑部医学图像，进行几何变换时，除被选取为脑部参考图像的脑部医学图像，其他时序的脑部医学图像分别参考脑部参考图像进行几何变换。
另外，还可以选取获取的多时序脑部医学图像外的其他脑部医学图像为脑部参考图像。例如：本申请实施例获取多时序脑部医学图像时，从脑部医学图像序列中挑选部分时序的脑部医学图像作为脑部医学图像序列，在几何变换获取的脑部医学图像前，可以从脑部医学图像序列中未被选到的一时序的脑部医学图像为脑部参考图像，进行几何变换时，获取的每一时序的脑部医学图像均参照该脑部参考图像，进行几何变换。其他例子中，还可以选取标准图像库中的脑部标准图像为脑部参考图像。
几何变换各时序的脑部医学图像时，考虑到每幅图像的像素点数量都比较大，实际要统一两幅图像的图像空间，可能需要多次的几何变换，如果每次几何变换时都计算图像中所有像素点的配准参数，计算量非常大，占用的资源比较多，几何变换效率也比较低。因此，本申请实施例可以图像的部分像素点为待变换像素点，待变换像素点可以是相邻的一系列像素点，也可以是彼此不相邻的，分散的像素点，在进行几何变换前，根据预设的方案识别各时序的脑部医学图像的待变换像素点。这里提到的待变换像素点可以是由本方案的设计人员，根据实际的应用场景或图像处理需求预先设置。
例如：脑部医学图像在融合前，需要剔除颅骨组织，本申请实施例可以以脑部医学图像中颅骨组织对应的像素点为待变换像素点，如果在识别待变换像素点需要剔除颅骨组织，本申请实施例还可以包括从获取的各脑部医学图像中剔除颅骨组织的步骤。进而，识别待变换像素点时可以参照之前剔除颅骨组织的步骤，将剔除的颅骨组织对应的像素点识别为待变换的像素点。
再例如，在识别待变换像素点前未剔除颅骨组织，而是在配准后剔除颅骨组织，本申请实施例还可以包括从配准后的脑部医学图像中，剔除颅骨组织的步骤，识别待变换像素点时参照颅骨组织的特征识别颅骨组织对应的像素点，从配准后的脑部医学图像中剔除颅骨组织时，可以参照识别待变换像素点的结果，进行剔除。这里提到的特征，可以是颅骨的形态、灰度等。
另一些例子中，脑部医学图像在融合前，不需要剔除颅骨组织，本申请实施例可以将待变换像素点定为从脑部医学图像采样预定数量的像素点，识别待变换像素点时，从脑部医学图像随机采样预定数量的像素点为待变换像素点，这里提到预定数量可以根据图像大小或图像处理需求而定，如图像大小为512*512，预定数量为二十万。其他例子中，还可以采用其他方式识别待变换像素点，如间隔采样，或以其他形态、像素等特征比较独特的像素点为待变换像素点，本申请实施例对此不做限制。
另外，如果脑部参考图像不是获取的各时序的脑部医学图像中一个，本申请实施例，还可以预先或实时识别脑部医学参考图像的基准像素点，识别方式可以参照前述识别待变换像素点的方式，在此不再赘述。
识别到待变换像素点与基准像素点后，在对脑部医学图像进行图像变换时，可以通过配准每个时序的脑部医学图像的待变换像素点与脑部医学参考图像的基准像素点，来将每个时序的脑部医学图像几何变换到与脑部医学图像匹配的图像空间。这里提到的匹配，指两幅图像的图像空间一致或图像空间的差异在预定范围内。
一例子中，可以通过刚性配准方法或仿射变换方法，配准每个时序的脑部医学图像的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像几何变换至与脑部参考图像匹配的图像空间。
另一例子中，可以采用如下操作，通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间：
分别对所述脑部参考图像和浮动图像进行去噪处理；其中，所述浮动图像为任一时序的脑部医学图像；这里的去噪处理用于降低噪音对图像特征的影响。
获取所述浮动图像的待变换像素点相对于所述脑部参考图像的基准像素点的配准参数；这里的配准参数可以包括三维空间坐标方向的平移量，三维空间坐标方向的仿射量，与三维空间坐标轴的夹角中的至少一项。在其他实施例还可以包括其他类型的配准参数，本申请实施例对此不做限制。
获取所述浮动图像参照所述配准参数进行几何变换后，与所述脑部参考图像的相似性测度；这里的相似性测度可以指几何变换后的浮动图像与所述参考图像这两者的对应像素点的灰度差值的平方和。在其他实施例还可以包括其他类型的配准参数，本申请实施例对此不做限制。
采用梯度下降法优化所述浮动图像的配准参数，并迭代计算所述相似性测度，直至计算的相似性测度满足预定的相似条件。这里的相似条件可以指相似性测度的计算结果达到预定的最优值，或者相邻两次计算的相似性测得的变化量在预定的变化范围内，或者其他用于确定浮动图像已变化至与脑部参考图像匹配的图像空间的条件，本申请实施例在此不做限制。
在其他实施例中，本申请实施例也可以采取其他方式，通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间，在此不再赘述。
本申请实施例将每个时序的脑部医学图像均几何变换至脑部参考图像的匹配空间后，各时序的脑部医学图像的图像空间相互匹配，本申请实施例将几何变换后的各脑部医学图像进行图像融合后，得到的脑部融合图像带有各时序的脑部医学图像的图像数据，另外，可以合并有各时序的脑部医学图像的图像优点，内容更为丰富。这里提到的图像融合可以指将同一成像系统以不同工作模式或在不同成像时间下获得的同一场景图像，运用融合技术合并成一幅综合了之前多幅图像优点、内容更为丰富的图像的技术手段。本申请实施例可以采用各种图像融合方式进行图像融合，本申请实施例对此不做限制。
融合图像后，某些情况下，需要分辨不同时序的图像数据，但是不同时序的图像数据在融合图像中的区别可能并不明显。有鉴于此，本申请实施例，可以为脑部融合图像中不同时时序的图像数据进行时序标记。一例子中，可以在图像融合前为各时序的脑部医学图像添加时序标记，如配置不同的颜色特征值、透明度值或其他像素特征，使得所述脑部融合图像中不同时序的图像数据配置有不同的颜色特征值或透明度值。其他例子中，还可以采取其他方式进行标记，如添加描述时序的字符等，在此不再赘述。
由上述实施例可知，通过配准各时序的脑部医学图像，将各时序的脑部医学图像变换至一致的图像空间，然后融合配准后的各脑部医学图像，得到脑部融合图像。由于脑部融合图像融合有各时序的脑部医学图像，且各时序的脑部医学图像的图像空间匹配，所以，需要显示多时序的脑部图像时，无需反复切换不同时序的脑部医学图像，只要显示的脑部融合图像，即可以方便相关人员更快更直观地查看各时序的脑部医学图像，有效节约查看脑部医学图像的时间。
某些场景下，可能需要查看脑部医学图像中的目标区域，如颅骨区域、脑垂体区域、脑血管、硬膜区域、脑实质区域能。有鉴于此，本申请实施例可以在融合脑部医学图像前，识别图像融合前的各脑部医学图像的目标区域，并对目标区域进行标记。以便通过脑部融合图像查看目标区域。具体可以参见图2，图2所示的方法可以应用于计算机设备，包括步骤S201至步骤S205：
步骤S201、获取多个时序的脑部医学图像。
步骤S202、识别每个时序的脑部医学图像的待变换像素点。
步骤S203、通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间。
步骤S204、识别几何变换后各脑部医学图像的目标区域，并对目标区域进行标记。
步骤S205、对标记后的各脑部医学图像进行图像融合，得到脑部融合图像。
本申请实施例涉及的技术内容，与前述图像处理方法相应，在此不再赘述。
对于步骤S205，本申请可以根据目标区域的图像特征，采用相应方法识别标记目标区域，这里提到的方法包括以下至少一种：
分水岭算法、形态学和区域增长方法、小波变换方法、模糊Hopfield神经网络的全局阈值分割方法、FCM聚类的阈值方法、模糊-C均值聚类方法、k-均值空间加权直方图聚类算法等。
以下以模糊-C均值聚类方法为例，描述下本申请实施例识别图像融合前的各脑部医学图像的目标区域的操作：
采用模糊-C均值聚类方式识别所述目标区域；其中，聚类阈值满足以下条件：
大于或等于300，且小于或等于600。
本例子中，识别出的目标区域可以为带血管的区域，在其他例子中，还可以预定聚类阈值满足其他条件，识别其他类型的区域，本申请实施例在此不再赘述。
在识别并标记目标区域后，某些情况下，可以计算目标区域的参数，计算的参数可以包括以下至少一项参数：
中心坐标；最大包围盒范围；最大包围盒与头骨组织在三个坐标方向的最小距离；最大直径；最小直径；平均直径；周长；面积；体积。
其他情况下，还可以比较不同时序的脑部区域的参数，进而核查不同时序的脑部医学图像的匹配度或区别，某些例子中，本申请实施例可以相对第一个时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。在其他实施例中，还可以相对其他时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。
实际计算时，可以采用以下公式计算参数增长率来表示参数变化情况：
VGR＝(fCurVol-fInitVol)/fInitVol*100％,
其中，fCurVol为当前时序的脑部医学图像中目标区域的参数，fInitVol为第一个时序的脑部医学图像中目标区域的参数。这里的参数可以为以上任一种，如体积。
在其他实施例中，本申请实施例也可以在获取到各时序的脑部医学图像后，即识别标记目标区域，或者在其他步骤后执行识别标记目标区域的操作，本申请实施例对此不做限制。
以下结合一实施例介绍下可以实现本申请的图像处理方法的一种系统：
图3A为CT系统的结构示意图，图3B详细的示意了图3A中的部分组成部分的结构。可以结合图3A和图3B来看，该CT系统100可以包括：机架10、检查床20和计算机系统30。
其中，机架10，其作用可以是用来完成特定扫描方式的扫描，以获得患者200扫描层面的原始数据，供计算机系统30进行图像处理，得到CT图像。
机架10可以包括固定机架11和旋转机架12。固定机架11可以用于控制机架倾斜角度，控制扫描架旋转。如图3B所示，旋转机架12可以安装有球管121，用于在垂直于轴线Z的方向上发射X射线；在旋转机架12上与球管121相对的位置可以安装探测器122，用于检测X射线强度。需要说明的是，某些CT设备的X射线探测器位于固定机架上。
检查床20，其作用是准确地把患者200送到预定或者适当的位置。此处需要说明的是，在一些CT系统中，检查床并不一定是必须的。
计算机系统30，可以用于实现三种功能：其一，控制机架10和检查床20：当操作者选用适当的扫描参数启动扫描之后，安排扫描期间内各种事件顺序。其二、数据处理，包括数据预处理和图像重建。其三、图像显示。
为了实现上述的三种功能，该计算机系统30可以包括如下组成部分：控制设备13、图像重建设备34、计算机35、显示器31、操作台32和存储设备33。
其中，控制设备13，可以用于控制机架10带动球管121和探测器122绕Z轴旋转，控制球管121在旋转过程中发射X射线。本例中，控制设备13可以包括以下几个模块：
X射线控制器131，用于为球管121提供能量和时序信号；
机架驱动控制器132，用于控制旋转机架的转速和起始位置；
数据采集系统133(data acquisition system，DAS)，用于从探测器122中采集模拟信号，并将上述模拟信号转换为用于后续图像处理的数字信号，将所述数字信号输出给与其相连的图像重建设备34。
图像重建设备34，可以用于根据数据采集系统133输出的扫描数据进行图像重建，获得CT重建图像；
计算机35，可以用于将操作者通过操作台32输入的命令和参数转化为控制信号或信息发送给控制设备13和/或检查床驱动控制器21；该计算机35还可以接收并存储图像重建设备34重建的CT图像。
显示器31，用于显示重建图像和相关数据；
操作台32，用于接收操作者输入的命令和扫描参数；
存储设备33，用于存储大量的重建图像。
某些场景下，本申请实施例的图像处理方法，可以应用于前述CT系统，机架10随时间变化旋转时，可以带动球管121从不同角度向脑部发射X射线，由数据采集系统133对应从探测器122中采集模拟信号，并将上述模拟信号转换为用于后续图像处理的数字信号，将所述数字信号输出给与其相连的图像重建设备34，图像重建设备34重建出不同时序的脑部医学图像。进而，可以由图像重建设备34或计算机35执行前述图像处理方法的操作。
与本申请图像处理方法的示例相对应，本申请还提供了图像处理装置的示例。图像处理装置可以应用于各种计算机设备，如个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、导航设备、电子邮件收发设备、游戏控制台、平板计算机、互联网电视、智能机车、无人驾驶汽车、智能交互平板、智能家居设备或者这些设备中的任意几种设备的组合。
如图4所示，为本申请图像处理装置应用的计算机设备的硬件结构示意图，该计算机设备可以包括处理器410、内存420、非易失性存储器430。其中，内存420和非易失性存储器430为机器可读存储介质，处理器410和机器可读存储介质420、430可借由内部总线440相互连接。在其他可能的实现方式中，所述计算机设备还可能包括网络接口450，以能够与其他设备或者部件进行通信。除了图4所示的处理器410、内存420、网络接口450、以及非易失性存储器430之外，该设备根据实际功能需要还可以包括其他硬件，图4中不再一一示出。
在不同的例子中，所述机器可读存储介质420、430可以是ROM(Read-Only Memory，只读存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。
进一步，机器可读存储介质、可具体为内存420上存储有与图像处理装置对应的机器可执行指令。从功能上划分，如图5所示，图像处理装置可包括图像获取模块510、图像配准模块520和图像融合模块530。
其中，图像获取模块510，用于获取多个时序的脑部医学图像。
图像配准模块520，用于配准各时序的脑部医学图像。
图像融合模块530，用于对配准后的各脑部医学图像进行图像融合，得到脑部融合图像。
本申请实施例应用的计算机设备，可以是成像系统中的图像处理设备，如CT成像系统中的图像重建设备，或者MR成像系统的主计算机；也可以是成像系统外其他具备图像处理功能的计算机设备。
实际应用中，本申请实施例在获取多个时序的脑部医学图像时，可以实时从成像系统的采集设备获得脑部的投影数据，重建出多个时序的脑部医学图像；也可以获取成像系统实时重建的脑部医学图像，还可以调取预存的脑部医学图像，预存的是成像系统重建的图像。
对于不同时序的脑部医学图像，无论是成像设备的原因，还是被检对象的姿势变化等不可控原因，不同时序的脑部医学图像的图像空间都可能存在差异，为了提高图像融合效果，本申请实施例在融合多时序的脑部医学图像前，通过配准各时序的脑部医学图像，来统一各时序脑部医学图像的图像空间。这里的配准主要是进行图像空间变换，不改变图像的像素值，可以将一幅图像中的坐标位置映射到另一幅图像中的新坐标位置。
为了统一各时序脑部医学图像的图像空间，可以选取一脑部医学图像作为脑部参考图像，各时序脑部医学图像参照该脑部参考图像进行配准，一例子中，图像配准模块520还可以包括：
像素识别模块，用于识别每个时序的脑部医学图像的待变换像素点。
图像变换模块，用于通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间。
其中，可以从获取的多时序脑部医学图像中选取一时序的脑部医学图像为脑部参考图像，如选取多时序中第一个时序的脑部医学图像，进行几何变换时，除被选取为脑部参考图像的脑部医学图像，其他时序的脑部医学图像分别参考脑部参考图像进行几何变换。
另外，还可以选取获取的多时序脑部医学图像外的其他脑部医学图像为脑部参考图像。例如：本申请实施例获取多时序脑部医学图像时，从脑部医学图像序列中挑选部分时序的脑部医学图像作为脑部医学图像序列，在几何变换获取的脑部医学图像前，可以从脑部医学图像序列中未被选到的一时序的脑部医学图像为脑部参考图像，进行几何变换时，获取的每一时序的脑部医学图像均参照该脑部参考图像，进行几何变换。其他例子中，还可以选取标准图像库中的脑部标准图像为脑部参考图像。
几何变换各时序的脑部医学图像时，考虑到每幅图像的像素点数量都比较大，实际要统一两幅图像的图像空间，可能需要多次的几何变换，如果每次几何变换时都计算图像中所有像素点的配准参数，计算量非常大，占用的资源比较多，几何变换效率也比较低。因此，本申请实施例可以图像的部分像素点为待变换像素点，待变换像素点可以是相邻的一系列像素点，也可以是彼此不相邻的，分散的像素点，在进行几何变换前，根据预设的方案识别各时序的脑部医学图像的待变换像素点。这里提到的待变换像素点可以是由本方案的设计人员，根据实际的应用场景或图像处理需求预先设置。
例如：脑部医学图像在融合前，需要剔除颅骨组织，本申请实施例可以以脑部医学图像中颅骨组织对应的像素点为待变换像素点，如果在识别待变换像素点需要剔除颅骨组织，本申请实施例还可以包括从获取的各脑部医学图像中剔除颅骨组织。进而，像素识别模块识别待变换像素点时可以参照之前剔除颅骨组织的步骤，将剔除的颅骨组织对应的像素点识别为待变换的像素点。
再例如，在识别待变换像素点前未剔除颅骨组织，而是在配准后剔除颅骨组织，本申请实施例还可以包括从配准后的脑部医学图像中，剔除颅骨组织，像素识别模块识别待变换像素点时参照颅骨组织的特征识别颅骨组织对应的像素点，从配准后的脑部医学图像中剔除颅骨组织时，可以参照识别待变换像素点的结果，进行剔除。这里提到的特征，可以是颅骨的形态、灰度等。
另一些例子中，脑部医学图像在融合前，不需要剔除颅骨组织，本申请实施例可以将待变换像素点定为从脑部医学图像采样预定数量的像素点，识别待变换像素点时，从脑部医学图像随机采样预定数量的像素点为待变换像素点，这里提到预定数量可以根据图像大小或图像处理需求而定，如图像大小为512*512，预定数量为二十万。其他例子中，还可以采用其他方式识别待变换像素点，如间隔采样，或以其他形态、像素等特征比较独特的像素点为待变换像素点，本申请实施例对此不做限制。
另外，如果脑部参考图像不是获取的各时序的脑部医学图像中一个，本申请实施例，还可以预先或实时识别脑部医学参考图像的基准像素点，识别方式可以参照前述识别待变换像素点的方式，在此不再赘述。
识别到待变换像素点与基准像素点后，在对脑部医学图像进行图像变换时，可以通过配准每个时序的脑部医学图像的待变换像素点与脑部医学参考图像的基准像素点，来将每个时序的脑部医学图像几何变换到与脑部医学图像匹配的图像空间。这里提到的匹配，指两幅图像的图像空间一致或图像空间的差异在预定范围内。
一例子中，可以通过刚性配准方法或仿射变换方法，配准每个时序的脑部医学图像的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像几何变换至与脑部参考图像匹配的图像空间。
另一例子中，图像变换模块被配置为：
分别对所述脑部参考图像和浮动图像进行去噪处理；其中，所述浮动图像为任一时序的脑部医学图像；这里的去噪处理用于降低噪音对图像特征的影响。
获取所述浮动图像的待变换像素点相对于所述脑部参考图像的基准像素点的配准参数；这里的配准参数可以包括三维空间坐标方向的平移量，三维空间坐标方向的仿射量，与三维空间坐标轴的夹角中的至少一项。在其他实施例还可以包括其他类型的配准参数，本申请实施例对此不做限制。
获取所述浮动图像参照所述配准参数进行几何变换后，与所述脑部参考图像的相似性测度；这里的相似性测度可以指几何变换后的浮动图像与所述参考图像这两者的对应像素点的灰度差值的平方和。在其他实施例还可以包括其他类型的配准参数，本申请实施例对此不做限制。
采用梯度下降法优化所述浮动图像的配准参数，并迭代计算所述相似性测度，直至计算的相似性测度满足预定的相似条件。这里的相似条件可以指相似性测度的计算结果达到预定的最优值，或者相邻两次计算的相似性测得的变化量在预定的变化范围内，或者其他用于确定浮动图像已变化至与脑部参考图像匹配的图像空间的条件，本申请实施例在此不做限制。
在其他实施例中，本申请实施例也可以采取其他方式，通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间，在此不再赘述。
本申请实施例将每个时序的脑部医学图像均配准后，各时序的脑部医学图像的图像空间相互匹配，本申请实施例将配准后的各脑部医学图像进行图像融合后，得到的脑部融合图像带有各时序的脑部医学图像的图像数据，另外，可以合并有各时序的脑部医学图像的图像有点，内容更为丰富。这里提到的图像融合可以指将同一成像系统以不同工作模式或在不同成像时间下获得的同一场景图像，运用融合技术合并成一幅综合了之前多幅影像优点、内容更为丰富的图像的技术手段。本申请实施例可以采用各种图像融合方式进行图像融合，本申请实施例对此不做限制。
融合图像后，某些情况下，需要分辨不同时序的图像数据，但是不同时序的图像数据在融合图像中的区别可能并不明显，有鉴于此，本申请实施例，可以为脑部融合图像中不同时时序的图像数据进行时序标记。一例子中，本申请的装置可以包括时序标记模块，用于在图像融合前为各时序的脑部医学图像添加时序标记，如配置不同的颜色特征值、透明度值或其他像素特征，使得所述脑部融合图像中不同时序的图像数据配置有不同的颜色特征值或透明度值。其他例子中，还可以采取其他方式进行标记，如添加描述时序的字符等，在此不再赘述。
由上述实施例可知，通过配准每个时序的脑部医学图像配准至匹配的图像空间，然后融合几何变换后的各脑部医学图像，得到脑部融合图像。由于脑部融合图像融合有各时序的脑部医学图像，且各时序的脑部医学图像的图像空间匹配，所以，需要显示多时序的脑部图像时，无需反复切换不同时序的脑部医学图像，只要显示的脑部融合图像，即可以方便相关人员更快更直观地查看各时序的脑部医学图像，有效节约查看脑部医学图像的时间。
某些场景下，可能需要查看脑部医学图像中的目标区域，如颅骨区域、脑垂体区域、脑血管、硬膜区域、脑实质区域能，有鉴于此，本申请实施例可以包括目标区域标记模块，用于在融合脑部医学图像前，识别图像融合前的各脑部医学图像的目标区域，并对目标区域进行标记。以便通过脑部融合图像查看目标区域。具体可以参见图6，图6所示的图像处理装置可以应用于计算机设备，包括图像获取模块610、像素识别模块620、图像变换模块630、目标区域标记模块640和图像融合模块650。
其中，图像获取模块610，用于获取多个时序的脑部医学图像。
像素识别模块620，用于识别每个时序的脑部医学图像的待变换像素点。
图像变换模块630，用于通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间。
目标区域标记模块640，用于识别几何变换后各脑部医学图像的目标区域，并对目标区域进行标记。
图像融合模块650，用于对标记后的各脑部医学图像进行图像融合，得到脑部融合图像。
本申请实施例涉及的技术内容，与前述图像处理方法相应，在此不再赘述。
对于目标区域标记模块640，本申请可以根据目标区域的图像特征，采用相应方法识别标记目标区域，这里提到的方法包括以下至少一种：
分水岭算法、形态学和区域增长方法、小波变换方法、模糊Hopfield神经网络的全局阈值分割方法、FCM聚类的阈值方法、模糊-C均值聚类方法、k-均值空间加权直方图聚类算法等。
以下以模糊-C均值聚类方法为例，描述下本申请实施例识别图像融合前，目标区域标记模块640被配置为：
采用模糊-C均值聚类方式识别所述目标区域；其中，聚类阈值满足以下条件：
大于或等于300，且小于或等于600。
本例子中，识别出的目标区域可以为带血管的区域，在其他例子中，还可以预定聚类阈值满足其他条件，识别其他类型的区域，本申请实施例在此不再赘述。某些场景下，聚类阈值大于或等于300，且小于或等于600，可以识别出血的脑部区域。
在识别并标记目标区域后，某些情况下，可以计算目标区域的参数，本申请实施例的图像处理装置还可以包括参数计算模块，用于计算各脑部医学图像的目标区域的以下至少一项参数：
中心坐标；最大包围盒范围；最大包围盒与头骨组织在三个坐标方向的最小距离；最大直径；最小直径；平均直径；周长；面积；体积。
此外，还可以比较不同时序的脑部区域的参数，进而核查不同时序的脑部医学图像的匹配度或区别，某些例子中，本申请实施例的图像处理装置可以包括参数对比模块，用于相对第一个时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。
相对第一个时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。在其他实施例中，还可以相对其他时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。这里的参数变化情况，可以指增长率或降低率等。
实际计算时，可以采用以下公式计算参数增长率表示参数变化情况：
VGR＝(fCurVol-fInitVol)/fInitVol*100％,
其中，fCurVol为当前时序的脑部医学图像中目标区域的参数，fInitVol为第一个时序的脑部医学图像中目标区域的参数。这里的参数可以为以上任一种，如体积。某些场景下，如果目标区域进而为脑部出血区域，可以计算出不同时序的出血区域的变化情况。
在其他实施例中，本申请实施例也可以在获取到各时序的脑部医学图像后，即识别标记目标区域，或者在其他步骤后执行识别标记目标区域的操作，本申请实施例对此不做限制。
本申请实施例的装置中各个单元(或模块)的功能和作用的实现过程，具体详见上述图像处理装置中对应的单元或模块，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (22)
1.一种图像处理方法，其特征在于，包括步骤：
获取多个时序的脑部医学图像；
对各时序的脑部医学图像进行配准；
对配准后的各脑部医学图像进行图像融合，得到脑部融合图像。
2.根据权利要求1所述的方法，其特征在于，对各时序的脑部医学图像进行配准，包括：
识别每个时序的脑部医学图像的待变换像素点；
通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间。
3.根据权利要求2所述的方法，其特征在于，所述待变换像素点包括脑部医学图像中颅骨组织对应的像素点，或脑部医学图像中像素点的采样结果。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括以下步骤：
从获取的各脑部医学图像或几何变换后的脑部医学图像中，剔除颅骨组织。
5.根据权利要求2所述的方法，其特征在于，通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间，包括：
分别对所述脑部参考图像和浮动图像进行去噪处理；其中，所述浮动图像为任一时序的脑部医学图像；
获取所述浮动图像的待变换像素点相对于所述脑部参考图像的基准像素点的配准参数；
获取所述浮动图像参照所述配准参数进行几何变换后，与所述脑部参考图像的相似性测度；
采用梯度下降法优化所述浮动图像的配准参数，并迭代计算所述相似性测度，直至计算的相似性测度满足预定的相似条件。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：
为所述脑部融合图像中不同时序的图像数据配置不同的颜色特征值或透明度值。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
识别图像融合前的各脑部医学图像的目标区域，并对目标区域进行标记。
8.根据权利要求7所述的方法，其特征在于，识别图像融合前的各脑部医学图像的目标区域，包括：
采用模糊-C均值聚类方式识别所述目标区域；其中，聚类阈值满足以下条件：
大于或等于300，且小于或等于600。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括以下步骤：
计算各脑部医学图像的目标区域的以下至少一项参数：
中心坐标；最大包围盒范围；最大包围盒与头骨组织在三个坐标方向的最小距离；最大直径；最小直径；平均直径；周长；面积；体积。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括以下步骤：
相对第一个时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。
11.一种图像处理装置，其特征在于，包括：
图像获取模块，用于获取多个时序的脑部医学图像；
图像配准模块，用于对各时序的脑部医学图像进行配准；
图像融合模块，用于对配准后的各脑部医学图像进行图像融合，得到脑部融合图像。
12.根据权利要求11所述的装置，其特征在于，所述图像配准模块包括：
像素识别模块，用于识别每个时序的脑部医学图像的待变换像素点；
图像变换模块，用于通过配准识别的待变换像素点与脑部参考图像的基准像素点，将每个时序的脑部医学图像，几何变换至与脑部参考图像匹配的图像空间。
13.根据权利要求12所述的装置，其特征在于，所述待变换像素点包括脑部医学图像中颅骨组织对应的像素点，或脑部医学图像中像素点的采样结果。
14.根据权利要求12所述的装置，其特征在于，所述装置还包括颅骨剔除模块，用于从获取的各脑部医学图像或几何变换后的脑部医学图像中，剔除颅骨组织。
15.根据权利要求12所述的装置，其特征在于，所述图像变换模块被配置为：
分别对所述脑部参考图像和浮动图像进行去噪处理；其中，所述浮动图像为任一时序的脑部医学图像；
获取所述浮动图像的待变换像素点相对于所述脑部参考图像的基准像素点的配准参数；
获取所述浮动图像参照所述配准参数进行几何变换后，与所述脑部参考图像的相似性测度；
采用梯度下降法优化所述浮动图像的配准参数，并迭代计算所述相似性测度，直至计算的相似性测度满足预定的相似条件。
16.根据权利要求11所述的装置，其特征在于，所述装置还包括时序标记模块，用于为所述脑部融合图像中不同时序的图像数据配置不同的颜色特征值或透明度值。
17.根据权利要求11至16中任一项所述的装置，其特征在于，所述装置还包括目标区域标记模块，用于识别图像融合前的各脑部医学图像的目标区域，并对目标区域进行标记。
18.根据权利要求17所述的装置，其特征在于，所述目标区域标记模块被配置为：
采用模糊-C均值聚类方式识别所述目标区域；其中，聚类阈值满足以下条件：
大于或等于300，且小于或等于600。
19.根据权利要求18所述的装置，其特征在于，所述装置还包括参数计算模块，用于计算各脑部医学图像的目标区域的以下至少一项参数：
中心坐标；最大包围盒范围；最大包围盒与头骨组织在三个坐标方向的最小距离；最大直径；最小直径；平均直径；周长；面积；体积。
20.根据权利要求19所述的装置，其特征在于，所述装置还包括参数对比模块，用于相对第一个时序的脑部医学图像，确定每个时序的脑部医学图像的目标区域的参数变化情况。
21.一种计算机设备，其特征在于，包括：
处理器；
存储处理器可执行指令的存储器；
其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如权利要求1-10中任一项所述方法中的操作。
22.一个或多个机器可读存储介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得处理器执行如权利要求1-10中任一项所述方法中的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811150984.6A CN109461140A (zh) | 2018-09-29 | 2018-09-29 | 图像处理方法及装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811150984.6A CN109461140A (zh) | 2018-09-29 | 2018-09-29 | 图像处理方法及装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109461140A true CN109461140A (zh) | 2019-03-12 |
Family
ID=65607237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811150984.6A Pending CN109461140A (zh) | 2018-09-29 | 2018-09-29 | 图像处理方法及装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109461140A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113140035A (zh) * | 2021-04-27 | 2021-07-20 | 青岛百洋智能科技股份有限公司 | 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置 |
| CN113436236A (zh) * | 2020-06-27 | 2021-09-24 | 上海联影医疗科技股份有限公司 | 一种图像处理方法和系统 |
| CN113610750A (zh) * | 2021-06-03 | 2021-11-05 | 腾讯医疗健康(深圳)有限公司 | 对象识别方法、装置、计算机设备及存储介质 |
| CN113808181A (zh) * | 2020-10-30 | 2021-12-17 | 上海联影智能医疗科技有限公司 | 医学图像的处理方法、电子设备和存储介质 |
| CN116703994A (zh) * | 2023-07-31 | 2023-09-05 | 柏意慧心(杭州)网络科技有限公司 | 医学图像配准的方法、计算设备和计算机可读存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050078881A1 (en) * | 2003-09-22 | 2005-04-14 | Chenyang Xu | Method and system for hybrid rigid registration based on joint correspondences between scale-invariant salient region features |
| CN1794301A (zh) * | 2005-10-27 | 2006-06-28 | 上海交通大学 | 手术导航中基于基准面膜的多模式医学图像配准方法 |
| CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
| CN101493936A (zh) * | 2008-05-30 | 2009-07-29 | 内蒙古科技大学 | 一种基于图像边缘的多分辨非刚性头部医学图像配准方法 |
| CN102169578A (zh) * | 2011-03-16 | 2011-08-31 | 内蒙古科技大学 | 一种基于有限元模型的非刚性医学图像配准方法 |
| CN103065315A (zh) * | 2012-12-28 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 一种多图谱融合方法、系统及医疗设备 |
| CN103236048A (zh) * | 2013-04-18 | 2013-08-07 | 上海交通大学 | 一种基于互信息和交互的医学图像拼接方法 |
| CN103886586A (zh) * | 2014-02-18 | 2014-06-25 | 南京邮电大学 | 一种基于互信息和梯度信息结合的医学图像配准方法 |
| CN104021559A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于互信息和Harris角点检测的图像配准方法 |
| CN104091337A (zh) * | 2014-07-11 | 2014-10-08 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
| CN105389811A (zh) * | 2015-10-30 | 2016-03-09 | 吉林大学 | 一种基于多级阈值分割的多模态医学图像处理方法 |
| CN106846330A (zh) * | 2016-12-22 | 2017-06-13 | 浙江大学宁波理工学院 | 人体肝脏特征建模及血管模型空间归一方法 |
| CN107194912A (zh) * | 2017-04-20 | 2017-09-22 | 中北大学 | 基于稀疏表示的改进耦合字典学习的脑部ct/mr图像融合方法 |
| CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
-
2018
- 2018-09-29 CN CN201811150984.6A patent/CN109461140A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050078881A1 (en) * | 2003-09-22 | 2005-04-14 | Chenyang Xu | Method and system for hybrid rigid registration based on joint correspondences between scale-invariant salient region features |
| CN1794301A (zh) * | 2005-10-27 | 2006-06-28 | 上海交通大学 | 手术导航中基于基准面膜的多模式医学图像配准方法 |
| CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
| CN101493936A (zh) * | 2008-05-30 | 2009-07-29 | 内蒙古科技大学 | 一种基于图像边缘的多分辨非刚性头部医学图像配准方法 |
| CN102169578A (zh) * | 2011-03-16 | 2011-08-31 | 内蒙古科技大学 | 一种基于有限元模型的非刚性医学图像配准方法 |
| CN103065315A (zh) * | 2012-12-28 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 一种多图谱融合方法、系统及医疗设备 |
| CN103236048A (zh) * | 2013-04-18 | 2013-08-07 | 上海交通大学 | 一种基于互信息和交互的医学图像拼接方法 |
| CN103886586A (zh) * | 2014-02-18 | 2014-06-25 | 南京邮电大学 | 一种基于互信息和梯度信息结合的医学图像配准方法 |
| CN104021559A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于互信息和Harris角点检测的图像配准方法 |
| CN104091337A (zh) * | 2014-07-11 | 2014-10-08 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
| CN105389811A (zh) * | 2015-10-30 | 2016-03-09 | 吉林大学 | 一种基于多级阈值分割的多模态医学图像处理方法 |
| CN106846330A (zh) * | 2016-12-22 | 2017-06-13 | 浙江大学宁波理工学院 | 人体肝脏特征建模及血管模型空间归一方法 |
| CN107194912A (zh) * | 2017-04-20 | 2017-09-22 | 中北大学 | 基于稀疏表示的改进耦合字典学习的脑部ct/mr图像融合方法 |
| CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436236A (zh) * | 2020-06-27 | 2021-09-24 | 上海联影医疗科技股份有限公司 | 一种图像处理方法和系统 |
| US11861856B2 (en) | 2020-06-27 | 2024-01-02 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
| CN113808181A (zh) * | 2020-10-30 | 2021-12-17 | 上海联影智能医疗科技有限公司 | 医学图像的处理方法、电子设备和存储介质 |
| CN113140035A (zh) * | 2021-04-27 | 2021-07-20 | 青岛百洋智能科技股份有限公司 | 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置 |
| CN113140035B (zh) * | 2021-04-27 | 2022-05-27 | 青岛百洋智能科技股份有限公司 | 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置 |
| CN113610750A (zh) * | 2021-06-03 | 2021-11-05 | 腾讯医疗健康(深圳)有限公司 | 对象识别方法、装置、计算机设备及存储介质 |
| CN113610750B (zh) * | 2021-06-03 | 2024-02-06 | 腾讯医疗健康(深圳)有限公司 | 对象识别方法、装置、计算机设备及存储介质 |
| CN116703994A (zh) * | 2023-07-31 | 2023-09-05 | 柏意慧心(杭州)网络科技有限公司 | 医学图像配准的方法、计算设备和计算机可读存储介质 |
| CN116703994B (zh) * | 2023-07-31 | 2023-10-24 | 柏意慧心(杭州)网络科技有限公司 | 医学图像配准的方法、计算设备和计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109461140A (zh) | 图像处理方法及装置、设备和存储介质 | |
| CN111724904B (zh) | 用于针对医学扫描的患者建模的多任务渐进式网络 | |
| JP6993334B2 (ja) | 自動化された心臓ボリュームセグメンテーション | |
| EP1851722B8 (en) | Image processing device and method | |
| US10362941B2 (en) | Method and apparatus for performing registration of medical images | |
| EP3355273B1 (en) | Coarse orientation detection in image data | |
| US10796464B2 (en) | Selective image reconstruction | |
| US20180089840A1 (en) | Automatic Medical Image Retrieval | |
| US10803354B2 (en) | Cross-modality image synthesis | |
| US11464491B2 (en) | Shape-based generative adversarial network for segmentation in medical imaging | |
| CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| TR201814942T4 (tr) | Mikroskopide bir görüntü işlemden geçirme yöntemi. | |
| CN112435341B (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
| CN111739614A (zh) | 医学图像增强 | |
| CN116883281A (zh) | 一种用于图像引导放疗的影像呈像画质增强系统和方法 | |
| US20080285831A1 (en) | Automatically updating a geometric model | |
| CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
| CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
| AU2020223750B2 (en) | Method and System for Image Annotation | |
| Cocosco et al. | Automatic cardiac region-of-interest computation in cine 3D structural MRI | |
| AU2019431324B2 (en) | VRDS 4D medical image multi-device Ai interconnected display method and product | |
| EP2332124B1 (en) | Patient specific anatomical sketches for medical reports | |
| CN112515705B (zh) | 用于投影轮廓启用的计算机辅助检测的方法和系统 | |
| EP2223286A1 (en) | Rendering using multiple intensity redistribution functions | |
| Noble et al. | Myocardial delineation via registration in a polar coordinate system1 |
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: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: SHENYANG NEUSOFT MEDICAL SYSTEMS Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |