CN109472786B - 脑出血图像处理方法、装置、计算机设备及存储介质 - Google Patents
脑出血图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109472786B CN109472786B CN201811308070.8A CN201811308070A CN109472786B CN 109472786 B CN109472786 B CN 109472786B CN 201811308070 A CN201811308070 A CN 201811308070A CN 109472786 B CN109472786 B CN 109472786B
- Authority
- CN
- China
- Prior art keywords
- image
- skull
- coordinate system
- contour
- cartesian coordinate
- 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
- 206010008111 Cerebral haemorrhage Diseases 0.000 title claims abstract description 90
- 238000003672 processing method Methods 0.000 title abstract description 15
- 210000003625 skull Anatomy 0.000 claims abstract description 246
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 128
- 230000000740 bleeding effect Effects 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 210000000988 bone and bone Anatomy 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 210000003128 head Anatomy 0.000 description 4
- 210000001331 nose Anatomy 0.000 description 4
- 206010015769 Extradural haematoma Diseases 0.000 description 3
- 206010018852 Haematoma Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000002667 Subdural Hematoma Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003928 nasal cavity Anatomy 0.000 description 2
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 1
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 1
- 241001272720 Medialuna californiensis Species 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 206010042345 Subcutaneous haematoma Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000005499 meniscus Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种脑出血图像处理方法、装置、计算机设备及存储介质。所述方法包括：获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓；构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开；通过所述新图像来检测出血位置和出血类型。本申请实施例对脑出血的图像进行处理，以提供一个全新的角度对脑出血进行检测，便于对脑出血的出血位置和出血类型的确定，提高了脑出血检测的准确率。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种脑出血图像处理方法、装置、计算机设备及存储介质。
背景技术
目前市面上的CT脑出血检测软件：MaxQ-AI公司的AccipioTM，和BioMindTM天智医。其实现的功能是，基于CT平片扫描图像，通过人工智能算法，检测颅内出血的位置和出血量。从公开资料来看，检测是在笛卡尔坐标下进行的。然而有一些脑出血仅通过笛卡尔坐标系检测不能很好凸显出血的位置特征，增加了对脑出血的出血位置判断和出血分类分型的难度。图1是基于笛卡尔坐标系下的一些典型的CT平片扫描图像，其中，大脑外围被颅骨包围，每幅图像中白色长方形框所框出来的位置是脑出血的位置，每幅图像下方文字标记的是脑出血的出血类型。如图1中右侧上面第一排所示的三种出血类型(头皮下血肿、硬膜下血肿、硬膜外血肿)，血液容易沿颅骨走形，出血的形状就容易是非凸的，比如弯月形，非凸形状的出血以目前的检测方式，增加了脑出血检测的难度，不容易取得好的效果。
发明内容
本申请实施例提供一种脑出血图像处理方法、装置、计算机设备及存储介质，可提高检测脑出血的出血位置和出血类型的准确率。
第一方面，本申请实施例提供了一种脑出血图像处理方法，该方法包括：
获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨；构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开；通过所述新图像来检测出血位置和出血类型。
第二方面，本发明实施例提供了一种脑出血图像处理装置，该脑出血图像处理装置包括用于执行上述第一方面所述的方法对应的单元。
第三方面，本发明实施例提供了一种计算机设备，所述计算机设备包括存储器，以及与所述存储器相连的处理器；
所述存储器用于存储计算机程序，所述处理器用于运行所述存储器中存储的计算机程序，以执行上述第一方面所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述第一方面所述的方法。
本申请实施例通过构建以颅骨轮廓为基础的非笛卡尔坐标系，将笛卡尔坐标系下的CT平片扫描图像转换为非笛卡尔坐标系下的新图像，并通过新图像来检测脑出血的出血位置和出血类型，其中，新图像在非笛卡尔坐标下沿所述颅骨轮廓展开。本申请实施例对脑出血的图像进行处理，以提供一个全新的角度对脑出血进行检测，便于对脑出血的出血位置和出血类型的确定，提高了脑出血检测的准确率。
附图说明
图1是笛卡尔坐标系下的脑出血检测的部分CT平片扫描图像的示例图；
图2是本申请实施例提供的脑出血图像处理方法的流程示意图；
图3是本申请实施例提供的脑出血图像处理方法的子流程示意图；
图4是本申请实施例提供的提取出的颅骨轮廓的示例图；
图5是本申请实施例提供的原图像和转换后的新图像的示例图；
图6是本申请实施例提供的新图像以及进行边缘对齐后的图像的示例图；
图7是本申请实施例提供的脑出血图像处理方法的另一子流程示意图；
图8是本申请另一实施例提供的脑出血图像处理方法的流程示意图；
图9是本申请实施例提供的脑出血图像处理装置的示意性框图；
图10是本申请实施例提供的转换单元的示意性框图；
图11是本申请实施例提供的转换单元的另一示意性框图；
图12是本申请另一实施例提供的脑出血图像处理装置的示意性框图；
图13是本申请实施例提供的计算机设备的示意性框图。
具体实施方式
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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图2是本申请实施例提供的脑出血图像处理方法的流程示意图。如图2所示，该方法包括S201-S203。
S201，获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓。
如图1中所示的是基于笛卡尔坐标系下的脑出血的部分CT平片扫描图像。在图1所示的CT平片扫描图像中，显示了部分脑出血的图像，如脑实质出血，头皮下血肿，硬膜下血肿，硬膜外血肿，蛛网膜下腔少量出血、蛛网膜下腔出血等。其中，每幅图像中大脑外围的白色轮廓区域即为颅骨轮廓，白色长方形框所框出来的位置是脑出血的位置，每幅图像下方文字标记的是脑出血的出血类型。获取在笛卡尔坐标系下的脑出血的CT平片扫描图像，将笛卡尔坐标系下的脑出血的CT平片扫描图像作为原图像。
S202，构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开。
其中，非笛卡尔坐标系可以是极坐标系，椭圆坐标系等，在此不作具体限定。非笛卡尔坐标系是基于颅骨轮廓的新坐标系。颅骨是头部CT平片扫描图像中最稳定和显著的人体结构，便于检测和定位。与此同时，头部动脉系统可以颅骨为界分为颈内颈外两套系统。因此，以颅骨轮廓为基础构建新的坐标系，有利于简化对脑出血时出血位置的判断和出血的分类分型。脑出血的出血部分血液容易沿颅骨走形，基于颅骨的坐标系也能更好地凸显此类位置特征。其中，新图像在非笛卡尔坐标系下沿颅骨轮廓展开，可理解为新图像中的颅骨轮廓在非笛卡尔坐标系下是展开的，如展开为一条直线(该种情况下可以以如下的方式进行展开：以颅骨轮廓的圆心为极点，以极点到某一点的像素为极轴，以极点到颅骨轮廓外边缘的最长距离为r，计算每个像素点与极轴间的夹角θ(将夹角θ作为极角)，以及每个像素点到极点间的距离；最后显示新图像时可以在xy平面上显示，其中，以极角为x轴，以每个像素点到圆心间的距离为y轴。由于圆心到颅骨轮廓像素点间的距离都接近r，那么最后展开的颅骨轮廓接近于一条直线)等，原图像中的所有像素都根据相同的方式进行展开。
S203，通过所述新图像来检测出血位置和出血类型。
通过新图像来对出血位置和出血类型进行识别和判断，以检测出血位置和出血类型。
该实施例中，以颅骨轮廓为基础构建极坐标系，将笛卡尔坐标系下的脑出血的CT平片扫描图像转换为非笛卡尔坐标下的新图像，新图像在非笛卡尔坐标下沿颅骨轮廓展开。如此，相对于笛卡尔坐标系下的CT平片扫描图像，非笛卡尔坐标下的新图像可以更能凸显出沿着颅骨出血的出血形状。该实施例对脑出血的图像进行处理，以提供一个全新的角度对脑出血进行检测，便于对脑出血的出血位置和出血类型的确定，提高了脑出血检测的准确率。同时也达到了意想不到的效果。
在一实施例中，如图3所示，步骤S202包括S301-S304。
S301，提取所述原图像中的颅骨轮廓。
具体地，提取脑出血的CT平片扫描图像(原图像)中的颅骨轮廓的方法有很多种。如检测原图像中的像素值，将像素值超过预设像素值的像素提取出来，即提取出偏白色的像素部分；对提取出来的偏白色的像素部分进行最大连通域提取，以去除不属于颅骨部分的孤立杂点和噪音。还可以使用其他的方式来提取图像中的颅骨轮廓。
图4是本申请实施例提供的提取出的颅骨轮廓的示例图。图4中展示了10个不同的CT平片扫描图像所提取出来的颅骨轮廓，其中，白色连通域的部分即为提取出来的颅骨轮廓。
S302，确定颅骨轮廓的中心以及所述中心到颅骨轮廓外边缘的最长距离r。
其中，颅骨轮廓的中心可以是颅骨轮廓的质心、颅骨轮廓内接圆的圆心、颅骨轮廓内接椭圆的圆心、颅骨轮廓外接圆的圆心、颅骨轮廓外接椭圆的圆心等。对应的，中心到颅骨轮廓外边缘的最长距离分别为质心到颅骨轮廓外边缘的最长距离、内接圆的圆心到颅骨轮廓外边缘的最长距离、内接椭圆的圆心到颅骨轮廓外边缘的最长距离、外接圆的圆心到颅骨轮廓外边缘的最长距离、外接椭圆的圆心到颅骨轮廓外边缘的最长距离等。将颅骨轮廓的中心到颅骨轮廓外边缘的最长距离记为r。
S303，构建以颅骨轮廓的中心为极点，以λ*r为长度单位的极坐标系，其中，λ＞1。
需要注意的是，极坐标系下的长度单位要大于r，因为在颅骨轮廓的外边缘外侧也有可能会出现出血的情况，如头皮下血肿。因此在极坐标系下要能保证可以显示包括颅骨轮廓的外边缘外侧出血后的出血图像部分，因此λ＞1。然而r最好也不要过大，如果过大会导致转换到极坐标系下的新图像显示过小，不利于查看。其中，1＜λ＜2。具体地，λ＝1.3或者λ＝1.5都可以。其中，构建的极坐标系可以以某个方向为极轴，如以笛卡尔坐标系下的CT平片扫描图像的正上方或者正下方为极轴，也可以以其他方向为极轴。优选地，可以以CT平片扫描图像中的人的鼻子所在的方向为极轴，如此可保证所有人在新图像中都是面朝上的。若以CT平片扫描图像中的人的鼻子所在的方向为极轴，那么需先定位CT平片扫描图像中人的鼻腔，将两个鼻腔正中的方向作为人的鼻子所在的方向；将人的鼻子所在的方向作为极轴。计算每个像素点与极轴间的夹角θ，每个像素点到极点间的距离，将夹角θ作为极角。
S304，将所述原图像转换到构建的极坐标系下，以得到新图像。
具体地，将笛卡尔坐标系下的脑出血的CT平片扫描图像转换为构建的极坐标系下的图像，以得到以不同极角以及极点到颅骨轮廓边缘的不同长度的新图像。需要注意的是，新图像中以不同极角作为x轴，以极点到像素点间的不同长度作为y轴，可以理解地，新图像仍然可以在xy平面上显示，只是x轴以极角作为变量，y轴以极点到像素点间的不同长度作为变量。需要注意的是，笛卡尔坐标系下的脑出血的CT平片扫描图像与极坐标系下的新图像所对应的像素点的像素值不变，只是像素点的位置发生变化。具体地将原图像转换为新图像的过程中使用到了插值算法，比如双线性插值、样条差值等。可以理解地，在极点附近(极径较小)的极角从0到360度的像素点少于颅骨轮廓边缘(极径较大)的极角从0到360度的像素点。若沿着颅骨轮廓边缘进行展开，如将颅骨轮廓边缘按照360个像素点进行展开，那么极点附近的一圈所对应的像素点绝对低于360个，因此需要使用插值算法进行插值，以插值到360个像素点。如此在xy平面上显示时极点到像素点间的距离较小时所对应的像素点与极点到像素点间的距离较大时所对应的像素点的数量是一致的，因为根据插值算法进行了插值。需要注意的是，360个像素点只是为了举例说明，真实情况仍然以实际的像素点个数为准。
图5是本申请实施例提供的原图像和转换后的新图像的示例图。在图5中，箭头左侧的图像为笛卡尔坐标系下的脑出血的CT平片扫描图像，即原图像，箭头右侧的图像为转换后的新图像。在原图像和新图像中，白色长方形框的位置即为出血位置。其中，左上角和右下角的新图像，与右上角和左下角的新图像中的极轴方向是不相同的。通过图5可以看到，原本出血形状不那么突出的，在新图像中都比较突出。如原本非凸的半月形出血，在新图像中基本是凸的，成为容易检测的目标。
步骤S301-S304所示的实施例通过以颅骨轮廓为基础构建极坐标系，将笛卡尔坐标系下的脑出血的CT平片扫描图像转换为极坐标系下的新图像，由于极坐标系下的图像更能凸显出某些脑出血情况(沿着颅骨出血的情况)的出血位置，因此有利于对某些脑出血情况的出血位置和出血分类分型的确定，提高了对某些脑出血情况检测的准确率。另一方面，由于在极坐标系下对图像旋转不敏感，因此减少CT拍摄角度和个体差异对检测结果的影响，简化了检测的难度。
在一实施例中，为了进一步更好的检测新图像中脑出血的出血位置和出血类型，进一步提高检测的准确率，所述方法还包括步骤S304a。
S304a，将所述新图像中的颅骨轮廓边缘进行对齐。
由于每个个体的颅骨形状有一些差异，比如有一些人的头的形状偏向圆形，那么提取到的颅骨形状也较圆；有一些人的头的形状偏向椭圆，那么提取到的颅骨形状偏向椭圆形。如此会导致不同人的CT平片扫描图像转换为新图像时，会存在一些差异。为了避免或者减少个体差异对检测结果的影响和进一步对检测结果的分析，将新图像中的颅骨轮廓边缘进行对齐操作。
具体地，颅骨轮廓边缘对齐，包括：获取新图像中颅骨轮廓边缘的像素点所在的平面坐标，将颅骨轮廓边缘的像素点所在的平面坐标按照对齐规则进行排列，将颅骨轮廓边缘像素点之外的像素点依次进行相应填充，以完成颅骨轮廓边缘的对齐。其中，颅骨轮廓边缘包括颅骨轮廓外边缘和颅骨轮廓内边缘。对应地，颅骨轮廓边缘对齐包括颅骨轮廓外边缘对齐和颅骨轮廓内边缘对齐。无论是颅骨轮廓外边缘对齐，还是颅骨轮廓内边缘对齐，所对应的对齐规则不变。其中，对齐规则包括水平对齐、竖直对齐、斜对齐等等。若对齐规则为水平对齐，将颅骨轮廓边缘的像素点的y坐标设置成一致，颅骨轮廓边缘之外的像素点则依次进行挪动和填充。其中，颅骨轮廓边缘之外的像素点则依次进行挪动和填充，可以理解为：假设水平对齐之前，两个相邻颅骨轮廓边缘的像素点的平面坐标分别为A(5,10)、B(6,11)，那么这两个像素点水平对齐后的平面坐标为A’(5,10)、B’(6,10)，那么对齐之前，颅骨轮廓边缘之外的如(6,10)、(6,12)、(6,13)等坐标所在位置处的像素点，依次填充到(6,9)、(6,11)、(6,12)等坐标所在的位置处。需要注意的是，对齐操作只是改变像素点的位置，并不改变原像素点所对应的像素值。
图6是本申请实施例提供的新图像以及进行边缘对齐后的图像的示例图。在图6中，上方的图像为转换到新坐标下的新图像，左下的图像为对新图像进行颅骨内边缘对齐后的图像，右下的图像为对新图像进行颅骨外边缘对齐后的图像。其中，左下的图像和右下的图像中对应的对齐规则是水平对齐。可以看出，左下的图像中颅骨内边缘的y坐标是相同的，右下的图像中颅骨外边缘的y坐标是相同的。
对齐后的图像消除了个体差异对检测结果的影响，更能凸显出出血位置和出血类型。如对齐了颅骨外边缘，则比较容易凸显颅骨外的皮下血肿等，对齐了颅骨内边缘，则比较容易凸显颅骨内侧的硬膜外血肿和硬膜下血肿等。对对齐后的图像进行检测可进一步提高检测的准确率。
在另一实施例中，如图7所示，步骤S202包括S701-S703。
S701，计算所述原图像中颅骨轮廓边缘像素点的梯度信息，将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向。
计算原图像中所有像素点的梯度信息，再获取原图像中颅骨轮廓边缘像素点的梯度信息。其中，利用梯度算子计算原图像中所有像素点的梯度(一阶或者二阶等)信息，如可使用harris角点检测算子、或者hission矩阵、或者结构张量矩阵等。harris角点检测算子、或者hission矩阵、或者结构张量矩阵等，将梯度信息投影到两个相互垂直的方向上，其中，梯度投影值最大的为法线方向，小的为切线方向。将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向。
具体地，计算所述原图像中颅骨轮廓边缘像素点的梯度信息，包括以下步骤：根据预设骨骼阈值得到所述原图像中的第一初始颅骨轮廓；利用梯度算子计算所述原图像中像素点的梯度信息，并在梯度投影值最大的方向上利用预设梯度阈值得到所述原图像中的第二初始颅骨轮廓；根据所述第一初始颅骨轮廓和所述第二初始颅骨轮廓定位所述原图像中的颅骨轮廓，并根据计算出的像素点的梯度信息获取颅骨轮廓边缘像素点的梯度信息。
其中，根据预设骨骼阈值得到所述原图像中的第一初始颅骨轮廓，包括：获取原图像中的像素点的像素值；根据预设骨骼阈值与原图像中像素点的像素值计算原图像中的第一初始颅骨轮廓。如设置预设骨骼阈值为180等，将像素值大于预设骨骼阈值的像素点保留，以得到像素值大于180的像素点，如此得到第一初始颅骨轮廓。梯度算子如harris角点检测算子、hission矩阵、结构张量矩阵等。利用梯度算子计算原图像中的梯度信息，将梯度信息投影到两个相互垂直的方向上，其中，梯度投影值最大的为法线方向，小的为切线方向。由于计算出了原图像中所有的像素点的梯度，而又需要找出颅骨轮廓边缘所对应的梯度等，因此在梯度投影值最大的方向上利用预设梯度阈值得到原图像中的第二初始颅骨轮廓。再根据第一初始颅骨轮廓和第二初始颅骨轮廓定位原图像中的颅骨轮廓，并根据计算出的像素点的梯度信息获取颅骨轮廓边缘像素点的梯度信息。其中，颅骨轮廓边缘包括颅骨轮廓内边缘或者颅骨轮廓外边缘。可理解地，通过CT平片图像像素点的预设骨骼阈值以及harris角点检测算子(或者hission矩阵、结构张量矩阵等)可以一起定位颅骨轮廓边缘位置以及计算出颅骨轮廓像素点的法线方向。对梯度投影值最大的方向上设置预设梯度阈值即可较为准确的定位原图像中大多数颅骨轮廓线，结合预设骨骼阈值过滤非骨性组织，最终可提取出颅骨轮廓边缘。
为防止计算出的法线方向有抖动，如相邻两个像素点的法线方向变化太大，譬如上一个像素点的法线方向向左，而下一个像素点的法线方向向右，同时也为了防止提取的颅骨轮廓边缘不连续，可沿颅骨轮廓边缘的切线方向进行平滑。由于切线方向和法线方向垂直，如此，可使得计算出来的颅骨轮廓边缘法线方向也较为准确。若颅骨轮廓边缘为颅骨轮廓内边缘，那么法线方向为指向颅骨中心且垂直于颅骨轮廓内边缘像素点的方向；若颅骨轮廓边缘为颅骨轮廓外边缘，那么法线方向为远离颅骨中心且垂直于颅骨轮廓外边缘像素点的方向。
S702，根据颅骨轮廓边缘像素点梯度的法线方向，确定非笛卡尔坐标系的中心点，以及确定颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向。
法线方向(对应颅骨轮廓内边缘)或者法线方向反向延长线(对应颅骨轮廓外边缘)会相交，将法线方向或者法线方向反向延长线相交的交点作为非笛卡尔坐标系下的中心点。将颅骨轮廓边缘像素点梯度的法线方向确定为颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向。
S703，根据非笛卡尔坐标系的中心点，颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向，以及骨轮廓边缘像素点与所述中心点的距离，将所述原图像转换为非笛卡尔坐标系下的新图像。
若该非笛卡尔坐标系为极坐标系，选取其中的一条射线方向作为极轴，将非笛卡尔坐标系的中心点作为极点，将极轴与颅骨轮廓边缘像素点射线方向的夹角作为极角，将中心点到颅骨轮廓边缘像素点的距离作为极经，如此将原图像转换为非笛卡尔坐标系下的新图像。具体地，在转换的过程中用到了插值算法。具体地原理和方法请参看上文中描述的部分。
由于该非笛卡尔坐标的建立是基于颅骨轮廓边缘像素点的，因此转换后的新图像无需进一步进行对齐，因为已经是对齐的状态。
图7所示的实施例以颅骨轮廓为基础构建新的非笛卡尔坐标系，将笛卡尔坐标系下的脑出血的CT平片扫描图像转换为非笛卡尔坐标下的新图像，如极坐标系下的新图像，并借助颅骨轮廓边缘将图像内容对齐，有助于对沿着颅骨出血情况的出血位置和出血类型的检测。由于在极坐标系下对图像旋转不敏感，因此减少CT拍摄角度和个体差异对检测结果的影响，简化了检测的难度。
在其他实施例中，在进行脑出血检测时，也可以使用其他的图像处理算法对图像进行处理以得到非笛卡尔坐标系下的图像。
图8是本申请另一实施例提供的脑出血图像处理方法的流程示意图。如图8所示，该方法实施例包括以下步骤S801-S806。
S801，获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓。
S802，构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开对齐。
S803，通过所述新图像来检测出血位置和出血类型。
S804，将检测出的出血位置和出血类型在所述新图像中进行标记。
其中，出血位置的标记可以是按照以上图中的画框的方式，还可以把整个出血区域边缘轮廓精细勾画出来。
S805，将所述新图像以及对应出血位置和出血类型的标记，和CT平片扫描图像以及对应出血位置和出血类型的标记作为输入数据，输入到机器学习模型中进行训练，以得到训练好的机器学习模型。
需要指出的是，有些脑出血是沿着颅骨的，通过非笛卡尔坐标下的新图像可以更好的凸显出血位置和出血类型；而另一些脑出血在笛卡尔坐标系下的CT平片扫描图像中更容易识别。因此，可以把这两种情况下的图像以及对应出血位置和出血类型的标记，分别作为输入数据输入到特定的机器学习模型中进行训练。其中，输入数据包括大量的图像数据和标记数据，这些图像数据和标记数据可以是通过算法得到的，还可以是结合人工标记得到的。
其中，机器学习模型可以是深度学习模型，如卷积神经网络模型。由于两种坐标系下的图像之间是存在空间对应关系的，比如在图5箭头左边的图像(笛卡尔坐标系下)中的某个位置其实在图5对应箭头右边的图像(非笛卡尔坐标系下)的某位置上。或者也可以理解为，图5箭头右边的图像是根据箭头左边的图像生成的，因此，这两种坐标系下的对应图像之间是存在空间对应关系的。若机器学习模型是卷积神经网络模型，那么通过引入特定的坐标变换层可将其中一种坐标下的图像变换到另一种坐标下，从而在卷积神经网络模型内部对齐两种图像。可以理解地，若是只将两种坐标系下的图像输入到卷积神经网络，那么这两种坐标系下的图像只是单独的图像，卷积神经网络并不能识别它们的对应关系，因此引入特定的坐标变换层。其中，特定的坐标变换层可使用双线性插值、样条插值等插值算法进行插值运算。由于上述插值运算是经过加权平均的，且是可导的，两种坐标系下每个位置的导数都可以通过链式求导获得。如此，无需把两种坐标系下的图像数据和标记数据分别输入到不同的卷积神经网络中进行训练，只需要同时将两种坐标系下的图像数据和标记数据一起输入到卷积神经网络中，使用一个代价函数来进行计算，如此训练以得到更能凸显脑出血的出血位置和出血类型的对应坐标系下的图像和标记信息。通过这种训练能有效提高模型训练的效率和检测性能。
在一些实施例中，也可以使用其他的深度学习模型对两种坐标系下的图像和标记信息进行训练。在一些实施例中，可以不使用深度学习模型，而使用其他的机械学习的模型对两种坐标系下的图像进行训练。
S806，当有新的CT平片扫描图像需要进行脑出血检测时，将新的CT平片扫描图像和对应的非笛卡尔坐标系下的新图像输入至训练好的机器学习模型中，以得到能凸显脑出血的出血位置和出血类型的对应坐标系下的图像和标记信息。
以上实施例把两种坐标系下的图像都用来检测脑出血，通过训练好的机器学习模型来输出能凸显脑出血的出血位置和出血类型的对应坐标系下的图像和标记信息，提高了定位脑出血的出血位置的准确性和确定出血类型的准确性。
图9是本申请实施例提供的脑出血图像处理装置的示意性框图。该装置包括用于执行上述脑出血图像处理方法所对应的单元。具体地，如图9所示，该装置90包括原图像获取单元901、转换单元902、检测单元903。
原图像获取单元901，用于获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓。
转换单元902，用于构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开对齐。
检测单元903，用于通过所述新图像来检测出血位置和出血类型。
在一实施例中，如图10所示，转换单元902包括轮廓提取单元101、中心长度确定单元102、坐标系确定单元103、第一转换单元104以及对齐单元105。其中，轮廓提取单元101，用于提取所述原图像中的颅骨轮廓。中心长度确定单元102，用于确定颅骨轮廓的中心以及所述中心到颅骨轮廓外边缘的最长距离r。坐标系确定单元103，用于构建以颅骨轮廓的中心为极点，以λ*r为半径的极坐标系，其中，λ＞1。第一转换单元104，用于将所述原图像转换到构建的极坐标系下，以得到新图像。对齐单元105，用于将所述新图像中的颅骨轮廓边缘进行对齐。对应地，检测单元903，还用于根据对齐后的新图像来检测出血位置和出血类型。
在一实施例中，如图11所示，转换单元902包括梯度计算单元111、中心射线确定单元112以及第二转换单元113。其中，梯度计算单元111，用于计算所述原图像中颅骨轮廓边缘像素点的梯度信息，将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向。中心射线确定单元112，用于根据颅骨轮廓边缘像素点梯度的法线方向，确定非笛卡尔坐标系的中心点，以及确定颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向。第二转换单元112，用于根据非笛卡尔坐标系的中心点，颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向，以及骨轮廓边缘像素点与所述中心点的距离，将所述原图像转换为非笛卡尔坐标系下的新图像。
在一实施例中，梯度计算单元111包括第一轮廓计算单元、第二轮廓计算单元以及轮廓梯度计算单元。其中，第一轮廓计算单元，用于根据预设像素阈值得到所述原图像中的第一初始颅骨轮廓。第二轮廓计算单元，用于利用梯度算子计算所述原图像中像素点的梯度信息，并在梯度投影值最大的方向上利用预设梯度阈值得到所述原图像中的第二初始颅骨轮廓。轮廓梯度计算单元，用于根据所述第一初始颅骨轮廓和所述第二初始颅骨轮廓定位所述原图像中的颅骨轮廓，并根据计算出的像素点的梯度信息获取颅骨轮廓边缘像素点的梯度信息，将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向。
图12是本申请实施例提供的脑出血图像处理装置的示意性框图。该装置包括用于执行上述脑出血图像处理方法所对应的单元。具体地，如图12所示，该装置120包括原图像获取单元121、转换单元122、检测单元123、标记单元124、训练单元125以及应用单元126。该实施例与图9实施例的区别在于：增加了标记单元124、训练单元125以及应用单元126。下面将描述该实施例与图9实施例的区别之处，其他单元请参看图9实施例中的描述，在此不再赘述。
标记单元124，用于将检测出的出血位置和出血类型在所述新图像中进行标记。
训练单元125，用于将所述新图像以及对应出血位置和出血类型的标记，和CT平片扫描图像以及对应出血位置和出血类型的标记作为输入数据，输入到深度学习模型中进行训练，以得到训练好的深度学习模型；
应用单元126，用于当有新的CT平片扫描图像需要进行脑出血检测时，将新的CT平片扫描图像和对应的非笛卡尔坐标系下的新图像输入至训练好的深度学习模型中，以得到能凸显脑出血的出血位置和出血类型的对应坐标系下的图像和标记信息。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述装置可以实现为一种计算机程序的形式，计算机程序可以在如图13所示的计算机设备上运行。
图13为本申请实施例提供的一种计算机设备的示意性框图。该设备为终端等设备，如集中控制器等。该设备130包括通过系统总线131连接的处理器132、存储器和网络接口133，其中，存储器可以包括非易失性存储介质134和内存储器135。
该非易失性存储介质134可存储操作系统1341和计算机程序1342。该非易失性存储介质中所存储的计算机程序1342被处理器132执行时，可实现上述服务器中所述的脑出血图像处理方法。该处理器132用于提供计算和控制能力，支撑整个设备130的运行。该内存储器135为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器132执行时，可使得处理器132执行上述服务器中所述的脑出血图像处理方法。该网络接口133用于进行网络通信。本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备130的限定，具体的设备130可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器132用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓；构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开；通过所述新图像来检测出血位置和出血类型。
在一实施例中，所述处理器132在执行所述构建以颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像的步骤时，具体实现如下步骤：
提取所述原图像中的颅骨轮廓；确定颅骨轮廓的中心以及所述中心到颅骨轮廓外边缘的最长距离r；构建以颅骨轮廓的中心为极点，以λ*r为长度单位的极坐标系，其中，λ＞1；将所述原图像转换到构建的极坐标系下，以得到新图像。
在一实施例中，所述处理器132还具体实现如下步骤：
将所述新图像中的颅骨轮廓边缘进行对齐；所述处理器在执行所述通过所述新图像来检测出血位置和出血类型的步骤时，具体实现如下步骤：根据对齐后的新图像来检测出血位置和出血类型。
在一实施例中，所述处理器132在执行所述构建以颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像的步骤时，具体实现如下步骤：
计算所述原图像中颅骨轮廓边缘像素点的梯度信息，将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向；根据颅骨轮廓边缘像素点梯度的法线方向，确定非笛卡尔坐标系的中心点，以及确定颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向；根据非笛卡尔坐标系的中心点，颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向，以及骨轮廓边缘像素点与所述中心点的距离，将所述原图像转换为非笛卡尔坐标系下的新图像。
在一实施例中，所述处理器132在执行所述计算所述原图像中颅骨轮廓边缘像素点的梯度信息的步骤时，具体实现如下步骤：
根据预设骨骼阈值得到所述原图像中的第一初始颅骨轮廓；利用梯度算子计算所述原图像中像素点的梯度信息，并在梯度投影值最大的方向上利用预设梯度阈值得到所述原图像中的第二初始颅骨轮廓；根据所述第一初始颅骨轮廓和所述第二初始颅骨轮廓定位所述原图像中的颅骨轮廓，并根据计算出的像素点的梯度信息获取颅骨轮廓边缘像素点的梯度信息。
在一实施例中，所述处理器132还具体实现如下步骤：
将检测出的出血位置和出血类型在所述新图像中进行标记。
在一实施例中，所述处理器132还具体实现如下步骤：
将所述新图像以及对应出血位置和出血类型的标记，和CT平片扫描图像以及对应出血位置和出血类型的标记作为输入数据，输入到机器学习模型中进行训练，以得到训练好的机器学习模型；当有新的CT平片扫描图像需要进行脑出血检测时，将新的CT平片扫描图像和对应的非笛卡尔坐标系下的新图像输入至训练好的机器学习模型中，以得到能凸显脑出血的出血位置和出血类型的对应坐标系下的图像和标记信息。
应当理解，在本申请实施例中，所称处理器132可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(应用程序lication Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质可以为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本申请还提供了一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，该计算机程序当被处理器执行时实现以下步骤：
获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓；构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开；通过所述新图像来检测出血位置和出血类型。
在一实施例中，所述处理器在执行所述构建以颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像的步骤时，具体实现如下步骤：
提取所述原图像中的颅骨轮廓；确定颅骨轮廓的中心以及所述中心到颅骨轮廓外边缘的最长距离r；构建以颅骨轮廓的中心为极点，以λ*r为长度单位的极坐标系，其中，λ＞1；将所述原图像转换到构建的极坐标系下，以得到新图像。
在一实施例中，所述处理器还具体实现如下步骤：
将所述新图像中的颅骨轮廓边缘进行对齐；所述处理器在执行所述通过所述新图像来检测出血位置和出血类型的步骤时，具体实现如下步骤：根据对齐后的新图像来检测出血位置和出血类型。
在一实施例中，所述处理器在执行所述构建以颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像的步骤时，具体实现如下步骤：
计算所述原图像中颅骨轮廓边缘像素点的梯度信息，将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向；根据颅骨轮廓边缘像素点梯度的法线方向，确定非笛卡尔坐标系的中心点，以及确定颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向；根据非笛卡尔坐标系的中心点，颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向，以及骨轮廓边缘像素点与所述中心点的距离，将所述原图像转换为非笛卡尔坐标系下的新图像。
在一实施例中，所述处理器在执行所述计算所述原图像中颅骨轮廓边缘像素点的梯度信息的步骤时，具体实现如下步骤：
根据预设骨骼阈值得到所述原图像中的第一初始颅骨轮廓；利用梯度算子计算所述原图像中像素点的梯度信息，并在梯度投影值最大的方向上利用预设梯度阈值得到所述原图像中的第二初始颅骨轮廓；根据所述第一初始颅骨轮廓和所述第二初始颅骨轮廓定位所述原图像中的颅骨轮廓，并根据计算出的像素点的梯度信息获取颅骨轮廓边缘像素点的梯度信息。
在一实施例中，所述处理器还具体实现如下步骤：
将检测出的出血位置和出血类型在所述新图像中进行标记。
在一实施例中，所述处理器还具体实现如下步骤：
将所述新图像以及对应出血位置和出血类型的标记，和CT平片扫描图像以及对应出血位置和出血类型的标记作为输入数据，输入到机器学习模型中进行训练，以得到训练好的机器学习模型；当有新的CT平片扫描图像需要进行脑出血检测时，将新的CT平片扫描图像和对应的非笛卡尔坐标系下的新图像输入至训练好的机器学习模型中，以得到能凸显脑出血的出血位置和出血类型的对应坐标系下的图像和标记信息。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，所述单元的划分，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。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，上述描述的装置、设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种脑出血图像处理方法，其特征在于，所述方法包括：
获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓；
构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开；
通过所述新图像来检测出血位置和出血类型；
其中，所述构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，包括：
计算所述原图像中颅骨轮廓边缘像素点的梯度信息，将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向；
根据颅骨轮廓边缘像素点梯度的法线方向，确定非笛卡尔坐标系的中心点，以及确定颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向；
根据非笛卡尔坐标系的中心点，颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向，以及骨轮廓边缘像素点与所述中心点的距离，将所述原图像转换为非笛卡尔坐标系下的新图像；
所述计算所述原图像中颅骨轮廓边缘像素点的梯度信息，包括：
根据预设骨骼阈值得到所述原图像中的第一初始颅骨轮廓；
利用梯度算子计算所述原图像中像素点的梯度信息，并在梯度投影值最大的方向上利用预设梯度阈值得到所述原图像中的第二初始颅骨轮廓；
根据所述第一初始颅骨轮廓和所述第二初始颅骨轮廓定位所述原图像中的颅骨轮廓，并根据计算出的像素点的梯度信息获取颅骨轮廓边缘像素点的梯度信息。
2.根据权利要求1所述的方法，其特征在于，所述构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，包括：
提取所述原图像中的颅骨轮廓；
确定颅骨轮廓的中心以及所述中心到颅骨轮廓外边缘的最长距离r；
构建以颅骨轮廓的中心为极点，以λ*r为长度单位的极坐标系，其中，λ＞1；
将所述原图像转换到构建的极坐标系下，以得到新图像。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将所述新图像中的颅骨轮廓边缘进行对齐；
所述通过所述新图像来检测出血位置和出血类型，包括：通过对齐后的新图像来检测出血位置和出血类型。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将检测出的出血位置和出血类型在所述新图像中进行标记。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述新图像以及对应出血位置和出血类型的标记，和CT平片扫描图像以及对应出血位置和出血类型的标记作为输入数据，输入到机器学习模型中进行训练，以得到训练好的机器学习模型；
当有新的CT平片扫描图像需要进行脑出血检测时，将新的CT平片扫描图像和对应的非笛卡尔坐标系下的新图像输入至训练好的机器学习模型中，以得到能凸显脑出血的出血位置和出血类型的对应坐标系下的图像和标记信息。
6.一种脑出血图像处理装置，其特征在于，所述脑出血图像处理装置包括：
原图像获取单元，用于获取笛卡尔坐标系下的脑出血的CT平片扫描图像，将所述CT平片扫描图像作为原图像，其中，所述原图像中包括颅骨轮廓；
转换单元，用于构建以所述颅骨轮廓为基础的非笛卡尔坐标系，将所述原图像转换为非笛卡尔坐标系下的新图像，其中，所述新图像在所述非笛卡尔坐标下沿所述颅骨轮廓展开；
检测单元，用于通过所述新图像来检测出血位置和出血类型；
其中，所述转换单元，包括：
梯度计算单元，用于计算所述原图像中颅骨轮廓边缘像素点的梯度信息，将梯度投影值最大的方向确定为颅骨轮廓边缘像素点梯度的法线方向；
中心射线确定单元，用于根据颅骨轮廓边缘像素点梯度的法线方向，确定非笛卡尔坐标系的中心点，以及确定颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向；
第二转换单元，用于根据非笛卡尔坐标系的中心点，颅骨轮廓边缘像素点在所对应的非笛卡尔坐标系下的射线方向，以及骨轮廓边缘像素点与所述中心点的距离，将所述原图像转换为非笛卡尔坐标系下的新图像；
所述梯度计算单元，包括：
第一轮廓计算单元，用于根据预设骨骼阈值得到所述原图像中的第一初始颅骨轮廓；
第二轮廓计算单元，用于利用梯度算子计算所述原图像中像素点的梯度信息，并在梯度投影值最大的方向上利用预设梯度阈值得到所述原图像中的第二初始颅骨轮廓；
轮廓梯度计算单元，用于根据所述第一初始颅骨轮廓和所述第二初始颅骨轮廓定位所述原图像中的颅骨轮廓，并根据计算出的像素点的梯度信息获取颅骨轮廓边缘像素点的梯度信息。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器，以及与所述存储器相连的处理器；
所述存储器用于存储计算机程序；所述处理器用于运行所述存储器中存储的计算机程序，以执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811308070.8A CN109472786B (zh) | 2018-11-05 | 2018-11-05 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
| PCT/CN2018/124776 WO2020093566A1 (zh) | 2018-11-05 | 2018-12-28 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811308070.8A CN109472786B (zh) | 2018-11-05 | 2018-11-05 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109472786A CN109472786A (zh) | 2019-03-15 |
| CN109472786B true CN109472786B (zh) | 2024-05-14 |
Family
ID=65666665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811308070.8A Active CN109472786B (zh) | 2018-11-05 | 2018-11-05 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109472786B (zh) |
| WO (1) | WO2020093566A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135512B (zh) * | 2019-05-21 | 2021-07-27 | 武汉轻工大学 | 图片的识别方法、设备、存储介质及装置 |
| CN110176066B (zh) * | 2019-05-28 | 2023-04-18 | 中山大学附属第三医院 | 颅骨缺损结构的重建方法、装置及电子设备 |
| CN111274296B (zh) * | 2020-01-17 | 2024-03-01 | 北京有竹居网络技术有限公司 | 图像数据获取的方法及装置、终端和存储介质 |
| CN111640114B (zh) * | 2020-06-16 | 2024-03-15 | 北京安德医智科技有限公司 | 图像处理方法及装置 |
| CN113570625A (zh) * | 2021-08-27 | 2021-10-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、图像分割模型及其训练方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105054999A (zh) * | 2015-08-18 | 2015-11-18 | 浙江工业大学 | 一种改进的颅内穿刺导向方法及装置 |
| CN106846347A (zh) * | 2017-02-15 | 2017-06-13 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的支架植入术前的分析系统及分析方法 |
| CN107993221A (zh) * | 2017-11-16 | 2018-05-04 | 济南大学 | 心血管光学相干断层oct图像易损斑块自动识别方法 |
| CN108171702A (zh) * | 2018-01-18 | 2018-06-15 | 平安科技（深圳）有限公司 | 易损斑块识别方法、应用服务器及计算机可读存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101238987A (zh) * | 2007-09-06 | 2008-08-13 | 深圳先进技术研究院 | 一种关于ct脑出血图像的处理方法 |
| CN100538745C (zh) * | 2008-01-04 | 2009-09-09 | 西北工业大学 | 颅骨三维模型构建方法 |
| US20100036233A1 (en) * | 2008-08-08 | 2010-02-11 | Michigan State University | Automatic Methods for Combining Human Facial Information with 3D Magnetic Resonance Brain Images |
| CN102890824B (zh) * | 2011-07-19 | 2015-07-29 | 株式会社东芝 | 运动对象轮廓跟踪方法和装置 |
| CN102592283B (zh) * | 2012-02-21 | 2014-04-02 | 华南理工大学 | 一种脑部肿瘤头皮定位图像处理方法 |
| US10043280B2 (en) * | 2015-10-19 | 2018-08-07 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image segmentation |
| CN107203997B (zh) * | 2016-03-16 | 2020-06-02 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
| CN106780715B (zh) * | 2016-11-08 | 2020-04-07 | 四川大学华西医院 | 一种骨盆ct三维坐标体系的建立方法 |
-
2018
- 2018-11-05 CN CN201811308070.8A patent/CN109472786B/zh active Active
- 2018-12-28 WO PCT/CN2018/124776 patent/WO2020093566A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105054999A (zh) * | 2015-08-18 | 2015-11-18 | 浙江工业大学 | 一种改进的颅内穿刺导向方法及装置 |
| CN106846347A (zh) * | 2017-02-15 | 2017-06-13 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的支架植入术前的分析系统及分析方法 |
| CN107993221A (zh) * | 2017-11-16 | 2018-05-04 | 济南大学 | 心血管光学相干断层oct图像易损斑块自动识别方法 |
| CN108171702A (zh) * | 2018-01-18 | 2018-06-15 | 平安科技（深圳）有限公司 | 易损斑块识别方法、应用服务器及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109472786A (zh) | 2019-03-15 |
| WO2020093566A1 (zh) | 2020-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472786B (zh) | 脑出血图像处理方法、装置、计算机设备及存储介质 | |
| JP6294529B1 (ja) | ひび割れ検出処理装置、およびひび割れ検出処理プログラム | |
| CN109242903A (zh) | 三维数据的生成方法、装置、设备及存储介质 | |
| US9454704B2 (en) | Apparatus and method for determining monitoring object region in image | |
| US9141873B2 (en) | Apparatus for measuring three-dimensional position, method thereof, and program | |
| CN103942824B (zh) | 一种三维点云直线特征提取方法 | |
| US9317924B2 (en) | Information processing apparatus, three-dimensional position calculation method, and program | |
| CN108229386A (zh) | 用于检测车道线的方法、装置和介质 | |
| CN104331873A (zh) | 一种从单幅图像检测道路的方法 | |
| CN105069453A (zh) | 一种图像校正方法及装置 | |
| CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
| BRPI0714106A2 (pt) | método para avaliar uma imagem para uma linha dominante, e método para determinar o movimento de uma imagem em uma apresentação | |
| CN111105452B (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
| CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
| CN113033497B (zh) | 车道线识别方法、装置、设备及计算机可读存储介质 | |
| CN108573251A (zh) | 文字区域定位方法和装置 | |
| CN110490839A (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
| CN108256454A (zh) | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 | |
| US20220219700A1 (en) | Apparatus, method, and computer program for generating map | |
| EP3291179B1 (en) | Image processing device, image processing method, and image processing program | |
| CN107578001B (zh) | 测试指纹采集设备的分辨率的方法及装置 | |
| CN112434582A (zh) | 一种车道线颜色识别方法、系统、电子设备及存储介质 | |
| US20210012485A1 (en) | Method for detecting tumor by image analysis, device using method, and non-transitory storage medium | |
| US20110123096A1 (en) | Three-dimensional image analysis system, process device, and method thereof | |
| JP5365408B2 (ja) | 移動体認識装置、移動体認識方法及びプログラム |
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 |