CN109671066A - 一种基于头颅ct影像的脑梗死判断的方法及系统 - Google Patents
一种基于头颅ct影像的脑梗死判断的方法及系统 Download PDFInfo
- Publication number
- CN109671066A CN109671066A CN201811530777.3A CN201811530777A CN109671066A CN 109671066 A CN109671066 A CN 109671066A CN 201811530777 A CN201811530777 A CN 201811530777A CN 109671066 A CN109671066 A CN 109671066A
- Authority
- CN
- China
- Prior art keywords
- head
- images
- symmetry axis
- mask image
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 206010008118 cerebral infarction Diseases 0.000 title claims abstract description 76
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 76
- 206010061216 Infarction Diseases 0.000 claims description 53
- 230000007574 infarction Effects 0.000 claims description 53
- 210000001519 tissue Anatomy 0.000 claims description 43
- 238000007917 intracranial administration Methods 0.000 claims description 36
- 238000011946 reduction process Methods 0.000 claims description 20
- 210000003625 skull Anatomy 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 210000003128 head Anatomy 0.000 abstract description 152
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract description 5
- 230000002490 cerebral effect Effects 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000002059 diagnostic imaging Methods 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 210000005013 brain tissue Anatomy 0.000 description 5
- 230000004087 circulation Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 208000006011 Stroke Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012276 Endovascular treatment Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 description 1
- 108091006623 SLC12A3 Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
Abstract
本说明书实施例公开了一种基于头颅CT影像的脑梗死判断的方法及系统，属于医学影像领域。本说明书实施例通过基于头颅CT影像的脑梗死判断的方法，解决了靠肉眼来进行脑梗死的判断，主观性差异较大、可操作性差的问题。该判断方法包括：从待处理的头颅CT影像中，提取头颅对称轴；根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域。本说明书实施例提供的判断方法和系统，能够排除或减少人为因素以及影像设备成像差异带来的诊断差异，缩减人为观察、思考及进行脑梗死判断所需的时间，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。
Description
技术领域
本说明书涉及医学影像和计算机技术领域，尤其涉及一种基于头颅CT影像的脑梗死判断的方法及系统。
背景技术
核心梗死即发生不可逆性损伤的脑组织，指的是与正常脑组织相比，脑血流量下降超过30％的区域，在平扫计算机断层扫描(non-contrast CT,NCCT)上显示为低密度区。梗死核心的大小与患者的临床预后密切相关。梗死核心越小，患者预后良好的可能性越大。同时，评估梗死核心也可预测血管内治疗出现并发症的风险，因此，准确评价梗死核心有助于筛选出适合血管内治疗的卒中患者。其中，ASPECTS(Alberta Stroke Program Early CTScore)评分及梗死核心体积作为评估核心梗死的重要影像学指标，该指标可用于前循环，亦可用于后循环。
目前在临床应用中，为获得ASPECTS评分和/或梗死核心体积，均需要进行脑梗死的判断，主要是依赖肉眼进行脑梗死的判断。由于不同影像设备、不同技术人员、不同病人状况等因素的存在，不能保证头颅CT影像数据的一致性，用肉眼进行脑梗死的判断，主观性带来的差异较大。同时，在进行脑梗死的判断时，容易误判，因此，这种“肉眼判断法”可操作性不强。另一方面，脑卒中病情发展极快，人脑供血障碍4-5分钟以上即可出现永久不可逆性梗死，致残致死率极高，如不能快速准确对脑梗死进行判断，会导致延误病情。
因此，目前需要一种脑梗死判断的方法，能够排除或减少人为因素如技术水平、操作方法、图像质量、人眼分辨能力、疲劳程度、认知经验不同等，以及影像设备成像差异带来的诊断差异，缩减人为观察、思考及进行脑梗死判断所需的时间，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。
发明内容
本说明书实施例提供一种基于头颅CT影像的脑梗死判断的方法及系统，用于解决以下技术问题：
本说明书实施例提供一种基于头颅CT影像的脑梗死判断的方法，包括以下步骤：
从待处理的头颅CT影像中，提取头颅对称轴；
根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域。
优选地，根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，进一步包括：
去除所述头颅CT影像的脑梗死区域中的误判区域，获得所述头颅CT影像的最终的脑梗死区域。
优选地，从待处理的头颅CT影像中，提取头颅对称轴，具体包括：
从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像；
获取所述颅内组织遮罩图像的质心及主轴方向，以质心及主轴方向的直线作为头颅的初始对称轴；
调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴。
优选地，从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像，具体包括：
从待处理的头颅CT影像中，根据预设的第一阈值，提取第一遮罩图像，其中，所述第一遮罩图像为颅骨遮罩图像；
基于所述第一遮罩图像，根据预设的第二阈值，提取第二遮罩图像，其中，所述第二遮罩图像为去除颅骨后的组织遮罩图像；
基于所述第二遮罩图像，通过提取最大连通域，获取第三遮罩图像，其中所述第三遮罩图像为带有颅内小孔洞的颅内组织遮罩图像；
选取所述第三遮罩图像的四个边缘点为种子点，进行区域生长，获取完整的颅内组织遮罩图像。
优选地，调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴，具体包括：
以头颅的初始对称轴为基准，调整所述头颅的初始对称轴绕所述质心的角度，作为新的头颅的初始对称轴；
计算新的头颅的初始对称轴两侧图像的像素点灰度均值的均方差；
根据所述均方差，通过梯度下降法优化所述头颅的初始对称轴绕所述质心的角度，获取头颅对称轴。
优选地，根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，具体包括：
对所述头颅对称轴所在的头颅CT影像进行降噪处理；
以每个像素点邻域的灰度均值作为每个像素点的灰度均值，计算经过降噪处理的头颅CT影像中每个像素点的灰度均值；
基于所述每个像素点的灰度均值，对比所述头颅对称轴两侧相应像素点的灰度均值，计算所述对称轴两侧相应的像素点的灰度的均值差异；
根据所述灰度差异，以预设的第三阈值为判断标准，确定所述经过降噪处理的头颅CT影像中的像素点，得到所述头颅CT影像的脑梗死区域。
本说明书实施例提供的一种基于头颅CT影像的脑梗死判断的系统，包括：
输入模块，输入待处理的头颅CT影像；
脑梗死识别模块，对所述待处理的头颅CT影像进行梗死判断；
输出模块，将梗死判断的结果进行输出。
优选地，对所述待处理的头颅CT影像进行梗死判断，具体包括：
从待处理的头颅CT影像中，提取头颅对称轴；
根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域。
优选地，根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，进一步包括：
去除所述头颅CT影像的脑梗死区域中的误判区域，获得所述头颅CT影像的最终的脑梗死区域。
优选地，从待处理的头颅CT影像中，提取头颅对称轴，具体包括：
从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像；
获取所述颅内组织遮罩图像的质心及主轴方向，以质心及主轴方向的直线作为头颅的初始对称轴；
调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴。
优选地，从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像，具体包括：
从待处理的头颅CT影像中，根据预设的第一阈值，提取第一遮罩图像，其中，所述第一遮罩图像为颅骨遮罩图像；
基于所述第一遮罩图像，根据预设的第二阈值，提取第二遮罩图像，其中，所述第二遮罩图像为去除颅骨后的组织遮罩图像；
基于所述第二遮罩图像，通过提取最大连通域，获取第三遮罩图像，其中所述第三遮罩图像为带有颅内小孔洞的颅内组织遮罩图像；
选取所述第三遮罩图像的四个边缘点为种子点，进行区域生长，获取完整的颅内组织遮罩图像。
优选地，调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴，具体包括：
以头颅的初始对称轴为基准，调整所述头颅的初始对称轴绕所述质心的角度，作为新的头颅的初始对称轴；
计算新的头颅的初始对称轴两侧图像的像素点灰度值的均方差；
根据所述均方差，通过梯度下降法优化所述头颅的初始对称轴绕所述质心的角度，获取头颅对称轴。
优选地，根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，具体包括：
对所述头颅对称轴所在的头颅CT影像进行降噪处理；
以每个像素点邻域的灰度均值作为每个像素点的灰度均值，计算经过降噪处理的头颅CT影像中每个像素点的灰度均值；
基于所述每个像素点的灰度均值，对比所述头颅对称轴两侧相应像素点的灰度均值，计算所述对称轴两侧相应的像素点的灰度的均值差异；
根据所述灰度差异，以预设的第三阈值为判断标准，确定所述经过降噪处理的头颅CT影像中的像素点，得到所述头颅CT影像的脑梗死区域。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例从待处理的头颅CT影像数据中，提取头颅对称轴，根据头颅对称轴两侧对称位置的像素点的灰度的均值差异，进而获得脑梗死区域，能够排除或减少人为因素以及影像设备成像差异带来的诊断差异，缩减人为观察、思考及进行脑梗死判断所需的时间，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。
附图说明
为了更清楚地说明本说明书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说明书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性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种基于头颅CT影像的脑梗死判断的方法的框架图；
图2为本说明书实施例提供的一种基于头颅CT影像的脑梗死判断的方法的流程图；
图3为本说明书实施例提供的一种颅内组织遮罩图像的提取示意图；
图4为本说明书实施例提供的一种提取头颅对称轴的流程示意图；
图5为本说明书实施例提供的对称轴两侧的像素点的灰度的均值差异的示意图；
图6为本说明书实施例提供的一种基于头颅CT影像的脑梗死判断的系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种基于头颅CT影像的脑梗死判断的方法的框架图，具体步骤包括：
步骤S101：从待处理的头颅CT影像中，提取头颅对称轴。
CT影像是由一定数目的从黑到白不同灰度的像素点按矩阵排列构成。CT值用于反映人体相应组织的密度值的大小。由于单帧的CT影像是具有一定厚度的层面影像，常用的是横断面，为了显示整个器官，需要多个连续的层面影像。因此，对于头颅CT影像，在进行ASPECTS评分和/或核心梗死体积评价时，需要对感兴趣的一帧或者多帧进行判断。本说明书实施例提供的脑梗死判断的方法，是针对的头颅CT影像中的一帧，提取头颅对称轴，对于需要进行多帧头颅CT影像进行评价时，均按照本说明书实施例提供的方法，分别进行脑梗死判断即可。
由于人脑结构的不对称性及复杂性，获取头颅CT影像后，需要采用适当的方法，确定头颅对称轴。本说明书实施例通过遮罩(mask)处理，获得感兴趣的颅内组织遮罩图像，进而以颅内组织遮罩图像的质心及主轴方向的直线作为头颅的初始对称轴，进一步调整头颅的初始对称轴绕质心的角度，获得头颅对称轴。
步骤S103：根据头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定头颅CT影像的脑梗死区域。
在CT影像中，一个CT值对应一个灰度。人脑组织在正常状况下，左右脑对称位置的CT值均值基本是相同的，亦即灰度值基本是相同的。但若一侧脑组织发生梗死，灰度值会下降，因此通过与对侧相应像素点的灰度对比，可以进行像素点的脑梗死判断，进而确定脑梗死区域。因此，像素点的灰度的准确性直接影响到后续脑梗死判断的结果。但是，由于CT扫描设备的影响，前述步骤S101中头颅对称轴所在的头颅CT影像中会存在噪声干扰，为保证各像素点灰度的准确性，需要对头颅CT影像进行降噪处理。
经过降噪处理的头颅CT影像，可用于确定头颅对称轴两侧对应的像素点的灰度的均值差异。由于单独计算头颅对称轴两侧对应位置单个像素点的灰度差异，误差较大，为了减少误差，采用计算像素点邻域的灰度均值作为每个像素点灰度的均值，可以采用8邻域、24邻域或48邻域等。获得每个像素点灰度的均值后，对比头颅对称轴两侧相应像素点灰度的均值，计算对称轴两侧相应的像素点的灰度的均值差异。具体地，可以采用比值法或差值法或比值差值法结合的方法，确定头颅对称轴两侧对应位置的像素点的灰度的均值差异。以预设的第三阈值为判断标准，对经过降噪处理的头颅CT影像中的像素点进行梗死判断，进而确定脑梗死区域。
采用前述方法确定脑梗死区域，由于离散噪声的干扰及大脑结构的不对称性，确定的脑梗死区域中会包含很多误判区域，因此需要进一步去除误判区域，以减少梗死区域的误判。具体地，可以采用形态学和连通域计算等方法去除部分离散噪声的影响，使脑梗死判断结果更加准确。
采用本实施例提供的方法，对头颅CT影像进行脑梗死判断，可以排除或者减少人为因素以及影像设备成像差异带来的诊断差异，大大缩减人为观察、思考所需的时间。
为了进一步说明基于头颅CT影像的脑梗死判断的方法，图2为本说明书实施例提供的一种基于头颅CT影像的脑梗死判断的方法的流程图，以详细说明脑梗死判断过程。
步骤S201：获取待处理的头颅CT影像数据。
由于CT影像中，像素尺寸不同，对应的数目不同。如像素尺寸可以为1.0mm*1.0mm、0.5mm*0.5mm不等，对应的数目可以是256*256，或者512*512。显然，像素尺寸越小，数目越多，空间分辨率越高。由于CT影像是层面影像，为了显示整个器官，需要多个连续的层面影像。针对多帧CT影像，每一帧均可以按照本说明书实施例提供的方法进行处理。
步骤S203：提取完整的颅内组织遮罩图像。
由于人脑结构的复杂性，上述步骤S201获得的头颅CT影像需要进一步处理，才能获得完整的颅内组织遮罩图像。由于头颅CT影像为灰度图像，遮罩图像是二值图像，因此，可以通过遮罩处理，获得感兴趣的目标区域。
为了详细说明提取完整的颅内组织遮罩图像的过程，图3为本说明书实施例提供的一种颅内组织遮罩图像的提取示意图，具体如下：
步骤S301：从待处理的头颅CT影像中，根据预设的第一阈值，提取第一遮罩图像。
待处理的头颅CT影像，首先需要分离出颅骨。阈值分割作为一个图像分割技术，可以实现目标区域的分割。具体地，设定第一阈值，一般第一阈值可以为>100，从头颅CT影像中提取出颅骨。用颅骨生成的第一遮罩图像，该第一遮罩图像为颅骨遮罩图像，将头颅CT影像分割为颅骨内和颅骨外两部分。遮罩是用选定的图像、图形或物体，对处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程。
步骤S303：根据预设的第二阈值，提取第二遮罩图像。
采用与步骤S301类似的原理，可以进一步对第一遮罩图像进行提取，获得第二遮罩图像。具体地，第二阈值为80，低于第二阈值的像素点属于颅内组织，第二遮罩图像为去除颅骨后的组织遮罩图像。
步骤S305：提取最大连通域，获取第三遮罩图像。
对步骤S303获取的第二遮罩图像，查找颅内组织的最大轮廓，从而获得第三遮罩图像，该第三遮罩图像为颅内组织的遮罩图像。由于头颅CT图像的图像的质量，及前述处理步骤的影响，第三遮罩图像中会存在一些颅内小孔洞，因此需要进一步进行处理。
步骤S307：基于第三遮罩图像，获取完整的颅内组织遮罩图像。
区域生长算法可以将具有相似性质的像素点合并起来，采用该算法，可以实现步骤S305中第三遮罩图像中的颅内小孔洞与颅内组织相连接。具体地，选取第三遮罩图像的四个边缘点为种子点，进行区域生长，从而获得完整的颅内组织遮罩图像。
前述步骤S203获得的完整的颅内组织遮罩图像，可用于后续提取头颅对称轴。
步骤S205：提取头颅对称轴。
由于人脑结构的不对称性及复杂性，因此需要从步骤S203获取的完整的颅内组织图像中，提取头颅对称轴。图4为本说明书实施例提供的一种提取头颅对称轴的流程示意图，以详细说明头颅对称轴的提取过程，具体过程如下：
步骤S401：获取头颅的初始对称轴。
获取步骤S203获取的完整的颅内组织遮罩图像的质心。图像的质心，也称为图像的中心，相当于图像灰度的中心，亦即二值图像的像素中心点。质心的获得有多种方法，诸如矩计算。同时，需要确定完整的颅内组织遮罩图像的主轴方向，亦即长轴方向，具体可以通过矩计算或者最小二乘法拟合来求取。然后将经过质心，以完整的颅内组织遮罩图像的主轴方向的直线作为头颅的初始对称轴。
步骤S403：不断调整头颅的初始对称轴，获得头颅对称轴。
具体地，以初始对称轴为基准，调整初始对称轴绕质心的角度，作为新的初始对称轴；计算新的初始对称轴两侧图像的像素点的灰度均值的均方差；以对称轴两侧图像的像素点的灰度均值的均方差为判断标准，通过梯度下降法优化初始对称轴绕所述质心的角度，直至角度变化小于预设值时，当前位置的对称轴则是头颅对称轴。
步骤S207：对头颅对称轴所在的头颅CT影像进行降噪处理。
由于CT扫描设备、操作等因素的影响，头颅CT影像中会存在一些噪声干扰，为保证后续各像素点灰度的准确性，需要对头颅CT影像进行降噪处理。具体地，可以采用保边滤波器对头颅对称轴所在的头颅CT影像进行处理，在去除图像局部噪声的同时，还能保留图像的灰度边缘，避免图像过于模糊。
步骤S209：脑梗死判断。
经过步骤S207的处理，头颅CT影像可以用于脑梗死判断。具体地，以每个像素点邻域的灰度均值作为每个像素点的灰度的均值，计算经过降噪处理的头颅CT影像中每个像素点的灰度的均值。进一步，对比头颅对称轴两侧相应像素点的灰度的均值，计算对称轴两侧相应的像素点的灰度的均值差异。最后，根据灰度的均值差异，以预设的第三阈值为判断标准，确定经过降噪处理的头颅CT影像中的梗死的像素点，得到所述头颅CT影像的脑梗死区域。
在本说明书的一个实施例中，以每个像素点邻域的灰度的均值作为每个像素点的灰度的均值进行计算时，可以选择8邻域、24邻域或48邻域等。采用该方法进行计算，由于加入了局部信息，可以减少误差。
在本说明书的一个实施例中，计算对称轴两侧相应的像素点的灰度的均值差异，可以采用比值法或差值法或比值法差值法结合的方法。进而以预设的第三阈值为判断标准，确定经过降噪处理的头颅CT影像中的梗死的像素点。图5为本说明书实施例提供的对称轴两侧的像素点的灰度的均值差异的示意图。
在CT影像中，一个CT值对应一个灰度。在正常状况下，左右脑对称位置的CT值均值基本是相同的，亦即灰度值基本是相同的。但若一侧脑组织梗死，灰度值会下降，因此通过与对侧相应区域的灰度对比，可以进行梗死判断，以确定发生梗死的区域。
在本说明书的一个实施例中，采用差值法对头颅对称轴两侧的像素点进行梗死判断，一侧像素点的灰度均值与对侧像素点的灰度均值的差值小于预设阈值diff时，认为头颅CT影像中的相应像素点发生梗死，且灰度均值相对低的一侧为梗死侧。一般地，认为阈值diff为-2。如在图5的实施例中，像素点2的左侧灰度均值与右侧灰度均值的差值为-2.7，小于阈值-2，因此认为在位于左侧的像素点2发生梗死。采用同样的方法，位于左侧的像素点3及位于右侧的像素点4发生梗死。
在本说明书的一个实施例中，采用比值法进行梗死判断，认为左头颅对称轴两侧的像素点，一侧像素点的灰度均值与对侧灰度均值的比值小于预设阈值ratio时，认为头颅CT影像中的相应像素点发生梗死，且灰度均值相对低的一侧为梗死侧。一般地，认为阈值ratio为0.96。如在图5的实施例中，像素点7的左侧与右侧的比值为0.99，大于0.96，认为像素点7没有梗死，与差值法的判断结果一致。像素点2的左侧灰度均值与右侧、的灰度均值的比值为0.92，小于0.96，认为位于左侧的像素点2发生梗死。采用同样的方法，判断位于左侧的像素点3发生梗死。
在本说明书的一个实施例中，采用比值与差值法结合，进行梗死判断。认为梗死依据为比值小于0.96，且差值小于-2。在图5的实施例中，采用该方法对头颅CT影像中的像素点进行梗死判断，位于左侧的像素点2、位于左侧的像素点3及位于左侧的像素点4均发生梗死。
一般新发梗死的组织CT值不会低于20Hu，假设另一侧脑组织未梗死，平均灰度值在40Hu左右，两侧比值ratio不会小于0.5，差值diff的绝对值不会大于20。在本说明书的一个实施例中，也可以采用c＝(ratio-0.5)/0.7+(diff+20)/50，对头颅CT影像的像素点进行梗死判断，若该值小于等于1，则认为该侧像素点发生梗死，大于1，则未梗死。在图5的实施例中，像素点4在右侧的差值为-1.6，比值为0.95，采用上述方法进行计算：(0.95-0.5)/0.7+(-1.6+20)/50＝1.02>1，因此认为像素点4未发生梗死。采用该方法进行判断，位于左侧的像素点2及像素点3发生梗死。
采用上述方法获得的脑梗死区域，会存在一些离散的噪声干扰，因此需要进一步进行处理，以去除误判的脑梗死区域。具体地，可以采用形态学和连通域计算等方法去除部分离散噪声的影响，使脑梗死判断结果更加准确。
在本说明书的一个实施例中，将此脑梗死判断的方法用于ASPECTS评分或者计算核心梗死体积时，首先需要判断是用于前循环还是后循环，进一步判断发生梗死的像素点落在哪些区域，从而进行区域梗死判断。基于梗死判断结果，进行评分或者计算核心梗死体积。也可以判断是用于前循环还是后循环，进步判断发生梗死的像素点，计算核心梗死体积。
上述内容详细说明了一种基于头颅CT影像的脑梗死判断的方法，与之对应的，本申请还提供了一种基于头颅CT影像的脑梗死判断的系统，如图6所示，具体包括：
输入单元，输入待处理的头颅CT影像；
脑梗死识别单元，对所述待处理的头颅CT影像进行梗死判断；
输出模块，将梗死判断的结果进行输出。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种基于头颅CT影像的脑梗死判断的方法，其特征在于，包括：
从待处理的头颅CT影像中，提取头颅对称轴；
根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域。
2.如权利要求1所述的方法，其特征在于，所述根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，进一步包括：
去除所述头颅CT影像的脑梗死区域中的误判区域，获得所述头颅CT影像的最终的脑梗死区域。
3.如权利要求1所述的方法，其特征在于，所述从待处理的头颅CT影像中，提取头颅对称轴，具体包括：
从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像；
获取所述颅内组织遮罩图像的质心及主轴方向，以质心及主轴方向的直线作为头颅的初始对称轴；
调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴。
4.如权利要求3所述的方法，其特征在于，所述从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像，具体包括：
从待处理的头颅CT影像中，根据预设的第一阈值，提取第一遮罩图像，其中，所述第一遮罩图像为颅骨遮罩图像；
基于所述第一遮罩图像，根据预设的第二阈值，提取第二遮罩图像，其中，所述第二遮罩图像为去除颅骨后的组织遮罩图像；
基于所述第二遮罩图像，通过提取最大连通域，获取第三遮罩图像，其中所述第三遮罩图像为带有颅内小孔洞的颅内组织遮罩图像；
选取所述第三遮罩图像的四个边缘点为种子点，进行区域生长，获取完整的颅内组织遮罩图像。
5.如权利要求3所述的方法，其特征在于，所述调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴，具体包括：
以头颅的初始对称轴为基准，调整所述头颅的初始对称轴绕所述质心的角度，作为新的头颅的初始对称轴；
计算新的头颅的初始对称轴两侧图像的像素点灰度值的均方差；
根据所述均方差，通过梯度下降法优化所述头颅的初始对称轴绕所述质心的角度，获取头颅对称轴。
6.如权利要求1所述的方法，其特征在于，所述根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，具体包括：
对所述头颅对称轴所在的头颅CT影像进行降噪处理；
以每个像素点邻域的灰度均值作为每个像素点的灰度均值，计算经过降噪处理的头颅CT影像中每个像素点的灰度均值；
基于所述每个像素点的灰度均值，对比所述头颅对称轴两侧相应像素点的灰度均值，计算所述对称轴两侧相应的像素点的灰度的均值差异；
根据所述灰度差异，以预设的第三阈值为判断标准，确定所述经过降噪处理的头颅CT影像中的像素点，得到所述头颅CT影像的脑梗死区域。
7.一种基于头颅CT影像的脑梗死判断的系统，其特征在于，包括：
输入模块，输入待处理的头颅CT影像；
脑梗死识别模块，对所述待处理的头颅CT影像进行梗死判断；
输出模块，将梗死判断的结果进行输出。
8.如权利要求7所述的系统，其特征在于，所述对所述待处理的头颅CT影像进行梗死判断，具体包括：
从待处理的头颅CT影像中，提取头颅对称轴；
根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域。
9.如权利要求8所述的系统，其特征在于，所述根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，进一步包括：
去除所述头颅CT影像的脑梗死区域中的误判区域，获得所述头颅CT影像的最终的脑梗死区域。
10.如权利要求8所述的系统，其特征在于，所述从待处理的头颅CT影像中，提取头颅对称轴，具体包括：
从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像；
获取所述颅内组织遮罩图像的质心及主轴方向，以质心及主轴方向的直线作为头颅的初始对称轴；
调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴。
11.如权利要求10所述的系统，其特征在于，所述从待处理的头颅CT影像中，提取完整的颅内组织遮罩图像，具体包括：
从待处理的头颅CT影像中，根据预设的第一阈值，提取第一遮罩图像，其中，所述第一遮罩图像为颅骨遮罩图像；
基于所述第一遮罩图像，根据预设的第二阈值，提取第二遮罩图像，其中，所述第二遮罩图像为去除颅骨后的组织遮罩图像；
基于所述第二遮罩图像，通过提取最大连通域，获取第三遮罩图像，其中所述第三遮罩图像为带有颅内小孔洞的颅内组织遮罩图像；
选取所述第三遮罩图像的四个边缘点为种子点，进行区域生长，获取完整的颅内组织遮罩图像。
12.如权利要求10所述的系统，其特征在于，所述调整所述头颅的初始对称轴绕所述质心的角度，获得头颅对称轴，具体包括：
以头颅的初始对称轴为基准，调整所述头颅的初始对称轴绕所述质心的角度，作为新的头颅的初始对称轴；
计算新的头颅的初始对称轴两侧图像的像素点灰度值的均方差；
根据所述均方差，通过梯度下降法优化所述头颅的初始对称轴绕所述质心的角度，获取头颅对称轴。
13.如权利要求8所述的系统，其特征在于，所述根据所述头颅对称轴两侧对称位置的像素点的灰度的均值差异，确定所述头颅CT影像的脑梗死区域，具体包括：
对所述头颅对称轴所在的头颅CT影像进行降噪处理；
以每个像素点邻域的灰度均值作为每个像素点的灰度均值，计算经过降噪处理的头颅CT影像中每个像素点的灰度均值；
基于所述每个像素点的灰度均值，对比所述头颅对称轴两侧相应像素点的灰度均值，计算所述对称轴两侧相应的像素点的灰度的均值差异；
根据所述灰度差异，以预设的第三阈值为判断标准，确定所述经过降噪处理的头颅CT影像中的像素点，得到所述头颅CT影像的脑梗死区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530777.3A CN109671066B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530777.3A CN109671066B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109671066A true CN109671066A (zh) | 2019-04-23 |
| CN109671066B CN109671066B (zh) | 2024-03-26 |
Family
ID=66144434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811530777.3A Active CN109671066B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109671066B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091563A (zh) * | 2019-12-24 | 2020-05-01 | 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 |
| CN111105425A (zh) * | 2019-12-24 | 2020-05-05 | 强联智创（北京）科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
| CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 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 |
| CN111127427A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创（北京）科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
| CN113344892A (zh) * | 2021-06-22 | 2021-09-03 | 上海市第六人民医院 | 一种医学影像处理装置、方法、介质及电子设备 |
| CN114638843A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 大脑中动脉高密度征影像识别方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1270005A (zh) * | 2000-03-21 | 2000-10-18 | 上海医科大学 | 一种脑梗塞面积及体积的自动测量方法 |
| CN104619257A (zh) * | 2012-09-13 | 2015-05-13 | 加利福尼亚大学董事会 | 用于医学图像中的肺结节的自动化检测的系统和方法 |
| US20160048957A1 (en) * | 2014-08-14 | 2016-02-18 | Korea University Research And Business Foundation | Method for eliminating artifact of computed tomography image |
| CN105426808A (zh) * | 2014-09-23 | 2016-03-23 | 深圳先进技术研究院 | 脑中矢状线漂移测量方法与系统 |
| CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
-
2018
- 2018-12-14 CN CN201811530777.3A patent/CN109671066B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1270005A (zh) * | 2000-03-21 | 2000-10-18 | 上海医科大学 | 一种脑梗塞面积及体积的自动测量方法 |
| CN104619257A (zh) * | 2012-09-13 | 2015-05-13 | 加利福尼亚大学董事会 | 用于医学图像中的肺结节的自动化检测的系统和方法 |
| US20160048957A1 (en) * | 2014-08-14 | 2016-02-18 | Korea University Research And Business Foundation | Method for eliminating artifact of computed tomography image |
| CN105426808A (zh) * | 2014-09-23 | 2016-03-23 | 深圳先进技术研究院 | 脑中矢状线漂移测量方法与系统 |
| CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周平: "基于纹理特征的颅脑CT图像病变自动化检出算法研究", 《中国博士学位论文全文数据库 医药卫生科技辑,E080-2》 * |
| 周平: "基于纹理特征的颅脑CT图像病变自动化检出算法研究", 《中国博士学位论文全文数据库 医药卫生科技辑,E080-2》, no. 2007, 15 September 2007 (2007-09-15), pages 4 - 5 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091563A (zh) * | 2019-12-24 | 2020-05-01 | 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 |
| CN111105425A (zh) * | 2019-12-24 | 2020-05-05 | 强联智创（北京）科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
| CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 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 |
| CN111127427A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创（北京）科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
| CN111127427B (zh) * | 2019-12-24 | 2022-12-23 | 强联智创（北京）科技有限公司 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
| 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 |
| CN113344892A (zh) * | 2021-06-22 | 2021-09-03 | 上海市第六人民医院 | 一种医学影像处理装置、方法、介质及电子设备 |
| CN114638843A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 大脑中动脉高密度征影像识别方法及装置 |
| CN114638843B (zh) * | 2022-03-18 | 2022-09-06 | 北京安德医智科技有限公司 | 大脑中动脉高密度征影像识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109671066B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109671066A (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
| CN109685123B (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| CN109658400A (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN109712122B (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| CN113133827B (zh) | 对颅内动脉瘤手术进行术前预估方法、系统、终端及介质 | |
| WO2021098768A1 (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN111091563B (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
| Andrew et al. | Spine magnetic resonance image segmentation using deep learning techniques | |
| CN109671069B (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
| CN109685843A (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
| CN109671067A (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
| CN113362958A (zh) | 治疗方案的应用后效果的预测方法及装置 | |
| CN112185550A (zh) | 一种分型方法、装置以及设备 | |
| WO2017179256A1 (ja) | 核医学画像からの生理的集積の自動除去及びｃｔ画像の自動セグメンテーション | |
| CN109741339A (zh) | 一种分区方法及系统 | |
| CN109377504A (zh) | 一种颅内动脉血管图像分割方法及系统 | |
| CN109671065A (zh) | 一种基于头颅ct影像的取栓判断的方法及系统 | |
| CN110517244A (zh) | 一种基于dsa图像的定位方法及系统 | |
| CN110517243A (zh) | 一种基于dsa图像的定位方法及系统 | |
| CN109741299B (zh) | 一种基于头颅ct影像的目标区域的错误检测方法及系统 | |
| CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
| Ghosal et al. | Computer-Aided Detection of Brain Midline Using CT Images | |
| Utami et al. | Implementation of Data Augmentation to Improve Performance CNN Method for Detecting Diabetic Retinopathy | |
| TW202405823A (zh) | 心導管影像辨識及評估方法 |
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 |