CN109829922B

CN109829922B - 一种脑图像重定向方法、装置、设备及存储介质

Info

Publication number: CN109829922B
Application number: CN201811564654.1A
Authority: CN
Inventors: 霍权; 石峰; 詹翊强
Original assignee: Shanghai United Imaging Intelligent Healthcare Co Ltd
Current assignee: Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date: 2018-12-20
Filing date: 2018-12-20
Publication date: 2021-06-11
Anticipated expiration: 2038-12-20
Also published as: CN109829922A

Abstract

本发明公开了一种脑图像重定向方法、装置、设备及存储介质，所述方法包括：利用机器学习模型获取目标脑图像中至少一个解剖组织的分割结果；由所述解剖组织的分割结果，确定出重定向旋转参数；根据所述重定向旋转参数对所述目标脑图像进行重定向。本发明得到的重定向旋转参数能够高精度地实现脑图像的重定向，进而提高脑图像后期处理的精度。

Description

一种脑图像重定向方法、装置、设备及存储介质

技术领域

本发明涉及医学成像技术领域，尤其涉及一种脑图像重定向方法、装置、设备及存储介质。

背景技术

随着医学影像设备的普及以及脑影像对脑疾病辅助诊断的需求日益增加，对脑部图像的处理速度和精度变得日益重要，而对脑部图像的重定向是预处理中重要的一步，其精度影响着对脑图像的分割配准以及诊断。其中，不同人在影像扫描过程中，头部的摆位存在不一致性，体现在影像上为左右偏转和仰角的偏差。

目前脑图像的重定向通常使用以下两种方法：一种是配准的方法，通过脑图像与标准模板进行配准，将脑图像旋转为和标准图像一致的方向。但是实现过程中往往发现效果不足，主要原因是配准过程追求的是脑的结构上的对齐而不是方向的定位。另一种方法称为AC-PC(前连合-后连合)校正，已有许多软件支持，应用比较广泛。该方法首先人工定位五个关键点，分别为AC、PC以及中矢面上的其他随机三个点；校准软件一般要求这三个点之间的相互距离大于20个像素，但对于位置没有限定；然后根据这五个点计算校准矩阵进行校准。该方法需要标记人员有较高的解剖学先验知识，而且除AC、PC之外的三个点位置没有统一标准，比较随机，因此人工定位容易产生误差，不同时间或不同人的定位结果不一致，这必然会影响校准的精度和效率。

因此，需要提供一种能够有效进行脑图像重定向的技术方案。

发明内容

为了解决现有技术中的问题，本发明提供了一种脑图像重定向方法、装置、设备及存储介质，具体地：

一方面提供了一种脑图像重定向方法，所述方法包括：

利用机器学习模型获取目标脑图像中至少一个解剖组织的分割结果；

由所述解剖组织的分割结果，确定出重定向旋转参数；

根据所述重定向旋转参数对所述目标脑图像进行重定向。

另一方面提供了一种脑图像重定向装置，所述装置包括：

第一分割结果获取模块，用于利用机器学习模型获取目标脑图像中至少一个解剖组织的分割结果；

旋转参数获取模块，用于由所述解剖组织的分割结果，确定出重定向旋转参数；

重定向模块，用于根据所述重定向旋转参数对所述目标脑图像进行重定向。

另一方面提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的脑图像重定向方法。

另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的脑图像重定向方法。

本发明提供的一种脑图像重定向方法、装置、设备及存储介质，具有的有益效果为：

本发明利用机器学习模型获取目标脑图像中至少一个解剖组织的分割结果；进一步由所述解剖组织的分割结果，确定出重定向旋转参数；进而根据所述重定向旋转参数对所述目标脑图像进行重定向；本发明得到的重定向旋转参数能够高精度地实现脑图像的重定向，进而提高脑图像后期处理的精度。

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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本说明书实施例提供的一种脑图像重定向方法的流程图；

图2是本说明书实施例提供的一种得到用于进行胼胝体分割的卷积神经网络模型的流程图；

图3是本说明书实施例提供的一种胼胝体分割网络的应用场景示意图；

图4是本说明书实施例提供的另一种脑图像的重定向方法的流程图；

图5是本说明书实施例提供的由所述解剖组织的分割结果以及所述特征点的分割结果，确定出重定向旋转参数步骤的流程图；

图6是本说明书实施例提供的得到绕Y轴的旋转矩阵My和绕Z轴的旋转矩阵Mz步骤的流程图；

图7是本说明书实施例提供的另一种脑图像重定向方法的流程图；

图8是本说明书实施例提供的一种脑图像重定向装置的结构框图；

图9是本说明书实施例提供的另一种脑图像重定向装置的结构框图；

图10是本说明书实施例提供的旋转参数获取模块的组成框图；

图11是本说明书实施例提供的一种脑图像重定向设备的结构示意图。

具体实施方式

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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

传统的脑图像重定向方法由于图像的成像质量问题以及操作人员的经验问题，其结果存在差异性；并且，该方法对于中矢面上三个点的标记比较任意，没有解剖学特征，操作者之间的标记差异也很大，这将严重影响标记精度。还有，手动标记特征点对于操作人员来说是相当麻烦的操作，一般需要3～5分钟的时间，并且旋转后的图像经常效果不理想，需要反复标记以达到最优效果。因此，本说明书实施例提供了一种脑图像重定向技术方案。具体地：

本说明书实施例提供了一种脑图像重定向方法，如图1所示，所述方法包括：

S202.利用机器学习模型获取目标脑图像中至少一个解剖组织的分割结果；

具体地，所述解剖组织的分割结果可以使用深度学习算法得到；比如，利用卷积神经网络模型对所述解剖组织进行分割处理，以定位出所述解剖组织在脑图像中的位置。其中，所述解剖组织可以是胼胝体、海马、额叶、顶叶、扣带回等组织结构，也可以是上述组织结构中的相互组合。

下面以胼胝体作为解剖组织，选用卷积神经网络模型作为机器学习模型，下面对得到用于进行胼胝体分割的卷积神经网络模型给与说明，如图2所示：

S402.获取大脑样本图像，并对所述大脑样本图像进行预处理；

详细地，通过使用医学影像设备对大量的样本脑图像(如MR图像或CT图像)进行扫描，根据采集到的样本脑图像得到各单个样本对应的MRI(Magnetic Resonance Imaging)影像数据。

进一步地，对所有的MRI影像数据进行旋转、重采样、调整尺寸、图像非均匀校正、灰度归一化等一系列操作，使所有图像均预处理为标准图像。其中，所述标准图像可以是尺寸为256*256*256mm³、方向为标准笛卡尔LPI坐标系、灰度范围为(-1，1)区间内的图像。

S404.在预处理的样本图像上对胼胝体进行掩膜标记，得到所述胼胝体的掩膜图像；

具体地，在对每个样本图像进行统一预处理之后，进一步在预处理的样本图像上对相应的胼胝体进行掩膜标记，进而得到所述胼胝体的掩膜图像。

S406.将所述大脑样本图像作为输入端训练数据，所述胼胝体的掩膜图像作为输出端训练数据，对初始深度卷积神经网络进行训练，得到第一卷积神经网络模型。

具体地，将所述大脑样本图像输入到初始深度卷积神经网络中，得到所述样本图像对应胼胝体的掩膜图像；进一步地，将输出的胼胝体的掩膜图像与预先存储在数据库中该样本图像中胼胝体的实际图像进行比较；根据输出的胼胝体图像与胼胝体的实际图像之间的差异，对所述初始深度卷积神经网络的网络参数(权重、偏移)进行调整。在参数调整之后，将所述大脑样本图像继续输入调整后的深度卷积神经网络，按照上述网络参数调整的具体过程，进一步进行网络参数的调整，直至网络参数收敛；使得输出的胼胝体图像与胼胝体的实际图像一致。

进一步地，在得到训练好的第一卷积神经网络模型后，将所述目标脑图像输入所述第一卷积神经网络模型中，得到所述目标脑图像对应的胼胝体的分割结果。如图3所示，图中的胼胝体分割网络可以看做是用于进行胼胝体分割的第一卷积神经网络模型；图中输入的图像为目标脑图像，经过所述胼胝体分割网络之后得到胼胝体分割结果。

需要说明的是，在选取的是其他解剖组织的情况下，可以采用上述相同的处理过程，以得到与选取的解剖组织相适应的机器学习模型。

进一步地说明的是，在选用具有对称结构的解剖组织(比如海马等)时，需要获取左、右两个结构的分割结果。

S204.由所述解剖组织的分割结果，确定出重定向旋转参数；

一种可行的实施方式中，步骤S204由所述解剖组织的分割结果，确定出重定向旋转参数，包括：

将所述解剖组织的分割结果与预设模板中对应解剖组织的图像信息进行比对，通常使用刚性配准的方式获取旋转参数，从而完成目标脑图像的重定向。例如使用FLIRT工具包进行刚性配准的方式得到目标图像的旋转参数，从而完成脑图像的重定向。其中，医学图像的刚性配准是指对一幅医学图像进行一种或一系列的空间变换，使它与另一幅医学图像上的对应点达到空间上的一致性的匹配方式。

其中，预设模板为具有预设效果的对照模板，其中的解剖组织的图像信息能够作为参照信息；通过将上述机器学习模型得到的解剖组织信息与所述参照信息进行比对，得出二者的偏差信息(比如方向上的偏差)，由所述偏差信息进一步确定出所述重定向旋转参数。

S206.根据所述重定向旋转参数对所述目标脑图像进行重定向。

详细地，对所述目标脑图像进行重定向，也就是对所述目标脑图像中存在方向偏差的部分进行校正，将所述目标脑图像的方向进行统一，进行图像标准化。

一种可行的实施方式中，本说明书提供的脑图像重定向方法，除了利用解剖组织的分割结果进行重定向旋转参数的获取之外，还能够利用目标脑图像中的特征点进行重定向旋转参数的获取；所以，所述方法还可以包括：

S203.利用机器学习模型获取目标脑图像中的至少一个特征点的分割结果；所述特征点位于所述解剖组织上或位于所述解剖组织外；

具体地，所述特征点的分割结果可以使用深度学习算法得到；比如，利用卷积神经网络模型对所述特征点进行分割处理，以定位出所述特征点在脑图像中的位置。

其中，位于解剖组织外的特征点可以是前连合、后连合、海马连合等连合结构，也可以是上述连合结构的组合。位于解剖组织上的特征点，若以居于左右大脑中间的胼胝体截面为例，其从前到后可以分为喙部、膝部、体部、峡部和压部；喙部和压部各有一个尖角位置，该位置可以作为所述胼胝体的特征点。

下面以前连合和后连合作为特征点，若同样选用卷积神经网络模型作为所述机器学习模型，则对得到卷积神经网络模型给与说明：

S602.获取大脑样本图像，对所述大脑样本图像进行预处理；

S604.在预处理的样本图像中标记出所述大脑样本图像中的前连合和后连合；

S606.根据所述前连合和后连合的标记信息，分别得到所述前连合和后连合的坐标信息；

S608.由所述前连合和后连合的坐标信息，分别得到所述前连合的掩膜图像和后连合的掩膜图像；

具体地，通过在预处理的样本图像数据中标记出前连合AC和后连合PC，进而根据标记信息在样本图像上找到AC点和PC点，选中AC点和PC点的坐标；进一步根据所述AC点的坐标信息和PC点的坐标信息生成目标球形掩膜图像。

其中，每个预处理后的样本图像均具有一个对应的目标球形掩膜图像；所述目标球形掩膜图像的直径均可以为2mm；所述目标球形掩膜图像中对应前连合AC的掩膜区域的灰度值可以为1，所述目标球形掩膜图像中对应后连合PC的掩膜区域的灰度值可以为2，其余位置的掩膜区域的灰度值可以为0。

需要给与说明的是，可以使用传统算法如边缘检测、分割聚类回归等方法获得AC点的坐标和PC点的坐标。

S610.将所述大脑样本图像作为输入端训练数据，所述前连合的掩膜图像和后连合的掩膜图像作为输出端训练数据，对初始深度卷积神经网络进行训练，得到第二卷积神经网络模型。

具体地，将所述大脑样本图像输入到初始深度卷积神经网络中，得到所述样本图像对应的前连合和后连合的掩膜图像；进一步地，将输出的前连合的掩膜图像与预先存储在数据库中的对应前连合的实际图像进行比较，并且，将输出的后连合的掩膜图像与预先存储在数据库中的对应后连合的实际图像进行比较；根据输出的前连合图像与前连合的实际图像之间的差异，以及输出的后连合图像与后连合的实际图像之间的差异，进行所述初始深度卷积神经网络的网络参数(权重、偏移)的调整。在参数调整之后，将所述大脑样本图像继续输入调整后的深度卷积神经网络，按照上述网络参数调整的具体过程，进一步进行网络参数的调整，直至网络参数收敛；使得输出的前连合图像与前连合的实际图像，以及输出的后连合图像与后连合的实际图像均一致。

进一步地，在得到训练好的第二卷积神经网络模型后，将所述目标脑图像输入所述第二卷积神经网络模型中，得到所述目标脑图像对应的特征点的分割结果。

需要说明的是，在选取的是其他特征点的情况下，采用上述相同的处理过程，以得到与选取的特征点相适应的机器学习模型。

进一步说明的是，本实施例中在训练得到第一卷积神经网络模型中使用的初始深度卷积神经网络模型，与在训练得到第二卷积神经网络模型中使用的初始深度卷积神经网络模型可以相同，也可以根据需求设置为不同。具体地，所述初始深度卷积神经网络模型可以使用如下的组成结构：

输入层；与所述输入层相连的批标准化层；以及与所述批标准化层相连的激活层；以及与所述激活层相连的卷积层；以及与所述卷积层相连的池化层；以及与所述池化层相连的反卷积层；以及与所述反卷积层相连的输出层。

具体的：所述批标准化层，用于规范输入层，通过批标准化层得到的数据均值都为0、方差为1；让每一层的输入有一个稳定的分布，利于网络模型的训练。

所述激活层，通过增加激活函数的方式引入非线性因数，即增加线性校正层，以满足在实际应用中数据往往不是线性可分的问题，对上一层数据结果进行修正。

所述卷积层，可以对所述输入的样本图像进行卷积处理，实现对样本图像的特征提取；在一个具体的实施例中，输入的样本图像可以为28x28像素的数字图像；其中所述卷积层可以是采用1×1×1卷积核进行特征融合并减少参数数量，进一步采用3×3×3卷积核进行特征提取。

所述池化层，可以对上一层的输出进行降采样操作，即返回采样窗口中最大值作为降采样的输出。一方面可以使图像变小，简化计算复杂度；另一方面可以进行特征压缩，提取主要特征。在一个具体的实施例中，所述采样窗口均设置为2*2，采样间隔可以为2像素。

所述反卷积层，采用3×3×3的卷积核进行反卷积操作，在提高特征映射分辨率的同时，建立原输入图像和输出标签图像之间的对应关系。

所述输出层可以对样本图像进行参数识别，输出相应的参数标签。

其中，本实施例中的激活函数可以为Relu(Rectified linear unit)激活函数，将上一层小于0的输入全部变成0后输出，大于0的输出不变；本实施例中的损失函数，用于度量神经网络的输出的预测值与实际值之间的差距，可以采用最小二乘损失函数进行图像区域相似度度量Dice loss；本实施例中的优化函数，可以采用Adam自适应优化算法，随训练状态自动调整网络参数更新幅度。

此外，本说明书实施例中使用的深度卷积神经网络模型并不仅仅限于上述层结构；在实际应用中，还可以包括进一步提升训练效率和输出准确率的多个上述的层结构或是其他层结构。并且，本实施例中的激活函数、损失函数、优化函数并不限于上述给出的可选函数，还可以是能够能够实现相应效果的其他函数。

基于上述步骤S203，对应地步骤S204由所述解剖组织的分割结果，确定出重定向旋转参数，可以包括：

S205.由所述解剖组织的分割结果以及所述特征点的分割结果，确定出重定向旋转参数。其中，所述重定向旋转参数就是用于对所述目标脑图像进行校正的旋转矩阵。

所以如图4所示，本说明书实施例可以利用步骤S202、S203、S205以及S206实现所述目标脑图像的重定向。

一种具体的实施方式中，S205由所述解剖组织的分割结果以及所述特征点的分割结果，确定出重定向旋转参数，如图5所示，可以包括：

S1002.根据所述特征点的分割结果，获取所述目标脑图像绕X轴的旋转矩阵Mx；

具体地，在特征点选取前连合和后连合的情况下，则得到旋转矩阵Mx的步骤可以包括：

获取所述前连合和后连合在坐标中的位置信息，分别为(x_A，y_A，z_A)、(x_p，y_p，z_p)；

根据前连合坐标和后连合坐标得到AC-PC连线(前连合-后连合连线)在YOZ面上与Y轴的夹角α(绕X轴的旋转角)，公式如下：

进而得到目标脑图像绕X轴的旋转矩阵，如下：

S1004.根据所述解剖组织的分割结果，获取所述目标脑图像绕Y轴的旋转矩阵My和绕Z轴的旋转矩阵Mz；

具体地，得到绕Y轴的旋转矩阵My和绕Z轴的旋转矩阵Mz，如图6所示，可以包括：

S1202.利用机器学习中的回归方法，由所述解剖组织的分割结果回归出所述目标脑图像的中矢面方程；

具体地，本实施例回归出的中矢面方程，公式如下：

AX+BY+CZ+D＝0

由所述中矢面的方程可以获得中矢面的法向量n＝(A,B,C)。

其中，采用的机器学习中的回归方法可以是梯度下降法、牛顿法、共轭梯度法等等进行回归处理。

S1204.根据所述中矢面方程，得到所述目标脑图像绕Y轴的旋转矩阵My和所述目标脑图像绕Z轴的旋转矩阵Mz；

具体地，已知中矢面的法向量和X轴的向量V＝(1，0，0)；得到所述解剖组织与X轴的夹角β(绕Y轴的旋转角β)，公式如下：

根据所述解剖组织绕Y轴的旋转角β，得到其绕Y轴的旋转矩阵，公式如下：

进一步地，根据中矢面的法向量与Y轴的向量U＝(0，1，0)，得到所述解剖组织与Y轴的夹角γ(绕Z轴的旋转角γ)，公式如下：

进一步地，根据所述解剖组织绕Z轴的旋转角γ，得到其绕Z轴的旋转矩阵，公式如下：

本实施例中，解剖组织绕Y轴的旋转角β也就是目标脑图像绕Y轴的旋转角β，解剖组织绕Y轴的旋转矩阵也就是目标脑图像绕Y轴的旋转矩阵；同样的，本实施例中的解剖组织绕Z轴的旋转角γ也就是目标脑图像绕Z轴的旋转角γ，解剖组织绕Z轴的旋转矩阵也就是目标脑图像绕Z轴的旋转矩阵。

进一步说明的是，可以通过分割整个目标脑图像，然后通过回归方法获得其中矢面方程，从而获得所述目标脑图像与YOZ面的旋转角。并且，可以通过AC-PC连线与Y轴在XOY面上的夹角获得目标脑图像绕Z轴的旋转角γ，其求解公式如下：

S1006.由所述旋转矩阵Mx、旋转矩阵My和旋转矩阵Mz，得到所述重定向旋转参数。

具体地，由以上求得的绕X、Y、Z轴的旋转矩阵，得到重定向旋转参数：

M＝M_x*M_y*M_z

进而根据所述重定向旋转参数对所述目标脑图像进行重定向。

本实施例中提供的一种脑图像重定向方法流程图如图7所示，利用AC、PC特征点和胼胝体解剖组织对脑图像进行校准。

本说明书实施例通过采用机器学习模型分割解剖组织，得到解剖组织的掩膜图像，进而定义出中轴面；通过采用机器学习模型进行特征点的自动检测，得到特征点的掩膜图像；进一步根据得到的中轴面、特征点的掩膜图像计算出校准所需要的旋转参数；并且能够基于解剖组织上的特征点的分割结果以及解剖组织整体的分割结果计算得到所述旋转参数；还有能够通过此解剖组织与预设标准模板配准的方式获取所述旋转参数；本发明能够自动、高效和精确的完成对脑图像的校准。

本说明书实施例提供了一种脑图像重定向装置，如图8所示，所述装置包括：

第一分割结果获取模块202，用于利用机器学习模型获取目标脑图像中至少一个解剖组织的分割结果；

旋转参数获取模块204，用于由所述解剖组织的分割结果，确定出重定向旋转参数；

重定向模块206，用于根据所述重定向旋转参数对所述目标脑图像进行重定向。

一种可行的实施方式中，如图9所示，所述装置还包括：

第二分割结果获取模块203，用于利用机器学习模型获取目标脑图像中的至少一个特征点的分割结果；所述特征点位于所述解剖组织上或位于所述解剖组织外；

所述旋转参数获取模块204，包括：

第一旋转参数获取单元205，用于利用所述解剖组织的分割结果以及所述特征点的分割结果，确定出重定向旋转参数。

一种可行的实施方式中，所述旋转参数获取模块204，如图10所示，包括：

第二旋转参数获取单元，用于将所述解剖组织的分割结果与预设模板中对应解剖组织的图像信息进行比对，以确定出所述重定向旋转参数。

一种可行的实施方式中，所述旋转参数获取模块204，包括：

第一旋转矩阵获取单元402，用于根据所述特征点的分割结果，获取所述目标脑图像绕X轴的旋转矩阵Mx；

第二旋转矩阵获取单元404，用于根据所述解剖组织的分割结果，获取所述目标脑图像绕Y轴的旋转矩阵My和绕Z轴的旋转矩阵Mz；

重定向参数获取单元406，用于由所述旋转矩阵Mx、旋转矩阵My和旋转矩阵Mz，得到所述重定向旋转参数。

一种可行的实施方式中，所述第一分割结果获取模块，包括：

第一分割结果获取单元，用于使用深度学习算法得到所述解剖组织的分割结果。

需要给与说明的是，所述装置实施例具有与上述方法实施例相同的发明构思。

本说明书实施例提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方法实施例所述的脑图像重定向方法。

具体地，本说明书实施例提供的一种脑图像重定向设备的结构示意图，请参考图11。该设备用于实施上述实施例中提供的密码重置方法。具体来讲：

所述服务器2000包括中央处理单元(CPU)2001、包括随机存取存储器(RAM)2002和只读存储器(ROM)2003的系统存储器2004，以及连接系统存储器2004和中央处理单元2001的系统总线2005。所述服务器2000还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)2006，和用于存储操作系统2013、应用程序2014和其他程序模块2015的大容量存储设备2007。

所述基本输入/输出系统2006包括有用于显示信息的显示器2008和用于用户输入信息的诸如鼠标、键盘之类的输入设备2009。其中所述显示器2008和输入设备2009都通过连接到系统总线2005的输入输出控制器2010连接到中央处理单元2001。所述基本输入/输出系统2006还可以包括输入输出控制器2010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器2010还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备2007通过连接到系统总线2005的大容量存储控制器(未示出)连接到中央处理单元2001。所述大容量存储设备2007及其相关联的计算机可读介质为服务器2000提供非易失性存储。也就是说，所述大容量存储设备2007可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器2004和大容量存储设备2007可以统称为存储器。

根据本发明的各种实施例，所述服务器2000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器2000可以通过连接在所述系统总线2005上的网络接口单元2011连接到网络2012，或者说，也可以使用网络接口单元2011来连接到其他类型的网络或远程计算机系统(未示出)。

所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行；上述一个或者一个以上程序包含用于执行执行以实现上述方法实施例提供的脑图像重定向方法的指令。

本发明的实施例还提供了一种计算机存储介质，所述存储介质可设置于客户端之中以保存用于实现方法实施例中一种脑图像重定向方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的脑图像重定向方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络设备中的至少一个网络设备。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是：上述本说明书实施例先后顺序仅仅为了描述，不代表实施例的优劣。且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，在权利要求书中加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，对于装置和服务器实施例而言，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。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种脑图像重定向方法，其特征在于，所述方法包括：

利用与选取的解剖组织相适应的机器学习模型获取目标脑图像中至少一个解剖组织的分割结果，并利用与选取的特征点相适应的机器学习模型获取目标脑图像中的至少一个特征点的坐标信息；

由所述解剖组织的分割结果以及所述特征点的坐标信息，确定出重定向旋转参数；

根据所述重定向旋转参数对所述目标脑图像进行重定向。

2.根据权利要求1所述的脑图像重定向方法，其特征在于，

所述特征点位于所述解剖组织上或位于所述解剖组织外。

3.根据权利要求1所述的脑图像重定向方法，其特征在于，所述由所述解剖组织的分割结果，确定出重定向旋转参数，包括：

将所述解剖组织的分割结果与预设模板中对应解剖组织的图像信息进行比对，以确定出所述重定向旋转参数。

4.根据权利要求2所述的脑图像重定向方法，其特征在于，所述由所述解剖组织的分割结果以及所述特征点的坐标信息，确定出重定向旋转参数，包括：

根据所述特征点的坐标信息，获取所述目标脑图像绕X轴的旋转矩阵Mx；

根据所述解剖组织的分割结果，获取所述目标脑图像绕Y轴的旋转矩阵My和绕Z轴的旋转矩阵Mz；

由所述旋转矩阵Mx、旋转矩阵My和旋转矩阵Mz，得到所述重定向旋转参数。

5.根据权利要求1所述的脑图像重定向方法，其特征在于，所述利用机器学习模型获取目标脑图像中至少一个解剖组织的分割结果，包括：

使用深度学习网络模型得到所述解剖组织的分割结果。

6.一种脑图像重定向装置，其特征在于，所述装置包括：

第一分割结果获取模块，用于利用与选取的解剖组织相适应的机器学习模型获取目标脑图像中至少一个解剖组织的分割结果；

第二分割结果获取模块，用于利用与选取的特征点相适应的机器学习模型获取目标脑图像中的至少一个特征点的坐标信息；

旋转参数获取模块，用于由所述解剖组织的分割结果以及所述特征点的坐标信息，确定出重定向旋转参数；

7.根据权利要求6所述的脑图像重定向装置，其特征在于，所述特征点位于所述解剖组织上或位于所述解剖组织外。

8.根据权利要求7所述的脑图像重定向装置，其特征在于，所述旋转参数获取模块，包括：

第一旋转矩阵获取单元，用于根据所述特征点的坐标信息，获取所述目标脑图像绕X轴的旋转矩阵Mx；

第二旋转矩阵获取单元，用于根据所述解剖组织的分割结果，获取所述目标脑图像绕Y轴的旋转矩阵My和绕Z轴的旋转矩阵Mz；

重定向参数获取单元，用于由所述旋转矩阵Mx、旋转矩阵My和旋转矩阵Mz，得到所述重定向旋转参数。

9.一种脑图像重定向设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至5任一项所述的脑图像重定向方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至5任一项所述的脑图像重定向方法。