CN110288587A - 一种缺血性脑卒中磁共振影像的病灶识别方法 - Google Patents
一种缺血性脑卒中磁共振影像的病灶识别方法 Download PDFInfo
- Publication number
- CN110288587A CN110288587A CN201910579679.7A CN201910579679A CN110288587A CN 110288587 A CN110288587 A CN 110288587A CN 201910579679 A CN201910579679 A CN 201910579679A CN 110288587 A CN110288587 A CN 110288587A
- Authority
- CN
- China
- Prior art keywords
- image
- asl
- magnetic resonance
- nuclear magnetic
- dwi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003902 lesion Effects 0.000 title claims abstract description 34
- 206010008092 Cerebral artery thrombosis Diseases 0.000 title claims abstract description 29
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000010412 perfusion Effects 0.000 claims abstract description 32
- 230000002490 cerebral effect Effects 0.000 claims abstract description 22
- 230000000302 ischemic effect Effects 0.000 claims abstract description 17
- 206010061216 Infarction Diseases 0.000 claims abstract description 16
- 230000007574 infarction Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000003709 image segmentation Methods 0.000 claims description 17
- 230000010339 dilation Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 230000003628 erosive effect Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000002203 pretreatment Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000007654 ischemic lesion Effects 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 abstract description 2
- 210000004556 brain Anatomy 0.000 description 13
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 3
- 206010008118 cerebral infarction Diseases 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000012447 hatching Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000002537 thrombolytic effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010056292 Androgen-Insensitivity Syndrome Diseases 0.000 description 1
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 description 1
- 108091006623 SLC12A3 Proteins 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及医疗辅助识别技术领域,具体为一种缺血性脑卒中磁共振影像的病灶识别方法,该方法包括图像输入步骤,DWI图像处理步骤,ASL图像处理步骤,梗死计算步骤,低灌注计算步骤,DWI三维重构步骤,ASL三维重构步骤,缺血半暗带识别步骤等,DWI图像处理步骤和ASL图像处理步骤采用了形态学的方法对图像进行特征增强,并基于自适应阈值的分割方法实现病灶分割,直接体积计算,再通过图像配准算法实现缺血半暗带识别,然后计算Mismatch值。本发明提供的一种缺血性脑卒中磁共振影像的病灶识别方法,可以准确的识别出大脑缺血性病变位置,提供具体的病变体积数值,并提供三维可视化的数据展示,为医生诊疗提供准确的参考依据,辅助医生临床决策。
Description
技术领域
本发明涉及医疗辅助识别技术领域,具体为一种缺血性脑卒中磁共振影像的病灶识别方法。
背景技术
脑卒中是一种常见的脑血管疾病,具有高发病率、高死亡率和高致残率的特点。急性缺血性脑卒中(acute ischemic stroke,AIS)占脑卒中的60%~80%,它是各种原因导致的脑组织血液供应障碍。临床上中常用脑实质成像来进行疾病的诊断、疗效评价以及预后判断。其中DWI技术对于梗死灶具有极高的敏感度,ASL可以很好的观察缺血半暗带的范围,从而进行治疗评估。若缺血半暗带体积与梗死灶体积的比值(Mismatch)大于等于1.8,即可挽救脑组织较多,对患者进行溶栓等操作可以获得较大的收益,若Mismatch小于1.8,即可挽救脑组织较少,对患者进行溶栓等操作意义不大。因为磁共振技术的复杂性,及其较高的检查成本,现有的产品多为基于CT图像的脑梗死识别,虽然NCCT是临床上公认的急性缺血性脑卒中的常规检查和首选检查手段,但在早期不一定都能显示低密度改变,对早期脑梗死的敏感度仅为31%。所以基于磁共振影像的图像分割技术,可以更好的为临床治疗辅助决策提供帮助。目前磁共振ASL与DWI成像技术的不匹配度是临床上诊断缺血半暗带的“金标准”。
中国专利CN109509186公开了一种基于CT图像的缺血性脑卒中病灶检测方法。该方法中对大脑CT图像进行预处理和基于区域生长法的区域生长处理,增大了病灶区域的与正常大脑的图像特征差异。然后,基于大脑的对称性将左脑区和右脑区中的大脑图像划分为多个像素方格,并逐个对比左脑和右脑中位置具有对称性的两个像素方格的预定图像特征的特征差异,从而可以根据该特征差异确定哪一个像素方格包含缺血性脑卒中的病灶。实现通过大脑CT图像有效检测缺血性脑卒中病灶的目的。
不管是CT图像分割还是MRI图像分割,在图像分割的方法上类似,差别在于是对临床诊疗辅助的不同成像手段,都是需要图像特征进行处理分析。基于MRI的成像技术拥有更高的特异性,所以,本技术可以很好的为临床辅助决策提供量化指标。
在中国专利CN109509186所公开的技术方法中,采用的区域生长处理增强病灶区域的图像特征,但是区域生长法是一种迭代的方法,空间和时间开销都比较大,噪声和灰度不均匀可能会导致空洞和过分割,并在对图像中的阴影效果处理上往往不是很好。采取基于大脑对称性的图像特征差异确定病灶区域,由于认知功能的差异导致的大脑偏侧化差异影响,使得双侧大脑半球本身是存在结构和形态上的差异,会给分割带了一定误差。并且所获取结果仅为单一图像上的显示,为医生提供帮助有限。
发明内容
本发明意在提供一种缺血性脑卒中磁共振影像的病灶识别方法,可以准确的识别出大脑缺血性病变位置,提供具体的病变体积数值,并提供三维可视化的数据展示,为医生诊疗提供准确的参考依据,辅助医生临床决策。
为了解决上述技术问题,本申请提供如下技术方案:
一种缺血性脑卒中磁共振影像的病灶识别方法,包括以下步骤:
图像输入步骤,输入DWI图像和ASL图像;
DWI图像处理步骤,对DWI图像进行处理,分离图像中的梗死区域;
ASL图像处理步骤,对ASL图像进行处理,分离图像中的低灌注区域;
梗死计算步骤,计算梗死区域体积;
低灌注计算步骤,计算低灌注区域体积;
DWI三维重构步骤,对DWI图像进行三维重构和显示;
ASL三维重构步骤,对ASL图像进行三维重构和显示;
缺血半暗带识别步骤,对缺血半暗带进行识别,根据梗死区域体积和低灌注区域体积计算Mismatch值。
本发明技术方案中,可以完整的计算出缺血性脑卒中Mismatch值及病灶体积,可以为临床诊断提供量化的参考依据,结果的三维展示,可以为医生更好的提供病灶的特点展示,帮助医生更好的设计手术实施方案。
进一步,所述DWI图像处理步骤与ASL图像处理步骤均包括以下内容;
预处理步骤,使用边缘检测算法去除无关区域;
滤波处理步骤,通过滤波算法对图像进行滤波处理;
特征增强步骤,采取形态学方法闭运算操作对图像进行病灶区域特征增强;
图像分割步骤,对图像进行分割处理,分割出病灶区域。
基于形态学的特征增强方法具有更好的抗噪能力,空间和时间开销比较小,不会存在噪声和灰度不均一导致的空洞和过分割,并在对图像中的阴影效果处理上比较好。
进一步,所述梗死计算步骤中和低灌注计算步骤中,通过以下公式计算梗死区域体积或低灌注区域体积:
其中:V为梗死区域体积或低灌注区域体积,T为图像层数,Q为梗死区域或低灌注区域的像素个数,PX、PY为像素间距离,t为图像层厚。根据像素数以及层厚等直接计算出病灶区域的体积。
进一步,所述预处理中采用基于Laplace算子的边缘检测去除无关区域。
无关区域指的是像颅骨部分等与脑卒中无关的区域,通过去除无关区域,避免无关区域的影响,并减少运算量。
进一步,ASL图像处理步骤的预处理步骤中,首先将彩色ASL图像灰度化处理。进行灰度化处理方便后续操作,也可以减少处理数据量。
进一步,所述滤波处理步骤中采用中值滤波算法。通过滤波算法对图像进行滤波处理,避免噪音影响。
进一步,特征增强步骤中,闭运算操作包括对图像先进行膨胀运算再进行腐蚀运算;
图像进行腐蚀运算的数学表达式为:
图像进行膨胀运算的数学表达式为:
其中X为目标图像,B为用于对图像进行腐蚀或膨胀的结构元素。
通过腐蚀运算和膨胀运算,让特征更加明显,有利于提高图像分割精准度。
进一步,所述图像分割步骤中,采用自适应阈值的方法进行图像分割,包括以下内容:
根据公式:
ω0=N0/M×N
ω1=N1/M×N
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
计算得到g=ω0ω1(μ0-μ1)^2,
公式中,T表示前景和背景的分割阈值,ω0表示属于前景的像素点数占整幅图像的比例,μ0为前景的平均灰度;ω1表示背景像素点数占整幅图像的比例,μ1为背景的平均灰度;为μ整幅图像的平均灰度,g为类间方差;M×N为图像的大小,N0表示图像中像素的灰度值小于阈值T的像素个数,N1为像素灰度大于阈值T的像素个数;
采取遍历的方法得到使得类间方差g最大的阈值T,即为自适应阈值。
前景表示的是目标图像,即病灶区域,背景表示非病灶区域。基于自适应阈值的图像病灶分割具有更高的敏感度以及特异性,通过自适应阈值进行图像分割,可以更加准确的区分病灶和背景,使得识别和计算的结果更为精准,为医生的诊断提供强有力的诊断依据,从而减少误诊率、漏诊率,提高工作效率。
进一步,所述缺血半暗带识别步骤包括:
通过图像配准算法-平均绝对差算法实现对缺血半暗带的识别;
根据获取的梗死核心体积和低灌注区域体积计算Mismatch。
通过图像配准算法-平均绝对差算法实现对缺血半暗带的识别,与直接体积计算进行比对,可以快速确定结果,为临床诊断提供量化的参考依据。
进一步,所述图像配准算法-平均绝对差算法采用以下公式:
其中1≤i≤m-M+1,1≤j≤n-N+1
S(x,y)表示大小为m×n的DWI图像,T(x,y)是大小为m×n的ASL图像,D(i,j)为平均绝对差;
在DWI和ASL图像中,各以(i,j)为左上角取M×N大小的子图,计算其相似度,遍历所有图像,找到最为相似的两张图像作为最终的匹配结果;以平均绝对差D(i,j)来代表相似度,找到最小的D(i,j)既能确定匹配图像。采用平均绝对差来表示相似度,可以快速实现图像的匹配和识别。
附图说明
图1为本发明一种缺血性脑卒中磁共振影像的病灶识别方法实施例中的方法流程图;
图2为本发明一种缺血性脑卒中磁共振影像的病灶识别方法实施例中DWI三维重构结果示意图;
图3为本发明一种缺血性脑卒中磁共振影像的病灶识别方法实施例中ASL三维重构结果示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
如图1所示,一种缺血性脑卒中磁共振影像的病灶识别方法,包括以下步骤:
图像输入步骤,输入DWI图像和ASL图像;
DWI图像处理步骤,对DWI图像进行处理,分离图像中的梗死区域;
ASL图像处理步骤,对ASL图像进行处理,分离图像中的低灌注区域;
梗死计算步骤,计算梗死区域体积;
低灌注计算步骤,计算低灌注区域体积;
DWI三维重构步骤,对DWI图像进行三维重构和显示;
ASL三维重构步骤,对ASL图像进行三维重构和显示;
缺血半暗带识别步骤,根据梗死区域体积和低灌注区域体积计算Mismatch值,对缺血半暗带进行识别。
本实施例中,上述步骤的执行的先后顺序并不一定严格按照上述步骤的出现顺序,例如梗死计算步骤和DWI三维重构可以先后执行也可以同时执行,DWI图像处理步骤和ASL图像处理步骤可以先后执行也可以同时执行,但是图像输入步骤则是后续步骤的基础。
本实施例中,DWI图像处理步骤、梗死计算步骤和DWI三维重构步骤在一个线程中顺序执行,ASL图像处理步骤、低灌注计算步骤和ASL三维重构步骤则在另一个线程中顺序执行。
DWI图像处理步骤、梗死计算步骤和DWI三维重构步骤顺序执行时,依次执行以下步骤:
(1)、预处理步骤,使用边缘检测算法去除无关区域;本实施例中,预处理中采用基于Laplace算子的边缘检测去除无关区域,如颅骨等区域。
具体的,Laplace算子表示为:
图像是离散的二维矩阵,用差分近似微分:
可以得到:
Δf=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)
用模板可以表示为:
(2)、滤波处理步骤,通过滤波算法对图像进行滤波处理;本实施例中,采用中值滤波算法,通过滤波算法对图像进行滤波处理,避免噪音影响。具体为:
g=median[f(x-1,y-1)+f(x,y-1)+f(x+1,y-1)+f(x-1,y)+f(x,y)
+f(x+1,y)+f(x-1,y+1)+f(x,y+1)+f(x+1,y+1)]
用模板可以表示为:
(3)、特征增强步骤,采取形态学方法闭运算操作对图像进行病灶区域特征增强;闭运算操作包括对图像先进行膨胀运算再进行腐蚀运算;
图像进行腐蚀运算的数学表达式为:
图像进行膨胀运算的数学表达式为:
其中X为目标图像,B为用于对图像进行腐蚀或膨胀的结构元素。
腐蚀运算的含义是:每当在目标图像中找到一个于结构元素相同的子图像时,就把该子图像中与结构元素的原点位置对应的那个像素位置标注出来,目标图像上被标注出来的所有像素组成的集合,就是腐蚀运算的结果。其实质就是在目标图像中标出那些与结构元素相同的子图像的原点位置的像素。膨胀运算可以看作是腐蚀的对偶运算,膨胀运算的含义是:先对结构元素B做关于其原点的反射得到反射集合BV,然后在目标图像X上BV平移x,则那些BV平移后与目标图像X至少有一个非零公共元素相交时,对应的原点位置所组成的集合就是膨胀运算的结果。
通过腐蚀运算和膨胀运算,让特征更加明显,有利于提高图像分割精准度。
(4)、图像分割步骤,对图像进行分割处理,分割出病灶区域。本实施例的图像分割步骤中,采用自适应阈值的方法进行图像分割(OTSU算法),包括以下内容:
根据公式:
ω0=N0/M×N
ω1=N1/M×N
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
计算得到g=ω0ω1(μ0-μ1)^2,
公式中,T表示前景(表示的是目标图像,即病灶区域)和背景的分割阈值,ω0表示属于前景的像素点数占整幅图像的比例,μ0为前景的平均灰度;ω1表示背景像素点数占整幅图像的比例,μ1为背景的平均灰度;为μ整幅图像的平均灰度,g为类间方差;M×N为图像的大小,N0表示图像中像素的灰度值小于阈值T的像素个数,N1为像素灰度大于阈值T的像素个数;
采取遍历的方法得到使得类间方差g最大的阈值T,即为自适应阈值。
(5)、通过以下公式计算梗死核心体积:
其中:V为梗死核心体积,T为图像层数,Q为梗死区域的像素个数,PX、PY为像素间距离,t为图像层厚。
(6)、DWI分割结果三维重构和显示,重构结果如图2所示,深色部分为梗死区域。
ASL图像处理步骤、低灌注计算步骤和ASL三维重构步骤执行时与DWI图像的处理过程基本相同,包括了:
(1)、进行预处理,先进行图像灰度化处理,然后采用基于Laplace算子的边缘检测去除无关区域;
(2)、通过中值滤波算法进行图像滤波;
(3)、采取形态学方法闭运算操作对每张图像进行病灶区域特征增强;
(4)、自适应阈值的方法进行图像分割(OTSU算法);
(5)、低灌注区域体积计算;通过公式:来计算低灌注区域的体积,其中:V为低灌注区域体积,T为图像层数,Q为低灌注区域的像素个数,PX、PY为像素间距离,t为图像层厚。
(6)、ASL分割结果三维重构和显示,三维重构结果如图3所示,深色区域为低灌注区域。
在低灌注区域体积以及梗死和心体积计算完成后,还会执行缺血半暗带识别步骤,该步骤具体包括:
根据获取的梗死核心体积和低灌注区域体积计算Mismatch;
通过图像配准算法-平均绝对差算法,即MAD算法实现对缺血半暗带的识别。
图像配准算法-平均绝对差算法采用以下思路:
其中1≤i≤m-M+1,1≤j≤n-N+1
S(x,y)表示大小为m×n的DWI图像,T(x,y)是大小为m×n的ASL图像,D(i,j)为平均绝对差;在DWI和ASL图像中,各以(i,j)为左上角取M×N大小的子图,计算其相似度,遍历所有图像,找到最为相似的两张图像作为最终的匹配结果;以平均绝对差D(i,j)来代表相似度,找到最小的D(i,j)既能确定匹配图像。采用平均绝对差来表示相似度,可以快速实现图像的匹配和识别。
与现有的技术相比,本发明提出的技术方案可以完整的计算出缺血性脑卒中Mismatch值及病灶体积,可以为临床诊断提供量化的参考依据,结果的三维展示,可以为医生更好的提供病灶的特点展示,帮助医生更好的设计手术实施方案。与中国专利“CN109509186基于大脑CT图像的缺血性脑卒中病灶检测方法和装置”中的区域生长法相比,本发明基于形态学的特征增强方法具有更好的抗噪能力,空间和时间开销比较小,不会存在噪声和灰度不均一导致的空洞和过分割,并在对图像中的阴影效果处理上比较好。此外基于自适应阈值的图像病灶分割具有更高的敏感度以及特异性,为医生的诊断提供强有力的诊断依据,从而减少误诊率、漏诊率,提高工作效率。
以上的仅是本发明的实施例,该发明不限于此实施案例涉及的领域,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:包括以下步骤:
图像输入步骤,输入DWI图像和ASL图像;
DWI图像处理步骤,对DWI图像进行处理,分离图像中的梗死区域;
ASL图像处理步骤,对ASL图像进行处理,分离图像中的低灌注区域;
梗死计算步骤,计算梗死区域体积;
低灌注计算步骤,计算低灌注区域体积;
DWI三维重构步骤,对DWI图像进行三维重构和显示;
ASL三维重构步骤,对ASL图像进行三维重构和显示;
缺血半暗带识别步骤,对缺血半暗带进行识别,根据梗死区域体积和低灌注区域体积计算Mismatch值。
2.根据权利要求1所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:所述DWI图像处理步骤与ASL图像处理步骤均包括以下内容;
预处理步骤,使用边缘检测算法去除无关区域;
滤波处理步骤,通过滤波算法对图像进行滤波处理;
特征增强步骤,采取形态学方法闭运算操作对图像进行病灶区域特征增强;
图像分割步骤,对图像进行分割处理,分割出病灶区域。
3.根据权利要求2所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:所述梗死计算步骤中和低灌注计算步骤中,通过以下公式计算梗死区域体积或低灌注区域体积:
其中:V为梗死区域体积或低灌注区域体积,T为图像层数,Q为梗死区域或低灌注区域的像素个数,PX、PY为像素间距离,t为图像层厚。
4.根据权利要求2所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:所述预处理中采用基于Laplace算子的边缘检测去除无关区域。
5.根据权利要求2所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:ASL图像处理步骤的预处理步骤中,首先将彩色ASL图像灰度化处理。
6.根据权利要求2所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:所述滤波处理步骤中采用中值滤波算法。
7.根据权利要求2所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:特征增强步骤中,闭运算操作包括对图像先进行膨胀运算再进行腐蚀运算;
图像进行腐蚀运算的数学表达式为:
图像进行膨胀运算的数学表达式为:
X⊕B={x|(BV)X∩x≠Φ}
其中X为目标图像,B为用于对图像进行腐蚀或膨胀的结构元素。
8.根据权利要求2所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:所述图像分割步骤中,采用自适应阈值的方法进行图像分割,包括以下内容:
根据公式:
ω0=N0/M×N
ω1=N1/M×N
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
计算得到g=ω0ω1(μ0-μ1)^2,
公式中,T表示前景和背景的分割阈值,ω0表示属于前景的像素点数占整幅图像的比例,μ0为前景的平均灰度;ω1表示背景像素点数占整幅图像的比例,μ1为背景的平均灰度;为μ整幅图像的平均灰度,g为类间方差;M×N为图像的大小,N0表示图像中像素的灰度值小于阈值T的像素个数,N1为像素灰度大于阈值T的像素个数;
采取遍历的方法得到使得类间方差g最大的阈值T,即为自适应阈值。
9.根据权利要求2所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:所述缺血半暗带识别步骤包括:
通过图像配准算法-平均绝对差算法实现对缺血半暗带的识别;
根据获取的梗死核心体积和低灌注区域体积计算Mismatch。
10.根据权利要求9所述的一种缺血性脑卒中磁共振影像的病灶识别方法,其特征在于:所述图像配准算法-平均绝对差算法采用以下公式:
其中1≤i≤m-M+1,1≤j≤n-N+1
S(x,y)表示大小为m×n的DWI图像,T(x,y)是大小为m×n的ASL图像,D(i,j)为平均绝对差;
在DWI和ASL图像中,各以(i,j)为左上角取M×N大小的子图,计算其相似度,遍历所有图像,找到最为相似的两张图像作为最终的匹配结果;以平均绝对差D(i,j)来代表相似度,找到最小的D(i,j)既能确定匹配图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579679.7A CN110288587A (zh) | 2019-06-28 | 2019-06-28 | 一种缺血性脑卒中磁共振影像的病灶识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579679.7A CN110288587A (zh) | 2019-06-28 | 2019-06-28 | 一种缺血性脑卒中磁共振影像的病灶识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288587A true CN110288587A (zh) | 2019-09-27 |
Family
ID=68020170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910579679.7A Pending CN110288587A (zh) | 2019-06-28 | 2019-06-28 | 一种缺血性脑卒中磁共振影像的病灶识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288587A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
CN111528885A (zh) * | 2020-04-15 | 2020-08-14 | 脑玺(上海)智能科技有限公司 | 一种基于能谱增强ct的图像处理方法 |
CN111701118A (zh) * | 2020-06-24 | 2020-09-25 | 郭中华 | 一种玻尿酸注射用血管显影装置 |
CN112263225A (zh) * | 2020-10-26 | 2021-01-26 | 中国人民解放军总医院第一医学中心 | 一种基于脑血流的侧支血管及组织功能评估方法 |
CN113077887A (zh) * | 2021-03-24 | 2021-07-06 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
CN113273969A (zh) * | 2021-06-22 | 2021-08-20 | 上海市第六人民医院 | 一种脑部缺血状况评估装置、方法、介质及电子设备 |
CN113876345A (zh) * | 2021-09-28 | 2022-01-04 | 武汉中科医疗科技工业技术研究院有限公司 | 缺血半暗带的识别方法、设备、电子装置和存储介质 |
WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000072038A1 (en) * | 1999-05-21 | 2000-11-30 | The Government Of The United States, As Represented By The Secretary Of The Dept. Of Health And Human Services | Determination of an empirical statistical distribution of the diffusion tensor in mri |
US20120070403A1 (en) * | 2009-02-17 | 2012-03-22 | Sygnis Bioscience Gmbh & Co. Kg | Use of g-csf for the extension of the therapeutic time-window of thrombolytic stroke therapy |
CN105678762A (zh) * | 2016-01-06 | 2016-06-15 | 四川大学 | 一种基于图像信息的缺血性脑卒中治疗监测系统 |
CN107133957A (zh) * | 2017-04-20 | 2017-09-05 | 西门子医疗系统有限公司 | 一种磁共振图像处理方法和装置 |
CN108852308A (zh) * | 2018-06-22 | 2018-11-23 | 苏州高新区人民医院 | 一种基于多参数影像技术优化检测体系的超时间窗ais临床再灌注方法 |
CN109716388A (zh) * | 2016-05-13 | 2019-05-03 | 斯蒂奇廷卡塔洛克大学 | 图像数据中的降噪 |
-
2019
- 2019-06-28 CN CN201910579679.7A patent/CN110288587A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000072038A1 (en) * | 1999-05-21 | 2000-11-30 | The Government Of The United States, As Represented By The Secretary Of The Dept. Of Health And Human Services | Determination of an empirical statistical distribution of the diffusion tensor in mri |
US20120070403A1 (en) * | 2009-02-17 | 2012-03-22 | Sygnis Bioscience Gmbh & Co. Kg | Use of g-csf for the extension of the therapeutic time-window of thrombolytic stroke therapy |
CN105678762A (zh) * | 2016-01-06 | 2016-06-15 | 四川大学 | 一种基于图像信息的缺血性脑卒中治疗监测系统 |
CN109716388A (zh) * | 2016-05-13 | 2019-05-03 | 斯蒂奇廷卡塔洛克大学 | 图像数据中的降噪 |
CN107133957A (zh) * | 2017-04-20 | 2017-09-05 | 西门子医疗系统有限公司 | 一种磁共振图像处理方法和装置 |
CN108852308A (zh) * | 2018-06-22 | 2018-11-23 | 苏州高新区人民医院 | 一种基于多参数影像技术优化检测体系的超时间窗ais临床再灌注方法 |
Non-Patent Citations (4)
Title |
---|
ANDREW BIVARD等: "Arterial Spin Labeling Versus Bolus-Tracking Perfusion in Hyperacute Stroke", 《COMPARATIVE STUDY》 * |
吕俊伟等: "《光电跟踪测量原理》", 31 January 2010, 国防工业出版社 * |
时雅辉等: "短暂性肢体缺血后处理治疗急性脑梗死的疗效观察", 《中风与神经疾病杂质》 * |
高卫香: "基于MRI序列图像的分割方法及三维网格剖分模型的构建", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
CN110956626B (zh) * | 2019-12-09 | 2020-12-18 | 推想医疗科技股份有限公司 | 一种基于图像的预后评估方法及装置 |
CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
CN111528885A (zh) * | 2020-04-15 | 2020-08-14 | 脑玺(上海)智能科技有限公司 | 一种基于能谱增强ct的图像处理方法 |
CN111528885B (zh) * | 2020-04-15 | 2023-09-05 | 脑玺(上海)智能科技有限公司 | 一种基于能谱增强ct的图像处理方法 |
CN111701118A (zh) * | 2020-06-24 | 2020-09-25 | 郭中华 | 一种玻尿酸注射用血管显影装置 |
CN112263225A (zh) * | 2020-10-26 | 2021-01-26 | 中国人民解放军总医院第一医学中心 | 一种基于脑血流的侧支血管及组织功能评估方法 |
WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
CN113077887B (zh) * | 2021-03-24 | 2022-09-02 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
CN113077887A (zh) * | 2021-03-24 | 2021-07-06 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
CN113273969A (zh) * | 2021-06-22 | 2021-08-20 | 上海市第六人民医院 | 一种脑部缺血状况评估装置、方法、介质及电子设备 |
CN113876345A (zh) * | 2021-09-28 | 2022-01-04 | 武汉中科医疗科技工业技术研究院有限公司 | 缺血半暗带的识别方法、设备、电子装置和存储介质 |
CN113876345B (zh) * | 2021-09-28 | 2024-04-16 | 武汉中科医疗科技工业技术研究院有限公司 | 缺血半暗带的识别方法、设备、电子装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288587A (zh) | 一种缺血性脑卒中磁共振影像的病灶识别方法 | |
Zöllner et al. | Assessment of 3D DCE-MRI of the kidneys using non-rigid image registration and segmentation of voxel time courses | |
US9107569B2 (en) | Medical instrument for examining the cervix | |
Hao et al. | Sequential vessel segmentation via deep channel attention network | |
CN106504245A (zh) | 一种多模态脑影像损伤性病变组织图像分割方法 | |
CN109754388B (zh) | 一种颈动脉狭窄程度计算方法、装置及存储介质 | |
Kushol et al. | Contrast enhancement of medical x-ray image using morphological operators with optimal structuring element | |
Du et al. | An integrated deep learning framework for joint segmentation of blood pool and myocardium | |
Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
Maqsood et al. | Detection of macula and recognition of aged-related macular degeneration in retinal fundus images | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
Gómez et al. | Deep architectures for the segmentation of frontal sinuses in X-ray images: Towards an automatic forensic identification system in comparative radiography | |
Kazemifar et al. | Automated algorithm to measure changes in medial temporal lobe volume in Alzheimer disease | |
Paranjpe et al. | Automated diabetic retinopathy severity classification using support vector machine | |
WO2022006917A1 (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
Somasundaram et al. | Fetal head localization and fetal brain segmentation from MRI using the center of gravity | |
Ting et al. | Multiview 3-d echocardiography image fusion with mutual information neural estimation | |
TW201419167A (zh) | 動態心臟影像分析與心功能評估系統 | |
Al-antari et al. | Deep learning myocardial infarction segmentation framework from cardiac magnetic resonance images | |
Sanz-Estébanez et al. | Vortical features for myocardial rotation assessment in hypertrophic cardiomyopathy using cardiac tagged magnetic resonance | |
Fahmi et al. | Image based automated aspect score for acute ischemic stroke patients | |
Yu et al. | Automatic segmentation of white matter lesions using SVM and RSF model in multi-channel MRI | |
CN112669439B (zh) | 基于迁移学习的颅内血管造影增强三维模型的建立方法 | |
Li et al. | Multi-instance learning based on spatial continuous category representation for case-level meningioma grading in MRI images | |
Zhao et al. | Intracranial vascular structure extraction: a machine learning approach |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |
|
RJ01 | Rejection of invention patent application after publication |