CN110298901A - 磁共振图像校正方法、装置、存储介质及设备 - Google Patents

磁共振图像校正方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN110298901A
CN110298901A CN201910553990.4A CN201910553990A CN110298901A CN 110298901 A CN110298901 A CN 110298901A CN 201910553990 A CN201910553990 A CN 201910553990A CN 110298901 A CN110298901 A CN 110298901A
Authority
CN
China
Prior art keywords
image
brain tissue
images
tissue mask
candidate layer
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
Application number
CN201910553990.4A
Other languages
English (en)
Other versions
CN110298901B (zh
Inventor
马丽娟
刘波
冯莹莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Dongsoft Intelligent Medical Science And Technology Research Institute Co Ltd
Original Assignee
Shenyang Dongsoft Intelligent Medical Science And Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Dongsoft Intelligent Medical Science And Technology Research Institute Co Ltd filed Critical Shenyang Dongsoft Intelligent Medical Science And Technology Research Institute Co Ltd
Priority to CN201910553990.4A priority Critical patent/CN110298901B/zh
Publication of CN110298901A publication Critical patent/CN110298901A/zh
Application granted granted Critical
Publication of CN110298901B publication Critical patent/CN110298901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请公开了一种磁共振图像校正方法、装置、存储介质及设备。该方法包括：根据多张断层图像获得多张脑组织掩膜图像；根据设定的圆形率阈值、面积阈值以及离心率阈值，从多张脑组织掩膜图像中选取候选层图像；获得每个候选层图像中脑组织掩膜的倾斜角，并计算所有候选层图像的平均倾斜角；计算每个候选层图像的第一质心，并根据第一质心确定各张断层图像的第二质心；根据平均倾斜角对每张断层图像进行角度校正，并根据第二质心对每张断层图像进行上下偏移校正。结合三种特征选取候选层图像，通过各个候选层图像的倾斜角获得用于校正断层图像的角度，并利用各断层图像质心对断层图像进行上下偏移校正，校正准确度高、自动化程度高，并且兼容性强。

Description

磁共振图像校正方法、装置、存储介质及设备
技术领域
本说明书涉及医疗设备技术领域，尤其涉及一种磁共振图像校正方法、装置、存储介质及设备。
背景技术
在进行磁共振成像检测时，通常要求被测病人在整个检测过程中保持不动，以获得高质量的图像保证后续检测结果的准确性。
但由于检测历时时间长、病人在生病状态下身体不可控等多种因素，获取的磁共振图像很大概率不能满足要求，因此图像后处理分析中关键的一个环节就是对图像进行校正。尤其是对于磁共振灌注成像(Perfusion Weighted Imaging，PWI)，校正的准确度直接影响半暗带的检测结果。
发明内容
为解决上述问题，本说明书提供了一种磁共振图像校正方法、装置、存储介质及设备。
具体地，本申请是通过如下技术方案实现的：
第一方面，提供一种磁共振图像校正方法，所述方法包括：
获得磁共振成像的多张断层图像，并根据所述多张断层图像获得多张脑组织掩膜图像；
根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像；
获得每个候选层图像中脑组织掩膜的倾斜角，并确定所有候选层图像的平均倾斜角；
确定每个候选层图像的第一质心，并根据所述第一质心确定各张断层图像的第二质心；
根据所述平均倾斜角对每张断层图像进行角度校正，并根据所述第二质心对每张断层图像进行上下偏移校正。
可选地，根据所述多张断层图像获得多张脑组织掩膜图像，包括：
对每张断层图像进行灰度归一化；
获得设定的灰度阈值；
确定所述每张断层图像中，归一化的灰度值大于所述灰度阈值的脑组织掩膜。
可选地，根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像，包括：
从所述多张脑组织掩膜图像中，选取脑组织掩膜的圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像；
从圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像中，选取离心率大于所述离心率阈值的候选层图像。
可选地，获得每个候选层图像中脑组织掩膜的倾斜角，包括：
获得每个候选层图像中，脑组织掩膜与所述候选层图像的垂直轴之间的夹角；
在所述夹角的设定范围内，对所述候选层图像进行角度偏移；
将偏移后的图像中，对称度最高的脑组织掩膜所对应的夹角作为所述脑组织掩膜的倾斜角。
可选地，确定每个候选层图像的第一质心，并根据所述第一质心确定各张断层图像的第二质心，包括：
根据每个候选层图像中每个像素的灰度值，得到第一质心；
根据各个候选层图像的第一质心的不同组合拟合直线，获得直线簇；
确定所述直线簇中，在候选层图像平面中投影面积最小的直线；
将所述直线与各张断层图像的交点，作为所述断层图像的第二质心。
第二方面，提供一种磁共振图像校正装置，所述装置包括：
获得单元，用于获得磁共振成像的多张断层图像，并根据所述多张断层图像获得多张脑组织掩膜图像；
选取单元，用于根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像；
第一确定单元，用于获得每个候选层图像中脑组织掩膜的倾斜角，并确定所有候选层图像的平均倾斜角；
第二确定单元，用于确定每个候选层图像的第一质心，并根据所述第一质心确定各张断层图像的第二质心；
校正单元，用于根据所述平均倾斜角对每张断层图像进行角度校正，并根据所述第二质心对每张断层图像进行上下偏移校正。
可选地，所述获得单元在用于根据所述多张断层图像获得多张脑组织掩膜图像时，具体用于：
对每张断层图像进行灰度归一化；
获得设定的灰度阈值；
确定所述每张断层图像中，归一化的灰度值大于所述灰度阈值的脑组织掩膜。
可选地，所述选取单元具体用于：
从所述多张脑组织掩膜图像中，选取脑组织掩膜的圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像；
从圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像中，选取离心率大于所述离心率阈值的候选层图像。
可选地，所述第一确定单元在用于获得每个候选层图像中脑组织掩膜的倾斜角时，具体用于：
获得每个候选层图像中，脑组织掩膜与所述候选层图像的垂直轴之间的夹角；
在所述夹角的设定范围内，对所述候选层图像进行角度偏移；
将偏移后的图像中，对称度最高的脑组织掩膜所对应的夹角作为所述脑组织掩膜的倾斜角。
可选地，所述第二确定单元具体用于：
根据每个候选层图像中每个像素的灰度值，得到第一质心；
根据各个候选层图像的第一质心的不同组合拟合直线，获得直线簇；
确定所述直线簇中，在候选层图像平面中投影面积最小的直线；
将所述直线与各张断层图像的交点，作为所述断层图像的第二质心。
第三方面，提供一种磁共振图像校正设备，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，
所述外部接口，用于获取磁共振成像的多张断层图像；
所述存储器，用于存储磁共振图像校正逻辑对应的机器可读指令；
所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如上所述的磁共振图像校正方法。
第四方法，提供一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行如上所述的磁共振图像校正方法。
本说明书实施例中，结合三种特征选取候选层图像，通过各个候选层图像的倾斜角获得用于校正断层图像的角度，并利用投影面积最小这一特性精确拟合各断层图像质心的空间直线，以对断层图像进行上下偏移校正，校正准确度高、自动化程度高，并且兼容性强。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1是本申请一示例性实施例示出的一种磁共振图像校正方法的流程图；
图2是本申请一示例性实施例示出的PWI断层图像；
图3是根据图2所示的PWI断层图像提取的脑组织掩膜图像；
图4A是本申请一示例性实施例示出的一种获得脑组织掩膜的倾斜角方法的流程图；
图4B是本申请一示例性实施例示出的脑组织掩膜夹角示意图；
图4C是本申请一示例性实施例示出的脑组织掩膜的倾斜角示意图；
图4D和图4E为本申请一示例性实施例示出的脑组织掩膜关于y轴对称性的示意图；
图5是本申请一示例性实施例示出的脑组织掩膜倾斜角的计算曲线；
图6A是本申请一示例性实施例示出的确定第二质心方法的流程图；
图6B是本申请一示例性实施例示出的断层图像的第一质心空间位置图；
图6C为在图6B中标注了候选层图像的第一质心坐标的空间位置图；
图7是本申请一示例性实施例示出的标注出第二质心的PWI断层图像；
图8是本申请一示例性实施例示出的校正后的PWI断层图像；
图9是本申请一示例性实施例示出的一种磁共振图像校正装置的示意图；
图10是本申请一示例性实施例示出的一种磁共振图像校正设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，为本申请一示例性实施例示出的一种磁共振图像校正方法的流程图，该方法可以包括以下步骤：
在步骤101中，获得磁共振成像的多张断层图像，并根据所述多张断层图像获得多张脑组织掩膜(mask)图像。
在本步骤中，磁共振成像可以包括多种序列的颅脑磁共振成像，磁共振灌注成像(Perfusion Weighted Imaging，PWI)、弥散加权成像(Diffusion Weighted Imaging，DWI)等等。
进行MRI检测，通常可以获得多个断层的MRI图像。以图2为例，其示出某病人进行MRI检测得到的19个断层的PWI图像。
由于对磁共振图像的校正主要是针对脑部倾斜以及上下偏移的纠正，并且由于MRI对组织敏感而对骨头不敏感，因此从每张断层图像中可以提取出脑组织图像，得到脑组织掩膜。通过对上述多张断层图像进行脑组织提取，则可以相应地获得多张脑组织掩膜图像。
在一个示例中，可以通过以下方式获得多张脑组织掩膜图像：
首先，对于每张断层图像进行灰度归一化。
由于不同磁共振设备获取的磁共振图像灰度阶差距较大，因此首先需要对图像进行灰度归一化。
接下来，获得设定的灰度阈值。该灰度阈值可以是相关技术中普通采用的阈值设定的，也可以是自行设定的。
最后，确定所述每张断层图像中，归一化的灰度值大于所述灰度阈值的脑组织掩膜。也即，将每张图像中，保留所有归一化的灰度值大于所设定的灰度阈值的像素，而去除小于该灰度阈值的部分，由保留的这些像素构成了脑组织掩膜。
图3示出了根据图2所示的多张断层图像获得的相应的多张脑组织掩膜图像。
在步骤102中，根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像。
其中，圆形率表征的是脑组织掩膜边缘的圆滑程度，面积(相对于断层图像所占的面积)表征的是断层位置，离心率表征的是脑组织掩膜接近于圆形的程度。其中，圆形率Cr的计算公式为：
Cr＝4A/P2 (1)
其中，A为脑组织掩膜的面积，P为脑组织掩膜的周长。
在进行候选层图像的选取之前，先获得所设定的圆形率阈值、面积阈值以及离心率阈值。例如，圆形率阈值Th1＝0.9，面积阈值Th2＝0.65，离心率阈值Th3＝0.85。
接下来进入候选层图像的选取过程。
首先，根据圆形率阈值、面积阈值进行选取。即从所述多张脑组织掩膜图像中，获取脑组织掩膜的圆形率大于圆形率阈值，并且面积大于面积阈值的脑组织掩膜图像。也就是说，不但需要选择面积相对较大的图像，还需要选择边缘相对光滑的图像。
例如，从图3所示的19张脑组织掩膜图像中，选取出圆形率大于0.9、面积阈值大于0.65的大脑组织较完整的4～6张脑组织掩膜图像。其中，第5、6、7层的面积与8、9层相近，但是圆形率与8、9层相比则偏差较大。可见，结合面积与圆形率两个因素，能够选取出更符合条件的层作为候选层。
接下来，根据离心率再一次进行筛选。即从圆形率大于圆形率阈值，并且面积大于面积阈值的脑组织掩膜图像中，获得离心率大于离心率阈值的候选层图像。
对于边缘较为圆滑的脑组织掩膜，离心率的引入能够进一步优化候选层的选取，确定所选取的候选层为鼻腔向上、软组织较为完整的相邻断层。
最终所获得的候选层图像，优选为相邻断层的脑组织掩膜图像。
仍以图3为例，对于圆形率大于0.9、面积阈值大于0.65的断层，基于离心率阈值0.85进行进一步筛选，最终选取的候选层为：第10、11、12、13，共4层。
对于不同的数据筛选出的候选层均为最中间的连续几层。候选层越多后续计算量越大，候选层越少则计算的误差会越大。为了兼容正确性与运算量，候选层优选4～6层。
在根据圆形率阈值、面积阈值进行选取出的候选层过多或过少的情况下，可以对圆形率阈值和面积阈值进行自适应调整，使这一步骤所选取的候选层的数目合适。
在步骤103中，获得每个候选层图像中脑组织掩膜的倾斜角，并确定所有候选层图像的平均倾斜角。
图4A示出获得脑组织掩膜的倾斜角方法的示例性流程图，如图4A所示，该方法可以包括：
在步骤401中，获得每个候选层图像中，脑组织掩膜与候选层图像的垂直轴之间的夹角。
可以采用各处理平台自带软件来获得脑组织掩膜相对于候选层图像的垂直轴之间的夹角。例如，可采用MATLAB自带函数regionprops()进行计算。如图4B所示，其中，候选层图像的水平轴为x轴，垂直轴为y轴，脑组织掩膜所形成的椭圆与y轴的夹角为θ。其中的“+”、“-”表明了夹角θ的正负角度范围。利用函数regionprops()即可对于每个候选层图像，获得夹角θ的值。
在步骤402中，在所述夹角的设定范围内，对所述候选层图像进行角度偏移。
例如，在θ±15°范围内，对候选层图像进行角度偏移，也即，使候选层图像在夹角θ的基础上，进一步向“+”方向，或者“-”方向，发生15°以内的变化。图4C示出了其中一张偏移后的候选层图像。
在步骤403中，将偏移后的图像中，对称度最高的脑组织掩膜所对应的夹角作为所述脑组织掩膜的倾斜角。
对于步骤402得到的各个偏移后的候选层图像，判断脑组织掩膜相对于y轴的对称性。图4D和图4E示出了对于其中一张偏移后的候选层图像，脑组织掩膜关于y轴对称性的示意图。
对于所有偏移后的候选层图像，将其中对称度最高，也即对称性最好的脑组织掩膜所对应的夹角，作为最终脑组织掩膜的倾斜角。
图5示出了脑组织掩膜倾斜角的计算曲线。其中，图5的横轴表示脑组织掩膜与y轴之间的角度，纵轴表示偏移后脑组织掩膜关于y轴对称的两个图像之间的差异，该值越小，表示对称性越高。如图5所示，基于初步计算获得的脑组织掩膜与y轴的夹角，在±15°的范围内寻找对称度最高的角度，该曲线的最低点即表示对称度最高时所对应的角度，将该角度作为脑组织掩膜的倾斜角。
在步骤104中，确定每个候选层图像的第一质心，并根据所述第一质心确定所有磁共振成像序列中每层图像的第二质心。
在一个示例中，可以利用以下方法确定所有磁共振成像序列中每层图像的第二质心，如图6A所示，该方法包括：
在步骤601中，根据每个候选层图像中每个像素的灰度值，得到第一质心。
第一质心是候选层图像中，根据各个像素的灰度值所得到的真实质心。对于不同的候选层图像来说，由于脑组织掩膜的形状、位置有很大差异，因此真实质心的差异是非常大的。图6B示出了图2中PWI断层图像的第一质心坐标图，由图6B可见，各个断层图像的质心在图像平面上的位置差异明显。
在步骤602中，根据各个候选层图像的第一质心的不同组合拟合直线，获得直线簇。
图6C为在图6B中标注了候选层图像的第一质心的坐标图，由图6C可见，候选层内的第一质心近似在空间的一条直线上，而其他层的第一质心与该质心簇离散度较大。这也反向证明了本方法所选取的候选层的精确性。
假设候选层数目为N，可以取任意2～N个点拟合空间直线，得到直线簇L，其可用以下公式表示：
在步骤603中，确定所述直线簇中，在候选层图像平面中投影面积最小的直线。
在由候选层的第一质心形成的L条直线中，在候选层图像平面(水平面)上投影面积最小的直线，则代表最接近垂直的直线。
在步骤604中，将所述直线与磁共振成像序列中每层图像的交点，作为各层图像的第二质心。
将步骤603中所确定的直线，在空间中与各个断层所在平面所形成的平面簇相交，将该直线与每个断层的交点，确定为该断层的第二质心。
图7示出了标注出第二质心的断层图像，同时标注出了脑组织掩膜的对称轴。
在获得了平均倾斜角和断层图像的第二质心后，进入步骤105。
在步骤105中，根据所述平均倾斜角对每张断层图像进行角度校正，并根据所述第二质心对每张断层图像进行上下偏移校正。
图8示出了校正后的各张断层图像，由图8可见，在根据平均角进行角度校正后，各张断层图像的对称轴近乎与y轴平行，实现了左右摆正；根据各张断层的第二质心进行校正后，可以实现将各张断层图像上下居中。
在本实施例中，结合三种特征选取候选层图像，通过各个候选层图像的倾斜角获得用于校正断层图像的角度，并利用投影面积最小这一特性精确拟合各断层图像质心的空间直线，以对断层图像进行上下偏移校正，校正准确度高、自动化程度高，并且兼容性强，使用于多家医院、多种设备、多种脑形的批量、快速校正。
上述图1、图4A、图6A所示流程中的各个步骤，其执行顺序不限制于流程图中的顺序。此外，各个步骤的描述，可以实现为软件、硬件或者其结合的形式，例如，本领域技术人员可以将其实现为软件代码的形式，可以为能够实现所述步骤对应的逻辑功能的计算机可执行指令。当其以软件的方式实现时，所述的可执行指令可以存储在存储器中，并被系统中的处理器执行。
与前述磁共振图像校正方法的实施例相对应，本申请还提供了磁共振图像校正装置、磁共振图像校正设备以及计算机可读存储介质的实施例。
参见图9，为本申请磁共振图像校正装置的一个实施例框图，该装置可以包括：
获得单元910，用于获得磁共振成像的多张断层图像，并根据所述多张断层图像获得多张脑组织掩膜图像；
选取单元920，用于根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像；
第一确定单元930，用于获得每个候选层图像中脑组织掩膜的倾斜角，并确定所有候选层图像的平均倾斜角；
第二确定单元940，用于确定每个候选层图像的第一质心，并根据所述第一质心确定各张断层图像的第二质心；
校正单元950，用于根据所述平均倾斜角对每张断层图像进行角度校正，并根据所述第二质心对每张断层图像进行上下偏移校正。
在一个可选的实施方式中，获得单元910在用于根据所述多张断层图像获得多张脑组织掩膜图像时，具体用于：
对每张断层图像进行灰度归一化；
获得设定的灰度阈值；
确定所述每张断层图像中，归一化的灰度值大于所述灰度阈值的脑组织掩膜。
在一个可选的实施方式中，选取单元920具体用于：
从所述多张脑组织掩膜图像中，选取脑组织掩膜的圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像；
从圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像中，选取离心率大于所述离心率阈值的候选层图像。
在一个可选的实施方式中，第一确定单元930在用于获得每个候选层图像中脑组织掩膜的倾斜角时，具体用于：
获得每个候选层图像中，脑组织掩膜与所述候选层图像的垂直轴之间的夹角；
在所述夹角的设定范围内，对所述候选层图像进行角度偏移；
将偏移后的图像中，对称度最高的脑组织掩膜所对应的夹角作为所述脑组织掩膜的倾斜角。
在一个可选的实施方式中，第二确定单元940具体用于：
根据每个候选层图像中每个像素的灰度值，得到第一质心；
根据各个候选层图像的第一质心的不同组合拟合直线，获得直线簇；
确定所述直线簇中，在候选层图像平面中投影面积最小的直线；
将所述直线与各张断层图像的交点，作为所述断层图像的第二质心。
参见图10，为本申请磁共振图像校正设备的一个实施例示意图，该设备可以包括：通过内部总线1010连接的存储器1020、处理器1030和外部接口1040。
其中，所述外部接口1040，用于获取磁共振成像的多张断层图像；
存储器1020，用于存储磁共振图像校正逻辑对应的机器可读指令；
处理器1030，用于读取存储器1020上的所述机器可读指令，并执行如上所述的磁共振图像校正方法。
本申请还提出一种计算机可读存储介质，其上存储有程序，该程序被处理器执行如上所述的磁共振图像校正方法。
在本申请实施例中，计算机可读存储介质可以是多种形式，比如，在不同的例子中，所述机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。特殊的，所述的计算机可读介质还可以是纸张或者其他合适的能够打印程序的介质。使用这些介质，这些程序可以被通过电学的方式获取到(例如，光学扫描)、可以被以合适的方式编译、解释和处理，然后可以被存储到计算机介质中。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种磁共振图像校正方法，其特征在于，包括：
获得磁共振成像的多张断层图像，并根据所述多张断层图像获得多张脑组织掩膜图像；
根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像；
获得每个候选层图像中脑组织掩膜的倾斜角，并确定所有候选层图像的平均倾斜角；
确定每个候选层图像的第一质心，并根据所述第一质心确定各张断层图像的第二质心；
根据所述平均倾斜角对每张断层图像进行角度校正，并根据所述第二质心对每张断层图像进行上下偏移校正。
2.根据权利要求1所述的方法，其特征在于，根据所述多张断层图像获得多张脑组织掩膜图像，包括：
对每张断层图像进行灰度归一化；
获得设定的灰度阈值；
确定所述每张断层图像中，归一化的灰度值大于所述灰度阈值的脑组织掩膜。
3.根据权利要求1或2所述的方法，其特征在于，根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像，包括：
从所述多张脑组织掩膜图像中，选取脑组织掩膜的圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像；
从圆形率大于所述圆形率阈值，并且面积大于所述面积阈值的脑组织掩膜图像中，选取离心率大于所述离心率阈值的候选层图像。
4.根据权利要求1或2所述的方法，其特征在于，获得每个候选层图像中脑组织掩膜的倾斜角，包括：
获得每个候选层图像中，脑组织掩膜与所述候选层图像的垂直轴之间的夹角；
在所述夹角的设定范围内，对所述候选层图像进行角度偏移；
将偏移后的图像中，对称度最高的脑组织掩膜所对应的夹角作为所述脑组织掩膜的倾斜角。
5.根据权利要求1或2所述的方法，其特征在于，确定每个候选层图像的第一质心，并根据所述第一质心确定各张断层图像的第二质心，包括：
根据每个候选层图像中每个像素的灰度值，得到第一质心；
根据各个候选层图像的第一质心的不同组合拟合直线，获得直线簇；
确定所述直线簇中，在候选层图像平面中投影面积最小的直线；
将所述直线与各张断层图像的交点，作为所述断层图像的第二质心。
6.一种磁共振图像校正装置，其特征在于，包括：
获得单元，用于获得磁共振成像的多张断层图像，并根据所述多张断层图像获得多张脑组织掩膜图像；
选取单元，用于根据设定的圆形率阈值、面积阈值以及离心率阈值，从所述多张脑组织掩膜图像中选取候选层图像；
第一确定单元，用于获得每个候选层图像中脑组织掩膜的倾斜角，并确定所有候选层图像的平均倾斜角；
第二确定单元，用于确定每个候选层图像的第一质心，并根据所述第一质心确定各张断层图像的第二质心；
校正单元，用于根据所述平均倾斜角对每张断层图像进行角度校正，并根据所述第二质心对每张断层图像进行上下偏移校正。
7.根据权利要求6所述的装置，其特征在于，所述第一确定单元在用于获得每个候选层图像中脑组织掩膜的倾斜角时，具体用于：
获得每个候选层图像中，脑组织掩膜与所述候选层图像的垂直轴之间的夹角；
在所述夹角的设定范围内，对所述候选层图像进行角度偏移；
将偏移后的图像中，对称度最高的脑组织掩膜所对应的夹角作为所述脑组织掩膜的倾斜角。
8.根据权利要求6所述的装置，其特征在于，所述第二确定单元具体用于：
根据每个候选层图像中每个像素的灰度值，得到第一质心；
根据各个候选层图像的第一质心的不同组合拟合直线，获得直线簇；
确定所述直线簇中，在候选层图像平面中投影面积最小的直线；
将所述直线与各张断层图像的交点，作为所述断层图像的第二质心。
9.一种磁共振图像校正设备，其特征在于，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，
所述外部接口，用于获取磁共振成像的多张断层图像；
所述存储器，用于存储磁共振图像校正逻辑对应的机器可读指令；
所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行权利要求1-5中任一项所述的方法。
CN201910553990.4A 2019-06-25 2019-06-25 磁共振图像校正方法、装置、存储介质及设备 Active CN110298901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910553990.4A CN110298901B (zh) 2019-06-25 2019-06-25 磁共振图像校正方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910553990.4A CN110298901B (zh) 2019-06-25 2019-06-25 磁共振图像校正方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
CN110298901A true CN110298901A (zh) 2019-10-01
CN110298901B CN110298901B (zh) 2023-07-04

Family

ID=68028781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910553990.4A Active CN110298901B (zh) 2019-06-25 2019-06-25 磁共振图像校正方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN110298901B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634287A (zh) * 2020-12-25 2021-04-09 电子科技大学 一种基于层间偏移校正的心脏磁共振图像分割方法
CN114446446A (zh) * 2021-12-24 2022-05-06 东软医疗系统股份有限公司 医学影像图像产生方法和装置、电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2549437A2 (en) * 2011-07-19 2013-01-23 Kabushiki Kaisha Toshiba Moving object contour extraction apparatus, left ventricle image segmentation apparatus, moving object contour extraction method and left ventricle image segmentation
CN103198465A (zh) * 2013-04-19 2013-07-10 中国石油大学(华东) 一种ct扫描图像旋转误差校正方法
CN108460738A (zh) * 2018-02-11 2018-08-28 湖南文理学院 基于b样条的医学图像倾斜校正方法
CN109409366A (zh) * 2018-10-30 2019-03-01 四川长虹电器股份有限公司 基于角点检测的畸变图像校正方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2549437A2 (en) * 2011-07-19 2013-01-23 Kabushiki Kaisha Toshiba Moving object contour extraction apparatus, left ventricle image segmentation apparatus, moving object contour extraction method and left ventricle image segmentation
CN103198465A (zh) * 2013-04-19 2013-07-10 中国石油大学(华东) 一种ct扫描图像旋转误差校正方法
CN108460738A (zh) * 2018-02-11 2018-08-28 湖南文理学院 基于b样条的医学图像倾斜校正方法
CN109409366A (zh) * 2018-10-30 2019-03-01 四川长虹电器股份有限公司 基于角点检测的畸变图像校正方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
FIRST A. JING JIA 等: ""Computer-aided diagnosis of pulmonary nodules on CT scan images"", 《10TH INTERNATIONAL CONFERENCE ON MODELLING, IDENTIFICATION AND CONTROL (ICMIC)》 *
MANOLIS I.A. LOURAKIS 等: ""Plane metric rectification from a single view of multiple coplanar circles"", 《 2009 16TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
张海燕 等: ""基于最大特征分量的快速人脸倾斜校正方法"", 《电子测量与仪器学报》 *
李增云 等: ""利用部分投影的二维CT旋转中心偏移快速校正"", 《CT理论与应用研究 》 *
潘梅森: ""医学图像倾斜校正方法与应用研究"", 《中国博士学位论文全文数据库（信息科技辑）》 *
费斌: ""应用于视觉导航的图像配准研究"", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634287A (zh) * 2020-12-25 2021-04-09 电子科技大学 一种基于层间偏移校正的心脏磁共振图像分割方法
CN114446446A (zh) * 2021-12-24 2022-05-06 东软医疗系统股份有限公司 医学影像图像产生方法和装置、电子设备

Also Published As

Publication number Publication date
CN110298901B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN111046717B (zh) 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
Shi et al. Automated 3-D retinal layer segmentation of macular optical coherence tomography images with serous pigment epithelial detachments
JP5970766B2 (ja) 医用画像処理装置、医用画像処理方法、プログラム
US10290109B2 (en) Method and system for cardiac image segmentation
US20030069494A1 (en) System and method for segmenting the left ventricle in a cardiac MR image
US20050238215A1 (en) System and method for segmenting the left ventricle in a cardiac image
CN110298901A (zh) 磁共振图像校正方法、装置、存储介质及设备
EP2715663A1 (en) Apparatus for generating assignments between image regions of an image and element classes
CN112700451A (zh) 用于自动分割3d医学图像的方法、系统和计算机可读介质
US10987020B2 (en) Method for tissue classification, computer program product and magnetic resonance imaging system
WO2018071414A1 (en) Systems and methods for improved tractography images
US20150206300A1 (en) Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data
US8606038B2 (en) Method and computer system for the reduction of artifacts in reconstructed CT image datasets
Dempere-Marco et al. Analysis of visual search patterns with EMD metric in normalized anatomical space
CN116862930A (zh) 适用于多模态的脑血管分割方法、装置、设备和存储介质
US20230165467A1 (en) Methods and systems for analyzing a central nervous system based on brainstem structural characteristics
Vos et al. Combined pixel classification and atlas-based segmentation of the ventricular system in brain CT Images
JP6469838B2 (ja) 生物組織の３次元ボリュームを表す画像データを分析する方法
Listyalina et al. Automated localisation of optic disc in retinal colour fundus image for assisting in the diagnosis of glaucoma
CN111524081B (zh) 肺部影像角度矫正方法、装置、电子设备和存储介质
US20240112331A1 (en) Medical Image Data Processing Technique
CN108389613B (zh) 一种基于图像几何对称属性的侧旋姿态校正方法
EP4377903A1 (en) Identifying anatomical features
CN116324901A (zh) 确定目标对象类型和位置
CN118229741A (zh) 图像处理方法及图像处理设备

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