CN110634144B - 一种卵圆孔定位方法、装置和存储介质 - Google Patents
一种卵圆孔定位方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110634144B CN110634144B CN201910900594.4A CN201910900594A CN110634144B CN 110634144 B CN110634144 B CN 110634144B CN 201910900594 A CN201910900594 A CN 201910900594A CN 110634144 B CN110634144 B CN 110634144B
- Authority
- CN
- China
- Prior art keywords
- tomographic image
- determining
- image
- skull
- network model
- 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
Images
Classifications
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种卵圆孔定位方法、装置和存储介质,该方法包括:获取患者头颅的多个断层图像;根据各断层图像中的像素信息,确定包含颅底的第一断层图像;将第一断层图像作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定第一断层图像对应的卵圆孔图像。通过本发明实施例的技术方案,可以实现卵圆孔的自动定位,提高定位准确度和定位效率。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种卵圆孔定位方法、装置和存储介质。
背景技术
颅底的卵圆孔位于蝶鞍两侧,其前内方为圆孔、后外方为棘孔。通常,需要对卵圆孔的具体位置进行定位,以便可以治疗疾病,比如脑神经疾病中的三叉神经痛的诊治。
现有技术中,通常是医生基于自身经验,根据患者的头颅影像手动的寻找出卵圆孔的位置。然而,这种定位方式过于依赖于医生的从医经验,并且无法保证定位的准确度,同时也降低了定位效率。
发明内容
本发明实施例提供了一种卵圆孔定位方法、装置和存储介质,以实现卵圆孔的自动定位,提高定位准确度和定位效率。
第一方面,本发明实施例提供了一种卵圆孔定位方法,包括:
获取患者头颅的多个断层图像;
根据各所述断层图像中的像素信息,确定包含颅底的第一断层图像;
将所述第一断层图像作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定所述第一断层图像对应的卵圆孔图像。
第二方面,本发明实施例还提供了一种卵圆孔定位装置,包括:
断层图像获取模块,用于获取患者头颅的多个断层图像;
第一断层图像确定模块,用于根据各所述断层图像中的像素信息,确定包含颅底的第一断层图像;
卵圆孔定位模块,用于将所述第一断层图像作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定所述第一断层图像对应的卵圆孔图像。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的卵圆孔定位方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的卵圆孔定位方法。
本发明实施例通过根据患者头颅的每个断层图像中的像素信息,确定出包含颅底的第一断层图像,并基于预设分割网络模型,对第一断层图像自动分割出相应的卵圆孔图像,从而可以对第一断层图像中的卵圆孔位置进行自动定位,并且无需人工参与,提高了定位准确度和定位效率。
附图说明
图1是本发明实施例一提供的一种卵圆孔定位方法的流程图;
图2是本发明实施例一所涉及的一种在不同切面下卵圆孔位置的示例;
图3是本发明实施例一所涉及的一种预设分割网络模型的示例;
图4是本发明实施例二提供的一种卵圆孔定位方法的流程图;
图5是本发明实施例三提供的一种卵圆孔定位装置的结构示意图;
图6是本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种卵圆孔定位方法的流程图,本实施例可适用于对颅底中的卵圆孔进行定位的情况,该方法可以由卵圆孔定位装置来执行,该装置可以由软件和/或硬件的方式来实现,集成于具有图像处理功能的设备中。该方法具体包括以下步骤:
S110、获取患者头颅的多个断层图像。
其中,断层图像可以是指利用扫描设备对患者头颅进行扫描,根据获得的扫描数据进行重建获得的图像。扫描设备可以是但不限于X光机(X-ray photography)、CT(Computed Tomography,电子计算机断层扫描设备)和MR(Magnetic Resonance Imaging,磁共振扫描设备)。示例性地,当利用CT设备对患者头颅进行扫描时,获得的断层图像可以是患者头颅中预设厚度所对应的CT图像。预设厚度可以根据业务需求和扫描设备性能预先进行确定。
具体地,本实施例可以利用扫描设备,基于预设切面对患者头颅每隔预设厚度处进行扫描,从而可以获得患者头颅中的各个断层图像。其中,预设切面可以是但不限于冠状面、矢状面和横断面(即水平面),其具体可以基于业务需求进行确定。冠状面可以是指沿前后方向,将患者头颅纵切为前后两部分的切面。矢状面可以是指沿左右方向,将患者头颅切为左右两部分的切面。横断面可以是指沿上下方向,将患者头颅切为上下两部分的切面。图2给出了一种在不同切面下卵圆孔位置的示例。图2中的I是处于矢状面的断层图像;A是处于横断面的断层图像;R是处于冠状面的断层图像。断层图像I、A和R中圆圈位置均为卵圆孔位置。
示例性地,S110可以包括:对患者头颅从上到下进行横断面扫描,获取多个处于横断面的断层图像。从图2可以看出:处于横断面A中的卵圆孔位置和特征最为明显,从而本实施例可以利用处于横断面的各个断层图像进行卵圆孔的定位,以便提高定位的准确度和精度。
S120、根据各断层图像中的像素信息,确定包含颅底的第一断层图像。
其中,第一断层图像可以是指患者头颅中的颅底所在的断层图像。本实施例中的卵圆孔位于颅底中。
具体地,本实施例可以根据每个断层图像中的各个像素点的像素值,确定出颅底所在的第一断层图像。示例性地,S120可以包括:根据各断层图像中的像素信息,确定患者头颅对应的骨占比曲线;确定骨占比曲线中的各个极大值,并将各个极大值进行排序,确定排序后的第二个极大值所对应的目标极大值点;将目标极大值点所对应的断层图像确定为包含颅底的第一断层图像。
其中,骨占比曲线可以根据每个断层图像中的骨像素数量与头颅像素总数量的比值进行绘制,比如,可以以断层图像的标识为横轴,以骨像素数量与头颅像素总数量的比值为纵轴来绘制骨占比曲线。
具体地,本实施例可以根据断层图像中的各个像素点的像素值,统计断层图像中的骨像素数量与头颅像素总数量,从而确定出该断层图像对应的骨像素数量与头颅像素总数量的比值,进而绘制出骨占比曲线。可以通过对骨占比曲线求导的方式,获得骨占比曲线中在纵轴上的各个极大值,并将所有极大值从大到小进行降序排列,获取排列后的第二个极大值,并基于该骨占比曲线,获得第二个极大值所对应的在横纵上的目标极大值点,并将目标极大值点所对应的断层图像确定为包含颅底的第一断层图像。需要说明的是,基于头颅解剖结构,本实施例中的第一个极大值所对应的是颅顶位置,第二个极大值所对应的是颅底位置。本实施例通过基于骨占比曲线可以准确地获得颅底所在的第一断层图像,并适用于所有患者的头颅结构,避免了定位的局限性。
S130、将第一断层图像作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定第一断层图像对应的卵圆孔图像。
其中,预设分割网络模型可以是指对第一断层图像进行图像分割,识别出卵圆孔图像的卷积神经网络模型。示例性地,预设分割网络模型可以是U-Net卷积神经网络模型。卵圆孔图像可以是指第一断层图像中的卵圆孔区域所对应的图像,其也可以是指在第一断层图像中标注有卵圆孔位置的图像。
示例性地,在使用预设分割网络模型之前,还包括预设分割网络模型的训练过程,具体包括:获取多个断层图像样本和每个断层图像样本对应的标准卵圆孔图像;将断层图像样本迭代输入至预设分割网络模型,确定断层图像样本对应的输出卵圆孔图像;基于预设损失函数,根据输出卵圆孔图像和标准卵圆孔图像,确定断层图像样本对应的训练误差;在训练误差大于或等于预设误差时,调整预设分割网络模型的网络参数;在训练误差小于预设误差时,或者迭代次数等于预设次数时,确定预设分割网络模型训练结束。
其中,断层图像样本可以是指包含卵圆孔的断层图像,其可以通过扫描设备获得,也可以通过对扫描设备获得的断层图像进行随机裁剪、随机旋转和随机缩放等方式处理后获得,以便快速增加断层图像样本的数量。本实施例可以通过手动标定的方式确定出每个断层图像样本对应的标准卵圆孔图像。预设损失函数可以是指但不限于Dice Loss损失函数。本实施例可以通过利用Dice Loss损失函数,有效避免小物体分割时正负样本不均衡导致的收敛速度慢的问题。预设误差可以是指卵圆孔定位所允许的最大误差值。预设次数可以是指迭代次数的最大值。
具体地,在对预设分割网络模型进行训练结束之后,可以将包含颅底的第一断层图像输入至预设分割网络模型中,并将预设分割网络模型的输出图像作为第一断层图像对应的卵圆孔图像。示例性地,预设分割网络模型在对第一断层图像中的卵圆孔进行分割定位时,可以将第一断层图像中的卵圆孔区域内的像素点标记为1,卵圆孔区域外的像素点标记为0,从而可以获得只有卵圆孔区域的卵圆孔图像;也可以将第一断层图像中的卵圆孔区域进行颜色标识,从而获得标注有卵圆孔位置的断层图像,实现了卵圆孔的自动定位。
本实施例的技术方案,通过根据患者头颅的每个断层图像中的像素信息,确定出包含颅底的第一断层图像,并基于预设分割网络模型,对第一断层图像自动分割出相应的卵圆孔图像,从而可以对第一断层图像中的卵圆孔位置进行自动定位,并且无需人工参与,提高了定位准确度和定位效率。
在上述技术方案的基础上,根据各断层图像中的像素信息,确定患者头颅对应的骨占比曲线,可以包括:基于最大连通域算法,确定每个断层图像中的头颅轮廓区域;根据头颅轮廓区域中的每个头颅像素点对应的像素值以及预设骨像素阈值,确定头颅轮廓区域中的骨像素数量和头颅像素总数量;将骨像素数量与头颅像素总数量的比值确定为断层图像对应的骨占比值;根据各个断层图像对应的骨占比值,确定患者头颅对应的骨占比曲线。
其中,最大连通域算法可以是指用于查找断层图像中的最大连通域,即头颅轮廓的算法。具体地,本实施例可以基于cvFindContours函数,查找每个断层图像中的最大连通域,获得每个断层图像中的头颅轮廓区域,以便去除空白区域,缩小像素点的计算区域,提高定位的准确度。通过将每个头颅轮廓区域中的每个头颅像素点对应的像素值与预设骨像素阈值进行比较,若某个头颅像素点对应的像素值大于或等于预设骨像素阈值,则表明该头颅像素点为骨像素,从而可以统计出每个断层图像中的骨像素数量以及头颅轮廓区域中的头颅像素总数量,并将骨像素数量与头颅像素总数量的比值作为该断层图像对应的骨占比值,从而可以获得每个断层图像对应的骨占比值。本实施例中的各个断层图像可以以患者头颅的组织结构分布的顺序进行排列,并可以对排列后的断层图像依次进行标序,比如第一个断层图像(如处于外耳道和眼外眦连线的位置图像)对应的序号为1,依次类推。将断层图像对应的序号作为横轴,以及将断层图像对应的骨占比值作为纵轴,从而可以获得由各个骨占比值绘制的骨占比曲线。
在上述技术方案的基础上,S130可以包括:对第一断层图像进行裁剪,获得预设尺寸的第二断层图像,并对第二断层图像进行预处理;将预处理后的第二断层图像作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定第一断层图像对应的卵圆孔图像。
其中,第二断层图像可以是指第一断层图像中预设区域内的图像。预设尺寸可以是基于场景需求和断层图像的尺寸预先确定的,比如,在第一断层图像的尺寸为512×512时,预设尺寸可以为256×256。
具体地,本实施例可以以第一断层图像的中心点为裁剪中心,将第一断层图像裁剪为预设尺寸的第二断层图像,以便减小后续的计算量,进一步提高定位效率。通过对第二断层图像进行预处理,比如灰度归一化和spacing空间归一化等,并基于预设分割网络模型对预处理后的第二断层图像进行图像分割,可以进一步提高卵圆孔定位的准确度。需要说明的是,若对输入预设分割网络模型的第一断层图像进行裁剪和预处理,则用于训练预设分割网络模型的断层图像样本也需要进行相应的裁剪和预处理,即利用裁剪和预处理后的断层图像样本对预设分割网络模型进行训练。
示例性地,图3给出了一种预设分割网络模型的示例。如图3所示,预设分割网络模型的输入图像为256×256的断层图像,图3中的矩形框上的数字表示通道数;左侧或右侧的数字表示图像尺寸;最左边通道数为1的矩形框表示预设分割网络模型的输入图像;最右边通道数为1的矩形框表示预设分割网络模型的输出图像;图3中指粗实线箭头表示的是卷积核为3×3的卷积层;细实线箭头表示的是2×2的池化层;粗虚线箭头表示的是2×2的反卷积层;细虚线箭头表示的是1×1的卷积层;实体箭头表示的是特征图的copy复制操作。图3中的预设分割网络模型包含3次上采样和3次下采样,相比于现有的U-Net模型而言,适当减少了采样次数,使得网络模型的感受野与卵圆孔大小相匹配,并且增加了网络对图像边缘细节的关注度,实现了图像的精准分割,并且可以有效抑制假阳性的发生,同时可以降低资源占用率以及提高定位效率。
实施例二
图4为本发明实施例二提供的一种卵圆孔定位方法的流程图,本实施例在上述实施例的基础上,对卵圆孔三维图像的确定过程进行了详细描述,其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图4,本实施例提供的卵圆孔定位方法具体包括以下步骤:
S210、获取患者头颅的多个断层图像。
S220、根据各断层图像中的像素信息,确定包含颅底的第一断层图像。
S230、根据第一断层图像和预设定位区域,确定多个第三断层图像。
其中,预设定位区域可以是指包含颅底的预设区域,即距离颅底预设长度的区域。示例性地,预设定位区域可以设置在颅底的上下各1cm的区域。
具体地,本实施例可以基于第一断层图像所对应的扫描位置,将该扫描位置的预设定位区域内扫描获得的每个断层图像确定为第三断层图像。示例性地,若每个断层图像对应头颅中的预设厚度为2mm,预设定位区域为颅底的上下各1cm的区域,则可以在该颅底的上1cm内扫描获得的5个断层图像均确定为第三断层图像,以及在该颅底的下1cm内扫描获得的5个断层图像也均确定为第三断层图像。若获得的所有断层图像均基于患者头颅的组织结构分布的顺序进行排列,则可以将位于第一断层图像之前的5个断层图像以及之后的5个断层图像直接确定为第三断层图像,以便可以提高定位效率。
S240、将第一断层图像和各第三断层图像逐个作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定相应的卵圆孔二维图像。
具体地,将第一断层图像和每个第三断层图像逐个输入至预设分割网络模型,并将预设分割网络模型的输出图像作为相应的卵圆孔二维图像,从而可以获得多个卵圆孔二维图像。需要说明的是,本实施例中的第一断层图像和第三断层图像均为二维图像,从而使得预设分割网络模型输出的卵圆孔图像为卵圆孔二维图像。
S250、根据各个卵圆孔二维图像,确定患者头颅对应的卵圆孔三维图像。
具体地,本实施例可以基于多个卵圆孔二维图像进行三维重建,获得患者头颅对应的卵圆孔三维图像,从而可以更加直观地定位出患者头颅中的卵圆孔位置,有利于提高疾病诊治效率,同时也可以避免因确定出的第一断层图像存在误差而导致无法精准定位的情况,进一步提高了定位的鲁棒性以及定位准确度。
示例性地,S250可以包括:以头颅结构分布作为堆叠顺序,将各个卵圆孔二维图像进行堆叠;对堆叠后重建出的三维图像进行后处理,获得患者头颅对应的卵圆孔三维图像。
具体地,本实施例可以基于头颅结构分布的顺序,将每个断层图像对应的卵圆孔二维图像直接进行堆叠,获得一个初步的三维图像,并对该三维图像进行后处理,比如连通域分析和形态学处理去除假阳性噪点等,从而可以获得一个精准的卵圆孔三维图像,进一步提高了卵圆孔定位的准确度。
本实施例的技术方案,通过确定颅底对应的预设定位区域内的各个第三断层图像,并根据第一断层图像对应的卵圆孔二维图像和每个第三断层图像对应的卵圆孔二维图像,重建出患者头颅对应的卵圆孔三维图像,从而可以进一步提高定位的鲁棒性以及定位准确度。
以下是本发明实施例提供的卵圆孔定位装置的实施例,该装置与上述各实施例的卵圆孔定位方法属于同一个发明构思,在卵圆孔定位装置的实施例中未详尽描述的细节内容,可以参考上述卵圆孔定位方法的实施例。
实施例三
图5为本发明实施例三提供的一种卵圆孔定位装置的结构示意图,本实施例可适用于对颅底中的卵圆孔进行定位的情况,该装置包括:断层图像获取模块310、第一断层图像确定模块320和卵圆孔定位模块330。
其中,断层图像获取模块310,用于获取患者头颅的多个断层图像;第一断层图像确定模块320,用于根据各断层图像中的像素信息,确定包含颅底的第一断层图像;卵圆孔定位模块330,用于将第一断层图像作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定第一断层图像对应的卵圆孔图像。
可选地,断层图像获取模块310,具体用于:对患者头颅从上到下进行横断面扫描,获取多个处于横断面的断层图像。
可选地,第一断层图像确定模块320,包括:
骨占比曲线确定单元,用于根据各断层图像中的像素信息,确定患者头颅对应的骨占比曲线;
目标极大值点确定单元,用于确定骨占比曲线中的各个极大值,并将各个极大值进行排序,确定排序后的第二个极大值所对应的目标极大值点;
第一断层图像确定单元,用于将目标极大值点所对应的断层图像确定为包含颅底的第一断层图像。
可选地,骨占比曲线确定单元,具体用于:基于最大连通域算法,确定每个断层图像中的头颅轮廓区域;根据头颅轮廓区域中的每个头颅像素点对应的像素值以及预设骨像素阈值,确定头颅轮廓区域中的骨像素数量和头颅像素总数量;将骨像素数量与头颅像素总数量的比值确定为断层图像对应的骨占比值;根据各个断层图像对应的骨占比值,确定患者头颅对应的骨占比曲线。
可选地,卵圆孔定位模块330,具体用于:对第一断层图像进行裁剪,获得预设尺寸的第二断层图像,并对第二断层图像进行预处理;将预处理后的第二断层图像作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定第一断层图像对应的卵圆孔图像。
可选地,该装置还包括:
第三断层图像确定模块,用于在根据各断层图像中的像素信息,确定包含颅底的第一断层图像之后,根据第一断层图像和预设定位区域,确定多个第三断层图像;
相应地,卵圆孔定位模块330,包括:
卵圆孔二维图像确定单元,用于将第一断层图像和各第三断层图像逐个作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定相应的卵圆孔二维图像;
卵圆孔三维图像确定单元,用于根据各个卵圆孔二维图像,确定患者头颅对应的卵圆孔三维图像。
可选地,卵圆孔三维图像确定单元,具体用于:以头颅结构分布作为堆叠顺序,将各个卵圆孔二维图像进行堆叠;对堆叠后重建出的三维图像进行后处理,获得患者头颅对应的卵圆孔三维图像。
可选地,该装置还包括:预设分割网络模型训练模型,具体用于:
在使用预设分割网络模型之前,获取多个断层图像样本和每个断层图像样本对应的标准卵圆孔图像;将断层图像样本迭代输入至预设分割网络模型,确定断层图像样本对应的输出卵圆孔图像;基于预设损失函数,根据输出卵圆孔图像和标准卵圆孔图像,确定断层图像样本对应的训练误差;在训练误差大于或等于预设误差时,调整预设分割网络模型的网络参数;在训练误差小于预设误差时,或者迭代次数等于预设次数时,确定预设分割网络模型训练结束。
本发明实施例所提供的卵圆孔定位装置可执行本发明任意实施例所提供的卵圆孔定位方法,具备执行卵圆孔定位方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四提供的一种设备的结构示意图。参见图6,该设备包括:
一个或多个处理器410;
存储器420,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器410执行,使得一个或多个处理器410实现如上述实施例中任意实施例所提供的卵圆孔定位方法,该方法包括:
获取患者头颅的多个断层图像;
根据各断层图像中的像素信息,确定包含颅底的第一断层图像;
将第一断层图像作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定第一断层图像对应的卵圆孔图像。
图6中以一个处理器410为例;服务器中的处理器410和存储器420可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的卵圆孔定位方法对应的程序指令。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的卵圆孔定位方法。
存储器420主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提出的设备与上述实施例提出的卵圆孔定位方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例具备执行卵圆孔定位方法相同的有益效果。
实施例五
本实施例五提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例提供的卵圆孔定位方法,该方法包括:
获取患者头颅的多个断层图像;
根据各断层图像中的像素信息,确定包含颅底的第一断层图像;
将第一断层图像作为预设分割网络模型的输入图像,根据预设分割网络模型的输出,确定第一断层图像对应的卵圆孔图像。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种卵圆孔定位方法,其特征在于,包括:
获取患者头颅的多个断层图像;
根据各所述断层图像中的像素信息,确定所述患者头颅对应的骨占比曲线;
确定所述骨占比曲线中的各个极大值,并将各个极大值进行排序,确定排序后的第二个极大值所对应的目标极大值点;
将所述目标极大值点所对应的断层图像确定为包含颅底的第一断层图像;
将所述第一断层图像作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定所述第一断层图像对应的卵圆孔图像。
2.根据权利要求1所述的方法,其特征在于,获取患者头颅的多个断层图像,包括:
对患者头颅从上到下进行横断面扫描,获取多个处于横断面的断层图像。
3.根据权利要求1所述的方法,其特征在于,根据各所述断层图像中的像素信息,确定所述患者头颅对应的骨占比曲线,包括:
基于最大连通域算法,确定每个断层图像中的头颅轮廓区域;
根据所述头颅轮廓区域中的每个头颅像素点对应的像素值以及预设骨像素阈值,确定所述头颅轮廓区域中的骨像素数量和头颅像素总数量;
将所述骨像素数量与所述头颅像素总数量的比值确定为所述断层图像对应的骨占比值;
根据各个所述断层图像对应的骨占比值,确定所述患者头颅对应的骨占比曲线。
4.根据权利要求1所述的方法,其特征在于,将所述第一断层图像作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定所述第一断层图像对应的卵圆孔图像,包括:
对所述第一断层图像进行裁剪,获得预设尺寸的第二断层图像,并对所述第二断层图像进行预处理;
将预处理后的第二断层图像作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定所述第一断层图像对应的卵圆孔图像。
5.根据权利要求1所述的方法,其特征在于,在确定包含颅底的第一断层图像之后,还包括:
根据所述第一断层图像和预设定位区域,确定多个第三断层图像;
相应地,将所述第一断层图像作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定所述第一断层图像对应的卵圆孔图像,包括:
将所述第一断层图像和各所述第三断层图像逐个作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定相应的卵圆孔二维图像;
根据各个所述卵圆孔二维图像,确定所述患者头颅对应的卵圆孔三维图像。
6.根据权利要求5所述的方法,其特征在于,根据各个所述卵圆孔二维图像,确定所述患者头颅对应的卵圆孔三维图像,包括:
以头颅结构分布作为堆叠顺序,将各个所述卵圆孔二维图像进行堆叠;
对堆叠后重建出的三维图像进行后处理,获得所述患者头颅对应的卵圆孔三维图像。
7.根据权利要求1-6任一所述的方法,其特征在于,在使用所述预设分割网络模型之前,还包括所述预设分割网络模型的训练过程,具体包括:
获取多个断层图像样本和每个所述断层图像样本对应的标准卵圆孔图像;
将所述断层图像样本迭代输入至预设分割网络模型,确定所述断层图像样本对应的输出卵圆孔图像;
基于预设损失函数,根据所述输出卵圆孔图像和所述标准卵圆孔图像,确定所述断层图像样本对应的训练误差;
在所述训练误差大于或等于预设误差时,调整所述预设分割网络模型的网络参数;
在所述训练误差小于预设误差时,或者迭代次数等于预设次数时,确定所述预设分割网络模型训练结束。
8.一种卵圆孔定位装置,其特征在于,包括:
断层图像获取模块,用于获取患者头颅的多个断层图像;
骨占比曲线确定单元,用于根据各断层图像中的像素信息,确定患者头颅对应的骨占比曲线;
目标极大值点确定单元,用于确定骨占比曲线中的各个极大值,并将各个极大值进行排序,确定排序后的第二个极大值所对应的目标极大值点;
第一断层图像确定单元,用于将目标极大值点所对应的断层图像确定为包含颅底的第一断层图像;
卵圆孔定位模块,用于将所述第一断层图像作为预设分割网络模型的输入图像,根据所述预设分割网络模型的输出,确定所述第一断层图像对应的卵圆孔图像。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的卵圆孔定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900594.4A CN110634144B (zh) | 2019-09-23 | 2019-09-23 | 一种卵圆孔定位方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900594.4A CN110634144B (zh) | 2019-09-23 | 2019-09-23 | 一种卵圆孔定位方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110634144A CN110634144A (zh) | 2019-12-31 |
CN110634144B true CN110634144B (zh) | 2022-08-02 |
Family
ID=68974256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900594.4A Active CN110634144B (zh) | 2019-09-23 | 2019-09-23 | 一种卵圆孔定位方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634144B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111481268B (zh) * | 2020-04-17 | 2021-06-29 | 吉林大学第一医院 | 颅底卵圆孔自动定位及引导系统 |
CN113034522B (zh) * | 2021-04-01 | 2022-11-01 | 上海市第一人民医院 | 一种基于人工神经网络的ct图像分割方法 |
CN113180737B (zh) * | 2021-05-06 | 2022-02-08 | 中国人民解放军总医院 | 基于人工智能的卵圆孔闭合检测方法、系统、设备及介质 |
CN113705573A (zh) * | 2021-09-06 | 2021-11-26 | 上海交通大学医学院附属第九人民医院 | 基于颅骨的卵圆孔识别方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2799003A1 (en) * | 2013-05-01 | 2014-11-05 | Canon Kabushiki Kaisha | Optical coherence tomography apparatus |
CN107203989A (zh) * | 2017-04-01 | 2017-09-26 | 南京邮电大学 | 基于全卷积神经网络的端对端胸部ct图像分割方法 |
CN107506766A (zh) * | 2017-08-25 | 2017-12-22 | 沈阳东软医疗系统有限公司 | 图像分割方法及装置 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109215104A (zh) * | 2018-09-04 | 2019-01-15 | 江文涛 | 一种用于经颅刺激治疗的脑结构图像显示方法及装置 |
CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
-
2019
- 2019-09-23 CN CN201910900594.4A patent/CN110634144B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2799003A1 (en) * | 2013-05-01 | 2014-11-05 | Canon Kabushiki Kaisha | Optical coherence tomography apparatus |
CN107203989A (zh) * | 2017-04-01 | 2017-09-26 | 南京邮电大学 | 基于全卷积神经网络的端对端胸部ct图像分割方法 |
CN107506766A (zh) * | 2017-08-25 | 2017-12-22 | 沈阳东软医疗系统有限公司 | 图像分割方法及装置 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109215104A (zh) * | 2018-09-04 | 2019-01-15 | 江文涛 | 一种用于经颅刺激治疗的脑结构图像显示方法及装置 |
CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110634144A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634144B (zh) | 一种卵圆孔定位方法、装置和存储介质 | |
US11250543B2 (en) | Medical imaging using neural networks | |
CN109872325B (zh) | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 | |
EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
US10783676B2 (en) | Processing metal artifacts in CT image | |
CN114119602B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
CN111166362B (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
CN110706236B (zh) | 血管图像的三维重建方法及装置 | |
CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
CN110598696A (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN117437152B (zh) | 一种基于扩散模型的pet迭代重建方法及系统 | |
EP3665643B1 (en) | X-ray image processing method and system and computer storage medium | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN113362345B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
US20200376295A1 (en) | Determining at least one final two-dimensional image for visualizing an object of interest in a three dimensional ultrasound volume | |
CN116433976A (zh) | 图像处理方法、装置、设备和存储介质 | |
Sipari et al. | The image fusion technique for cochlear implant imaging: A study of its application for different electrode arrays | |
CN112150451A (zh) | 对称信息检测方法、装置、计算机设备和存储介质 | |
CN111260642B (zh) | 一种图像定位方法、装置、设备和存储介质 | |
CN115984229B (zh) | 模型训练方法、乳腺测量方法、装置、电子设备及介质 | |
CN117011191B (zh) | 一种ct图像的修复处理方法及装置 | |
RU2812866C1 (ru) | Способ обработки снимков компьютерной томографии (КТ-снимков) | |
CN115330893A (zh) | 稀疏角度ct扫描的角度数确定方法、装置、设备及介质 | |
CN111260642A (zh) | 一种图像定位方法、装置、设备和存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 430206 Lianying medical headquarters base, No. 99, gaokeyuan Road, Donghu high tech Development Zone, Wuhan, Hubei Province Applicant after: WUHAN UNITED IMAGING HEALTHCARE Co.,Ltd. Address before: 430206 b1-7, No. 818, Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province Applicant before: WUHAN UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |