CN110827291A - 一种用于自动化脑mri定量分析的方法和装置 - Google Patents

Abstract

本申请提供了一种用于自动化脑MRI定量分析的方法，包括：获得待处理的第一脑MRI图像；去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像；对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像；对所述第三脑MRI图像进行图像分割，获得图像分割结果。根据本申请的方案，能够实现自动化脑MRI定量分析，从而自动化地定量评估脑结构萎缩，且能够很好地满足临床上对脑MRI图像分割在精度和效率上的需求。

Description

一种用于自动化脑MRI定量分析的方法和装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种用于自动化脑MRI(MagneticResonance Imaging，核磁共振成像)定量分析的技术方案。

背景技术

随着时代的发展，脑MRI图像的定量分析已经被广泛用于多种脑疾病，如阿尔茨海默病、癫痫、精神分裂症、多发性硬化症等，组织萎缩是用于诊断和评估脑疾病的治疗效果的常用生物标志之一，而为了量化组织萎缩，需要对脑组织进行分割和相应的测量；此外，正常和病理组织的检测和精确定位对脑疾病的诊断、手术计划、术后分析和化疗/放疗等也至关重要，它们在时间和空间上的定量和定性的表征常常也是临床的重要部分。

现有技术中，经典的机器学习算法在分割MRI的正常(例如，白质和灰质)和异常脑组织(例如，脑肿瘤)方面已经进行了大量努力。但实现这种分割需要仔细的工程设计和专业知识，而且传统的机器学习算法不能很好地推广。近年来，深度神经网络的应用也促进了脑MRI分割的效果的提升，然而，尽管医学影像学研究界付出了巨大的努力，但大脑结构的自动分割和异常检测仍然是一个未解决的问题，这是由于脑部形态存在解剖变异，核磁共振成像扫描仪的不同，图像采集的缺陷，病理学表现的异常等等原因造成的。FreeSurfer和SPM是现有技术中的两个流行度最为广泛的脑MRI分割工具，FreeSurfer使用的是基于表面的形态学分析方法，对脑部MRI的分割结果相对来说较为准确，但是耗时很长，完成一例分割大概需要7小时，而SPM是基于体素的形态学分析，使用的是人群的概率模板信息，分割一例需要15-20分钟，但分割结果存在较多的噪点和不准确，然而这两种脑MRI分割工具仍然不能满足临床上的精度和效率上的需求。

发明内容

本申请的目的是提供一种用于自动化脑MRI定量分析的方法、装置、计算机设备及计算机可读存储介质。

根据本申请的一个实施例，提供了一种用于自动化脑MRI定量分析的方法，其中，该方法包括：

获得待处理的第一脑MRI图像；

去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像；

对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像；

对所述第三脑MRI图像进行图像分割，获得图像分割结果。

根据本申请的另一个实施例，提供了一种用于自动化脑MRI定量分析的装置，其中，该装置包括：

用于获得待处理的第一脑MRI图像的装置；

用于去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像的装置；

用于对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像的装置；

用于对所述第三脑MRI图像进行图像分割，获得图像分割结果的装置。

根据本申请的另一个实施例，提供了一种计算机设备，其中，所述计算机设备包括：

存储器，用于存储一个或多个程序；

一个或多个处理器，与所述存储器相连，

当所述一个或多个程序被所述一个或者多个处理器执行时，使得所述一个或多个处理器执行如下操作：

获得待处理的第一脑MRI图像；

去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像；

对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像；

对所述第三脑MRI图像进行图像分割，获得图像分割结果。

根据本申请的另一个实施例，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，所述计算机程序可被处理器执行如下操作：

获得待处理的第一脑MRI图像；

去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像；

对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像；

对所述第三脑MRI图像进行图像分割，获得图像分割结果。

与现有技术相比，本申请具有以下优点：能够实现自动化脑MRI定量分析，从而自动化地定量评估脑结构萎缩，且能够很好地满足临床上对脑MRI图像分割在精度和效率上的需求；通过先去除颅外噪声再截取有效脑区并居中所述有效脑区能够为后续获得精确的图像分割效果以及后续处理分析奠定基础；通过先分而治之再融合的图像分割方案能够极大地提升分割效率，缩短分割时间；通过基于像素值分布统计对图像分割结果进行优化能够解决分割区域边界不明显的问题以获得更精确地分割效果；能够通过检测异常分割区域来实现异常报警功能。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了本申请一个实施例的用于自动化脑MRI定量分析的方法的流程示意图；

图2示出了本申请一个示例的针对第三脑MRI图像进行图像分割的示意图；

图3示出了本申请一个实施例的用于自动化脑MRI定量分析的装置的结构示意图；

图4示出了可被用于实施本申请中所述的各个实施例的示例性系统。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

在上下文中所称“设备”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行在存储器中预存的程序指令来执行预定处理过程，或是由专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)等硬件执行预定处理过程，或是由上述二者组合来实现。

本申请的技术方案主要由计算机设备来实现。其中，所述计算机设备包括网络设备和用户设备。所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述用户设备包括但不限于PC机、平板电脑、智能手机、IPTV、PDA、可穿戴设备等。其中，所述计算机设备可单独运行来实现本申请，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。

需要说明的是，上述计算机设备仅为举例，其他现有的或今后可能出现的计算机设备如可适用于本申请，也应包含在本申请保护范围以内，并以引用方式包含于此。

本文后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时，用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。

这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本申请的示例性实施例的目的。但是本申请可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。

还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。

下面结合附图对本申请作进一步详细描述。

图1示出了本申请一个实施例的用于自动化脑MRI定量分析的方法的流程示意图。本实施例的方法包括步骤S11、步骤S12、步骤S13和步骤S14。在步骤S11中，计算机设备获得待处理的第一脑MRI图像；在步骤S12中，计算机设备去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像；在步骤S13中，计算机设备对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像；在步骤S14中，计算机设备对所述第三脑MRI图像进行图像分割，获得图像分割结果。

在步骤S11中，计算机设备获得待处理的第一脑MRI图像。其中，所述第一脑MRI图像可能为任何格式的MRI图像，如DICOM(Digital Imaging and Communications inMedicine，医学数字成像和通信)文件、Nifiti(Neuroimaging Informatics TechnologyInitiative，神经影像学信息技术计划)文件等，本申请并所述第一脑MRI图像的格式并不作限制，任何现有的或以后可能出现的MRI图像格式均应包含在本申请的范围内。在一些实施例中，计算机设备直接获得用户输入的或者来自其他设备的待处理的第一脑MRI图像；在另一些实施例中，计算机设备根据输入的DICOM原始数据来获得待处理的第一脑MRI图像。

在步骤S12中，计算机设备去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像。其中，所述预定格式要求包括但不限于精度要求、尺寸要求、文件格式要求等，在实际应用中可基于需求进行设计。在一些实施例中，计算机设备中预先配置好一个Matlab环境，并下载一个几百兆大小的SPM工具包，在步骤S12中，计算机设备使用SPM来去除所述第一脑MRI图像中的颅外噪声并截取所述第一脑MRI中的有效脑区，其中，使用SPM做一例配准大概需要花费3分钟左右的时间。需要说明的是，步骤S12中，先取出所述第一脑MRI图像中的颅外噪声、之后截取有效脑区、再居中有效脑区的执行顺序能够保证获得的第二脑MRI图像具有最高的清晰度和精确度。

在步骤S13中，计算机设备对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像。在脑MRI图像中，由于磁场分布的不均匀性(偏置)，导致获得的图像的灰度分布不均匀，也即属于相同组织的像素会出现明暗不一的表现，如果对脑MRI图像不做处理，直接用于深度神经网络模型或者机器学习模型的训练，将会严重影响模型的效果，在步骤S13中，通过对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像，可以确保在后续步骤S14中获得较好的图像分割效果。

在步骤S14中，计算机设备对所述第三脑MRI图像进行图像分割，获得图像分割结果。可选地，计算机设备通过深度神经网络模型或者机器学习模型对所述第三脑MRI图像进行图像分割，获得图像分割结果。

根据本实施例的方案，能够实现脑MRI图像的自动分割，获得高精度的图像分割结果，且能够极大地提升效率，能够很好地满足临床上对脑MRI图像分割在精度和效率上的需求。

在一些实施例中，所述步骤S11包括：获得待处理的第一脑MRI图像以及所述第一脑MRI图像对应的个体基本信息。其中，所述个体基本信息包括任何与第一脑MRI图像所属个体相关的基本信息，如姓名、年龄、性别、身高、体重、检查日期等。在一些实施例中，计算机设备在获得所述第一脑MRI图像的同时获得所述个体基本信息，例如，计算机设备同时获得来自其他设备的第一脑MRI图像以及该第一脑MRI图像对应的个体基本信息。在一些实施例中，计算机设备在不同时间点分别获得所述第一脑MRI图像和所述个体基本信息。

在一些实施例中，所述获得待处理的第一脑MRI图像以及所述第一脑MRI图像对应的个体基本信息包括：获取DICOM原始数据，通过遍历所述DICOM原始数据中的所有文件，筛选出所述DICM原始数据中的DICOM文件；通过将筛选出的每个DICOM文件按进行归类存储获得多个存储路径，并读取所述每个DICOM文件对应的个体相关信息；通过对所述多个存储路径中的每个存储路径进行序列完整性检查，获得待处理的第一脑MRI图像；根据所述第一脑MRI图像中的每个DICOM文件对应的个体相关信息，获得所述第一脑MRI图像对应的个体基本信息。上述过程也称为“数据预处理”。

其中，DICOM原始数据是机器采集所获得的原始数据(如T1加权图像、T2加权图像，优选地使用T1模态的DICOM原始数据)，由于采集机器的不同、操作人员命名方式和保存相关的差异等不确定因素，DICOM原始数据会存在很大差异，如一些情形下会将许多不同个体的DICOM文件以DICOMDIR的形式存放(类似于索引的方式)，一些情形下会以个体文件夹的形式存放，一些情形下会将个体的多次检查都放在同一目录下，一些情形下DICOM文件以.IMA作为后缀，一些情形下以.dcm作为后缀甚至没有后缀，也可能会出现DICOM文件会的损坏或者缺失。其中，筛选出所述DICM原始数据中的DICOM文件，也即相当于清除所述DICM原始数据中的非DICOM文件，在一些实施例中，计算机设备获取DICOM原始数据的文件路径，遍历该文件路径中的所有文件，并以二进制的方式读取判断每个文件的第129-132共四个字节是否为“DICM”，若是，则该文件属于DICOM文件，进入后续的处理流程，否则，将该文件丢弃(也即将非DICOM文件丢弃)。

其中，每个DICOM文件对应的个体相关信息包括但不限于个体的名字、ID、性别、年龄、身高、体重、序列实例ID(SeriesInstanceUID)等任何与个体相关的信息；可选地，每当读取一个DICOM文件对应的个体相关信息，可将读取到的该个体相关信息以列表的数据结构临时存储到一个变量。其中，计算机设备可基于预定归类规则来对筛选出的每个DICOM文件按进行归类存储，以按照每个个体的每个序列实例来对筛选出的DICOM文件进行归类。可选地，对于未通过序列完整性检查的DICOM序列，将该等不完整的DICOM序列存储至特定路径，以便于后续补充完整后再进行处理。

在一些实施例中，所述通过将筛选出的每个DICOM文件进行归类存储获得多个存储路径，包括：对于筛选出的每个DICOM文件，读取该DICOM文件中的患者标识(PatientID)、序列实例标识(SeriesInstanceUID)以及实例编号(InstanceNumber)，根据所述实例编号对该DICOM文件进行重命名，且根据所述患者标识和所述序列实例标识确定该DICOM文件的存储路径，并将该存储路径存储至序列路径变量中；对所述序列路径变量中的存储路径去重复，获得多个存储路径。可选地，可预先设定一个输出目录，之后基于该输出目录、所述患者标识和所述序列实例标识确定该DICOM文件的存储路径“BaseDir/PatientID/SeriesInstanceUID”，其中，BaseDir表示预先设定的输出目录，作为一个示例，预先设定输出目录为“A”，从DICOM文件中读取到的患者标识为“0123”且序列实例标识为“123456789”，则确定该DICOM文件的输出子目录为“A/0123/123456789”；可选地，若DICOM中读取到的PatientID和/或SeriesInstanceUID为空值，也即不能确定该DICOM文件的归属，无法创建对应的输出目录，则可将该DICOM的文件路径存储到预先设定的特定文件夹中，该特定文件夹专用于存储归属不明的DICOM文件。可选地，将DICOM重命名为<InstanceNumber>.dcm，这使得在后续操作中可直接基于DICOM文件的名称获取当前序列所包含的slice的最大和最小编号，以便于进行完整性检查，从而提高完整性检查的效率；可选地，若DICOM文件可以成功将DICOM重命名为<InstanceNumber>.dcm，可将用于临时存储该DICOM文件中的个体相关信息的变量加入到预定基本信息变量列表中。上述各项操作可以多进程并行化处理以提升处理效率。

在一些实施例中，所述通过对所述多个存储路径中的每个存储路径进行序列完整性检查，获得待处理的第一脑MRI图像，包括：对于所述多个存储路径中的每个存储路径，对该存储路径中的DICOM序列进行完整性检查，若该DICOM序列具备序列完整性且该DICOM序列的文件数量大于预定文件数量，根据该DICOM序列得到待处理的第一脑MRI图像。可选地，可将具备序列完整性且文件数量大于预定文件数量的DICOM序列直接作为待处理的第一脑MRI图像，或者，将该DICOM序列进行文件格式转换后得到的文件作为待处理的第一脑MRI图像(如可将DICOM序列转换为Nifti文件，并将该Nifti文件作为待处理的第一脑MRI图像)。作为一个示例，预定文件数量为N0，对于每个存储路径，获取其包含的所有DICOM文件，由于已完成DICOM文件的重命名，因此可以直接从文件名获取当前序列所包含的slice的最大最小编号，分别记为Nmax和Nmin，获得该存储路径中的DICOM序列的实际文件数量并即为Nf，若Nmax-Nmin+1＝Nf，且Nf>＝N0，则说明该DICOM序列具备序列完整性且该DICOM序列的文件数量大于预定文件数量；其中，若Nmax＝Nmin，说明该DICOM序列只包含单张slice，不满足做脑MRI分割的需要，可舍弃该DICOM序列，若Nmax-Nmin+1<Nf，则该序列至少缺少一张slice。可选地，可将具备序列完整性且文件数量大于预定文件数量的DICOM序列的存储路径存储至一个特定路径中，将具备完整性但文件数量小于预定文件数量的DICOM序列的存储路径存储至另一个特定路径中，可将至少缺少一张slice的DICOM序列的存储路径存储至再一个特定路径中。可选地，可生成用于获得待处理的第一脑MRI图像的过程中的日志文件，将各种情形下所保存的路径分别写入指定文件中。其中，可基于实际需求调整所述预定文件数量的取值。

在一些实施例中，所述根据所述第一脑MRI图像中的每个DICOM文件对应的个体相关信息，获得所述第一脑MRI图像对应的个体基本信息，包括：读取所述每个DICOM文件对应的个体相关信息，并将所述个体相关信息存储至基本信息变量中；对所述基本信息变量去重复，并根据所述第一脑MRI图像对应的序列实例标识，获得所述第一脑MRI图像对应的个体基本信息。

在一些实施例中，所述步骤S12包括：使用3D神经网络模型对所述第一脑MRI图像进行预测，获得去除颅外噪声且截取有效脑区之后的预测MRI图像，其中，所述3D神经网络模型是以SPM的输出结果为样本数据进行训练得到的；将所述预测MRI图像的体积归一化到预定像素精度，得到归一化的预测MRI图像；计算所述归一化的预测MRI图像中有效脑区的位置信息，并根据所述位置信息将所述有效脑区居中，生成满足预定格式要求的第二脑MRI图像。

需要说明的是，对于所述预测MRI图像，一方面，有效脑区可能出现在所述预测MRI图像的任何一个角落，这是由于成像过程被扫描个体躺在床上与信号接受线圈的相对位置有关系；另一方面，不同来源的DICOM序列也存在扫描视野和扫描精度的差异。而本申请通过将预测MRI图像的体积归一化到预定像素精度，并居中有效脑区，可生成满足预定格式要求的第二脑MRI图像，有效地解决了上述两个方案的问题。其中，将预测MRI图像的体积归一化到预定像素精度，本质上就是对3D图像进行线性插值重采样。

在一些实施例中，所述计算所述归一化的预测MRI图像中有效脑区的位置信息，并根据所述位置信息将所述有效脑区居中，生成满足预定格式要求的第二脑MRI图像，包括：计算所述归一化的预测MRI图像中有效脑区的位置信息；根据所述位置信息将所述有效脑区对应的数据矩阵居中写入符合预定大小要求的零矩阵中，获得居中数据矩阵；计算所述居中数据矩阵的轴位索引为零的切片的原点坐标，并根据所述原点坐标修改所述归一化的预测MRI图像的放射矩阵；生成根据所述居中数据矩阵以及修改后的放射矩阵，生成满足预定格式要求的第二脑MRI图像。作为一个示例，计算机设备计算所述归一化的预测MRI图像中有效脑区的3D-boundingbox(即包含有效脑区的最小矩形)，其世界坐标记为(x1,y1,z1,x2,y2,z2)，3D-boundingbox的大小记为(w,h,d)，其中，w、h、d分别表示3D-boundingbox的宽、高、深度，将3D-boundingbox的有效脑区对应的数据矩阵居中写入256*256*256(预定大小要求)的零矩阵中，得到居中数据矩阵M，之后，计算M轴位的index为0的slice的原点坐标(a,b,c),在M中开始出现脑区的slice相对于原点位移的index距离记为(nx,ny,nz)，其中，nx＝(256-w)//2，ny＝(256-h)//2，nz＝(256-d)//2，该slice右上角顶点的世界坐标为(x1,y1,z1)，由于体积的精度已归一化到预定像素精度(假设为1mm*1mm*1mm)，则可以计算得到(a,b,c)＝(x1-nx,y1-ny,z1-nz)，所述归一化的预测MRI图像的仿射矩阵记为A,基于计算得到的(a,b,c)对A进行修改，最后根据M和修改后的仿射矩阵，生成第二脑MRI图像。

在一些实施例中，该方法还包括在所述步骤S14之后执行的步骤S15、步骤S16和步骤S17。在步骤S15中，计算机设备根据所述MRI图像分割结果，计算图像分割得到的每个分割区域的体积信息；在步骤S16中，计算机设备对于所述每个分割区域，根据该分割区域的体积信息以及正常人群对应的正常体积信息，判断该分割区域的体积是否异常，若是，生成与该分割区域对应的异常报警信息；在步骤S17中，计算机设备根据所述体积信息、所述异常报警信息以及所述第一脑MRI图像对应的个体基本信息，生成脑MRI定量报告。在一些实施例中，在基于本申请的自动化脑MRI定量分析的方案中，在所述步骤S11中以DICOM原始数据为输入来获得第一脑MRI图像，之后，执行步骤S12、步骤S13、步骤S14、步骤S15、步骤S16以及步骤S17，最终以脑MRI定量报告为输出，由此实现了END-to-END的自动化脑MRI定量分析流程。

其中，所述体积信息包括但不限于所述分割区域的实际体积或相对体积；优选地，所述体积信息为相对体积，由于每一个个体的脑子的形态大小有别，全脑体积也有差异，为了能更准确的表示分割区域改变状况，采用相对体积作为衡量指标更为合适，分割区域的相对体积就等于分割区域的体积除以全脑体积，其中全脑体积是指包括灰质、白质、脑脊液的体积之和。作为一个示例，由于已将体积归一化到预定像素精度，可基于所述预定像素精度来确定每个像素的体积大小，对于每个分割区域，计算机设备可根据图像分割结果来计算该分割区域对应的像素个数，并结合所确定的每个像素的体积大小，来计算得到该分割区域的体积，进而结合全脑体积来计算该分割区域的相对体积。

其中，所述正常体积信息用于指示正常人群的与每个分割区域对应的体积数据；其中，计算机设备可采用多种方式来获得正常人群对应的正常体积信息，如接收其他设备发送至该计算机设备的、正常人群对应的正常体积信息，又如从指定文件路径中赌徒所述正常体积信息。在一些实施例中，计算机设备采集大量正常人群(假定采集N例，N尽可能大，数据来源尽可能做到有代表性)的脑MRI图像数据；之后，使用FreeSurfer进行对采集到每一例脑MRI图像数据进行脑区分割，并分别对每一例脑MRI图像数据进行分割区域的体积计算，从而针对每个区域，都有N个正常人的体积数据，保留2.5％至97.5％分位点的样本数据，即每个分割区域采用0.95N个数据进行下一步的统计；记第i(i取[1,N])个人的第j(j取[1,P]，P为分割区域总数)个分割区域的相对体积为V(i,j)，那么，该人群的脑MRI的第j个分割区域的平均相对体积μ(j)为：

样本标准差σ(j)为：

当样本量N足够大，代表性足够高时，每个分割区域的相对体积分布会倾向于正态分布。

在一些实施例中，所述正常体积信息包括正常人群的与每个分割区域对应的正常相对体积范围，对于每个分割区域，若在步骤S15中计算的该分割区域的相对体积未落入该分割区域的正常相对体积范围，则认为该分割区域异常，若落入，则认为该分割区域正常。其中，所述异常报警信息包括但不限于异常分割区域的名称或标识、异常情况描述等。

可选地，在步骤S17中，如果存在异常分割区域，可将异常分割区域高亮显示，并且截取异常分割区域中心的矢、冠、轴三个方向的slice，勾勒出对应异常分割区域的范围，将三个slice的图像一并打印到脑MRI定量报告中。

在一些实施例中，所述步骤S16包括：根据所述正常人群对应的正常体积信息，获得每个分割区域对应的至少一个置信区间；对于所述每个分割区域，根据该分割区域的体积信息以及该分割区域对应的至少一个置信区间，判断该分割区域的体积是否异常，若是，生成与该分割区域对应的异常报警信息。在一些实施例中，可基于需求设定通用的至少一个置信度，计算每个分割区域对应的至少一个置信区间，例如，设定置信度0.90，计算得到第j个分割区域的置信区间为[μ(j)–1.64σ(j),μ(j)+1.64σ(j)]。在一些实施例中，可针对特定分割区域设定特定的至少一个置信度，以专用于计算与该特定分割区域对应的至少一个置信区间。可选地，若一个置信区间的下限小于零，可将对应的最小体积或最小相对体积作为该置信区间的下限。

作为一个示例，设定置信度A、B、C(A<B<C)，计算得到第j个分割区域对应的置信区间分别为：A对应的置信区间D1、B对应的置信区间D2、C对应的置信区间D3，在所述步骤S16中，对于第j个分割区域的异常判断过程如下：若第j个分割区域的相对体积未落入D3，生成第j个分割区域的异常报警信息并结束第j个分割区域的异常判断过程，该异常报警信息指示分割区域j在C的置信区间相对体积异常；若第j个分割区域的相对体积落入D3但未落入D2，生成第j个分割区域的异常报警信息并结束第j个分割区域的异常判断过程，该异常报警信息指示分割区域j在B的置信区间相对体积异常；若第j个分割区域的相对体积落入D2但未落入D1，生成第j个分割区域的异常报警信息并结束第j个分割区域的异常判断过程，该异常报警信息指示第j个分割区域在A对应的置信区间相对体积异常；若第j个分割区域的相对体积落入D1，则报告第j个分割区域在A的置信区间体积正常，结束第j个分割区域的异常判断过程。

在一些实施例中，所述步骤S14包括步骤S141和步骤S142。在步骤S141中，当所述第三脑MRI图像对应的分割区域数量超过预定数量时，计算机设备分别使用多个图像分割模型对所述第三脑MRI图像进行分割预测，获得每个图像分割模型对应的分割预测结果，其中，所述每个图像分割模型所对应的分割区域分类标准不同；在步骤S142中，计算机设备将所述每个图像分割模型对应的分割预测结果进行融合，获得与所述第三脑MRI图像对应的图像分割结果。该先分而治之再融合的策略，能够极大地缩短分割时间，且能够获得精确的分割结果，尤其适用于分割区域较多的复杂分割场景，分割区域的数量越多、分割区域中的小区域越多(也即分割场景越复杂)，该先分而治之再融合的策略的优势越明显。

需要说明的是，各个图像分割模型采用不同的分割区域分类标准，而各个分割区域分类标准与本次分割的分割目的对应的分类标准(上下文中也称为“目的分类标准”)也均是不同的，一个分割区域分类标准中的一个分割区域可能与目的分类标准中的一个分割区域的名称或含义相同，或者，一个分割区域分类标准中的一个分割区域可能与目的分类标准中的一个分类区域具有包含或被包含的关系，但目的分类标准中至少存在部分分类区域是各个分割区域分类标准中均不包含的(也即目的分类标准中至少存在部分分类区域是不能直接基于各个分割区域分类标准获得的)。需要说明的是，一个分割区域分类标准中的一个分割区域可能是其他分割区域分类标准中均不包含的，每个分割区域分类标准中均存与其他分割区域分类标准具有预定关系的特定分割区域，其中，所述预定关系包括以下至少任一项：其他分割区域分类标准中存在包含所述特定分割区域的父分割区域；其他分割区域分类标准中存在包含在所述特定分割区域内的子分割区域。可选地，目的分类标准中包含其各个分割区域的名称及标签，每个分割区域分类标准中同样地包含其各个分割区域的名称及标签；优选地，所述目的分类标准与每个分割区域分类标准的命名规则具有关联性，如相同的分割区域的名称相同，具有包含或被包含关系的两个分割区域的名称也具有包含或被包含关系。需要说明的是，各个分割区域分类标准对应的分割区域数量之和小于或远小于目的分类标准中的分割区域数量，且由于多个图像分割模型同时进行分割预测，使得能够极大地缩短分割时间，提高分割效率。作为一个示例，目的分类标准中包括100个分割区域(也即本次分割的分割目的是将第三脑MRI图像分割为该100个分割区域)，在步骤S141中同时使用如下三个图像分割模型分别对第三脑MRI图像进行分割预测：M1、M2、M3；其中，M1对应的分割区域分类标准中包含4个分割区域(也即M1用于将图像分割为该4个分割区域)，M2对应的分割区域分类标准中包含3个分割区域(也即M2用于将图像分割为该3个分割区域)，M3对应的分割区域分类标准中包含20个分割区域(也即M3用于将图像分割为该20个分割区域)。可选地，所述多个图像分割模型为多个3D神经网络模型；优选地，所述多个3D神经网络模型包括：半脑模型、分区模型、像素性质分类模型，作为一个示例，半脑模型的分割目的是将整个第三脑MRI图像的体积(volume)的像素分为四类，分别是背景、左脑、右脑和其他，像素性质分类模型的分割目的是将整个第三脑MRI图像的体积的像素分为背景、灰质、白质和脑脊液，像素性质分类模型会把非脑部的其他组织区域都视为背景，分区模型的分割目的是按照解剖学对脑区进行划分(如将脑区划分为额叶、颞叶、顶叶等多个区域)；可选地，上述半脑模型、分区模型、像素性质分类模型均采用VoxResNet(含有25个卷积层的3D深度神经网络)的网络结构。其中，所述分割预测结果用于指示分割预测得到的结果，所述分割预测结果可表现为多种形式，本申请对此并不作限制，例如，一个图像分割模型对应的分割预测结果可即为一个分割结果矩阵，该分割结果矩阵中的每个元素表示针对第三脑MRI图像中与该元素位置对应的像素的预测标签，又例如，一个分割预测结果包括多个像素集合，每个像素集合对应一个分割区域。

其中，所述融合的实现方式可能为多种，如可采用标签融合、像素融合或其组合的融合方式；可选地，计算机设备可基于目的分类标准和每个图像分割模型对应的分割区域分类标准之间的命名规则关联关系，或者上述其各自所包含的分割区域之间的相同、包含或被包含等关系，来确定融合方式。其中，所述图像分割结果是指基于目的分类标准所得到的分割结果，所述图像分割结果的表现形式与上述分割预测结果的表现形式相同或者相似，在此不再赘述。作为一个示例，目的分类标准中包括100个分割区域，在步骤S1中，计算机设备同时使用图像分割模型M1、M2、M3来分别对第三脑MRI图像进行分割预测，并获得分别与M1、M2、M3对应的分割预测结果N1、N2、N3；在步骤S2中，计算机设备对N1、N2、N3进行融合，获得所述第三脑MRI图像对应的图像分割结果N，该图像分割结果用于指示分割得到的100个分割区域。需要说明的是，在基于多个图像分割模型针对同一像素的分割预测结果来进行融合时，可以以多元组来表征多个图像分割模型针对同一像素的分割预测结果，例如，使用图像分割模型M1、M2、M3来分别对第三脑MRI图像进行分割预测，并获得分别与M1、M2、M3对应的分割预测结果N1、N2、N3，则可使用二元组(v1，v2)表示M1和M2针对同一像素的分割预测结果，使用二元组(v1，v3)表示M1和M3针对同一像素的分割预测结果，使用二元组(v2，v3)表示M2和M3针对同一像素的分割预测结果，使用三元组(v1，v2，v3)表示M1和M2针对同一像素的分割预测结果，在融合时，可针对不同图像分割模型组合对应的多元祖分别设置相应地预定融合规则，如针对二元组(v1，v2)，将(20,5)对应的区域映射为187，将(10,2)对应的区域映射为155。

图2示出了本申请一个示例的针对第三脑MRI图像进行图像分割的示意图，其中，将第三脑MRI图像作为输入，使用分区模型对该脑MRI图像进行分割预测获得分割结果矩阵W1，使用半脑模型对该脑MRI图像进行分割预测获得分割结果矩阵W2，使用像素性质分类模型对该脑MRI图像进行分割预测获得分割结果矩阵W3，之后，将W1、W2、W3进行融合，输出该脑MRI图像对应的分割结果矩阵W。

在一些实施例中，所述分割预测结果包括所述第三脑MRI图像的每个像素对应的预测标签，所述步骤S142包括步骤S142-1，在所述步骤S142-1中，计算机设备根据所述每个图像分割模型对应的分割预测结果，并结合预定标签融合规则进行标签融合，获得与所述第三脑MRI图像对应的图像分割结果。可选地，所述步骤S142-1进一步包括：建立与所述第三脑MRI图像对应的分割结果矩阵，所述分割结果矩阵初始为零矩阵；根据所述每个图像分割模型对应的分割预测结果，并结合预定标签融合规则进行标签融合，将融合后的标签写入所述分割结果矩阵的相应区域，以获得与所述第三脑MRI图像对应的图像分割结果。在一些实施例中，该方法还包括在所述步骤S142-1之前：根据分割区域命名规则、分割区域标签，以及每个分割区域分类标准中的名称与标签之间的对应关系，确定预定标签融合规则，基于此，若录入新的分割区域的名称和标签，可自动更新预定标签融合规则；上述“分割区域命名规则”是指目的分类标准对应的命名规则，上述“分割区域标签”是指目的分类标准中包含的与各个分割区域对应的标签。在一些实施例中，所述预定标签融合规则为人工预先设置的或者从其他设备获得的。可选地，所述第三脑MRI图像为脑MRI图像，所述预定标签融合规则包括：不分左右半脑且不分灰白质的预测标签对应的标签映射规则；分左右半脑且不分灰白质的预测标签对应的标签映射规则；分左右半脑且分灰白质的预测标签对应的标签映射规则；特定预测标签(如CSF(Cerebro-Spinal Fluid，脑脊液)标签)对应的标签映射规则。

作为步骤S142的一个示例，图2中将W1、W2、W3进行融合获得该脑MRI图像对应的分割结果矩阵W的过程如下：1)建立分割结果矩阵W，W初始为零矩阵，W的大小和数据类型与W1相同；2)处理不分左右半脑且不分灰白质的预测标签：根据与不分左右半脑且不分灰白质的预测标签对应的标签映射规则，将W1中不分左右半脑且不分灰白质的分割区域对应的标签映射为目的分类标准中相同分割区域对应的标签，如分区模型对应的分割区域分类标准中包含分割区域“corpus-callosum(脑胼胝体)”，该分割区域的标签为9，目的分类标准中同样包含该分割区域且对应的标签为17，则将W1中标签为“9”的区域映射为“17”，写入W；3)处理分左右半脑且不分灰白质的预测标签：以二元组(x，y)表示分区模型和半脑模型对脑MRI图像中同一像素的预测标签，x为W1中该像素的预测标签，y为W2中该像素的预测标签，根据与分左右半脑且不分灰白质的预测标签对应的标签映射规则，将预设的每个二元组映射为目的分类标准中的相应分割区域对应的标签，其中，映射至的该分割区域为x对应的分割区域与y对应的分割区域的交集，如分区模型对应的分割区域分类标准中包含分割区域“hippocampus(海马体)”且其标签为“21”，半脑模型对应的分割区域分类标准中包含分割区域“lh(左脑)”且其标签为“1”，目的分类标准中包含分割区域“lh-hippocampus(左脑海马体)”且其对应标签为153，则将(21，1)对应的区域(也即W1中预测标签为21且在W2中预测标签为1的像素所在区域)映射为“153”，写入W；4)处理分左右半脑且分灰白质的预测标签：以三元组(x，y，z)表示分区模型、半脑模型和像素性质分类模型对脑MRI图像中同一像素的预测标签，x为W1中该像素的预测标签，y为W2中该像素的预测标签，z为W3中该像素的预测标签，根据与分左右半脑且分灰白质的预测标签对应的标签映射规则，将预设的每个三元组映射为目的分类标准中的相应分割区域对应的标签，其中，映射至的该分割区域为x对应的分割区域、y对应的分割区域以及z对应的分割区域之间的交集，其标签融合过程与上述3)相似；需要说明的是，可选地，针对多元组的预测标签，可采用名字索引法进行标签映射，也即基于目的分类标准与每个图像分割模型对应的分割区域分类标准的命名规则来进行标签映射，作为一个示例，在4)中，目的分类标准中分左右半脑且分灰白质的标签对应的名称由3部分组成“<部分1>-<部分2>-<部分3>”，部分1为灰白质的标签，部分2为左右半脑标签，部分3为按照解剖学对脑区进行划分的分区名称，则将需要执行融合操作的三元组(x，y，z)组合成<部分1>-<部分2>-<部分3>格式的名称，映射到目的分类标准中与该名称对应的新label，之后在W1＝v1&W2＝v2&W3＝v3的区域上给W添上新label；5)处理CSF标签：直接将W3中的CSF标签对应的区域映射为目的分类标准中的CSF标签，并写入W，之后，将W中剩下的区域全默认为背景，也即完成了标签融合操作，此时的W即为脑MRI图像的图像分割结果。

优选地，计算机设备在获得图像优化结果之后，还需对所述图像分割结果进行优化。在一些实施例中，所述步骤S14还包括：使用3D-CRF条件随机场对所述MRI图像分割结果进行优化。在一些实施例中，所述步骤S14还包括步骤S143、步骤S144和步骤S145，该实施方式也简称为“基于像素值分布统计对图像分割结果进行优化”；在步骤S143中，若所述图像分割结果中的相邻两个分割区域之间存在不明显边界，计算机设备确定所述两个分割区域中的欠分割区域和过分割区域；在步骤S144中，计算机设备对所述欠分割区域和所述过分割区域进行像素值分布统计，并根据统计结果确定转化区间；在步骤S145中，计算机设备将所述过分割区域中满足所述转化区间的像素转换到所述欠分割区域中。基于像素值分布统计对图像分割结果进行优化的方案，能够实现将误分割至过分割区域的像素转换到欠分割区域中，解决了相邻的两个分割区域之间存在不明显边界的技术问题，能够达到很好的优化效果，使得优化后输出的图像能够准确地呈现原始输入中的各项信息，从而便于基于图像分割结果进行后续的分析处理，提高分析处理结果的准确性。

在一些实施例中，在所述步骤S14中，计算机设备在获得图像分割结果之后，先使用3D-CRF条件随机场对所述MRI图像分割结果进行优化，获得初步优化后的MRI图像分割结果，之后，执行步骤S143、步骤S144和步骤S145，对初步优化后的MRI图像分割结果进行进一步地优化，从而得到最优的优化结果。

可选地，在所述步骤S143中，计算机设备根据操作人员输入的指示信息(包括但不限于文字、语音、点击操作、标记操作等任何用于指示欠分割区域和过分割区域的信息)确定相邻两个分割区域之间的欠分割区域和过分割区域，操作人员可基于人工筛查和经验来选择过分割区域和欠分割区域。其中，所述欠分割区域是指部分像素被误分割至相邻分割区域的区域；所述过分割区域是指误将相邻分割区域的部分像素归为己类的区域。在一些实施例中，所述欠分割区域为小脑灰质区域，所述过分割区域为与所述小脑灰质区域相邻的小脑白质区域；所述小脑灰质区域与所述小脑白质区域之间的不明显边界上大部分是属于小脑白质的小分支纹理，且基于小脑像素值的统计分布，小脑区域的像素呈现重叠双峰分布，重叠的部分像素既有小脑白质，也有小脑灰质，这些重叠的像素倾向于在所述小脑灰质区域与所述小脑白质区域之间的不明显边界上，这也使得基于图像分割结果直接输出的图像无法准确地呈现出小脑白质的分枝状信息。

在步骤S144中，计算机设备对所述欠分割区域和所述过分割区域进行像素值分布统计，并根据统计结果确定转化区间。其中，所述转化区域用于指示需要从所述过分割区域转换到所述欠分割区域中的像素所在区域。在一些实施例中，所述前分割区域和所述过分割区域的像素值分布近似服从正态分布，如小脑灰质区域和小脑白质区域的像素值分布近似服从正态分布。作为一个示例，图像分割结果中包括分割区域X和分割区域Y，从所述图像分割结果(记为Ψ0)上假设Y存在欠分割，X存在过分割，计算机设备根据图像分割结果Ψ0，分别统计Y的像素值分布以及X的像素值分布，并根据统计结果确定转化区间。

在所述步骤S145中，计算机设备将所述过分割区域中满足所述转化区间的像素转换到所述欠分割区域中。作为一个示例，所述欠分割区域为小脑灰质区域，所述过分割区域为与所述小脑灰质区域相邻的小脑白质区域，计算机设备将小脑白质区域中满足转化区间的像素转到所述小脑灰质区域，从而使得优化后输出的图像中可以较为清晰准确地呈现小脑白质分支纹理。

需要说明的是，若所述图像分割结果中有多对分割区域之间存在不明显边界，则所述计算机设备分别针对每对分割区域执行所述步骤S143、所述步骤S144和所述步骤S145，从而实现对整个图像分割结果的优化。在实现对所述图像分割结果的优化之后，所述计算机设备可输出优化后得到的图像，以便基于该优化后得到的图像进行后续分析处理，或者可将优化后得到的图像传输至其他设备，以在其他设备中基于该优化后得到的图像进行分析处理。

一些实施例中，所述步骤S144包括步骤S144-1和步骤S144-2。在步骤S144-1中，计算机设备对所述欠分割区域和所述过分割区域进行像素值分布统计，根据统计结果计算所述欠分割区域对应的第一均值和标准差，以及所述过分割区域对应的第二均值；在步骤S144-2中，计算机设备根据所述第一均值、所述标准差以及所述第二均值，确定转化区间。

在一些实施例中，所述步骤S144-2包括：比较所述第一均值与所述第二均值的大小，并根据比较结果确定转化区间，其中，若所述第一均值大于所述第二均值，转化区域取值为[μy–k*σy,μy]，若所述第一均值小于所述第二均值，转化区域取值为[μy,μy+k*σy]；其中，μy为所述第一均值，σy为所述标准差，k为经验常数。在另一些实施例中，所述步骤S144-2包括：将区间[μy–k*σy,μy+k*σy]确定为转化区间。可选地，所述经验常数可为固定值、或者由操作人员针对当前分割任务手动输入的值，或者操作人员基于不同的分割任务动态选取的。在一些实施例中，所述步骤S22还包括：根据当前分割任务以及预定映射关系，动态确定当前分割任务对应的经验常数，其中，所述预定映射关系用于指示分割任务与预定经验常数之间的映射关系；例如，计算机设备中预先存储有不同分割与预定经验常数之间的映射关系，该映射关系指示分割任务R1、R2、R3分别对应经验常数1.5、2、2.5，则计算机设备根据当前分割任务“R1”以及该映射关系，确定与当前分割任务对应的预定经验常数为“1.5”，也即确定k＝1.5。

在一些实施例中，所述图像分割结果包括每个像素对应的标签，所述步骤S145包括：将所述过分割区域中满足所述转化区间的像素的标签修改为所述欠分割区域对应的标签。作为一个示例，欠分割区域对应的标签为“10”，与该欠分割区域相邻的过分割区域对应的标签为“20”，图像分割结果包括每个像素对应的标签；在步骤S144中，计算机设备确定转化区间为[μy–k*σy,μy+k*σy]；在步骤S145中，计算机设备将该过分割区域中落入[μy–k*σy,μy+k*σy]内的像素(所述图像分割结果中该等像素对应的标签为“20”)的标签修改为“10”，也即将该等像素转换到了该欠分割区域。

在一些实施例中，所述图像分割结果包括所述欠分割区域对应的像素集合以及所述过分割区域对应的像素集合，所述步骤S145包括：将所述过分割区域对应的像素集合中满足所述转化区间的像素转移至所述欠分割区域对应的像素集合中。作为一个示例，图像分割结果包括欠分割区域对应的像素集合Set1以及相邻的过分割区域对应的像素集合Set2，在步骤S144中，计算机设备确定转化区间为[μy–k*σy,μy+k*σy]；在步骤S145中，计算机将Set2中落入[μy–k*σy,μy+k*σy]内的像素转移至Set1，也即将该等像素转换到了欠分割区域。

图3示出了本申请一个实施例的用于自动化脑MRI定量分析的装置的结构示意图。该用于自动化脑MRI定量分析的装置(以下简称为自动化定量分析装置1)包括获得装置11、生成装置12、矫正装置13以及图像分割装置14。获得装置11用于获得待处理的第一脑MRI图像；生成装置12用于去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像；矫正装置13用于对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像；图像分割装置14用于对所述第三脑MRI图像进行图像分割，获得图像分割结果。

所述获得装置11用于获得待处理的第一脑MRI图像。其中，所述第一脑MRI图像可能为任何格式的MRI图像，如DICOM文件、Nifiti文件等，本申请并所述第一脑MRI图像的格式并不作限制，任何现有的或以后可能出现的MRI图像格式均应包含在本申请的范围内。在一些实施例中，计算机设备直接获得用户输入的或者来自其他设备的待处理的第一脑MRI图像；在另一些实施例中，计算机设备根据输入的DICOM原始数据来获得待处理的第一脑MRI图像。

所述生成装置12用于去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像。其中，所述预定格式要求包括但不限于精度要求、尺寸要求、文件格式要求等，在实际应用中可基于需求进行设计。在一些实施例中，计算机设备中预先配置好一个Matlab环境，并下载一个几百兆大小的SPM工具包，所述生成装置12使用SPM来去除所述第一脑MRI图像中的颅外噪声并截取所述第一脑MRI中的有效脑区，其中，使用SPM做一例配准大概需要花费3分钟左右的时间。需要说明的是，所述生成装置12先取出所述第一脑MRI图像中的颅外噪声、之后截取有效脑区、再居中有效脑区的执行顺序能够保证获得的第二脑MRI图像具有最高的清晰度和精确度。

所述矫正装置13用于对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像。在脑MRI图像中，由于磁场分布的不均匀性(偏置)，导致获得的图像的灰度分布不均匀，也即属于相同组织的像素会出现明暗不一的表现，如果对脑MRI图像不做处理，直接用于深度神经网络模型或者机器学习模型的训练，将会严重影响模型的效果，所述矫正装置13通过对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像，可以确保图像分割装置14在后续操作中获得较好的图像分割效果。

所述图像分割装置14对所述第三脑MRI图像进行图像分割，获得图像分割结果。可选地，所述图像分割装置14通过深度神经网络模型或者机器学习模型对所述第三脑MRI图像进行图像分割，获得图像分割结果。

根据本实施例的方案，能够实现脑MRI图像的自动分割，获得高精度的图像分割结果，且能够极大地提升效率，能够很好地满足临床上对脑MRI图像分割在精度和效率上的需求。

在一些实施例中，所述获得装置11用于：获得待处理的第一脑MRI图像以及所述第一脑MRI图像对应的个体基本信息。其中，所述个体基本信息包括任何与第一脑MRI图像所属个体相关的基本信息，如姓名、年龄、性别、身高、体重、检查日期等。在一些实施例中，所述获得装置11在获得所述第一脑MRI图像的同时获得所述个体基本信息，例如，所述获得装置11同时获得来自其他设备的第一脑MRI图像以及该第一脑MRI图像对应的个体基本信息。在一些实施例中，所述获得装置11在不同时间点分别获得所述第一脑MRI图像和所述个体基本信息。

在一些实施例中，所述获得待处理的第一脑MRI图像以及所述第一脑MRI图像对应的个体基本信息包括：获取DICOM原始数据，通过遍历所述DICOM原始数据中的所有文件，筛选出所述DICM原始数据中的DICOM文件；通过将筛选出的每个DICOM文件按进行归类存储获得多个存储路径，并读取所述每个DICOM文件对应的个体相关信息；通过对所述多个存储路径中的每个存储路径进行序列完整性检查，获得待处理的第一脑MRI图像；根据所述第一脑MRI图像中的每个DICOM文件对应的个体相关信息，获得所述第一脑MRI图像对应的个体基本信息。上述过程也称为“数据预处理”。

其中，DICOM原始数据是机器采集所获得的原始数据(如T1加权图像、T2加权图像，优选地使用T1模态的DICOM原始数据)，由于采集机器的不同、操作人员命名方式和保存相关的差异等不确定因素，DICOM原始数据会存在很大差异，如一些情形下会将许多不同个体的DICOM文件以DICOMDIR的形式存放(类似于索引的方式)，一些情形下会以个体文件夹的形式存放，一些情形下会将个体的多次检查都放在同一目录下，一些情形下DICOM文件以.IMA作为后缀，一些情形下以.dcm作为后缀甚至没有后缀，也可能会出现DICOM文件会的损坏或者缺失。其中，筛选出所述DICM原始数据中的DICOM文件，也即相当于清除所述DICM原始数据中的非DICOM文件，在一些实施例中，计算机设备获取DICOM原始数据的文件路径，遍历该文件路径中的所有文件，并以二进制的方式读取判断每个文件的第129-132共四个字节是否为“DICM”，若是，则该文件属于DICOM文件，进入后续的处理流程，否则，将该文件丢弃(也即将非DICOM文件丢弃)。

其中，每个DICOM文件对应的个体相关信息包括但不限于个体的名字、ID、性别、年龄、身高、体重、序列实例ID(SeriesInstanceUID)等任何与个体相关的信息；可选地，每当读取一个DICOM文件对应的个体相关信息，可将读取到的该个体相关信息以列表的数据结构临时存储到一个变量。其中，计算机设备可基于预定归类规则来对筛选出的每个DICOM文件按进行归类存储，以按照每个个体的每个序列实例来对筛选出的DICOM文件进行归类。可选地，对于未通过序列完整性检查的DICOM序列，将该等不完整的DICOM序列存储至特定路径，以便于后续补充完整后再进行处理。

在一些实施例中，所述通过将筛选出的每个DICOM文件进行归类存储获得多个存储路径，包括：对于筛选出的每个DICOM文件，读取该DICOM文件中的患者标识(PatientID)、序列实例标识(SeriesInstanceUID)以及实例编号(InstanceNumber)，根据所述实例编号对该DICOM文件进行重命名，且根据所述患者标识和所述序列实例标识确定该DICOM文件的存储路径，并将该存储路径存储至序列路径变量中；对所述序列路径变量中的存储路径去重复，获得多个存储路径。可选地，可预先设定一个输出目录，之后基于该输出目录、所述患者标识和所述序列实例标识确定该DICOM文件的存储路径“BaseDir/PatientID/SeriesInstanceUID”，其中，BaseDir表示预先设定的输出目录，作为一个示例，预先设定输出目录为“A”，从DICOM文件中读取到的患者标识为“0123”且序列实例标识为“123456789”，则确定该DICOM文件的输出子目录为“A/0123/123456789”；可选地，若DICOM中读取到的PatientID和/或SeriesInstanceUID为空值，也即不能确定该DICOM文件的归属，无法创建对应的输出目录，则可将该DICOM的文件路径存储到预先设定的特定文件夹中，该特定文件夹专用于存储归属不明的DICOM文件。可选地，将DICOM重命名为<InstanceNumber>.dcm，这使得在后续操作中可直接基于DICOM文件的名称获取当前序列所包含的slice的最大和最小编号，以便于进行完整性检查，从而提高完整性检查的效率；可选地，若DICOM文件可以成功将DICOM重命名为<InstanceNumber>.dcm，可将用于临时存储该DICOM文件中的个体相关信息的变量加入到预定基本信息变量列表中。上述各项操作可以多进程并行化处理以提升处理效率。

在一些实施例中，所述通过对所述多个存储路径中的每个存储路径进行序列完整性检查，获得待处理的第一脑MRI图像，包括：对于所述多个存储路径中的每个存储路径，对该存储路径中的DICOM序列进行完整性检查，若该DICOM序列具备序列完整性且该DICOM序列的文件数量大于预定文件数量，根据该DICOM序列得到待处理的第一脑MRI图像。可选地，可将具备序列完整性且文件数量大于预定文件数量的DICOM序列直接作为待处理的第一脑MRI图像，或者，将该DICOM序列进行文件格式转换后得到的文件作为待处理的第一脑MRI图像(如可将DICOM序列转换为Nifti文件，并将该Nifti文件作为待处理的第一脑MRI图像)。作为一个示例，预定文件数量为N0，对于每个存储路径，获取其包含的所有DICOM文件，由于已完成DICOM文件的重命名，因此可以直接从文件名获取当前序列所包含的slice的最大最小编号，分别记为Nmax和Nmin，获得该存储路径中的DICOM序列的实际文件数量并即为Nf，若Nmax-Nmin+1＝Nf，且Nf>＝N0，则说明该DICOM序列具备序列完整性且该DICOM序列的文件数量大于预定文件数量；其中，若Nmax＝Nmin，说明该DICOM序列只包含单张slice，不满足做脑MRI分割的需要，可舍弃该DICOM序列，若Nmax-Nmin+1<Nf，则该序列至少缺少一张slice。可选地，可将具备序列完整性且文件数量大于预定文件数量的DICOM序列的存储路径存储至一个特定路径中，将具备完整性但文件数量小于预定文件数量的DICOM序列的存储路径存储至另一个特定路径中，可将至少缺少一张slice的DICOM序列的存储路径存储至再一个特定路径中。可选地，可生成用于获得待处理的第一脑MRI图像的过程中的日志文件，将各种情形下所保存的路径分别写入指定文件中。其中，可基于实际需求调整所述预定文件数量的取值。

在一些实施例中，所述根据所述第一脑MRI图像中的每个DICOM文件对应的个体相关信息，获得所述第一脑MRI图像对应的个体基本信息，包括：读取所述每个DICOM文件对应的个体相关信息，并将所述个体相关信息存储至基本信息变量中；对所述基本信息变量去重复，并根据所述第一脑MRI图像对应的序列实例标识，获得所述第一脑MRI图像对应的个体基本信息。

在一些实施例中，所述生成装置12用于：使用3D神经网络模型对所述第一脑MRI图像进行预测，获得去除颅外噪声且截取有效脑区之后的预测MRI图像，其中，所述3D神经网络模型是以SPM的输出结果为样本数据进行训练得到的；将所述预测MRI图像的体积归一化到预定像素精度，得到归一化的预测MRI图像；计算所述归一化的预测MRI图像中有效脑区的位置信息，并根据所述位置信息将所述有效脑区居中，生成满足预定格式要求的第二脑MRI图像。

需要说明的是，对于所述预测MRI图像，一方面，有效脑区可能出现在所述预测MRI图像的任何一个角落，这是由于成像过程被扫描个体躺在床上与信号接受线圈的相对位置有关系；另一方面，不同来源的DICOM序列也存在扫描视野和扫描精度的差异。而本申请通过将预测MRI图像的体积归一化到预定像素精度，并居中有效脑区，可生成满足预定格式要求的第二脑MRI图像，有效地解决了上述两个方案的问题。其中，将预测MRI图像的体积归一化到预定像素精度，本质上就是对3D图像进行线性插值重采样。

在一些实施例中，所述计算所述归一化的预测MRI图像中有效脑区的位置信息，并根据所述位置信息将所述有效脑区居中，生成满足预定格式要求的第二脑MRI图像，包括：计算所述归一化的预测MRI图像中有效脑区的位置信息；根据所述位置信息将所述有效脑区对应的数据矩阵居中写入符合预定大小要求的零矩阵中，获得居中数据矩阵；计算所述居中数据矩阵的轴位索引为零的切片的原点坐标，并根据所述原点坐标修改所述归一化的预测MRI图像的放射矩阵；生成根据所述居中数据矩阵以及修改后的放射矩阵，生成满足预定格式要求的第二脑MRI图像。作为一个示例，所述生成装置12计算所述归一化的预测MRI图像中有效脑区的3D-boundingbox(即包含有效脑区的最小矩形)，其世界坐标记为(x1,y1,z1,x2,y2,z2)，3D-boundingbox的大小记为(w,h,d)，其中，w、h、d分别表示3D-boundingbox的宽、高、深度，将3D-boundingbox的有效脑区对应的数据矩阵居中写入256*256*256(预定大小要求)的零矩阵中，得到居中数据矩阵M，之后，计算M轴位的index为0的slice的原点坐标(a,b,c),在M中开始出现脑区的slice相对于原点位移的index距离记为(nx,ny,nz)，其中，nx＝(256-w)//2，ny＝(256-h)//2，nz＝(256-d)//2，该slice右上角顶点的世界坐标为(x1,y1,z1)，由于体积的精度已归一化到预定像素精度(假设为1mm*1mm*1mm)，则可以计算得到(a,b,c)＝(x1-nx,y1-ny,z1-nz)，所述归一化的预测MRI图像的仿射矩阵记为A,基于计算得到的(a,b,c)对A进行修改，最后根据M和修改后的仿射矩阵，生成第二脑MRI图像。

在一些实施例中，该自动化定量分析装置1还包括在所述图像分割装置14之后执行操作的以下装置：用于根据所述MRI图像分割结果，计算图像分割得到的每个分割区域的体积信息的装置(以下简称为“计算装置”，图未示)；用于对于所述每个分割区域，根据该分割区域的体积信息以及正常人群对应的正常体积信息，判断该分割区域的体积是否异常，若是，生成与该分割区域对应的异常报警信息的装置(以下简称为“异常判断装置”，图未示)；用于根据所述体积信息、所述异常报警信息以及所述第一脑MRI图像对应的个体基本信息，生成脑MRI定量报告的装置(以下简称为“报告生成装置”，图未示)。

其中，所述体积信息包括但不限于所述分割区域的实际体积或相对体积；优选地，所述体积信息为相对体积，由于每一个个体的脑子的形态大小有别，全脑体积也有差异，为了能更准确的表示分割区域改变状况，采用相对体积作为衡量指标更为合适，分割区域的相对体积就等于分割区域的体积除以全脑体积，其中全脑体积是指包括灰质、白质、脑脊液的体积之和。作为一个示例，由于已将体积归一化到预定像素精度，可基于所述预定像素精度来确定每个像素的体积大小，对于每个分割区域，所述计算装置可根据图像分割结果来计算该分割区域对应的像素个数，并结合所确定的每个像素的体积大小，来计算得到该分割区域的体积，进而结合全脑体积来计算该分割区域的相对体积。

其中，所述正常体积信息用于指示正常人群的与每个分割区域对应的体积数据；其中，所述计算装置可采用多种方式来获得正常人群对应的正常体积信息，如接收其他设备发送至该计算机设备的、正常人群对应的正常体积信息，又如从指定文件路径中赌徒所述正常体积信息。在一些实施例中，所述计算装置采集大量正常人群(假定采集N例，N尽可能大，数据来源尽可能做到有代表性)的脑MRI图像数据；之后，使用FreeSurfer进行对采集到每一例脑MRI图像数据进行脑区分割，并分别对每一例脑MRI图像数据进行分割区域的体积计算，从而针对每个区域，都有N个正常人的体积数据，保留2.5％至97.5％分位点的样本数据，即每个分割区域采用0.95N个数据进行下一步的统计；记第i(i取[1,N])个人的第j(j取[1,P]，P为分割区域总数)个分割区域的相对体积为V(i,j)，那么，该人群的脑MRI的第j个分割区域的平均相对体积μ(j)为：

样本标准差σ(j)为：

当样本量N足够大，代表性足够高时，每个分割区域的相对体积分布会倾向于正态分布。

在一些实施例中，所述正常体积信息包括正常人群的与每个分割区域对应的正常相对体积范围，对于每个分割区域，若由所述计算装置计算得到的该分割区域的相对体积未落入该分割区域的正常相对体积范围，则认为该分割区域异常，若落入，则认为该分割区域正常。其中，所述异常报警信息包括但不限于异常分割区域的名称或标识、异常情况描述等。

可选地，如果存在异常分割区域，报告生成装置可将异常分割区域高亮显示，并且截取异常分割区域中心的矢、冠、轴三个方向的slice，勾勒出对应异常分割区域的范围，将三个slice的图像一并打印到脑MRI定量报告中。

在一些实施例中，所述异常判断装置用于：根据所述正常人群对应的正常体积信息，获得每个分割区域对应的至少一个置信区间；对于所述每个分割区域，根据该分割区域的体积信息以及该分割区域对应的至少一个置信区间，判断该分割区域的体积是否异常，若是，生成与该分割区域对应的异常报警信息。在一些实施例中，可基于需求设定通用的至少一个置信度，计算每个分割区域对应的至少一个置信区间，例如，设定置信度0.90，计算得到第j个分割区域的置信区间为[μ(j)–1.64σ(j),μ(j)+1.64σ(j)]。在一些实施例中，可针对特定分割区域设定特定的至少一个置信度，以专用于计算与该特定分割区域对应的至少一个置信区间。可选地，若一个置信区间的下限小于零，可将对应的最小体积或最小相对体积作为该置信区间的下限。

作为一个示例，设定置信度A、B、C(A<B<C)，计算得到第j个分割区域对应的置信区间分别为：A对应的置信区间D1、B对应的置信区间D2、C对应的置信区间D3，所述异常判断装置对于第j个分割区域的异常判断过程如下：若第j个分割区域的相对体积未落入D3，生成第j个分割区域的异常报警信息并结束第j个分割区域的异常判断过程，该异常报警信息指示分割区域j在C的置信区间相对体积异常；若第j个分割区域的相对体积落入D3但未落入D2，生成第j个分割区域的异常报警信息并结束第j个分割区域的异常判断过程，该异常报警信息指示分割区域j在B的置信区间相对体积异常；若第j个分割区域的相对体积落入D2但未落入D1，生成第j个分割区域的异常报警信息并结束第j个分割区域的异常判断过程，该异常报警信息指示第j个分割区域在A对应的置信区间相对体积异常；若第j个分割区域的相对体积落入D1，则报告第j个分割区域在A的置信区间体积正常，结束第j个分割区域的异常判断过程。

在一些实施例中，所述图像分割装置14包括多模型预测装置(图未示)和融合装置(图未示)。所述多模型预测装置用于当所述第三脑MRI图像对应的分割区域数量超过预定数量时，计算机设备分别使用多个图像分割模型对所述第三脑MRI图像进行分割预测，获得每个图像分割模型对应的分割预测结果，其中，所述每个图像分割模型所对应的分割区域分类标准不同；所述融合装置用于将所述每个图像分割模型对应的分割预测结果进行融合，获得与所述第三脑MRI图像对应的图像分割结果。该先分而治之再融合的策略，能够极大地缩短分割时间，且能够获得精确的分割结果，尤其适用于分割区域较多的复杂分割场景，分割区域的数量越多、分割区域中的小区域越多(也即分割场景越复杂)，该先分而治之再融合的策略的优势越明显。

需要说明的是，各个图像分割模型采用不同的分割区域分类标准，而各个分割区域分类标准与本次分割的分割目的对应的分类标准(上下文中也称为“目的分类标准”)也均是不同的，一个分割区域分类标准中的一个分割区域可能与目的分类标准中的一个分割区域的名称或含义相同，或者，一个分割区域分类标准中的一个分割区域可能与目的分类标准中的一个分类区域具有包含或被包含的关系，但目的分类标准中至少存在部分分类区域是各个分割区域分类标准中均不包含的(也即目的分类标准中至少存在部分分类区域是不能直接基于各个分割区域分类标准获得的)。需要说明的是，一个分割区域分类标准中的一个分割区域可能是其他分割区域分类标准中均不包含的，每个分割区域分类标准中均存与其他分割区域分类标准具有预定关系的特定分割区域，其中，所述预定关系包括以下至少任一项：其他分割区域分类标准中存在包含所述特定分割区域的父分割区域；其他分割区域分类标准中存在包含在所述特定分割区域内的子分割区域。可选地，目的分类标准中包含其各个分割区域的名称及标签，每个分割区域分类标准中同样地包含其各个分割区域的名称及标签；优选地，所述目的分类标准与每个分割区域分类标准的命名规则具有关联性，如相同的分割区域的名称相同，具有包含或被包含关系的两个分割区域的名称也具有包含或被包含关系。需要说明的是，各个分割区域分类标准对应的分割区域数量之和小于或远小于目的分类标准中的分割区域数量，且由于多个图像分割模型同时进行分割预测，使得能够极大地缩短分割时间，提高分割效率。作为一个示例，目的分类标准中包括100个分割区域(也即本次分割的分割目的是将第三脑MRI图像分割为该100个分割区域)，所述多模型预测装置同时使用如下三个图像分割模型分别对第三脑MRI图像进行分割预测：M1、M2、M3；其中，M1对应的分割区域分类标准中包含4个分割区域(也即M1用于将图像分割为该4个分割区域)，M2对应的分割区域分类标准中包含3个分割区域(也即M2用于将图像分割为该3个分割区域)，M3对应的分割区域分类标准中包含20个分割区域(也即M3用于将图像分割为该20个分割区域)。可选地，所述多个图像分割模型为多个3D神经网络模型；优选地，所述多个3D神经网络模型包括：半脑模型、分区模型、像素性质分类模型，作为一个示例，半脑模型的分割目的是将整个第三脑MRI图像的体积(volume)的像素分为四类，分别是背景、左脑、右脑和其他，像素性质分类模型的分割目的是将整个第三脑MRI图像的体积的像素分为背景、灰质、白质和脑脊液，像素性质分类模型会把非脑部的其他组织区域都视为背景，分区模型的分割目的是按照解剖学对脑区进行划分(如将脑区划分为额叶、颞叶、顶叶等多个区域)；可选地，上述半脑模型、分区模型、像素性质分类模型均采用VoxResNet(含有25个卷积层的3D深度神经网络)的网络结构。其中，所述分割预测结果用于指示分割预测得到的结果，所述分割预测结果可表现为多种形式，本申请对此并不作限制，例如，一个图像分割模型对应的分割预测结果可即为一个分割结果矩阵，该分割结果矩阵中的每个元素表示针对第三脑MRI图像中与该元素位置对应的像素的预测标签，又例如，一个分割预测结果包括多个像素集合，每个像素集合对应一个分割区域。

其中，所述融合的实现方式可能为多种，如可采用标签融合、像素融合或其组合的融合方式；可选地，计算机设备可基于目的分类标准和每个图像分割模型对应的分割区域分类标准之间的命名规则关联关系，或者上述其各自所包含的分割区域之间的相同、包含或被包含等关系，来确定融合方式。其中，所述图像分割结果是指基于目的分类标准所得到的分割结果，所述图像分割结果的表现形式与上述分割预测结果的表现形式相同或者相似，在此不再赘述。作为一个示例，目的分类标准中包括100个分割区域，所述多模型预测装置同时使用图像分割模型M1、M2、M3来分别对第三脑MRI图像进行分割预测，并获得分别与M1、M2、M3对应的分割预测结果N1、N2、N3；所述融合装置对N1、N2、N3进行融合，获得所述第三脑MRI图像对应的图像分割结果N，该图像分割结果用于指示分割得到的100个分割区域。需要说明的是，在基于多个图像分割模型针对同一像素的分割预测结果来进行融合时，可以以多元组来表征多个图像分割模型针对同一像素的分割预测结果，例如，使用图像分割模型M1、M2、M3来分别对第三脑MRI图像进行分割预测，并获得分别与M1、M2、M3对应的分割预测结果N1、N2、N3，则可使用二元组(v1，v2)表示M1和M2针对同一像素的分割预测结果，使用二元组(v1，v3)表示M1和M3针对同一像素的分割预测结果，使用二元组(v2，v3)表示M2和M3针对同一像素的分割预测结果，使用三元组(v1，v2，v3)表示M1和M2针对同一像素的分割预测结果，在融合时，可针对不同图像分割模型组合对应的多元祖分别设置相应地预定融合规则，如针对二元组(v1，v2)，将(20,5)对应的区域映射为187，将(10,2)对应的区域映射为155。

图2示出了本申请一个示例的针对第三脑MRI图像进行图像分割的示意图，其中，将第三脑MRI图像作为输入，使用分区模型对该脑MRI图像进行分割预测获得分割结果矩阵W1，使用半脑模型对该脑MRI图像进行分割预测获得分割结果矩阵W2，使用像素性质分类模型对该脑MRI图像进行分割预测获得分割结果矩阵W3，之后，将W1、W2、W3进行融合，输出该脑MRI图像对应的分割结果矩阵W。

在一些实施例中，所述分割预测结果包括所述第三脑MRI图像的每个像素对应的预测标签，所述融合装置用于：根据所述每个图像分割模型对应的分割预测结果，并结合预定标签融合规则进行标签融合，获得与所述第三脑MRI图像对应的图像分割结果。可选地，所述根据所述每个图像分割模型对应的分割预测结果，并结合预定标签融合规则进行标签融合，获得与所述第三脑MRI图像对应的图像分割结果，进一步包括：建立与所述第三脑MRI图像对应的分割结果矩阵，所述分割结果矩阵初始为零矩阵；根据所述每个图像分割模型对应的分割预测结果，并结合预定标签融合规则进行标签融合，将融合后的标签写入所述分割结果矩阵的相应区域，以获得与所述第三脑MRI图像对应的图像分割结果。在一些实施例中，该图像分割装置14还用于在进行标签融合之前：根据分割区域命名规则、分割区域标签，以及每个分割区域分类标准中的名称与标签之间的对应关系，确定预定标签融合规则，基于此，若录入新的分割区域的名称和标签，可自动更新预定标签融合规则；上述“分割区域命名规则”是指目的分类标准对应的命名规则，上述“分割区域标签”是指目的分类标准中包含的与各个分割区域对应的标签。在一些实施例中，所述预定标签融合规则为人工预先设置的或者从其他设备获得的。可选地，所述第三脑MRI图像为脑MRI图像，所述预定标签融合规则包括：不分左右半脑且不分灰白质的预测标签对应的标签映射规则；分左右半脑且不分灰白质的预测标签对应的标签映射规则；分左右半脑且分灰白质的预测标签对应的标签映射规则；特定预测标签(如CSF(Cerebro-Spinal Fluid，脑脊液)标签)对应的标签映射规则。

作为的一个示例，图2中基于所述融合装置将W1、W2、W3进行融合获得该脑MRI图像对应的分割结果矩阵W的过程如下：1)建立分割结果矩阵W，W初始为零矩阵，W的大小和数据类型与W1相同；2)处理不分左右半脑且不分灰白质的预测标签：根据与不分左右半脑且不分灰白质的预测标签对应的标签映射规则，将W1中不分左右半脑且不分灰白质的分割区域对应的标签映射为目的分类标准中相同分割区域对应的标签，如分区模型对应的分割区域分类标准中包含分割区域“corpus-callosum(脑胼胝体)”，该分割区域的标签为9，目的分类标准中同样包含该分割区域且对应的标签为17，则将W1中标签为“9”的区域映射为“17”，写入W；3)处理分左右半脑且不分灰白质的预测标签：以二元组(x，y)表示分区模型和半脑模型对脑MRI图像中同一像素的预测标签，x为W1中该像素的预测标签，y为W2中该像素的预测标签，根据与分左右半脑且不分灰白质的预测标签对应的标签映射规则，将预设的每个二元组映射为目的分类标准中的相应分割区域对应的标签，其中，映射至的该分割区域为x对应的分割区域与y对应的分割区域的交集，如分区模型对应的分割区域分类标准中包含分割区域“hippocampus(海马体)”且其标签为“21”，半脑模型对应的分割区域分类标准中包含分割区域“lh(左脑)”且其标签为“1”，目的分类标准中包含分割区域“lh-hippocampus(左脑海马体)”且其对应标签为153，则将(21，1)对应的区域(也即W1中预测标签为21且在W2中预测标签为1的像素所在区域)映射为“153”，写入W；4)处理分左右半脑且分灰白质的预测标签：以三元组(x，y，z)表示分区模型、半脑模型和像素性质分类模型对脑MRI图像中同一像素的预测标签，x为W1中该像素的预测标签，y为W2中该像素的预测标签，z为W3中该像素的预测标签，根据与分左右半脑且分灰白质的预测标签对应的标签映射规则，将预设的每个三元组映射为目的分类标准中的相应分割区域对应的标签，其中，映射至的该分割区域为x对应的分割区域、y对应的分割区域以及z对应的分割区域之间的交集，其标签融合过程与上述3)相似；需要说明的是，可选地，针对多元组的预测标签，可采用名字索引法进行标签映射，也即基于目的分类标准与每个图像分割模型对应的分割区域分类标准的命名规则来进行标签映射，作为一个示例，在4)中，目的分类标准中分左右半脑且分灰白质的标签对应的名称由3部分组成“<部分1>-<部分2>-<部分3>”，部分1为灰白质的标签，部分2为左右半脑标签，部分3为按照解剖学对脑区进行划分的分区名称，则将需要执行融合操作的三元组(x，y，z)组合成<部分1>-<部分2>-<部分3>格式的名称，映射到目的分类标准中与该名称对应的新label，之后在W1＝v1&W2＝v2&W3＝v3的区域上给W添上新label；5)处理CSF标签：直接将W3中的CSF标签对应的区域映射为目的分类标准中的CSF标签，并写入W，之后，将W中剩下的区域全默认为背景，也即完成了标签融合操作，此时的W即为脑MRI图像的图像分割结果。

优选地，所述图像分割装置14在获得图像优化结果之后，还需对所述图像分割结果进行优化。在一些实施例中，所述图像分割装置14还包括优化装置(图未示)，优化装置用于使用3D-CRF条件随机场对所述MRI图像分割结果进行优化。在一些实施例中，所述图像分割装置14还包括确定装置(图未示)、统计装置(图未示)和转换装置(图未示)；确定装置用于若所述图像分割结果中的相邻两个分割区域之间存在不明显边界，确定所述两个分割区域中的欠分割区域和过分割区域；统计装置用于对所述欠分割区域和所述过分割区域进行像素值分布统计，并根据统计结果确定转化区间；转换装置用于将所述过分割区域中满足所述转化区间的像素转换到所述欠分割区域中。基于像素值分布统计对图像分割结果进行优化的方案，能够实现将误分割至过分割区域的像素转换到欠分割区域中，解决了相邻的两个分割区域之间存在不明显边界的技术问题，能够达到很好的优化效果，使得优化后输出的图像能够准确地呈现原始输入中的各项信息，从而便于基于图像分割结果进行后续的分析处理，提高分析处理结果的准确性。

在一些实施例中，在获得图像分割结果之后，所述优化装置使用3D-CRF条件随机场对所述MRI图像分割结果进行优化，获得初步优化后的MRI图像分割结果，之后，触发所述确定装置、所述统计装置和所述转换装置执行操作，对初步优化后的MRI图像分割结果进行进一步地优化，从而得到最优的优化结果。

可选地，所述确定装置根据操作人员输入的指示信息(包括但不限于文字、语音、点击操作、标记操作等任何用于指示欠分割区域和过分割区域的信息)确定相邻两个分割区域之间的欠分割区域和过分割区域，操作人员可基于人工筛查和经验来选择过分割区域和欠分割区域。其中，所述欠分割区域是指部分像素被误分割至相邻分割区域的区域；所述过分割区域是指误将相邻分割区域的部分像素归为己类的区域。在一些实施例中，所述欠分割区域为小脑灰质区域，所述过分割区域为与所述小脑灰质区域相邻的小脑白质区域；所述小脑灰质区域与所述小脑白质区域之间的不明显边界上大部分是属于小脑白质的小分支纹理，且基于小脑像素值的统计分布，小脑区域的像素呈现重叠双峰分布，重叠的部分像素既有小脑白质，也有小脑灰质，这些重叠的像素倾向于在所述小脑灰质区域与所述小脑白质区域之间的不明显边界上，这也使得基于图像分割结果直接输出的图像无法准确地呈现出小脑白质的分枝状信息。

所述统计装置对所述欠分割区域和所述过分割区域进行像素值分布统计，并根据统计结果确定转化区间。其中，所述转化区域用于指示需要从所述过分割区域转换到所述欠分割区域中的像素所在区域。在一些实施例中，所述前分割区域和所述过分割区域的像素值分布近似服从正态分布，如小脑灰质区域和小脑白质区域的像素值分布近似服从正态分布。作为一个示例，图像分割结果中包括分割区域X和分割区域Y，从所述图像分割结果(记为Ψ0)上假设Y存在欠分割，X存在过分割，所述统计装置根据图像分割结果Ψ0，分别统计Y的像素值分布以及X的像素值分布，并根据统计结果确定转化区间。

所述转换装置将所述过分割区域中满足所述转化区间的像素转换到所述欠分割区域中。作为一个示例，所述欠分割区域为小脑灰质区域，所述过分割区域为与所述小脑灰质区域相邻的小脑白质区域，计算机设备将小脑白质区域中满足转化区间的像素转到所述小脑灰质区域，从而使得优化后输出的图像中可以较为清晰准确地呈现小脑白质分支纹理。

需要说明的是，若所述图像分割结果中有多对分割区域之间存在不明显边界，则分别针对每对分割区域触发所述确定装置、所述统计装置和所述转换装置执行操作，从而实现对整个图像分割结果的优化。在实现对所述图像分割结果的优化之后，所述计算机设备可输出优化后得到的图像，以便基于该优化后得到的图像进行后续分析处理，或者可将优化后得到的图像传输至其他设备，以在其他设备中基于该优化后得到的图像进行分析处理。

一些实施例中，所述统计装置用于：对所述欠分割区域和所述过分割区域进行像素值分布统计，根据统计结果计算所述欠分割区域对应的第一均值和标准差，以及所述过分割区域对应的第二均值；根据所述第一均值、所述标准差以及所述第二均值，确定转化区间。

在一些实施例中，所述根据所述第一均值、所述标准差以及所述第二均值，确定转化区间，包括：比较所述第一均值与所述第二均值的大小，并根据比较结果确定转化区间，其中，若所述第一均值大于所述第二均值，转化区域取值为[μy–k*σy,μy]，若所述第一均值小于所述第二均值，转化区域取值为[μy,μy+k*σy]；其中，μy为所述第一均值，σy为所述标准差，k为经验常数。在另一些实施例中，所述根据所述第一均值、所述标准差以及所述第二均值，确定转化区间，包括：将区间[μy–k*σy,μy+k*σy]确定为转化区间。可选地，所述经验常数可为固定值、或者由操作人员针对当前分割任务手动输入的值，或者操作人员基于不同的分割任务动态选取的。在一些实施例中，所述根据所述第一均值、所述标准差以及所述第二均值，确定转化区间，还包括：根据当前分割任务以及预定映射关系，动态确定当前分割任务对应的经验常数，其中，所述预定映射关系用于指示分割任务与预定经验常数之间的映射关系；例如，计算机设备中预先存储有不同分割与预定经验常数之间的映射关系，该映射关系指示分割任务R1、R2、R3分别对应经验常数1.5、2、2.5，则所述统计装置根据当前分割任务“R1”以及该映射关系，确定与当前分割任务对应的预定经验常数为“1.5”，也即确定k＝1.5。

在一些实施例中，所述图像分割结果包括每个像素对应的标签，所述转换装置用于：将所述过分割区域中满足所述转化区间的像素的标签修改为所述欠分割区域对应的标签。作为一个示例，欠分割区域对应的标签为“10”，与该欠分割区域相邻的过分割区域对应的标签为“20”，图像分割结果包括每个像素对应的标签；所述统计装置确定转化区间为[μy–k*σy,μy+k*σy]；所述转换装置将该过分割区域中落入[μy–k*σy,μy+k*σy]内的像素(所述图像分割结果中该等像素对应的标签为“20”)的标签修改为“10”，也即将该等像素转换到了该欠分割区域。

在一些实施例中，所述图像分割结果包括所述欠分割区域对应的像素集合以及所述过分割区域对应的像素集合，所述转换装置用于：将所述过分割区域对应的像素集合中满足所述转化区间的像素转移至所述欠分割区域对应的像素集合中。作为一个示例，图像分割结果包括欠分割区域对应的像素集合Set1以及相邻的过分割区域对应的像素集合Set2，所述统计装置确定转化区间为[μy–k*σy,μy+k*σy]；所述转换装置将Set2中落入[μy–k*σy,μy+k*σy]内的像素转移至Set1，也即将该等像素转换到了欠分割区域。

图4示出了可被用于实施本申请中所述的各个实施例的示例性系统。

在一些实施例中，系统1000能够作为本申请实施例中的任意一个处理设备。在一些实施例中，系统1000可包括具有指令的一个或多个计算机可读介质(例如，系统存储器或NVM/存储设备1020)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如，(一个或多个)处理器1005)。

对于一个实施例，系统控制模块1010可包括任意适当的接口控制器，以向(一个或多个)处理器1005中的至少一个和/或与系统控制模块1010通信的任意适当的设备或组件提供任意适当的接口。

系统控制模块1010可包括存储器控制器模块1030，以向系统存储器1015提供接口。存储器控制器模块1030可以是硬件模块、软件模块和/或固件模块。

系统存储器1015可被用于例如为系统1000加载和存储数据和/或指令。对于一个实施例，系统存储器1015可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，系统存储器1015可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。

对于一个实施例，系统控制模块1010可包括一个或多个输入/输出(I/O)控制器，以向NVM/存储设备1020及(一个或多个)通信接口1025提供接口。

例如，NVM/存储设备1020可被用于存储数据和/或指令。NVM/存储设备1020可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。

NVM/存储设备1020可包括在物理上作为系统1000被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，NVM/存储设备1020可通过网络经由(一个或多个)通信接口1025进行访问。

(一个或多个)通信接口1025可为系统1000提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统1000可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。

对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器(例如，存储器控制器模块1030)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。

在各个实施例中，系统1000可以但不限于是：服务器、工作站、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，系统1000可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，系统1000包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。

本申请还提供了一种计算机设备，其中，所述计算机设备包括：

存储器，用于存储一个或多个程序；

一个或多个处理器，与所述存储器相连，

当所述一个或多个程序被所述一个或者多个处理器执行时，使得所述一个或多个处理器执行本申请所述的用于自动化脑MRI定量分析的方法。

本申请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，所述计算机程序可被处理器执行本申请所述的用于自动化脑MRI定量分析的方法。

本申请还提供了一种计算机程序产品，当所述计算机程序产品被设备执行时，使得所述设备执行本申请所述的用于自动化脑MRI定量分析的方法。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (20)

1.一种用于自动化脑MRI定量分析的方法，其中，该方法包括：

a获得待处理的第一脑MRI图像；

b去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像；

c对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像；

d对所述第三脑MRI图像进行图像分割，获得图像分割结果。

2.根据权利要求1所述的方法，其中，所述步骤a包括：

获得待处理的第一脑MRI图像以及所述第一脑MRI图像对应的个体基本信息。

3.根据权利要求2所述的方法，其中，所述获得待处理的第一脑MRI图像以及所述第一脑MRI图像对应的个体基本信息，包括：

获取DICOM原始数据，通过遍历所述DICOM原始数据中的所有文件，筛选出所述DICM原始数据中的DICOM文件；

通过将筛选出的每个DICOM文件按进行归类存储获得多个存储路径，并读取所述每个DICOM文件对应的个体相关信息；

通过对所述多个存储路径中的每个存储路径进行序列完整性检查，获得待处理的第一脑MRI图像；

根据所述第一脑MRI图像中的每个DICOM文件对应的个体相关信息，获得所述第一脑MRI图像对应的个体基本信息。

4.根据权利要求3所述的方法，其中，所述通过将筛选出的每个DICOM文件进行归类存储获得多个存储路径，包括：

对于筛选出的每个DICOM文件，读取该DICOM文件中的患者标识、序列实例标识以及实例编号，根据所述实例编号对该DICOM文件进行重命名，且根据所述患者标识和所述序列实例标识确定该DICOM文件的存储路径，并将该存储路径存储至序列路径变量列表中；

对所述序列路径变量列表中的存储路径去重复，获得多个存储路径。

5.根据权利要求3所述的方法，其中，所述通过对所述多个存储路径中的每个存储路径进行序列完整性检查，获得待处理的第一脑MRI图像，包括：

对于所述多个存储路径中的每个存储路径，对该存储路径中的DICOM序列进行完整性检查，若该DICOM序列具备序列完整性且该DICOM序列的文件数量大于预定文件数量，根据该DICOM序列得到待处理的第一脑MRI图像。

6.根据权利要求3所述的方法，其中，所述根据所述第一脑MRI图像中的每个DICOM文件对应的个体相关信息，获得所述第一脑MRI图像对应的个体基本信息，包括：

读取所述每个DICOM文件对应的个体相关信息，并将所述个体相关信息存储至基本信息变量中；

对所述基本信息变量去重复，并根据所述第一脑MRI图像对应的序列实例标识，获得所述第一脑MRI图像对应的个体基本信息。

7.根据权利要求1至6中任一项所述的方法，其中，所述步骤b包括：

使用3D神经网络模型对所述第一脑MRI图像进行预测，获得去除颅外噪声且截取有效脑区之后的预测MRI图像，其中，所述3D神经网络模型是以SPM的输出结果为样本数据进行训练得到的；

将所述预测MRI图像的体积归一化到预定像素精度，得到归一化的预测MRI图像；

f计算所述归一化的预测MRI图像中有效脑区的位置信息，并根据所述位置信息将所述有效脑区居中，生成满足预定格式要求的第二脑MRI图像。

8.根据权利要求7所述的方法，其中，所述步骤f包括：

计算所述归一化的预测MRI图像中有效脑区的位置信息；

根据所述位置信息将所述有效脑区对应的数据矩阵居中写入符合预定大小要求的零矩阵中，获得居中数据矩阵；

计算所述居中数据矩阵的轴位索引为零的切片的原点坐标，并根据所述原点坐标修改所述归一化的预测MRI图像的放射矩阵；

根据所述居中数据矩阵以及修改后的放射矩阵，生成满足预定格式要求的第二脑MRI图像。

9.根据权利要求1至8中任一项所述的方法，其中，该方法还包括在所述步骤d之后执行的以下步骤：

根据所述MRI图像分割结果，计算图像分割得到的每个分割区域的体积信息；

m对于所述每个分割区域，根据该分割区域的体积信息以及正常人群对应的正常体积信息，判断该分割区域的体积是否异常，若是，生成与该分割区域对应的异常报警信息；

根据所述体积信息、所述异常报警信息以及所述第一脑MRI图像对应的个体基本信息，生成脑MRI定量报告。

10.根据权利要求9所述的方法，其中，所述步骤m包括：

根据所述正常人群对应的正常体积信息，获得每个分割区域对应的至少一个置信区间；

对于所述每个分割区域，根据该分割区域的体积信息以及该分割区域对应的至少一个置信区间，判断该分割区域的体积是否异常，若是，生成与该分割区域对应的异常报警信息。

11.根据权利要求1至10中任一项所述的方法，其中，所述步骤d包括：

当所述第三脑MRI图像对应的分割区域数量超过预定数量时，分别使用多个图像分割模型对所述第三脑MRI图像进行分割预测，获得每个图像分割模型对应的分割预测结果，其中，所述每个图像分割模型所对应的分割区域分类标准不同；

p将所述每个图像分割模型对应的分割预测结果进行融合，获得与所述第三脑MRI图像对应的图像分割结果。

12.根据权利要求11所述的方法，其中，所述分割预测结果包括所述第三脑MRI图像的每个像素对应的预测标签，所述步骤p包括：

根据所述每个图像分割模型对应的分割预测结果，并结合预定标签融合规则进行标签融合，获得与所述第三脑MRI图像对应的图像分割结果。

13.根据权利要求11所述的方法，其中，所述多个图像分割模型包括：半脑模型、分区模型、像素性质分类模型。

14.根据权利要求1至13中任一项所述的方法，其中，所述步骤d还包括：

使用3D-CRF条件随机场对所述MRI图像分割结果进行优化。

15.根据权利要求1至13中任一项所述的方法，其中，所述步骤d还包括：

若所述图像分割结果中的相邻两个分割区域之间存在不明显边界，确定所述两个分割区域中的欠分割区域和过分割区域；

对所述欠分割区域和所述过分割区域进行像素值分布统计，并根据统计结果确定转化区间；

将所述过分割区域中满足所述转化区间的像素转换到所述欠分割区域中。

16.一种用于自动化脑MRI定量分析的装置，其中，该装置包括：

用于获得待处理的第一脑MRI图像的装置；

用于去除所述第一脑MRI图像中的颅外噪声，截取有效脑区并居中所述有效脑区，生成满足预定格式要求的第二脑MRI图像的装置；

用于对所述第二脑MRI图像进行偏置场矫正，获得矫正后的第三脑MRI图像的装置；

用于对所述第三脑MRI图像进行图像分割，获得图像分割结果的装置。

17.根据权利要求16所述的装置，其中，该装置还包括：

用于根据所述MRI图像分割结果，计算图像分割得到的每个分割区域的体积信息的装置；

用于对于所述每个分割区域，根据该分割区域的体积信息以及正常人群对应的正常体积信息，判断该分割区域的体积是否异常，若是，生成与该分割区域对应的异常报警信息的装置；

用于根据所述体积信息、所述异常报警信息以及所述第一脑MRI图像对应的个体基本信息，生成脑MRI定量报告，生成脑MRI定量报告的装置。

18.根据权利要求16所述的装置，其中，所述用于对所述第三脑MRI图像进行图像分割，获得图像分割结果的装置，还用于：

若所述图像分割结果中的相邻两个分割区域之间存在不明显边界，确定所述两个分割区域中的欠分割区域和过分割区域；

对所述欠分割区域和所述过分割区域进行像素值分布统计，并根据统计结果确定转化区间；

将所述过分割区域中满足所述转化区间的像素转换到所述欠分割区域中。

19.一种计算机设备，其中，所述计算机设备包括：

存储器，用于存储一个或多个程序；

一个或多个处理器，与所述存储器相连，

当所述一个或多个程序被所述一个或者多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至15中任一项所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序可被处理器执行如权利要求1至15中任一项所述的方法。

Images