CN111105362A - 脑图像校正方法、计算机设备和可读存储介质 - Google Patents
脑图像校正方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111105362A CN111105362A CN201911128022.5A CN201911128022A CN111105362A CN 111105362 A CN111105362 A CN 111105362A CN 201911128022 A CN201911128022 A CN 201911128022A CN 111105362 A CN111105362 A CN 111105362A
- Authority
- CN
- China
- Prior art keywords
- view
- dimensional sectional
- dimensional
- angle
- image
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003702 image correction Methods 0.000 title abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 209
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 238000010586 diagram Methods 0.000 claims abstract description 56
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 9
- 239000010410 layer Substances 0.000 description 121
- 238000005070 sampling Methods 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 239000011229 interlayer Substances 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 210000000877 corpus callosum Anatomy 0.000 description 2
- 238000002597 diffusion-weighted imaging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 239000006231 channel black Substances 0.000 description 1
- 210000003477 cochlea Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种脑图像校正方法、计算机设备和可读存储介质,该方法包括:获取待校正的脑图像各视角的二维切面图;将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标;根据各视角的二维切面图的特征点坐标,获取各视角的二维切面图的偏转角度和旋转中心坐标;根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像。该方法中各视角的二维切面图的特征点比较稳定,能够根据各视角的二维切面图的特征点坐标准确地获取各视角的二维切面图的偏转角度和旋转中心坐标,进而提高了根据各视角的二维切面图的偏转角度和旋转中心坐标对待校正的脑图像进行校正的准确度。
Description
技术领域
本发明涉及医学图像领域,特别是涉及一种脑图像校正方法、计算机设备和可读存储介质。
背景技术
医学影像是指为了医疗或者医学研究,对人体或人体某部位,以非侵入方式取得内部组织影像的技术与处理过程。在临床应用方面,医学影像又称为医学成像,而脑部影像是尤为重要的一种医学影像,脑部影像的成像技术又分为电子计算机断层扫描(ComputedTomography,CT)成像技术、磁共振(Magnetic Resonance Imaging,MRI)成像技术和正电子发射型计算机断层(Positron Emission Computed Tomography,PET)成像技术。在脑部成像的具体操作中,以脑部CT影像为例,放射科操作员的不同操作和参数设定(如对比剂的剂量和扫描轴位的设定等)以及患者扫描时的不同姿态均会影像脑部CT影像的成像质量,导致得到的脑部CT影像形态、清晰度和亮度各异,这对医生和研究员的后续研究造成了极大的干扰,同时也大大降低了医生的诊疗效率,尤其是脑部影像中脑部的方向,不一致的脑部方向会大大增加影像间的对比难度,因此,对脑部影像的校正尤为重要。
传统技术中,主要是利用人工校正的方法对脑部图像进行校正,例如,在CT成像技术中,可以通过对窗宽和窗位的参数进行调整,在合适的对比度下从横断面、冠状面和矢状面三个角度对头颅的方向进行考察,并通过相关软件对三个角度的切面逐一进行旋转调整;或者,可以根据耳蜗点的位置确定出脑部图像的对称轴,从而计算出脑部图像的偏角并对脑部图像进行进一步校正;或者,采用镜像堆成稀疏来表征脑部图像的对称程度,并在实际的对称轴附近采用极大化方法寻找最优解。
但是,传统的对脑部图像校正的方法存在校正精度较低的问题。
发明内容
基于此,有必要针对传统的对脑部图像校正的方法存在校正精度较低的问题,提供一种脑图像校正方法、计算机设备和可读存储介质。
第一方面,本发明实施例提供一种脑图像校正方法,所述方法包括:
获取待校正的脑图像各视角的二维切面图;
将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标;
根据所述各视角的二维切面图的特征点坐标,获取所述各视角的二维切面图的偏转角度和旋转中心坐标;
根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述待校正的脑图像进行校正,得到校正后的脑图像。
在其中一个实施例中,所述根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述待校正的脑图像进行校正,得到校正后的脑图像,包括:
根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图;
对所述旋转后的各视角的二维切面图进行裁剪处理,得到校正后的各视角的二维切面图;所述校正后的各视角的二维切面图的尺寸与所述各视角的二维切面图的尺寸相同;
将所述校正后的各视角的二维切面图进行重建,得到所述校正后的脑图像。
在其中一个实施例中,所述根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图,包括:
根据所述各视角的二维切面图的偏转角度、旋转中心坐标以及公式x=(x0-xC)cos(D)+(y0-yC)sin(D),y=(xC-x0)sin(D)+(y0-yC)cos(D),对所述各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图;式中,(x,y)为所述旋转后的各视角的二维切面图中点的坐标,(x0,y0)为所述各视角的二维切面图中点的坐标,(xC,yC)为所述各视角的二维切面图的旋转中心坐标,D为所述各视角的二维切面图的偏转角度。
在其中一个实施例中,所述将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标,包括:
将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的掩模图像;
根据所述各视角的二维切面图的掩模图像,获取所述各视角的二维切面图的特征点坐标。
在其中一个实施例中,所述各视角的二维切面图的特征点包括第一特征点和第二特征点,所述根据所述各视角的二维切面图的掩模图像,获取所述各视角的二维切面图的特征点坐标,包括:
从所述各视角的二维切面图的掩模图像中,确定所述各视角的二维切面图的第一特征点所属区域以及所述各视角的二维切面图的第二特征点所属区域;
将所述第一特征点所属区域的像素坐标的平均值确定为所述各视角的二维切面图的第一特征点坐标;
将所述第二特征点所属区域的像素坐标的平均值确定为所述各视角的二维切面图的第二特征点坐标。
在其中一个实施例中,所述获取待校正的脑图像各视角的二维切面图,包括:
获取所述待校正的脑图像各视角的二维图像;
获取所述各视角的二维图像的体素值在预设的体素值区间内的体素个数,将所述体素个数确定为所述各视角的二维图像的有效面积;
将所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层,作为所述待校正的脑图像各视角的二维切面图。
在其中一个实施例中,所述将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标,包括:
将所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层,分别输入各视角对应的神经网络模型,得到所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层的特征点坐标;
获取所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层的特征点坐标的平均值,将所述平均值作为所述各视角的二维切面图的特征点坐标。
在其中一个实施例中,所述神经网络模型的训练过程包括:
获取待校正的样本脑图像各视角的样本二维切面图;
将所述各视角的样本二维切面图输入各视角对应的预设的神经网络模型,得到所述各视角的样本二维切面图对应的样本掩模图像;
根据所述样本掩模图像和预先生成的各视角的掩模图像,对各所述预设的神经网络模型进行训练,得到所述神经网络模型。
第二方面,本发明实施例提供一种脑图像校正装置,所述装置包括:
第一获取模块,用于获取待校正的脑图像各视角的二维切面图;
第二获取模块,用于将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标;
第三获取模块,用于根据所述各视角的二维切面图的特征点坐标,获取所述各视角的二维切面图的偏转角度和旋转中心坐标;
校正模块,用于根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述待校正的脑图像进行校正,得到校正后的脑图像。
第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待校正的脑图像各视角的二维切面图;
将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标;
根据所述各视角的二维切面图的特征点坐标,获取所述各视角的二维切面图的偏转角度和旋转中心坐标;
根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述待校正的脑图像进行校正,得到校正后的脑图像。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待校正的脑图像各视角的二维切面图;
将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标;
根据所述各视角的二维切面图的特征点坐标,获取所述各视角的二维切面图的偏转角度和旋转中心坐标;
根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述待校正的脑图像进行校正,得到校正后的脑图像。
上述实施例提供的脑图像校正方法、装置、计算机设备和可读存储介质中,计算机设备获取待校正的脑图像各视角的二维切面图;将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标;根据各视角的二维切面图的特征点坐标,获取各视角的二维切面图的偏转角度和旋转中心坐标;根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像。在该方法中,由于各视角的二维切面图的特征点比较稳定,这样计算机设备能够根据各视角的二维切面图的特征点坐标,准确地获取各视角的二维切面图的偏转角度和旋转中心坐标,提高了获取的各视角的二维切面图的偏转角度和旋转中心坐标的准确度,而对待校正的脑图像进行的校正是根据各视角的二维切面图的偏转角度和旋转中心坐标进行的,由于获取的各视角的二维切面图的偏转角度和旋转中心坐标的准确度得到了提高,进而提高了对待校正的脑图像进行校正的准确度;另外,在该方法中获取的是待校正的脑图像各视角的二维切面图的特征点坐标,相比于在三维图像中获取特征点坐标,在二维切面图中获取特征点坐标的操作更简单、更易操作,能够更加准确地获取待校正的脑图像各视角的二维切面图的特征点坐标,进而提高了对待校正的脑图像进行校正的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的脑图像校正方法的流程示意图;
图3为一个实施例提供的各视角的二维切面图的特征点示意图;
图4为另一个实施例提供的脑图像校正方法的流程示意图;
图5为另一个实施例提供的脑图像校正方法的流程示意图;
图6为另一个实施例提供的脑图像校正方法的流程示意图;
图7为另一个实施例提供的脑图像校正方法的流程示意图;
图8为另一个实施例提供的脑图像校正方法的流程示意图;
图9为一个实施例提供的神经网络模型的网络结构示意图;
图10为一个实施例提供的脑图像校正装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的脑图像校正方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是,脑部影像虽然在原图上有较大的差异性,但依据脑中线、胼胝体等较明显且稳定的结构,仍能提取到脑部影像轴向的关键参考信息。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的脑图像校正方法的流程示意图。图3为一个实施例提供的各视角的二维切面图的特征点示意图。本实施例涉及的是计算机设备获取待校正的脑图像各视角的二维切面图,根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像的具体实现过程。如图2所示,该方法可以包括:
S201,获取待校正的脑图像各视角的二维切面图。
具体的,计算机设备获取待校正的脑图像各视角的二维切面图。其中,待校正的脑图像各视角的二维切面图包括待校正的脑图像的横断位的二维切面图、矢状位的二维切面图和冠状位的二维切面图。可选的,待校正的脑图像可以为脑部计算机断层成像(ComputedTomography,CT)图像,也可以为脑部磁共振(Magnetic Resonance Imaging,MRI)图像,也可以为脑部磁共振弥散加权成像(Diffusion Weighted Imaging,DWI)图像,也可以为脑部磁共振灌注成像(Perfusion Imaging,PWI)图像。可选的,计算机设备可以从PACS(PictureArchiving and Communication Systems,影像归档和通信系统)服务器中获取待校正的脑图像,也可以从医学影像设备中实时地获取待校正的脑图像。可选的,计算机设备得到待校正的脑图像后,可以将待校正的脑图像在x轴、y轴和z轴上按各轴向分别对待校正的脑图像进行拆分处理,得到待校正的脑图像各视角的二维切面图,其中x轴、y轴和z轴的轴向分别对应冠状位、矢状位和横断位。
S202,将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标。
具体的,计算机设备将得到的待校正的脑图像各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标,也就是,计算机设备将待校正的脑图像横断位的二维切面图输入横断位对应的神经网络模型,得到待校正的脑图像横断位的二维切面图的特征点坐标,将待校正的脑图像矢状位的二维切面图输入矢状位对应的神经网络模型,得到待校正的脑图像矢状位的二维切面图的特征点坐标,将待校正的脑图像冠状位的二维切面图输入冠状位对应的神经网络模型,得到待校正的脑图像冠状位的二维切面图的特征点坐标。其中,各视角的二维切面图的特征点为各视角的二维切面图上任意稳定的特征点,例如,胼胝体两侧点、小脑幕两侧点等。在本实施例中,如图3所示,待校正的脑图像横断位的二维切面图的特征点为该切面图上中线的两个端点;待校正的脑图像矢状位的二维切面图的特征点为该切面图上脑室的两侧端点;待校正的脑图像冠状位的二维切面图的特征点为该切面图上中线的两个端点。可选的,计算机设备将各视角的二维切面图输入各视角对应的神经网络模型之前,可以对各视角的二维切面图进行体素值加窗裁剪处理和重采样处理,其中,重采样处理的只要使各视角的二维切面图的目标分辨率为1:1:1即可,例如,可以将各视角的二维切面图对应的目标分辨率处理为[2,2,2]。
S203,根据各视角的二维切面图的特征点坐标,获取各视角的二维切面图的偏转角度和旋转中心坐标。
具体的,计算机设备根据各视角的二维切面图的特征点坐标,获取各视角的二维切面图的偏转角度和旋转中心坐标。示例性地,以获取待校正的脑图像横断位的二维切面图的偏转角度和旋转中心坐标为例进行说明,在本实施例中,待校正的脑图像横断位的二维切面图的特征点包括两个特征点,令PT1=(xT1,yT1)为待校正的脑图像横断位的二维切面图的第一特征点,PT2=(xT2,yT2)为待校正的脑图像横断位的二维切面图的第二特征点,则待校正的脑图像横断位的二维切面图的偏转角度DT(单位为度)和旋转中心坐标CT=(xTC,yTC)计算公式如下:待校正的脑图像矢状位、冠状位的二维切面图的偏转角度和旋转中心坐标的计算公式可以以此类推。
S204,根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像。
具体的,计算机设备根据得到的各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像。可选的,计算机设备可以根据各视角的二维切面图的偏转角度和旋转中心坐标,分别对各视角的二维切面图进行校正,得到各视角校正后的二维切面图,对各视角校正后的二维切面图进行重建,得到校正后的脑图像。
在本实施例中,由于各视角的二维切面图的特征点比较稳定,这样计算机设备能够根据各视角的二维切面图的特征点坐标,准确地获取各视角的二维切面图的偏转角度和旋转中心坐标,提高了获取的各视角的二维切面图的偏转角度和旋转中心坐标的准确度,而对待校正的脑图像进行的校正是根据各视角的二维切面图的偏转角度和旋转中心坐标进行的,由于获取的各视角的二维切面图的偏转角度和旋转中心坐标的准确度得到了提高,进而提高了对待校正的脑图像进行校正的准确度;另外,在该方法中获取的是待校正的脑图像各视角的二维切面图的特征点坐标,相比于在三维图像中获取特征点坐标,在二维切面图中获取特征点坐标的操作更简单、更易操作,能够更加准确地获取待校正的脑图像各视角的二维切面图的特征点坐标,进而提高了对待校正的脑图像进行校正的准确度。
图4为另一个实施例提供的脑图像校正方法的流程示意图。本实施例涉及的是计算机设备根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像的具体实现过程。如图4所示,在上述实施例的基础上,作为一种可选的实施方式,上述S204,包括:
S401,根据各视角的二维切面图的偏转角度和旋转中心坐标,对各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图。
具体的,计算机设备根据各视角的二维切面图的偏转角度和旋转中心坐标,对各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图。可选的,计算机设备可以根据得到的各视角的二维切面图的偏转角度、旋转中心坐标以及公式x=(x0-xC)cos(D)+(y0-yC)sin(D),y=(xC-x0)sin(D)+(y0-yC)cos(D),对各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图;式中,(x,y)为旋转后的各视角的二维切面图中点的坐标,(x0,y0)为各视角的二维切面图中点的坐标,(xC,yC)为各视角的二维切面图的旋转中心坐标,D为各视角的二维切面图的偏转角度。
S402,对旋转后的各视角的二维切面图进行裁剪处理,得到校正后的各视角的二维切面图;校正后的各视角的二维切面图的尺寸与各视角的二维切面图的尺寸相同。
具体的,计算机设备对旋转后的各视角的二维切面图进行裁剪处理,得到校正后的各视角的二维切面图,其中,校正后的各视角的二维切面图的尺寸与各视角的二维切面图的尺寸相同。可选的,计算机设备可以按照各视角的二维切面图的尺寸对旋转后的各视角的二维切面图进行裁剪处理,得到与各视角的二维切面图的尺寸相同的校正后的各视角的二维切面图,可选的,计算机设备也可以直接对旋转后的各视角的二维切面图进行裁剪处理,直至使其尺寸与各视角的二维切面图的尺寸相同,得到校正后的各视角的二维切面图。
S403,将校正后的各视角的二维切面图进行重建,得到校正后的脑图像。
具体的,计算机设备将上述得到的校正后的各视角的二维切面图进行重建,得到校正后的脑图像,也就是,计算机设备将校正后的横断位的二维切面图、校正后的矢状位的二维切面图、校正后的冠状位的二维切面图进行重建,得到校正后的脑图像,可以理解的是,校正后的脑图像为三维图像。
在本实施例中,计算机设备是根据各视角的二维切面图的偏转角度和旋转中心坐标对各视角的二维切面图进行旋转,由于对各视角的二维切面图进行旋转是在单一层面上进行的旋转,相比于在三维图像上进行的处理在各视角的二维切面图上进行的旋转能够对各视角的二维切面图进行比较准确地处理,提高了得到的旋转后的各视角的二维切面图的准确度,而得到的校正后的脑图像是对旋转后的各视角的二维切面图进行裁剪处理,将得到的校正后的各视角的二维切面图进行重建得到的,由于得到的旋转后的各视角的二维切面图的准确度得到了提高,因此,得到的校正后的脑图像的准确度也得到了提高。
图5为另一个实施例提供的脑图像校正方法的流程示意图。本实施例涉及的是计算机设备将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标的具体实现过程。如图5所示,在上述实施例的基础上,作为一种可选的实施方式,上述S202,包括:
S501,将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的掩模图像。
具体的,计算机设备将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的掩模图像。其中,各视角的二维切面图的掩模图像中像素值为0的代表背景,其他像素值代表各视角的二维切面图的特征点所属的区域。
S502,根据各视角的二维切面图的掩模图像,获取各视角的二维切面图的特征点坐标。
具体的,计算机设备根据各视角的二维切面图的掩模图像,获取各视角的二维切面图的特征点坐标。在本实施例中,各视角的二维切面图的特征点包括第一特征点和第二特征点,示例性地,计算机设备可以将像素值为0的像素表示为各视角的二维切面图的掩模图像中的背景,将像素值为1的像素表示为各视角的二维切面图的掩模图像中第一特征点所属区域,将像素值为2的像素表示为各视角的二维切面图的掩模图像中第二特征点所属区域,可选的,计算机设备可以根据各视角的二维切面图的掩模图像的像素值,从各视角的二维切面图的掩模图像中,确定各视角的二维切面图的第一特征点所属区域以及各视角的二维切面图的第二特征点所属区域,将第一特征点所属区域的像素坐标的平均值确定为各视角的二维切面图的第一特征点坐标,将第二特征点所属区域的像素坐标的平均值确定为各视角的二维切面图的第二特征点坐标。
在本实施例中,计算机设备将各视角的二维切面图输入各视角对应的神经网络模型,能够快速地得到各视角的二维切面图的掩模图像,提高了获取各视角的二维切面图的掩模图像的效率,进而提高了根据各视角的二维切面图的掩模图像,获取各视角的二维切面图的特征点坐标的效率。
图6为另一个实施例提供的脑图像校正方法的流程示意图。本实施例涉及的是计算机设备获取待校正的脑图像各视角的二维切面图的具体实现过程。如图6所示,在上述实施例的基础上,作为一种可选的实施方式,上述S201,包括:
S601,获取待校正的脑图像各视角的二维图像。
具体的,计算机设备对待校正的脑图像在x轴、y轴和z轴上按各轴向分别对待校正的脑图像进行拆分处理,得到待校正的脑图像各视角的二维图像。示例性地,对一个尺寸为[256,256,128]的待校正的脑图像,计算机设备可以对该待校正的脑图像在x轴、y轴和z轴上按各轴向分别对该待校正的脑图像进行拆分处理,将其拆分为256张冠状位的二维图像、256张矢状位的二维图像、128张横断位的二维图像,得到该待校正的脑图像各视角的二维图像。
S602,获取各视角的二维图像的体素值在预设的体素值区间内的体素个数,将体素个数确定为各视角的二维图像的有效面积。
具体的,计算机设备得到上述各视角的二维图像后,获取各视角的二维图像的体素值在预设的体素值区间内的体素个数,将在预设的体素值区间内的体素个数确定为各视角的二维图像的有效面积。可选的,预设的体素值区间可以为包含脑组织体素值的任意区间,例如(-100,200),(0,100)。
S603,将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,作为待校正的脑图像各视角的二维切面图。
具体的,计算机设备将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,作为待校正的脑图像各视角的二维切面图,也就是计算机设备将各视角的二维图像的体素值在预设的体素值区间内的体素个数最大的体素个数确定为各视角的二维图像的有效面积最大层,以及该有效面积最大层的前一层和后一层作为待校正的脑图像各视角的二维切面图。可选的,计算机设备也可以将各视角的二维图像的有效面积最大层作为待校正的脑图像各视角的二维切面图,也可以将各视角的二维图像的有效面积最大层的前一层或后一层作为待校正的脑图像各视角的二维切面图。
在本实施例中,计算机设备获取待校正的脑图像各视角的二维图像,获取各视角的二维图像的体素值在预设的体素值区间内的体素个数,将在预设的体素值区间内的体素个数确定为各视角的二维图像的有效面积,这样能够比较准确地确定各视角的二维图像的有效面积,而计算机设备是将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层作为待校正的脑图像各视角的二维切面图,由于各视角的二维图像的有效面积的准确度得到了提高,因此,也提高了获取的待校正的脑图像各视角的二维切面图的准确度。
图7为另一个实施例提供的脑图像校正方法的流程示意图。在上述实施例的基础上,上述将各视角的二维切面图输入各视角对应的神经网络模型的场景中,各视角的二维切面图为各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,本实施例涉及的是计算机设备将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标的具体实现过程。如图7所示,在上述实施例的基础上,作为一种可选的实施方式,上述S202,包括:
S701,将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,分别输入各视角对应的神经网络模型,得到各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标。
具体的,计算机设备将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,分别输入各视角对应的神经网络模型,得到各视角的有效面积最大层以及有效面积最大层的前一层和后一层的掩模图像,根据各视角的有效面积最大层以及有效面积最大层的前一层和后一层的掩模图像,得到各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标。
S702,获取各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标的平均值,将平均值作为各视角的二维切面图的特征点坐标。
具体的,计算机设备得到各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标后,获取各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标的平均值,将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标的平均值作为各视角的二维切面图的特征点坐标。
在本实施例中,计算机设备是将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,分别输入各视角对应的神经网络模型,得到各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标,将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标的平均值作为各视角的二维切面图的特征点坐标,由于各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标的平均值能够更加准确地体现各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点,因此,将有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标的平均值作为各视角的二维切面图的特征点坐标,提高了得到的各视角的二维切面图的特征点坐标的准确度。
图8为另一个实施例提供的脑图像校正方法的流程示意图。图9为一个实施例提供的神经网络模型的网络结构示意图。本实施例涉及的是计算机设备对神经网络模型进行训练的具体实现过程。如图8所示,神经网络模型的训练过程可以包括:
S801,获取待校正的样本脑图像各视角的样本二维切面图。
具体的,计算机设备获取待校正的样本脑图像各视角的样本二维切面图。其中,待校正的样本脑图像各视角的样本二维切面图包括待校正的样本脑图像的横断位的样本二维切面图、矢状位的样本二维切面图和冠状位的样本二维切面图。可选的,待校正的样本脑图像可以为脑部计算机断层成像(Computed Tomography,CT)图像,也可以为脑部磁共振(Magnetic Resonance Imaging,MRI)图像,也可以为脑部磁共振弥散加权成像(DiffusionWeighted Imaging,DWI)图像,也可以为脑部磁共振灌注成像(Perfusion Imaging,PWI)图像。可选的,计算机设备可以从PACS(Picture Archiving and Communication Systems,影像归档和通信系统)服务器中获取待校正的样本脑图像,也可以从医学影像设备中实时地获取待校正的样本脑图像。可选的,计算机设备得到待校正的样本脑图像后,可以将待校正的样本脑图像在x轴、y轴和z轴上按各轴向分别对待校正的样本脑图像进行拆分处理,得到待校正的样本脑图像各视角的样本二维切面图,其中x轴、y轴和z轴的轴向分别对应冠状位、矢状位和横断位。
S802,将各视角的样本二维切面图输入各视角对应的预设的神经网络模型,得到各视角的样本二维切面图对应的样本掩模图像。
具体的,计算机设备将各视角的样本二维切面图输入各视角对应的预设的神经网络模型,得到各视角的样本二维切面图对应的样本掩模图像。其中,预设的神经网络模型可以为V-Net模型,预设的神经网络模型的损失函数可以为Focal loss函数,激活函数可以为线性整流函数ReLU,预设的神经网络模型采用可以自适应调整学习率的Adam优化器对网络参数进行优化。可选的,V-Net模型主要包含4个下采样特征提取模块(Down Block)和4个上采样特征重建模块(Up Block),其中每一个模块中除了执行下采样或上采样功能的模块外,还包含由若干个卷积层组成的残差模块,输入模块(Input Block)用于接收图像输入,并卷积生成模型所需的初步特征图,输入到第一个下采样特征提取模块中去;输出模块(Output Block)用于将模型输出的特征图处理成3个通道的概率图;Softmax整合输出模块输出的3通道特征图,得到各视角的样本二维切面图对应的样本掩模图像,具体的,V-Net模型可以采用输入层、卷积层、批标准化层、激活层、反卷积层、输出层以及层间连接搭建,如图9所示,V-Net模型的网络结构主要由下采样和上采样两部分构成,下采样段采用3X3X3卷积核,随层数增加提取图像更加具有全局性的抽象特征,同时,采用stride=2的卷积操作使得图像分辨率逐层减半,特征图的数量逐层加倍,上采样段采用3X3X3卷积核进行反卷积操作,在提高特征映射分辨率的同时,建立原输入图像和输出标签图像之间的对应关系,整个V-Net网络还采用了残差网络的层间连接设计,避免训练过程中出现梯度消失的问题,并在残差模块中引入1X1X1卷积核进行特征融合以减少参数数量,同时,在下采样段和上采样段中特征映射分辨率相同的位置之间构建跳层连接,使其具备上述层间连接的优点,又可以保留来自原始输入图像的信息,避免下采样过程中造成有用信息的丢失,进一步提高整个模型的鲁棒性,最后,在网络的输出层将上采样过程得到的不同尺度的特征重建结果进行融合。需要说明的是,在本实施例中将V-Net模型中的所有模块都替换为了相同功能的2D模块,以适应输入图像为各视角的样本二维切面图的场景。可选的,计算机设备将各视角的样本二维切面图输入各视角对应的预设的神经网络模型之前,可以对各视角的样本二维切面图进行体素值加窗裁剪处理和重采样处理,其中,重采样处理的只要使各视角的样本二维切面图的目标分辨率为1:1:1即可,例如,可以将各视角的样本二维切面图对应的目标分辨率处理为[2,2,2]。
S803,根据样本掩模图像和预先生成的各视角的掩模图像,对各预设的神经网络模型进行训练,得到神经网络模型。
具体的,计算机设备根据得到的各视角的样本二维切面图对应的样本掩模图像和预先生成的掩模图像,对各预设的神经网络模型进行训练,得到上述神经网络模型。其中,预先生成的掩模图像为计算机设备对待校正的样本脑图像各视角的样本二维切面图中的特征点进行标记,得到待校正的样本脑图像各视角的样本二维切面图中特征点的坐标,然后,对各视角的样本二维切面图生成一张相同尺寸的单通道黑色图像(像素值为0),并以各视角的样本二维切面图中第一特征点(如横断位切面图的中线顶点、矢状位切面图的脑室左侧点)的坐标为中心,以10个像素为半径画一个圆,圆内像素值为1,以第二特征点(如横断位切面图的中线底点)的坐标为中心,同样画一个圆,圆内像素为2,将生成的图像作为预先生成的掩模图像。
在本实施例中,计算机设备将获取的待校正的样本脑图像各视角的样本二维切面图输入各视角对应的预设的神经网络模型,得到各视角的样本二维切面图对应的样本掩模图像,根据得到的各视角的样本二维切面图对应的样本掩模图像和预先生成的各视角的掩模图像,对各视角预设的神经网络模型进行训练,通过各视角大量的样本图像对能够对各视角预设的神经网络进行比较准确地训练,从而提高了得到的神经网络模型的准确度。
应该理解的是,虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-9中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图10为一个实施例提供的脑图像校正装置结构示意图。如图10所示,该装置可以包括:第一获取模块10、第二获取模块11、第三获取模块12和校正模块13。
具体的,第一获取模块10,用于获取待校正的脑图像各视角的二维切面图;
第二获取模块11,用于将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标;
第三获取模块12,用于根据各视角的二维切面图的特征点坐标,获取各视角的二维切面图的偏转角度和旋转中心坐标;
校正模块13,用于根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述校正模块13包括:旋转单元、裁剪单元和重建单元。
具体的,旋转单元,用于根据各视角的二维切面图的偏转角度和旋转中心坐标,对各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图;
裁剪单元,用于对旋转后的各视角的二维切面图进行裁剪处理,得到校正后的各视角的二维切面图;校正后的各视角的二维切面图的尺寸与各视角的二维切面图的尺寸相同;
重建单元,用于将校正后的各视角的二维切面图进行重建,得到校正后的脑图像。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述旋转单元,具体用于根据各视角的二维切面图的偏转角度、旋转中心坐标以及公式x=(x0-xC)cos(D)+(y0-yC)sin(D),y=(xC-x0)sin(D)+(y0-yC)cos(D),对各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图;式中,(x,y)为旋转后的各视角的二维切面图中点的坐标,(x0,y0)为各视角的二维切面图中点的坐标,(xC,yC)为各视角的二维切面图的旋转中心坐标,D为各视角的二维切面图的偏转角度。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取模块11包括:第一获取单元和第二获取单元。
具体的,第一获取单元,用于将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的掩模图像;
第二获取单元,用于根据各视角的二维切面图的掩模图像,获取各视角的二维切面图的特征点坐标。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,各视角的二维切面图的特征点包括第一特征点和第二特征点,可选的,第二获取单元,具体用于从各视角的二维切面图的掩模图像中,确定各视角的二维切面图的第一特征点所属区域以及各视角的二维切面图的第二特征点所属区域;将第一特征点所属区域的像素坐标的平均值确定为各视角的二维切面图的第一特征点坐标;将第二特征点所属区域的像素坐标的平均值确定为各视角的二维切面图的第二特征点坐标。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第一获取模块10包括:第三获取单元、第一确定单元和第二确定单元。
具体的,第三获取单元,用于获取待校正的脑图像各视角的二维图像;
第一确定单元,用于获取各视角的二维图像的体素值在预设的体素值区间内的体素个数,将体素个数确定为各视角的二维图像的有效面积;
第二确定单元,用于将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,作为待校正的脑图像各视角的二维切面图。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,第一获取单元,具体用于将各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层,分别输入各视角对应的神经网络模型,得到各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标;
第二获取单元,具体用于获取各视角的二维图像的有效面积最大层以及有效面积最大层的前一层和后一层的特征点坐标的平均值,将平均值作为各视角的二维切面图的特征点坐标。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第四获取模块、第五获取模块和训练模块。
具体的,第四获取模块,用于获取待校正的样本脑图像各视角的样本二维切面图;
第五获取模块,用于将各视角的样本二维切面图输入各视角对应的预设的神经网络模型,得到各视角的样本二维切面图对应的样本掩模图像;
训练模块,用于根据样本掩模图像和预先生成的各视角的掩模图像,对各预设的神经网络模型进行训练,得到神经网络模型。
本实施例提供的脑图像校正装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于脑图像校正装置的具体限定可以参见上文中对于脑图像校正方法的限定,在此不再赘述。上述脑图像校正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待校正的脑图像各视角的二维切面图;
将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标;
根据各视角的二维切面图的特征点坐标,获取各视角的二维切面图的偏转角度和旋转中心坐标;
根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待校正的脑图像各视角的二维切面图;
将各视角的二维切面图输入各视角对应的神经网络模型,得到各视角的二维切面图的特征点坐标;
根据各视角的二维切面图的特征点坐标,获取各视角的二维切面图的偏转角度和旋转中心坐标;
根据各视角的二维切面图的偏转角度和旋转中心坐标,对待校正的脑图像进行校正,得到校正后的脑图像。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑图像校正方法,其特征在于,所述方法包括:
获取待校正的脑图像各视角的二维切面图;
将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标;
根据所述各视角的二维切面图的特征点坐标,获取所述各视角的二维切面图的偏转角度和旋转中心坐标;
根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述待校正的脑图像进行校正,得到校正后的脑图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述待校正的脑图像进行校正,得到校正后的脑图像,包括:
根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图;
对所述旋转后的各视角的二维切面图进行裁剪处理,得到校正后的各视角的二维切面图;所述校正后的各视角的二维切面图的尺寸与所述各视角的二维切面图的尺寸相同;
将所述校正后的各视角的二维切面图进行重建,得到所述校正后的脑图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述各视角的二维切面图的偏转角度和旋转中心坐标,对所述各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图,包括:
根据所述各视角的二维切面图的偏转角度、旋转中心坐标以及公式x=(x0-xC)cos(D)+(y0-yC)sin(D),y=(xC-x0)sin(D)+(y0-yC)cos(D),对所述各视角的二维切面图进行旋转,得到旋转后的各视角的二维切面图;式中,(x,y)为所述旋转后的各视角的二维切面图中点的坐标,(x0,y0)为所述各视角的二维切面图中点的坐标,(xC,yC)为所述各视角的二维切面图的旋转中心坐标,D为所述各视角的二维切面图的偏转角度。
4.根据权利要求1所述的方法,其特征在于,所述将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标,包括:
将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的掩模图像;
根据所述各视角的二维切面图的掩模图像,获取所述各视角的二维切面图的特征点坐标。
5.根据权利要求4所述的方法,其特征在于,所述各视角的二维切面图的特征点包括第一特征点和第二特征点,所述根据所述各视角的二维切面图的掩模图像,获取所述各视角的二维切面图的特征点坐标,包括:
从所述各视角的二维切面图的掩模图像中,确定所述各视角的二维切面图的第一特征点所属区域以及所述各视角的二维切面图的第二特征点所属区域;
将所述第一特征点所属区域的像素坐标的平均值确定为所述各视角的二维切面图的第一特征点坐标;
将所述第二特征点所属区域的像素坐标的平均值确定为所述各视角的二维切面图的第二特征点坐标。
6.根据权利要求1所述的方法,其特征在于,所述获取待校正的脑图像各视角的二维切面图,包括:
获取所述待校正的脑图像各视角的二维图像;
获取所述各视角的二维图像的体素值在预设的体素值区间内的体素个数,将所述体素个数确定为所述各视角的二维图像的有效面积;
将所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层,作为所述待校正的脑图像各视角的二维切面图。
7.根据权利要求6所述的方法,其特征在于,所述将所述各视角的二维切面图输入各视角对应的神经网络模型,得到所述各视角的二维切面图的特征点坐标,包括:
将所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层,分别输入各视角对应的神经网络模型,得到所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层的特征点坐标;
获取所述各视角的二维图像的有效面积最大层以及所述有效面积最大层的前一层和后一层的特征点坐标的平均值,将所述平均值作为所述各视角的二维切面图的特征点坐标。
8.根据权利要求1所述的方法,其特征在于,所述神经网络模型的训练过程包括:
获取待校正的样本脑图像各视角的样本二维切面图;
将所述各视角的样本二维切面图输入各视角对应的预设的神经网络模型,得到所述各视角的样本二维切面图对应的样本掩模图像;
根据所述样本掩模图像和预先生成的各视角的掩模图像,对各所述预设的神经网络模型进行训练,得到所述神经网络模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128022.5A CN111105362B (zh) | 2019-11-18 | 2019-11-18 | 脑图像校正方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128022.5A CN111105362B (zh) | 2019-11-18 | 2019-11-18 | 脑图像校正方法、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105362A true CN111105362A (zh) | 2020-05-05 |
CN111105362B CN111105362B (zh) | 2024-02-27 |
Family
ID=70420581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128022.5A Active CN111105362B (zh) | 2019-11-18 | 2019-11-18 | 脑图像校正方法、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105362B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205473A (zh) * | 2021-07-05 | 2021-08-03 | 深圳科亚医疗科技有限公司 | 用于医学图像检测的数据增强的方法、装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090214135A1 (en) * | 2008-02-27 | 2009-08-27 | Agency For Science, Technology And Research | Correcting axial tilt based on object positions in axial slices of three dimensional image |
CN103562963A (zh) * | 2011-05-25 | 2014-02-05 | 三维Ip有限责任公司 | 用于角切片真3d显示器的对准、校准和渲染的系统和方法 |
CN107610179A (zh) * | 2017-09-04 | 2018-01-19 | 苏州佳世达电通有限公司 | 一种影像撷取装置的校正方法 |
CN109671131A (zh) * | 2018-12-28 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 影像校正方法、装置、医疗影像设备及存储介质 |
-
2019
- 2019-11-18 CN CN201911128022.5A patent/CN111105362B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090214135A1 (en) * | 2008-02-27 | 2009-08-27 | Agency For Science, Technology And Research | Correcting axial tilt based on object positions in axial slices of three dimensional image |
CN103562963A (zh) * | 2011-05-25 | 2014-02-05 | 三维Ip有限责任公司 | 用于角切片真3d显示器的对准、校准和渲染的系统和方法 |
CN107610179A (zh) * | 2017-09-04 | 2018-01-19 | 苏州佳世达电通有限公司 | 一种影像撷取装置的校正方法 |
CN109671131A (zh) * | 2018-12-28 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 影像校正方法、装置、医疗影像设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
CHERYL M. LACADIE ET AL.: "More accurate Talairach coordinates for neuroimaging using non-linear registration", vol. 42, no. 2, pages 717 - 725 * |
刘婷: "基于超声及MR图像左心室三维扭转运动分析的算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2009, no. 12, pages 44 - 45 * |
孙廷卿: "人脑薄束核的三维解剖研究", vol. 2012, no. 12, pages 059 - 3 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205473A (zh) * | 2021-07-05 | 2021-08-03 | 深圳科亚医疗科技有限公司 | 用于医学图像检测的数据增强的方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111105362B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697740B (zh) | 图像重建方法、装置和计算机设备 | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
US11129582B2 (en) | System and method for medical imaging of intervertebral discs | |
CN111932550B (zh) | 一种基于深度学习的3d心室核磁共振视频分割系统 | |
CN104520897B (zh) | 图像噪声降低和/或图像分辨率提高 | |
US10867375B2 (en) | Forecasting images for image processing | |
CN106056537A (zh) | 一种医学图像拼接方法及装置 | |
US20230131722A1 (en) | Systems and methods for image registration | |
CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
US20230260140A1 (en) | Systems and methods for image fusion | |
CN111161269A (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN110807770A (zh) | 医学影像的处理、识别、显示方法及存储介质 | |
US20230351597A1 (en) | Methods and devices for medical image processing | |
CN111445575B (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
CN111462018B (zh) | 图像中的影像摆正方法、计算机设备和存储介质 | |
US9424666B2 (en) | Medical imaging apparatus and method of reconstructing medical image | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN111105362B (zh) | 脑图像校正方法、计算机设备和可读存储介质 | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
CN110473241B (zh) | 图像配准方法、存储介质及计算机设备 | |
KR20190114229A (ko) | 영상 처리 장치 및 방법 | |
CN116630239A (zh) | 影像分析方法、装置和计算机设备 | |
CN111091504A (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
Woo et al. | Super-resolution reconstruction for tongue MR images |
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 | ||
TG01 | Patent term adjustment | ||
TG01 | Patent term adjustment |