CN111105425A - 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 - Google Patents
一种基于颅脑影像数据的对称轴/对称面提取方法及系统 Download PDFInfo
- Publication number
- CN111105425A CN111105425A CN201911346319.9A CN201911346319A CN111105425A CN 111105425 A CN111105425 A CN 111105425A CN 201911346319 A CN201911346319 A CN 201911346319A CN 111105425 A CN111105425 A CN 111105425A
- Authority
- CN
- China
- Prior art keywords
- image data
- processed
- craniocerebral
- brain
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 210000004556 brain Anatomy 0.000 claims abstract description 177
- 230000011218 segmentation Effects 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 238000003860 storage Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000002583 angiography Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本说明书实施例公开了一种基于颅脑影像数据的对称轴/对称面提取方法及系统,通过基于颅脑影像数据的对称轴/对称面提取方法,解决了现有技术存在主观性、存在较大误差、效率低下、泛化性能不佳等问题。该方法包括:获取待处理的颅脑影像数据;将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像;通过连通域的方法进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域;采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。本说明书实施例提供的对称轴/对称面提取方法及系统,能够排除或减少人为因素带来的诊断差异,减小诊断误差,提升诊断速度,且具有较佳的泛化性能。
Description
技术领域
本说明书涉及医学影像和计算机技术领域,尤其涉及一种基于颅脑影像数据的对称轴/对称面提取方法及系统。
背景技术
随着计算机技术的发展,医学影像学在临床上的应用越来越广泛。医学影像学对疾病的诊断提供了很大的科学和直观的依据,可以更好的配合临床的症状、化验等方面,为最终准确诊断病情起到不可替代的作用;同时可应用在治疗方面。对于颅脑疾病,由于颅脑具有对称性,因此可以作为颅脑发生病变的判断依据,当颅脑的一侧发生病变时,可根据颅脑影像数据,通过与对侧对比的方法判断病变的范围及严重程度,因此,获取颅脑影像数据的颅脑对称轴/对称面至关重要。
目前,现有技术中,对颅脑影像数据的颅脑对称轴/对称面的提取,主要采用人工绘制和图像配准等技术。其中,人工绘制方法具有主观性,往往依赖观察者的经验,因此,存在较大的误差,且效率低下;图像配准等技术,运行速度较慢,且泛化性能不佳,不适用于颅脑病变比较严重或颅脑影像数据严重不对称的情况。
因此,需要一种新的对称轴/对称面提取方法,能够排除或减少人为因素带来的诊断差异,减小诊断误差,提升诊断速度,且具有较佳的泛化性能。
发明内容
本说明书实施例提供一种基于颅脑影像数据的对称轴/对称面提取方法及系统,用于解决以下技术问题:能够排除或减少人为因素带来的诊断差异,减小诊断误差,提升诊断速度,且具有较佳的泛化性能。
本说明书实施例提供一种基于颅脑影像数据的对称轴/对称面提取方法,包括以下步骤:
获取待处理的颅脑影像数据;
将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,其中,所述分割结果图像表示所述待处理的颅脑影像数据中各像素点属于背景或左脑或右脑;
通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域;
采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
优选地,所述将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,之前还包括:对所述待处理的颅脑影像数据进行预处理,所述预处理具体包括:
对所述待处理的颅脑影像数据进行图像裁剪和/或图像缩放和/或归一化。
优选地,所述方法进一步包括:
通过解约束,获取所述待处理的颅脑影像数据的对称轴/对称面方程,其中,所述解约束可以是获取最优方程,使所述位于对称轴/对称面的各像素点到对称轴/对称面的最小距离和最小。
优选地,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域,进一步包括:
基于所述待处理的颅脑影像数据的左脑区域和/或右脑区域,采用图像梯度算法,获得所述待处理颅脑影像数据的左脑轮廓和/或右脑轮廓。
优选地,所述分割模型是基于神经网络方法预先获得的模型,具体包括:
将人工标记的颅脑影像数据输入神经网络模型,根据颅脑影像数据的人工标记区域的特征进行训练,得到分割模型,其中,所述神经网络模型包括卷积神经网络模型,所述颅脑影像数据的特征包括左右脑的对称结构。
优选地,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,具体包括:
对所述待处理的颅脑影像数据的分割结果图像进行二值化处理,生成二值化图像;
对所述二值化图像进行连通域分析。
优选地,所述采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点,具体包括:
采用图像膨胀算法,对所述待处理的颅脑影像数据的左脑区域和右脑区域进行膨胀,使所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交;
基于所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交的交点,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
本说明书实施例提供的一种基于颅脑影像数据的对称轴/对称面提取系统,包括:
数据预处理模块,获取待处理的颅脑影像数据;
分割模块,将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,其中,所述分割结果图像表示所述待处理的颅脑影像数据中各像素点属于背景或左脑或右脑;
数据后处理模块,通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域;
采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
优选地,所述将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,之前还包括:对所述待处理的颅脑影像数据进行预处理,所述预处理具体包括:
对所述待处理的颅脑影像数据进行图像裁剪和/或图像缩放和/或归一化。
优选地,所述方法进一步包括:
通过解约束,获取所述待处理的颅脑影像数据的对称轴/对称面方程,其中,所述解约束可以是获取最优方程,使所述位于对称轴/对称面的各像素点到对称轴/对称面的最小距离和最小。
优选地,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域,进一步包括:
基于所述待处理的颅脑影像数据的左脑区域和/或右脑区域,采用图像梯度算法,获得所述待处理颅脑影像数据的左脑轮廓和/或右脑轮廓。
优选地,所述分割模型是基于神经网络方法预先获得的模型,具体包括:
将人工标记的颅脑影像数据输入神经网络模型,根据颅脑影像数据的人工标记区域的特征进行训练,得到分割模型,其中,所述神经网络模型包括卷积神经网络模型,所述颅脑影像数据的特征包括左右脑的对称结构。
优选地,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,具体包括:
对所述待处理的颅脑影像数据的分割结果图像进行二值化处理,生成二值化图像;
对所述二值化图像进行连通域分析。
优选地,所述采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点,具体包括:
采用图像膨胀算法,对所述待处理的颅脑影像数据的左脑区域和右脑区域进行膨胀,使所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交;
基于所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交的交点,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例通过将待处理的颅脑影像数据输入分割模型,获得待处理的颅脑影像数据的分割结果图像,进一步通过连通域分析及图像膨胀算法,获得待处理的颅脑影像数据中位于对称轴/对称面的像素点,能够排除或减少人为因素带来的诊断差异,减小诊断误差,提升诊断速度,且具有较佳的泛化性能。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种基于颅脑影像数据的对称轴/对称面提取方法的流程示意图;
图2为本说明书实施例提供的一种基于颅脑影像数据的对称轴/对称面提取方法的流程示意图;
图3为本说明书实施例提供的一种基于颅脑影像数据的对称轴/对称面提取系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
随着科学技术的发展,医学影像技术迅速发展,CT(Computed Tomography,电子计算机断层扫描)、MRI(Magnetic Resonance Imaging,磁共振成像)、DSA(Digitalsubtraction angiography,数字减影血管造影)等技术在颅脑疾病中广泛应用。由于在实际应用中,是基于颅脑的对称性进行颅脑病变的判断,因此,如何快速获得待处理颅脑影像数据的对称轴/对称面具有重要意义。
图1为本说明书实施例提供的一种基于颅脑影像数据的对称轴/对称面提取方法的流程示意图。该方法具体包括以下步骤:
步骤S101:获取待处理的颅脑影像数据。
在本申请实施例中,待处理的颅脑影像数据包括但不限于:二维颅脑影像数据和/或三维颅脑影像数据。待处理的颅脑影像数据的格式包括但不限于:DICOM格式。
步骤S103:将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像。
将前述步骤S101获取的待处理的颅脑影像数据图像输入分割模型,基于分割模型,对待处理的颅脑影像数据进行分析,获得待处理的颅脑影像数据的分割结果图像,分割结果图像表示待处理的颅脑影像数据中各像素点或属于背景或属于左脑或属于右脑。在本申请的一个实施例中,待处理的颅脑影像数据图像输入分割模型后,分割模型输出与待处理的颅脑影像数据的图像大小一致的图像,图像中的数值0代表像素点属于背景,1代表像素点属于左脑,2代表像素点属于右脑。
在本申请实施例中,分割模型是基于神经网络方法预先获得的模型。具体地,将一系列颅脑影像数据进行人工标记后,输入神经网络模型,根据颅脑影像数据的人工标记区域的特征进行训练,获得颅脑影像数据与人工标记区域的映射关系,训练得到分割模型。在本申请实施例中,人工标记是按照实际应用方式对颅脑影像数据进行标记,人工标记区域包括但不限于:颅脑影像数据的左脑和/或右脑和/或背景。颅脑影像数据的人工标记区域的特征包括但不限于:左右脑的对称结构。需要特别说明的是,颅脑影像数据的标记也可标记其它特征。
在本申请的一个实施例中,对颅脑影像数据的对称轴/对称面上的像素点进行人工标注,将完成标注的颅脑影像数据输入神经网络模型,根据人工标注的颅脑影像数据的对称轴/对称面上的像素点进行学习,训练得到的分割模型可以实现输入颅脑影像数据后,分割模型输出颅脑影像数据的对称轴/对称面上的像素点。需要特别说明的是,通过神经网络模型进行分割模型的训练时,神经网络模型学习的特征包括但不限于:像素点及相邻像素点的特征、图像的主轴方向、左右脑的对称结构。
在本申请的一个实施例中,对颅脑影像数据的对称轴/对称面方程中的参数进行人工标注,将完成标注的颅脑影像数据输入神经网络模型,根据人工标注的颅脑影像数据的对称轴/对称面方程的参数进行学习,训练得到的分割模型可以实现输入颅脑影像数据后,分割模型输出颅脑影像数据的对称轴/对称面方程的参数。若待处理的颅脑影像数据为二维颅脑影像数据对称轴方程为y=ax+b,其中x为横坐标,y为纵坐标,则人工标注二维颅脑影像数据对称轴方程的参数[a,b],将人工标注的二维颅脑影像数据输入神经网络模型进行学习,训练得到的分割模型输出对称轴方程的参数[a,b]。若待处理的颅脑影像数据为三维颅脑影像数据的对称面方程为z=ax+by+c,其中x为横坐标,y为纵坐标,z为竖坐标,则人工标注三维颅脑影像数据对称轴方程的参数[a,b,c],将人工标注的三维颅脑影像数据输入神经网络模型进行学习,训练得到的分割模型输出对称面方程的参数[a,b,c]。需要特别说明的是,通过神经网络模型进行分割模型的训练时,神经网络模型学习的特征包括但不限于:对称方程的参数、图像的主轴方向、左右脑的对称结构。
本申请实施例中,神经网络模型包括但不限于:卷积神经网络模型。需要特别说明的是,分割模型优选端到端训练的神经网络,非端到端训练的神经网络亦视为同样的方式。
步骤S105:通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域。
由于影像质量、设备等因素的影响,分割结果图像中可能存在孤立的左脑和/或右脑的像素点,此类像素点属于噪声干扰,因此,需要将这些噪声进行去除,以避免噪声干扰对后续确定对称轴/对称面的影响。
在本申请的一个实施例中,通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,将孤立的左脑和/或右脑的像素点校正为属于背景的像素点,从而确定待处理的颅脑影像数据的左脑区域和/或右脑区域。
步骤S107:采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
前述步骤S105获得的待处理的颅脑影像数据的左脑区域和/或右脑区域不一定相交,为获得颅脑影像数据的对称轴/对称面,可以采用图像放大处理的方法,使待处理的颅脑影像数据的左脑区域和/或右脑区域实际相交。在本申请的一个实施例中,采用图像膨胀算法,实现待处理的颅脑影像数据的左脑区域和/或右脑区域的相交,从而获得待处理的颅脑影像数据的对称轴/对称面。需要特别说明的是,在进行图像膨胀时,膨胀系数可根据图像的特点进行调整。
采用本说明书实施例提供的对称轴/对称面提取方法,能够快速实现颅脑影像数据的对称轴/对称面的提取,排除或减少人为因素带来的诊断差异,减小诊断误差,提升诊断速度,且具有较佳的泛化性能。
本申请实施例还提供了一种更优的实施方式,图2为本说明书实施例提供的一种基于颅脑影像数据的对称轴/对称面提取方法的流程示意图。该方法具体包括以下步骤:
步骤S201:获取待处理的颅脑影像数据。
步骤S203:对所述待处理的颅脑影像数据进行预处理。
由于颅脑影像成像设备的型号、类型的差异,颅脑影像数据的大小、像素间距等可能存在差异,因此需要对待处理的颅脑影像数据进行预处理。在本申请实施例中,预处理方法包括但不限于:图像裁剪和/或图像缩放和/或归一化。经过预处理的颅脑影像数据的格式及大小,与后续步骤的分割模型要求的图像格式及大小是一致的。
步骤S205:将所述经过预处理的颅脑影像数据输入分割模型,获得所述经过预处理的颅脑影像数据的分割结果图像。
步骤S207:通过连通域的方法对所述经过预处理的颅脑影像数据的分割结果图像进行分析,获得所述经过预处理的颅脑影像数据的左脑区域和/或右脑区域。
步骤S209:基于所述经过预处理的颅脑影像数据的左脑区域和/或右脑区域,采用图像梯度算法,获得所述经过预处理的颅脑影像数据的左脑轮廓和/或右脑轮廓。
前述步骤S207获得的所述经过预处理的颅脑影像数据的左脑区域和/或右脑区域为一系列由像素点组成的,因此,可能存在左脑区域和右脑区域的界限不明显,对于颅脑影像数据不理想或者经过预处理的颅脑影像数据的左脑区域和/或右脑区域结果不理想等情况,不利于对称轴/对称面的提取。针对上述情况,进一步采用图像算法,获得所述经过预处理的颅脑影像数据的左脑轮廓和/或右脑轮廓,以便于颅脑影像数据的对称轴/对称面的提取。在本申请的实施例中,采用图像梯度算法,提取预处理的颅脑影像数据的左脑区域和/或右脑区域的边缘,标注出预处理的颅脑影像数据的左脑区域和/或右脑区域的边框,获得经过预处理的颅脑影像数据的左脑轮廓和/或右脑轮廓。
步骤S211:采用图像膨胀算法,获得所述经过预处理的颅脑影像数据中位于对称轴/对称面的像素点。
前述步骤S209获得的待处理的颅脑影像数据的左脑轮廓和/或右脑轮廓不一定相交,为获得颅脑影像数据的对称轴/对称面,可以采用图像放大处理的方法,使待处理的颅脑影像数据的左脑轮廓和/或右脑轮廓实际相交。在本申请的一个实施例中,采用图像膨胀算法,实现待处理的颅脑影像数据的左脑区域和/或右脑区域的相交,从而获得待处理的颅脑影像数据的对称轴/对称面。在进行图像膨胀时,膨胀系数可根据图像的特点进行调整。
需要特别说明的是,若待处理的颅脑影像数据为二维颅脑影像数据,采用本申请实施例得到的为颅脑影像数据的对称轴。若待处理的颅脑影像数据为三维颅脑影像数据,采用本申请实施例得到的为颅脑影像数据的对称面。
步骤S213:通过解约束,获得所述经过预处理的颅脑影像数据的对称轴/对称面方程。
前述步骤S211可以获得经过预处理的颅脑影像数据的对称轴/对称面,为了后续更加准确的进行颅脑疾病的诊断,因此,需要进一步获得经过预处理的颅脑影像数据的对称轴/对称面方程,以确定颅脑一侧的像素点对应的对侧的像素点,从而实现颅脑疾病的诊断。
本申请的一个实施例中,通过解约束,获取所述待处理的颅脑影像数据的对称轴/对称面方程,其中,所述解约束可以是获取最优方程,使所述位于对称轴/对称面的各像素点到对称轴/对称面的最小距离和最小。在具体实施过程中,根据属于对称轴/对称面的各像素点到对称轴/对称面的最小距离和,获取颅脑影像数据的对称轴/对称面方程。若待处理的颅脑影像数据为二维颅脑影像数据,则颅脑影像数据的对称轴方程为y=ax+b,其中x为横坐标,y为纵坐标。若待处理的颅脑影像数据为三维颅脑影像数据,则颅脑影像数据的对称面方程为z=ax+by+c,其中x为横坐标,y为纵坐标,z为竖坐标。
在本申请的实施例中,可以基于类似的思路,获得颅脑影像数据的对称轴/对称面和/或对称轴/对称面方程,均属于本发明的保护范围。
基于同样的思路,本说明书实施例还提供了一种基于颅脑影像数据的对称轴/对称面提取系统,图3为本说明书实施例提供的一种基于颅脑影像数据的对称轴/对称面提取系统的示意图,该系统包括:
数据预处理模块301,获取待处理的颅脑影像数据;
分割模块303,将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,其中,所述分割结果图像表示所述待处理的颅脑影像数据中各像素点属于背景或左脑或右脑;
数据后处理模块305,通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域;
采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种基于颅脑影像数据的对称轴/对称面提取方法,其特征在于,包括:
获取待处理的颅脑影像数据;
将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,其中,所述分割结果图像表示所述待处理的颅脑影像数据中各像素点属于背景或左脑或右脑;
通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域;
采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
2.如权利要求1所述的方法,其特征在于,所述将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,之前还包括:对所述待处理的颅脑影像数据进行预处理,所述预处理具体包括:
对所述待处理的颅脑影像数据进行图像裁剪和/或图像缩放和/或归一化。
3.如权利要求1所述的方法,其特征在于,所述方法进一步包括:
通过解约束,获取所述待处理的颅脑影像数据的对称轴/对称面方程,其中,所述解约束可以是获取最优方程,使所述位于对称轴/对称面的各像素点到对称轴/对称面的最小距离和最小。
4.如权利要求1所述的方法,其特征在于,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域,进一步包括:
基于所述待处理的颅脑影像数据的左脑区域和/或右脑区域,采用图像梯度算法,获得所述待处理颅脑影像数据的左脑轮廓和/或右脑轮廓。
5.如权利要求1所述的方法,其特征在于,所述分割模型是基于神经网络方法预先获得的模型,具体包括:
将人工标记的颅脑影像数据输入神经网络模型,根据颅脑影像数据的人工标记区域的特征进行训练,得到分割模型,其中,所述神经网络模型包括卷积神经网络模型,所述颅脑影像数据的特征包括左右脑的对称结构。
6.如权利要求1所述的方法,其特征在于,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,具体包括:
对所述待处理的颅脑影像数据的分割结果图像进行二值化处理,生成二值化图像;
对所述二值化图像进行连通域分析。
7.如权利要求1所述的方法,其特征在于,所述采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点,具体包括:
采用图像膨胀算法,对所述待处理的颅脑影像数据的左脑区域和右脑区域进行膨胀,使所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交;
基于所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交的交点,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
8.一种基于颅脑影像数据的对称轴/对称面提取系统,其特征在于,包括:
数据预处理模块,获取待处理的颅脑影像数据;
分割模块,将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,其中,所述分割结果图像表示所述待处理的颅脑影像数据中各像素点属于背景或左脑或右脑;
数据后处理模块,通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域;
采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
9.如权利要求8所述的系统,其特征在于,所述将所述待处理的颅脑影像数据输入分割模型,获得所述待处理的颅脑影像数据的分割结果图像,之前还包括:对所述待处理的颅脑影像数据进行预处理,所述预处理具体包括:
对所述待处理的颅脑影像数据进行图像裁剪和/或图像缩放和/或归一化。
10.如权利要求8所述的系统,其特征在于,所述方法进一步包括:
通过解约束,获取所述待处理的颅脑影像数据的对称轴/对称面方程,其中,所述解约束可以是获取最优方程,使所述位于对称轴/对称面的各像素点到对称轴/对称面的最小距离和最小。
11.如权利要求8所述的系统,其特征在于,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,获得所述待处理的颅脑影像数据的左脑区域和/或右脑区域,进一步包括:
基于所述待处理的颅脑影像数据的左脑区域和/或右脑区域,采用图像梯度算法,获得所述待处理颅脑影像数据的左脑轮廓和/或右脑轮廓。
12.如权利要求8所述的系统,其特征在于,所述分割模型是基于神经网络方法预先获得的模型,具体包括:
将人工标记的颅脑影像数据输入神经网络模型,根据颅脑影像数据的人工标记区域的特征进行训练,得到分割模型,其中,所述神经网络模型包括卷积神经网络模型,所述颅脑影像数据的特征包括左右脑的对称结构。
13.如权利要求8所述的系统,其特征在于,所述通过连通域的方法对所述待处理的颅脑影像数据的分割结果图像进行分析,具体包括:
对所述待处理的颅脑影像数据的分割结果图像进行二值化处理,生成二值化图像;
对所述二值化图像进行连通域分析。
14.如权利要求8所述的系统,其特征在于,所述采用图像膨胀算法,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点,具体包括:
采用图像膨胀算法,对所述待处理的颅脑影像数据的左脑区域和右脑区域进行膨胀,使所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交;
基于所述待处理的颅脑影像数据的左脑区域与所述待处理的颅脑影像数据的右脑区域相交的交点,获得所述待处理的颅脑影像数据中位于对称轴/对称面的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346319.9A CN111105425A (zh) | 2019-12-24 | 2019-12-24 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346319.9A CN111105425A (zh) | 2019-12-24 | 2019-12-24 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111105425A true CN111105425A (zh) | 2020-05-05 |
Family
ID=70423621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911346319.9A Pending CN111105425A (zh) | 2019-12-24 | 2019-12-24 | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105425A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150451A (zh) * | 2020-09-29 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 对称信息检测方法、装置、计算机设备和存储介质 |
CN113344892A (zh) * | 2021-06-22 | 2021-09-03 | 上海市第六人民医院 | 一种医学影像处理装置、方法、介质及电子设备 |
US20230139458A1 (en) * | 2021-10-28 | 2023-05-04 | Canon Medical Systems Corporation | Image processing method and apparatus |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140100485A1 (en) * | 2012-10-04 | 2014-04-10 | Marius G. LINGURARU | Quantitative assessment of the skull |
CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN109671066A (zh) * | 2018-12-14 | 2019-04-23 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
-
2019
- 2019-12-24 CN CN201911346319.9A patent/CN111105425A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140100485A1 (en) * | 2012-10-04 | 2014-04-10 | Marius G. LINGURARU | Quantitative assessment of the skull |
CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN109671066A (zh) * | 2018-12-14 | 2019-04-23 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的脑梗死判断的方法及系统 |
Non-Patent Citations (1)
Title |
---|
葛强;: "早期脑梗塞患者颅脑CT影像学表现及应用价值分析", 临床医学研究与实践 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150451A (zh) * | 2020-09-29 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 对称信息检测方法、装置、计算机设备和存储介质 |
CN113344892A (zh) * | 2021-06-22 | 2021-09-03 | 上海市第六人民医院 | 一种医学影像处理装置、方法、介质及电子设备 |
US20230139458A1 (en) * | 2021-10-28 | 2023-05-04 | Canon Medical Systems Corporation | Image processing method and apparatus |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105425A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
CN109448003B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN109671066B (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
CN111161279A (zh) | 医学图像分割方法、装置及服务器 | |
WO2020118618A1 (zh) | 一种乳腺肿块图像识别方法及装置 | |
CN111091563B (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN117392485B (zh) | 图像生成模型训练方法、业务执行方法、装置及介质 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN113988162A (zh) | 模型训练及图像识别方法、装置、存储介质及电子设备 | |
CN116342888B (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
CN111105404A (zh) | 一种基于颅脑影像数据的目标位置的提取方法及系统 | |
CN111639684A (zh) | 一种数据处理模型的训练方法及装置 | |
CN109472803B (zh) | 一种颅内动脉血管分割方法及系统 | |
CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
CN111127427B (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
CN115082405A (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
CN112927815B (zh) | 一种预测颅内动脉瘤信息的方法、装置以及设备 | |
CN113538463A (zh) | 一种动脉瘤分割方法、装置以及设备 | |
CN113160165A (zh) | 一种血管分割方法、装置以及设备 | |
CN114444542A (zh) | 液质色谱峰噪声估计方法、装置、存储介质、系统 | |
CN110599527A (zh) | 一种mra影像数据的配准方法及装置 | |
CN112734726A (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN111539961A (zh) | 一种目标分割方法、装置以及设备 | |
CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 |
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 |