CN111127427B - 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 PDF

Info

Publication number
CN111127427B
CN111127427B CN201911345471.5A CN201911345471A CN111127427B CN 111127427 B CN111127427 B CN 111127427B CN 201911345471 A CN201911345471 A CN 201911345471A CN 111127427 B CN111127427 B CN 111127427B
Authority
CN
China
Prior art keywords
image
symmetry
transformation matrix
axis
plane
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911345471.5A
Other languages
English (en)
Other versions
CN111127427A (zh
Inventor
宋凌
冯雪
金海岚
杨光明
秦岚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Union Strong Beijing Technology Co ltd
Original Assignee
Union Strong Beijing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Union Strong Beijing Technology Co ltd filed Critical Union Strong Beijing Technology Co ltd
Priority to CN201911345471.5A priority Critical patent/CN111127427B/zh
Publication of CN111127427A publication Critical patent/CN111127427A/zh
Application granted granted Critical
Publication of CN111127427B publication Critical patent/CN111127427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (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、效率低下等问题。该方法包括：获取待处理的第一图像；将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像；将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵；基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向；基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。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。

Description

一种基于颅脑影像数据的对称轴/对称面提取方法及系统
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。
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。
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。
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：
获取待处理的第一图像，其中，所述第一图像为颅脑影像数据；
将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像；
将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵；
基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向；
基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。
优选地，所述获取待处理的第一图像，之后还包括：
去除所述第一图像的颅骨和线圈，获得所述第一图像的颅内组织图像。
优选地，所述翻转轴/翻转面是基于所述第一图像中的左右脑的位置预先设置的进行翻转的轴/面。
优选地，所述将所述第一图像与所述第二图像进行配准，得到配准的变换矩阵，具体包括：
以所述第一图像的质心与所述第二图像的质心的相对平移作为配准的初始变换，调整坐标向量的平移和/或旋转参数，使所述第一图像的各像素点与所述第二图像的各像素点的互信息达到最大，使所述第一图像与所述第二图像配准，得到配准的变换矩阵。
优选地，所述基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向，具体包括：
基于所述变换矩阵，获取所述变换矩阵的旋转分量；
以所述旋转分量的一半构建旋转变换矩阵；
以所述旋转变换矩阵对所述翻转轴/翻转面的方向向量进行变换，得到旋转后的向量，所述旋转后的向量为所述第一图像的对称轴/对称面方向，其中，所述旋转后的向量为所述翻转轴/翻转面的方向向量进行变换得到的向量。
优选地，所述基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面，具体包括：
沿所述第一图像的对称轴/对称面方向，将所述第一图像的质心作为所述第一图像的对称轴/对称面上的点，计算所述第一图像的对称轴/对称面，获得所述第一图像的对称轴/对称面。
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：
输入模块，获取待处理的第一图像，其中，所述第一图像为颅脑影像数据；
翻转模块，将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像；
配准模块，将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵；
获取模块，基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向；
输出模块，基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。
优选地，所述获取待处理的第一图像，之后还包括：
去除所述第一图像的颅骨和线圈，获得所述第一图像的颅内组织图像。
优选地，所述翻转轴/翻转面是基于所述第一图像中的左右脑的位置预先设置的进行翻转的轴/面。优选地，所述将所述第一图像与所述第二图像进行配准，得到配准的变换矩阵，具体包括：
以所述第一图像的质心与所述第二图像的质心的相对平移作为配准的初始变换，调整坐标向量的平移和/或旋转参数，使所述第一图像的各像素点与所述第二图像的各像素点的互信息达到最大，使所述第一图像与所述第二图像配准，得到配准的变换矩阵。
优选地，所述基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向，具体包括：
基于所述变换矩阵，获取所述变换矩阵的旋转分量；
以所述旋转分量的一半构建旋转变换矩阵；
以所述旋转变换矩阵对所述翻转轴/翻转面的方向向量进行变换，得到旋转后的向量，所述旋转后的向量为所述第一图像的对称轴/对称面方向，其中，所述旋转后的向量为所述翻转轴/翻转面的方向向量进行变换得到的向量。
优选地，所述基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面，具体包括：
沿所述第一图像的对称轴/对称面方向，将所述第一图像的质心作为所述第一图像的对称轴/对称面上的点，计算所述第一图像的对称轴/对称面，获得所述第一图像的对称轴/对称面。
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获取待处理的第一图像，其中，所述第一图像为颅脑影像数据；将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像；将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵；基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向；基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面，能够实现自动化获取对称轴/或对称面，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。
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翻转轴及翻转面的示意图；
图3为本说明书实施例提供的将第一图像进行翻转得到第二图像的示意图；
图4为本说明书实施例提供的图像配准的示意图；
图5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6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：获取待处理的第一图像，其中，所述第一图像为颅脑影像数据。
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：将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像。
在本申请实施例中，翻转轴/翻转面为进行图像翻转的轴/面。翻转轴/翻转面是基于所述第一图像中的左右脑的位置预先设置的进行翻转的轴/面，以方向向量表示翻转轴/翻转面，需要特别说明的是，若待处理的第一图像为二维图像，则翻转轴用二维向量表示，若待处理的第一图像为三维图像，则翻转面用三维的向量表示平面的法向量。
图2为本说明书实施例提供的翻转轴及翻转面的示意图。具体地，若第一图像为二维图像，则沿翻转轴进行翻转；若第一图像为三维图像，则沿翻转面进行翻转。
图3为本说明书实施例提供的将第一图像进行翻转得到第二图像的示意图，以便于理解本申请实施例中的将第一图像进行翻转获得第二图像。具体地，如图3所示，待处理的第一图像为二维图像，y轴为预设的翻转轴，将第一图像沿y轴进行翻转，获得第一图像的翻转图，即第二图像。
步骤S105：将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵。
在本申请实施例中，基于前述步骤获得的第一图像与第二图像，获取所述第一图像与所述第二图像的质心。以所述第一图像的质心与所述第二图像的质心的相对平移作为配准的初始变换，调整方向向量的平移和/或旋转参数，使所述第一图像的各像素点与所述第二图像的各像素点的互信息达到最大，使所述第一图像与所述第二图像配准，得到配准的变换矩阵。
在本申请实施例中，图像的质心，也称为图像的中心，相当于图像灰度的中心，质心的获得有多种方法，所述第一图像与所述第二图像的质心的获取方法包括但不限于：矩计算。
在本申请实施例中，为减小处理量、加快处理速度，基于配准，获得的变换矩阵为4*4矩阵，用以表示坐标向量的平移参数和/或旋转参数。
在本申请实施例中，所述第一图像与所述第二图像进行配准的过程，是对坐标向量的平移和/或旋转参数进行优化，最终使所述第一图像与所述第二图像中的大部分像素重合，亦即使所述第一图像的各像素点与所述第二图像的各像素点的互信息达到最大。
为便于理解所述第一图像与所述第二图像的配准，图4为本说明书实施例提供的图像配准的示意图。
步骤S107：基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向。
在本申请实施例中，对称轴/对称面方向的获取，基于变换矩阵的旋转分量得到。具体地，基于所述变换矩阵，获取所述变换矩阵的旋转分量；以所述旋转分量的一半构建旋转变换矩阵；以所述旋转变换矩阵对所述翻转轴/翻转面的方向向量进行变换，得到旋转后的向量，所述旋转后的向量为所述第一图像的对称轴/对称面方向。需要特别说明的是，旋转后的向量为所述翻转轴/翻转面的方向向量进行变换得到的向量。
如前所述，变换矩阵为4*4矩阵，用以表示坐标向量的平移参数和/或旋转参数，变换矩阵的前三行及前三列代表变换矩阵的旋转分量，亦即旋转角度。
步骤S109：基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。
基于前述步骤获得的所述第一图像的对称轴/对称面方向，进一步计算所述第一图像的对称轴/对称面，具体包括：
沿所述第一图像的对称轴/对称面方向，将所述第一图像的质心作为所述第一图像的对称轴/对称面上的点，计算所述第一图像的对称轴/对称面，获得所述第一图像的对称轴/对称面。
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，实现对称轴/对称面的提取自动化，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。
本申请实施例还提供了一种更优的实施方式，图5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S501：获取待处理的第一图像，其中，所述第一图像为颅脑影像数据。
步骤S503：去除所述第一图像的颅骨和线圈，获得所述第一图像的颅内组织图像。
由于第一图像中含有头骨等无关组织、噪声等干扰，会影响后续计算，增大计算时的存储空间及运行时间开销，因此，为保证后续计算的速度及准确性，需要去除第一图像的颅骨和线圈。
在本申请的一个实施例中，采用去骨算法对第一图像进行去骨，主要包括去除颅骨和线圈，去除干扰像素。具体地，通过阈值分割，根据第一阈值，从第一图像中提取出颅骨，得到颅骨掩膜(mask)图像，将颅脑分割为颅骨内和颅骨外两部分。在实际应用中，提取颅骨的阈值为>100。进一步，低于第二阈值的像素点属于颅骨内，从颅骨掩膜图像中取出颅骨，得到去除颅骨后的组织掩膜图像。在具体实施过程中，第二阈值可以为80。基于去除颅骨后的组织掩膜图像，基于最大连通域方法，提取颅内组织的最大轮廓，进一步采用区域生长的方法，获得完整的颅内组织图像，从而实现颅骨和线圈的去除。
在本申请的一个更有实施例中，将前述步骤得到的颅内组织图像进一步进行过滤处理，以减少噪声对后续计算的影响。在本申请实施例中，过滤处理包括但不限于：GPU加速的保留边缘滤波算法。
步骤S505：将所述颅内组织图像沿翻转轴/翻转面进行翻转，获得第二图像。
步骤S507：将所述颅内组织与所述第二图像进行配准，获得配准的变换矩阵。
步骤S509：基于所述变换矩阵的旋转分量，获取所述颅内组织图像的对称轴/对称面方向。
步骤S511：基于所述颅内组织图像的质心及所述颅内组织图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。
采用本申请实施例提供的方法，由于采用了颅脑影像的全脑信息，且利用了颅脑影像自身的对称性，因此进行图像配准时，配准结果更加精确可控，能够快速实现颅脑影像数据的对称轴/对称面的提取，实现对称轴/对称面的提取自动化，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。
需要特别说明的是，本申请实施例提供的方法不仅可以用于颅脑影像数据对称轴/对称面的提取，基于类似的思路，亦可用于其它具有对称结构的对称轴/对称面的提取，均基于本发明的类似的方法，亦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6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提取/对称面系统的示意图，该系统包括：
输入模块601，获取待处理的第一图像，其中，所述第一图像为颅脑影像数据；
翻转模块603，将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像；
配准模块605，将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵；
获取模块607，基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向；
输出模块609，基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。
该系统还包括：
预处理模块611：去除所述第一图像的颅骨和线圈，获得所述第一图像的颅内组织图像。
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 (10)

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：
获取待处理的第一图像，其中，所述第一图像为颅脑影像数据；
将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像，所述翻转轴/翻转面是基于所述第一图像中的左右脑的位置预先设置的进行翻转的轴/面；
将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵，所述变换矩阵用以表示坐标向量的平移参数和/或旋转参数；
基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向；
基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。
2.如权利要求1所述的方法，其特征在于，所述获取待处理的第一图像，之后还包括：
去除所述第一图像的颅骨和线圈，获得所述第一图像的颅内组织图像。
3.如权利要求1所述的方法，其特征在于，所述将所述第一图像与所述第二图像进行配准，得到配准的变换矩阵，具体包括：
以所述第一图像的质心与所述第二图像的质心的相对平移作为配准的初始变换，调整坐标向量的平移和/或旋转参数，使所述第一图像的各像素点与所述第二图像的各像素点的互信息达到最大，使所述第一图像与所述第二图像配准，得到配准的变换矩阵。
4.如权利要求1所述的方法，其特征在于，所述基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向，具体包括：
基于所述变换矩阵，获取所述变换矩阵的旋转分量；
以所述旋转分量的一半构建旋转变换矩阵；
以所述旋转变换矩阵对所述翻转轴/翻转面的方向向量进行变换，得到旋转后的向量，所述旋转后的向量为所述第一图像的对称轴/对称面方向，其中，所述旋转后的向量为所述翻转轴/翻转面的方向向量进行变换得到的向量。
5.如权利要求1所述的方法，其特征在于，所述基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面，具体包括：
沿所述第一图像的对称轴/对称面方向，将所述第一图像的质心作为所述第一图像的对称轴/对称面上的点，计算所述第一图像的对称轴/对称面，获得所述第一图像的对称轴/对称面。
6.一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：
输入模块，获取待处理的第一图像，其中，所述第一图像为颅脑影像数据；
翻转模块，将所述第一图像沿翻转轴/翻转面进行翻转，获得第二图像，所述翻转轴/翻转面是基于所述第一图像中的左右脑的位置预先设置的进行翻转的轴/面；
配准模块，将所述第一图像与所述第二图像进行配准，获得配准的变换矩阵，所述变换矩阵用以表示坐标向量的平移参数和/或旋转参数；
获取模块，基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向；
输出模块，基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面。
7.如权利要求6所述的系统，其特征在于，所述获取待处理的第一图像，之后还包括：
去除所述第一图像的颅骨和线圈，获得所述第一图像的颅内组织图像。
8.如权利要求6所述的系统，其特征在于，所述将所述第一图像与所述第二图像进行配准，得到配准的变换矩阵，具体包括：
以所述第一图像的质心与所述第二图像的质心的相对平移作为配准的初始变换，调整坐标向量的平移和/或旋转参数，使所述第一图像的各像素点与所述第二图像的各像素点的互信息达到最大，使所述第一图像与所述第二图像配准，得到配准的变换矩阵。
9.如权利要求6所述的系统，其特征在于，所述基于所述变换矩阵的旋转分量，获取所述第一图像的对称轴/对称面方向，具体包括：
基于所述变换矩阵，获取所述变换矩阵的旋转分量；
以所述旋转分量的一半构建旋转变换矩阵；
以所述旋转变换矩阵对所述翻转轴/翻转面的方向向量进行变换，得到旋转后的向量，所述旋转后的向量为所述第一图像的对称轴/对称面方向，其中，所述旋转后的向量为所述翻转轴/翻转面的方向向量进行变换得到的向量。
10.如权利要求6所述的系统，其特征在于，所述基于所述第一图像的质心及所述第一图像的对称轴/对称面方向，获得所述第一图像的对称轴/对称面，具体包括：
沿所述第一图像的对称轴/对称面方向，将所述第一图像的质心作为所述第一图像的对称轴/对称面上的点，计算所述第一图像的对称轴/对称面，获得所述第一图像的对称轴/对称面。
CN201911345471.5A 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 Active CN111127427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911345471.5A CN111127427B (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
CN201911345471.5A CN111127427B (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 (2)

Publication Number Publication Date
CN111127427A CN111127427A (zh) 2020-05-08
CN111127427B true CN111127427B (zh) 2022-12-23

Family

ID=70501815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911345471.5A Active CN111127427B (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) CN111127427B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902780B (zh) * 2021-08-31 2023-02-21 数坤(北京)网络科技股份有限公司 一种影像配准方法、装置、设备和可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930552A (zh) * 2012-11-22 2013-02-13 北京理工大学 基于对称结构减影的脑肿瘤自动提取方法
CN108765483A (zh) * 2018-06-04 2018-11-06 东北大学 一种从脑部ct图像中确定中矢面的方法及系统
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9159127B2 (en) * 2007-06-20 2015-10-13 Koninklijke Philips N.V. Detecting haemorrhagic stroke in CT image data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930552A (zh) * 2012-11-22 2013-02-13 北京理工大学 基于对称结构减影的脑肿瘤自动提取方法
CN108765483A (zh) * 2018-06-04 2018-11-06 东北大学 一种从脑部ct图像中确定中矢面的方法及系统
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 (2)

* Cited by examiner, † Cited by third party
Title
An Approach to Extraction Midsagittal Plane of Skull From Brain CT Images for Oral and Maxillofacial Surgery;Wenjun Tan等;《Biologically inspired image processing challenges and future directions》;20190605;第118203-118217页 *
一种精确提取三维脑图像对称面的方法;张宝贵等;《中国医学影像技术》;20110820;第27卷(第08期);第1698-1702页 *

Also Published As

Publication number Publication date
CN111127427A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN108198184B (zh) 造影图像中血管分割的方法和系统
CN109448004B (zh) 一种基于中心线的颅内血管图像的截取方法及系统
CN109671066B (zh) 一种基于头颅ct影像的脑梗死判断的方法及系统
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
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
CN109448003A (zh) 一种颅内动脉血管图像分割方法及系统
CN110570394B (zh) 医学图像分割方法、装置、设备及存储介质
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
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
KR20210016862A (ko) 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체
CN117392485B (zh) 图像生成模型训练方法、业务执行方法、装置及介质
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
CN117079777A (zh) 一种医学影像的补全方法、装置、存储介质及电子设备
CN109472803B (zh) 一种颅内动脉血管分割方法及系统
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
CN113160165A (zh) 一种血管分割方法、装置以及设备
CN115546094A (zh) 一种模型的训练方法、ct图像的优化方法及装置
CN109741299B (zh) 一种基于头颅ct影像的目标区域的错误检测方法及系统
CN113538463A (zh) 一种动脉瘤分割方法、装置以及设备
CN112734726A (zh) 一种血管造影的分型方法、装置以及设备
CN116229218B (zh) 一种模型训练、图像配准方法及装置
CN111862062B (zh) 一种中心线优化的方法、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
CN110634129B (zh) 一种基于dsa图像的定位方法及系统
CN115941915B (zh) 一种oct图像色散校正的方法、装置、介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant