CN111583209A - 一种脑灌注图像特征点选取方法、介质及电子设备 - Google Patents
一种脑灌注图像特征点选取方法、介质及电子设备 Download PDFInfo
- Publication number
- CN111583209A CN111583209A CN202010355645.2A CN202010355645A CN111583209A CN 111583209 A CN111583209 A CN 111583209A CN 202010355645 A CN202010355645 A CN 202010355645A CN 111583209 A CN111583209 A CN 111583209A
- Authority
- CN
- China
- Prior art keywords
- perfusion image
- cerebral perfusion
- selecting
- point
- points
- 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
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
- 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
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种脑灌注图像特征点选取方法、介质及电子设备,属于医学图像处理领域。其中,所述脑灌注图像特征点选取方法包括:获取待处理的脑灌注图像;根据接收到的区域选取指令,在所述脑灌注图像中获取相应的目标区域;根据所述目标区域生成相应的放大图像;所述放大图像用于辅助用户输入相应的选点指令;根据接收到的选点指令选取所述脑灌注图像中的特征点。所述脑灌注图像特征点选取方法能够提升特征点选取的准确度。
Description
技术领域
本发明属于医学图像处理领域,涉及一种医学图像标注方法,特别是涉及一种脑灌注图像特征点选取方法、介质及电子设备。
背景技术
近年来,随着灌注分析软件的完善和多层螺旋CT的广泛应用,CT脑灌注成像技术越来越多的引起了业内人士的关注。CT脑灌注是指在静脉注射对比剂后,在一段时间内对选定的感兴趣层面(1层或多层)进行动态扫描以获得脑灌注图像的一种技术。根据所述脑灌注图像能够计算得到脑部特定位置的时间密度曲线(TDC),所述时间密度曲线用于对该特定位置的造影剂变化进行评估,并根据所述评估结果对该特定位置的血流情况进行评价。
目前,对所述脑灌注图像进行处理以获得所述时间密度曲线的实现方法包括:选取动脉血管位置的动脉输入函数(AIF,arterial input function)点作为一个特征点,并根据所述脑灌注图像计算AIF点的CT值随时间的变化进而得到动脉输入函数;选取静脉血管位置的静脉输出函数(VOF,venous output function)点作为另一个特征点,并根据所述脑灌注图像计算该VOF点的CT值随时间的变化进而得到静脉输出函数;根据所述动脉输入函数和所述静脉输出函数计算得到所述时间密度曲线。其中,所述特征点的选取由医务人员手动完成。然而,发明人在实际应用中发现,脑灌注图像中的血管往往比较细微,医务人员仅根据原始脑灌注图像的观察结果进行特征点选取时往往存在误差。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种脑灌注图像特征点选取方法、介质及电子设备,用于解决现有技术中医务人员仅根据原始脑灌注图像的观察结果进行特征点选取时往往存在误差的问题。
为实现上述目的及其他相关目的,本发明的第一方面提供一种脑灌注图像特征点选取方法,用于选取脑灌注图像中的特征点。所述脑灌注图像特征点选取方法包括:获取待处理的脑灌注图像;根据接收到的区域选取指令,在所述脑灌注图像中获取相应的目标区域;根据所述目标区域生成相应的放大图像;所述放大图像用于辅助用户输入相应的选点指令;根据接收到的选点指令选取所述脑灌注图像中的特征点。
于所述第一方面的一实施例中,所述放大图像中的像素点与所述目标区域中的像素点一一对应。
于所述第一方面的一实施例中,所述脑灌注图像特征点选取方法还包括:当所述选点指令对应的目标像素点位于所述目标区域时,在所述放大图像中标识所述目标像素点的对应像素点,以使用户确认或调整所述选点指令;或当所述选点指令对应的目标像素点位于所述放大图像内时,在所述目标区域中选取所述目标像素点的对应像素点作为所述特征点。
于所述第一方面的一实施例中,所述脑灌注图像特征点选取方法还包括:获取所述特征点及其周围像素点的平均CT值;根据所述平均CT值计算脑灌注的时间密度曲线。
于所述第一方面的一实施例中,获取所述特征点及其周围像素点的平均CT值的实现方法包括:根据所述特征点及其周围像素点的CT值获取非噪声像素点;根据所述非噪声像素点的CT值获取所述平均CT值。
于所述第一方面的一实施例中,所述脑灌注图像辅助处理方法还包括:对所述脑灌注图像进行分割,以获得所述脑灌注图像中的动脉血管和/或静脉血管;判断所述特征点是否位于所述脑灌注图像中的动脉血管和/或静脉血管内,并根据所述判断结果对用户进行提示。
于所述第一方面的一实施例中,对所述脑灌注图像进行分割,以获得所述脑灌注图像中的动脉血管和/或静脉血管的实现方法包括:利用一AI分割模型对所述脑灌注图像进行分割,从而获得所述脑灌注图像中的动脉血管和/或动脉血管;所述AI分割模型的获取方法包括:获取训练数据;所述训练数据包括多个标注有动脉和/或静脉位置的脑部图像;利用所述训练数据对一深度学习模型进行训练,从而获得所述AI分割模型。
于所述第一方面的一实施例中,所述特征点为动脉输入函数点,或静脉输出函数点。
本发明的第二方面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本发明第一方面所述脑灌注图像特征点选取方法。
本发明的第三方面提供一种电子设备,所述电子设备包括:存储器,存储有一计算机程序;处理器,与所述存储器通信相连,调用所述计算机程序时执行本发明第一方面所述脑灌注图像特征点选取方法;显示器,与所述处理器和所述存储器通信相连,用于显示所脑灌注图像特征点选取的相关GUI交互界面。
如上所述,本发明所述脑灌注图像特征点选取方法、介质及电子设备,具有以下有益效果:
所述脑灌注图像特征点选取方法能够根据目标区域生成一相应的放大图像;所述放大图像使得用户能够更加清楚地观察到所述脑灌注图像中的细微血管,进而辅助用户输入正确的选点指令以完成所述特征点的选取。因此,所述脑灌注图像特征点选取方法能够解决“医务人员仅根据原始脑灌注图像的观察结果进行特征点选取时往往存在误差”这一技术问题,实现提升选点准确度的效果。
附图说明
图1显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的原始脑灌注图像示例图。
图2显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的流程图。
图3A显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的脑灌注图像示例图。
图3B显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的脑灌注图像示例图。
图4A显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的目标区域和放大图像示意图。
图4B显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的脑灌注图像示例图。
图5显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的时间密度曲线计算流程图。
图6A显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的平均CT值计算流程图。
图6B显示为本发明所述脑灌注图像特征点选取方法于又一具体实施例中的平均CT值计算流程图。
图7显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的关键步骤流程图。
图8显示为本发明所述脑灌注图像特征点选取方法于一具体实施例中的时间密度曲线计算流程图。
图9显示为本发明所述电子设备于一具体实施例中的结构示意图。
元件标号说明
1 脑灌注图像
3 脑灌注图像
31 目标区域
311 选点工具
32 放大图像
321 放大后的选点工具
4a 目标区域
411a 像素点
412a 像素点
413a 像素点
4b 放大图像
411b 像素点
412b 像素点
413b 像素点
9 电子设备
91 存储器
92 处理器
93 显示器
S21~S24 步骤
S51~S52 步骤
S61a~S63a 步骤
S61b~S63b 步骤
S71~S72 步骤
S81~S86 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
于一些实施例中,对所述脑灌注图像进行处理以获得所述时间密度曲线的实现方法包括:选取动脉血管位置的AIF点作为一个特征点,并根据所述脑灌注图像计算该AIF点的CT值随时间的变化进而得到动脉输入函数;选取静脉血管位置的VOF点作为另一个特征点,并根据所述脑灌注图像计算该VOF点的CT值随时间的变化进而得到静脉输出函数;根据所述动脉输入函数和所述静脉输出函数计算得到所述时间密度曲线。其中,所述特征点的选取由医务人员手动完成。然而,请参阅图1,原始脑灌注图像1中存在许多细微的血管,如果医务人员单纯凭借肉眼观察并选取这些细微血管中的特征点往往会存在误差,进而对所述时间密度曲线的准确度产生影响。
针对上述问题,本发明提供一种脑灌注图像特征点选取方法,用于选取脑灌注图像中的特征点。所述脑灌注图像特征点选取方法包括:获取待处理的脑灌注图像;根据接收到的区域选取指令,在所述脑灌注图像中获取相应的目标区域;根据所述目标区域生成相应的放大图像;所述放大图像用于辅助用户输入相应的选点指令;根据接收到的选点指令选取所述脑灌注图像中的特征点。如上所述,本发明所述脑灌注图像特征点选取方法能够生成目标区域的相应放大图像;所述放大图像使得用户能够更加清楚的观察到所述目标区域中的像素点,进而完成所述特征点的选取。因此,本发明所述脑灌注图像特征点选取方法能够提升所述特征点选取的准确度。
请参阅图2,于本发明的一实施例中,所述脑灌注图像特征点选取方法包括:
S21,获取待处理的脑灌注图像;其中,所述脑灌注图像为1层或多层CT图像。
S22,根据接收到的区域选取指令,在所述脑灌注图像中获取相应的目标区域。实际应用中,用户可以通过鼠标移动、鼠标框选、键盘输入等方式发送所述区域选取指令,并利用所述区域选取指令指定所述目标区域的位置、形状和/或尺寸。
S23,根据所述目标区域生成相应的放大图像;所述相应的放大图像由所述目标区域内的图像放大得来,用户通过观察所述放大图像能够更加清晰的观察到所述目标区域内的图像,故所述放大图像能够辅助用户完成选点指令的输入;
S24,根据接收到的选点指令选取所述脑灌注图像中的特征点。
本实施例中,通过所述放大图像能够使用户清楚的观察到所述目标区域内图像的细节,从而辅助用户更加准确的完成所述特征点的选取,有利于提升所述特征点选取的准确度。
请参阅图3A和图3B,于本发明的一实施例中,在所述脑灌注图像3中,用户可以通过所述区域选取指令对所述目标区域31的位置、形状和/或尺寸进行调整。当所述目标区域31的位置、形状和/或尺寸发生变化时,所述放大图像32的内容同样发生相应的变化,以保证所述放大图像32与所述目标区域31内的图像相对应。
本实施例中,当用户选取的目标区域不包含所述特征点时,所述脑灌注图像特征点选取方法允许用户通过所述区域选择指令对所述目标区域进行调整,直至所述特征点位于所述目标区域内便于观察的位置。
于一些实施例中,在进行图像放大时倾向于采用滤波、插值等方式提升放大图像的清晰度。然而,这会导致放大图像内的像素点与所述目标区域内的像素点无法对应,进而导致特征点选取的误差。针对这一问题,于本发明的一实施例中,所述放大图像中的像素点被配置为与所述目标区域中的像素点一一对应。
请参阅图4A,于本实施例中,所述放大图像4b与所述目标区域4a中的像素点数量相同,且所述放大图像4b中的像素点411b与所述目标区域4a中的像素点411a相对应,所述放大图像4b中的像素点412b与所述目标区域4a中的像素点412a相对应,所述放大图像4b中的像素点413b与所述目标区域4a中的像素点413a相对应,以此类推。
请参阅图4B,于本实施例中,用户可以使用鼠标等选点工具311进行所述特征点的选取。具体地,当用户将所述选点工具311移动至所述目标区域31内部时,所述目标区域31内包含所述选点工具311的图像;相应的,所述放大图像32内包含放大后的选点工具321。由于本实施例中所述放大图像32中的像素点被配置为与所述目标区域31中的像素点一一对应,在所述放大图像32内,用户通过观察所述放大后的选点工具321选中的像素点即可得知所述选点工具311在所述目标区域31内选中的像素点。因此,本实施例所述脑灌注图像特征点选取方法能够辅助用户通过相应的选点指令选取正确的特征点。
于本发明的一实施例中,所述脑灌注图像特征点选取方法还包括:当所述选点指令对应的目标像素点位于所述目标区域时,在所述放大图像中标识所述目标像素点的对应像素点,以使用户确认或调整所述选点指令。例如,请参阅图4A,当用户通过所述选点指令选中所述目标区域4a内的目标像素点411a时,其在所述放大图像4b内的对应像素点411b被标识;此时,用户可以在所述放大图像4b内清楚地观察到所述对应像素点411b及其周围像素点的情况,进而确定所述目标像素点411a是否为所述特征点。当所述目标像素点411a为所述特征点时,用户可以确认此次选取;当所述目标像素点411a不是所述特征点时,用户可以调整或取消此次选取。
本实施例通过在所述放大图像内标识所述目标像素点的对应像素点,使得用户能够清楚的观察到所述目标像素点及其周围像素点的情况,进而辅助用户准确的选取所述特征点。
于本发明的一实施例中,所述脑灌注图像特征点选取方法还包括:当所述选点指令对应的目标像素点位于所述放大图像内时,在所述目标区域中选取所述目标像素点的对应像素点作为所述特征点。例如,请参阅图4A,当用户通过所述选点指令选中所述放大图像4b内的目标像素点412b时,在所述目标区域4a中自动选取所述目标像素点412b的对应像素点412a作为所述特征点。由于用户能够清楚地观察到所述放大图像4b内的目标像素点412b及其周围像素点的情况,因此,通过先选取所述放大图像4b内的目标像素点,再将所述目标区域4a内所述目标像素点的对应像素点选取为所述特征点,能够保证所述特征点选取的准确度。
如前所述,在对脑灌注图像进行处理的过程中,用户需要根据特征点的CT值计算时间密度曲线。然而,对于任一特征点,例如AIF点,用户选择的该特征点可能为噪声点,此时会导致所述时间密度曲线的计算结果不准确。针对这一问题,请参阅图5,于本发明的一实施例中,所述脑灌注图像特征点选取方法还包括:
S51,获取所述特征点及其周围像素点的平均CT值。
当所述脑灌注图像为1层CT图像时,所述特征点的周围像素点可以是包含所述特征点的某一区域内的所有像素点;优选地,选取以所述特征点为中心、边长为N的正方形内的所有像素点作为所述特征点的周围像素点,其中N为正整数;进一步优选地,N=3。
当所述脑灌注图像包含多层CT图像时,首先确定所述特征点所属的一层CT图像,在该层CT图像中获取所述特征点及所述特征点在该层CT图像内的周围像素点,并根据所述特征点及其在该层CT图像内的周围像素点生成一相邻区域;其后将所述相邻区域投影至各层CT图像,选取所有投影区域内的像素点作为所述特征点的周围像素点。在多层CT图像中,通过上述过程能够实现特征点及其周围像素点的选取。
S52,根据所述平均CT值计算脑灌注的时间密度曲线。具体地,将所述时间密度曲线计算公式中某一特征点的CT值替换为该特征点及其周围像素点的平均CT值,即可获得本实施例所述时间密度曲线。所述时间密度曲线的计算公式为现有技术,此处不再赘述。
本实施例中,通过使用平均CT值替换特征点的CT值进行时间密度曲线的计算,能够消除噪声点导致的误差,有利于提升所述时间密度曲线的计算准确度。
请参阅图6A,于本发明的一实施例中,获取所述特征点及其周围像素点的平均CT值的一种实现方法包括:
S61a,分别获取所述特征点及其周围像素点的CT值;
S62a,剔除其中的一个最高CT值和一个最低CT值;
S63a,对其余像素点的CT值取平均,即可获得所述平均CT值。
通过本实施例所述平均CT值的计算方式能够减少噪声点对所述平均CT值的影响,有利于进一步提升所述时间密度曲线的计算准确度。
请参阅图6B,于本发明的一实施例中,获取所述特征点及其周围像素点的平均CT值的一种实现方法包括:
S61b,将所述特征点及其周围像素点放入一队列;
S62b,计算所述队列中所有像素点CT值的平均值;
S63b,从所述队列中剔除噪声像素点并重复步骤S62,直到所述队列中不存在噪声像素点;其中,所述噪声像素点是指CT值与所述平均值之差的绝对值大于一预设阈值的像素点。当所述队列中不存在噪声像素点时,步骤S62b中获得的平均值即为所述特征点及其周围像素点的平均CT值。
通过本实施例所述平均CT值的计算方式能够减少噪声点对所述平均CT值的影响,有利于进一步提升所述时间密度曲线的计算准确度。
请参阅图7,于本发明的一实施例中,所述脑灌注图像特征点选取方法还包括:
S71,对所述脑灌注图像进行分割,以获得所述脑灌注图像中的动脉血管和/或静脉血管;
S72,判断所述特征点是否位于所述脑灌注图像中的动脉血管和/或静脉血管内,并根据所述判断结果对用户进行提示。具体地,当所述特征点位于所述脑灌注图像中的动脉血管和/或静脉血管之外时,以弹窗或提示音等方式对用户进行提示。
本实施例中,当用户选取的特征点位于所述动脉血管和/或所述静脉血管之外时,能够以弹窗或提示音等方式对用户进行提示,从而保证用户选取的特征点位于所述动脉血管和/或所述静脉血管内,有利于用户及时发现选点过程中存在的问题并进行改进。
于本发明的一实施例中,对所述脑灌注图像进行分割,以获得所述脑灌注图像中的动脉血管和/或静脉血管的实现方法包括:利用一AI分割模型对所述脑灌注图像进行分割,从而获得所述脑灌注图像中的动脉血管和/或动脉血管;所述AI分割模型的获取方法包括:获取训练数据;所述训练数据包括多个标注有动脉和/或静脉位置的脑部图像;利用所述训练数据对一深度学习模型进行训练,从而获得所述AI分割模型。于本实施例中,所述AI分割模型可以通过Unet模型、Vnet模型或FCN模型实现。
于本发明的一实施例中,步骤S71中对所述脑灌注图像进行分割获得的是所述动脉血管和/或所述静脉血管内的所有像素点。此时,步骤S72仅需判断所述动脉血管和/或所述静脉血管内是否存在与所述特征点重合的像素点,即可获知所述特征点是否位于所述动脉血管和/或所述静脉血管内。
于本发明的一实施例中,步骤S71中对所述脑灌注图像进行分割获得的是所述动脉血管和/或所述静脉血管的轮廓。以所述动脉血管为例,判断所述特征点是否位于所述动脉血管内的一种实现方法包括:获取所述静脉血管轮廓上的所有像素点,并生成相应的最小凸多边形;以所述特征点为端点任意生成一条射线,获取所述射线与所述最小凸多边形的交点;若所述交点的数量为奇数个,则所述特征点位于所述动脉血管内,否则所述特征点位于所述动脉血管外。
于本发明的一实施例中,所述特征点为AIF点或VOF点。
请参阅图8,于本发明的一实施例中,计算脑灌注时间密度曲线的实现方法包括:
S81,获取待处理的脑灌注图像;用户可以根据所述脑灌注图像,通过鼠标移动或框选等方式输入相应的区域选取指令。
S82,根据接收到的区域选取指令,在所述脑灌注图像中获取相应的目标区域。
S83,根据所述目标区域生成相应的放大图像;所述放大图像的内容与所述目标区域内的图像相对应,以提示用户通过调整所述区域选取指令改变所述目标区域,或提示用户输入相应的选点指令。
S84,根据接收到的选点指令选取所述脑灌注图像中的特征点。具体地,当所述选点指令对应的目标像素点位于所述目标区域时,在所述放大图像中标识所述目标像素点的对应像素点,以使用户确认或调整所述选点指令;当所述选点指令对应的目标像素点位于所述放大图像内时,在所述目标区域中选取所述目标像素点的对应像素点作为所述特征点。
S85,获取所述特征点及其周围像素点,剔除其中的噪声点进而获得相应的非噪声像素点。
S86,计算所述非噪声像素点的平均CT值,并根据所述平均CT值计算得到所述时间密度曲线。
本实施例所述计算脑灌注时间密度曲线的计算方法中:首先生成目标区域的放大图像,所述放大图像能够辅助用户选取准确的特征点;在此基础上,通过噪声像素点剔除并且选取非噪声像素点的平均CT值进行所述时间密度曲线的计算,有利于进一步提升所述时间密度曲线的计算准确性。
基于上述对所述脑灌注图像特征点选取方法的描述,本发明还提供一种计算机可读存储介质,其上存储有计算机程序;该计算机程序被处理器执行时能够实现本发明所述脑灌注图像特征点选取方法。
基于上述对所述脑灌注图像特征点选取方法的描述,本发明还提供一种电子设备。请参阅图9,所述电子设备9包括:存储器91,存储有一计算机程序;处理器92,与所述存储器91通信相连,调用所述计算机程序时执行本发明所述脑灌注图像特征点选取方法;显示器93,与所述处理器92和所述存储器91通信相连,用于显示所脑灌注图像特征点选取的相关GUI交互界面。
本发明所述的脑灌注图像特征点选取方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
于本发明的一些实施例中,所述脑灌注图像特征点选取方法能够根据目标区域生成一相应的放大图像;所述放大图像使得用户能够更加清楚地观察到所述脑灌注图像中的细微血管,进而辅助用户通过相应的选点指令选取准确的特征点。因此,所述脑灌注图像特征点选取方法能够实现提升选点准确度的效果。
于本发明的一些实施例中,通过剔除所述特征点及其周围像素点中的噪声点能够获得多个非噪声点,并通过选取所述多个非噪声点的平均CT值进行时间密度曲线的计算,有利于减少噪声像素点对计算结果的影响,从而提升所述时间密度曲线的计算准确度。
综上所述,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种脑灌注图像特征点选取方法,其特征在于,用于选取脑灌注图像中的特征点,所述脑灌注图像特征点选取方法包括:
获取待处理的脑灌注图像;
根据接收到的区域选取指令,在所述脑灌注图像中获取相应的目标区域;
根据所述目标区域生成相应的放大图像;所述放大图像用于辅助用户输入相应的选点指令;
根据接收到的选点指令选取所述脑灌注图像中的特征点。
2.根据权利要求1所述脑灌注图像特征点选取方法,其特征在于:所述放大图像中的像素点与所述目标区域中的像素点一一对应。
3.根据权利要求2所述脑灌注图像特征点选取方法,其特征在于,所述脑灌注图像特征点选取方法还包括:
当所述选点指令对应的目标像素点位于所述目标区域时,在所述放大图像中标识所述目标像素点的对应像素点,以使用户确认或调整所述选点指令;或
当所述选点指令对应的目标像素点位于所述放大图像内时,在所述目标区域中选取所述目标像素点的对应像素点作为所述特征点。
4.根据权利要求1所述脑灌注图像特征点选取方法,其特征在于,所述脑灌注图像特征点选取方法还包括:
获取所述特征点及其周围像素点的平均CT值;
根据所述平均CT值计算脑灌注的时间密度曲线。
5.根据权利要求4所述脑灌注图像特征点选取方法,其特征在于,获取所述特征点及其周围像素点的平均CT值的实现方法包括:
根据所述特征点及其周围像素点的CT值获取非噪声像素点;
根据所述非噪声像素点的CT值获取所述平均CT值。
6.根据权利要求1所述脑灌注图像特征点选取方法,其特征在于,所述脑灌注图像辅助处理方法还包括:
对所述脑灌注图像进行分割,以获得所述脑灌注图像中的动脉血管和/或静脉血管;
判断所述特征点是否位于所述脑灌注图像中的动脉血管和/或静脉血管内,并根据所述判断结果对用户进行提示。
7.根据权利要求6所述脑灌注图像特征点选取方法,其特征在于,对所述脑灌注图像进行分割,以获得所述脑灌注图像中的动脉血管和/或静脉血管的实现方法包括:
利用一AI分割模型对所述脑灌注图像进行分割,从而获得所述脑灌注图像中的动脉血管和/或动脉血管;
所述AI分割模型的获取方法包括:
获取训练数据;所述训练数据包括多个标注有动脉和/或静脉位置的脑部图像;
利用所述训练数据对一深度学习模型进行训练,从而获得所述AI分割模型。
8.根据权利要求1所述脑灌注图像特征点选取方法,其特征在于:所述特征点为动脉输入函数点,或静脉输出函数点。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现权利要求1-8任一项所述脑灌注图像特征点选取方法。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有一计算机程序;
处理器,与所述存储器通信相连,调用所述计算机程序时执行权利要求1-8任一项所述脑灌注图像特征点选取方法;
显示器,与所述处理器和所述存储器通信相连,用于显示所脑灌注图像特征点选取的相关GUI交互界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355645.2A CN111583209B (zh) | 2020-04-29 | 2020-04-29 | 一种脑灌注图像特征点选取方法、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355645.2A CN111583209B (zh) | 2020-04-29 | 2020-04-29 | 一种脑灌注图像特征点选取方法、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583209A true CN111583209A (zh) | 2020-08-25 |
CN111583209B CN111583209B (zh) | 2021-11-02 |
Family
ID=72116841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010355645.2A Active CN111583209B (zh) | 2020-04-29 | 2020-04-29 | 一种脑灌注图像特征点选取方法、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583209B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
CN112908469A (zh) * | 2021-01-28 | 2021-06-04 | 上海商汤智能科技有限公司 | 基于图像的数据处理方法、装置、电子设备及存储介质 |
WO2023125828A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for determining feature points |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101052352A (zh) * | 2005-03-01 | 2007-10-10 | 国立大学法人神户大学 | 图像诊断处理设备和图像诊断处理程序 |
US20080037834A1 (en) * | 2006-07-28 | 2008-02-14 | Hiroshi Abe | Image Processing Method, Image Processing Apparatus and Program Therefor |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CA2731385A1 (en) * | 2008-07-22 | 2010-01-28 | Ucl Business Plc | Image analysis system and method |
CN103268630A (zh) * | 2013-05-22 | 2013-08-28 | 北京工业大学 | 一种基于血管内超声影像的血管三维可视化方法 |
CN103345746A (zh) * | 2013-06-25 | 2013-10-09 | 上海交通大学 | 基于ct-pet的医学影像诊断方法 |
CN104337529A (zh) * | 2013-08-06 | 2015-02-11 | 株式会社东芝 | 医学图像处理装置、医学图像处理方法以及放疗系统 |
CN204242159U (zh) * | 2013-12-18 | 2015-04-01 | 株式会社东芝 | 图像显示处理设备 |
CN106682424A (zh) * | 2016-12-28 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像的调节方法及其系统 |
CN107451406A (zh) * | 2017-07-28 | 2017-12-08 | 海纳医信(北京)软件科技有限责任公司 | 血管分析方法、装置、存储介质和处理器 |
CN107450841A (zh) * | 2017-08-08 | 2017-12-08 | 腾讯科技(深圳)有限公司 | 交互对象控制方法及装置 |
CN107564003A (zh) * | 2017-09-18 | 2018-01-09 | 彭建伟 | 研究缺血性卒中病灶区和半暗带区病理变化的定位方法 |
CN108682453A (zh) * | 2018-05-16 | 2018-10-19 | 四川大学 | 一种肺结节标注系统 |
CN108805959A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 一种图像标注方法和系统 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
US20190130609A1 (en) * | 2017-10-27 | 2019-05-02 | Oxford University Innovation Limited | Methods and systems of multiphase arterial spin labeling |
CN110751149A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技(深圳)有限公司 | 目标对象标注方法、装置、计算机设备和存储介质 |
CN111047580A (zh) * | 2019-12-14 | 2020-04-21 | 四川大学华西医院 | 用于超声分子影像研究的声像图定量分析及综合定量分析方法 |
-
2020
- 2020-04-29 CN CN202010355645.2A patent/CN111583209B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101052352A (zh) * | 2005-03-01 | 2007-10-10 | 国立大学法人神户大学 | 图像诊断处理设备和图像诊断处理程序 |
US20080037834A1 (en) * | 2006-07-28 | 2008-02-14 | Hiroshi Abe | Image Processing Method, Image Processing Apparatus and Program Therefor |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CA2731385A1 (en) * | 2008-07-22 | 2010-01-28 | Ucl Business Plc | Image analysis system and method |
CN103268630A (zh) * | 2013-05-22 | 2013-08-28 | 北京工业大学 | 一种基于血管内超声影像的血管三维可视化方法 |
CN103345746A (zh) * | 2013-06-25 | 2013-10-09 | 上海交通大学 | 基于ct-pet的医学影像诊断方法 |
CN104337529A (zh) * | 2013-08-06 | 2015-02-11 | 株式会社东芝 | 医学图像处理装置、医学图像处理方法以及放疗系统 |
CN204242159U (zh) * | 2013-12-18 | 2015-04-01 | 株式会社东芝 | 图像显示处理设备 |
CN106682424A (zh) * | 2016-12-28 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像的调节方法及其系统 |
CN107451406A (zh) * | 2017-07-28 | 2017-12-08 | 海纳医信(北京)软件科技有限责任公司 | 血管分析方法、装置、存储介质和处理器 |
CN107450841A (zh) * | 2017-08-08 | 2017-12-08 | 腾讯科技(深圳)有限公司 | 交互对象控制方法及装置 |
CN107564003A (zh) * | 2017-09-18 | 2018-01-09 | 彭建伟 | 研究缺血性卒中病灶区和半暗带区病理变化的定位方法 |
US20190130609A1 (en) * | 2017-10-27 | 2019-05-02 | Oxford University Innovation Limited | Methods and systems of multiphase arterial spin labeling |
CN108805959A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 一种图像标注方法和系统 |
CN108682453A (zh) * | 2018-05-16 | 2018-10-19 | 四川大学 | 一种肺结节标注系统 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
CN110751149A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技(深圳)有限公司 | 目标对象标注方法、装置、计算机设备和存储介质 |
CN111047580A (zh) * | 2019-12-14 | 2020-04-21 | 四川大学华西医院 | 用于超声分子影像研究的声像图定量分析及综合定量分析方法 |
Non-Patent Citations (8)
Title |
---|
HJK61314: "判断一点是否在轮廓内部", 《HTTPS://BLOG.CSDN.NET/HJK61314/ARTICLE/DETAILS/82587196》 * |
MAX WINTERMARK 等: "Comparative Overview of Brain Perfusion Imaging Techniques", 《STROKE》 * |
SHAO-YA GUAN 等: "A Review of Point Feature Based Medical Image Registration", 《CHINESE JOURNAL OF MECHANICAL ENGINEERING》 * |
佚名: "PS怎么使用双窗口监视图像功能", 《HTTPS://WWW.JB51.NET/PHOTOSHOP/550195.HTML》 * |
张伟: "CT脑灌注算法的研究及应用", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
贺娟: "基于CT图像的全心脏分割算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈鹏: "线激光阵列3D光学轮廓测量研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
马静: "基于CT动态增强图像的计算机辅助肝血管可视化系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112908469A (zh) * | 2021-01-28 | 2021-06-04 | 上海商汤智能科技有限公司 | 基于图像的数据处理方法、装置、电子设备及存储介质 |
CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
CN112862916B (zh) * | 2021-03-11 | 2021-09-10 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
WO2023125828A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for determining feature points |
Also Published As
Publication number | Publication date |
---|---|
CN111583209B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583209B (zh) | 一种脑灌注图像特征点选取方法、介质及电子设备 | |
US10424067B2 (en) | Image processing apparatus, image processing method and storage medium | |
CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
US8326013B2 (en) | Image processing device, image processing method, and image processing program | |
JP2002533194A (ja) | ノイズのあるディジタル画像内の糸状構造を抽出する画像処理手段を有する画像処理方法及びx線装置 | |
JP2011212314A (ja) | 血管表示制御装置および方法、並びにプログラム | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
JP2015188617A (ja) | 診断画像生成装置および診断画像生成方法 | |
CN114757950B (zh) | 超声图像处理方法、装置以及计算机可读存储介质 | |
CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
WO2018088055A1 (ja) | 画像処理装置、画像処理方法、画像処理システム及びプログラム | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
JP7122918B2 (ja) | 画像処理装置および画像処理方法 | |
Mitra et al. | Peak trekking of hierarchy mountain for the detection of cerebral aneurysm using modified Hough circle transform | |
CN110051385B (zh) | 基于血管识别的全自动测量方法、装置、存储介质及系统 | |
US20230237657A1 (en) | Information processing device, information processing method, program, model generating method, and training data generating method | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
CN109685803B (zh) | 一种左心室图像分割方法、装置、设备及存储介质 | |
CN114638878B (zh) | 基于深度学习的二维超声心动图管径检测方法及装置 | |
CN113689355B (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
Zhou et al. | Pulmonary vessel segmentation utilizing curved planar reformation and optimal path finding (CROP) in computed tomographic pulmonary angiography (CTPA) for CAD applications | |
WO2019065466A1 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
JP6204544B2 (ja) | 診断画像生成装置 |
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 |