CN111986242B - 脑组织分区的确定方法、装置、存储介质及电子设备 - Google Patents
脑组织分区的确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111986242B CN111986242B CN202010740464.1A CN202010740464A CN111986242B CN 111986242 B CN111986242 B CN 111986242B CN 202010740464 A CN202010740464 A CN 202010740464A CN 111986242 B CN111986242 B CN 111986242B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- target
- template
- transverse axis
- 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
Links
- 210000005013 brain tissue Anatomy 0.000 title claims abstract description 132
- 238000005192 partition Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 72
- 210000003625 skull Anatomy 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 210000004556 brain Anatomy 0.000 abstract description 19
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000000638 solvent extraction Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 12
- 210000001519 tissue Anatomy 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种脑组织分区的确定方法、装置、存储介质及电子设备，包括：获取头颅位置的目标三维容积图像；将目标三维容积图像转换为M个目标二维横轴面图像；获取头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像；分别确定每个目标二维横轴面图像各自匹配的模板二维横轴面图像；根据与目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定目标二维横轴面图像中的脑组织分区。这样就能够将三维容积图像转换为二维横轴面之后再进行脑组织分区，从而减小非正常脑组织区域可影响的维度，进而降低其对脑组织分区精度的影响，扩大了该脑分区方法的适用的脑组织范围，提高了对任意脑组织分区的精度。
Description
技术领域
本公开涉及计算机领域，具体地，涉及一种脑组织分区的确定方法、装置、存储介质及电子设备。
背景技术
医学图像分区在智能诊断领域有重要意义。通常为提高医学诊断和治疗水平，需要对组织区域进行精确分割，从而有利于对头颅中的脑组织进行精确定位。例如，在现有的ASPECTS评分(Alberta Stroke Program Early CT Score，ASPECTS)中，通过将大脑中动脉的供血覆盖区分为10个感兴趣区域，对每个区域进行缺血判断，从而获得ASPECTS评分，并初步定位缺血区。
传统的医学图像分区是基于图像分割技术。主要分为两个方向。第一类，基于阈值进行组织分区。例如基于k-means聚类算法对脑部解剖组织进行分割。由于人脑组织相似结构在序列中常在固定的取值范围内，因此可通过相似性聚类，来实现不同组织的分区。第二类，基于搭建分割网络来进行组织分区。例如基于VB-nets网络进行胸部器官分割。通过对采集的图像进行下采样和上采样，同时提取组织的高层语义信息和细节特征，从而预测组织区域。
但是，基于k-means聚类的组织分区算法只适合于密度正常的脑组织，对于带有病灶的数据，也即非正常的脑组织区域，由于其密度值与正常组织的密度值范围脱离或混淆，通过聚类的组织分区算法分区精准性会较差。而基于搭建分割网络模型的组织分区算法，该网络模型的训练需要对训练样本数据进行一一标注，耗时长且存在人为误差，而且由于训练样本数据存在的人为标注误差的问题，也会同样存在正常组织区域与非正常组织区域的分区混淆的现象。
发明内容
本公开的目的是提供一种脑组织分区的确定方法、装置、存储介质及电子设备，能够将三维的人脑图像形变转化为二维的人脑图像之后，利用人脑结构特征为每一个目标二维横轴面图像匹配相对应的模板二维横轴面图像，进而根据该模板二维横轴面图像对该目标二维横轴面图像进行脑组织分区，这样就能减小非正常脑组织区域可影响的维度，进而降低其对脑组织分区精度的影响。
为了实现上述目的，本公开提供一种脑组织分区的确定方法，所述方法包括：
获取头颅位置的目标三维容积图像；
将所述目标三维容积图像转换为M个目标二维横轴面图像，其中，M为大于1的正整数；
获取所述头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像，其中，N为大于1的正整数；
分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，以获得每个所述目标二维横轴面图像的匹配关系；
根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区。
可选地，所述方法还包括：
获取每个所述模板二维横轴面图像各自所对应的第一掩模面积比例系数；
确定目标三维掩模数据，所述目标三维掩模数据用于表征所述目标三维容积图像中的脑组织区域；
根据所述目标三维掩模数据，确定每个所述目标二维横轴面图像各自所对应的第二掩模面积比例系数；
所述分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，包括：
针对每个所述目标二维横轴面图像，根据该目标二维横轴面图像所对应的第二掩膜面积比例系数、部分或全部所述模板二维横轴面图像各自所对应的第一掩模面积比例系数，确定与该目标二维横轴面图像相匹配的模板二维横轴面图像。
可选地，所述目标二维横轴面图像所对应的第二掩模面积比例系数通过以下公式进行计算：
其中，k∈[1，M]；ak为第k个所述目标二维横轴面图像所对应的第二掩模面积比例系数；sk为所述目标三维掩模数据在第k个所述目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积。
可选地，所述根据该目标二维横轴面图像所对应的第二掩膜面积比例系数、部分或全部所述模板二维横轴面图像各自所对应的第一掩模面积比例系数，确定与该目标二维横轴面图像相匹配的模板二维横轴面图像，包括：
在该目标二维横轴面图像位于最小的第二掩模面积比例系数所对应的目标二维横轴面图像之上的情况下，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之上的所有模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像；
在该目标二维横轴面图像位于最小的第二掩模面积比例系数所对应的目标二维横轴面图像之下的情况下，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之下的所有模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。
可选地，在所述根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区的步骤之前，所述方法还包括：
根据所述匹配关系，确定整体匹配度参数；
按照位置由上到下的顺序遍历M个所述目标二维横轴面图像，并将当前遍历到的目标二维横轴面图像确定为第一目标二维横轴面图像，以及将与所述第一目标二维横轴面图像相匹配的模板二维横轴面图像确定为第一模板二维横轴面图像；
基于所述第一模板二维横轴面图像，确定待匹配图像范围，其中，所述待匹配图像范围包括部分模板二维横轴面图像；
计算所述第一目标二维横轴面图像与所述待匹配图像范围内的每一模板二维横轴面图像之间的互信息值，并将最大互信息值对应的模板二维横轴面图像确定为第二模板二维横轴面图像；
若所述第二模板二维横轴面图像不同于所述第一模板二维横轴面图像，则将所述第一目标二维横轴面图像的匹配关系更新为与所述第二模板二维横轴面图像匹配；若所述第二模板二维横轴面图像与所述第一模板二维横轴面图像相同，则保持所述第一目标二维横轴面图像的匹配关系不变；
从位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像，并根据匹配结果更新位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像的匹配关系；
根据更新后的匹配关系，重新确定所述整体匹配度参数；
若重新确定出的所述整体匹配度参数大于之前确定出的所述整体匹配度参数，则继续遍历；
若重新确定出的所述整体匹配度参数不大于之前确定出的所述整体匹配度参数，则将被更新的匹配关系恢复为更新之前的匹配关系，之后，继续遍历。
可选地，所述整体匹配度参数的计算公式如下：
其中，P为所述整体匹配度参数；M为所述目标二维横轴面图像的总个数；k∈[1,M]，Qk∈[1,N]；NMI(k,Qk)为第k个目标二维横轴面图像和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的互信息值；RDk为递增性参数，用于表示与第k+1个目标二维横轴面图像相匹配的模板二维横轴面图像Qk+1、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的顺序关系是否为递增；D(k,Qk)为比例系数差异参数，用于表示第k个目标二维横轴面图像对应的第二掩模面积比例系数ak、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk对应的第一掩膜面积比例系数aQk的绝对差异；sk为目标三维掩模数据在第k个目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积；sQk为模板三维掩膜数据在模板二维横轴面图像Qk中所对应的掩模面积；sQkmax为所述模板三维掩模数据在N个所述模板二维横轴面图像中分别所对应的掩模面积中的最大面积。
可选地，所述从位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像，包括：
针对位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像，将位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩模面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。
可选地，所述基于所述第一模板二维横轴面图像，确定待匹配图像范围包括：
将位置高于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、和位置低于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、以及所述第一模板二维横轴面图像确定为所述待匹配图像范围；
其中，在位置高于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置高于所述第一模板二维横轴面图像的所有模板二维横轴面图像；
在位置低于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置低于所述第一模板二维横轴面图像的所有模板二维横轴面图像。
可选地，所述根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区，包括：
根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区和所述目标二维横轴面图像，通过脑组织分区模型获取与所述目标二维横轴面图像对应的目标形变场；
通过所述目标形变场对与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区进行形变，以得到所述目标二维横轴面图像中的脑组织分区。
可选地，用于训练所述脑组织分区模型的损失函数为：
其中，LOSS为所述损失函数的损失值；为所述目标形变场；M为二维横轴面图像样本；M'为所述模板二维横轴面图像经所述目标形变场/>转换后的模型输出图像；D(M')和D(M)分别为M'与M的方差；N为所述目标三维容积图像样本的大小；i,j表示所述目标形变场的2个维度；n表示所述脑组织分区模型输出的形变后的图像的第n个数值；/>为所述目标形变场的平均值。
本公开还提供一种脑组织分区的确定装置，所述装置包括：
第一获取模块，用于获取头颅位置的目标三维容积图像；
转换模块，用于将所述目标三维容积图像转换为M个目标二维横轴面图像，其中，M为大于1的正整数；
第二获取模块，用于获取所述头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像，其中，N为大于1的正整数；
第一确定模块，用于分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，以获得每个所述目标二维横轴面图像的匹配关系；
第二确定模块，用于根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上所述方法的步骤。
本公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现以上所述方法的步骤。
通过上述技术方案，在获取到该头颅位置的目标三维容积图像之后，将其转化为多个目标二维横轴面图像，并利用人脑结构特征将其跟与模板三维容积图像所对应的多个模板二维横轴面图像进行匹配，进而再根据与各个目标二维横轴面图像相匹配的模板二维横轴面图像中的模板脑组织分区情况来确定该目标三维容积图像对应的脑组织分区，这样就能够通过减小非正常脑组织区域可影响的维度，进而降低其对脑组织分区精度的影响，扩大了该脑分区方法的适用的脑组织范围，提高了对任意脑组织分区的精度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种脑组织分区的确定方法的流程图。
图2是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法的流程图。
图3是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法的流程图。
图4是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法中确定目标二维横轴面图像与模板二维横轴面图像之间的匹配关系的方法的流程图。
图5是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法中确定目标二维横轴面图像与模板二维横轴面图像之间的匹配关系的方法的流程图。
图6是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法的流程图。
图7是根据本公开一示例性实施例示出的一种脑组织分区的确定装置的结构框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据本公开一示例性实施例示出的一种脑组织分区的确定方法的流程图。如图1所示，该方法包括步骤101至步骤105。
在步骤101中，获取头颅位置的目标三维容积图像。该目标三维容积图像可以为通过任意方式获取得到的针对脑部的造影图像，例如，可以是通过CT血管造影(CTA，CTangiography)所得到的dicom格式容积图像，也可以是通过MRA磁共振血管造影(magneticresonance angiography，MRA)所得到的dicom格式容积图像等。
其中，在获取到该脑部造影图像之后，可以先对该脑部造影图像进行预处理，例如，该预处理可以包括图像数据增强和/或去噪处理等。具体的，该图像数据增强可以通过预训练好的数据增强模型来实现，实现方法可以为例如通过对图像对比度的调整来实现对图像数据的增强等。该去噪处理可以通过使用非局部平均去噪算法(non-local means)来实现。
在步骤102中，将所述目标三维容积图像转换为M个目标二维横轴面图像，其中，M为大于1的正整数。
在步骤103中，获取所述头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像，其中，N为大于1的正整数。
其中，在将该目标三维容积图像转换为该目标二维横轴面图像之前，可以先将该目标三维容积图像与该模板三维容积图像进行刚性配准。该刚性配准的方法可以为：根据刚性变换函数Y＝MX+L来对该目标三维容积图像进行变换，以使变换后的目标三维容积图像与该模板三维容积图像之间能够最接近，其中，Y即为变换后图像，X为变换前的图像，M为变换矩阵，L为偏移量，变换矩阵M与偏移量L可以通过计算变换后的图像与该模板三维容积图像之间的互信息，并最大化该互信息来确定。通过上述刚性变换函数，能够令该目标三维容积图像根据该变换矩阵M左右旋转和/或根据该偏移量L进行平移变换之后，尽可能与该模板三维容积图像相匹配。
在根据该模板三维容积图像对该目标三维容积图像进行刚性配准之后，再将配准后的该目标三维容积图像转换为该目标二维横轴面图像。转换方法可以是例如在该目标三维容积图像中的多层二维横轴面图像中进行采样，从而确定该M个目标二维横轴面图像，其中，该目标三维容积图像中所包括的二维横轴面图像的层数不小于M。或者，也可以将获取到的该三维容积图像中所包括的所有二维横轴面图像都确定为该目标二维横轴面图像。
该模板二维横轴面图像也可以是通过上述转换方法，根据该模板三维容积图像获取得到的，另外，也可以是预先就已经将与该模板三维容积图像对应的模板二维横轴面图像转换完成后存储于预定存储空间中，直接从该预定存储空间中对与该模板三维容积图像对应的N个模板二维横轴面图像进行获取即可得到。
在步骤104中，分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，以获得每个所述目标二维横轴面图像的匹配关系。
在确定每个该目标二维横轴面图像各自匹配的模板二维横轴面图像时，不同的目标二维横轴面图像可以匹配相同一个模板二维横轴面图像，但每个目标二维横轴面图像仅能与一个模板二维横轴面图像相匹配。
确定该目标二维横轴面图像各自匹配的模板二维横轴面图像的方法可以包括多种，例如可以根据该目标二维横轴面图像和该模板二维横轴面图像之间的相似度来确定，或者根据预设的顺序对应规则来确定等等。具体的确定方法在后续的实施例中将会给出详细介绍。
在步骤105中，根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区。
在确定了与该目标二维横轴面图像相匹配的模板二维横轴面图像之后，便可以根据该模板二维横轴面中的脑组织分区，来确定该目标二维横轴面图像中的脑组织分区。其中，该脑组织分区可以是以掩模数据的形式来进行表示。
通过上述技术方案，在获取到该头颅位置的目标三维容积图像之后，将其转化为多个目标二维横轴面图像，并利用人脑结构特征将其跟与模板三维容积图像所对应的多个模板二维横轴面图像进行匹配，进而再根据与各个目标二维横轴面图像相匹配的模板二维横轴面图像中的模板脑组织分区情况来确定该目标三维容积图像对应的脑组织分区，这样就能够通过减小非正常脑组织区域可影响的维度，进而降低其对脑组织分区精度的影响，扩大了该脑分区方法的适用的脑组织范围，提高了对任意脑组织分区的精度。
图2是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法的流程图，如图2所示，该方法还包括步骤201至步骤204。
在步骤201中，获取每个所述模板二维横轴面图像各自所对应的第一掩模面积比例系数。
在步骤202中，确定目标三维掩模数据，所述目标三维掩模数据用于表征所述目标三维容积图像中的脑组织区域。
在步骤203中，根据所述目标三维掩模数据，确定每个所述目标二维横轴面图像各自所对应的第二掩模面积比例系数。
在步骤204中，针对每个所述目标二维横轴面图像，根据该目标二维横轴面图像所对应的第二掩膜面积比例系数、部分或全部所述模板二维横轴面图像各自所对应的第一掩模面积比例系数，确定与该目标二维横轴面图像相匹配的模板二维横轴面图像。
在一种可能的实施方式中，所述目标二维横轴面图像所对应的第二掩模面积比例系数通过以下公式进行计算：
其中，k∈[1，M]；ak为第k个所述目标二维横轴面图像所对应的第二掩模面积比例系数；sk为所述目标三维掩模数据在第k个所述目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积。
该模板二维横轴面图像所对应的该第一掩模面积比例系数也可以是通过上述第二掩模面积比例系数的计算公式计算得到。也即，第k个该模板二维横轴面图像对应的该第一掩模面积比例系数可以是，该模板三维掩模数据在第k个模板二维横轴面图像中所对应的掩模面积，与该模板三维掩模数据在N个模板二维横轴面图像中分别对应的掩模面积中的最大面积之差的绝对值，与该最大面积的比值。其中，该模板三维掩模数据也即用于表征该模板三维容积图像中的脑组织区域的数据。
在该步骤201中对该第一掩模面积比例系数进行获取时，可以是根据上述计算公式进行实时地计算得到每个该模板二维横轴面图像对应的第一掩模面积比例系数，或者，该第一掩模面积比例系数还可以是预计算好的，在确定了该模板二维横轴面图像的情况下，直接根据该模板二维横轴面图像对预计算好的该第一掩模面积比例系数进行获取即可。
在确定每个该模板二维横轴面图像和每个该目标二维横轴面图像分别对应的第一掩模面积比例系数和该第二掩模面积比例系数之后，便可以确定二者间的匹配关系。由于该第一掩模面积比例系数和该第二掩模面积比例系数都能够表征该模板二维横轴面图像或该目标二维横轴面图像中的掩模面积大小，而越匹配的二维横轴面图像中的掩模面积大小应该越相近，因此，可以将该第一掩模面积比例系数和该第二掩模面积比例系数最为接近的模板二维横轴面图像和该目标二维横轴面图像确定为相匹配的一组。
另外，在一种可能的实施方式中，由于人脑形状特性，脑组织的横截面面积从上到下一般是先逐渐变大，然后逐渐变小，大致成椭圆体的形状，因此，若直接在所有的模板二维横轴面图像中查找该第一掩模面积比例系数与该目标二维横轴面图像的第二掩模面积比例系数最为接近的图像，可能会出现处于人脑上半部的目标二维横截面图像全都与处于人脑下半部的目标二维横截面图像相匹配的情况。因此，可以根据如图3所示的步骤301和步骤302来根据该第一掩模面积比例系数和该第二掩模面积比例系数来对该模板二维横轴面图像和该模板二维横轴面图像进行匹配。
在步骤301中，判断该目标二维横轴面图像位于最小的第二掩模面积比例系数所对应的目标二维横轴面图像之上或之下，若在其之上，则转至步骤302，若在其之下，则转至步骤303。
在步骤302中，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之上的所有模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像；
在步骤303中，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之下的所有模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。
其中，最小的第一掩膜面积比例系数所对应的模板二维横轴面图像也即将该模板三维容积图像划分为上半部和下半部的图像，最小的第二掩模面积比例系数所对应的目标二维横轴面图像也即将该目标三维容积图像划分为上半部和下半部的图像。
以公式的形式对上述步骤301至步骤303中的技术方案进行表示，则可以得到以下表达式：
D(i,j)＝|am(i)-at(j)|，
其中，i为该M个目标二维横轴面图像中的第i个目标二维横轴面图像，j为该模板二维横轴面图像中的第j个模板二维横轴面图像；Qi为该第i个目标二维横轴面图像所匹配的模板二维横轴面图像的序号；am(i)为第i个目标二维横轴面图像的第二掩模面积比例系数，at(j)为第j个模板二维横轴面图像的第一掩模面积比例系数；imax为最小的第二掩模面积比例系数所对应的目标二维横轴面图像所对应的序号，jmax为最小的第一掩膜面积比例系数所对应的模板二维横轴面图像所对应的序号，D(i,j)为第i个目标二维横轴面图像的第二掩模面积比例系数与第j个模板二维横轴面图像的第一掩模面积比例系数的差值，argmin表示使D(i,j)取最小值时的变量值。
其中，第imax个目标二维横轴面图像和该第jmax个模板二维横轴面图像可以被划分为上半部，也可以为划分为下半部，在本公开中对该第imax个目标二维横轴面图像和该第jmax个模板二维横轴面图像的匹配范围不做限制。
通过上述技术方案，能够保证处于该上半部的目标二维横轴面图像能够与同样也处于上半部的模板二维横轴面图像进行匹配，处于下半部的目标二维横轴面图像能够与同样也处于下半部的模板二维横轴面图像进行匹配，从而进一步保障了该目标二维横轴面图像与该模板二维横轴面图像的准确性，进而进一步提高了确定该目标二维横轴面图像中脑组织分区的精度。
图4是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法中确定目标二维横轴面图像与模板二维横轴面图像之间的匹配关系的方法的流程图。如图4所示，该方法还包括步骤401至步骤409。
在步骤401中，根据所述匹配关系，确定整体匹配度参数。
在步骤402中，按照位置由上到下的顺序遍历M个所述目标二维横轴面图像，并将当前遍历到的目标二维横轴面图像确定为第一目标二维横轴面图像，以及将与所述第一目标二维横轴面图像相匹配的模板二维横轴面图像确定为第一模板二维横轴面图像。
在步骤403中，基于所述第一模板二维横轴面图像，确定待匹配图像范围，其中，所述待匹配图像范围包括部分模板二维横轴面图像。
在步骤404中，计算所述第一目标二维横轴面图像与所述待匹配图像范围内的每一模板二维横轴面图像之间的互信息值，并将最大互信息值对应的模板二维横轴面图像确定为第二模板二维横轴面图像；
在步骤405中，若所述第二模板二维横轴面图像不同于所述第一模板二维横轴面图像，则将所述第一目标二维横轴面图像的匹配关系更新为与所述第二模板二维横轴面图像匹配；若所述第二模板二维横轴面图像与所述第一模板二维横轴面图像相同，则保持所述第一目标二维横轴面图像的匹配关系不变。
在步骤406中，从位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像，并根据匹配结果更新位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像的匹配关系。
在步骤407中，根据更新后的匹配关系，重新确定所述整体匹配度参数。
在步骤408中，判断重新确定出的所述整体匹配度参数是否大于之前确定出的所述整体匹配度参数，若是，则直接返回步骤402继续遍历，若否，则转至步骤409。
在步骤409中，将被更新的匹配关系恢复为更新之前的匹配关系，之后，返回步骤402继续遍历。
该整体匹配度参数也即表示所有目标二维横轴面图像与其匹配的模板二维横轴面图像之间的匹配度的整体表现，该整体匹配度参数越高，表示该目标二维横轴面图像的匹配关系越准确。根据该整体匹配度参数确定得到的匹配关系在针对某一单独目标二维横轴面图像时，有可能出现该匹配关系中与该目标二维横轴面图像相匹配的模板二维横轴面图像并不是与该目标二维横轴面图像匹配度最高的模板二维横轴面图像的情况。
通过上述技术方案，能够在基于该第一掩模面积比例系数和该第二掩模面积比例系数获取到的该匹配关系的基础上，进一步根据该模板二维横轴面图像与该目标二维横轴面图像之间的互信息值优化该匹配关系，使得该匹配关系中互相匹配的目标二维横轴面图像和该模板二维横轴面图像能够更加匹配；另外，在确定了该第二模板二维横轴面图像之后，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像时，仅从位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中来确定，从而能够在一定程度上保证该目标二维横轴面图像所对应的该模板二维横轴面图像能够保持一定递增的顺序，从而也能够在一定程度上提高该目标二维横轴面图像的脑组织分区精度。
在一种可能的实施方式中，该方法还可以包括如图5所示的步骤501。在步骤501中，针对位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像，将位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩模面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。也即，在确定了该第二模板二维横轴面图像之后，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像时，可以再次根据该目标二维横轴面图像对应的该第二掩模面积比例系数和该模板二维横轴面图像对应的第一掩模面积比例系数来进行。
在一种可能的实施方式中，所述整体匹配度参数的计算公式如下：
/>
其中，P为所述整体匹配度参数；M为所述目标二维横轴面图像的总个数；k∈[1,M]，Qk∈[1,N]；NMI(k,Qk)为第k个目标二维横轴面图像和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的互信息值；RDk为递增性参数，用于表示与第k+1个目标二维横轴面图像相匹配的模板二维横轴面图像Qk+1、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的顺序关系是否为递增；D(k,Qk)为比例系数差异参数，用于表示第k个目标二维横轴面图像对应的第二掩模面积比例系数ak、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk对应的第一掩膜面积比例系数aQk的绝对差异；sk为目标三维掩模数据在第k个目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积；sQk为模板三维掩膜数据在模板二维横轴面图像Qk中所对应的掩模面积；sQkmax为所述模板三维掩模数据在N个所述模板二维横轴面图像中分别所对应的掩模面积中的最大面积。
其中，通过该递增性参数RDk，能够从该整体匹配度参数值的角度避免该目标二维横轴面图像匹配的模板二维横轴面图像在顺序上不递增的情况，从而也能够在一定程度上提高该目标二维横轴面图像的脑组织分区精度。
在一种可能的实施方式中，所述基于所述第一模板二维横轴面图像，确定待匹配图像范围包括：将位置高于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、和位置低于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、以及所述第一模板二维横轴面图像确定为所述待匹配图像范围；其中，在位置高于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置高于所述第一模板二维横轴面图像的所有模板二维横轴面图像；在位置低于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置低于所述第一模板二维横轴面图像的所有模板二维横轴面图像。其中，S的取值范围可以根据获取该目标三维容积图像和/或该模板三维容积图像的图像采集设备来确定，也可以根据该目标二维横轴面图像和/或该模板二维横轴面图像的总个数来确定，本公开中对此不做限制。通过对该待匹配图像范围的限定，能够使得该目标模板横轴面图像能够在该第一模板二维横轴面附近的其他模板二维横轴面中再次筛选能够提升整体匹配度的第二模板二维横轴面图像，并且因为限制了匹配范围，也能在一定程度上避免出现过大的匹配误差，保证脑组织分区的精度，还能在一定程度上减少匹配的计算量，从而加速对该脑组织分区的确定。
图6是根据本公开又一示例性实施例示出的一种脑组织分区的确定方法的流程图。如图6所示，该方法还包括步骤601和步骤602。
在步骤601中，根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区和所述目标二维横轴面图像，通过脑组织分区模型获取与所述目标二维横轴面图像对应的目标形变场。其中，该目标形变场可以是通过该脑部分区模型中的全卷积U型网络(AllConv-UNet)来获得，该网络可以是基于降采样和上采样结构来搭建，该网络的输入为任一目标二维横轴面图像和与其相匹配的模板二维横轴面图像组成的数据块，输出即为该目标形变场(Warp Field)。
在步骤602中，通过所述目标形变场对与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区进行形变，以得到所述目标二维横轴面图像中的脑组织分区。
其中，该模板二维横轴面图像中的脑组织分区可以以掩模(mask)的形式显示，在对表示该模板二维横轴面图像中的脑组织分区所对应的第一掩模进行形变后，便可以得到该模板二维横轴面图像中的脑组织分区对应的第二掩模，通过该第二掩模和该目标二维横轴面图像便可以得到该目标二维横轴面图像中的脑组织分区。
在一种可能的实施方式中，用于训练所述脑组织分区模型的损失函数为：
其中，LOSS为所述损失函数的损失值；为所述目标形变场；M为二维横轴面图像样本；M'为所述模板二维横轴面图像经所述目标形变场/>转换后的模型输出图像；D(M')和D(M)分别为M'与M的方差；N为所述目标三维容积图像样本的大小；i,j表示所述目标形变场的2个维度；n表示该脑组织分区模型输出的形变后的图像的第n个数值；/>为所述目标形变场的平均值。
也即，上述损失函数根据了三种约束以对该脑组织分区模型进行训练，三种约束包括：(1)形变后的目标二维横轴面图像与形变前的目标二维横轴面图像之间的相关性；(2)图像中相邻像素点的形变距离；(3)目标形变场的大小范围。
通过上述三种约束对该脑组织分区模型进行训练，不仅能够在训练数据中无需标注数据的情况下对该脑组织分区模型进行训练，而且提出了对形变场光滑度的约束，能够使得该脑组织分区模型从该模板二维横轴面图像中得到的该目标形变场更加准确，从而能够使得通过该脑组织分区模型输出的脑组织分区更加准确和真实。
图7是根据本公开一示例性实施例示出的一种脑组织分区的确定装置的结构框图。如图7所示，所述装置包括：第一获取模块10，用于获取头颅位置的目标三维容积图像；转换模块20，用于将所述目标三维容积图像转换为M个目标二维横轴面图像，其中，M为大于1的正整数；第二获取模块30，用于获取所述头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像，其中，N为大于1的正整数；第一确定模块40，用于分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，以获得每个所述目标二维横轴面图像的匹配关系；第二确定模块50，用于根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区。
通过上述技术方案，在获取到该头颅位置的目标三维容积图像之后，将其转化为多个目标二维横轴面图像，并利用人脑结构特征将其跟与模板三维容积图像所对应的多个模板二维横轴面图像进行匹配，进而再根据与各个目标二维横轴面图像相匹配的模板二维横轴面图像中的模板脑组织分区情况来确定该目标三维容积图像对应的脑组织分区，这样就能够通过减小非正常脑组织区域可影响的维度，进而降低其对脑组织分区精度的影响，扩大了该脑分区方法的适用的脑组织范围，提高了对任意脑组织分区的精度。
在一种可能的实施方式中，所述装置还包括：第三获取模块，用于获取每个所述模板二维横轴面图像各自所对应的第一掩模面积比例系数；第三确定模块，用于确定目标三维掩模数据，所述目标三维掩模数据用于表征所述目标三维容积图像中的脑组织区域；第四确定模块，用于根据所述目标三维掩模数据，确定每个所述目标二维横轴面图像各自所对应的第二掩模面积比例系数；所述第一确定模块还用于：针对每个所述目标二维横轴面图像，根据该目标二维横轴面图像所对应的第二掩膜面积比例系数、部分或全部所述模板二维横轴面图像各自所对应的第一掩模面积比例系数，确定与该目标二维横轴面图像相匹配的模板二维横轴面图像。
在一种可能的实施方式中，所述目标二维横轴面图像所对应的第二掩模面积比例系数通过以下公式进行计算：
其中，k∈[1，M]；ak为第k个所述目标二维横轴面图像所对应的第二掩模面积比例系数；sk为所述目标三维掩模数据在第k个所述目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积。
在一种可能的实施方式中，所述第一确定模块包括：第一确定子模块，用于在该目标二维横轴面图像位于最小的第二掩模面积比例系数所对应的目标二维横轴面图像之上的情况下，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之上的所有模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像；第二确定子模块，用于在该目标二维横轴面图像位于最小的第二掩模面积比例系数所对应的目标二维横轴面图像之下的情况下，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之下的所有模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。
在一种可能的实施方式中，在所述第二确定模块根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区之前，所述装置还包括：第五确定模块，用于根据所述匹配关系，确定整体匹配度参数；遍历模块，用于按照位置由上到下的顺序遍历M个所述目标二维横轴面图像，并将当前遍历到的目标二维横轴面图像确定为第一目标二维横轴面图像，以及将与所述第一目标二维横轴面图像相匹配的模板二维横轴面图像确定为第一模板二维横轴面图像；第六确定模块，用于基于所述第一模板二维横轴面图像，确定待匹配图像范围，其中，所述待匹配图像范围包括部分模板二维横轴面图像；计算模块，用于计算所述第一目标二维横轴面图像与所述待匹配图像范围内的每一模板二维横轴面图像之间的互信息值，并将最大互信息值对应的模板二维横轴面图像确定为第二模板二维横轴面图像；第一更新模块，用于若所述第二模板二维横轴面图像不同于所述第一模板二维横轴面图像，则将所述第一目标二维横轴面图像的匹配关系更新为与所述第二模板二维横轴面图像匹配；若所述第二模板二维横轴面图像与所述第一模板二维横轴面图像相同，则保持所述第一目标二维横轴面图像的匹配关系不变；第二更新模块，用于从位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像，并根据匹配结果更新位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像的匹配关系；第七确定模块，用于根据更新后的匹配关系，重新确定所述整体匹配度参数；第一判断模块，用于若重新确定出的所述整体匹配度参数大于之前确定出的所述整体匹配度参数，则继续遍历；第二判断模块，用于若重新确定出的所述整体匹配度参数不大于之前确定出的所述整体匹配度参数，则将被更新的匹配关系恢复为更新之前的匹配关系，之后，继续遍历。
在一种可能的实施方式中，所述整体匹配度参数的计算公式如下：
其中，P为所述整体匹配度参数；M为所述目标二维横轴面图像的总个数；k∈[1,M]，Qk∈[1,N]；NMI(k,Qk)为第k个目标二维横轴面图像和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的互信息值；RDk为递增性参数，用于表示与第k+1个目标二维横轴面图像相匹配的模板二维横轴面图像Qk+1、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的顺序关系是否为递增；D(k,Qk)为比例系数差异参数，用于表示第k个目标二维横轴面图像对应的第二掩模面积比例系数ak、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk对应的第一掩膜面积比例系数aQk的绝对差异；sk为目标三维掩模数据在第k个目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积；sQk为模板三维掩膜数据在模板二维横轴面图像Qk中所对应的掩模面积；sQkmax为所述模板三维掩模数据在N个所述模板二维横轴面图像中分别所对应的掩模面积中的最大面积。
在一种可能的实施方式中，所述第二更新模块还用于：针对位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像，将位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩模面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。
在一种可能的实施方式中，所述第六确定模块还用于：将位置高于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、和位置低于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、以及所述第一模板二维横轴面图像确定为所述待匹配图像范围；其中，在位置高于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置高于所述第一模板二维横轴面图像的所有模板二维横轴面图像；在位置低于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置低于所述第一模板二维横轴面图像的所有模板二维横轴面图像。
在一种可能的实施方式中，所述第二确定模块包括：获取子模块，用于根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区和所述目标二维横轴面图像，通过脑组织分区模型获取与所述目标二维横轴面图像对应的目标形变场；形变子模块，用于通过所述目标形变场对与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区进行形变，以得到所述目标二维横轴面图像中的脑组织分区。
在一种可能的实施方式中，用于训练所述脑组织分区模型的损失函数为：
其中，LOSS为所述损失函数的损失值；为所述目标形变场；M为二维横轴面图像样本；M'为所述模板二维横轴面图像经所述目标形变场/>转换后的模型输出图像；D(M')和D(M)分别为M'与M的方差；N为所述目标三维容积图像样本的大小；i,j表示所述目标形变场的2个维度；n表示所述脑组织分区模型输出的形变后的图像的第n个数值；/>为所述目标形变场的平均值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种电子设备800的框图。如图8所示，该电子设备800可以包括：处理器801，存储器802。该电子设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该电子设备800的整体操作，以完成上述的脑组织分区的确定方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该电子设备800的操作，这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的脑组织分区的确定方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的脑组织分区的确定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由电子设备800的处理器801执行以完成上述的脑组织分区的确定方法。
图9是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图9，电子设备900包括处理器922，其数量可以为一个或多个，以及存储器932，用于存储可由处理器922执行的计算机程序。存储器932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器922可以被配置为执行该计算机程序，以执行上述的脑组织分区的确定方法。
另外，电子设备900还可以包括电源组件926和通信组件950，该电源组件926可以被配置为执行电子设备900的电源管理，该通信组件950可以被配置为实现电子设备900的通信，例如，有线或无线通信。此外，该电子设备900还可以包括输入/输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的脑组织分区的确定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器932，上述程序指令可由电子设备900的处理器922执行以完成上述的脑组织分区的确定方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的脑组织分区的确定方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (12)
1.一种脑组织分区的确定方法，其特征在于，所述方法包括：
获取头颅位置的目标三维容积图像；
将所述目标三维容积图像转换为M个目标二维横轴面图像，其中，M为大于1的正整数；
获取所述头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像，其中，N为大于1的正整数；
分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，以获得每个所述目标二维横轴面图像的匹配关系；
根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区；
其中，所述方法还包括：
获取每个所述模板二维横轴面图像各自所对应的第一掩模面积比例系数；
确定目标三维掩模数据，所述目标三维掩模数据用于表征所述目标三维容积图像中的脑组织区域；
根据所述目标三维掩模数据，确定每个所述目标二维横轴面图像各自所对应的第二掩模面积比例系数；
所述分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，包括：
针对每个所述目标二维横轴面图像，根据该目标二维横轴面图像所对应的第二掩膜面积比例系数和部分或全部所述模板二维横轴面图像各自所对应的第一掩模面积比例系数，确定与该目标二维横轴面图像相匹配的模板二维横轴面图像。
2.根据权利要求1所述的方法，其特征在于，所述目标二维横轴面图像所对应的第二掩模面积比例系数通过以下公式进行计算：
其中，k∈[1，M]；ak为第k个所述目标二维横轴面图像所对应的第二掩模面积比例系数；sk为所述目标三维掩模数据在第k个所述目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积。
3.根据权利要求1所述的方法，其特征在于，所述根据该目标二维横轴面图像所对应的第二掩膜面积比例系数和部分或全部所述模板二维横轴面图像各自所对应的第一掩模面积比例系数，确定与该目标二维横轴面图像相匹配的模板二维横轴面图像，包括：
在该目标二维横轴面图像位于最小的第二掩模面积比例系数所对应的目标二维横轴面图像之上的情况下，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之上的所有模板二维横轴面图像中，与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像；
在该目标二维横轴面图像位于最小的第二掩模面积比例系数所对应的目标二维横轴面图像之下的情况下，将位于最小的第一掩膜面积比例系数所对应的模板二维横轴面图像之下的所有模板二维横轴面图像中，与该目标二维横轴面图像所对应的第二掩膜面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。
4.根据权利要求1所述的方法，其特征在于，在所述根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区的步骤之前，所述方法还包括：
根据所述匹配关系，确定整体匹配度参数；
按照位置由上到下的顺序遍历M个所述目标二维横轴面图像，并将当前遍历到的目标二维横轴面图像确定为第一目标二维横轴面图像，以及将与所述第一目标二维横轴面图像相匹配的模板二维横轴面图像确定为第一模板二维横轴面图像；
基于所述第一模板二维横轴面图像，确定待匹配图像范围，其中，所述待匹配图像范围包括部分模板二维横轴面图像；
计算所述第一目标二维横轴面图像与所述待匹配图像范围内的每一模板二维横轴面图像之间的互信息值，并将最大互信息值对应的模板二维横轴面图像确定为第二模板二维横轴面图像；
若所述第二模板二维横轴面图像不同于所述第一模板二维横轴面图像，则将所述第一目标二维横轴面图像的匹配关系更新为与所述第二模板二维横轴面图像匹配；若所述第二模板二维横轴面图像与所述第一模板二维横轴面图像相同，则保持所述第一目标二维横轴面图像的匹配关系不变；
从位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像，并根据匹配结果更新位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像的匹配关系；
根据更新后的匹配关系，重新确定所述整体匹配度参数；
若重新确定出的所述整体匹配度参数大于之前确定出的所述整体匹配度参数，则继续遍历；
若重新确定出的所述整体匹配度参数不大于之前确定出的所述整体匹配度参数，则将被更新的匹配关系恢复为更新之前的匹配关系，之后，继续遍历。
5.根据权利要求4所述的方法，其特征在于，所述整体匹配度参数的计算公式如下：
其中，P为所述整体匹配度参数；M为所述目标二维横轴面图像的总个数；k∈[1,M]，Qk∈[1,N]；NMI(k,Qk)为第k个目标二维横轴面图像和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的互信息值；RDk为递增性参数，用于表示与第k+1个目标二维横轴面图像相匹配的模板二维横轴面图像Qk+1、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk之间的顺序关系是否为递增；D(k,Qk)为比例系数差异参数，用于表示第k个目标二维横轴面图像对应的第二掩模面积比例系数ak、和与第k个目标二维横轴面图像相匹配的模板二维横轴面图像Qk对应的第一掩膜面积比例系数的绝对差异；sk为目标三维掩模数据在第k个目标二维横轴面图像中所对应的掩模面积；smax为所述目标三维掩模数据在M个所述目标二维横轴面图像中分别所对应的掩模面积中的最大面积；/>为模板三维掩膜数据在模板二维横轴面图像Qk中所对应的掩模面积；/>为所述模板三维掩模数据在N个所述模板二维横轴面图像中分别所对应的掩模面积中的最大面积。
6.根据权利要求4所述的方法，其特征在于，所述从位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中，重新确定位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像各自匹配的模板二维横轴面图像，包括：
针对位于所述第一目标二维横轴面图像之下的每一目标二维横轴面图像，将位置不高于所述第二模板二维横轴面图像的模板二维横轴面图像中、与该目标二维横轴面图像所对应的第二掩模面积比例系数最接近的第一掩模面积比例系数所对应的模板二维横轴面图像确定为与该目标二维横轴面图像相匹配的模板二维横轴面图像。
7.根据权利要求4所述的方法，其特征在于，所述基于所述第一模板二维横轴面图像，确定待匹配图像范围包括：
将位置高于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、和位置低于所述第一模板二维横轴面图像且与所述第一模板二维横轴面图像相邻的连续S个模板二维横轴面图像、以及所述第一模板二维横轴面图像确定为所述待匹配图像范围；
其中，在位置高于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置高于所述第一模板二维横轴面图像的所有模板二维横轴面图像；
在位置低于所述第一模板二维横轴面图像的模板二维横轴面图像个数不足S个的情况下，所述待匹配图像范围中包括位置低于所述第一模板二维横轴面图像的所有模板二维横轴面图像。
8.根据权利要求1所述的方法，其特征在于，所述根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区，包括：
根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区和所述目标二维横轴面图像，通过脑组织分区模型获取与所述目标二维横轴面图像对应的目标形变场；
通过所述目标形变场对与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区进行形变，以得到所述目标二维横轴面图像中的脑组织分区。
9.根据权利要求8所述的方法，其特征在于，用于训练所述脑组织分区模型的损失函数为：
其中，LOSS为所述损失函数的损失值；为所述目标形变场；M为二维横轴面图像样本；M'为所述模板二维横轴面图像经所述目标形变场/>转换后的模型输出图像；D(M')和D(M)分别为M'与M的方差；N为所述目标三维容积图像样本的大小；i,j表示所述目标形变场/>的2个维度；n表示所述脑组织分区模型输出的形变后的图像的第n个数值；/>为所述目标形变场的平均值。
10.一种脑组织分区的确定装置，其特征在于，所述装置包括：
第一获取模块，用于获取头颅位置的目标三维容积图像；
转换模块，用于将所述目标三维容积图像转换为M个目标二维横轴面图像，其中，M为大于1的正整数；
第二获取模块，用于获取所述头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像，其中，N为大于1的正整数；
第一确定模块，用于分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，以获得每个所述目标二维横轴面图像的匹配关系；
第二确定模块，用于根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区；
第三获取模块，用于获取每个所述模板二维横轴面图像各自所对应的第一掩模面积比例系数；
第三确定模块，用于确定目标三维掩模数据，所述目标三维掩模数据用于表征所述目标三维容积图像中的脑组织区域；
第四确定模块，用于根据所述目标三维掩模数据，确定每个所述目标二维横轴面图像各自所对应的第二掩模面积比例系数；
所述第一确定模块还用于：针对每个所述目标二维横轴面图像，根据该目标二维横轴面图像所对应的第二掩膜面积比例系数、部分或全部所述模板二维横轴面图像各自所对应的第一掩模面积比例系数，确定与该目标二维横轴面图像相匹配的模板二维横轴面图像。
11.一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，该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010740464.1A CN111986242B (zh) | 2020-07-28 | 2020-07-28 | 脑组织分区的确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010740464.1A CN111986242B (zh) | 2020-07-28 | 2020-07-28 | 脑组织分区的确定方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111986242A CN111986242A (zh) | 2020-11-24 |
| CN111986242B true CN111986242B (zh) | 2023-07-18 |
Family
ID=73444900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010740464.1A Active CN111986242B (zh) | 2020-07-28 | 2020-07-28 | 脑组织分区的确定方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986242B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529918B (zh) * | 2020-12-23 | 2024-02-27 | 沈阳东软智能医疗科技研究院有限公司 | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
| CN112998693B (zh) * | 2021-02-01 | 2023-06-20 | 上海联影医疗科技股份有限公司 | 头部运动的测量方法、装置和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
| WO2015099426A1 (ko) * | 2013-12-23 | 2015-07-02 | 재단법인 아산사회복지재단 | 뇌경색 영역의 분할 방법 |
| CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
| WO2019044095A1 (ja) * | 2017-08-29 | 2019-03-07 | 富士フイルム株式会社 | 医用情報表示装置、方法及びプログラム |
| CN109829922A (zh) * | 2018-12-20 | 2019-05-31 | 上海联影智能医疗科技有限公司 | 一种脑图像重定向方法、装置、设备及存储介质 |
| CN111260642A (zh) * | 2020-02-12 | 2020-06-09 | 上海联影医疗科技有限公司 | 一种图像定位方法、装置、设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7903849B2 (en) * | 2005-04-15 | 2011-03-08 | Kabushiki Kaisha Toshiba | Medical image processing apparatus |
| US10614567B2 (en) * | 2016-07-25 | 2020-04-07 | Case Western Reserve University | Quantifying mass effect deformation with structural radiomics in brain tumor patients |
| EP3677178A4 (en) * | 2017-08-29 | 2020-11-04 | FUJIFILM Corporation | DEVICE, METHOD AND PROGRAM FOR DISPLAYING MEDICAL IMAGES |
-
2020
- 2020-07-28 CN CN202010740464.1A patent/CN111986242B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
| WO2015099426A1 (ko) * | 2013-12-23 | 2015-07-02 | 재단법인 아산사회복지재단 | 뇌경색 영역의 분할 방법 |
| CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
| WO2019044095A1 (ja) * | 2017-08-29 | 2019-03-07 | 富士フイルム株式会社 | 医用情報表示装置、方法及びプログラム |
| CN109829922A (zh) * | 2018-12-20 | 2019-05-31 | 上海联影智能医疗科技有限公司 | 一种脑图像重定向方法、装置、设备及存储介质 |
| CN111260642A (zh) * | 2020-02-12 | 2020-06-09 | 上海联影医疗科技有限公司 | 一种图像定位方法、装置、设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Classification of brain disease from magnetic resonance images based on multi-level brain partitions;Tao Li等;《2016 38TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》;5933-5936 * |
| ET-MRI脑部定量准确性对比研究：MRI与PET脑分区对SUVR计算的影响;李再升等;《核技术》;第43卷(第5期);16-25 * |
| Performance Study on Brain Tumor Segmentation Techniques;Nisha Joseph等;《2018 4th International Conference on Computing Communication and Automation》;正文1-6 * |
| 帕金森病深部脑刺激手术中的图像配准问题研究;倪杨阳;《CNKI优秀硕士毕业论文全文库（医药卫生科技辑）》(第5期);E070-20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111986242A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020224406A1 (zh) | 图像分类方法、计算机可读存储介质和计算机设备 | |
| WO2020215676A1 (zh) | 基于残差网络的图像识别方法、装置、设备及存储介质 | |
| CN111429460B (zh) | 图像分割方法、图像分割模型训练方法、装置和存储介质 | |
| CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
| CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
| US11972571B2 (en) | Method for image segmentation, method for training image segmentation model | |
| CN111986242B (zh) | 脑组织分区的确定方法、装置、存储介质及电子设备 | |
| CN113570627B (zh) | 深度学习分割网络的训练方法及医学图像分割方法 | |
| CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN111226258A (zh) | 信号转换系统和信号转换方法 | |
| WO2021027152A1 (zh) | 基于条件生成对抗网络合成图像的方法及相关设备 | |
| CN111091010A (zh) | 相似度确定、网络训练、查找方法及装置和存储介质 | |
| CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
| EP3973508A1 (en) | Sampling latent variables to generate multiple segmentations of an image | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN111402278A (zh) | 分割模型训练方法、图像标注方法及相关装置 | |
| CN108830863A (zh) | 医学成像的左心室分割方法、系统和计算机可读存储介质 | |
| CN115294086A (zh) | 医学影像分割方法、分割模型训练方法、介质及电子设备 | |
| CN113705276A (zh) | 模型构建方法、模型构建装置、计算机设备及介质 | |
| CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
| US11521323B2 (en) | Systems and methods for generating bullseye plots | |
| CN113837179A (zh) | 一种处理图像的多判别gan网络构建方法、装置、系统和存储介质 | |
| CN111582449B (zh) | 一种目标域检测网络的训练方法、装置、设备及存储介质 | |
| CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
| CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 |
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 |