CN112184631A - 一种图像处理方法、设备及计算机可读存储介质 - Google Patents
一种图像处理方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112184631A CN112184631A CN202010935124.4A CN202010935124A CN112184631A CN 112184631 A CN112184631 A CN 112184631A CN 202010935124 A CN202010935124 A CN 202010935124A CN 112184631 A CN112184631 A CN 112184631A
- Authority
- CN
- China
- Prior art keywords
- pericardium
- image
- fat
- myocardial
- adipose
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
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)
- Image Processing (AREA)
Abstract
本发明公开了一种图像处理方法,所述方法包括:获得指定图像,所述指定图像包含心肌缓冲区域;对所述指定图像进行分割筛选,获得心包膜脂肪候选区域图像,所述心包膜脂肪候选区域图像包含与所述心肌缓冲区域对应的心包膜脂肪体块;根据预设指标对心包膜脂肪体块进行选择,整合满足所述预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像。本发明实施例提供的一种图像处理方法,具有准确获取心包膜脂肪图像的特点。
Description
技术领域
本发明涉及医学影像领域,尤其涉及一种图像处理方法、设备及计算机可读存储介质。
背景技术
在冠状动脉中,会存在有冠状动脉斑块,冠状动脉斑块是由胆固醇等脂类物质及其他沉积物积聚组成的,冠状动脉斑块在冠状动脉中积聚过多,不仅会使动脉管腔变窄,还会使血液难以流通,冠状动脉斑块一旦破裂,就会导致急性血栓形成、堵塞血管,形成急性血管闭塞,进而导致冠脉血管疾病的发生。另外,普遍的研究表明,心外膜脂肪组织与冠状动脉斑块密切相关性,其中,心包膜脂肪与冠状动脉斑块密切相关,控制心外膜脂肪组织的增加有助于降低斑块的易损性。但是,在临床诊断中,心包膜脂肪的CT值与背景对比不明显,因此在CT检查中要想获取心包膜脂肪图像相对较难,导致在临床诊断中往往难以准确获取心包膜脂肪图像。
发明内容
本发明实施例提供了一种图像处理方法、设备及计算机可读存储介质,具有准确获取心包膜脂肪图像的特点。
本发明实施例一方面提供一种图像处理方法,所述方法包括:获得指定图像,所述指定图像包含心肌缓冲区域;对所述指定图像进行分割筛选,获得心包膜脂肪候选区域图像,所述心包膜脂肪候选区域图像包含与所述心肌缓冲区域对应的心包膜脂肪体块;根据预设指标对心包膜脂肪体块进行选择,整合满足所述预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像。其中,心肌缓冲区域为用于表征心肌中脂肪存在的区域。
在一可实施方式中,在所述获得指定图像之前,所述方法还包括:获得原始图像;对所述原始图像进行第一分割处理,获得心肌图像;对所述心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像;对所述心肌腐蚀图像与所述心肌图像进行整合处理,以获得指定图像。
在一可实施方式中,在获得原始图像之后,所述方法还包括:对所述原始图像进行第二分割处理,获得心包膜图像,所述心包膜图像包含心包膜分体块;对所述心包膜分体块进行边缘化处理,获得心包膜体块;基于所述心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像。
在一可实施方式中,基于所述心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像,包括:通过分割网络模型对所述指定图像进行第三分割处理,获得与所述心肌缓冲区域对应的脂肪体块;根据心包膜体块对所述脂肪体块进行筛选,确定与心包膜体块形成连通域的脂肪体块;将所述与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块;将所述心包膜脂肪体块确定为心包膜脂肪候选区域图像。
在一可实施方式中,所述预设指标为像素阈值,相应的,根据预设指标对心包膜脂肪体块进行选择,整合满足所述预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像,包括:判断所述心包膜脂肪体块是否满足所述像素阈值;当判断为所述心包膜脂肪体块满足所述像素阈值的情况下,将所述心包膜脂肪体块确定为目标心包膜脂肪体块;将所述目标心包膜脂肪体块确定为心包膜脂肪区域图像。
本发明实施例另一方面提供一种图像处理设备,所述设备包括:获得模块,用于获得指定图像,所述指定图像包含心肌缓冲区域;分割筛选模块,用于对所述指定图像进行分割筛选,获得心包膜脂肪候选区域图像,所述心包膜脂肪候选区域图像包含与所述心肌缓冲区域对应的心包膜脂肪体块;选择模块,用于根据预设指标对心包膜脂肪体块进行选择,整合满足所述预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像。其中,心肌缓冲区域为用于表征心肌中脂肪存在的区域。
在一可实施方式中,所述设备还包括:所述获得模块,还用于获得原始图像;第一分割模块,用于对所述原始图像进行第一分割处理,获得心肌图像;形态学腐蚀模块,用于对所述心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像;整合模块,用于对所述心肌腐蚀图像与所述心肌图像进行整合处理,以获得指定图像。
在一可实施方式中,所述设备还包括:第二分割模块,用于对所述原始图像进行第二分割处理,获得心包膜图像,所述心包膜图像包含心包膜分体块;边缘化处理模块,用于对所述心包膜分体块进行边缘化处理,获得心包膜体块;分割筛选模块,还用于基于所述心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像。
在一可实施方式中,所述分割筛选模块,包括:第三分割子模块,用于通过分割网络模型对所述指定图像进行第三分割处理,获得与所述心肌缓冲区域对应的脂肪体块;筛选子模块,用于根据心包膜体块对所述脂肪体块进行筛选,确定与心包膜体块形成连通域的脂肪体块;第一确定子模块,用于将所述与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块;第二确定子模块,将所述心包膜脂肪体块确定为心包膜脂肪候选区域图像。
在一可实施方式中,所述预设指标为像素阈值,相应的,所述选择模块,包括:判断子模块,用于判断所述心包膜脂肪体块是否满足所述像素阈值;第三确定子模块,用于当判断为所述心包膜脂肪体块满足所述像素阈值的情况下,将所述心包膜脂肪体块确定为目标心包膜脂肪体块;第四确定子模块,用于将所述目标心包膜脂肪体块确定为心包膜脂肪区域图像。
本发明实施例另一方面提供一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行上述任一项所述的图像处理方法。
本发明实施例提供了一种图像处理方法、设备及计算机可读存储介质,本发明用于准确获取心包膜脂肪图像,先锁定了所需要获取的含有心包膜脂肪的范围,对含有该范围的图像进行处理,较为准确地确定了心包膜脂肪,从而获得心包膜脂肪候选区域图像,对心包膜脂肪候选区域图像中的心包膜脂肪进行进一步的选择,进一步的准确地确定了心包膜脂肪,能够获得准确的心包膜脂肪区域图像。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种图像处理方法的实现流程示意图;
图2为本发明实施例一种图像处理方法获得指定图像的流程示意图;
图3为本发明实施例一种图像处理方法的获得心包膜体块以获得心包膜脂肪候选区域图像的流程示意图;
图4为本发明实施例一种图像处理方法基于心包膜体块获得心包膜脂肪候选区域图像的流程示意图;
图5为本发明实施例一种图像处理方法获得心包膜脂肪区域图像的流程示意图;
图6为本发明实施例一种图像处理设备的模块示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种图像处理方法的实现流程示意图。
参考图1,本发明实施例一方面提供一种图像处理方法,方法包括:步骤101,获得指定图像,指定图像包含心肌缓冲区域;步骤102,对指定图像进行分割筛选,获得心包膜脂肪候选区域图像,心包膜脂肪候选区域图像包含与心肌缓冲区域对应的心包膜脂肪体块;步骤103,根据预设指标对心包膜脂肪体块进行选择,整合满足预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像。
本发明实施例提供的图像处理方法用于准确获取心包膜脂肪图像。在本方法中,通过获得指定图像,能够锁定所需要获取的含有心包膜脂肪的范围;通过对指定图像进行分割筛选,较为准确地确定了指定图像中的心包膜脂肪体块,从而获得心包膜脂肪候选区域图像;对心包膜脂肪候选区域图像中的心包膜脂肪体块进行进一步的选择,进一步的准确地确定了满足预设指标的心包膜脂肪体块,能够获得准确的心包膜脂肪区域图像。本方法能够解决电子计算机断层扫描成像结果不能准确反应心包膜脂肪分布信息的问题,从而获得准确的心包膜脂肪区域图像。
在本方法步骤101中,指定图像由心肌图像进行处理后获得,指定图像用于提供心肌图像中含有脂肪的区域图像,其中,脂肪指代心肌中的脂肪,脂肪包括心包膜脂肪,心包膜脂肪为与心包膜黏连的脂肪。其中,对心肌图像的处理可以通过分割神经网络进行处理,相应的,指定图像可以为指定二值图像、指定灰度图像或其他能够进行脂肪体块分割的图像,其中,脂肪体块由指定图像分割筛选而来,脂肪体块为存在于心肌中的包含脂肪的体块,脂肪体块对应心肌缓冲区域中含有脂肪的区域。心肌缓冲区域为用于表征心肌中脂肪存在的区域,可以理解的是,由于脂肪包括心包膜脂肪,因此心肌缓冲区域中包括含有心包膜脂肪的区域。其中,心包膜脂肪指代与心包膜黏连的心肌中的脂肪。通过步骤101,能够在心肌图像中确定含有脂肪的区域,以锁定含有心包膜脂肪的范围,以便获取心包膜脂肪候选区域图像。
在本方法步骤102中,心包膜脂肪体块由指定图像分割筛选而来,心包膜脂肪体块为存在于心肌中的与心包膜黏连的脂肪体块,心包膜脂肪体块对应心肌缓冲区域中含有心包膜脂肪的区域。本实施例中,步骤102的具体过程为:对指定图像进行分割,获得脂肪体块,其中,脂肪体块可以为多个,脂肪体块包含心包膜脂肪体块及其他位于心肌中的脂肪体块,依据脂肪体块是否与心包膜黏连对每一个脂肪体块进行筛选,从而将与心包膜黏连的脂肪体块确定为心包膜脂肪体块,整合所有筛选获得的心包膜脂肪体块,即可获得心包膜脂肪候选区域图像。通过步骤102,能够在心肌缓冲区域中确定心包膜脂肪体块,从而得到心包膜脂肪候选区域图像。
在本方法步骤103中,预设指标用于提供与心包膜脂肪体块对应的指标,以排除造影剂回流、脂肪体块分割错误等因素产生噪声的干扰,在一种实施情况下,预设指标可以设置为尺寸阈值,当预设指标为尺寸阈值时,根据心包膜体块尺寸数值,判断心包膜脂肪体块是否满足预设指标,当心包膜脂肪体块尺寸数值不满足预设指标的情况下,将不满足预设指标的心包膜脂肪体块确定为噪声,当心包膜脂肪体块尺寸数值满足预设指标的情况下,将满足预设指标的心包膜脂肪体块确定为满足预设指标的心包膜脂肪体块。心包膜脂肪区域图像包含心包膜脂肪分布信息,心包膜脂肪分布信息包括心包膜脂肪位置分布信息和轮廓分布信息。步骤103的具体过程为:判断心包膜脂肪体块是否满足预设指标,当判断为心包膜脂肪体块不满足预设指标的情况下,将心包膜脂肪体块确定为噪声,当判断为心包膜脂肪体块满足预设指标的情况下,将心包膜脂肪体块确定为满足预设指标的心包膜脂肪体块,整合所有满足预设指标的心包膜脂肪体块,即可获得心包膜脂肪区域图像。通过步骤103,能够排除噪声的干扰,实现对脂肪体块的进一步选择,从而获得准确的心包膜脂肪区域图像。
为方便上述实施方法的进一步理解,以下提供一种具体实施场景,在该场景中,指定图像为指定二值图像。先获得指定二值图像,根据指定二值图像可以确定二值图像中脂肪的分布位置的范围,该脂肪的分布位置包含心包膜脂肪的分布位置和其他脂肪的分布位置;然后,在获得指定二值图像之后,通过分割神经网络对指定二值图像进行分割,获得用于表征心包膜脂肪和其他脂肪的脂肪体块,依据是否与心包膜黏连,对脂肪体块进行筛选,以筛除其他脂肪体块,初步获得心包膜脂肪体块,从而,初步确定心包膜脂肪的分布信息;再后,根据预设指标对初步获得的心包膜脂肪体块进一步的选择,选择获得满足预设指标的心包膜脂肪体块,从而获得准确的心包膜脂肪分布信息。
图2为本发明实施例一种图像处理方法获得指定图像的流程示意图。
参考图2,在本发明实施例中,在步骤101,获得指定图像之前,方法还包括:步骤201,获得原始图像;步骤202,对原始图像进行第一分割处理,获得心肌图像;步骤203,对心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像;步骤204,对心肌腐蚀图像与心肌图像进行整合处理,以获得指定图像。
本方法包括,获得原始图像。原始图像为用于表征心脏信息的图像,原始图像可以为与心脏对应的CT图像,其中,心脏信息至少包含心包膜信息和心肌信息。当原始图像为与心脏对应的CT图像的情况下,可通过电子计算机断层扫描获得原始图像。
本方法还包括,对原始图像进行第一分割处理,获得心肌图像。其中,第一分割处理用于对原始图像进行分割处理以获得心肌图像。心肌图像为由原始图像分割处理后获得的心肌图像,进一步的,心肌图像可以为与心肌对应的二值图像。通过心肌分割网络模型对原始图像进行第一分割处理获得心肌图像,心肌分割网络模型根据与心肌信息相关的数据训练样本训练获得,通过心肌分割网络模型对原始图像进行心肌信息第一分割处理,从而实现在原始图像中对心肌信息的识别提取,获得心肌图像。
本方法还包括,对心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像。具体的,在心肌图像上,沿对应在原始图像中与心包膜黏连的心肌边界,进行形态学腐蚀处理,获得心肌腐蚀图像。可以理解的是,心肌图像消除被腐蚀区域后,获得心肌腐蚀图像,其中,心肌图像中的被腐蚀区域为心肌缓冲区域。
本方法还包括,对心肌腐蚀图像与心肌图像进行整合处理,以获得指定图像。对心肌腐蚀图像与心肌图像进行整合处理,具体的,将心肌图像和心肌腐蚀图像进行对比,可以确定心肌缓冲区域,可以理解的是,相较于心肌图像,心肌腐蚀图像中缺少的区域为被腐蚀区域,即为心肌缓冲区域,在确定心肌缓冲区域后,可以获得心肌缓冲区域。根据心肌缓冲区域确定指定图像。
图3为本发明实施例一种图像处理方法获得心包膜体块以获得心包膜脂肪候选区域图像的流程示意图。
参考图3,在本发明实施例中,在步骤101,获得原始图像之后,方法还包括:步骤301,对原始图像进行第二分割处理,获得心包膜图像,心包膜图像包含心包膜分体块;步骤302,对心包膜分体块进行边缘化处理,获得心包膜体块;步骤303,基于心包膜体块对指定图像进行分割筛选,以获得心包膜脂肪候选区域图像。
本方法包括,对原始图像进行第二分割处理,获得心包膜图像,心包膜图像包含心包膜分体块。心包膜图像为由原始图像第二分割处理后获得的图像,心包膜图像可以为与心包膜对应的二值图像。通过心包膜分割网络模型对原始图像进行第二分割处理,心包膜分割网络模型通过关于心包膜信息的数据训练样本训练获得,通过心包膜分割网络模型对原始图像进行第二分割处理,可以识别提取心包膜分体块,从而确定心包膜图像。其中,心包膜分体块可为一个或多个,心包膜分体块指代通过心包膜分割网络模型对原始图像进行第二分割处理获得的含有心包膜信息的体块,心包膜分体块用于获得心包膜体块,心包膜分体块和心包膜体块均存在于心包膜中。
本方法还包括,对心包膜分体块进行边缘化处理,获得心包膜体块。其中,心包膜体块由心包膜分体块合成,且心包膜体块为一个。当心包膜分体块为多个时,心包膜分体块与其相邻的心包膜分体块之间存在接触或者不接触的情况,通过边缘化处理,使得每一个心包膜分体块与其相邻的心包膜分体块互相接触,从而合成一个心包膜体块。
本方法还包括,基于心包膜体块对指定图像进行分割筛选,以获得心包膜脂肪候选区域图像。心包膜脂肪为黏连在心包膜上的心肌中的脂肪,因此心包膜体块与存在于心肌中的心包膜脂肪体块有相关性,基于心包膜体块对指定图像进行分割筛选,能够获得心包膜脂肪体块,以获得心包膜脂肪候选区域图像。
图4为本发明实施例一种图像处理方法基于心包膜体块以获得心包膜脂肪候选区域图像的流程示意图。
参考图4,在本发明实施例中,步骤303,基于心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像,包括:步骤401,通过分割网络模型对指定图像进行第三分割处理,获得与心肌缓冲区域对应的脂肪体块;步骤402,根据心包膜体块对脂肪体块进行筛选,确定与心包膜体块形成连通域的脂肪体块;步骤403,将与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块;步骤404,将心包膜脂肪体块确定为心包膜脂肪候选区域图像。
本方法包括,通过分割网络模型对指定图像进行第三分割处理,获得与心肌缓冲区域对应的脂肪体块。通过分割网络模型对指定图像进行第三分割处理,分割网络模型通过关于心肌中的脂肪信息的数据训练样本训练获得,通过分割网络模型对指定图像进行第三分割处理,可以识别提取脂肪体块。其中,脂肪体块指代通过分割网络模型对指定图像进行第三分割处理获得的含有心肌中的脂肪信息的体块。
本方法还包括,根据心包膜体块对脂肪体块进行筛选,确定与心包膜体块形成连通域的脂肪体块。可以理解的是,心包膜体块为一个,脂肪体块可以为多个,将包含心包膜体块的图像和包含脂肪体块的图像整合成与原始图像对应的体块图像,在体块图像中,对每一个脂肪体块进行判断,以确定每一个脂肪体块是否与心包膜体块连通以形成连通域,筛选出能与心包膜体块形成连通域的脂肪体块。
本方法还包括,将与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块。可以理解的是,心包膜体块存在于心包膜中,心包膜脂肪体块存在于心肌中,且心包膜脂肪体块为黏连在心包膜上的脂肪体块,因此,可将与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块。可以理解的是,心包膜脂肪体块可为一个或多个,将一个或多个心包膜脂肪体块确定为心包膜脂肪候选区域图像。
图5为本发明实施例一种图像处理方法获得心包膜脂肪区域图像的流程示意图。
参考图5,在本发明实施例中,预设指标为像素阈值,相应的,步骤103,根据预设指标对心包膜脂肪体块进行选择,整合满足预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像,包括:步骤501,判断心包膜脂肪体块是否满足所述像素阈值;步骤502,当判断为心包膜脂肪体块满足像素阈值的情况下,心包膜脂肪体块确定为目标心包膜脂肪体块;步骤503,将目标心包膜脂肪体块确定为心包膜脂肪区域图像。
其中,像素阈值为用于表征心包膜脂肪体块像素值符合标准的阈值。根据心包膜脂肪候选区域图像,确定每一个心包膜脂肪体块像素值,将心包膜脂肪体块像素值与预先设置的像素阈值进行比较,将不满足像素阈值的心包膜脂肪体块确定为噪声,该噪声可能包含由造影剂回流和分割错误引起的噪声,将满足像素阈值的心包膜脂肪体块确定为目标心包膜脂肪体块,将包含目标心包膜脂肪体块的区域图像确定为心包膜脂肪区域图像。通过本方法,能够进一步对心包膜脂肪体块进行选择,可以排除造影剂回流、分割错误等因素产生的噪声,准确地确定心包膜脂肪区域图像。
在获得心包膜脂肪区域图像后,可将与心包膜脂肪区域图像对应的原始图像和心包膜脂肪区域图像进行对比,根据心包膜脂肪位置分布信息,对心脏血管进行分段,对每段心脏血管附近的心包膜脂肪进行体积等项目的测量,获得心包膜脂肪测量信息,根据心包膜脂肪测量信息,可以获得每段心脏血管中的相关斑块信息。其中,原始图像为用于表征心脏信息的图像,心脏信息还包含心脏血管信息。
为方便上述实施方法的进一步理解,以下提供一种具体实施场景,在该场景中,原始图像为与心脏对应的CT图像,预设指标为像素阈值。用电子计算机断层扫描机对心脏进行扫描,获得与心脏对应的CT图像。通过心包膜分割网络模型对与心脏对应的CT图像进行第二分割处理,获得包含多个心包膜分体块的心包膜图像,对心包膜图像中的心包膜分体块进行边缘化处理,获得一个心包膜体块。通过心肌分割网络模型对与心脏对应的CT图像进行第一分割处理,获得心肌图像。对心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像,将心肌图像与心肌腐蚀图像进行对比,获得被腐蚀区域,即心肌缓冲区域,根据心肌缓冲区域确定指定图像。在获得指定图像后,通过分割网络模型对指定图像进行分割,获得多个脂肪体块,将包含脂肪体块的图像和包含心包膜体块的图像整合成与原始图像对应的体块图像,在体块图像中,筛选出能与心包膜体块形成连通域的脂肪体块,将与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块,根据心包膜脂肪体块确定心包膜脂肪候选区域图像,根据像素阈值,对心包膜脂肪体块进行选择,将满足像素阈值的心包膜脂肪体块确定为目标心包膜脂肪体块,根据目标心包膜脂肪体块确定心包膜脂肪区域图像。在获得心包膜脂肪区域图像之后,将心包膜脂肪区域图像和与心脏对应的CT图像进行对比,根据心包膜脂肪区域图像的脂肪分布位置,对CT图像中的心脏血管进行分段,对每段心脏血管附近的心包膜脂肪进行体积等项目测量,获得心包膜脂肪测量信息,根据心包膜脂肪测量信息,获得每段心脏血管中的相关斑块信息。
图6为本发明实施例一种图像处理设备的模块示意图。
参考图6,本发明实施例另一方面提供一种图像处理设备,设备包括:获得模块601,用于获得指定图像,指定图像包含心肌缓冲区域;分割筛选模块602,用于对指定图像进行分割筛选,获得心包膜脂肪候选区域图像,心包膜脂肪候选区域图像包含与心肌缓冲区域对应的心包膜脂肪体块;选择模块603,用于根据预设指标对心包膜脂肪体块进行选择,整合满足预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像。
其中,心肌缓冲区域为用于表征心肌中脂肪存在的区域。
本发明实施例中,设备还包括:获得模块601,还用于获得原始图像;第一分割模块604,用于对原始图像进行第一分割处理,获得心肌图像;形态学腐蚀模块605,用于对心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像;整合模块606,用于对心肌腐蚀图像与心肌图像进行整合处理,以获得指定图像。
本发明实施例中,设备还包括:第二分割模块607,用于对原始图像进行第二分割处理,获得心包膜图像,心包膜图像包含心包膜分体块;边缘化处理模块608,用于对心包膜分体块进行边缘化处理,获得心包膜体块;分割筛选模块602,还用于基于心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像。
本发明实施例中,分割筛选模块602,包括:第三分割子模块6021,用于通过分割网络模型对指定图像进行第三分割处理,获得与心肌缓冲区域对应的脂肪体块;筛选子模块6022,用于根据心包膜体块对脂肪体块进行筛选,确定与心包膜体块形成连通域的脂肪体块;第一确定子模块6023,用于将与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块;第二确定子模块6024,将心包膜脂肪体块确定为心包膜脂肪候选区域图像。
本发明实施例中,预设指标为像素阈值,相应的,选择模块603,包括:判断子模块6031,用于判断心包膜脂肪体块是否满足像素阈值;第三确定子模块6032,用于当判断为心包膜脂肪体块满足像素阈值的情况下,将心包膜脂肪体块确定为目标心包膜脂肪体块;第四确定子模块6033,用于将目标心包膜脂肪体块确定为心包膜脂肪区域图像。
本发明实施例另一方面提供一种计算机可读存储介质,存储介质包括一组计算机可执行指令,当指令被执行时用于执行上述任一项的图像处理方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获得指定图像,所述指定图像包含心肌缓冲区域;
对所述指定图像进行分割筛选,获得心包膜脂肪候选区域图像,所述心包膜脂肪候选区域图像包含与所述心肌缓冲区域对应的心包膜脂肪体块;
根据预设指标对心包膜脂肪体块进行选择,整合满足所述预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像。
2.根据权利要求1所述的方法,其特征在于,在所述获得指定图像之前,所述方法还包括:
获得原始图像;
对所述原始图像进行第一分割处理,获得心肌图像;
对所述心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像;
对所述心肌腐蚀图像与所述心肌图像进行整合处理,以获得指定图像。
3.根据权利要求2所述的方法,其特征在于,在获得原始图像之后,所述方法还包括:
对所述原始图像进行第二分割处理,获得心包膜图像,所述心包膜图像包含心包膜分体块;
对所述心包膜分体块进行边缘化处理,获得心包膜体块;
基于所述心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像。
4.根据权利要求3所述的方法,其特征在于,基于所述心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像,包括:
通过分割网络模型对所述指定图像进行第三分割处理,获得与所述心肌缓冲区域对应的脂肪体块;
根据心包膜体块对所述脂肪体块进行筛选,确定与心包膜体块形成连通域的脂肪体块;
将所述与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块;
将所述心包膜脂肪体块确定为心包膜脂肪候选区域图像。
5.根据权利要求1所述的方法,其特征在于,所述预设指标为像素阈值,
相应的,根据预设指标对心包膜脂肪体块进行选择,整合满足所述预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像,包括:
判断所述心包膜脂肪体块是否满足所述像素阈值;
当判断为所述心包膜脂肪体块满足所述像素阈值的情况下,将所述心包膜脂肪体块确定为目标心包膜脂肪体块;
将所述目标心包膜脂肪体块确定为心包膜脂肪区域图像。
6.一种图像处理设备,其特征在于,所述设备包括:
获得模块,用于获得指定图像,所述指定图像包含心肌缓冲区域;
分割筛选模块,用于对所述指定图像进行分割筛选,获得心包膜脂肪候选区域图像,所述心包膜脂肪候选区域图像包含与所述心肌缓冲区域对应的心包膜脂肪体块;
选择模块,用于根据预设指标对心包膜脂肪体块进行选择,整合满足所述预设指标的心包膜脂肪体块,获得心包膜脂肪区域图像。
7.根据权利要求6所述的设备,其特征在于,所述设备还包括:
所述获得模块,还用于获得原始图像;
第一分割模块,用于对所述原始图像进行第一分割处理,获得心肌图像;
形态学腐蚀模块,用于对所述心肌图像进行形态学腐蚀处理,获得心肌腐蚀图像;
整合模块,用于对所述心肌腐蚀图像与所述心肌图像进行整合处理,以获得指定图像。
8.根据权利要求7所述的设备,其特征在于,所述设备还包括:
第二分割模块,用于对所述原始图像进行第二分割处理,获得心包膜图像,所述心包膜图像包含心包膜分体块;
边缘化处理模块,用于对所述心包膜分体块进行边缘化处理,获得心包膜体块;
所述分割筛选模块,还用于基于所述心包膜体块对所述指定图像进行分割筛选,以获得心包膜脂肪候选区域图像。
9.根据权利要求6所述的设备,其特征在于,所述分割筛选模块,包括:
第三分割子模块,用于通过分割网络模型对所述指定图像进行第三分割处理,获得与所述心肌缓冲区域对应的脂肪体块;
筛选子模块,用于根据心包膜体块对所述脂肪体块进行筛选,确定与心包膜体块形成连通域的脂肪体块;
第一确定子模块,用于将所述与心包膜体块形成连通域的脂肪体块确定为心包膜脂肪体块;
第二确定子模块,将所述心包膜脂肪体块确定为心包膜脂肪候选区域图像。
10.一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行权利要求1-5任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010935124.4A CN112184631A (zh) | 2020-09-08 | 2020-09-08 | 一种图像处理方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010935124.4A CN112184631A (zh) | 2020-09-08 | 2020-09-08 | 一种图像处理方法、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184631A true CN112184631A (zh) | 2021-01-05 |
Family
ID=73925858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010935124.4A Pending CN112184631A (zh) | 2020-09-08 | 2020-09-08 | 一种图像处理方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184631A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008014899A1 (de) * | 2008-03-19 | 2009-09-24 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Bestimmung der Menge an epikardialem Fett sowie Datensammlung |
CN102436584A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
CN103208114A (zh) * | 2013-01-25 | 2013-07-17 | 西安电子科技大学 | 基于交互式分割的胃部脂肪组织提取方法 |
US20130190592A1 (en) * | 2012-01-17 | 2013-07-25 | Consiglio Nazionale Delle Ricerche | Methods and systems for determining the volume of epicardial fat from volumetric images |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
US20170337343A1 (en) * | 2010-07-16 | 2017-11-23 | The University Of Houston System | Methods of computing pericardial and abdominal fat and methods for motion compensation |
CN108805923A (zh) * | 2018-06-01 | 2018-11-13 | 沈阳东软医疗系统有限公司 | 生理参数获取方法和装置 |
CN109325954A (zh) * | 2018-09-18 | 2019-02-12 | 北京旷视科技有限公司 | 图像分割方法、装置及电子设备 |
CN109389585A (zh) * | 2018-09-20 | 2019-02-26 | 东南大学 | 一种基于全卷积神经网络的脑组织提取方法 |
CN109614900A (zh) * | 2018-11-29 | 2019-04-12 | 深圳和而泰数据资源与云技术有限公司 | 图像检测方法及装置 |
CN110610497A (zh) * | 2019-08-05 | 2019-12-24 | 汉世伟食品集团有限公司 | 一种基于ct图像处理的活体猪胴体组织含量测定方法 |
CN110782994A (zh) * | 2019-10-29 | 2020-02-11 | 上海交通大学医学院附属新华医院 | 一种新型采用mimics软件测量心外膜脂肪的方法 |
JP2020039702A (ja) * | 2018-09-12 | 2020-03-19 | 学校法人立命館 | 医用画像抽出装置、医用画像抽出方法、及び、コンピュータプログラム |
CN111161256A (zh) * | 2019-12-31 | 2020-05-15 | 北京推想科技有限公司 | 图像分割方法、图像分割装置、存储介质及电子设备 |
-
2020
- 2020-09-08 CN CN202010935124.4A patent/CN112184631A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008014899A1 (de) * | 2008-03-19 | 2009-09-24 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Bestimmung der Menge an epikardialem Fett sowie Datensammlung |
US20170337343A1 (en) * | 2010-07-16 | 2017-11-23 | The University Of Houston System | Methods of computing pericardial and abdominal fat and methods for motion compensation |
CN102436584A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
US20130190592A1 (en) * | 2012-01-17 | 2013-07-25 | Consiglio Nazionale Delle Ricerche | Methods and systems for determining the volume of epicardial fat from volumetric images |
CN103208114A (zh) * | 2013-01-25 | 2013-07-17 | 西安电子科技大学 | 基于交互式分割的胃部脂肪组织提取方法 |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
CN108805923A (zh) * | 2018-06-01 | 2018-11-13 | 沈阳东软医疗系统有限公司 | 生理参数获取方法和装置 |
JP2020039702A (ja) * | 2018-09-12 | 2020-03-19 | 学校法人立命館 | 医用画像抽出装置、医用画像抽出方法、及び、コンピュータプログラム |
CN109325954A (zh) * | 2018-09-18 | 2019-02-12 | 北京旷视科技有限公司 | 图像分割方法、装置及电子设备 |
CN109389585A (zh) * | 2018-09-20 | 2019-02-26 | 东南大学 | 一种基于全卷积神经网络的脑组织提取方法 |
CN109614900A (zh) * | 2018-11-29 | 2019-04-12 | 深圳和而泰数据资源与云技术有限公司 | 图像检测方法及装置 |
CN110610497A (zh) * | 2019-08-05 | 2019-12-24 | 汉世伟食品集团有限公司 | 一种基于ct图像处理的活体猪胴体组织含量测定方法 |
CN110782994A (zh) * | 2019-10-29 | 2020-02-11 | 上海交通大学医学院附属新华医院 | 一种新型采用mimics软件测量心外膜脂肪的方法 |
CN111161256A (zh) * | 2019-12-31 | 2020-05-15 | 北京推想科技有限公司 | 图像分割方法、图像分割装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
周茜洋 等: "心包脂肪影像学的研究进展", 国际医学放射学杂志, no. 04 * |
杨帆 等: "自动分割方法分析心脏MRI左心室功能的可行性", 《贵州医科大学学报》, vol. 43, no. 1, pages 36 - 39 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6754376B1 (en) | Method for automatic segmentation of medical images | |
US8139836B2 (en) | Automatic segmentation of the heart and aorta in medical 3-D scans without contrast media injections | |
CN107527341B (zh) | 血管造影图像的处理方法和系统 | |
JP5123954B2 (ja) | 医療画像における病変部の特定及び分析 | |
KR101697880B1 (ko) | 적응적 임계값 영상분할을 이용한 ct 영상 동맥경화반 용적 측정방법 및 장치 | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
Zahnd et al. | Quantification of fibrous cap thickness in intracoronary optical coherence tomography with a contour segmentation method based on dynamic programming | |
US6744911B1 (en) | Tomographic segmentation | |
US8660326B2 (en) | Image processing method for estimating a risk of atheroma plaque breakage | |
CN110060261B (zh) | 一种基于光学相干层析成像系统的血管分割方法 | |
US7330576B2 (en) | Quantification method of vessel calcification | |
JP2002269539A (ja) | 画像処理装置、画像処理装置方法、及び画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体、並びにこれを用いた診断支援システム | |
CN113469963B (zh) | 肺动脉图像分割方法及装置 | |
US7298884B2 (en) | Method and apparatus for classification of pixels in medical imaging | |
Masutani et al. | Automated segmentation and visualization of the pulmonary vascular tree in spiral CT angiography: an anatomy-oriented approach based on three-dimensional image analysis | |
KR100440255B1 (ko) | 대상 장기의 지방량 측정 시스템 및 지방량 측정프로그램을 기록한 기록매체 | |
CN112184631A (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
CN115937196A (zh) | 一种医学图像分析系统、分析方法和计算机可读存储介质 | |
Bernabé et al. | A software tool for the automatic quantification of the left ventricle myocardium hyper-trabeculation degree | |
Mazonakis et al. | Development and evaluation of a semiautomatic segmentation method for the estimation of LV parameters on cine MR images | |
CN110785123A (zh) | 采用改进的数据处理技术对组织异常进行体素内不相干运动mri三维定量检测 | |
CN112529918A (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
Zahnd et al. | Semi-automated quantification of fibrous cap thickness in intracoronary optical coherence tomography | |
KR101126222B1 (ko) | 확산 강조 영상을 이용한 실시간 자동 비장 3차원 분할과 체적 측정 방법 | |
CN112184632B (zh) | 一种图像处理方法、设备和计算机存储介质 |
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 |