CN112381094A - 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质 - Google Patents

对重建图像中心脏roi的提取方法、系统、获取方法及存储介质 Download PDF

Info

Publication number
CN112381094A
CN112381094A CN202011402412.XA CN202011402412A CN112381094A CN 112381094 A CN112381094 A CN 112381094A CN 202011402412 A CN202011402412 A CN 202011402412A CN 112381094 A CN112381094 A CN 112381094A
Authority
CN
China
Prior art keywords
image
heart
highlight
reconstructed
dimensional
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
Application number
CN202011402412.XA
Other languages
English (en)
Other versions
CN112381094B (zh
Inventor
褚政
徐怿弘
张勇
叶宏伟
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.)
FMI Technologies Inc
Original Assignee
FMI Technologies Inc
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 FMI Technologies Inc filed Critical FMI Technologies Inc
Priority to CN202011402412.XA priority Critical patent/CN112381094B/zh
Publication of CN112381094A publication Critical patent/CN112381094A/zh
Application granted granted Critical
Publication of CN112381094B publication Critical patent/CN112381094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种对重建图像中心脏ROI的提取方法、系统、获取方法及存储介质，提取方法，包括以下步骤：PET诊断成像装置获取PET数据，并对PET数据重建以形成重建图像；确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像；自截取图像提取包括心脏中心区域的提取图像；对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。采用上述技术方案后，使用任意源对TOF‑PET进行分辨率的计算，对于心脏运动状态的检测具有很高的实用性和准确性。

Description

对重建图像中心脏ROI的提取方法、系统、获取方法及存储 介质
技术领域
本发明涉及医疗设备控制领域，尤其涉及一种对重建图像中心脏ROI的提取方法、系统、获取方法及存储介质。
背景技术
PET是目前非常先进的医疗诊断设备，其原理是把具有正电子发射的同位素标记药物(显像剂)注人人体内，如碳、氟、氧和氮的同位素1种或2种，这些药物在参与人体的生理代谢过程中发生湮灭效应，生成基本上在180。方向上发射的2个能量为0.511MeV彼此运动相反的Y射线光量子。根据人体不同部位吸收标记化合物能力的不同，同位素在人体内各部位的浓聚程度不同，湮灭反应产生光子的强度也不同。用环绕人体的Y光子检测器，可以检测到释放出光子的时间、位置、数量和方向，通过光电倍增管将光信号转变为时间脉冲信号，经过计算机系统对上述信息进行采集、存储、运算、数/模转换和影像重建，从而获得人体脏器的横断面、冠状断面和矢状断面图像。凡代谢率高的组织或病变，在PET上呈现明亮的高代谢亮信号，凡代谢率低的组织或病变在PET上呈现出低代谢暗信号。
PET探测系统由外罩，机架及探测器组成。探测器包括晶体、光电放大和电子处理电路。探测器检测从被检体P内部放出的成对湮没γ射线，生成与检测出的成对湮没γ射线的光量相应的脉冲状电信号。后端信号处理器根据来自光电转换器件的电信号生成单事件数据(Single)。计数部从重复供给的单事件数据中重复确定容纳在与预先设定的时间范围内的2个单事件有关的事件数据。时间范围被设定为例如6ns～18ns左右。该成对的单事件被推测为由来于从同一成对湮没点产生的成对湮没γ射线。成对的单事件概括地被称为符合事件。符合事件被收集到后，事件相关的时间空间信息进行组合封装，并在磁盘或者其他数据存储介质上保存，形成了重建程序可以读取并使用的PET符合数据。
在PET对于心脏的PET扫描过程中，由于人体的心跳，会导致正电子的发射分布会出现非刚性形变，导致结果的分辨率下降。
现有技术中，常采用外部接入设备来测量人体的ECG信号，从而得到真实的心脏运动状态。或提出有另一种计算心跳周期的方法，可以比较精准的获得心跳信号。然而，对于图像中心脏ROI的获取，需要十分复杂计算，消耗大量时间，所以不适合实际应用。
因此，需要一种新型的心脏ROI的获取方法，可对提取敏感像素的过程进行改进，极大地提高计算效率，从而可以应用于实际临床。
发明内容
为了克服上述技术缺陷，本发明的目的在于提供一种对重建图像中心脏ROI的提取方法、系统、获取方法及存储介质，使用任意源对TOF-PET进行分辨率的计算，对于心脏运动状态的检测具有很高的实用性和准确性。
本发明公开了一种对重建图像中心脏ROI的提取方法，提取方法包括以下步骤：
PET诊断成像装置获取PET数据，并对PET数据重建以形成重建图像；
确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像；
自截取图像提取包括心脏中心区域的提取图像；
对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
优选地，自截取图像提取包括心脏中心区域的提取图像的步骤包括：
对截取图像进行阈值分割，以将高亮区域自截取图像中提取而出形成高亮图像；
累加高亮图像内轴向的所有像素，并对高亮图像于图像域内闭运算，形成封闭图像；
求取封闭图像与高亮图像的差集部分形成提取图像，
或
累加截取图像内轴向的所有像素，并对截取图像于图像域内闭运算，形成第一封闭图像；
对第一封闭图像进行阈值分割，以将高亮区域自第一封闭图像中提取而出形成高亮图像；
累加高亮图像内轴向的所有像素，并对高亮图像于图像域内闭运算，形成第二封闭图像；
求取第二封闭图像与高亮图像的差集部分形成提取图像。
优选地，确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像的步骤包括：
基于一选取指令，划分出重建图像中包括心脏的区域范围及不包括心脏的背景范围；
将不包括心脏的背景范围自重建图像中去除，以形成截取图像；
或
通过人工智能网络识别重建图像中包括心脏的区域范围及不包括心脏的背景范围；
将不包括心脏的背景范围自重建图像中去除，以形成截取图像。
优选地，对截取图像进行阈值分割，以将高亮区域自截取图像中提取而出形成高亮图像的步骤包括：
对截取图像进行阈值分割提取出高亮部分，使得分离背景的高亮区域为高亮图像；
计算高亮图像在轴向上的中心位置Z0。
优选地，对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布的步骤包括：
对提取图像二维高斯滤波以获得滤波图像；
将滤波图像放置于三维空间的轴向的中心位置Z0层位置，并在轴向进行高斯滤波，以获得重建图像中心脏的三维分布。
优选地，自截取图像提取包括心脏中心区域的提取图像的步骤包括：
对截取图像进行阈值分割，以将高亮区域自截取图像中提取而出形成高亮图像；
累加高亮图像内轴向的所有像素，并对高亮图像于图像域内闭运算，形成封闭图像；
基于主动轮廓模型提取心脏轮廓，并使用区域生长模型或分水岭模型获得包括心脏中心区域的提取图像。
本发明公开了一种人体心脏运动状态的获取方法，包括以下步骤：
PET诊断成像装置获取PET数据，并对PET数据重建以形成重建图像；
确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像；
自截取图像提取包括心脏中心区域的提取图像；
对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布；
根据列表模式复合数据的符合发生时间，重排数据形成符合数据，并基于一时间间隔将符合数据分成至少两个时间箱；
每一时间箱内的符合数据根据几何位置，对于三维分布进行射线追踪投影，使得同一时间箱内的符合数据的投影值累加形成时间箱的特征值；
对于时间箱的特征值进行傅里叶变换，确定时间箱的功率谱，并自功率谱中获取主频率；
对于主频率进行带通滤波，得到人体心脏的运动状态。
本发明公开了一种对重建图像中心脏ROI的提取系统，提取系统包括：
PET诊断成像装置，获取PET数据，并对PET数据重建以形成重建图像；
处理模块，与PET诊断成像装置连接，获取重建图像，其中处理模块包括：
截取单元，确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像；
提取单元，自截取图像提取包括心脏中心区域的提取图像，并对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
优选地，提取单元包括：
分割元，对截取图像进行阈值分割，以将高亮区域自截取图像中提取而出形成高亮图像；
累加元，累加高亮图像内轴向的所有像素，并对高亮图像于图像域内闭运算，形成封闭图像；
求取元，求取封闭图像与高亮图像的差集部分形成提取图像；
建模元，对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的步骤。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
1.改进了感兴趣区域的提取方法，对于提取敏感像素的过程进行改进，极大地提高计算效率，从而可以应用于实际临床；
2.以快速的效率精准地获取心跳信号，可用于计算心跳周期。
附图说明
图1为符合本发明一优选实施例中提取方法的流程示意图；
图2为符合本发明一优选实施例中的重建图像；
图3为符合本发明一优选实施例中的截取图像；
图4为符合本发明一优选实施例中的高亮图像；
图5为符合本发明一优选实施例中的高亮图像累加后的示意图；
图6为符合本发明一优选实施例中的封闭图像；
图7为符合本发明一优选实施例中的提取图像；
图8为符合本发明一优选实施例中的心脏的三维分布示意图；
图9为符合本发明一优选实施例中人体心脏运动状态的获取方法的流程示意图；
图10为符合本发明一优选实施例中时间箱的特征值的示意图；
图11为符合本发明一优选实施例中时间箱的特征值傅里叶变换后的示意图；
图12为符合本发明一优选实施例中心脏运动状态的示意图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
参阅图1，为符合本发明一优选实施例中对重建图像中心脏ROi的提取方法的流程示意图，在该实施例中，提取方法包括以下步骤：
S100：PET诊断成像装置获取PET数据，并对所述PET数据重建以形成重建图像
利用PET诊断成像装置获取到PET符合数据进行重建，具体重建方法有如，有序子集最大似然期望值法OSEM、最大似然期望值法(MLEM)、滤波反投影FBP或者其他方法，参阅图2，从而得到了基本除去噪声和衰减等干扰的γ光子空间分布图，也即重建图像。在该重建图像中，示出了某一时刻下人体某剖面的示意图，其中包括有胸腔及胸腔内的器官的示意图。则从重建图像中可获得心跳的基本信息。
S200：确定所述重建图像中心脏的区域范围，并将所述区域范围自所述重建图像中截取而出形成截取图像
后对于重建图像的处理，将从其中对心脏的感兴趣区域(ROI)进行提取。因此于步骤S200中，首先确定心脏的大致范围，即确定心脏范围的半径、高度和三维中心位置，也即，确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像。也就是说，截取图像中将仅包括心脏的区域范围，除心脏外的其他部分将从重建图像中分离。
具体地，步骤S200可包括：
S210：基于一选取指令，划分出所述重建图像中包括心脏的区域范围及不包括心脏的背景范围；
S220：将不包括心脏的背景范围自所述重建图像中去除，以形成截取图像；
上述步骤S210和步骤S220，为人工选取心脏范围，也就是说，对于重建图像的进一步处理人而言，在获取了重建图像后，根据对重建图像的分析和经验，手动将心脏的区域范围从重建图像中圈出，圈出后将向显示重建图像的设备发送选取指令，由上述设备划分出重建图像中包括心脏的区域范围及不包括心脏的背景范围，并再将不包括心脏的背景范围自重建图像中去除，以形成如图3所示的截取图像。
或另一实施例中，步骤S200可包括：
S210：通过人工智能网络识别所述重建图像中包括心脏的区域范围及不包括心脏的背景范围；
S220：将不包括心脏的背景范围自所述重建图像中去除，以形成截取图像
与人工选取的方式所不同的，若需要选取心脏的区域范围的重建图像数量较多时，可选用人工智能网络，在大量的样本训练所具有的模型(例如RCNN、YOLO等算法)后，从重建图像中自动识别包括心脏的区域范围及不包括心脏的背景范围，优选地再辅以人工二次筛选或核验，以确定选取的准确性。而后，同样将不包括心脏的背景范围自所述重建图像中去除，以形成截取图像。
S300：自截取图像提取包括心脏中心区域的提取图像
与现有技术中基于心跳信号参数判断心脏运动情况所不同的，本发明中，完全基于图像处理的方式判断心跳的运动情况。通过规避信号处理的方式，可直接使用PET扫描数据的特征来获得心脏的运动，从而代替了原来的体外接入，减少了扫描患者的身体和心理负担，提高了扫描的效率，节省了设备成本。
S400：对所述提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布
最后将提取图像二维高斯滤波去除噪音部分后并三维延拓，则可得到重建图像中心脏ROI的三维分布，进一步用于计算心跳周期获取心跳信号。
具体地，步骤S400包括：
S410：对提取图像二维高斯滤波以获得滤波图像；
S420：如图8所示，将滤波图像放置于三维空间的轴向的中心位置Z0层位置，并在轴向进行高斯滤波，以获得重建图像中心脏的三维分布。
一优选实施例中，自截取图像提取包括心脏中心区域的提取图像的步骤S300包括：
S310：对截取图像进行阈值分割，以将高亮区域自截取图像中提取而出形成高亮图像
在该截取图像中，虽已包括有心脏的区域范围，但对于心脏的跳动信息仍无法清晰地表达。因此在步骤S310中，将因心脏跳动而引起的与周边相对静止的器官差异化，也即对截取图像进行阈值分割，跳动部分以高亮形式展示，从而形成如图4所示的高亮图像。
一优选实施例中，步骤S310具体包括：
S311：对截取图像进行阈值分割提取出高亮部分，使得分离背景的高亮区域为高亮图像；
也即以灰度作为分割标准，进一步差异化代表心脏跳动的高亮部分，从而将灰度降低的背景去除。
S312：计算高亮图像在轴向上的中心位置Z0
该步骤S312可通过多种方式实现，例如手动设定阈值或自适应阈值化，作为中心位置Z0，该中心位置Z0表示因重建图像具有心脏的示意图而将使得图像的重心产生一定的偏移量，用于重建三维形式下的心脏。若通过手动设定阈值的，则需保证对重建图像的处理过程中，该中心位置Z0始终不发生变化。
S320：累加所述高亮图像内轴向的所有像素，并对所述高亮图像于图像域内闭运算，形成封闭图像
如图5所示，在该步骤S400中，基于中心位置Z0，在轴向方向上对高亮图像内的所有像素进行累加，从而更进一步地，将已被同灰度阈值下处理后的高亮区域内部差异化，也就是说，在轴向方向上累加后更为高亮的部分，相较于轴向方向上累加后基本无变化的部分，代表着更为接近心脏中心的位置，以及代表着因心脏跳动而产生的位置变化。
后如图6所示，再对高亮图像在图像域内闭运算，形成封闭图像。
S330：求取封闭图像与高亮图像的差集部分形成提取图像
具有封闭图像和高亮图像后，将两着作差集，如图7所示，也即将封闭图像减去高亮图像的结果，得到具有心脏中心空间的提取图像。该步骤S330，考虑到心脏的跳动过程中，始终具有相同的移动模式，而高亮图像最为高亮的部分，始终围绕着心脏的最中间部分，因此该提取图像则一定包括有心脏的中心空间。
另一优选实施例中，自截取图像提取包括心脏中心区域的提取图像的步骤S300包括：
S310’：累加所述截取图像内轴向的所有像素，并对所述截取图像于图像域内闭运算，形成第一封闭图像
即将轴向像素首先累加，同样可区分中心区域与边缘区域，形成第一封闭图像。
S320’：对所述第一封闭图像进行阈值分割，以将高亮区域自所述第一封闭图像中提取而出形成高亮图像。
S330’：累加所述高亮图像内轴向的所有像素，并对所述高亮图像于图像域内闭运算，形成第二封闭图像
S340’：求取所述第二封闭图像与所述高亮图像的差集部分形成提取图像。
与上述实施例所不同的，多次轴向累加像素后，可进一步差异化中心区域与边缘区域，方便提取。
又一优选实施例中，自截取图像提取包括心脏中心区域的提取图像的步骤S300包括：
S310”：对截取图像进行阈值分割，以将高亮区域自截取图像中提取而出形成高亮图像；
S320”：累加高亮图像内轴向的所有像素，并对高亮图像于图像域内闭运算，形成封闭图像；
S330”：基于主动轮廓模型提取心脏轮廓，并使用区域生长模型或分水岭模型获得包括心脏中心区域的提取图像。主动轮廓模型(active contours)给定图像中利用曲线演化来检测目标的一类方法，基于此可以得到精确的边缘信息。其基本思想是，先定义初始曲线C，然后根据图像数据得到能量函数，通过最小化能量函数来引发曲线变化，使其向目标边缘逐渐逼近，最终找到目标边缘。这种动态逼近方法所求得的边缘曲线具有封闭、光滑等优点。分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。
具有上述心脏ROI的提取方法后，可进一步应用至人体心脏运动状态的获取方法内，参阅图9，该获取方法包括：
S100：PET诊断成像装置获取PET数据，并对PET数据重建以形成重建图像；
S200：确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像；
S300：自所述截取图像提取包括心脏中心区域的提取图像；
S400：对所述提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布；
S500：根据列表模式(list mode)复合数据的符合发生时间，重排数据形成符合数据，并基于一时间间隔将符合数据分成至少两个时间箱；
S600：参阅图10，每一时间箱内的符合数据根据几何位置，对于三维分布进行射线追踪投影，使得同一时间箱内的符合数据的投影值累加形成时间箱的特征值；
S700：参阅图11，对于时间箱的特征值进行傅里叶变换，确定时间箱的功率谱，并自功率谱中获取主频率；
S800：参阅图12，对于主频率进行带通滤波，得到人体心脏的运动状态。
本发明还公开了一种对重建图像中心脏ROI的提取系统，提取系统包括：PET诊断成像装置，获取PET数据，并对PET数据重建以形成重建图像；处理模块，与PET诊断成像装置连接，获取重建图像，其中处理模块包括：截取单元，确定重建图像中心脏的区域范围，并将区域范围自重建图像中截取而出形成截取图像；提取单元，自截取图像提取包括心脏中心区域的提取图像，并对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
进一步优选地，提取单元包括：分割元，对截取图像进行阈值分割，以将高亮区域自截取图像中提取而出形成高亮图像；累加元，累加高亮图像内轴向的所有像素，并对高亮图像于图像域内闭运算，形成封闭图像；求取元，求取封闭图像与高亮图像的差集部分形成提取图像；建模元，对提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的步骤。
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种对重建图像中心脏ROI的提取方法，其特征在于，所述提取方法包括以下步骤：
PET诊断成像装置获取PET数据，并对所述PET数据重建以形成重建图像；
确定所述重建图像中心脏的区域范围，并将所述区域范围自所述重建图像中截取而出形成截取图像；
自所述截取图像提取包括心脏中心区域的提取图像；
对所述提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
2.如权利要求1所述的提取方法，其特征在于，
自所述截取图像提取包括心脏中心区域的提取图像的步骤包括：
对所述截取图像进行阈值分割，以将高亮区域自所述截取图像中提取而出形成高亮图像；
累加所述高亮图像内轴向的所有像素，并对所述高亮图像于图像域内闭运算，形成封闭图像；
求取所述封闭图像与所述高亮图像的差集部分形成提取图像，
或
累加所述截取图像内轴向的所有像素，并对所述截取图像于图像域内闭运算，形成第一封闭图像；
对所述第一封闭图像进行阈值分割，以将高亮区域自所述第一封闭图像中提取而出形成高亮图像；
累加所述高亮图像内轴向的所有像素，并对所述高亮图像于图像域内闭运算，形成第二封闭图像；
求取所述第二封闭图像与所述高亮图像的差集部分形成提取图像。
3.如权利要求1所述的提取方法，其特征在于，
确定所述重建图像中心脏的区域范围，并将所述区域范围自所述重建图像中截取而出形成截取图像的步骤包括：
基于一选取指令，划分出所述重建图像中包括心脏的区域范围及不包括心脏的背景范围；
将不包括心脏的背景范围自所述重建图像中去除，以形成截取图像；
或
通过人工智能网络识别所述重建图像中包括心脏的区域范围及不包括心脏的背景范围；
将不包括心脏的背景范围自所述重建图像中去除，以形成截取图像。
4.如权利要求2所述的提取方法，其特征在于，
对所述截取图像进行阈值分割，以将高亮区域自所述截取图像中提取而出形成高亮图像的步骤包括：
对所述截取图像进行阈值分割提取出高亮部分，使得分离背景的高亮区域为高亮图像；
计算所述高亮图像在轴向上的中心位置Z0。
5.如权利要求1所述的提取方法，其特征在于，
对所述提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布的步骤包括：
对所述提取图像二维高斯滤波以获得滤波图像；
将所述滤波图像放置于三维空间的轴向的中心位置Z0层位置，并在所述轴向进行高斯滤波，以获得重建图像中心脏的三维分布。
6.如权利要求1所述的提取方法，其特征在于，
自所述截取图像提取包括心脏中心区域的提取图像的步骤包括：
对所述截取图像进行阈值分割，以将高亮区域自所述截取图像中提取而出形成高亮图像；
累加所述高亮图像内轴向的所有像素，并对所述高亮图像于图像域内闭运算，形成封闭图像；
基于主动轮廓模型提取心脏轮廓，并使用区域生长模型或分水岭模型获得包括心脏中心区域的提取图像。
7.一种人体心脏运动状态的获取方法，其特征在于，包括以下步骤：
PET诊断成像装置获取PET数据，并对所述PET数据重建以形成重建图像；
确定所述重建图像中心脏的区域范围，并将所述区域范围自所述重建图像中截取而出形成截取图像；
自所述截取图像提取包括心脏中心区域的提取图像；
对所述提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布；
根据列表模式复合数据的符合发生时间，重排数据形成符合数据，并基于一时间间隔将所述符合数据分成至少两个时间箱；
每一所述时间箱内的符合数据根据几何位置，对于所述三维分布进行射线追踪投影，使得同一时间箱内的符合数据的投影值累加形成所述时间箱的特征值；
对于时间箱的特征值进行傅里叶变换，确定所述时间箱的功率谱，并自所述功率谱中获取主频率；
对于所述主频率进行带通滤波，得到人体心脏的运动状态。
8.一种对重建图像中心脏ROI的提取系统，其特征在于，所述提取系统包括：
PET诊断成像装置，获取PET数据，并对所述PET数据重建以形成重建图像；
处理模块，与所述PET诊断成像装置连接，获取所述重建图像，其中所述处理模块包括：
截取单元，确定所述重建图像中心脏的区域范围，并将所述区域范围自所述重建图像中截取而出形成截取图像；
提取单元，自所述截取图像提取包括心脏中心区域的提取图像，并对所述提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
9.如权利要求8所述的提取系统，其特征在于，所述提取单元包括：
分割元，对所述截取图像进行阈值分割，以将高亮区域自所述截取图像中提取而出形成高亮图像；
累加元，累加所述高亮图像内轴向的所有像素，并对所述高亮图像于图像域内闭运算，形成封闭图像；
求取元，求取所述封闭图像与所述高亮图像的差集部分形成提取图像；
建模元，对所述提取图像二维滤波并三维延拓，以得到重建图像中心脏的三维分布。
10.一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，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的步骤。
CN202011402412.XA 2020-12-02 2020-12-02 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质 Active CN112381094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011402412.XA CN112381094B (zh) 2020-12-02 2020-12-02 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011402412.XA CN112381094B (zh) 2020-12-02 2020-12-02 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质

Publications (2)

Publication Number Publication Date
CN112381094A true CN112381094A (zh) 2021-02-19
CN112381094B CN112381094B (zh) 2022-04-26

Family

ID=74589307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011402412.XA Active CN112381094B (zh) 2020-12-02 2020-12-02 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质

Country Status (1)

Country Link
CN (1) CN112381094B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985124A (zh) * 2014-05-17 2014-08-13 清华大学深圳研究生院 基于非线性渐变模型的心脏ct图像底部自动提取方法
CN104331914A (zh) * 2014-09-18 2015-02-04 东莞南方医大松山湖科技园有限公司 重建心脏相位图像的方法和装置
CN107610095A (zh) * 2017-08-04 2018-01-19 南京邮电大学 基于图像融合的心脏ct冠脉全自动分割方法
KR20180097037A (ko) * 2017-02-22 2018-08-30 연세대학교 산학협력단 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치
CN111311737A (zh) * 2020-03-04 2020-06-19 中南民族大学 心脏图像的三维建模方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985124A (zh) * 2014-05-17 2014-08-13 清华大学深圳研究生院 基于非线性渐变模型的心脏ct图像底部自动提取方法
CN104331914A (zh) * 2014-09-18 2015-02-04 东莞南方医大松山湖科技园有限公司 重建心脏相位图像的方法和装置
KR20180097037A (ko) * 2017-02-22 2018-08-30 연세대학교 산학협력단 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치
CN107610095A (zh) * 2017-08-04 2018-01-19 南京邮电大学 基于图像融合的心脏ct冠脉全自动分割方法
CN111311737A (zh) * 2020-03-04 2020-06-19 中南民族大学 心脏图像的三维建模方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘小平等: "基于模板匹配的心脏三维超声最优切面搜寻方法", 《生物医学工程学杂志》 *

Also Published As

Publication number Publication date
CN112381094B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN107203741B (zh) 血管提取方法、装置及其系统
CN107545584B (zh) 医学图像中定位感兴趣区域的方法、装置及其系统
JP5785694B2 (ja) 画像内の領域を分離するためのコンピュータプログラムを記憶しているコンピュータ可読記憶媒体
US7430309B2 (en) Computation of a geometric parameter of a cardiac chamber from a cardiac tomography data set
US7315639B2 (en) Method of lung lobe segmentation and computer system
EP2545526B1 (en) Region of interest definition in cardiac imaging
EP0747004B1 (en) Method of measuring ventricular volumes
NL1024869C2 (nl) Werkwijze en systeem voor het meten van voor ziekte relevante weefselveranderingen.
EP3207521B1 (en) Image analysis method supporting illness development prediction for a neoplasm in a human or animal body
CN113781439B (zh) 超声视频病灶分割方法及装置
US20050113679A1 (en) Method and apparatus for segmenting structure in CT angiography
US20020012478A1 (en) Image processing electronic device for detecting dimensional variations
US20160225146A1 (en) Method and system for analysis of volumetric data
CN110111296B (zh) 深度学习的新发皮层下小梗死病灶自动分割系统及其方法
EP2401719B1 (fr) Méthodes de segmentation d'images et de détection de structures particulières
US8417005B1 (en) Method for automatic three-dimensional segmentation of magnetic resonance images
US8086006B2 (en) Method and system for evaluating image segmentation based on visibility
CN108498110B (zh) 用于检测器官运动的系统和方法
Marin et al. Numerical surrogates for human observers in myocardial motion evaluation from SPECT images
JP2007029514A (ja) 画像解析装置、画像解析方法およびそのプログラム
CN112381094B (zh) 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质
EP1447772B1 (en) A method of lung lobe segmentation and computer system
JP2011161104A (ja) 画像生成装置、画像生成方法、及びそのプログラム
WO2012153231A9 (en) Myocardial clusterification and orientation
Khan et al. Fully automatic heart beat rate determination in digital video recordings of rat embryos

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